電力負荷預測研究綜述及預測分析

張可

摘要：構建了一個電力數據管理分析系統，并設計了電力負荷預測算法和異常數據檢測算法問題。首先，針對BP神經網絡在預測電力負荷存在的因初始權值與閾值設置影響估計精度的問題，提出利用粒子群優化BP神經網絡網絡參數，提高了預測算法的收斂速度與預測精度;然后，針對電力數據異常檢測算法效率較低的問題，提出了基于改進譜聚類的異常數據檢測算法，提升了電力異常數據檢測效率;最后，通過實際電力數據對算法進行了測試，驗證了所提算法的有效性。

關鍵詞：電力負荷;預測方法;回歸分析;電力彈性系數;空間負荷預測法

分類號：TM715

引言

眾所周知，電力負荷預測一直是電力系統運行的關鍵工具。許多運營決策都基于負荷預測，例如發電機的調度調度、可靠性分析和發電機的維護計劃，特別是隨著全球電力行業放松管制和自由競爭的加劇，負荷預測變得比以往任何時候都更加重要。同時，負荷預測對于競爭性電力市場中的能源交易至關重要。此外，準確地估計負荷是電價預測的關鍵步驟。預測錯誤對利潤、市場份額以及最終的股東價值具有重要指導意義 。然而，由于市場參與者的動態競價策略和依賴于價格的負荷多變性和非平穩性，電力負荷越來越難以預測。因此現代電力系統需要更高精度和更復雜的預測工具。

1電網負荷預測技術研究背景

全球經濟飛速發展的同時，帶來了能源供給不足，引起全球氣候變暖、環境惡化等現象，建立環保、安全、高效、可靠的電力系統成為電力行業研究的熱點。據國家能源統計局數據顯示，我國每年都會有幾十億度電能浪費。因此，尋求一種準確的電能負荷預測方法，可以準確預測電能的供需峰值，降低電能對環境造成的不良影響，同時節約電能。電網負荷預測是以歷史時間序列數據為數據源，利用數據挖掘、深度學習等技術建立電網負荷預測數學模型，預測未來時間段的電力負荷，方便電力部門科學有效地管理電能供需量，減少電能浪費。

2負荷預測方法分析

2.1臺區負荷行為分析

臺區負荷在不同天的相同時間段內的負荷行為習慣具有一定相似度，因此可以根據歷史負荷變化規律來預測未來負荷數據，但在同1天的不同時間段內臺區負荷的負荷運行規律不同，而且呈現出強關聯性和較弱的關聯性之分，可根據此特征輔助完成負荷預測。將某臺區2周負荷的功率負載率數據映射到同1天內。可以清晰看出該臺區負荷的功率負載率在1天內的變化分布情況。在不同天內，該臺區負荷的趨勢和周期大致相同，峰谷出現的位置也比較相近，存在一定的相關性，遵循某種基準負荷規律并呈不同程度的上下波動。其中在0：00—5：00時段，功率負載率呈下降趨勢，且曲線較為密集，關聯度很高，即在不同天較為嚴格的執行同一行為習慣規律，預測時會更為準確一些。但在12：00—16：00時段曲線比較分散，預測時精確度受到較大的影響。因此，各天在此時段會執行較為松散的行為習慣規律。若不區分時段，則各個不同時間段的行為規律會相互影響，且看作相同的關聯密集程度，對最后整體預測的效果產生一定的影響，所以本文接下來分析臺區負荷不同運行規律時間段的行為相似度，并考慮歷史數據的變化趨勢來輔助完成負荷預測。本文首先通過計算每2天之間目標時間段的皮爾遜相關系數，生成行為矩陣，再進一步計算目標時間段的行為相似度，行為相似度不同則對相同時間段歷史數據的參考程度不同。在考慮天氣維度和時間維度的基礎上，將行為相似度作為新特征考慮加入LSTM預測模型，利用訓練集數據對模型進行訓練，再根據測試集數據對模型效果進行驗證。

2.2BP神經網絡

BP神經網絡包括輸入層、輸出層和隱含層，一般輸入層與輸出層為單層，而隱含層為多層，且隱含層的個數直接影響了神經網絡解決復雜問題的能力和訓練效率。通常情況下，單隱含層的BP神經網絡即可實現對復雜非線性問題的擬合，且具備實現簡單、訓練效率高的優點;而多隱含層BP神經網絡雖然能夠顯著提升網絡的泛化能力與擬合精度，但訓練效率過低直接影響了其在工程中的可用性。針對電力負荷預測問題，模型中包含輸入層、輸出層和隱含層各1個。輸入層為前三天同一時刻的電力負荷以及溫度、濕度等特征參數，隱含層節點數根據實驗試探選擇為12個，輸出層輸出為用電負荷預測結果。該網絡的隱含層激活函數為logsigmoid函數，輸出層激活函數為具有線性特點的purelin函數，訓練算法采用自適應梯度下降算法。采用電力數據管理系統中的相關數據進行電力負荷預測實驗結果表明，BP神經網絡的初始權值和閾值對負荷預測精度的影響很大，但目前缺乏相關的初始值選擇依據，為此，文中借助粒子群算法對BP神經網絡的初始權值和閾值進行優化。

2.4數據收集和預處理

本文考慮了貴陽市的日常用電量和天氣數據。選擇了兩個典型月份來預測和驗證所提出模型的性能。第一個對應于2018年1月，這是一個需求旺盛的冬季。第二個對應于2018年7月，這也是一個需求量很大的夏季月份。用于預測第一個月的每小時數據是從2017年1月1日到2017年12月31日，一共365天。用于預測第二個月的每小時數據是從 2017年 7月 1日到 2018年 6月 30日，也是366天。由于貴陽市在2017年8月14日經歷了電力停電，因此從訓練樣本中消除了一周的數據，包括停電日和隨后的六天。通過鄰值間插值的方法，填補了一些載荷和溫度數據的缺失。基本上大數據集是對抗過度擬合的有效方法。但是過去通過聚合數據來增加數據集的大小可能是不可行的，因為負荷序列顯示出非常明顯的上升趨勢，并且負荷模式在年復一年略有變化。考慮到本文的工作是用于學術研究，本文選擇一年的訓練數據以簡化。但是本文認為應該在實際應用中使用更多的訓練樣本，例如兩年。測試集與訓練集完全分開，并且測試集在學習過程中不被使用。因為較大的預測提前期并不一定意味著更大的預測誤差，這取決于不同時期的數據可變性。

結語

短期負荷預測影響著發電計劃、交易計劃、調度計劃等，而負荷預測結果的精確度又影響著電力系統的運行。本文根據負荷預測的流程，把負荷預測方法做了一個綜合的分析和比較，簡述了預測方法的優點和不足之處，最后對短期負荷預測未來研究的方向提出展望，可為今后短期負荷預測提供借鑒。在實際的負荷預測中，應當根據當地的歷史負荷數據特征和相關影響因素選擇適宜的預測模型。

參考文獻

[1]張彥宇，肖茜.國內外關于電力系統負荷預測的研究現狀分析[J].山東工業技術，2016（11）：215-216.

[2]劉建軍.電力系統負荷預測綜述[J].中國科技信息，2016（16）：52-53.

河北大唐國際新能源有限公司 河北? 承德? 067000