電力系統(tǒng)負荷預測方法及特點分析

張劍洪

摘要： 電力系統(tǒng)的規(guī)劃與發(fā)展中，負荷預測成為電力系統(tǒng)建設中的主要工作，電力系統(tǒng)負荷預測能夠規(guī)范電力系統(tǒng)的管理工作，通過負荷預測能夠分析出電力系統(tǒng)的運行特點，進而制定出可行的用電計劃。電力系統(tǒng)負荷預測方法要符合實際的情況，因此，本文主要探討電力系統(tǒng)負荷預測的方法及特點。

關鍵詞： 電力系統(tǒng);負荷預測;特點

電力負荷預測時要以以往的負荷數(shù)據(jù)為基礎，再結合不同的影響因素，預測出電力負荷的使用特點，完成配網規(guī)劃的工作。電力系統(tǒng)中負荷預測是一項重要的工作，其可實現(xiàn)電網運行的穩(wěn)定性，保障電力系統(tǒng)能夠為實現(xiàn)經濟、社會等綜合效益。電力負荷經常會受到不同因素的干擾，要掌握負荷變化的特點就要在電力系統(tǒng)中實行負荷預測，以此來完善電力系統(tǒng)的運行。

電力系統(tǒng)中負荷預測的影響因素

電力系統(tǒng)中負荷預測方法中需要用到負荷的歷史數(shù)據(jù)以及影響因子，將這些數(shù)據(jù)整理到負荷預測的模型內，就可以完成未來階段電力負荷的預測工作，實際電力負荷預測也受到一定因素的影響，比如電力負荷的歷史數(shù)據(jù)，負荷歷史數(shù)據(jù)中的數(shù)據(jù)量、數(shù)據(jù)質量等均會影響預測的結果，再加上電力負荷自身的特征參數(shù)，也會對預測的結果產生不同程度的影響，電力系統(tǒng)負荷預測中選用的模型不同，預測的結果也會有差異，在負荷預測時可以使用的模型有多類，要根據(jù)負荷預測的實際情況選擇對應的模型，以此來減小模型產生的影響。

電力系統(tǒng)中負荷預測的基本方法

本文例舉電力系統(tǒng)中負荷預測常用的幾類方法，并且分析這幾類方法的優(yōu)缺點，為電力系統(tǒng)負荷預測提供參考。

小波分析法

小波分析在電力系統(tǒng)中是比較常用的一類負荷預測方法，小波分析法采用的是時域–頻域分析，時域–頻域的寬口形狀可以改變，大小是固定的，小波分析法用于分析電力負荷的歷史數(shù)據(jù)，把電力系統(tǒng)的歷史負荷劃分成若干頻段，其中低頻段為電力負荷預測的整體變化趨勢，高頻段是短期負荷的變化趨勢，這樣就能分析出電力負荷的基本變化趨勢[1]。小波分析法中小波變換能夠把負荷數(shù)據(jù)映射在對應的尺度位置，以尺度為標準生成負荷的子序列，子序列屬于頻域分量，根據(jù)頻域分量能夠預測出負荷在周期范圍中的變化規(guī)律，還可繼續(xù)分析子序列，進而獲取電力負荷的預測信息。小波分析方法應用到負荷預測中，其優(yōu)勢是可以快速、細致的去觀察到負荷的變化特征，時間信號可以準確的規(guī)劃到頻率域上，此類方法優(yōu)勢明顯，而缺點就是小波分析涉及到的數(shù)據(jù)較多，增加了數(shù)據(jù)收集的工作負擔。

時間序列法

時間序列法在負荷預測中屬于比較有效的一種方法，時間序列預測電力負荷時可以在隨機的數(shù)列中獲取有用的預測信息，根據(jù)規(guī)定的時間間隔采集電力負荷，并且記錄好時間序列中對應的數(shù)據(jù)信息，因為電力負荷中的數(shù)據(jù)有隨機性的特征，所以經過采集和分析后能夠建立起相關的數(shù)學模型，掌握電力負荷的變化規(guī)劃[2]。時間序列法預測負荷時不需要特別多的數(shù)據(jù)，可以快速的建立數(shù)學模型，提高了負荷預測中數(shù)據(jù)計算的效率，給出連續(xù)性的負荷變化結構，時間序列法的缺陷是對歷史數(shù)據(jù)的要求高，必須采集平穩(wěn)的負荷數(shù)據(jù)才能準確預測出負荷的規(guī)律，在負荷預測中很容易出現(xiàn)數(shù)據(jù)不準確的情況。

極限學習機法

極限學習機法的核心是求解單隱層前饋神經網絡算法，其在負荷預測中僅用設置網絡結構，其他參數(shù)不變就可以完成預測的工作，除此以外還要使用方程確定出隱含層到輸出層的鏈接權值。極限學習機法是經過改進得到了新方法，其具備泛化能力上的優(yōu)勢，而且具有較強的非線性能力，可以滿足負荷預測全局最優(yōu)的要求。

BP神經網絡算法

BP神經網絡算法中的BP神經網絡可以用作負荷預測的數(shù)學模型，模型中的BP算法能夠在負荷預測時獲取最小誤差的預測方法，BP神經網絡算法運用計算誤差逆向傳播以及正向傳播計算的方法，把正向傳播中的數(shù)據(jù)寫入到輸入層，在隱含層處理之后由輸出層傳出，進而獲取輸出誤差，再進行一系列的逆向反轉之后把負荷預測的誤差分散到不同層的單元內，此時需要調整權值、閾值，促使誤差能夠順著模型的梯度下降，在模型中多次進行負荷預測才能獲得誤差最小的網絡模型[3]。BP神經網絡算法的結構性強，具備很高的非線性映射能力，有助于提高負荷預測的結果，實際運用時容易預測局部的負荷數(shù)值，缺乏理論性的指導操作。

支持向量機

支持向量機就是SVM算法，其在電力負荷預測中先要創(chuàng)建實例，再構建模型，配合二元線性分類器獲取負荷預測中的最優(yōu)解，支持向量機能夠在負荷預測中獲得全局最優(yōu)解[4]。支持向量機比傳統(tǒng)的預測方法優(yōu)勢明顯，其中的SVM算法比較成熟，而且具備成熟的數(shù)學理論支持，負荷預測時的收斂速度快，可以在短時間內獲取全局最優(yōu)解，其缺點是需要大量的歷史數(shù)據(jù)，對歷史數(shù)據(jù)也會有很大的要求，如果電力歷史數(shù)據(jù)中負荷波動較大預測結果就會不理想。

電力系統(tǒng)中負荷預測的特點分析

電力系統(tǒng)中負荷預測的特點有：（1）周期性，電力負荷具有波動的特征，其波動的過程中表現(xiàn)出連續(xù)性的特征，時間是劃分周期的單位，可以根據(jù)時間劃分的周期完成電力負荷的預測工作;（2）隨機性，電能具有瞬時的特征，電力負荷也會表現(xiàn)出隨機性的特點，電力負荷容易受到消費和生產兩項因素的影響，因而在負荷預測中就表現(xiàn)出隨機性的特點;（3）條件性，電力系統(tǒng)中每一項負荷預測的方法都需要具備特定的條件，負荷預測方法滿足條件之后才能降低結果失真的可能性;（4）多方案性，負荷預測是一項難度比較高的工作，在實際負荷預測中應該采用多方案相互組合的方法，這樣能夠發(fā)揮多方案的優(yōu)勢，彌補單一方案的缺陷，保障負荷預測的準確性。

結束語

負荷預測與電力系統(tǒng)的穩(wěn)定性存在直接的關系，電力系統(tǒng)中預測出負荷的特點，輔助完成供電決策，這樣才能提高電力系統(tǒng)的經濟效益。電力系統(tǒng)中積極落實了負荷預測的方法，在此基礎上規(guī)劃好電力系統(tǒng)的供電方案，確保電力系統(tǒng)能夠滿足日常用電，優(yōu)化電力系統(tǒng)的運行過程。

參考文獻

鄧永生，焦豐順，張瑞鋒，王將平.配電網規(guī)劃中電力負荷預測方法研究綜述[J].電器與能效管理技術，2019（14）：1–7.

趙威.基于大數(shù)據(jù)的短期負荷預測關鍵技術研究[D].山東大學，2019.

魏亮亮，毛森，呂杭.電力系統(tǒng)短期負荷預測方法研究[J].科技經濟導刊，2019，27（08）：89.

邱涌.電力系統(tǒng)負荷預測中存在的問題及探討[J].低碳世界，2018（12）：74–75.