电力系统负荷预测综述

电力系统负荷预测方法综述

摘要：电力系统负荷预测对电力系统的调度运行和生产计划有很大影响，准确的负荷预测有助于提高电力系统的安全性、稳定性、经济性，随着电力市场的建立与发展，负荷预测将发挥越来越重要的作用。简述了电力系统负荷预测的概念和意义，对现有的负荷预测方法进行分类，介绍了各种预测方法的原理，讨论了各种方法的优点与不足之处。最后，对电力系统负荷预测方法未来的发展方向做出了展望。

关键词：电力系统；负荷预测；方法模型；智能电网

0 引言

电力系统负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，它从已知的用电需求出发，充分考虑政治、经济、气候等相关因素的影响，预测未来的用电需求。负荷预测包含两方面含义：对未来需求量（功率）的预测和未来用电量（能量）的预测。电力需求量的预测决定发电、输电、配电系统新增容量的大小；电能预测决定发电设备的类型（如调峰机组、基荷机组等）。电力系统负荷预测的结果可以在一定程度上反映负荷的发展状况和水平，电力生产部门和管理部门以此为依据制定生产计划和发展规划，确定各供电区域各规划年供用电量、供用电最大负荷和规划地区总的发展水平，确定各规划年用电负荷构成[1-5]。

电力系统负荷预测一直是一个重要的研究课题，国内外学者进行了广泛的研究工作，提出了多种有效的预测方法。本文对这些方法进行了归纳、分类，概述了各种预测方法的原理，并对它们的优点与不足之处进行讨论，在此基础上对电力系统负荷预测方法未来的发展方向做出展望，为实际负荷预测工作提供借鉴。

1 电力系统负荷预测方法分类

电力负荷预测方法按照预测的时间范围来划分，可分为长期、中期、短期和超短期预测。长期负荷预测通常指10a以上的预测，中期负荷预测通常指5a左右的预测，中、长期负荷预测是以年为单位进行预测的，主要用于为电力系统规划建设，包括电网的增容扩建及装机容量的大小、位置和时间的确定提供基础数据，确定年度检修计划、运行方式等，同时还为所处地区或电网电力发展的速度、电力建设的规模、电力工业的布局、能源资源的平衡、地区间的电力余额的调剂、电网资金及人力资源需求的平衡提供有效的依据；短期负荷预测通常为1a 以内的预测，它的预测单位包括月、周、天、小时，主要用于调节、指导电力部门的日常运行，合理安排月度检修计划、运行方式及日开停机、发电计划；超短期负荷预测通常指对未来1h、0.5h、10min 的负荷进行预测，主要用于对电力系统进行实时的安全分析与调度，满足运行要求，控制发电成本[6-7]。

2 国内外研究现状

电力负荷受社会、经济、自然条件等因素的影响较大，再加上诸多随机因素，使得负荷存在复杂的非线性关系; 由于各个地区的负荷总是按照天、周、年周期性变化，又使其具有了可预测性。因此，国内外专家学者研究如何利用现有的历史数据，采用适当的方法来预测未来的负荷值，并具有比较高的速度和精度。

2.1 国外研究现状

自20 世纪60 年代初，世界经济快速发展对电力的需求不断增加，对电能质量的要求也逐步提高，这就导致了电力系统的快速发展。负荷预测也就开始向探索、研究和应用方向发展。目前，国外学者大多采取与神经网络和支持向量机有关的一些方法[8-11]。有学者提出先选择相似日负荷作为输入负荷，而后应用小波分解将负荷分解成低频分量和高频分量，最后使用单个的神经网络来预测这两个分量未来的负荷。也有学者采用非对称二次损失函数支持向量回归来准确的预测负荷，有效提高了电力负荷预测模型的准确性。文献[12]提出了一种基于小波变换( Wavelet Transform，简称WT) 和模糊自适应共振理论映射Fuzzy Adaptive Ｒesonance Theory Maps，简称F-AＲTMAP) 网络的新的混合智能算法，该模型通过广泛的预测比较得以证明。文献[13]利用经验模式分解方法，将时间序列分成两部分，分别描述趋势和本地振荡的能量消耗值，然后用于训练支持向量回归模型。文献[14]提出了一种基于内核机的短期负荷预测方法，该方法提供了更好的短期负荷预测结果。通过学习国外学者最新的研究成果，不难发现，基于神经网络的负荷预测方法已经比较成熟，开发其它新型的预测方法和算法已成为必然。

2.2 国内研究现状

当前，国内学者为了提高负荷预测的精度和速度，也研究出了多种方法和算法，并取得了不错的成果[15-17]。韩教授将电压特性作为描述系统状态特征的基本量，提出了基于加权最小二乘的状态预估模型和算法。也有专家采用遗传算法的全局搜索能力实现了粗糙集理论的属性约简，通过对模型的输入变量进行优选，并采用实值遗传算法来自动优化模型参数，以改进和完善最小二乘支持向量机负荷预测模型和算法。还有学者引入人体舒适度指数，综合考虑气象因素的影响，利用相似日的日特征向量和负荷数据建立基于粒子群参数优化的支持向量机( ParticleSwarm Optimization Support Vector Machine，简称PSO-SVM) 预测模型，实验证明预测精度较高，推广能力很强。文献[18]对SVM在短期负荷预测的应用中存在的包括数据预处理、核函数构造及选取和参数优化等方面的问题，做出了分析，并总结提出了现有的解决方案，提出了下一步要解决的关键问题。还有学者专门研究了局部地区的电力负荷预测问题[19]，并提出了一种基于自适应聚类分区和支持向量回归的多模型变结构负荷预测新方法，实验证明该预测方法比传统的神经网络预测方法具有更高的精度和更强的鲁棒性。牛东晓教授利用在处理大数据量、消除冗余信息等方面具有优势的数据挖掘技术来对历史数据进行预处理，组成具有高度相似气象特征的数据序列，将此序列作为SVM 的训练数据，减少了数据量，从而提高了预测的速度和精度，克服支持向量机的缺点[20]。

综上所述，电网短期负荷预测自发展以来，各专家学者已提出了多种方法，用于短期负荷预测的传统方法有趋势外推法、回归分析法、时间序列法、灰色预测法、卡尔曼滤波法、专家系统法等。随着逐步建立的现代电力系统管理信息系统，以及天气预报水平的不断提高，准确地获得负荷预测所需的各种历史数据不再是难事，并涌现出了下列现代智能方法: 小波分析法、人工神经网络法、支持向量机法、数据挖掘法、模糊预测法、优选组合法等。这些方法逐步提高了负荷预测的速度和精度。本文就用于短期负荷预测的智能方法进行讨论。

3负荷预测方法概述

3.1 最小二乘拟合方法

负荷发展趋势的预测可以用最小二乘法，就是把负荷序列的发展趋势用方程式表示出来，进而利用趋势方程式，来预测未来趋势的变化。该方法是拟合函数