电力系统负荷预测技术

电力系统负荷预测技术（精选11篇）

电力系统负荷预测技术 第1篇

1负荷预测基本情况

1.1负荷预测的概念

电力系统负荷预测是基于历史负荷数据、气象数据、经济数据等对电力负荷变化具有影响的因素, 寻找负荷及各影响因素之间的映射关系, 对未来的电力负荷做出预测。

1.2负荷预测的意义

电力负荷预测面向电力负荷, 以用电量和负荷曲线为主要预测目标, 可以对电力负荷在时间上和空间上的变化做出预先估计, 对电网规划和运行, 指导发电厂合理安排发电机组检修都具有重要意义。

1.3负荷预测分类

按照预测期限的长短可将负荷预测分为中长期、短期、超短期负荷预测。中长期负荷预测以年或月为预测期限, 它对电力系统发展规划、发电厂和变电站选址都具有指导性作用。短期负荷预测主要对未来一周内的电力负荷做出预测, 在电力市场环境下, 短期负荷预测对电力调度、电力交易都具有重要作用。超短期负荷预测主要是对未来几个小时内的电力负荷进行预测, 主要用于对电力系统进行实时安全分析与调度。

2传统负荷预测方法

传统的预测方法有时间序列法、回归模型法、趋势外推法等。

2.1时间序列法

时间序列法思想是把等时间间隔记录下来的负荷数据序列看做符合一定统计规律的随机变量, 通过已知的历史负荷数据即可预测未来的负荷数据。时间序列法主要使用的模型有AR (自回归) 模型、MA (滑动平均) 模型、ARMA (自回归移动平均) 模型、ARIMA (求和自回归移动平均) 模型。它们都是用于处理单时间序列的模型。

时间序列法其基本模型为线性模型。其优点是模型相对简单、对历史负荷数据要求不高、计算量也比较小。但是预测模型未考虑天气因素等非线性因素的影响, 因此其预测精度较低。

2.2回归模型法

回归模型预测的原理是根据负荷的历史记录及其他对负荷有影响的相关因素, 建立负荷因变量y和自变量x之间的数学模型, 得到回归方程y=f (s, x) , s是回归模型的参数向量, 用来对未来负荷进行预测。实质上也就是曲线拟合问题。回归分析按自变量的多少分一元回归分析和多元回归分析。回归分析方法简单、预测速度快、外推性好, 对于历史上未出现的情况具有较好的预测性, 但为了降低特异值的影响, 回归分析法要求的样本量较大。

3现代智能预测方法

现代智能预测方法有支持向量法、人工神经网络法等。

3.1支持向量机

支持向量机 (SVM) 是由Vapnik等人根据统计学习理论提出的一种新的机器学习方法, 是一种专门研究有限样本预测的学习方法。支持向量机方法实现了结构风险最小化的归纳原则, 能很好的解决小样本、非线性、高维数和局部极小点等问题, 因此在负荷预测中获得了广泛的应用。

支持向量机既可用于超短期、短期负荷预测, 也可用于中长期负荷预测。其优点是具有全局最优、结构简单、泛化能力强。但SVM预测结果的好坏很大程度上依赖于其学习参数, 预测精度受参数的影响较大。因此很多SVM负荷预测都是基于各种算法对SVM的参数进行优化, 以达到降低SVM的建模误差和测试误差的目的。

3.2人工神经网络

人工神经网络是利用数学、信息处理等方法对人脑神经元网络进行模拟抽象, 建立模型。由于其具有强大的自学习、自组织、自适应能力因而在电力负荷预测中获得了广泛的应用。其中BP网络是目前应用最广泛的人工神经网络。BP神经网络是一种三层结构的网络, 包含输入层, 输出层和隐含层, 它是一种前向多层网络。权值的调整采用误差反向传播算法, 将输入样本数据通过模型自动“学习”训练, 从而生成最优网络结构。

BP神经网络的优点是具有较强的非线性拟合能力, 而且学习规则简单, 便于计算机实现。缺点是收敛速度慢、容易陷入局部极小值, 以及难以确定隐含层节点的个数。

4结语

本文简述了电力系统负荷预测的基本知识和分类, 并分传统预测方法和现代智能预测方法重点介绍了负荷预测的几种基本方法及其优缺点。在进行负荷预测时要根据待预测负荷性质及负荷预测周期, 选择合适的预测方法, 同时相似特征值的选取, 气象因素, 缺失数据, 异常数据的修补对负荷预测的准确性也有着重要的影响。电力系统是一个庞大而实时变化的系统, 影响负荷变化的因素众多, 任何单一的预测方法都有其局限性, 因此组合预测方法越来越受到人们的关注。

参考文献

[1]牛东晓, 曹树华, 赵磊等.电力负荷预测技术及其应用[M].北京:中国电力出版社, 1998.

[2]康重庆, 夏清, 张伯明.电力系统负荷预测研究综述与发展方向探讨[J].电力系统自动化, 2004, 28 (17) 1-10.

[3]王锡凡.电力系统优化规划[M].北京:水利电力出版社, 1990.

[4]Arroyo J R.Espinola.Different approaches to forecast interval time series:a comparison in financ[J].Computational Economics, 2011, 37 (2) :169-191.

[5]李钷, 李敏, 刘涤尘.基于改进回归法的电力负荷预测[J].电网技术, 2006, 30 (1) 99-104.

[6]Vapnik VN.The Nature of Statistical Learning Theory.2nd Edition.New York:Springer Verlag, 1999.

电力系统负荷预测技术 第2篇

ABSTRACT: An information system designed for power users is presented in order to strengthen the power information exchange between power grid and end users.Architectures and functionalities of this system were demonstrated first.Smart 效率，远距离的特高压直流输电工程规划已经公布。除了加强输电网络的建设之外，智能电网的建设还应重视电网末端配用电系统的智能化改造，建立用户与供电方的双向互动，鼓励用户主动参与到电网meter was regarded as the information exchange junction in the entire system and it was connected with other parts of the system by general packet radio service(GPRS)and serial communicating paths.Subsystems of grid side and user side were both designed in details.Zigbee wireless network technique was implemented to establish the user subsystem.Information of real-time pricing and load forecasting was applied to motivate users to participate the operation of the grid actively.Consequently energy resources will be optimized and finally goals of economical and high-efficient using of energy can be achieved.This information system also provides basic architecture for the interactive end-use electric system of future smart grid.KEY WORDS: electrcity usage information;real-time pricing;load forecasting;smart meter;GPRS;Zigbee 摘要：为了加强电网与用户之间的供用电信息交流，提出了一种电力用户信息系统。对该系统的架构进行了阐述，提出以智能电表为枢纽，利用通用分组无线业务(general packet radio service, GPRS)远程信道和串行通信本地信道连接系统各个部分，并具体设计了配网侧与用户侧子系统的结构。用户侧子系统的实现采用了Zigbee无线组网技术。利用实时电价及负荷预测等用电信息的互动来激励用户主动参与电网运行，最终使资源实现优化配置，达到经济高效地利用能源的目的，同时为未来智能电网下的居民互动用电系统提供基础设施支持。

关键词：用电信息;实时电价;负荷预测;智能电表;GPRS;Zigbee

0 引言

当前，我国正在大力推进坚强的智能电网建设。随着大规模的智能电表的安装和各种新型能源发电方式的接入，我国的智能电网发展进入了全面建设时期。在输电方面，为了给我国未来的电网提供坚强的支撑，保证电网的可靠性，同时提高节能的运行当中，既要使用户能够根据实时的用电信息合理调整自身用电习惯，还要支持用户侧分布式能源的友好接入以及可再生能源的大规模应用，从而进一步提高能源利用效率，降低温室气体排放，满足电力与自然环境、社会经济和谐发展的要求[1]。

由于智能电网的建设工作是一个逐步完成的过程，所以在电网智能化建设的起步阶段，需要对传统电网进行逐步升级改造，最终过渡到坚强智能电网的全面建成。本文针对当前电网配用电系统的特点和不足，应用相关通信与信息技术，讨论并设计了一种电力用户信息系统，加强传统电网的需求侧管理，并为未来实现智能电网下的居民互动用电系统提供技术支持和参考。

供电公司根据电力的供给和需求状况及其他相关影响因素制定实时价格，并且依靠科学的方法较精确地做出短期的负荷预测，最终将实时价格、负荷预测以及实时负荷水平向用户发布。用户接收到供电公司发布的用电信息后，可以此信息为依据来调整自己的用电行为，并将调整后的用电行为数据反馈至供电公司。通过这样的信息互动用电方式，供电公司可以更加准确地了解用户的需求，从而对电网资源及时进行优化配置，对实时电价和负荷预测进行再调整，如此循环，以达到优化电网资源，提高能源利用效率的目的。从发展的角度看，目前正在逐渐开展应用的分布式发电以及可再生能源的接入也需要电网与用户之间进行用电信息的协调和交流。欲实现上述类型的双向用电信息互动，需要在用户与供电方之间建立一个互动系统，作为连接二者的桥梁，改变以往用户被动用电的局面，使其能够主动参与到电力市场交易当中。用户信息系统综述

用户信息系统是基于智能电网与用户友好互动的特点上提出的，它是连接了供电方与广大用户的用电信息互动枢纽，在为用户提供更优质的服务的同时，通过信息的互动来激励电力市场主体主动参与电网管理和交易，使电网更加安全、经济地运行。信息系统的总体架构如图1所示。

互动信息电网侧主站系统远程信道GPRS智能电表本地信道串口通信用户侧智能用电控制系统 图1 用户信息系统的总体结构

Fig.1 Overall Architecture of user information system 在整个用户信息系统中，连接供电方与用户的关键环节是智能电表，它是双方交换电力信息的中枢。在智能电表上集成通信模块，即可实现中枢通信功能。选择不同的智能电表通信模块，则系统通信信道的实现方式会产生较大的差异。在现阶段，智能电表与电网侧的通信实现可采用光纤通信、电力线载波、无线电波和公用信道等技术。对于新建的配网线路，则可以考虑铺设光纤复合电力线，使通信信道集成于电力线路之中。而对于现有的线路，在考虑了数据流量、信道覆盖率、线路铺设和改造难易度等因素后，本文建议使用现阶段较为成熟的GPRS通信技术作为电网与智能电表之间的远程信道，即在智能电表上集成GPRS模块。使用现有的覆盖面极广的GPRS公用信道，可以节省重新铺设通信线路的投入，安全性与可靠性也可以得到保障。安装GPRS模块后，结合配套的软件设计和外围电路，智能电表通过GPRS通信技术与配网侧的互动信息主站相互传输数据[2]。用户侧方面，通过给智能电表添加外围数据通信芯片电路，如串口通信芯片，便可实现通信功能，使之与用户的智能用电控制系统互相通信。

电网侧设有互动信息主站系统[3]，其作用包括： 1）采集用户的用电数据，并且进行分类存储，为电价制定和负荷预测提供数据基础。

2）向用户发布实时电价、负荷预测及当前电网负荷状况，为用户调整其用电行为提供信息基础。

3）利用数据处理技术分析用户反馈的用电信息数据，根据分析结果修正电价及负荷预测，进行电网资源优化配置。

智能电表的用户侧连接的是用户智能用电控制系统。系统设有互动控制面板，用户可以通过控制面板获知当前电网执行的电价、当前电网与家用电器负荷状况、电网短期负荷预测和电价策略、用户电能消费量及预付电费余额等用电信息。控制面板会根据当前执行的电价表和用户的电器类型及功率，经过预设的智能化程序判断，为用户推荐一种或几种优化的用电方案，供用户选择。推荐的用电方案中包括电器使用时间、定时启停和预计电能消费金额等。用户可以使用推荐方案，也可以忽略推荐方案，按照自身需要决定用电计划。用户对电器的定时操作也会反馈至互动用电信息主站系统，可作为供电公司优化电网资源的依据。

另外，智能电表和用户智能用电控制系统在硬件和软件方面都留有额外的应用接口，为将来用户侧分布式发电、可再生能源和电动汽车充放电等新技术的大规模推广应用建立基础。互动信息主站系统

互动信息主站系统是供电公司设立在电网侧的用电数据分析处理中心与用电信息发布平台。它包括负荷预测子系统、电价策略子系统、用电信息采集数据库、信息发布站以及GPRS通信机等，具体架构如图2所示。主站系统还与电网运行状态监测系统相连接，将电网运行状态及记录与用电信息结合起来加以分析，有利于做出更准确的负荷预测和更合理的实时电价。电网运行信息负荷预测系统电价策略制定信息发布站信息采集数据库GPRS通信机远程信道

图2 信息主站系统架构

Fig.2 Architecture of main information system 2.1 远程通信信道

在前文中已经简单讨论了选用GPRS技术作为远程通信信道的原因。从技术角度看，GPRS是在现有的全球移动通信网络上开通的一种分组数据传输技术，它的特点是通信网络稳定可靠、覆盖面积广、数据传输速度快（实际可以达到40~100 kbit/s带宽）。由于系统数据不是严格的实时数据流，并不需要进行连续的海量数据传输，所以GPRS技术可以满足互动用电系统的数据传输需求[4]。从经济性角度来看，目前GPRS技术已经广泛地投入商用，资费比较低廉。使用移动通信公司的GPRS技术还可避免配网侧单独建立通信网带来的高成本以及维护问题。在实际设计系统时加入安全保密措施，从而使得系统的安全性得到保证。

在主站系统的最前端设置GPRS通信机，它与信息采集数据库和信息发布平台服务器相连接，充当用电互动信息的传递者，通过通信公司开设的电力专用信道发送与接受数据。2.2 信息采集与信息发布

由于通信机不具有大量存储数据的能力，面对海量的用户用电信息，需要有专门的数据库来存储这些信息。而需要发布的信息需要通过通信机传递到用户侧，所以信息采集数据库与信息发布站均与通信机相连接。

2.3 负荷预测与电价策略

信息采集数据库与信息发布站并不具备产生信息的能力，发布给用户的信息的产生是由负荷预测系统与电价制定系统完成的。负荷预测与电价制定两个系统不仅从信息采集数据库获取分析所需的数据，还可以从电网运行信息系统取得相关数据，并利用相应的技术方法做出负荷预测和制定电价，然后将得到的实时用电信息交给信息发布站，最终传输给用户。

传输给用户的信息数据包括当前电网负荷状况、即将执行的电价、短期的负荷预测以及用户的余额查询请求等。其中即将执行的电价和短期负荷预测数据并不是严格意义上的实时数据。考虑到用户对于过快的价格变化的响应疲惫问题，决定采用一个电价执行周期（24小时）发布一次电价的策略，每次将电价表按小时划分为24个时段，每个时段的电价根据系统分析计算结果的不同会体现出价格差异，但差异不会很大。为了保证用户获知电价的连贯性，下一周期的电价表应该在下一周期电价执行之前一段时间（如两小时）进行预发布，以便用户进行用电响应。短期负荷预测的结果也采取同样的方式发布至用户侧，目的在于激励用户根据预计负荷状况采取相应的节能用电措施。在这种电价发布方式下，用户可以提前得知下一周期执行的电价，从而有足够的时间进行响应。此外，采用这种方式大大降低了对于数据传输的实时性要求，在一定程度上提高了系统的可靠性。智能用电控制系统 与智能电表相连的电力用户智能用电控制系统是用户信息系统的重要组成部分，它可以将用户与电网运行紧密地联系起来，从而使用户能够主动地参与到电网的运行管理上来，提高能源使用效率。

对于用户而言，智能用电控制系统的功能包括：

1）显示当前电价周期（24小时）执行的电价表、当前时段正在执行的电价、当前电网负荷水平、下一电价周期的预计发布电价及负荷预测。考虑到用户对于电力术语可能不了解，负荷水平仅以定性的方式显示高低，如使用“低”、“正常”、“高”、“满”等易于理解的指示词或者颜色渐变的指示灯。用户可以根据面板显示的用电信息调整自身的用电计划，主动地避免用电高峰和填补用电低谷。

2）用户可以方便地使用智能用电系统控制用电设备，随时了解各种用电设备的电能消耗量。用电设备的实际平均功率也会在面板界面中显示。系统会根据当前执行的电价表、用电设备的类型和功率等因素为用户推荐优化的用电方案。3）用户还可以通过控制系统查询自己某一阶段（比如一个月）的电能使用情况，根据历史数据控制电能使用情况。系统还为用户提供预付电费余额查询、低余额提醒等功能。

4）控制系统还可以通过扩展应用实现将来对用户侧分布电源接入的支持，同时提供电能的反向记录与管理等功能。如果用户使用电动汽车，还可以增加电动汽车充放电管理服务以及相应的软件支持。3.1 控制系统网络架构

智能用电控制系统的核心部件是互动控制面板，它是连接智能电表与用电设备的中枢。智能电表通过串口通信的方式与控制面板连接。在用户住宅内部，为了避免大量布线造成的不便，控制面板与各用电设备的连接采用短距离的Zigbee无线组网技术实现，由控制面板作为网关主节点，加装了智能开关的各用电设备作为终端节点[5-6]。Zigbee技术具有低成本、低功耗、可靠等优点，工作在2.4GHz免执照的工业、科学和医学(industrial scientific and medical, ISM)频段，适合智能用电控制系统应用。系统网络架构如图3所示。

GPRS智能电表RS485Zigbee网络互动控制面板智能开关„智能开关„智能开关空调„洗衣机„饮水机 图3 智能用电控制系统网络结构

Fig.3 Architecture of intelligent electric control system

3.2 互动控制面板

互动控制面板是用户信息系统的一个核心部件，对内作为用电设备控制中心，对外通过智能电表与电网侧交换用电信息，是系统对用户展示功能的窗口。

3.2.1 互动控制面板的硬件设计

互动控制面板采用模块化设计，组成部分包括液晶显示模块、通信模块、电源模块、键盘输入模块、微控制器、外存储器等，其中通信模块包括与智能电表通信的串口模块以及组建Zigbee网络需要的无线通讯模块[7-9]。

由于互动控制面板既要完成与智能电表和智能开关的通信，还要处理用户的互动请求，任务比较繁重，所以选择采用ARM7TDMI-S内核的32位高性能微处理器PHILIPS LPC2138作为主控制器。无线通讯模块则采用TI公司的CC2420芯片，该模块通过串行外设接口(serial peripheral interface, SPI)接口与LPC2138芯片连接，主要负责节点网络的组建与维护，控制数据信息的收发以及消息的路由。由于系统是3.3V系统，所以需要RS485电平转换才可实现控制面板与智能电表的串行通信。LPC2138自带32KB的片内RAM和512KB的片内Flash存储，但是由于控制面板需要进行实时数据的传输和存储，所以还需要添加额外的外部RAM和Flash存储器。与LPC2138相连接的元件还包括电源、外部系统时钟源和复位器件以及负责输入输出的键盘、液晶显示屏、发光二极管指示灯等。此外，LPC2138还拥有富余的扩展接口，为以后的系统功能升级提供足够的接口资源，例如增加用户自有分布式电源等。面板的具体硬件连接如图4所示。

显示屏指示灯键盘电源ARM7TDMI-SSPICC2420时钟复位LPC2138电平转换RS485接口扩展RAMFlash 图4 互动控制面板的硬件配置

Fig.4 Hardware configuration of interactive control panel 3.2.2 互动控制面板的软件设计

控制面板的软件针对前面所述的系统功能设计，如电价和负荷的显示、用电方案推荐以及各用电设备的操作界面等。软件系统采用友好的图形化用户界面软件设计，使用户操作方便，阅读直观。实际应用时，经过开机初始化后，控制面板首先从智能电表更新下载电价表及负荷数据，然后将各无线节点组网，之后便可以进入等待用户操作的待机状态。3.3 智能开关

目前绝大部分家用电器还是非智能型的，需要在其电源处加装智能开关插件才能实现对其开关控制、状态监控以及电能消耗的测量。所以，智能开关应当包括无线通信模块、电能计量模块、开关模块、故障处理模块和电源模块等。

由于终端节点属于精简功能设备，比主节点的任务少得多，重点要求低功耗，因此选择TI公司生产的MSP430F149作为控制器，这是一种超低功耗的控制器，可以有很长的工作时间。MSP430F149自带的时钟模块、看门狗定时器、Flash存储器和RAM存储器已经可以满足智能开关的设计需求，无需添加外部的此类元件。无线通信模块CC2420与控制器MSP430F149相连后，作为终端分节点加入Zigbee网络参与组网。电能计量模块通过串口与MSP430F149相连，所得数据存储至Flash存储器，经过内置程序分析可得用电设备的实际平均功率等参数，并将所得参数反馈至控制面板以供用户查询以及智能用电推荐方案分析使用。开关与故障处理通过继电器的通断发挥作用，当收到开关指令或者发生短路故障时，由继电器执行相应的动作完成电路通断。智能开关的模块结构如图5所示。

电源MSP430F149CC2420电能计量开关故障处理 图5 智能开关的硬件配置

Fig.5 Hardware configuration of smart switch

无线传感器接收到来自控制面板的指令后，即对用电器电源进行开关或定时操作。智能开关上集成了电能计量模块，用户可以随时通过互动控制面板向用电器发送查询指令来获知用电器的电能消耗情况。如果用电器电源处发生故障，如最常见的短路故障，则报警模块会产生作用，自动跳闸并向控制面板反馈报警信息，使用户及时得知故障位置并处理故障。结语

用户是电能的消费者，用户的用电行为及习惯的理性改变对于提高能源利用效率起着决定性的作用。电力用户信息系统将用户与供电方紧密连接起来，使二者互相交流用电信息，激发用户参与电力市场的主动性，最终能使用户形成良好的用电习惯，提高能源利用效率，降低温室气体排放，保护环境。互动信息系统的应用不仅为用户提供更为方便与经济的用电方式，还能为电力公司带来更平稳的负荷，使得电网运行更为安全与经济。随着电力技术的不断发展，用户也可能会同时扮演供电者的角色，届时用户信息系统可以方便地实现升级拓展，以满足用户的需要。

参考文献

[1] 陈树勇, 宋书芳, 李兰欣, 等.智能电网技术综述[J].电网技术，2009, 33(8)：1-7.Chen Shuyong, Song Shufang, Li Lanxin, et al.Survey on smart

grid technology[J].Power System Technology, 2009, 33(8): 1-7(in Chinese).[2] 崔秀玉, 王志勇, 王成祥.GPRS技术在电力系统通信中的应用

[J].电力系统通信, 2004, 25(8)：3-7.Cui Xiuyu, Wang Zhiyong, Wang Chengxiang.The application of

GPRS technique in power system communication[J].Telecommunications for Electric Power System, 2004, 25(8):3-7(in Chinese).[3]

电力负荷预测方法探究 第3篇

关键词：电力系统；负荷预测方法；电力负荷

中图分类号：TM714 文献标识码：A 文章编号：1009-2374（2013）32-0114-02

1 电力负荷预测综述

负荷预测的前提是充分考虑关键系统参数、自然环境、社会政策和增容决策等条件，探索出一套能够科学处理过往数据、有效预测未来数据的数学算法，并保证预测结果只在小范围内波动，确定某些特殊时刻的负荷值。根据预测期限，负荷预测分为超短期预测、短期预测、中期预测和长期预测。

2 电力负荷预测方法综述

2.1 人工神经网络

人工神经网络属于高度非线性系统，它模仿人脑神经系统进行自主学习和问题处理。人工神经网络有很多神经元节点，它们具有并行运算功能，互相之间由相应权值连接以构成网络，借助激励函数，实现输入变量序列到输出变量序列之间的非线性映射。人工神经网络对非线性、非结构性、模糊性规律的适应性很强，具有良好的记忆功能、鲁棒性、映射精度以及完备的自学习能力，这也使得该技术成为近年来负荷预测领域的研究重点。有学者采用地柜人工神经网络系统预测某地区电力负荷短期情况，借助梯度下降算法，大大提高收敛速度，仿真结果表明，该方法收敛速度和运算结果相比传统方法有很大提升。但是，典型人工神经网络也存在学习参数设置不便、收敛缓慢、运算量大、网络结构模糊等弊端。有研究在相关论文中针对BP算法陷入局部极小的问题进行了讨论，并提出了相应的解决方案。另外，神经网络如能结合遗传算法增强全局搜索能力，加强局部寻优能力构成遗传神经网络，则能进一步加快运算速度，提高结果准确性。采用神经网络进行电力系统负荷预测时，网络输入变量的选择是一个关键点，为了优化变量甄选，有人提出使用模糊粗糙集理论先对信息进行预处理；以此算法结果作为BP网络的预设变量开展训练。该方法将历史时间序列、外部气象条件等各种因素都考虑在内，为寻找神经网络输入变量提供了一种新思路。同时，规避了因为输入变量规模过于庞大而引起的网络拓扑结构复杂、收敛速度慢等缺陷。相关的实验表明，该方法行之有效。

2.2 模糊预测法

该方法基于模糊理论，先行分析过往的工作经验、历史数据，以一种规则的形式呈现出来，并抽象出可在计算机上运行的机读代码，进而展开各种计算工作。模糊预测法能够很明确地描述专家意图，对电力系统中不规则现象进行描述，很适用于中长期电力负荷预测；但模糊预测法学习能力差，极易受到人工干扰。模糊理论应用于电力负荷预测时，有三种常见数学模型，即：指数平滑过渡法、线性回归法、聚类预测法，三种数学模型各有千秋，它们的预测精度都很高，相比传统算法测量误差也小得多。有研究表明，基于最佳聚类F选优法的改进型模糊聚类电力负荷预测算法，在计算年度用电量时，预测结果很准确。有部门基于该算法对增城地区2005年和2010年的年度用电量进行预测，结果与实际测量相差不大。神经网络与模糊逻辑算法组合使用，相比单一神经网络算法，充分利用了神经网络强大的学习功能，又洗去了模糊逻辑主观经验方面的劣势，考虑了温度变化和节假期对系统负荷的影响，能够提高负荷预测结果准确度，特别是对周末和节假期负荷预测很有效。也有学者通过RBF试图寻找负荷变化的一般规律，结合模糊理论计算负荷尖峰值和低估值，一定程度上解决了负荷影响因素不明确的问题。该方法充分利用了神经网络和模糊推理理论在处理不确定参数方面的独到之处，很好地改善了预测精度。

2.3 数据挖掘

顾名思义，数据挖掘就是从浩如烟海的数据中挖掘出隐含信息，并尽力将其表述为直观易懂的形式。在处理大数据、剔除冗余信息方面优势很大。决策树、神经网络、关联规则、聚类分析、统计学模糊集、粗糙集在各领域的数据挖掘工作中得到了重要应用。有人根据数据挖掘过程中时间序列的相似性原理，研究电力负荷预测方法，获得了很好的应用效果。基于最优区间划分和单调递减阈值函数聚类法，结合KOHONEN网绘制负荷变化曲线，修正死区数据。也有学者利用数据挖掘技术的结果作为向量机训练样本，减少了数据处理规模，提高了预测速度和运算精度。

2.4 专家系统

专家系统加入了人类探索自然过程中的知识经验，模拟人类思维决策过程，求解问题的过程类似于人类专家的思维模式。专家系统比模糊预测法优越的一点是，给出相当于专家水平的量化计算机语言，转化了人类难以量化的经验数据，透明性和交互性极佳，并能给出结论的对应缘由，方便工程人员检查推理过程是否存在错误，并及时更正。由于算法相对复杂，运行速度较慢，学习能力也一般，无法较好地处理模糊数据，对规则很依赖，普适性较差，不能推广到所有系统。有文献分析认为，专家系统可以准确预测中长期负荷，要考虑原始数据预处理、冲击负荷影响、负荷周期等因素，保证负荷预测精度，并尽量贴近生产实际需要。专家系统的模糊推理规则形式决定了规则数目，合理的推理规则能够简化运输，也为人工总结专家经验并优化规则提供了可能性，提高了算法速度。有学者在普通专家系统的基础上研发了基于案例推理的经验导向型专家系统，相关实验结果证明该方法获取知识较为简洁、记忆能力好、用户界面友好，在实用性方面优于规则专家系统和人工神经网络技术。也有工程人员结合径向基神经网络专家系统，并基于该模型开发出数学运算软件，在西北电网得到了应用，该方法比BP神经网络的预测精度更高、实用性更好。

2.5 支持向量机

SVW基于统计学理论，在有限样本前提下，提出满足VC维理论和结构风险最小化原则的机器学习规律，通用性好、全局最优、计算速度快。但要依赖经验确定初值和核心运算函数，受人为因素影响较大。而且，对模糊现象的描述能力一般，模型误差会导致收敛值与实际值相去甚远。蚁群优化算法能够对其进行优化，在短期负荷预测中效果甚佳。经过大量实践，最小二乘支持向量机回归算法，很适用于短期负荷预测，借助不同时刻的样本训练，以最优线性回归函数为算法依据，在尽可能减小负荷样本点漂移的基础上，又缩小了泛化误差上限，具有较好的前瞻性。还有人将模糊回归法植入支持向量机模型，不仅提升了预测精度，而且提供了更多运行信息。

3 结语

本文对常见的智能预测技术进行了全面分析。我们不难看出，单一负荷预测法很难满足实际要求，应该结合地区状况选择方法组合，唯有如此才能取得更好的电力预测效果，这也意味着组合预测将势必成为以后的研究热点。

参考文献

[1] 段玉波，曲薇薇，周群，张彦辉.应用递归人工神经网络预测电力短期负荷[J].佳木斯大学学报（自然科学版），2010，（3）.

[2] 陈灿，刘新东.一种新的电力系统短期负荷预测方法[J].软件导刊，2010，（7）.

区域电力负荷短期预测技术及其应用 第4篇

1 时间序列负荷预测技术建模的主要步骤

运用时间序列负荷预测技术进行电力负荷短期预测基本方法和步骤如下:

1.1 取定一个序列长度为N的样本

那么由此可知, 样本的序列值可以表示为y1、y2、y3、y N, 根据相关统计, 在负荷预测过程中, 负荷的历史资料其实就是数据所选取最好样本序列的容量N不能够低于50, 否则很难使预测的准确率能够在一定的范围内进行保持等。

1.2 序列平稳性的判定

进行序列的平稳性判定最好的办法就是直接从其直观上对其变换之后差分序列的分段进行详细地观察, 若各个均不相交时段的均值和方差没有明显的差异, 便可以判定其是平稳的, 反之则为不平稳, 也就是平常所说的非平稳。除了这种方法之外, 还可以采用统计的方法进行判定。统计的方法主要是对其变换之后的差分序列进行检验, 观察期相关函数是否按照一定指数迅速衰减直至到零, 如果其函数迅速衰减至零则充分说明其序列十分平稳, 反之则为不平稳, 也就是非平稳。

此外, 随着我国计划经济模式以及严格的社会管理体制的实行, 一定程度上, 使公民自然而然的形成一种自上而下社会管理方式和统一的行为模式。衣食住行、生老病死都指望政府管理, 等待党和政府通过大规模的运动方式来解决问题成为人的思维定式。也正因如此, 公民对党和政府产生了高度的依赖性。另外, 在区域电力负荷短期预测方面, 国家主要采用自上而下的模式, 也就是从中央到地方各级政府的主要模式进行相应区域电力负荷短期预测投资承担, 以及各种具体区域电力负荷短期的预测事务等。某种程度上讲, 这种模式不仅仅利于统一规划、全国一盘棋、集中力量干大事, 还促使其具有较强的整体性与计划性。但也因此缺乏由基层而来的推动力, 照此一来, 在区域电力负荷短期预测中个人以及团体的作用就不能得到充分的发挥。除此之外, 公民参与区域电力负荷短期预测的积极性也将受到严重的抑制。

自改革开放以来, 这一局面也发生了很大的变化, 不仅提出了建立社会主义市场经济体制的宏伟目标, 还将市场机制和原则引进社会经济生活当中去。随之, 伴随着社会主义市场经济体制的的不断完善与多种经济成分的出现, 为市场经济资源与环境等问题营造了良好的基础条件。显而易见, 区域电力负荷短期预测已经逐渐由原来单纯的政府行为转变成以利益的机制所驱动的市场、企业等行为, 实现公众积极参与区域电力负荷短期预测等。在此前提之下, 公民的自主性也得到了一定的扩展, 从而促使民间社会逐渐扩大。因此, 政府的职能也开始向社会分权进行转化。

2 区域电力负荷短期预测技术

长期以来, 人们对负荷预测作了大量的研究工作, 并针对当前问题提出不同的电力负荷预测方法。与此同时, 电力负荷预测方法仍旧处于不断发展和完善的重要阶段, 且任何的预测方法都不能够得出十分准确的结果, 一定程度上讲, 造成这种状况的原因不仅是方法问题, 同时无法进行估计的未来因素也是原因之一。此外, 分形理论还是近年来发展起来的新兴数学理论, 分形几何不但可以直接从未经简化与抽象复杂的非线性系统本身去认识其内在的规律性, 还从本质上与传统的线性近似处理方法具有一定的区别。

西方发达国家主要实施“政府控制为主, 市场手段为辅”的区域电力负荷短期预测的政策, 可以说这是一种由政府发挥主导作用, 并积极倡导、鼓励企业与公民积极参加的区域电力负荷短期预测管理制度。一定程度上, 不仅有效避免政府、市场以及公民各自行事和相对独立缺点, 反而促使它们之间“取对方之长, 补自身之短”, 使各自在推动经济、社会和环境全面可持续发展方面都能够充分发挥作用。结合我国实际, 区域电力负荷短期预测的机制应该是坚持“政府控制为主, 市场手段为辅, 公民积极参加”的综合化管理体系。此外还必须坚持“多元化”、“多样化”、“政群独立”以及“依法管理”等基本原则。所谓“政群分开”原则是指把政府机关和群众组织分开, 把群众运动和国家行为分开, 不能相互替代和混合。实行政群分开意味着国家政府机关对区域电力负荷短期预测组织实行积极支持、宏观调控的政策, 而不是包办代替的政策;所谓“依法管理”原则是指国家应该通过立法建立健全公民区域电力负荷短期预测管理机制, 政府机关应该依照法律的规定对区域电力负荷短期预测组织实施有效的管理, 使公民参与由自发性参与向制度性参与发展, 而不能依其职权任意干涉区域电力负荷短期预测组织的活动, 影响其独立决策。在这个体系中, 政府所起的作用和任务其实就是: (1) 充当环境的规划、政策、法规以及标准的制定者, 为企业、为民众提供参与区域电力负荷短期预测工作法律与道德的根本依据; (2) 政府充当企业、民众等所从事区域电力负荷短期预测工作的重要支持者, 在他们工作困难的时候, 提供必要的支持; (3) 政府充当电力负荷治理过程中的引导员、监督员以及服务员等角色。评价区域电力负荷短期预测状况市级以上人民政府电力主管部门可以会同有关主管部门对管理范围内电力负荷短期预测状况进行调查和评价, 定期向同级人民政府和上级有关部门报告情况。

3 区域电力负荷短期预测技术的应用

(1) 从2009年3月开始的样本数据当中采取2009年3月至2012年11月连云港地区电网月度最大负荷组成样本序列的主要原因有:时间序列负荷预测技术主要是按照先验的规律来进行实际问题概率统计技术的处理。一般在正常的状况下, 历史的数据资料越多越好。但从另一方面讲, 由于历史数据过多, 严重导致近期数据对预测产生的影响逐渐变小, 而远期、近期的数据对预测所产生的影响逐渐趋向与平均, 严重违背了预测的基本原则:重近轻远。由此可见, 在满足样本序列的容量N不低于50的前提下, 所选取历史数据个数最好不超过120。

由表1可以得到连云港地区电网月度最大负荷数据序列{yt}的数学模型公式为yt-0.5087yt-1-0.4628yt-20.8126=at+0.4012at-1

(2) 从连云港市实际情况来看, 尤其是连云港市行政区划调整经过国务院相关部门的批准, 全市经济与社会发展也逐渐步入快速轨道。所以, 无论是从相似性还是连续性的不同角度考虑, 选择的样本数据都是从2009年3月开始。运用模型预测连云港市2012年12月份地区电网最大负荷, 并与实际的值进行对比。

除上述情况之外, 时间序列负荷预测技术因变量是现在待测的电力负荷, 而自变量又是负荷自身的过去值, 因此, 通过对历史数据的分析, 其内在发展变化规律建立的数学模型, 是否与现有的负荷特性相符合以及对负荷预测精度产生的影响也十分严重。由此可见, 时间序列历史数据的优化选择相当重要, 选择样本序列不仅要严格按照现有的负荷特点, 同时还必须根据过去的实际状况和处理方法分析等内容进行综合化考虑, 从而促使时间序列历史数据优化达到最高。

摘要：电力系统负荷预测主要被应用在电力系统规划与制定发电计划当中, 其不仅能够有效地提高系统运行的经济性, 同时, 还能有效地提升它的可靠性。一定程度山讲, 准确可靠的负荷预测既能保证电力系统运行的安全性, 又能提高电力运行的经济性, 由此可见, 电力系统负荷预测具有十分重要的作用。本文综合了连云港市区域电力负荷短期预测进行探讨, 提出了进一步优化预测模型的思路。

关键词：电力负荷,短期预测,区域

参考文献

[1]贾正源, 牛晓东.电力负荷预测的遗传神经网络模型研究[J].运筹与管理, 2000.

[2]LippmanRP.AnIntroductiontoC o m p u t i n g w i t h N e r r a l N e t s[J].IEEEASSPMagazine, 2001 (4) .

[3]高隽.人工神经网络原理及仿真实例[M].机械工业出版社, 2012 (08) .

[4]梦新华, 欧阳伟.基于BP网络的负荷预测的实现[J].有色冶金设计与研究, 2009.

三种电力负荷预测模型的比较 第5篇

关键词：灰色模型；小波神经网络；随机森林模型

中图分类号：TM715 文献标识码：A 文章编号：1006-8937（2016）27-0053-02

电力系统数字仿真已成为电力系统规划设计、调度运行和试验研究的主要工具，大量研究结果表明，负荷特性对电力系统分析计算结果具有重要影响，不同的负荷模型对电力系统的仿真计算都有不同的结果。因此，准确的负荷预测，既可以保持电网运行的安全稳定性，又能够有效降低发电成本，提高社会效益和经济效益。

负荷预测的核心问题是预测方法的使用，现代科学技术在不断发展和进步，负荷预测建模技术相关理论研究不断深入，有关技术取得很大进步，对建模方法的探索，一直是国内外学者所关注的热点，本文基于用户用电量和电负荷量这两个主要指标，结合天气温度、季节、经济增长和人口变化等因素，利用灰色预测、小波神经网络模型、随机森林模型三种方法，较为合理的预测了用户未来的电量及电负荷量，取得了较好的预测效果。

1 灰色预测模型

3 随机森林模型

随机森林模型是一种组合分类器，它在基于统计学习理论基础上，将决策树算法与bootstrap重抽样方法相结合，首先构造一个集合，基于树型分类器，然后使用该集合通过投票进行分类与预测。

4 仿真预测

根据电网的数据，分别建立灰色GM（1，1）模型，小波神经网络模型和随机森林模型，并对所得结果进行检验。

针对模型1，首先我们通过分析处理了异常数据，再使用累加法生成了累加生成序列，然后建立GM（1.1）灰微分方程模型。最后运用MATLAB求出对应的白微分方程、进行残差检验、并求出预测值，所得结果如图1和图2所示。

针对模型2，首先整理数据，尤其是对神经网络中的输入，输出参数要进行统一的线性变换，这样就可以避免模型失败因为由于数据基准的不同，可能导致学习过程不收敛。再对处理后的数据进行规范化计算，取最小-最大的方法，对计算得到的数据进行标准化数据还原。然后编写MATLAB程序，对处理后的数据进行计算。考虑到主变1和主变2是影响和决定总表的因素，将其作为输入变量；总表是一个连续物理变量，时序性强，因此将其历史数据也作为输入变量。将t时刻主变1、主变2、和主表的前n个历史数据（t-n+1，t-n+2，…，t+1时刻总表数据）作为输入，输出分别为t时刻主变1、主变2和总表。将对总表的数据进行预测，然后再把主变1、主变2的预测结果对总表进行拟合。多次实验，得到当n=4时，结果误差最小。最后生成预测数据与实际数据的散点图，如图3所示。

针对模型3，采取步骤：

第一步：将记录所有数据，看作是一个节点；

第二步：寻找每个变量的各种分割方式，找出最好的分割点；

第三步：运用分割点将记录分割成两个子结点C1和C2；

第四步：对子结点C1和C2重复执行步骤Step2、Step3，直到满足特定条件为止。

将每个时间段看作是一个节点，每隔15分钟，划分一个空间。决策树的分割点就是各种因素，记录子节点C1和C2。重复执行直至结果在可接受误差之内。

5 模型优缺点比较

5.1 灰色预测模型

模型优点：不需要考虑数据的分布规律，变化趋势，同时运算比较方便，若用于短期预测，精度比较高，并且所需要的电力负荷数据少，对结果检验非常方便。

模型缺点：只适用于原始数据具有良好光滑性能的中长期预测，局限性体现在以下方面：①数据离散程度越大时，预测精度就越差；②不太适合对电力负荷进行中长期预测，特别是长期后推若干年的预测[3]。

5.2 小波神经网络模型

模型优点：小波神经网络可以避免MLP神经网络结构设计的盲目性；可以从根本上避免局部最优等非线性优化问题，因为学习目标函数的凸性，网络权系数的线性分布；

模型缺点： 随着网络的复杂度增加呈几何级数增长趋势，训练时所需的网络隐含层较多，而且时间和迭代次数较多。

5.3 随机森林模型

模型优点：对于很多种不同数据，可以处理数据量较大的变量输入，并且产生准确度高的分类器。在内部可以产生不偏差的估计对于一般化误差后，在建造森林时。对于数据的挖掘、侦测的偏离和资料视觉化等方面非常有用，在计算亲近度时。在决定类别时，评估变量的重要性。可被继续应用在使用非监督聚类的未标记的资料上。学习过程非常快速，同时在决定类别时，评估变量的重要性。

模型缺点： 在搜索中不进行回溯，所以它容易收敛到非全局的局部最优解；在学习中，由于分类器比较复杂，会过于适应噪声，可能会导致过拟合的问题[4]。

6 进一步的讨论

近十几年来，随着科技的发展，预测模型取得了深远的进步。不断涌现出新的模型，为提高预测模型的精准度，需要进一步使用组合预测。

组合预测有两种方法：①对于几种预测模型得到的预测结果，选取适当的权重进行加权平均运算；②在几种预测模型结果中进行比较，选取拟合优度最佳的预测模型作为最优方法进行预测。通过组合预测在大多数情况下，可以达到改善预测结果的目的。

参考文献：

[1] 梅正阳，韩志斌.数学建模教程[M].北京：科学出版社，2012.

[2] 陈哲，冯天瑾，陈刚.一种基BP算法学习的小波神经网络[J].青岛海洋大 学学报，2001，31（1）：122-128.

[3] 朱祥和.两种短期电力负荷预测模型的比较[J].黄冈师范学院学报， 2012，（3）.

电力系统负荷预测技术 第6篇

1 数据挖掘技术

1.1 数据挖掘技术含义

DM (数据挖掘) 指的是从数据中发现人类事先未知但具有重要价值与潜在性的知识与信息, 并利用技术手段将其表示为人类可理解模式的一个高级过程, 可从大量的、复杂的、不完全的数据中掌握已有信息, 还可发现未知的、隐藏的新信息, 便于人类理解、应用与储存。数据挖掘主要包括数据集成、数据清洗、数据选择与转换、数据挖掘、模式评估以及知识输出表达等多项内容, 共涵盖了数据仓库、数据库系统、数据可视化、机器学习、高性能计算以及信息检索等多个交叉领域。

数据挖掘技术是在机器学习基础上发展而来的, 但具有其自身优势, 主要包括: (1) 传统的机器学习是以提高机器学习能力为目的的技术, 但数据挖掘技术主要以呈现出可被人使用的、有价值的信息为目的, 更具实用性; (2) 传统的机器学习通常将较小数据源作为关注重点, 但数据挖掘技术是将巨大的数据库作为重点内容, 可有效处理维数高、残缺不全、有噪声的数据项。该技术可从多个角度出发, 对知识进行归纳学习, 将基本理论以及假设未能遇见的知识进行揭示。

1.2 数据挖掘具体功能分析

数据挖掘主要具有数据分类、数据估值、知识预测、相关性分组或关联规则、聚类以及可视化等内容。具体分析如下: (1) 数据分类, 就是将数据类别进行区分, 并选出训练集, 再利用分类技术于训练集上建立模型; (2) 数据估值, 估值与数据分类相似, 其不同点主要在于, 估值是处理连续值的输出; (3) 知识预测, 这是在分离与估值的前提下进行的, 根据数据分类或估值得到数据模型, 以便进行预测未知变量; (4) 相关性分组与关联规则, 这是在分析记录与数据之间的关联性基础上, 决定事情发生的可能性; (5) 聚类, 这主要是指对数据记录进行分组, 将相似记录划分在一个聚集中; (6) 可视化, 就是对数据进行归纳、总结, 利用图形等多种形式呈现出来。

1.3 工作流程

数据挖掘技术主要是通过数据准备、发掘以及解释评价等三个步骤进行工作, 数据准备主要是对数据进行筛选、变换以及预处理;数据发掘主要是以任务具体特点为依据建立数据模型;解释评价就是对数据模式进行评价、解释。

1.4 数据挖掘方法

利用数据挖掘技术主要可通过以下几种方法: (1) 机器学习方法, 这是最基础的方法, 其中包括归纳学习与范例学习两种方法; (2) 统计方法, 包括判别分析、回归分析、探索性分析以及聚类分析; (3) 数据库方法, 主要是利用在线分析或多维数据分析方法进行数据统计; (4) 神经网络方法。

2 数据挖掘技术在电力系统负荷预测中的应用分析

近年来, 数据挖掘技术的不断发展, 在电力系统中的应用也取得了良好的应用效果。数据挖掘技术在电力系统中的应用主要体现在负荷经济调度、动态安全评估、负荷预测以及故障处理上, 本文主要分析数据挖掘技术在电力系统负荷预测中的具体应用。

2.1 电力系统负荷预测

电力系统负荷主要是电力系统中全部用电设备消耗功率相加的总和;电力预测主要是在已知电力系统的社会、经济、气象基础上分析其历史数据, 探索期内在联系以及规律变化, 以便于评估与推测负荷发展。电力负荷预测作为电力系统调度、规划以及用电的重要依据, 提高其预测水平, 对电源管理、规划以及企业的经济效益、社会效益均具有重要意义。

2.2 数据挖掘技术在电力系统负荷预测中的具体应用

(1) 利群数据分析。对采集数据进行预处理是进行电力系统负荷预测的前提, 数据预处理主要是对不良数据或坏数据的校正与识别, 可通过自然数据补足或冲击数据剥离对不良数据进行校正, 或对坏数据进行修正。在电力系统负荷预测中实施离群数据挖掘, 可准确查找出异常数据, 并得出异常数据处可发生的设备故障, 为决策判断提供资料。

(2) 负荷模式判定。在不同的天气条件、运行条件下, 电力负荷会出现不同的负荷模式, 但是负荷周期与总趋势具有相似性, 如负荷曲线的波峰、波谷均具有一定规律性, 利用相似性数据挖掘找到相应的负荷状态, 在不同天气条件或运行条件下找到负荷相似性, 有利于建立不同的负荷模式。

(3) 电力系统负荷预测。现阶段, 主要是采用BP神经网络进行负荷预测, 神经网络变量输入主要有预测日的日期类型、历史数据、温度以及曲线特性因素, 这是决定未来负荷水平的重要因素。要提高网络计算速度与效率, 必须要选择合理的训练对象, 因此确定输入对象具有重要意义。利用数据挖掘技术可通过处理、分析输入变量, 来改善神经网络预测的性能与准确性, 提高工作效率。

结语

数据挖掘可对潜在知识与规律具有更好的预见性、准确性, 在电力系统大规模非线性管理中具有重要的应用价值。电力预测从本质上讲就是对电力市场需求进行预测, 为电源规划与建设提供依据, 做好电力系统负荷预测工作是电力企业实现现代化管理模式的重要内容, 因此, 应用数据挖掘技术可有效打破数据不完整性、有效性, 保证预测结果, 促进电力企业的稳定发展。

参考文献

[1]纪怀猛.电力系统中的数据挖掘技术[J].长春工业大学学报:自然科学版, 2014, 35 (02) :143-147.

电力系统负荷预测技术 第7篇

关键词：遗传算法,BP算法,神经网络,电力负荷预测

1 引言

电力负荷预测在实现现代电力系统的安全和经济运行中起着重要作用,是能量管理系统的重要组成部分。对电力系统的火电计划、水火电协调、机组经济组合和交换功率计划而言,短期电力负荷预测是非常重要和有用的基础工具,电力负荷预测方法有传统与现代之分,传统方法:最小二乘拟合法、回归分析法和时间序列法等,其中以时间序列法应用最为广泛,现代方法: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。

本文提出一种基于BP神经网络与遗传算法的智能预测模型。该模型综合考虑了天气、日类型等因素,并对应用广泛的BP网络存在的缺陷,如容易陷入局部极小点、收敛速度慢、迭代时间长等问题,通过引入遗传算法、归一化等方法进行优化,然后运用优化的遗传BP网络作为短期电力负荷的预测模型,然后通过MATLAB仿真实现,比较仿真预测结果,说明优化的遗传BP网络预测模型的精度、稳定性。

2 预测技术的智能算法

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。

2.1 灰色数学理论

灰色数学理论是把负荷序列看作一个真实的系统输出,它是众多影响因子的综合作用结果。这些众多因子的未知性和不确定性,成为系统的灰色特性。灰色系统理论把负荷序列通过生成变换,使其变化为有规律的生成数列再建模,用于负荷预测。

2.2 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。借助专家系统,负荷预测人员能识别预测日所属的类型,考虑天气因素对负荷预测的影响,按照一定的推理进行负荷预测。

2.3 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,因此有很大的应用市场,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。

2.4 模糊负荷预测

模糊控制是在所采用的控制方法上应用了模糊数学理论,使其进行确定性的工作,对一些无法构造数学模型的被控过程进行有效控制。模糊系统不管其是如何进行计算的,从输入输出的角度讲它是一个非线性函数。模糊系统对于任意一个非线性连续函数,就是找出一类隶属函数,一种推理规则,一个解模糊方法,使得设计出的模糊系统能够任意逼近这个非线性函数。

3 基于遗传BP网络的预测技术模型

3.1 遗传BP网络的理论

遗传算法模拟自然遗传学原理和生物进化理论形成的一种全局并行的随机搜索方法,其主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息,该算法鲁棒性强,且不易陷于局部最优。BP算法利用梯度下降法,使权值向它的误差函数负梯度方向进行调整,以实现最快减少误差。该算法是基于梯度这个局部信息来搜索的方法,局部微调性强,但容易陷于局部最优点。由于两种算法特点互补,在GA&BP混合算法中,利用GA并行搜索多个目标点,提高初始权值的鲁棒性,然后BP算法再将优秀个体进行局部微调。这样既可以避免GA的过早收敛(早熟),又可以克服BP陷入局部极小值,使混合算法既有较好的全局收敛性,又有较快的收敛速度,从而提高了学习算法的效率。

3.2 遗传BP网络结构

目前混合学习算法的结构类型多种结构,论文采用串行的GA&BP混合学习算法,其具体实现步骤见图1。

4 技术仿真应用

4.1 遗传BP网络设计

遗传BP网络的输入数据有7个,即预测日的平均温度,预测日前两天的日用电量与平均温度,及预测日前一周的日用电量与平均温度;以7-15-1型结构作为预测网络拓扑结构,输出层输出数据个数为1,即输出预测日的日用电量;隐含层节点数初定为2m+1=15,输入层与隐含层之间的激励函数为tansig(),隐含层与输出层之间的激励函数为tansig();采用实数编码,易求得染色体长度s=55;交叉概率取0.3、选择概率取0.8、变异概率0.05,初始种群个数N=30。

4.2 应用结果与分析

以2008年3月21日到2008年3月31日10组数据作为测试样本,输入以上训练好的网络,预测该10天的用电量;为证明GA&BP算法的优越,同时以相同的数据进行标准BP算法和加动量项法进行用电量预测,预测出的用电量、相对误差和均方差分别见图3~图6。

从表1可以看出,加动量项法的BPX算法和GA&BP算法的预测结果明显优于标准BP算法预测结果;从图3~图6中可以看出,BPX的训练速度比标准BP的快多了,但其全局择优能力较差,容易陷入局部最小化,而GA&BP算法不仅解决了这个问题,而且可以对样本数的要求也不高,并减少了隐含层的节点数,从而简化了网络结构。可见,用GA&BP算法预测结果比较令人满意。

5 总结

论文在分析、比较BP算法等几种智能预测算法对短期电力负荷进行预测,探讨了建立神经网络预报模型的基本方法,进一步对如何提高预报精度的问题进行了研究,并结合电力负荷预测实例检验了神经网络模型的可行性。检验结果表明,GA&BP算法能同时对解空间内的多点进行遗传选优,在找到优化点后,再由BP算法按负梯度方向进行修正网络权值及阈值,避免了BP算法陷入局部最小的缺陷,基于GA&BP算法的电力负荷预测技术,能够较好地识别电力负荷预测的演进规律,对用电量都能进行合理预报,为进行城市用短期电量预测提供了一种有效预测方法。

参考文献

[1]李萍.基于MATLAB的BP神经网络预测系统的设计[J].计算机应用与软件,2008,25(4):149-151.

[2]倪方云.采用改进BP神经网络算法预测短期电力负荷[J].供用电,2008,25(2):16-20.

[3]淘小虎,黄民翔.一种基于模糊规则和神经网络的负荷预测方法[J].电力系统及其自动化学报,2000,12(5):37-41.

[4]李林川,吕东,武文杰.一种简化的电力系统负荷线性组合预测法[J].电网技术,2002,26(10):10-13.

[5]梁海峰,涂光瑜,唐红卫.遗传神经网络在电力系统短期负荷预测中的应用[J].电网技术,2001,25(1):50-53.

[6]Hagan M T,Demuth H B,Beale M H.Neural network design[M].Beijing:China Machine Press,2002.

电力系统负荷预测研究 第8篇

随着社会经济的不断发展,人们生活水平得到了很大提高,但与此同时用电消耗也大大增加,从而使电力系统承受了巨大的压力。因此,电力企业必须采用科学合理的维护方法来预测市场用电负荷。

1 电力系统负荷的特点

根据性质的不同可以将电力系统负荷分为4大类:商业型负荷、工业型负荷、城市民用负荷以及农村负荷。这4种负荷由于类型各不相同,因此在负荷特点方面存在一定的差异,但这不能否认其共性的存在。总体来说,电力系统负荷具有2个鲜明的特点,其一是季节性波动,其二是变化特性。

1.1 季节性波动

城市民用负荷是电力系统负荷中的重要组成部分,其中城市居民负荷在城市民用负荷中占有主导地位,这是因为居民负荷所占比例较大,因此是城市民用负荷的决定性因素。居民日常生活离不开电,在日常工作和生活中都会消耗大量电能,因此导致用电负荷增长过快。城市居民负荷增长表现为多个方面,从目前情况来看,居民电力消耗大部分来源于家用电器,家用电器是用电负荷过高的主要原因,特别是近年来,随着我国经济的快速增长,家用电器造成用电负荷快速增长已成为一个发展趋势,并且这种趋势还将维持下去。城市居民负荷还会随着季节的变化而出现波动,这一点其实仍与家用电器有关。城市居民对于家用电器的依赖性非常强,夏季会使用家用电器降温,如空调和电扇等;冬季则会使用家用电器取暖,例如用取暖器保持屋内的温度。居民在使用家用电器的时候必然会消耗大量电能,这样一来便造成用电负荷增长过快,出现用电负荷的高峰期。由此可以看出,用电负荷随着季节变化出现波动源于居民对家电的使用频率,因此,用电负荷变化与人们的作息规律是息息相关的。在商业负荷中,大部分都是空调和照明产生的高负荷。这种负荷与城市居民负荷有着非常明显的差异,其覆盖面非常大,并且波动性很小。但是商业负荷也具有季节波动性,原因与城市居民负荷类似。

1.2 变化特性

变化特性主要从农业负荷中体现出来。农业负荷不会像居民用电和商业用电那样有高峰期,它不会突然导致用电负荷增长,但其也有着自身的不稳定性。这是因为天气情况和季节气候对于农业影响巨大,特别是在温度方面,随着温度变化农业用电会出现波动,这种波动幅度不会很大,而是一种持续性变化的过程。

在绝大多数用于负荷预测的神经网络中,小波基中含有伸缩因子和平移因子,通过调整其大小就可以改变小波窗口的大小、位置和形态,而这种调整在小波网络的训练过程中是自适应的。因此,短期负荷预测中,气象等不确定因素往往对负荷有重要影响,如难以合理确定网络结构、存在局部最优等,并且随着网络规模的增大这些缺陷会表现得越来越突出。为此,加强又对电力系统负荷预测的研究,是电力系统运行和调度部门的一项重要工作。

2 具体负荷预测方法

2.1 时间序列法

时间序列法是一种使用较为广泛的负荷预测方法,它在负荷预测法中比较常见,一般对短期负荷预测来说比较有效,是一种相对成熟的预测方法。时间序列法的原理并不复杂,它是利用时间顺序数据来预测未来发展的一种方法。这个数据是按照时间顺序排列的,也就是说它不仅可以反映出现在的信息,还可以将这种变化趋势延续到以后。随机过程中时间序列是非常平稳的,它的数据变化是有规律可循的,因此在电力系统负荷预测中利用时间序列法应遵循该原则。在观测序列的过程中,必然会存在着一种规律性,这种规律性在随机过程中无处不在,时间序列法就是要根据这种随机特性来建立一种序列模型,这个模型反映出了序列的随机过程,利用这个模型可以很好地预测电力负荷。时间序列法相对其他预测方法而言优势非常明显,它在预测过程中不需要用到很多历史数据,并且其工作程序并不复杂,甚至可以说非常简便,这对预测人员来说十分重要。因为这样可以减轻他们的工作强度,而且让预测工作更加顺利。除此之外,由于操作简单,时间序列法的计算速度非常快。但是时间序列法同样存在着一定的缺陷,它依赖于时间顺序中的数据,因此忽略了时间序列的规律性,虽然计算速度很快,但是精确度却不高,而且时间序列法只适用于短期预测,对于长期电力负荷预测来说并不适用。

2.2 回归分析法

回归分析法也是电力系统负荷预测中常见的方法,它不受时间限制,在预测原理方面与时间序列法存在很大的差异。回归分析法的原理就是对大量的历史数据进行分析和处理,这些历史数据实际上是过去的统计数据,在观察大量数据之后,可以利用统计方法来确认自变量和因变量之间的关系,并根据这个关系建立一个方程式,这个方程式就是回归方程,利用回归方程可以继续向外推算,从而预算未来的数据情况。同样,在电力系统负荷预测中采用回归分析法也是运用了这个原理。回归分析法就是对电力系统曾经的历史资料进行分析,并且充分掌握用电负荷的影响因素,然后根据所得的信息建立一个数学模型,在用电负荷预测中采用回归分析法,利用数据统计,根据观察模型反映出的数据变量情况来获取相关的信息,达到预测的目的。回归分析法同样存在一定的优点和缺点。优点同时间序列法相似,由于它们都是利用负荷反映的数据进行分析预测,因此预测速度都很快。但是不同之处在于回归分析法适合于短期和中期的预测,也就是说它在时间上的限制较小。另外,回归分析法还有一个明显的优点,它的预测精度比较高,这是时间序列法不具备的,因此,在一些专业的电力系统负荷预测中采用回归分析法比较合适。回归分析法也存在着不足之处,例如它对数据有着严格的要求,并且在数据统计上比较复杂。这是因为回归分析法就是建立在电力系统历史数据基础上的,因此它只能通过数据进行预测,而无法详细说明用电负荷的影响因素。

2.3 趋势外推法

用电负荷受气候、季节、温度的影响较大,因此它是无法确定的,变化和波动较大,再加上受意外事故等影响,因而其在变化趋势上具有一定的随机性。但这些并不能否定用电负荷的规律性,这是因为它受季节、气候等的影响,但是季节、气候有一定的规律性,因此用电负荷在变化趋势上也有一定的规律可循。例如,从季节上来看,用电负荷会随着季节的变化而变化,这种变化是周期性的,也就是说,随着季节的轮转,用电负荷会周期性循环。趋势外推法就是利用了用电负荷的这种周期性特点,因为一旦掌握了这种变化的趋势,预测人员就可以根据趋势的特点推断出未来的用电负荷。趋势外推法非常实用,但是受外界的干扰较大。

3 结语

总之,随着电力系统日益庞大,各个方面因素的影响使得负荷变化的不确定性增加,这也加大了负荷预测的难度。为此,电力系统的运行必须以用电负荷预测为前提条件,因为只有准确地预测用电负荷,才能合理地规划城市电网,节约成本,提高电力系统的经济效益。

参考文献

[1]胡杰.电力负荷预测常用方法的分析比较与应用[J].湖北电力,2008(2)

[2]王健.母线负荷预测系统的研究与实现[D].湖南大学,2009

电力大客户负荷用电负荷预测 第9篇

1 负荷预测的方法及特点

常见电荷预测方法有:单耗法、神经网络法、专家系统法、灰色模型法、时间序列法、回归分析法、弹性系数法、趋势外推法、优选组合预测法等[3]。

1.1 单耗法

单耗法利用产品量、用电单耗、产值计划等得出用电需求量。单耗法分为产值单耗法和产品单耗法。在采用单耗法之前, 必须确定合适的产值单耗和产品单耗。一般规律是产值单耗不断下降, 产品单耗不断上升。单耗法具有简单、短期负荷预测时效果好的优点。缺点是:调研工作量大, 且难以反映气候、政治、经济等因素的影响。

1.2 神经网络法

神经网络预测法具有自适应功能, 可对大量非确定性、非结构性规律进行智能化处理。相比中长期的负荷预测, 神经网络法更适合于短期的负荷预测。这是由于短期的负荷变化可以近似为平稳随机过程。而长期负荷预测模型容易因政治、经济等的变化而使其数学基础遭到破坏。神经网络法的优点是其具有自适应性, 能够实现自主学习、智能优化, 智能化处理这些信息。其缺点是不能基于已有的系统信息进行初始值的确定, 容易导致局部最优, 神经网络方法的自主学习过程需要的时间长, 难以应对突发事件[3]。

1.3 趋势外推法

趋势外推法:电力负荷以类似某种函数的变化趋势在相当长一段时间内变化时, 可以利用时间t作为自变量, 电力复合值作为因变量构造数学模型y=f (t) , 以反映电荷负荷值随时间的变化规律。但需要预测未来某一时刻的电力负荷值时, 只需设定时间变量为对应时间值即可。趋势外推法的使用必须满足以下两个条件。

(1) 负荷变化随时间的变化具有一定的规律性; (2) 在预测的时间段内负荷的决定因素基本不变。选择合理的趋势模型的选择是趋势外推法的关键, 选型的基本方法主要有差分法和图形识别法。趋势外推法具有数据采集方便、模型需要的数据量较少的优点。缺点是电力负荷出现突变时误差较大。

1.4 回归分析法

回归分析法主要是基于电力负荷的一些历史数据和资料而建立数学模型, 对所需计算的变量的一些历史数据进行统计分析, 以便预测未来电力负荷的变化趋势。

传统的回归模型主要为一元线性、多元线性、非线性回归等三种方法。回归分析法具有高预测精度, 在中、短期预测中适用的特点。其缺点则是所需的资料难以统计;难以测算出各供电区的负荷发展程度, 也就难以进行详细的规划电网建设。

1.5 时间序列法

时间序列法类似回归分析法需基于电力负荷的历史资料和数据对所需变量建立数学模型, 用来描述变量的一些统计规律性, 并进一步确立电力负荷预测的数学表达式, 以用来实现电力负荷变化的预测。时间序列法中不管是自变量还是因变量都可以看作为随机变量。时间序列法主要有自回归、滑动平均等方法。时间序列法的优点是:历史数据需要少、工作量较小。缺点是这种方法没能充分考虑电力负荷的变化, 只是对数据进行数据拟合, 其体现的数据变化规律只能代表短时间内的负荷变化水平, 因此只适用于短期负荷的预测[3]。

1.6 灰色预测法

灰色系统为一个过度系统, 介于白色系统和黑箱系统之间, 即系统中的信息部分已知、部分未知, 灰色预测法即是对系统中的部分未知、不确定信息进行预测的方法。灰色预测法基于灰色系统理论发展而来, 可基于十分有限的数据而总结出出某个时期内的变化规律, 从而建立相应的数学预测模型。灰色预测系统主要有普通灰色和最优化灰色两种模型。普通灰色值得是指数增长预测模型, 这种方法使用的前提是电力负荷严格按指数规律持续增长, 该方法具有所需数据少、高预测精度、计算简单等优点;其缺点是对于电力负荷波动性变化较大的情况的预测误差较大。而最优化灰色模型能够把具有波动性变化的原始数据转换为成指数增长的规律性较强的数据序列, 从而使得预测精度得到极大提高。

1.7 优选组合预测法

优选组合预测法有两种方式:以给定权重函数对多种预测方法得到的预测结果进行加权平均;比较几种预测方法, 预测模型即这几种预测方法中拟合度对佳、最小标准差的预测模型。但是这种组合预测方法只有在单一预测模型难以正确预测变量的变化规律时起作用。这种方法的优点是能够各方面因素进行全面考虑, 对多种预测模型的预测结果进行优选组合, 确保了预测结果的有效性。其缺点是单一预测方法难以确定得到的预测结果的权重系数;无法全面考虑所有影响电力负荷的因素而限制了该方法的预测精度。

2 负荷预测方法的选取

以上7种预测方法中, 人工神经网络法已经在相关应用中被证实适合应用于电力负荷的预测, 尤其在短期负荷预测中效果显著。灰色预测法主要通过累加来降低随机干扰的影响, 适合于电力负荷的总体变化趋势的预测, 大多应用于中、长期负荷预测。有效组合灰色预测法和神经网络法, 利用灰色预测法建立电力负荷整体增长趋势模型, 再利用人工神经网络的方法对电力负荷的波动部分进行数学建模, 从而实现电力负荷的最优组合预测[3]。该方法相关用电量的算例中表现出组合预测精度较单一的灰色预测方法或人工神经网络方法高。然而, 有关研究表明灰色预测方法目前存在若干理论缺陷, 会使预测结果误差大。而在组合灰色神经网络的方法中, 灰色预测方法和人工神经网络方法对于电力负荷的预测是各自独立进行的, 并不能消除灰色预测方法的缺陷。因此, 灰色预测方法和人工神经网络的这和还有待发展和改进, 让其能互相取长补短, 从而对电力负荷进行更好更精确的预测。

3 结语

电力负荷的预测尤其是电力大客户负荷对电力系统的运行和规划极其重要。很多不同因素对预测结果都会产生不同程度的影响, 预测中需要选择合适的预测方法从而合理的处理各因素的影响。

参考文献

[1]王唤明.大客户营销理念:客户价值重于市场份额[J].电器工业, 2004 (9) :27-30.

[2]基于供电企业大客户用电管理措施[J].企业与管理, 2013.

[3]姜绍俊.电力负荷特性分析与预测[M].北京:中国电力出版社, 2002 (1) .

电力系统负荷预测技术 第10篇

关键词：电力系统；负荷预测；序列预测方法

中图分类号：TM715 文献标识码：A 文章编号：1009-2374（2013）29-0117-02

负荷预测对于研究电力系统的运行发展状况起着十分重要的作用，是正确决策的根本保证。电力系统负荷预测指的是对已知的电力系统、社会、经济和气象等数据进行整定，经过进一步的分析和研究，从而探索出各个事物之间存在的内在联系以及相应的变化规律，对电力系统负荷数值做出正确的预测。负荷预测能够对电力系统中的规划、用电以及调度等部门起到关键性的作用，而国内外很多学者也对各种预测方法进行了不断研究。现今电力系统的预测领域变得更加广泛，出现了更多复杂的专业性理论，本文就针对这些问题进行了探讨，通过对年度负荷预测、月度负荷预测以及短期负荷预测等方面对电力系统负荷预测中的显著特点、使用方法以及各种问题的解决方案进行了研究。此外，本文还结合国内外电力系统负荷预测的经验和建议对符合预测进行了专业性的分析。

1 负荷预测的作用和要求

提高负荷预测的精准度是电力系统正常规划和运行的必然要求，对电力系统的各个部门都起着十分重要的作用。诸如电力企业制定的中长期负荷预测是电力系统实施燃料计划的前提，而短期负荷预测则是制定发电计划的基础，通过符合预测能够更加准确地分析电力系统的经济性，并且还能预测电力系统的潜在运行风险，其目的就是为了提高负荷预测的准确性，进而为电力系统的安全性与经济性提供可靠保障。

关于负荷预测的具体分类存在有很多种分法，按照预测期限的不同可以将其分为长期预测、中期预测以及短期预测，其相对应的方式为年度预测、月度预测等。从国外的一些负荷预测发展趋势可以得知，其长期预测研究比重远远高于短期预测。无论在哪一种期限类别负荷预测中，其内容通常包括负荷曲线以及电量的预测。

2 年度负荷预测

年度负荷预测会将年度用电需求指标中的用电量和电力运行情况作为预测内容，它是电力系统稳定发展的保障，对推动我国的电源、电网建设，促进国民经济增长以及人民生活质量有着非常重要的作用。通常用到的年度负荷预测方法有专家调查法、产值单耗法、弹性系数法、年最大负荷利用小时数等传统而简单实用的预测方法，此外还有一种实用性很强的预测方法—序列预测法，它同时也是月度预测和短期预测的基础。序列预测模型的抽象表达公式为：，X为m种相关因素组成的向量；t为时间序号；y表示待预测量；S表示预测模型的参数总量，如果不考虑其他因素的线性预测模型，其公式为。当想要获取相关数值时，可以在某一历史时段从电力系统以外的其他部门来获取，可以通过这一时段的对其参数总量S进行预测估计，经过预测后的公式可以表示为：，，因而在对其预测时段后得到的拟合残差平方和用公式表示为最小为目标，就是所说的最小二乘估计公式测量法。

在使用上述公式进行年度预测时，最好选用十年以内的历史数据，这样才能提高负荷预测的准确度，具有更高的参考价值。而如果仅仅依靠自身规律进行预测，由于其运行规律本身具有一定的单调性，这就使得预测数据可能出现一定的差误，将这种预测方法和灰色预测方法以及各种数学曲线回归分析模型法相结合能够在更大程度上提高预测的准确性。此外，在对电力系统进行预测时，可以适当引用传统的弹性系数法，从而对我国的国民经济发展进行更加准确地把握。从整体上而言，年度预测不适合人工神经网络（ANN）这种预测方法，因为年度预测拥有较少的数据序列值，而ANN需要较大数量的样本数值。

3 月度负荷预测

月度预测是以月作为预测手段来对电力系统运行负荷进行预测的，它预测内容包括有每月的用电需求指标，如月度电力和电量。月度预测是电力计划部门和用电营销部门的重要工作内容，通过科学合理的预测能够使电力系统更加优良地运行，从而减少投入运行成本，提高供电质量和可靠性。如果按照年度预测的基本思路以及时间序列法进行月度预测也能够提高准确值，然而由于数据本身存在多样性以及规律上的复杂性，使得月度预测有着一些不同的地方，应该根据特殊的物理量变化规律，构造出一种特殊的预测方法。在绘制月度测量图表时，可以以年份作为X轴、月份作为Y轴、月度物理量作为Z轴来作图，进而更加直观地看到每月的电量类数据以及相对应的发电量，还能看到负荷类数据。通过观察月度量的年度发展序列点可以体现出国家国民经济的发展水平，并呈现出一定的规律。然而，这种预测方法也存在着不足的地方，比如，不能在最大程度上利用最新数据值，如果目前是2013年1月，已经获得了从2006年5月至今的相关电量数据，如果对2013年进行预测，那么其所使用的原始数据只有前几年中的历史数据，而没有2012年10月到2013年1月的最新数据。此外，还可以利用周期性预测方法进行预测，这样可以利用最新的月度数据。在使用月度预测法时，最好使用5～10年以内的历史数据，有鉴于序列预测方法具有一定的单调性，因而可以结合灰色预测以及回归分析法进行预测，对待那些影响性特别大的数据，要采取特殊的处理方法。

4 短期负荷预测

短期负荷预测的主要用途是对未来几小时甚至是几天的电力运行负荷进行预测，能够对电力系统起到优化资源配置的作用，能够对现代电力市场的发展起到积极的意义。我国已经进行了多年的短期负荷预测研究，并且在预测理论方面作出了突出的贡献，通过对负荷预测精度的调整在极大程度上提高了发电设备的利用率以及电力调度的有效性。此外，由于受到诸多非线性因素的制约，促进了新技术新理论的不断研发，使得短期负荷预测呈现出了明显的周期性。短期负荷预测所呈现的规律特征和各种环境因素有着十分密切的联系，会受到气候因素、设备故障因素以及重大活动的制约。短期预测中最主要的方法是ANN法，其最主要的特征就是对非结构性、非精确性规律具有很强的适应性，进而突出知识推理和自主学习的特点，能够将非线性函数进行很好地拟合，对预测模型结构进行更加准确的预测。在使用短期负荷预测时，对非节假日的预测样本数据要以能够反映季节更迭的为主，可以利用ANN预测法对受气象因素影响严重的负荷变化进行预测，并建立适当的模型。

5 结语

随着电力市场研究条件的不断多样化以及相关理论研究的不断扩展，关于负荷预测本身的规律研究也要突出更多的电力系统特色，而不能仅仅强调数学方法的使用价值，因而电力负荷预测和所处的经济、社会、气象以及经济产量等因素有着十分密切的联系，因而要从电力系统预测的角度出发，注重负荷发展的潜在规律，采用多样化的统计、管理方法对负荷数值进行正确预测。

参考文献

[1] 肖燕.对中长期负荷预测方法的综述[J].经营管理

者，2010，（23）.

[2] 陈国栋，姚建刚，钱卫华，龙立波.基于误差预测修

正的负荷预测研究[J].现代电力，2009，（3）.

[3] 陈景阳，白永峰.电力系统短期负荷预测的静态分析

[J].青海电力，2008，（4）.

电力系统负荷预测方法综述 第11篇

1 负荷预测的概念

电网、供电区域或发电厂在某个时刻所承担的用户功率消耗之和称为负荷。按照负荷在电力系统中所处的位置又可将负荷分为发电负荷、供电负荷和用电负荷;对于负荷检测部分来说, 负荷在时间上可分为年、月、日、时、分负荷。

2 负荷预测的作用和现状

从电力系统发展到现在, 负荷预测的地位也经历了从轻到重的变化。在1970年至1996年这近30年的缺电时间内, 由于当时的技术缺陷以及对于控制用电的力度等客观存在的原因, 负荷预测的准确度并不高。而在1997年之后, 我国的电力市场上供求关系发生了极大的变化, 局部地区出现了供电的负增长等, 而有的地区的用电却仍处于十分低迷的状态, 因而在当下, 我国对于负荷预测的高精度有了迫切的需要。

3 负荷预测的常用方法

3.1 单耗法

单耗法可分为“产品单耗法”和“产值单耗法”, 一般在电力系统的负荷预测中采用的是“产品单耗法”。具体来说, 产品单耗法指的是单位产品电耗法, 通过产量和平均单位产品耗电量可以计算该产品的总电力需求量。由此得到总电力需求量的计算公式为:

式中A代表总电力需求量;b为产品需求量;q为产品单位的耗电量。

从单耗法的计算思路可以看出, 由于短期内产品耗能和产量等是可以通过现有的迹象判断分析得出的, 但是在实际操作中, 每个产品的耗电量很难都有非常精确的结果, 因此存在一定的局限性, 且工作量也很大。

3.2 弹性系数法

国民经济平均增长率和区域总用电量的平均年增长率比值称为电力弹性系数, 计算方法如下:

其中, k表示电力弹性系数, GV表示国民经济平均年增长率, VA表示总用电量的平均年用电增长率, oA表示规划初期的总电力需求量, hA表示规划末期的总电力需求量。

根据当前社会的变化规律, 电力弹性系数在一般情况下大于1。但是并不能简单的确定电力弹性系数k的具体值, 因而尽管弹性系数法方法简单、计算方便, 但也存在工作量和结果精确度的问题。

3.3 回归分析法

对历史负荷进行整理, 可以发现负荷的变化规律以及引起负荷改变的原因, 从而确定出回归分析模型中的因变量、自变量和回归方程。

数学模型的一般表达式为:

回归分析法是通过纯数学理论和建模的思想而确立的, 预测速度快且过程简单, 具有平滑的外推性能, 对负荷有很强的拟合能力, 各参数的估计方法成熟, 能够综合考虑各个影响因素, 适合预测中期负荷。回归分析法的缺点是当变化趋势和分布律的稳定性要求过高或者数据样本不足时, 无法确定回归方程, 并且难以详细的描述负荷的各影响因素, 精度也变得不能满足要求。

4 电力系统负荷预测技术的新发展

4.1 人工神经预测技术

解决时间序列预测问题 (尤其是平稳随机过程的预测) 多用A N N (人工神经元网络) , 因此在预测电力系统负荷时也可以用ANN。负荷预测是A N N在电力系统应用中最为合适的一个领域, 也是目前为止研究的较多的一个课题, 已经在现阶段取得了明显的成果。研究表明, 与其他方法相比, ANN的预测结果更精确, 具有良好的发展前景。但是因为技术不成熟, 还有一些问题存在。如, 把针对一个系统设计的ANN直接的应用在另一个系统上时, 原来性能良好的A N N预测的准确性会明显减低。所以对于不同的系统, 需要根据气象和负荷变化规律选取不同的A N N结构和模型、不同的数据处理方法和不同的特征参数。总而言之, 需要做到具体系统具体分析。

4.2 小波分析预测技术

小波分析是一种时域—频域分析法, 对于不同频段的成分可以进行逐步精细和较小步长的采样, 甚至可以聚焦到一个信号的任意细节点上, 且对奇异信号非常敏感, 具有很强的处理突变或微弱信号的能力。具体的说, 小波分析法就是把一个信号的信息转化成小波系数, 从而可以更方便的进行分析、处理、传递、储存或重建原始信号。由于上述特点, 小波分析法被广泛的应用在预测负荷等问题上。

通过对主要负荷的特征进行提取, 小波分析法可以对将来的负荷进行预测。并且除了考虑运行频率、次序时间、负荷出现的时段等常规特征, 还需要考虑负荷产生的无功功率因素等其他特征, 从而利用小波分析法来识别和细分不同的负荷, 这也是小波分析法进一步需要研究的方向。

5 结语

负荷预测是电力系统安全可靠经济运行规划的基础与前提, 负荷预测的精确与否很大程度上影响着电网的稳定运行。现有的负荷预测方法尽管已经非常多元化, 但是每个方法都有缺点和优点。负荷预测的未来工作包括:提高预测模型参数估计的精确度、挖掘负荷变化的规律、加强对负荷历史数据的处理、把多种预测方法相结合、探索新的模型等。

摘要：负荷预测对电力系统的调度运行和生产计划有着前瞻性的作用, 准确的负荷预测在当前的电网运行中扮演越来越重要的角色。负荷预测在电力系统中指的是在充分考虑一些重要的自然条件、社会影响、增容决策、系统运行特性等情况下, 利用数学方法对过去或者未来的负荷进行处理, 在满足一定精度的情况下, 可以预测出某一特定时刻的负荷值。该文给出了电力系统负荷预测的概念, 并论述了其意义, 对现有的负荷预测方法进行了分类与原理性的介绍, 并对未来的发展方向做出了展望。

关键词：电力系统,负荷预测,新发展

参考文献

[1]张国江, 邱家驹, 李继红.基于模糊推理系统的多因素电力负荷预测[J].电力系统自动化, 2002 (26) :5.

[2]牛东晓, 邢棉, 谢宏, 等.短期电力负荷预测的小波神经元网络模型的研究[J].电网技术, 1999 (23) :4.