配电网短期负荷预测方法

配电网短期负荷预测方法
王宪安
04111978
电气10班
配电网短期负荷预测方法
摘要：随着市场经济的不断发展，负荷预测在配电网和运行方面发挥着越来越重要的作用，负荷预测也具有了更加明显的经济效益，其实质上是对电力市场需求的预测。

该文在介绍和分析了几种负荷预测的方法及特点的基础上，对短期负荷预测的方法做了全面综述，并比较了各种方法的优缺点。

关键词：负荷预测；短期预测；支持向量回归模型；神经网络
0 引言
随着我国电力事业的发展，电网的管理日趋现代化，电力系统负荷预测问题的研究也越来越引起人们的注意，现在已经成为了现代电力系统运行研究中的重要课题之一。

负荷预测可以分为长期、中期、短期、超短期以及节日预测。

其中短期负荷预测是电力系统安全运行的前提，随着分时电价方式的推广和电力市场化改革的深入，电力公司力求及时、准确地把握负荷变化的信息，将负荷预测的重要性和迫切性提到前所未有的高度，同时野队负荷预测的精度提出更高的要求，这必将推动我国对负荷预测新方法、新技术的研究。

1 市场环境下高精度的短期负荷预测的意义
在当前的电力市场条件下，短期负荷预测精度的高低直接决定了发电计划制定的准确与否，这使得预测精度直接和消息相关，主要表现在：
（1）在电力市场环境下，高精度的负荷预测是有效的维护各实体经济利益的前提条件之一；（2）准确的负荷预测为发电商投标竞价提供了真实的依据，它可以使发电商和电网公司签订的预购合同更接近实际交易合同，避免了因合同变更而产生的交易费用；
（3）准确的负荷预测能够使电网公司在保证电网安全的前提下，减少冗余的旋转备用，从而降低电网公司的运营成本；
（4）在电网公司与其他电网公司交换谈判时，准确的负荷预测起着非常重要的指导作用；（5）准确的负荷预测对电力市场的投资规划提供决策依据；
（6）负荷预测是电价预测的基础和未来电力市场预测期货交易的基础。

可见，电力短期负荷预测的精度直接影响到了电网及各发电厂的经济效益。

同时，英国的研究表明，短期负荷预测的误差每增加1%导致每年增加灰色预测模型（Gray Model）简称GM模型，是以灰色模块为基础，用微分拟合法建立的模型。

灰色系统预测法引入电力系统负荷预测领域以后，较好的克服了概率统计的弱点，使原始序列的随机波动性影响减弱，而且所需的信息量少、原理简单、运算方便、短期预测精度高，有效地解决了常规预测方法的难以解决的问题。

但是，GM（1,1）模型也存在一定的局限性。

目前，对于GM（1,1）模型的改进方法有对原始序列进行平滑、局部残差修正及等新息模型、无偏灰色模型和灰色递阶模型等几种。

其中，残差GM（1,1）模型在实际应用汇总最为广泛，但其预测精度仍不够理想。

3.3混沌理论预测技术
混沌理论用于描述确定性非线性系统的内在随机性，具有对初始条件敏感、遍历性、规律性等特点，负荷电力系统负荷预测的内在要求。

由于混沌是介于确定性和随机性之间的一种行为，因此，混沌运动长期是不可预测的，然而，由于混沌行为中奇怪吸引子的存在，使得短期预测是可行的。

1994年，Mori和Urano提出了一种用混沌时间序列分析短期负荷预测的方法，几年后，国内学者也提出了基于混沌时间序列的负荷预测方法。

由于混沌理论在处理非线性问题方面的强大功能，使得基于其理论的负荷预测方法无论在处理能力、计算速度，还是在预测精度上，都得到了很大的提高。

混沌时间序列方法成为电力系统负荷预测的一大研究方向。

近年来广泛用于电力短期负荷预测中的混沌预测模型的延迟重构仅针对历史负荷这一单变量的时间序列，尽管理论上来说只要嵌入维数选取合理，单变量时间序列也可去的教理
想的预测效果。

但事实上用于时间序列长度有限且往往存在噪声，预测效果受到很大影响。

文献[7]将单变量时间序列相空间拓展到多变量时间序列中，相空间重构了由历史负荷及其相关因素序列所构成的多变量时间序列，计算了多变量时间序列的潜入维数和延迟时间。

研究表明，多变量时间序列由于包含了更丰富更完整的系统信息，能重构出更为准确的相空间，其预测效果明显由于单变量重构技术。

3.4智能技术预测方法
近年来，人工智能技术的飞速发展吸引了电力研究者的目光，将其应用于电力负荷预测，并成为当今负荷预测的研究热点。

不同的智能技术应用于电力负荷预测领域，就形成了不同的预测技术。

（1）专家系统预测技术
实践证明，由于电力负荷的复杂性、随机性和时变性，精确的预测结果不仅需要高新技术的支持，同时还需要融入人类自身的经验和指挥，从而专家系统预测法应运而生。

所谓专家系统预测法，就是对数据库中存放的过去几年甚至几十年的每小时的负荷和天气数据进行分析，从而汇集有经验的负荷人员的知识，提取有关规则，按照一定的规则进行负荷预测。

专家系统法的优点在于：
①能汇集多个专家的知识和经验，最大限度地利用专家的能力；
②占有的资料、信息多，考虑的因素也比较全面，有利于得到较为正确的结论。

但是，该方法不具有自学习的能力，受数据库中存放的知识总量的限制；而且对突发性事件和不断变化的条件适应性较差。

（2）人工神经网络（ANN）算法——被认为是短期负荷预测最为理想的方法之一人工神经网络是由处理单元组成的一种并行、分布式信息处理结构，处理单元之间可以按连接的单向信道相互连接。

人工神经是神经网络的基本计算单元，它模拟了人脑中神经元的基本特征，一般是多输入、单输出的非线性单元，可以有一定内部状态和阈值。

在短期负荷预测的研究中，应用最多的神经网格模型是BP（反向传播）算法，它是多层感知器的一种有效学习算法，它把一组样本的输入输出问题变成非线性优化问题，使用了最优化问题和其中最普遍的梯度下降算法，用迭代算法求解权值，加入隐节点使优化问题的可调参数增加，从而可得到精确解。

BP网络如图1所示，可见其结构简单，但是处理问题的能力却很强大。

人工神经网络方法能够充分逼近任意复杂的非线性关系，而且可以不必预先知道输入量和预测值之间的数学关系模型，因此可以方便地考虑温度、湿度、风力、降雨量、电价等对电力系统负荷起影响的因素。

另外神经网络还具有联想记忆的功能，即使输入一个从未训练的输入信息，它也能找到相应的输入，只要更新它的权，它就可以适应环境的变化。

但是神经网络也有自身的缺点，在训练过程中，常用训练算法收敛速度缓慢、容易陷入
局部极小的缺点。

解决的办法之一是用不同的初值对权值初始化，对网络多次训练，直到每次训练后的误差基本稳定，此时可认为网络已收敛于全局极小点，但这一过程非常浪费时间。

为此，许多研究者利用最优化方法提出了各种不同的改进BP算法，如动量法、可变学习率发、共轭梯度法等，但大都基于克服训练错误。

从概率统计的角度说，神经网络的学习算法采用经验风险最小化原理（ERM），仅仅试图使经验风险最小化，并没有使期望风险最小化，与传统的最小二乘法相比，在原理上缺乏实质性的突破，同时也缺乏理论依据。

总之，神经网络学习算法缺乏定量的分析与机理完备的理论结果。

（3）支持向量机（SVM）的回归算法-----被认为是ANN方法的替代算法
支持向量机方法（support vector Machines, SVM）是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型复杂性和学习能力之间寻求最佳折中，以期获得最好的推广能力。

随着Vapnik的ε不敏感损失函数的引入，SVM已经扩展到用于解决非线性回归估计问题。

支持向量回归模型的基本思想是先通过非线性变换x→ø(x)，将输入空间映射到高维的特征空间（Hilbert 空间），然后在高维特征空间中进行线性回归。

其间通过核函数这一手段巧妙的将高维特征空间中的内积运算转化为低维输入空间中的一个简单的函数运算，降低了计算的复杂性。

由Vapnik等提出的经典SVM算法，它的实现归结为解决一个线性约束的二次规划问题，因此算法的解释唯一的，也是全局最优的。

将其应用于电力系统负荷预测，可有效地克服数据有限性、不完整性及影响因素复杂性等对预测结果的影响、发挥独特优势、实现经济价值。

在支持向量回归模型中，对不同训练样本的偏离误差要求的惩罚是相同的，这种处理方法对于有重要性差异的训练样本来说是不合理的。

针对各训练样本重要性的差异，文献9提出了给各样本的惩罚参数C和误差要求参数赋予不同权重的加权支持向量回归方法。

训练样本的重要性越大，惩罚参数C的权重越大，误差要求参数就越小，使回归曲线更靠近该重要的样本点。

结果证明这对提高预测精度来说是一种很有效的改进办法，但实时性降低了，比较适用于日负荷和周负荷预测。

支持向量机回归算法的网络结构如下所示：
可以看出SVM具有和神经网络相同的网络结构，然而在中间层的确定方面，SVM方法比ANN方法要科学的多。

ANN方法的中间层主要是根据经验来选择，具有主观性；支持向量机方法的中间层是由支持向量对应的Lagrange乘子来确定，是一种通用的方法。

对于基于智能技术的负荷预测，其预测精度在很大程度上依赖于训练集的选择，恰当、合理的输入矢量可使计算机智能的预测方法快速、有效地逼近目标矢量，达到误差要求，并
使其具有良好的泛化能力。

文献10提出了一种新的思想，在数据预处理的过程中加上对负荷模式的分辨，从而为负荷预测提供较好的模式分类结果和更为准确、全面的
历史样本数据，使有限的信息得到充分的利用。

结果证明，经过有限的模式分类并选择较好的负荷分类模式猴，可以改善电力负荷预测的精度和效率。

3.5优选组合预测技术
优选组合预测有两类概念，一是指将几种预测方法所得的预测结果，选取适当的权重进行加权平均的一种预测方法，二是指在几种预测方法中进行比较，选择拟合优度最佳或标准离差最小的预测模型作为最有模型进行预测。

组合预测方法是建立在最大信息利用的基础上，综合多种单一模型所包含的信息，进行最优组合。

因此，在多数情况下，通过组合预测可达到改善预测结果的目的。

由于传统的预测技术都是用解析式来进行预测，很好的处理了负荷历史数据中的线性部分，而基于人工智能的预测方法则可以很好的映射输入输出之间的非线性关系，那么，如果能将传统的预测方法和新兴的只能预测方法进行组合预测，是不是可以得到很好的预测效果呢？目前有很多关于组合预测的文献，其中比较典型的文献将时序分析的ARMA模型和神经网络结合起来进行预测，利用不同模型的优势来处理数据的不同部分。

实验证明，ARAM-ANN组合预测能提高负荷预测的精度。

4 结论
本文对一些比较常用的电力负荷预测技术进行了简单的比较，可以看出人工智能的方法僵尸未来的主要发展方向。

就目前的应用研究状况而言，尽管支持向量机的应用研究已经很广泛，但应用尚不及人工神经网络方法，所以有理由相信SVM的应用研究还有很大潜力科娃。

就市场条件下对符合预测的精度要求而言，单一的方法已经很难满足预测的需求，多种预测方法的结合成为当前的一大研究趋势。

参考文献
[1] 魏伟，牛晓东，常征.负荷预测技术的新发展.华北电力大学学报，2002,29（1）：10-15.
[2] 肖国泉，王春，张福伟.电力负荷预测.中国电力出版社，2001.
[3] 李眉眉，丁晶.基于混沌理论的电力负荷预测.四川水力发电，2004,23（4）：51-53.
Bansal,R.C.,Pandey,J.C.Load forecasting using artficial intelligence techniques;A literature survey.Intermational Journal of Computer Applications in technology,2005, 22(2-3):109-119.
[4] Feng Li,Qiu jia-ju,Electrical loda forecasting based on load patterns.Power System Technology,2005,29(4):23-26.
[5] 杜树新，吴铁军.回归型加权支持向量机方法及其应用.浙江大学报，2004,38（3）：302-306.
[6] 孙海斌，李扬，卢毅，王磊，唐国庆，电力系统短期负荷预测方法综述.江苏电机工程，2000,19（2）：9-13.
[7] 卢建昌，王柳.基于时序分析的神经网络短期负荷预测模型研究．中国电力，2005,38（7）：11-14.。