電力系統短期負荷預測方法概述

，

(福州大學電氣工程與自動化學院，福建　福州　350108)

1　引言

現代電網規模的擴大和智能電網的快速發展，要求電力運行計劃與調度更加精準，而負荷預測是保證電力生產與調度準確可靠的重要手段。特別是在現今用戶用電行為多樣化、供電方式多樣化的情況下，準確的負荷預測在降低電力生產成本，提高企業競爭力方面尤為重要。

負荷預測按照預測時間的長短和應用場合的不同可分為長期、中期、短期和超短期負荷預測。長期負荷預測覆蓋時間從未來數年到數十年不等，主要用于電源發展及網絡發展規劃；中期負荷預測是指未來一年之內的用電負荷預測，用于安排大修計劃以及水庫的經濟運行等；短期負荷預測，通常是指未來的日負荷預測和周負荷預測，目的是給各個電廠安排日、周發電計劃；超短期負荷預測是指未來1小時內的負荷預測，主要用于安全監視、預防性控制和緊急狀態處理。其中，中長期負荷預測是制定電力系統發展規劃的前提，而基于日負荷曲線的短期負荷預測則是制定日前發電計劃的基礎[1]。根據短期負荷預測的信息，可以合理調度發電容量、在安全范圍內安排系統經濟啟停、保持最小成本的必要旋轉備用容量，從而使發電成本降到最低，確保電網安全、穩定、可靠、優質和經濟的運行[2]。

短期負荷預測已成為電力系統運行的重要內容和研究課題之一，并越來越受到重視。長期以來，大量的專家學者對其進行了廣泛而深入的研究，提出諸多行之有效的方法。本文將針對各種預測方法的特點及其使用前提進行分析，闡述其優點與不足，并探討未來短期負荷預測方法的研究方向。

2　短期負荷預測的研究現狀

自20世紀60年代初，世界經濟快速發展對電力的需求不斷增加，對電能質量的要求也逐步提高，這就導致了電力系統的快速發展[3]。負荷預測也開始進入了飛速發展的階段，其研究也不斷趨向于實際應用。

2.1　負荷預測的發展及新特點

國內外的負荷預測工作經歷了傳統預測與智能預測階段，并逐漸過渡到現代預測的階段。早期的負荷預測工作采用較為簡單的模型來進行，如文獻[4]中綜合考慮負荷自身的變化特點，采用改進的卡爾曼濾波模型進行負荷預測。隨著電力系統信息的逐步完善以及科學技術的發展，我們所能獲取的負荷信息越來越完整，也隨之涌現了許多智能預測方法。文獻[5]提出模糊神經網絡模型來都來弱化神經網絡對于樣本的依賴，考慮了溫度影響的同時取得了較好的預測精度。近年來，國內外的專家學者較多地采用改進算法和組合模型等預測方法[6-14]。如文獻[15]提出用改進的螢火蟲算法(MFA)來對支持向量回歸(SVR)模型的參數進行優化，進而進行短期負荷預測，通過將該方法與現有的 ANN、 SVR-GA等其他模型進行比較分析，證明該模型的優越性。

基于以上分析歸納可以發現，基于智能算法和模型參數優化等一些方法已經發展得較為成熟，同時組合預測模型的研究逐漸成為了短期負荷預測的中心，吸引更多的專家學者進行研究。

隨著現代智能電網和微電網等新型電力產業的飛速發展，原本的負荷特點也隨之發生變化，使得傳統的預測方法和模型并不能完全有效地得到期望精度，這對于現代的短期負荷預測問題提出了新的要求。文獻[16]中提出了智能電網住宅用電的短期負荷預測新模型，在日負荷曲線模型中整合了日類型，節假日，溫度等影響因素，同時還引入了動態電價因素來體現用戶的電力需求。在此基礎上對智能電網住宅用電進行預測，有效證明模型的優勢。文獻[17]中針對主動配網中用戶的動態需求提出了一種新的方法，該方法基于負荷成分，將其分為基準負荷與因隨機波動和需求效應而存在的剩余負荷。通過進行建模預測，說明考慮用戶需求效應在實際的負荷預測中是有應用價值的。

針對上述問題，研究人員在進行預測工作時不能簡單的將負荷預測當成簡單的當成“單純的數學問題”，而應從電力系統的市場波動、用戶需求、負荷構成、溫度濕度等方面因素進行綜合考慮，將其與傳統預測方法模型結合，構造能夠適應系統負荷發展規律和需求的新模型。與此同時，負荷預測不能拘泥于現有的相關因素，要致力于發現新的因素，引入新的模型指標，這樣才能有效提高預測能力。

2.2　負荷預測的新思路

2.2.1預測模型

適當的預測模型是實現負荷準確預測的基礎。基于諸多專家學者的研究，多種負荷預測模型被提出并在實踐中應用。整體上來講，采用組合預測模型能獲得較好的預測結果，因為該組合模型通過優勢互補綜合了其余單一模型的優點。但是負荷預測精度的取得不僅僅與預測方法的模型有關系，方法模型的更新改進能在一定程度上取得較好的預測結果。

因此，在建立預測模型的過程中應著重從以下幾方面進行考慮：首先，由于現有的預測模型往往具有較強的地區性和針對性，使得負荷的構成成分成為預測的一個關鍵點；其次，負荷的變化規律往往還受到諸多外界因素的影響，隨著電力產業的不斷發展，應當重視挖掘新的影響因素(電價彈性、用戶需求等)；最后，模型參數的確定往往帶有研究者的主觀經驗因素，尋求有效的元啟發式算法成為實現良好預測的另一個突破口。綜上所述，為了取得良好的預測結果，在預測模型的構建中應當注意從負荷的構成成分入手，充分考慮各種影響因素，引入影響因子構建確實有效的模型，并尋求新的尋優算法優化模型參數。

2.2.2數據處理

在進行負荷預測的過程中，我們往往將樣本數據當作是正常負荷來分析其基本變化規律，從而進行訓練預測。然而，由于資料不全、設備檢修、線路通訊故障、重大節假日等原因，往往會使得我們所采集到的歷史負荷數據中，存在著異常情況，如數據缺失、負荷毛刺、畸變數據等。這部分異常數據的存在將對預測結果的準確性產生很大的影響。因此，對歷史負荷數據進行有效的辨識和修正是負荷預測中必不可少的部分。

針對不同的異常情況，我們可以采用以下方法來進行修正：通常可以采用多種插值法來補全缺失的負荷數據；還可以根據負荷數據的日類型對異常的日負荷進行剔除或者用正常的曲線進行置換；同時，可以通過分時段設定閾值來識別負荷毛刺，并通過數據橫向對比法、縱向對比法、插值法、概率統計法等方法來進行修正。

3　短期負荷預測的研究方法

3.1　傳統預測方法

3.1.1回歸分析法

回歸分析法是負荷預測中最傳統的方法之一，也是很常用的方法。它根據歷史負荷樣本變化的規律和影響因素，尋找自變量和因變量之間的回歸方程，從而確定模型的參數并進行預測。整體上來看，該方法結構原理簡單，預測速度快。

回歸分析法的不足之處是在負荷預測中，將歷史負荷當作了“純粹”的數據看待，進行建模擬合。同時采用線性方法描述比較復雜的問題，結構形式過于簡單，預測時往往忽略了內在規律性和負荷的受影響因素，使得預測誤差偏大，效果不理想。

3.1.2趨勢外推法

趨勢外推法認為事物的發展是漸變的，依據過去和現在的發展規律，可以預測出它的未來趨勢和狀態。該方法通過對歷史負荷數據進行抽象總結，分析其變化規律，進而建立預測模型。在預測過程中，一般將短期負荷的變化趨勢看為平穩趨勢，采用指數滑動模型進行預測，也即指數平滑法。

趨勢外推法的不足之處是該方法過于簡單，主要適用于具有明顯趨勢的中長期負荷預測，對短期負荷的預測效果一般不是很理想。同時該方法依據單一指標進行預測，無視了負荷變化的其他影響因素。特別是當負荷出現較大變動時，就會引起較大的預測誤差。

3.1.3時間序列法

時間序列法將負荷記錄視為一個有序時間序列來進行分析預測，是發展較為成熟的短期負荷預測算法。通過對歷史負荷數據進行抽象，得到負荷隨時間變化的規律，構建數學模型，在該模型的基礎上確立負荷預測的表達式，并對未來負荷進行預測[18]。

時間序列方法的不足之處在于建模過程較為復雜，計算量大；同時該模型對原始時間序列的平穩性要求較高，在系統穩態運行、環境因素相對穩定情況下的預測效果較好；沒有考慮負荷的影響因素，對不確定性因素考慮不足，當外界負荷影響因素波動較大時，該模型預測結果并不理想。

3.1.4卡爾曼濾波法

卡爾曼濾波是一種利用線性系統狀態方程，通過觀測系統輸入輸出數據，對系統狀態進行最優估計的算法。卡爾曼濾波法對歷史負荷序列進行分解，然后用狀態方程和量測方法對分量進行描述，從而建立狀態空間模型進行預測。

卡爾曼濾波法是在假定噪聲的統計特性已知的前提下進行的計算，因此，在工程實際應用中噪音的統計特性的確定是一個需要解決的問題。

3.1.5灰色預測法

灰色預測法以灰色系統理論為基礎，通過分析負荷數據及相應因素進行預測，從原始數據中找出負荷變化的規律并以此建立預測模型。其優點是在建模時所需的歷史負荷數據較少，同時不需考慮負荷的分布規律與其變化趨勢，短期預測精度高，易于檢驗和應用[19]。一般的灰色模型包括普通灰色系統模型和最優灰色預測模型。

灰色預測法的不足在于該方法的較高精度是建立在負荷呈嚴格的指數變化趨勢的情況下的，其預測精度受負荷數據灰度的影響較大，負荷波動越大、灰度越大、精度越低。

3.2　智能預測方法

3.2.1小波分析法

小波分析是一種時域-頻域分析方法，通過對歷史負荷序列進行小波變化，通過將其投影到不同的尺度上得到若干子序列，進而建立預測模型進行預測后再進行重構得到待預測日的預測值。該方法具有較好的局部化能力，在工程實際中有較好的應用。

小波分析法的不足就在于預測過程中忽視了預測負荷的影響因素(如天氣、溫度等)的影響；同時,小波基的選擇問題也是一個難點，它直接關系到預測精確度。

3.2.2模糊預測法

模糊預測是基于模糊集理論進行負荷預測的技術，模糊系統可以對負荷預測中的相關因素進行模糊處理，從大量的歷史數據中提取出待預測日的相似日，從而通過相似日的負荷數據進行預測，能對負荷的不確定性進行更好的處理。

模糊預測法的不足在于模糊理論的學習能力相對較弱，需要有較多的歷史數據支持；同時在模糊處理過程中主觀人為因素的影響相對較大。用單純的模糊方法進行預測的精度難以滿足工程實際的要求。

3.2.3專家系統法

專家系統是一個智能計算機程序系統，該方法是通過匯集負荷預測領域中專家學者的經驗和知識形成知識庫，進而對歷史數據庫中大量的負荷數據和天氣等影響因素進行推理分析，從而進行負荷預測。一個完整的專家系統是由知識庫、推理機、知識獲取部分和界面四部分組成。

該方法的不足在于專家系統本身不具備自學習能力，預測結果容易受到受數據庫與知識庫中存放的知識內容的限制，而且在如何把專家知識和經驗等確定地表達并轉化為一系列規則的問題上存在較大困難；同時，一般的專家系統都具有具體的針對性，對于其他地區的負荷預測不具備適應性。

3.2.4人工神經網絡法

該方法是近十年來發展最為迅速的方法之一，它通過模仿人腦做智能化處理，構建相應的網絡模型，對歷史負荷樣本進行訓練，最終實現短期負荷預測。該方法能夠模仿人腦進行智能化處理，能夠進行自主學習和知識推理能力，同時具有較強的自適應功能和較高的容錯性。實踐證明，采用人工神經網絡法對短期負荷進行預測能有較好的精度。

該方法的網絡層數和神經元個數往往依靠人的經驗來確定，缺乏科學的理論支持，同時自主學習的速度慢，存在局部極小點等問題。另一方面，采用經驗風險最小化原理進行學習，并沒有降低相應的期望風險。

3.3　現代預測方法

3.3.1支持向量機法

支持向量機是一種新型的機器學習算法，它是由統計學習理論發展而來的，核心思想是VC維理論和結構風險最小化原理，在解決小樣本、非線性以及高維模式識別問題中表現出特有的優勢[20]。SVM算法求解簡單快速，具有較好的泛化能力，同時在短期負荷預測的過程中由較好的性能和推廣能力。

支持向量機法的不足之處在于自選參數和核函數的選擇往往存在一定的困難，一般依靠經驗確定，這對預測效果有較大的干擾；同時，該方法對于隨機波動性較強的負荷預測效果較差。

3.3.2數據挖掘法

數據挖掘技術能夠從歷史負荷數據中，消除冗余的數據，進而提取出潛在的有價值的信息，從而確定其變化規律，進而提高短期負荷預測的精度。采用數據挖掘技術可有效地克服負荷數據的有限性、不完整性以及影響因素復雜性的影響，發揮其獨特優勢、實現經濟價值[21]。

數據挖掘技術需要專業的知識、理念和軟件的支持，如何有效地解決這幾個問題，是數據挖掘得到充分應用的有力保證，也是實現數據挖掘潛在價值的關鍵。

3.3.3優選組合預測法

優選組合預測方法是針對同一個負荷預測問題，結合多種預測方法進行預測。其主要目的是綜合利用各種方法的優點，盡可能地提高負荷預測的精度。通常來說組合的形式有以下兩種：一是先用幾種預測方法分別對負荷進行預測，再確定合適的權重對預測結果進行加權平均，得到最終預測結果；二是先對這幾種預測方法作比較分析，選擇擬合度最佳或者標準離差最小的預測模型進行組合，最終得到預測結果。該方法充分整合最大信息，進行最優組合，達到改善預測精度的效果。

優選組合預測雖然克服了單一預測方法的不足之處，使得幾種算法的優勢互補，但在提高預測精度的同時，也相應的降低了預測的速度，大大增加了建模過程和實際應用的難度；同時組合權重的確定也較為困難。

綜上，我們可以看出文中所提到的各種方法在擁有較好的預測前景的同時，也都存在著其各自不同程度的缺點。因此，我們不能簡單的斷定某種方法的優劣性，不存在一種方法在負荷預測方面是絕對的準確，也不存在一種方法能絕對的適用各個電網的負荷預測，短期負荷預測中研究的重點應該是在找出預測策略的思路[22]。

4　結語

電力系統的短期負荷預測是電力系統的重點研究內容。本文綜合闡述了現有的短期負荷預測方法與研究現狀。基于本文分析，今后的負荷預測研究應在考慮現實電網的發展下，從負荷的構成成分及發展情況進行考慮，結合各種負荷影響因素進行綜合建模，并充分利用先進的智能算法提高預測的精度與效率。

筆者認為組合預測依舊是未來研究工作的中心，負荷數據的有效性也將會是預測工作中不容忽視的重點。同時從電力系統的市場波動、用戶需求、負荷構成、溫度濕度等方面因素進行綜合考慮，引入新的模型指標，構造能夠適應系統負荷發展規律和需求的新模型，是值得繼續深入挖掘的研究思路。

[1]康重慶，夏清，劉梅.電力系統負荷預測[M].北京:中國電力出版社，2007.

[2]張倩.電力系統短期負荷預測[D].華北電力大學，2013.

[3]王惠中，周佳，劉軻.電力系統短期負荷預測方法研究綜述[J].電氣自動化，2015(1):9-11+47.

[4]馬靜波，楊洪耕.自適應卡爾曼濾波在電力系統短期負荷預測中的應用[J].電網技術，2005(1)：78-82.

[5]胡越黎，計慧杰.短期電力負荷預測的模糊神經網絡方法[J].應用科學學報，2009(1):79-83.

[6]Saadat Bahrami，Rahmat-Allah Hooshmand，Moein Parastegari，Short term electric load forecasting by wavelet transform and grey model improved by PSO(particle swarm optimization)algorithm [J].Energy，2014(72)：434-442

[7]Song Li，Lalit Goel，Peng Wang.An ensemble approach for short-term load forecasting by extreme learning machine [J].Applied Energy，2016(170)：22-29.

[8]Adel Abdoos，Mohammad Hemmati，Ali Akbar Abdoos.Short term load forecasting using a hybrid intelligent method [J].Knowledge-Based Systems，2015(76)：139-147.

[9]張賁，邵常寧，趙燃.基于誤差修正的短期負荷預測方法[J].電力自動化設備，2015(11):157-162.

[10]吳瀟雨，和敬涵，張沛，等.基于灰色投影改進隨機森林算法的電力系統短期負荷預測[J].電力系統自動化，2015(12):56-61.

[11]回立川，于淼，梁芷睿.應用近鄰傳播算法改進RBF的短期負荷預測[J].電力系統及其自動化學報，2015(1):73-77.

[12]史文博，王健，沈添福，等.基于改進倍比平滑法的節假日短期負荷預測方法[J].電力建設，2014,35(10):29-33.

[13]湯慶峰，劉念，張建華，等.基于EMD-KELM-EKF與參數優選的用戶側微電網短期負荷預測方法[J].電網技術，2014(10):80-88.

[14]常鮮戎.基于局域波法和LSSVM的短期負荷預測[J].電測與儀表，2015，52(7):5-9.

[15]Abdollah Kavousi-Farda，Haidar Sametb，Fatemeh Marzbanic.A new hybrid Modified Firefly Algorithm and Support Vector Regression model for accurate Short Term Load Forecasting [J].Expert Systems with Applications 41(2014):6047-6056

[16]J.R.M.Hosking，R.Natarajan，S.Ghosh，S.Subramanian，X.Zhang.Short-term forecasting of the daily load curve for residential electricity usage in the Smart Grid[J].Applied Stochastic Models in Business and Industry.2013 Vol.29 No.6:604-620

[17]Simone Paoletti，Marco Casini.Load forecasting for active distribution networks[J].Innovative Smart Grid Technologies(ISGT Europe)，2011 2nd IEEE PES International Conference and Exhibition on

[18]廖旎煥，胡智宏，馬瑩瑩，等.電力系統短期負荷預測方法綜述[J].電力系統保護與控制，2011，1:154-159.

[19]袁柏秋.電力系統負荷預測方法分析及應用[J].中國高新技術企業，2011，31:121-123.

[20]余萍.基于支持向量機發展的研究[J].新課程·教育學術，2011，(5):70.

[21]楊政，李卓玲，王大玲.基于數據挖掘的智能化電力負荷預測[J].科技信息(學術研究)，2008，(12):33-35.

[22]程旭，康重慶，夏清.短期負荷預測的綜合模型[J].電力系統自動化，2000，24(9)：42-44.