【文献综述】电力系统短期负荷预测方法及研究

文献综述
电气工程与自动化
电力系统短期负荷预测方法及研究
一、负荷预测的原理
电力系统负荷预测是根据现在和过去时刻的用电负荷情况，估计未来时刻用电负荷的大小。

因此它的研究对象是不确定的事件，随机事件。

而电力负荷预测要预知负荷的发展趋势和可能达到的状况，下面介绍一些原理，用于指导负荷预测工作：
1）可知性原理：
预测对象的发展规律，其未来的发展趋势和状况是可以为人民所知道的，这是人们进行预测活动的基本依据。

2）可能性原理
因事物的发展变化是在内因和外因共同作用下进行的，内因的变化和
外因作用大小不同，因此事物的发展变化会有很多可能。

3）连续性原理
预测对象的发展是一个连续化的过程，其未来的发展是这个过程的连
续。

电力系统负荷的发展变化同样存在着惯性，这种惯性正是进行负荷预测的主要依据
4）相似性原理
在很多情况下，作为预测对象的一个事物，其现在的发展过程和状况可能与过去一定阶段的发展过程和状况相似，因此可根据已知的发展过程及状况来预测所预测对象的未来的发展过程及状况。

5) 系统性原理
预测对象的未来发展是系统整体的动态发展，而整个系统的动态发展与它的各个组成部分和影响因素之间的相互作用相互影响密切相关。

只有系统整体最佳预测，才是最高质量的预测，才能为决策者提供最佳预测方案。

二、负荷预测的研究背景
众所周知，电力系统的作用就是为各类用户提供可靠且合乎质量要求的电能，以随时满足各类负荷的需求。

而电力系统负荷预测是电力系统调度，用电，计划，规划等管理部门的主要工作之
一。

提供负荷预测技术水平，有利于用电管理，有利于合理安排电网运行方式和机组检修计划，有利于节煤，节油和见地发电成本，有利于制定合理的电源建设规划，有利于提供电力系统的经济效益和社会效益。

因此，负荷预测已成为事先电力系统管理现代化的主要内容之一。

电力系统负荷预测按预测时间可以分为长期，中期，短期和超短期。

短期电力负荷预测主要是指预报未来几小时、一天至几天的电力负荷并做出估计，目的是给各个电厂安排日，周发电计划，是电力系统最为关键的一类负荷预测。

短期负荷预测作用的大小主要取决于预测精度，精度的准确与否将直接影响调度的结果。

从而对电力系统的安全稳定运行和经济性带来重要影响。

而在现代工业水平的不断提高，城市化快速发展以及当前市场化运营的条件下，由于电力交易和更加频繁和经营主体的区别，会出现各种不确定的因素，同时负荷对于电价的敏感度也随着市场的完善而逐渐增强，这也给负荷预测带来新的难度。

故准确的预测对于提高电力经营主体的运行效益有直接的作用，另一方面突出短期负荷预测的重要性。

故对短期负荷预测有着如下的意义：
1）帮助确定燃料供应计划；
2）对运行中的电厂出力要求提出报告，使对发电机组出力变化事先得以估计；
3）可以经济合理地安排本网机组的启停，降低旋转储备容量
4）可以在保证正常用电的情况下合理安排机组检修计划。

三、负荷预测的研究现状及发展趋势
1.研究现状
负荷预测是实现电力系统优化运行的基础。

短期电力负荷预测的研究已有较长的历史，它是随着电力系统中运行系统的逐步发展起来的。

随着数学理论和人工智能技术的相继引入，人们提出各种各样的预测方法。

这些方法各有千秋，很难说哪一种方法绝对优越于其他方法。

对短期负荷预测，需充分研究电网负荷变化规律，分析负荷变化的相关因子，特别是天气因素，日类型等和短期负荷变化的关系。

对负荷预测的研究，主要出发点大多是以更为先进的理论提高预测的准确性，为电力系统运行的经济性和安全性提供有力的保证。

目前负荷预测领域的研究主要关注于预测方法上的改进和提高。

短期负荷预测方法总体可以分为两类：传统预测方法和现代预测方法。

两类方法中的各种预测方法均有一定的适用场合，各自含有不可克服的缺陷，又各有优势，没有哪一种方法预测精度明显高于其它方法或适用于各种负荷预测模型。

目前尚无一个固定方法和模型可以适用于一切短期负荷预测，故在实际运算预测中，应结合所辖电网的实际负荷情况和特点，建立适合本地电网的负荷预测模型，考虑各种因素的影响，从而提高负荷预测的准备性。

以下介绍几种负荷预测方法。

传统的预测方法
1）回归分析法
它是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量和因变量之间
的相关关系及其回归方程式，确定模型参数，据此推断将来的时刻的负荷值。

其优点是计算原理和结构形式简单，预测速度快，外推性能好，对于历史上没有出现的情况有较好的预测；存在的不足是对于历史数据要求较高，采用线性方法描述比较复杂的问题，结构形式过于简单，精度较低。

2）时间序列法
它是目前电力系统短期负荷预测中较为成熟的算法。

根据负荷的历史数据，建立
描述电力系统随时间变化的数学模型，在该模型的基础上确立负荷预测的基础表达式并对未来负荷进行预测。

其优点是所需数据少，工作量小，计算速度快，反映了负荷近期变化的连续性。

不足之处是建模过程较为复杂，需要较高的理论知识，该模型对原始时间序列的平稳性要求较高，只适用于负荷变化比较均匀的短期负荷预测
3）灰色预测法
灰色系统理论在电力系统负荷预测中的应用受到了广泛的关注，灰色预测是一种
对含有不确定因素的系统进行预测的方法。

它的优点是在建模不需要计算统计特征量，从理论上讲，可以使用与任何非线性变化的负荷预测指标预测，要求负荷数据少，不考虑分布规律及变化趋势，短期负荷预测精度高；不足之处是在于要求负荷变化规律具有指数变化趋势，对于短期负荷而言根本不满足以上条件，精度难以提高。

当数据离散程度越大，预测精度越高
现代预测方法
1）专家系统法
它是一个用基于知识的程序设计方法建立起来的计算机系统，它拥有某一领域内
的专家知识和经验，并能像专家那样运用这些知识和经验，通过推理对未来进行预测它的优点是可以克服单一算法的片面性，同时能够综合考虑多个影响因素，具有建模简单和快速决断的优点；不足之处是在预测过程中容易出现人为差错，也不能应用其它系统。

2）人工神经网络法
由于短期负荷受到天气情况和人们在社会活动等因素的影响而变化，存在大量的
随机性和非线性关系，因此，神经网络能够非常好的处理这类非线性问题。

它的优点是对大量非结构性，非精确性规律具有自适应能力，具有信息记忆，自主学习。

知识推理和优化计算的特点，还有很强的计算能力，复杂映射能力，容错能力及各种智能处理能力；其不足之处是神经网络层数和神经元个数多依据主观经验确定，难以精确地确定网络结构，学习速度慢等缺点
3）组合预测法
预测模型的选择是短期负荷预测精度的关键点。

因此，根据各种算法的优点和不
足，以及针对不同情况的预测精度的差异，将各种算法有机的结合起来，发挥各自算法的优势。

这就是组合预测法所涵盖的内容
以上六种负荷预测方法只是预测方法的其中的一部分。

他们各有优点，都不能同时适用于每一个场合，这需要根据不同情况，结合不同地区的负荷变化规律，选取不同的预测方法。

2. 发展趋势
短期负荷预测技术在算法理论研究上虽然取得了很大的成就，但是由于种种原因
在实际应用中，短期负荷预测技术仍然存在很多问题，理论和实践有待进一步的发展和提高。

对于一些地区性工业水平不够高，主要以生活用电为主的城市，可以利用人工神经网络进行负荷预测。

因为他的优点是对大量的非结构性，非规律性具有自适应功能。

其中BP神经网络具有较强的非线性拟合能力，尤其对预测天气,温度等因素处理尤为方便。

四、参考文献
[1] 张吉刚，梁娜.提高预测精度的BP-Elman网络组合[J].咸宁学院学报，2006年12
月，26(6) .
[2] 马莹莹.电力系统短期负荷预测方法综述[J].科技论坛，山东济南，山东省建设
高压容器有限公司.
[3] 赵宇红，苏光泽，盛以发，匡少滨. BP神经网络在电力系统短期负荷预测中的应
用[J].南华大学学报，2005年3月，19(3).
[4] 周林，吕厚军.人工神经网络应用于电力系统短期负荷预测的研究[J].四川电力技
术,2008年12月,31(6).
[5] 张慧斌，王黎冰.基于RBF神经网络的电力系统短期负荷预测[J].忻州师范学院
学报，2009年10月，25(5).
[6] 李扬，李晓明，黄玲，陈岭，舒欣.基于人工神经网络和模糊集的电力系统短期负
荷预测方法[J].武汉大学电气工程学院，2007年，20.
[7] 于菲菲.塔北电网负荷预测方法的研究及应用[D].大庆：大庆石油学院，2009年.
[8] 张宝平.基于遗传BP神经网络的电力系统短期负荷预测[D].西安：西安理工大学，
2003年10月.
[9] 王贞珍.基于神经网络的沈阳地区短期负荷预测[D].上海：上海交通大学.
[10]邵莹.基于神经网络的电力系统短期负荷预测研究[D].哈尔滨：哈尔滨理工大学，
2005年3月
[11] 黄伟.短期电力负荷组合预测模型的研究[D].大连：大连理工大学，2009年.
[12] 邓培敏，陈明华，佘恬.Elman网络在短期负荷中的应用[J].企业科技与发展，
2009年，(4).
[13] Park DC,EL-SharKawi MA,Marks j etal.Electric Load Forecasting Using a
Neural Network[J].IEEE Trans on Power systems.1991,6(2):442~449.
[14] T.M.PENG. Advancement of The Application Neural Network for short Term
Load Forecasting[J]. IEEE Transaction on Power S ystems.1992,7(1):250~257。