智能組合預測法在短期電力負荷預測中的應用分析

陳怡潔

摘要：短期電力負荷預測可以對未來短時間內對電力負荷進行預測，能夠及時根據預測結果調整供電計劃，可以促進電力行業的可持續發展。我國經濟發展迅速，人民生活水平不斷提升，對于電力系統的運行平穩程度要求也有所提升，為了確保電力系統能夠有序且穩定的為人們輸送電能，需要解決對負荷預測的方法進行改善，優化電網規劃設計。智能組合預測法可以提升電力負荷預測的精確性，打破了傳統神經網絡在預測工作中存在的問題。基于此，本文深入分析了在短期電力負荷預測過程中應用智能組合預測法的策略。

關鍵詞：智能組合預測法;短期;電力負荷預測

負荷所指的是電力的具體需求量或者實際用電量，進一步來講就是指能量在一定時間的變化程度，也就是經常說的功率。從供電的角度而言，負荷可以代表負責供電的工廠地區或者電網，一個時刻中所需要擔負的工作負荷，如果從用戶的角度來講，負荷所指的是用戶在使用電氣設備時所產生的瞬間功率。隨著人們用電量不斷的增加，特別是對大電網而言，更加需要不斷提高短期電力負荷預測的效果才能保障用電容量的科學化調度，使得在安全用電的基礎上對不同機組的運行情況進行控制。同時，也能夠降低發電的成本投入，提高電網運行的安全性和經濟性，對于社會經濟的良性發展也有著重要的意義。

一、電力負荷預測分類

預測期限是指預測的時間長短，因此在對電力負荷進行預測時可以按照預測的時間進行分類，預測以小時為單位的負荷屬于超短期負荷預測，近年來隨著預測技術的發展，對于超短期電力負荷的預測精度也有所提高，可以保證對電能量實施更加精準的控制，應對突發的緊急事件。預測周期在1天到1周之內的負荷屬于短期負荷預測，是目前比較常用的預測方法之一，可以有效調整水火電之間的組合，并對其實施優化。預測一年之內的負荷屬于中期負荷預測，能夠對水庫實施科學的運行調度，制定燃料的具體使用計劃，以及相關損害機組的維修。預測周期在數年以上則屬于長期的負荷預測，是電網規劃工作和改建工作開展的重要數據基礎。

二、智能組合預測法

影響短期電力負荷預測效果的因素較多，并且時間越短的負荷預測工作要求誤差越低，如在測量24小時內的負荷使用，需要保證預測的誤差和實際用量之間的誤差不得超過3%，如果是進行長期的負荷預測，則誤差可以增加到10%。因此在這種情況下就必須要改善電力負荷的預測方法，提升預測的效果以及精確程度，但是目前仍然沒有探索出一種單獨使用即可保證穩定性和精確性的預測方法。智能組合預測法[1]則是將不同種預測方法進行結合，并形成效果最佳的組合模式，整合多種預測模型的優勢，最終達到最大限度提高預測精準度的效果。智能組合預測法會先明確預測區域和預測對象，收集有關的負荷數據，利用計算機對負荷數據實時預處理，之后使用鯨魚優化算法對Elman網絡進行改進，改進之后利用其進行預測。預測完畢后使用遺傳算法對輸出結果實施校正，根據矯正后的預測結果評估預測質量。

三、智能組合預測法在短期電力負荷預測中的應用

（一）利用鯨魚算法完成優化

鯨魚算法[2]屬于優化算法的重要方法之一，能夠模擬座頭鯨捕食的機制，前期進行全局搜索，到后期進行局部搜索。在算法初期，由于所需最優解的位置是事先未知的，假設當前的最優搜索代理是某個搜索范圍內的目標解或者接近最優的解。之后，其他搜索代理將通過一次次的迭代計算更新自己的位置。當發現比當前的最優搜索代理更優的解時，更新最優搜索代理的位置。之后會不斷的進行重復計算，結合具體的計算結果，完成復制操作交換操作以及突變等各種遺傳操作，直到出現最有解決方案為止。

（二）利用Elman網絡預測短期電力負荷

Elman網絡[3]在智能組合預測模型中是被改進過的，具有動態化的特定，能夠進行反饋的網絡類型，一般來講Elman網絡被分成4層。Elman網絡在經過改進之后，會在隱含層的輸入和輸出之間添加一層處理數據的環節，被稱之為承接層，能夠起到延遲預測和存儲數據的效果。承接層能夠提供反饋的作用，保證Elman網絡可以始終對歷史數據保持高度的敏感性，可以對動態信息實施更加高效精確的處理，進而形成動態建模的效果，與傳統的BP神經網絡[4]相比，擁有著極大的優勢。傳統的BP神經網絡為了保證預測的有效性，會在輸入層的內部存儲極多的歷史電力負荷信息，進而導致BP神經網絡的訓練負擔有所提高，容易陷入預測誤區。在改進Elman網絡之后則能將隱含層輸入的內容及時反饋回來，最終成為一個動態化的網絡，不僅能夠及時將隱含層的情況進行保存，還可以立即將其反饋回去，使得Elman網絡具有動態化的記憶能力。

（三）利用遺傳算法完成矯正

遺傳算法[5]屬于概率優化的重要方法之一，能夠模擬生物進化機制以及遺傳的變異機制，并且遺傳算法對于被優化的目標函數沒有過多的要求，可以在短時間內及時找到優化問題的解決方法，因此在各個領域都有著廣泛的應用。利用遺傳算法對初始數據進行優化時，可以將其中的候選者進行編碼，并利用二進制串的方式來表示不同個體，從0開始計算遺傳的次數，之后確定字符串長度以及產生的初始群體。之后會不斷的進行重復計算，結合具體的計算結果，完成復制操作交換操作以及突變等各種遺傳操作，直到出現最有解決方案為止。

結束語：

隨著我國電網建設速度的不斷提升，用戶所使用的負荷量也在持續增加，因此所產生的數據，也逐漸向著海量化和高維度化的方向進行發展，這就要求相關部門必須使用準確的電力負荷預測方法來判斷電力負荷用量，進而對電網系統進行合理的分布和規劃。在目前的電力負荷預測過程中，負責電力負荷預測的工作人員不僅需要應對海量的電力負荷數據，同時也需要掌握不同的運算算法，這些算法的復雜程度都比較高，容易在預測過程中出現一定的阻礙。

參考文獻：

[1]唐德棟. 基于人工智能的短期電力負荷預測方法研究[D].中國地質大學（北京），2020.

[2]陳友鵬，陳璟華.基于鯨魚優化參數的最小二乘支持向量機短期負荷預測方法[J].廣東工業大學學報，2020，37（03）：75-81.

[3]吳飛，李霆，張航，李金湖，林翰，林朝燈.基于CWOA-ELM的短期電力負荷預測研究[J].電子測量技術，2020，43（04）：88-92.

[4]張武軍，程遠林，周捷，潘軒.基于特性分析的改進BP神經網絡短期電力預測方法[J].湖南電力，2020，40（03）：17-22.

[5]陳浩，戴欣.基于遺傳算法優化前饋神經網絡模型的配電網短期負荷預測[J].科技創新與應用，2020（05）：7-9.