电力需求预测方法

浅谈电力需求预测方法的研究

摘要：电力需求是电力市场中的重要因素之一，能否准确预测社会总用电量及各产业用电量，将直接影响到国民经济的健康发展和各级电力公司的经济效益。本文从经济增长与电力需求增长规律出发，针对国内外先进的预测方法进行比较分析研究。

关键词：电力需求;预测方法;比较

1、引言

1.1问题的背景

经济的增长并不必然带来电力消费的同速增长，但同时，电力消费则是促进国内生产总值增长的重要原因。这意味着为了避免电力短缺的负面影响，规划建设充足的发电能力和输送能力，合理安排好发电、输电、供电、用电整合环节的相应计划，以满足社会各方面需求是非常重要的，它决定了经济发展的速度。

解决电力短缺问题的首要问题是做好电力需求的预测。电力需求预测的重要性体现在三个方面：发电扩展计划、输电扩展计划和财务计划。

1.2预测方法简介

预测方法可以被分为定性和定量两大类。对于电力方面的预测主要是采用定量分析的方法，但必需满足以下三个条件：一是能够知道待测变量的历史数据信息；二是这些信息可以量化；三是过去的变动形式将持续到未来成为一个合理的假设。本人认为，预测方法可以分为两类：一种是传统或经典预测方法，另一种就是现代的

预测方法。

2、传统预测方法

（1）指数平滑法

指数平滑法的基本思想是加权平均，选取一组时间上有序的历史数据，s1、s2、x3……st，一次指数平滑预测的迭代公式为：st=ayt+(1-a)st-1 （2. 1）

式中，st--时间t的平滑值； yt--时间t的实际值； st-1--时间t-1的实际值；

a--平滑常数，其取值范围为[0,1]；

对越近期的数据加权越大，这反映了近期数据对未来负荷影响更大这一实际情况，同时能通过平滑作用消除序列中的随机波动。

电力系统的负荷在本质上是不可控的，但是具有一定的固定变化趋势，如逐步增长或减小，或者按照一定周期变化等等。但负荷具有较强的随机性，采用指数平滑法进行负荷预测实际只考虑到趋势顶，而忽略了周期性及随机波动顶。

（2）趋势外推法

就是根据负荷的变化趋势对未来负荷情况作出预测。电力负荷虽然具有随机性和不确定性，但在一定条件下，仍存在着明显的变化趋势。用时间t为自变量，时序数值y为因变量，建立趋势模型y=f(t)。优点是只需要历史数据，所需的数据量少；缺点是如果负荷出现异常变动，特别是出现较大的不符合趋势方程式的变动时，会引起较大的误差。

（3）时间序列法

时间序列法是一种最为常见的短期电力需求预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。

（4）回归分析法

回归分析法是一种最为常见的中期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，用数理统计中的回归分析法，根据历史数据的变化规律寻找自变量与因变量之间的回归方程式，建立和估计产生实际序列的随机过程的模型，然后用这些模型去预测。该方法的优势在于只需要历史地相关数据，数据收集的工作量较少，但也存在很大的不足。单纯的回归法的预测精度并不能达到需要的精度，一般只用于负荷变化比较均匀的情况。

3、现代预测方法

实际的电力预测中存在着许多不确定因素，如国家政策调整、国民经济发展的情况、人口的增长速度、城乡居民使用家用电器的情况、气候变化、国家能源政策等等，这些因素很难用确定的数学方法来表述和考虑，但是这些因素对负荷电量的影响又十分重要，在实际工作中不得不给于适当考虑。传统的常规预测方法对这些因素的考虑往往不够全面，显然这样做得到的结果与未来实际情况很可能存在较大的偏差。20世纪80年代后期，一些基于新兴学科理

论的现代预测方法逐渐得到了成功应用。这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等。

（1）灰色数学理论灰色系统理论的实质是将无规律的原始数据进行累加生成，得到规律性较强的生成数列后再重新建模。由生成模型得到的数据再通过累加生成的逆运算累减生成得到还原模型，由还原模型作为预测模型gm（1，1）。

近年来,灰色模型法在电力需求预测方面的应用取得了一定的效果。但目前gm（1，1）模型比较适用于具有较强指数规律的负荷序列，只能描述单调的变化过程，而对于特殊的负荷增长方式，例如当负荷按照“s”型曲线进行增长或增长处于饱和阶段时，若采用该灰色模型则预测误差较大，预测精度不满足实际要求（2）专家系统方法

专家系统方法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。专家系统的体系结构随专家系统的类型、功能和规模的不同，而有所差异。

（3）神经网络理论

神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。由于该方法具有很强的鲁棒性、记忆能力、非线性映射能力以

及强大的自学习能力，解决了时间序列(平稳随机过程)预报问题，克服了传统的电力需求预测方法主要是把负荷预报的不确定性归

为随机性，用线性或分段线性表达作为负荷预报函数，运用概率及数理统计方法进行处理所存在的缺点，目前在电力需求预测领域得到广泛应用。但其缺点是学习收敛速度慢，可能收敛到局部最小点；并且知识表达困难，难以充分利用调度人员经验中存在的模糊知识。

（4）模糊负荷预测

模糊负荷预测是近几年比较热门的研究方向。它不是通过对历史数据的分析去直接建立符合于其他因素的函数关系，而是考虑了电力负荷与纵多因素的相关性，将符合与对应环境作为一个数据整体进行加工，得出符合变化莫实际对应环境因素特征，从而将待预测年环境与各历史环境特征进行比较，得出所求的负荷增长率。

4、结论

现有的预测方法近300种，在实际电力需求预测工作中，预测的对象不同、时间期限不同常常会使用的不同的预测方法。通过实际应用经验和特点比较，可以得出：（1）从精度来看，短期电力预测比较适合采用传统的预测方法，中长期预测可以考虑建立在非线性理论基础上的现代预测方法以及多元现行回归法；（2）从计算的繁简程度看，传统的预测方法相对较简单，而现代预测方法则需要通过大量复杂计算，因此在实际工作中对于精度要求不高且时间紧的场合可以用传统的预测方法，而对于精度要求高的则要使用现代