電力系統中長期負荷預測方法發展探討

邢魯華，付兆遠，施 雨

（1.國網山東省電力公司電力科學研究院，濟南 250003；2.國網山東省電力公司濟南供電公司，濟南 250012）

電力系統中長期負荷預測方法發展探討

邢魯華1，付兆遠2，施 雨2

（1.國網山東省電力公司電力科學研究院，濟南 250003；2.國網山東省電力公司濟南供電公司，濟南 250012）

中長期電力負荷預測的主要工作是預測未來幾月、幾年甚至更長時間段內的電力負荷的時間和空間分布，對于制定電力系統發展規劃及燃料計劃等具有重要指導作用。為充分利用現有研究成果，分析了中長期負荷預測的特點和現有成熟方法，分類討論了各中長期負荷預測方法的適用條件和存在的問題。重點討論了將主動配電網、電力大數據與云計算、空間電力負荷預測、數據預處理、預測誤差評估和概率性負荷預測等納入未來的中長期負荷預測方法研究體系中的必要性和重要意義，探討了中長期負荷預測方法未來的研究重點及方向。

電力系統；中長期負荷預測；主動配電網；大數據；概率性負荷預測

0 引言

負荷預測是根據負荷的歷史數據及其相關影響因素，使用一定的預測模型和方法，以未來經濟形勢、社會發展、氣候條件、氣象因素等預測結果為依據，估計未來某時段的負荷數值的過程。其主要工作是預測未來電力負荷的時間和空間分布［1］。就負荷預測內容而言，首先應該區分總量預測和空間分布預測［2］。總量負荷預測包括對未來的電力需求量（功率）的預測、對未來用電量（能量）的預測以及負荷曲線的預測。本文主要討論中長期負荷預測的總量預測方法。

負荷預測關注的是每小時、每日、每周和年度的系統需求和峰值需求的預測。這種預測一般分為短期、中期和長期預測，取決于時間范圍。長期負荷預測，通常對應的預測范圍為提前幾個月到幾年，是安排新發電設施建設和輸配電系統發展的不可或缺的過程［3］。

不同于國外關于短期負荷預測的研究較多，國內基本上短期預測和中長期預測兩者并重［2］。由于對于電力系統控制、機組組合、經濟調度和電力市場的重要性，短期負荷預測吸引了大量的關注。中期和長期的預測并沒有得到那么多的關注，盡管它們對于系統規劃和預算分配具有價值［3］，給出在電力公司應用實例的文獻更少［4］。

由于中長期負荷預測受到多種復雜因素的交互影響，例如政治、經濟、氣候等，而且時間跨度較長，預測精度始終不理想［5-7］。對長期電力需求的高估將導致多余的電力設施建設投資的大量浪費，不利于社會經濟綠色低碳發展，而需求的低估將導致生產不足和需求未滿足，限制國民經濟發展［3］。Hobbs的報告指出：通過負荷預測算法，把電力負荷預測的平均絕對百分誤差降低1.5%，每年可提高收益760萬USD［8］。電網規劃部門應該充分認識中長期負荷預測的重要性及其指導意義。做到既不高估也不低估，實現電網的合理綠色發展，進而恰到好處地支撐社會經濟發展。本文對現有中長期負荷預測方法進行了總結分類，舉例了典型方法，進一步探討了中長期負荷預測方法未來的研究重點及方向。

1 中長期負荷預測方法分類

中長期負荷預測的方法可分為經驗預測法和數學模型計算法。經驗預測法是指依靠專家或專家組的判斷進行負荷預測，不包括數量模型［9］。

根據使用數據不同，數學模型法主要分為自身規律外推法和相關分析法。兩種方法的差別在于，自身規律外推法僅以負荷自身的歷史數據為預測基礎，而相關分析法將負荷與各種社會經濟因素聯合起來考慮［1，10］。

按數學模型是否需要進行參數計算，數學模型法主要可分為參數模型和非參數模型。參數模型方法能反映負荷變化的規律性，但缺乏對負荷中隨機變化分量部分的處理。近年來，非參數模型逐漸得到應用［5］，但其物理意義不清晰，較難對模型本身進行分析和調整［11］。表1為負荷預測方法的簡單分類。

表1 中長期負荷預測方法分類

出于模型可用性和計算快捷性的考慮，以上各單一預測方法會忽略一些因素的影響，而著重考慮負荷的某一個或是幾個變化規律或特點，因而都有其不足之處。對于多變量、非確定性的中長期負荷預測，使用單一定性預測或定量預測的方法顯然不夠。如何將各種方法合理地結合起來，實現優勢互補，進一步提高負荷預測的精度已成為研究重點［5］。在這種情況下，組合預測成為共識。

2 自身規律外推類方法

對常用的、能夠體現自身規律外推法特點的典型方法進行舉例說明。

2.1 增長型曲線外推法

增長型曲線外推法運用函數曲線擬合預測對象的歷史統計數據，建立預測模型，并外推進行預測［1］。主要使用的函數曲線包括多項式曲線、簡單指數曲線、修正指數曲線，其模型分別如式（1）～（3）所示。

多項式曲線的一般模型為

式中：a0，a1，…，am為模型參數；t為自變量（一般為時間變量）；為預測值或擬合值。

簡單指數曲線的模型為

修正指數曲線的模型為

式中：k為飽和值或極限值。

增長型曲線存在模型識別問題，即選擇哪一種模型最合適。一般通過時間序列數值的預分析計算和圖表識別趨勢分析實現。曲線外推適用的兩個條件為：預測對象的發展屬于漸進變化，過程中沒有跳躍；影響預測對象變化的主要因素沒有發生較大變化［1］。增長型曲線外推法一般用于預測期數較少的預測，過長則效果不佳。

2.2 灰色系統預測法

灰色系統理論是由鄧聚龍教授首先提出的，該理論在預測領域中的作用非常重要。灰色系統的重要特征是系統的因素不確定或因素之間不具有確定的關系。灰色系統理論對原始數據加以處理，將雜亂無章的原始數據轉變為規律性較強的生成數據，并建立生成數據的動態模型，從而進行分析預測［1，12］。

電力負荷系統是典型的灰色系統。灰色理論模型所需樣本數少、預測精確、計算快捷、可驗性強，適用于電力負荷預測。但灰色模型的預測精度受使用數據的影響，灰度隨數據離散程度的增大而增大，預測偏差也增大。

灰色系統理論用于預測主要使用灰色模型（Grey Model，GM），一般表達為GM（m，n），表示對n個變量建立m階微分方程。電力系統中長期負荷預測常用最簡單的灰色時間序列模型GM（1，1）［1］。

近年來，針對GM（1，1）模型的缺陷和不足之處提出了很多改進，改進方法主要從模型參數估計方法、模型背景值構造方法、模型計算初始條件3方面出發［13］。

文獻［13］提出了一種基于雙向差分計算的GM（1，1）建模方法，采用向前差分與向后差分建模的擬合誤差平方和最小的原則進行參數估計，并利用擬合值和原始值誤差平方和最小的原則對預測模型的初始值進行了優化。文獻［14］提出變權緩沖灰色模型，將變權緩沖算子與背景值優化灰色模型相結合，實現對原始負荷數據的動態預處理。針對傳統GM（1，1）模型對呈“S型”規律增長的負荷序列建模預測時誤差大的缺點，文獻［15］提出了灰色離散Verhulst模型，采用等維灰數遞補預測法對灰色離散Verhulst模型進行改進，文獻［16］提出了基于最小二乘支持向量機算法與等維新息技術的改進灰色Verhulst模型，均使預測精度得到一定改進。

2.3 對自身規律外推法的幾點說明

自身規律外推法的模型參數取決于歷史數據，無法反映未來的不同情況，也無法引入專家經驗和意見，預測模型的自適應性需要加強。另外此方法未能將影響負荷的多方面因素的綜合作用體現出來［11］。灰色預測理論和各種回歸分析模型是目前得到肯定和應用較多的中長期負荷預測方法［2］。

3 相關分析法

對常用的、能夠體現相關分析法特點的典型方法進行舉例說明。

3.1 各產業產值單耗法

各產業產值單耗法統計分析國民經濟三大產業的單位產值耗電量歷史數據，結合規劃期經濟社會發展情況，綜合確定規劃期各產業單位產值耗電量，基于經濟社會發展規劃指標，計算得到規劃期的電量需求預測值［1］。

最后得到各年的全行業用電量為

3.2 電力彈性系數法

電力彈性系數為一定時期內電量的年平均增長率與國內生產總值的年平均增長率的比率，計算式為

則未來第t期的預測電量為

式中：Wo為預測基準年電量。

3.3 對相關分析法的幾點說明

相關分析法能夠反映各種社會經濟因素在負荷預測中的作用，預測原理合理，在各電力公司得到了應用推廣。但是這類方法一般需要的數據量較大，而且有些不易得到［10］。對統計數據依賴性強，相關數據的有效性對預測精度的影響大。相對于自身規律外推法，相關分析法的實施難度較大。

4 組合預測法

對于多變量、非確定性的中長期負荷預測，組合預測方法的優點已逐漸顯現，很多文獻對此展開了研究。

文獻［5］選取灰色系統和人工神經網絡作為待融合的基礎模型，采用證據理論融合基礎模型的預測結果，并考慮專家經驗，提出了考慮專家經驗的改進D-S預測模型。文獻［10］對傳統的電力消費彈性系數法進行了改進，結合灰色預測模型與二次滑動平均預測法，建立了新的綜合預測模型，并利用遺傳算法優化各單一預測模型的權重。文獻［11］提出了一種基于計量經濟學和系統動力學的組合預測方法。文獻［17］綜合了兩種非參數模型，提出了一種啟發式徑向基函數神經網絡中長期負荷預測模型。通過正交信號修正法處理相關的原始數據，作為神經網絡的訓練樣本，并利用粗糙集理論修正預測結果。文獻［18］也提出了一種基于支持向量機和馬爾可夫鏈的組合負荷預測模型。文獻［19］提出了一個新的負荷預測程序，利用經驗模態分解方法將時間序列分解為兩部分，分別描述能量消耗值的趨勢和局部振蕩，然后這兩部分被用于訓練支持向量回歸模型。

組合預測存在兩個關鍵環節，一是確定要用到的單一預測模型，二是確定各單一預測模型在綜合預測結果中的權重［10］。單一模型的預測精度及其組合方式都會影響組合預測的精度［20］。組合方式有恒權重和變權重方式，其中，變權重組合的適應性好，但同樣基于誤差理論，難以反映模型的預測有效性［21］。

文獻［22］提出基于兩個評價指標來計算各單一預測模型的權重，指標一是各單一模型預測值與實際負荷的誤差，指標二是各預測值的年增長率與國內生產總值年增長率的誤差。客觀熵權法和主觀G1法被選用確定兩指標的相對重要性，最后計算出各單一預測模型的權重，實現了變權重負荷預測。文獻［23］提出了基于誘導有序幾何加權平均算子和加權馬爾可夫鏈的新型組合預測模型。該模型根據各單項預測方法在各預測時間段的預測精度對其賦權，實現了權重與擬合精度在任一時點上的相關性。但是權重的確定仍基于歷史數據，在數據延續性較好時適用，數據突變時可能造成預測誤差較大。文獻［24］提出了3個指標量，即指標總量、指標增長量和指標增長率。利用層次分析模型優選每個指標量的最優預測模型，然后利用徑向基函數神經網絡擬合3個最優預測模型的預測結果。利用徑向基函數神經網絡算法替代權重計算。

5 中長期負荷預測方法發展

5.1 主動配電網

主動配電網（active distributed net，ADN）最早由2008年國際大電網會議配電與分布式發電專委會的C6.11項目組提出，是通過使用靈活的網絡拓撲結構來管理潮流，以便對局部的分布式能源進行主動控制和主動管理的配電系統［25］。

從是否受控角度出發，主動配電網中負荷可分為2類：友好負荷和非友好負荷。其中，友好負荷是完全受控負荷，可由電網調度和負荷引導機制進行主動調節，也體現了主動配電網的需求側響應特性［25］。這一負荷特點勢必影響電力系統中長期負荷預測的分析方法。未來中長期負荷預測技術應將主動配電網的技術特征考慮進去。

文獻［26］已經在中長期負荷預測中考慮了主動需求，提出了一個基于灰色系統模型并考慮主動需求的負荷預測方法，其中負荷的季節性成分已經過合適的預處理提取，主動需求被視為一個線性傳遞函數模型的外部輸入。電力系統中長期負荷預測還應考慮電動汽車充換電的影響，目前已有文獻對此進行了專門研究。文獻［27］提出了一種考慮時空分布的電動汽車充電負荷預測方法。采用蒙特卡洛模擬方法，仿真大規模電動汽車不同時間、不同空間的停放、駕駛以及充電行為，預測電動汽車充電負荷的時空分布特性。

5.2 電力大數據與云計算的綜合應用

2013年中國電機工程學會信息化專委會發布了《中國電力大數據發展白皮書》，對電力大數據的特征、未來的社會價值、在電力行業中的發展前景以及面臨的技術挑戰都進行了說明。電力用戶側大數據的主要來源有智能電表、各類傳感器和智能家電［28］。

云計算是解決大數據管理的一種基礎平臺和支撐技術。目前大數據管理與處理的主流技術是開源Hadoop技術，憑借高可靠性和強大的可擴展能力等優點，該技術已被眾多互聯網公司使用。

目前，大數據和云計算技術在新能源接入、風電機組安全狀態評估和電網災難預警中得到了應用，也將在電力系統負荷預測方面發揮作用。高準確度的中長期負荷預測將是智能電網建設的重要組成部分。相關關系分析法在大數據處理和管理中也得到了重視［29］。在電力系統負荷特性統計指標和氣溫日益積累大數據背景下，有效提取數據之間關聯特征對電力系統規劃和運行具有重大意義［30］。大數據技術可促進地球空間、天氣預報等技術在智能電網中的應用，對提高負荷預測精確度具有積極意義［31］。

5.3 結合空間電力負荷預測方法

空間電力負荷預測是指對供電區域內未來電力負荷的大小和位置的預測。傳統負荷預測方法只預測未來負荷的大小，并不關注其精確的位置分布。20世紀30年代中期，國外開始出現有關電力負荷分布的負荷預測，國內關于空間電力負荷預測的研究起步相對較晚。電力系統的管理正逐步由粗放型向精益化轉變，只預測未來負荷的數值已不能滿足電力系統規劃的要求，所以對空間電力負荷預測的關注越來越多［32］。文獻［33］分析了元胞負荷中的異常數據，計算元胞負荷的概率譜曲線，并基于該曲線進行限定和約束，得到適合空間負荷預測使用的元胞負荷最大值。

在一個覆蓋大面積區域的電力系統中，整個地區的單一負荷預測模型有時無法保證滿意的負荷預測精度。一個主要原因是由整個地區的氣候多樣性導致的負荷多樣性［34］。總量負荷預測與空間電力負荷預測的結合是一種可行且有效的可為大面積電力系統提供精確負荷預測結果的解決方案。但總量負荷預測仍是空間電力負荷預測不能替代的，其對電力行業的長期發展規劃起著不可替代的指導作用。并且，在引入負荷同時率和多區域負荷預測思路后，空間電力負荷預測結果可向總量負荷預測轉化。

5.4 數據預處理

負荷歷史數據是進行中長期負荷預測的基礎，數據預處理對于負荷預測精度影響較大。預測方法不同，歷史數據年限對預測結果的影響也不同，應考慮方法特點選取歷史數據年限長度。一般來說，中長期負荷預測的歷史數據以5～10年為宜［2］。

在中長期負荷預測中，“近大遠小”原則也常被提及，其含義是：物理量未來的變化趨勢更多地取決于歷史時段中近期的發展規律，遠期的歷史數據與未來發展趨勢的相關性較弱。在中長期負荷預測中，“近大遠小”原則比較容易實現，常用方法主要是加權參數估計［2］。

歷史數據異常及缺失將嚴重影響負荷預測模型的精度及有效性［35］。已有文獻關注如何正確識別不良數據和補足缺損數據［2］。許多學者也將注意力轉向了負荷預測基礎數據處理技術。文獻［35］提出了基于T2橢圓圖的異常數據識別方法，和基于最小二乘支持向量機的缺失數據填補方法。文獻［36］引入蒙特卡羅算法和區間算法處理中長期負荷預測中的數據不確定性問題，嚴格分析數據不確定性對預測結果的影響。文獻［37］提出了一種結合了改進后的正交信號修正法與偏最小二乘法的中長期負荷預測模型，通過正交信號修正法消除自變量系統中與因變量無關的正交數據信息，增強自變量、因變量之間的相關性，有效提高了模型成分的解釋性。

5.5 預測誤差評估

負荷預測準確性是對負荷預測結果與實際負荷偏離程度的事后衡量指標。電力負荷預測方法的準確性評估，是對其的客觀評價，分析預測誤差產生的原因并靈活調整選擇最優預測方法，有利于提高負荷預測的準確性。

目前，關于中長期負荷預測誤差評估技術和事后預測校驗預測精度的研究較少。對負荷預測準確性的評價有預測誤差和預測準確率兩種方法［38］。文獻［38］集中討論了負荷預測準確性評估方法，對評價指標進行了綜合比較。負荷預測誤差評價是自適應預測發展的基礎，能夠推動中長期電力負荷預測方法的改進，應當予以重視。

5.6 概率性負荷預測

電力負荷預測根據電力負荷及其相關因素的歷史數據推測它的未來數值，具有不確定性、時間性、條件性和多方案性等特點［39］。負荷預測從本質上說是一個隨機問題，但今天很多電力公司仍舊研究和應用點式預測而不是概率性預測［4］。實現概率性的預測更符合負荷預測自身特點和客觀需求。

目前，概率化預測方法已被應用到日負荷預測中［40］，在一個長期背景下，對于潛在峰值需求水平，規劃者應采用概率的觀點。文獻［4］提出了一種準確率高、防御性好的現代化概率性長期負荷預測方法，利用了每小時信息，現代化地處理了預測模型、氣象標準化和概率性負荷預測。文獻［39］提出了一種概率密度預測方法，基于RBF神經網絡分位數回歸實現了對未來負荷完整概率分布的預測。文獻［41］提出了一種基于神經網絡分位數回歸的中期電力負荷概率密度預測方法。針對溫度因素對中期電力負荷的影響，在現有的神經網絡預測、區間預測和概率密度預測方法的基礎上，研究在不同分位點上溫度和歷史負荷對電力系統中期負荷分布規律的影響。文獻［3］提出了一個提前10年預測每年和每周峰值電力需求密度的全面方法。密度預測（提供未來可能需求值的全概率分布估計）比點式預測更有價值，對于電力企業評估和對沖由于需求變化和預測不確定性造成的財政風險是必要的。

6 結語

對現有中長期負荷預測方法進行了總結分類，舉例說明了自身規律外推法、相關分析法和組合預測的典型方法與特點，重點討論了在未來的中長期負荷預測中，應將主動配電網、電力大數據與云計算、數據預處理、預測誤差評估和概率性負荷預測等納入負荷預測方法研究體系中，探討了中長期負荷預測方法未來的研究重點及方向，為廣大的電力系統規劃及負荷預測人員提供參考。

［1］賀輝.電力負荷預測和負荷管理［M］.北京：中國電力出版社，2013.

［2］康重慶，夏清，張伯明.電力系統負荷預測研究綜述與發展方向的探討［J］.電力系統自動化，2004，28（17）：1-11.

［3］HYNDMAN R J，FAN S.Density forecasting for long-term peak electricity demand［J］.IEEE Transactions on Power Systems，2010，25（2）：1 142-1 153.

［4］HONG T，WILSON J，XIE J.Long term probabilistic load forecasting and normalization with hourly information［J］.IEEE Transactions on Smart Grid，2014，5（1）：456-462.

［5］吳耀武，婁素華，盧斯煜，等.基于改進的D-S證據理論的中長期負荷預測方法［J］.電工技術學報，2012，27（8）：157-162.

［6］錢衛華，姚建剛，龍立波，等.基于短期相關性和負荷增長的中長期負荷預測［J］.電力系統自動化，2007，31（11）：59-64.

［7］李瑾，劉金朋，王建軍.采用支持向量機和模擬退火算法的中長期負荷預測方法［J］.中國電機工程學報，2011，31（16）：63-66.

［8］HOBBS B F，HELMAN U，JIPRAPAIKULSARN S，et al.Artificial neural networks for short-term energy forecasting：Accuracy and economic value［J］.Neurocomputing，1998，23（1）：71-84.

［9］葉宗斌，周步祥，林楠，等.基于等維新息指數平滑法模型的中長期負荷預測［J］.電力系統保護與控制，2012，40（18）：47-51.

［10］袁鐵江，袁建黨，晁勤，等.電力系統中長期負荷預測綜合模型研究［J］.電力系統保護與控制，2012，40（14）：143-146.

［11］譚忠富，張金良，吳良器，等.中長期負荷預測的計量經濟學與系統動力學組合模型［J］.電網技術，2011，35（1）：186-190.

［12］劉思峰.灰色系統理論的產生、發展及前沿動態［J］.浙江萬里學院學報，2003，16（4）：14-17.

［13］李紅偉，毛文晉.基于雙向差分建模的優化GM（1，1）模型及其在中長期電力負荷預測中的應用［J］.電力系統保護與控制，2011，39（13）：53-58.

［14］王大鵬，汪秉文.基于變權緩沖灰色模型的中長期負荷預測［J］.電網技術，2013，37（1）：167-171.

［15］張成，滕歡，付婷.基于灰色離散Verhulst模型理論的電力中長期負荷預測研究［J］.電力系統保護與控制，2013，41（4）：45-49.

［16］周德強.改進的灰色Verhulst模型在中長期負荷預測中的應用［J］.電網技術，2009，33（18）：124-127.

［17］夏非，范莉，蘇浩益.基于粗糙集理論和啟發式徑向基函數神經網絡的中長期電力負荷預測模型［J］.電力系統保護與控制，2012，40（16）：21-26.

［18］陳劍勇，蘇浩益.結合支持向量機和馬爾可夫鏈算法的中長期電力負荷預測模型［J］.南方電網技術，2012，6（1）：54-58.

［19］GHELARDONI L，GHIO A，ANGUITA D.Energy load forecasting using empirical mode decomposition and support vector regression［J］.IEEE Transactions on Smart Grid，2013，4（1）：549-556.

［20］劉達.基于誤差校正的中長期負荷預測模型［J］.電網技術，2012，36（8）：243-247.

［21］尹星露，肖先勇，孫曉璐.基于預測有效度和馬爾科夫-云模型的母線負荷預測模型篩選與變權重組合預測［J］.電力自動化設備，2015，35（3）：114-119.

［22］溫青，張筱慧，楊旭.基于負荷誤差和經濟發展趨勢的組合預測模型在中長期負荷預測中的應用［J］.電力系統保護與控制，2011，39（3）：57-61.

［23］毛李帆，姚建剛，金永順，等.中長期電力組合預測模型的理論研究［J］.中國電機工程學報，2010，30（16）：53-59.

［24］李春祥，牛東曉，孟麗敏.基于層次分析法和徑向基函數神經網絡的中長期負荷預測綜合模型［J］.電網技術，2009，33（2）：99-104.

［25］鐘清，孫聞，余南華，等.主動配電網規劃中的負荷預測與發電預測［J］.中國電機工程學報，2014，34（19）：3 050-3 056.

［26］GARULLI A，PAOLETTI S，VICINO A.Models and techniques for electric load forecasting in the presence of demand response［J］.IEEE Transactions on Control Systems Technology，2015，23（3）：1 087-1 097.

［27］張洪財，胡澤春，宋永華，等.考慮時空分布的電動汽車充電負荷預測方法［J］.電力系統自動化，2014，38（1）：13-20.

［28］王德文，孫志偉.電力用戶側大數據分析與并行負荷預測［J］.中國電機工程學報，2015，35（3）：527-537.

［29］彭小圣，鄧迪元，程時杰，等.面向智能電網應用的電力大數據關鍵技術［J］.中國電機工程學報，2015，35（3）：503-511.

［30］馬瑞，周謝，彭舟，等.考慮氣溫因素的負荷特性統計指標關聯特征數據挖掘［J］.中國電機工程學報，2015，35（1）：43-51.

［31］張東霞，苗新，劉麗平，等.智能電網大數據技術發展研究［J］.中國電機工程學報，2015，35（1）：2-12.

［32］肖白，周潮，穆鋼.空間電力負荷預測方法綜述與展望［J］.中國電機工程學報，2013，33（25）：78-92.

［33］肖白，徐瀟，穆鋼，等.空間負荷預測中確定元胞負荷最大值的概率譜方法［J］.電力系統自動化，2014，38（21）：47-52.

［34］FAN Shu，METHAPRAYOON K，LEE W J.Multiregion load forecasting for system with large geographical area［J］.IEEE Transactions on Industry Applications，2009，45（4）：1 452-1459.

［35］毛李帆，姚建剛，金永順，等.中長期負荷預測的異常數據辨識與缺失數據處理［J］.電網技術，2010，34（7）：148-153.

［36］鄭志杰，李磊，趙蘭明.考慮數據不確定性的中長期電力負荷預測［J］.電力系統保護與控制，2011，39（7）：123-132.

［37］毛李帆，江岳春，姚建剛，等.采用正交信號修正法與偏最小二乘回歸的中長期負荷預測［J］.中國電機工程學報，2009，29（16）：82-88.

［38］王干軍，徐衍會.負荷預測準確性評估方法研究［J］.廣東電力，2012，25（11）：39-42.

［39］何耀耀，許啟發，楊善林，等.基于RBF神經網絡分位數回歸的電力負荷概率密度預測方法［J］.中國電機工程學報，2013，33（1）：93-98.

［40］陳新宇，康重慶，陳敏杰.極值負荷及其出現時刻的概率化預測［J］.中國電機工程學報，2011，31（22）：64-72.

［41］何耀耀，聞才喜，許啟發，等.考慮溫度因素的中期電力負荷概率密度預測方法［J］.電網技術，2015，39（1）：176-181.

Discussion on Development of Mid-long-term Load Forecasting Method of Power System

XING Luhua1，FU Zhaoyuan2，SHI Yu2
（1.State Grid Shandong Electric Power Research Institute，Jinan 250003，China；2.State Grid Jinan Power Supply Company，Jinan 250012，China）

The main task of mid-long-term load forecasting is to forecast the temporal and spatial distribution of power load for the next few months，years or even longer period.It plays an important role in guiding development plan and fuel plan of an electric power system.In order to make full use of existed research findings，characteristics of mid-long-term load forecasting and ever presented forecasting methods are analyzed，and applicable conditions and problems of these existed mid-long-term load forecasting methods are discussed.The necessity and importance of integrating the active distribution network，big data of electric power，cloud calculation，spatial load forecasting，data preprocessing，forecasting error evaluation and probabilistic load forecasting into the future research system of mid-long-term load forecasting are analyzed.Finally the emphasis and direction of mid-long-term load forecasting methods research in future are discussed.

power system；mid-long-term load forecasting；active distributed net；big data；probabilistic load forecasting

TM71

A

1007－9904（2017）01－0013－06

2016-07-23

邢魯華（1986），女，工程師，主要從事電力系統運行與規劃等方向的研究工作。