电力系统负荷预测综述

电力系统负荷预测综述（精选11篇）

电力系统负荷预测综述 第1篇

关键词：电力系统,负荷预测,预测模型

0 引 言

电力系统是由发电厂、输电线路、配电系统及负荷组成的复杂系统。电力系统的经济运行是在满足安全和一定质量要求的条件下尽可能提供运行的经济性,即合理地利用现有的能源和设备,以最少的燃料消耗量(或燃料费用、运行成本)保证对用户可靠而满意地供电。负荷预测作为能量管理系统(EMS))电力市场运行管理的重要组成部分,其预测结果同电力系统的安全、经济运行密切相关[1,2]。

电力负荷预测是指定发电计划和电力系统发展规划的基础。负荷预测根据用于不同目标一般可分为超短期、短期、中期和长期预测[3]。超短期负荷预测指未来一小时内的负荷预测,主要用于电能质量控制、安全监视、预防和紧急控制等;短期负荷预测指未来一天到一周的负荷预测,主要用于机组优化组合、经济潮流控制、水火电协调等;中期负荷预测指提前几个月到一年实施的负荷预测,主要用于水库调度、燃料计划及机组维修等;长期负荷预测指提前若干年实施的负荷预测,主要是对电网的改建、系统的远景规划、新电厂的投建等。

近年来负荷预测的手段已由人工预测方式逐步被计算机预测方式所代替。这使得大量负荷预测方法和预测模型的采用成为可能,为提高负荷预测精度创造了有利条件。负荷预测的核心问题是如何利用现有的历史数据(历史负荷数据和气象数据等),采用适当的预测方法对未来时刻或时间段内的负荷值和电量值进行估计。进行负荷预测要具备两方面的条件:一是历史数据信息的可靠性;二是预测方法的有效性。由于现在电力系统管理信息系统的逐步建立以及气象部门气象预测水平的提高,各种历史数据的获取已不再困难,因此负荷预测的核心问题是预测方法的预测能力水平高低。

1 传统的负荷预测方法

电力负荷的一大特点是其明显受到各种环境因素的影响,如季节更替、天气因素突然变化、设备事故和检修、重大社会活动等,这使得负荷时间序列的变化出现非平稳的随机过程。传统负荷预测方法对于这些因素的处理通常显得不够有效,传统理论和方法主要包括以下几种:

1)趋势外推法[1]:

趋势外推法是根据负荷的变化趋势对未来负荷情况进行预测。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,例如农业用电,在气候条件变化较小的冬季,日用电量相对稳定,表现为较平稳的变化趋势。这种变化趋势可为线性或非线性,周期性或非周期性等等。选择合适的趋势模型是应用趋势外推法的重要环节,图形识别法和差分法是选择趋势模型的两种基本方法。

2)时间序列法[3,4]:

时间序列法把负荷数据看作是一个按季节、按周、按天以及按小时周期性变化的时间序列并将实际负荷和预测负荷之间的差值看作一个平稳的随机过程进行分析和处理。时间序列法又分为确定型时序法和随机型时序法,前者包括时间序列平滑法、时间序列分解法和谱展开法等;后者包括马尔可夫法、Box-Jerkins法(又称ARMA模型法)和状态空间法等。

3)回归分析法[5,6]:

回归分析法是根据负荷过去的历史资料,建立可进行数学分析的数学模型,对未来

的负荷进行预测。其特点是将预测目标的因素作为自变量,将预测目标作为因变量,具有较强的内插能力。回归分析法属于相关法预测,它通过建立某些解释变量与负荷之间的因果关系(用函数表达)而获得负荷预测。由于影响负荷因素的多样性、突发性和随机性,造成传统的负荷预测误差大,在扰动情况下不具备鲁棒性,对节假日等特殊负荷模型的预测效果差,无法满足实用化的精度要求。

4)灰色模型法[7,8]:

灰色系统理论是研究解决灰色系统分析、建模、预测、决策和控制的理论,近年来,它已在气象、农业等领域得到广泛应用。从电力系统的实际情况可知,影响电力负荷的诸多因素中,一些因素是确定的,而另一些因素则是不确定的,故可以把它看作是一个灰色系统。灰色系统具有计算简洁、精度高、实用性好的优点,它在电力负荷预测中已有很多成功的应用。该方法适用于短、中、长三个时期的负荷预测。在建模时不需要计算统计特征量,可以使用于任何非线性变化的负荷指标预测。但其不足之处是其微分方程指数解比较适合于具有指数增长趋势的负荷指标。对于具有其它趋势的指标则有时拟和灰度较大,精度难以提高。

2 人工智能的负荷预测方法

近年来,一些基于新兴的人工智能学科理论的现代预测方法逐渐得到了成功应用。这其中主要有神经网络理论、专家系统、模糊理论预测法等。

2.1 人工神经网络[9,10]

人工神经网络是一门涉及生物、电子、计算机、数学和物理等学科的交叉学科,它从模仿人脑智能的角度出发,来探寻新的信息表示、存储和处理的方式,设计全新的计算处理结构模型,构造一种更接近人类智能的信息处理系统来解决传统计算机难以解决的问题,它必将大大促进科学的进步,并具有非常广泛的应用前景。神经网络具有很强的自主学习、知识推理和优化计算的特点,以及非线性函数拟合能力,很适合于电力负荷预测问题,它是在国际上得到认可的实用预测方法之一。用于负荷预测的人工神经元网络有BP网络、RBF网络、Hopfield网络、Kohonen自组织特征映射等,以及将小波理论结合得到小波神经网络。

2.2 专家系统预测法[11,12]

专家系统是将专家在实际工作中对事物获得的感性认识进行提取,建立知识库,并在系统的实际运行过程中对知识库不断进行更新和维护,以跟随事物的变化轨迹,达到模拟专家的目的。它具有像人类专家一样大量的专门知识,它能够根据具体情况灵活运用这些知识,并根据不确定和不完整的证据得到较好的结论。专家系统用于短期电力负荷基本上达到了令人满意的效果,但把专家知识转换为一系列的数学规则是较难实现。专家系统分析本身就是个耗时的过程,并且某此复杂的因素(如天气因素)即使知道其对负荷的影响,但要准确定量地确定其影响十分困难。

2.3 模糊神经网络法[13]

模糊逻辑和模糊推理是专门用来推导不确定性问题的理论。模糊推理系统用一组模糊if-then规则来表示系统输入输出之间的非线性映射关系,通过对输入输出空间的划分,模糊推理系统可以逼近任意复杂的非线性关系。其规则含义较为清晰直观,规则结构适合描述不同种类变量之间的复杂关系。基于模糊理论的模糊神经网络结合了模糊逻辑和神经网络的优点,补偿各自的不足,有效的定义了模糊理论中的语言变量和规则库,并充分利用了神经网络的自学习能力。

3 时频分析的负荷预测方法

针对电力系统本身具有的负荷以天、周、年为单位发生周期性波动的特点,可以将负荷按变化的频率进行分类,从而在频域中讨论负荷预测方法。

3.1 傅里叶分析法[14]

傅里叶分析是最常用的频谱分析方法,具有快速可靠的分析特性。采用快速傅立叶变换进行负荷数据的预处理,可以利用滤波算法及单位时间负荷曲线的频谱分析对数据进行分析,得出被研究系统负荷的周期特性,继而提取反映被预测系统负荷真实特性的信息。

3.2 小波分析法[15]

小波分析吸取了现代数学中诸如泛函分析、数值分析、傅里叶分析、样条分析、调和分析等众多分支的精华。它在时域、频域同时具有良好的局部化性质。小波变换能将由各种不同频率交织在一起的混合信号分解成不同频带上的块信号。通过对含有周期特性的负荷序列进行小波变换,可以将各子序列分别投影到不同的尺度上,子序列分别代表了原负荷序列中不同“频域”的分量,因而各子序列的周期性更加明显,使用周期自回归模型有选择的对分解序列进行预测,最后对各分量预测信号进行重构得到最终预测结果。

4 动态过程描述的负荷预测方法

4.1 混沌理论[16]

混沌理论是非线性科学的重要组成部分,是确定的非线性动力学系统中出现的随机现象,是不含外加随机因素的完全确定的内在随机行为,产生这一随机现象的本质是系统内部的非线性作用机制,但并非任何非线性系统都会产生混沌。由于非线性电力负荷系统具有混沌特性,便可以将混沌时间序列对负荷进行描述,即对负荷时间序列进行相空间重构,最终在重构相空间中进行预测,预测方法可以选择神经网络法,或卡尔曼滤波法。

4.2 卡尔曼滤波算法[17]

卡尔曼滤波算法(KF)提供了一种高效可计算的方法来估计过程的状态,并得到均方误差最小意义上的最优估计。在负荷预测中把负荷作为状态变量,用卡尔曼滤波算法进行预测。卡尔曼滤波算法是递推进行的,它适用于在线预测。对于负荷预测,精度是关键。预测方法中必须尽可能应用数据的统计信息,并缩短预测时间。应用极大似然估计的卡尔曼滤波方法进行超短期负荷预测,使得参数辨识、偏差处理和负荷预测统一于卡尔曼滤波过程中,可以提高预测精度,并缩短预测处理时间。卡尔曼滤波算法所建的负荷模型是线性的,且过于简单,要用于复杂系统的负荷预测,可以使用扩展卡尔曼滤波算法(EKF)或Sigma-point Kalman滤波(SPKF)[18]。SPKF是一种新的将KF算法应用与非线性系统的方法,相比传统的EKF方法使用泰勒级数将非线性系统离散线性化的做法,SPKF可以将非线性系统对象黑箱方式处理,且其计算量更小,更容易实现。SPKF又根据对非线性系统处理方式的不同分为Unscented Kalman滤波(UKF)和Central Difference Kalman滤波(CDKF)[19]。

5 结束语

无论是传统的负荷预测方法或是先进的智能预测方法,都有缺点和不足之处,所以结合各种预测模型优点的组合方法将会得到越来越多的关注。例如,可以把模糊理论和神经网络结合起来,利用模糊理论的模糊数据处理能力和神经网络的强大的非线性映射能力来进行负荷预测。也可以将灰色预测技术与神经网络方法相结合,综合灰色预测所需原始数据少、方法简单,而神经网络具有非线性的拟合能力的特点,来提高预测精度。今后的负荷预测研究应该在做好多种方法融合的基础上,进一步寻求新的理论和手段。

电力系统负荷预测综述 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）.

电力系统负荷预测方法综述 第4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.

电力负荷预测技术发展趋势研究 第5篇

关键词：负荷预测 趋势 研究

中图分类号：TM715文献标识码：A文章编号：1674-098X（2014）01（c）-0043-01

电力负荷预测是供电部门重要的经常性工作，负荷预测的结果对于新的发电机组未来扩展及安装，对未来机组装机容量大小的决定，时间地点的选择，以及对未来电网容量的改扩建都有重要的意义，电力负荷预测的工作水平已成为电力企业管理现代化的重要标志之一。

负荷预测的核心问题是预测的技术方法，随着电力企业管理水平的不断推进和科技水平的迅速发展，预测理论和预测方法也不断得到发展，先后出现了负荷预测经验技术和经典技术、趋势外推技术、回归模型预测技术、灰色预测技术等方法的实施运用，可以说负荷预测技术的发展在不断完善，实现并成熟运用智能化、精细化的负荷预测技术是当前和今后电力负荷预测技术发展的趋势和方向。

1 基于专家系统的负荷预测技术

专家系统技术在人工智能领域中占有重要地位，一个完整的专家系统包括知识库、推理机、知识获取和解释界面四部分，并基于知识程序建立起主要表现为软件的计算机系統，拥有某特殊领域专家的经验和知识，通过知识进行推理最终作出智能决策。

在长期负荷预测知识的前提下，专家系统可通过编辑“如果…，那么…（IF…，THEN…）”语句结构块组成知识库。可以建立电力发展规划参照知识库、弹性系数知识库、惯性知识库、综合指标知识库、行业用电比重知识库、用电水平判别知识库以及基于数学模型预测精度等级知识库等。

在专家系统技术方法实现过程中，通常将数据库系统和专家系统结合起来，也就是把数值计算与知识的描述结合在一起。比如，选取Foxpro数据库，首先进行在VB环境下的处理各种预测模型的数值运算，其次实现Foxpro与VB的数据交换，并把VB软件的数值运算结果Foxpro建立数据库，最后利用专家系统工具与Foxpro的数据交换与用户进行交流，对预测模型进行评估输出最优结果。[1]

基于专家系统的负荷预测技术具有快速决断的优点，并克服了单一算法的片面性是的该方法具有较广泛的应用前景。

2 基于神经网络的负荷预测技术

在电力负荷预测中应用神经网络，就是模仿人脑的智能化处理特点，对大量非结构和非精确性规律具有自学习、自适应、记忆、知识推理、优化计算等，因此应用人工神经网络进行电力负荷预测是具有潜力和先进的研究方法。一般来说，一个多层的神经网络分为三层：输入层、输出层和中间层。以BP神经网络为例，它就是利用训练样本实现从输入到输出的映射，在所选的网络拓扑结构下，通过学习算法调整各神经元的阈值和连接权值，使误差最小。

在电力负荷预测中，短期负荷变化可近似认为是一个平稳的随机过程，而神经网络是较为适合解决平稳随机过程的，因此神经网络主要应用于电力负荷预测的短期负荷预测。研究表明，运用人工神经网络方法的预测结果比其他方法具有更准确的优势，因而具有更加实用的前景。

3 基于小波分析的负荷预测技术

小波分析被称为“数学显微镜”，是一种时域—频域的分析方法，在图像处理、模式识别、故障诊断、状态监视、雷达探测等领域中得到应用，它可以聚焦到信号的任意细节，尤其是擅长对奇异信号、微弱信号和突变信号的处理，其目标是将一个信号转化为小波系数，从而方便地处理、分析、传递和存储或者用于重建原始信号，这些可以提现小波分析可作为电力负荷预测的有效途径。[2]

电力系统中负荷曲线具有特殊的周期性，将符合序列通过小波变换可分别投影到不同的尺度上，尺度上的序列分别代表了一定的“频域”分量，较为清晰地表现了负荷序列的周期性。在此基础上对不同的子负荷序列进行预测。虽然电力系统中负荷以日、周、月、年为周期发生波动，但通过小波变换后的序列重组得到较完整地小时负荷预测结果，实现对短期负荷的良好预测。

4 模型群优选组合的负荷预测技术

一般来讲，优选组合有两种基本涵义，一是把用不同预测方法得到的结果进行加权平均来预测；二是将几种不同的预测方法进行选择，选取拟合度最佳和偏差最小的作为最优模型来预测。优选组合预测方法有许多，其中模型群方法在应用时可避免漏掉最优预测模型，同时具有良好的自适应性，提高了预测的准确性和效果，这种方法就是选择n个预测模型和相对应的n个预测结果，通过判别标准偏差、拟合程度、关联度和误差等指标来比较n个模型的好坏，最后从中选择一个最优的模型进行负荷预测。这种方法体现了集多种预测模型的信息于一体，可达到改善预测效果的目的。

5 结语

综上所述，随着电力系统智能化程度的不断提高，电力负荷预测技术的研究也在不断深化，新的预测方法不断出现，从以前的经典方法到现在的智能化、最优化方法，为电力负荷预测提供了有力的工具，本文所提到的负荷预测方法是当前乃至今后的负荷预测发展和应用趋势，在研究和实践中取得了较好的效果。

参考文献

[1]牛东晓.电力负荷预测技术及其应用[M].中国电力出版社，2009.

电力系统负荷预测综述 第6篇

关键词：电力系统,负荷预测,研究,发展

1 概述

电力系统负荷预测是电力管理部门进行调度、规划、用电等工作的重要内容之一。不断改善与提高电力系统负荷预测的技术水平, 对于计划性用电的管理、电网运行的合理安排、机组检修的计划性、节约能源与降低成本、电源建设计划的合理制定、电力系统经济与社会效益的提高都具有十分重要的意义。电力系统的负荷预测指的主要是根据精确的统计数据与调查材料, 把用电量作为出发点, 采取科学的方法对未来的电力负荷的发展状况与发展规律进行预测的一门科学。电力系统负荷预测的重要性在电力系统的正常运行、准确控制及设计与研究中都有所体现, 而我国当前的电力市场状况对于电力系统的负荷预测则提出了更为严格的要求。

2 负荷预测的基本分析

2.1 负荷预测的含义

负荷这个名词在电力系统中指的是电力的需求量或者用电量, 而需求量指的是能量的时间变化率, 也就是功率。电力系统的负荷预测有两个方面的内涵: (1) 对未来电力需求量或功率的预测; (2) 对未来电力用电量或能量的预测。对电力需求量的预测可以决定电力设备的容量, 及输电与配电的容量。而对电力能量的预测会决定应安装什么种类的发电容量。

2.2 负荷预测的主要分类

2.2.1 按照预测的内容分类

通常可以分为系统型负荷预测、母线型负荷预测这两大类。 (1) 系统型负荷预测指的是对电力系统的未来负荷需求进行的预测。 (2) 母线型负荷预测指的则是由负荷预测获取某个时刻的电力系统负荷值, 再将这个负荷值分配到每条母线上。

2.2.2 按照预测的周期分类

通常可以分为超短期、短期、中期以及长期负荷预测这几类。 (1) 超短期电力系统负荷预测如果是应用在质量控制方面, 负荷值通常需要5-10s, 如果应用于安全监视中, 则需要l-5min的负荷值, 应用在预防控制与紧急状态的处理方面则需要10-60min的负荷值, 其使用的主要对象是电力调度员。通常, 在正常状况下不需要考虑气象条件, 这是因为最重要的影响因素温度已经存在于负荷预测的历史数据当中了。 (2) 短期电力系统负荷预测通常应用在火电分配、机组经济组合以及功率交换计划当中, 其负荷值通常需要1日-1周, 其使用的对象则是调度计划的编制工程师。此类负荷预测主要考虑的是负荷的变化规律与天气的影响因素。 (3) 中期电力系统负荷预测主要使用在交换计划与燃料计划、水库的调度以及机组的检修中, 负荷值需1月-1年, 其主要的预测性指标包括日用电量、月平均最大负荷以及月最大负荷等, 使用对象则是中长期电力运行计划的编制工程师。此类负荷预测需考虑的因素多于短期的负荷预测, 尤其是未来性的因素和气候条件等。 (4) 长期电力系统负荷预测应用于电源与网络发展的中, 负荷值需要数年甚至数十年, 其使用的对象通常是规划工程师。此类负荷预测会受到地区性的经济、气候、人口等因素的影响, 牵扯到一些不确定性的问题。

2.2.3 按照系统负荷的构成分类

通常可以分为城市民用型负荷、农村型负荷、商业型负荷、工业型负荷以及其他型负荷这几种类型, 不同种类电力负荷的发展变化规律也不尽相同。 (1) 随着居民家用电器的不断普及, 城市居民的电力负荷增长率日益提高、季节性的波动也日益增大, 并且电力系统负荷受气温的影响也越来越大。 (2) 农村型负荷的季节性变化比较强, 并且与降水之间的关系十分密切。 (3) 商业型负荷会影响到晚尖峰, 且随着季节的变化而变化。 (4) 工业型负荷基本不受气象的影响, 但是大型企业的成份下降, 会造成夜间的低谷增长减缓。总之, 分析研究电力负荷的构成及影响因素对于提高电力系统负荷预测的准确性是非常重要的, 特别是突发性的重大事件。

2.3 负荷预测的常用方法

2.3.1 弹性系数法。

弹性系数, 指的是电量的平均增长率和国内生产总值两者的比值, 依据国内生产总值增长的速度, 结合弹性系数可以获得规划期末的用电总量。这个方法是从宏观方面确定电力的发展相对国民经济发展的速度, 是衡量国民经济发展及用电需求的重要参数之一。此种方法的主要优点包括:方法简单, 容易计算。而缺点则是:需要进行大量细致的调查研究工作。

2.3.2 趋势外推法。

当负荷随着时间的变化呈现出上升或者下降的趋势, 且没有明显地季节性波动, 又能够找到恰当的函数曲线来反映此种变化趋势的时候, 就可把时间t作为自变量, 把时序数值Y作为因变量, 从而建立起趋势模型Y=f (t) 。如果有理由认为这种趋势会延伸到将来的话, 赋予自变量t需要的数值, 就能够获得相应的时间序列未来值, 这种方法就称为趋势外推法。此种方法的主要优点有:只需历史数据、需要的数据量少。而缺点有:若负荷发生变动, 会造成比较大的误差。

2.3.3 单耗法。

根据国家规定的产品产量、用电单耗以及产值计划来确定电力系统的需电量, 此种方法可以细分为产品单耗法与产值单耗法两种。采用这种方法预测负荷的关键是需要确定恰当的产品或产值单耗。从当前我国的具体情况来说, 通常的规律是产品的单耗在逐步提高, 产值的单耗则在逐步降低。此方法的优点有:方法简单, 短期型负荷预测的效果比较好。而缺点有:需要进行大量细致的调查研究, 且较为笼统。

2.3.4 时间序列法。

指的是按照电力负荷的历史材料, 构建数学模型, 使用此模型来分析负荷这个变量的变化过程与规律, 并在此模型的基础上确定负荷预测的表达式, 以进行未来负荷的预测。此方法的优点:需要的历史数据少、工作量不大。而缺点是:未考虑到负荷的变化因素, 缺乏规律性处理。

3 负荷预测的发展方向

3.1 随着当前科技与行业水平的日益发展, 尤其是在电力市场条件的

支持下, 我们需要不断探究新型的预测方法, 以克服传统预测方式的缺点, 在预测的方法上寻求新思路、新突破, 不断满足未来电力系统发展对于负荷预测的要求。

3.2 吸收借鉴西方发达国家的优秀经验, 不断改良预测软件的技术。

当前, 虽然我国拥有的负荷预测软件种类很多, 但努力寻找最适合我国电力市场发展的预测软件, 对于提高电力系统的负荷预测水平有十分重要的意义。

3.3 随着电力系统预测内容的不断扩大, 为更好地应对诸多预测问题,

相关部门不仅要进行负荷预测, 还应组建一个有权威性、专业性、涉及多个行业的预测机构。

结束语

随着我国电力市场的持续发展, 负荷预测的重要性也是逐渐凸显, 且社会对预测精确度的要求也日益提高, 相信随着科学技术的不断进步, 理论研究的不断深入, 负荷预测理论必定会逐步成熟, 预测的精确度也会不断提高。

参考文献

[1]刘晨晖.电力系统负荷预报理论与方法[D].哈尔滨:哈尔滨工业大学.2010 (3) .[1]刘晨晖.电力系统负荷预报理论与方法[D].哈尔滨:哈尔滨工业大学.2010 (3) .

[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的探讨[J].电力系统自动化.2010 (17) .[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的探讨[J].电力系统自动化.2010 (17) .

[3]范亮.对电力系统负荷预测的探讨与分析[J].中国科技纵横.2010 (19) .[3]范亮.对电力系统负荷预测的探讨与分析[J].中国科技纵横.2010 (19) .

电动汽车充电负荷预测方法综述 第7篇

由于环境、能源问题日益突出,作为清洁能源汽车的代表,电动汽车近年来得到了快速发展,充电负荷也初步体现出了统计特征。随着动力电池与车辆技术的不断完善,电动汽车的规模化应用日益扩大,在此背景下,对电动汽车充电负荷进行特征分析及预测,一方面有利于电动汽车充电站的经济运行及能量管理,并为城市基础设施规划建设等提供参考依据;另一方面有利于电力系统最优潮流、电网经济调度,并对电力市场交易以及发电机组最优组合研究等有着深远的意义[1]。

1 影响电动汽车充电负荷预测的因素

电动汽车充电负荷预测的影响因素主要有:电动汽车的保有规模大小、电动汽车充电方式、起始荷电状态(State of Charge,So C)、电动汽车电池的充放电特性、充电功率、充电时间(包括充电开始时间和充电结束时间)、动力电池容量等,而天气情况、温度、日期类型以及公交调度等因素通过影响用户的行为特性而影响电动汽车充电负荷。

电动汽车充电方式主要分为充电和换电2种,充电又包括常规充电和快速充电。常规充电方式又称为普通充电,充电时间一般为5~8 h,有时甚至可以达到十几个小时。快速充电又称为应急充电,可以为电动汽车提供短时间充电服务,充电时间约为20 min到2 h内。而更换电池充电方式则是通过快速更换电池组来达到充电的目的。

2 基于短期电力负荷预测方法的电动汽车充电负荷预测

结合电动汽车的历史充电行为数据,参考电力系统负荷预测中的短期负荷预测方法,可以预测电动汽车的充电负荷需求。电力系统短期负荷预测方法可以分为基于数学工具的传统预测方法以及结合人工智能领域研究成果的现代预测方法[2]。

传统的负荷预测方法有回归分析法、相似日法等;现代预测方法有基于神经网络的预测法、基于小波分析的预测法以及支持向量机(Support Vector Machine,SVM)预测法等。

2.1 回归分析预测法

回归分析预测法属于相关法预测,以寻找因变量和自变量之间的回归关系为基础,通过建立其函数表达式来确定模型参数,从而得到某些解释变量与负荷之间的因果关系实现负荷预测。回归分析预测法具有多种分类方式,根据自变量和因变量之间是否为线性关系,可以分为非线性和线性回归分析预测法;跟据自变量的个数可分为一元和多元回归分析预测法。

2.2 相似日预测法

首先建立差异评价函数,根据评价结果,相似日预测法选取与待预测日类似的若干日期的历史负荷数据,通过对相似日的历史负荷数据进行参数修正,从而得到预测日的负荷[3]。基于趋势相似度、聚类分析、证据理论、灰色关联等相似日样本的选取方法,可有效减小因基于人工经验选取样本所造成的预测误差。

2.3 小波分析预测法

小波分析是一种信号的时间—尺度、时间—频率的分析方法,在时频两域都具有表征信号局部特征的能力,具有多分辨率分析的特点。采用小波变换的方法对负荷序列进行投影,得到具有不同尺度特征的若干序列,并对其分别建立不同的模型进行预测,最终的预测结果则是通过序列重构得到的。

2.4 人工神经网络预测法

作为机器学习的重要组成部分,人工神经网络采用分布式并行信息处理方式,通过调整输入层、中间层、输出层之间的相互连接关系来适应不同系统的复杂程度,具有较好的自学习和优越的自适应能力。选取历史负荷作为训练样本,构建合适的网络结构,经过训练达到一定的精度后,可作为负荷预测模型[4]。

作为目前应用最广泛的神经网络模型之一,BP神经网络的学习类型为有导师学习,利用样本对网络进行学习训练,将输出误差以分摊给各层所有单元的形式,通过隐层向输入层逐层反传,学习过程是信号的正向传播、误差的反向传播。

文献[5]首先研究了影响快换式公交车充电站负荷变化的各类相关因素;为避免基于人工经验选择相似日对预测结果造成较大的误差,采用基于传递闭包法的模糊聚类分析的方法,选择与待预测日相似日期的历史负荷样本作为神经网络的训练样本;最后建立BP网络对充电站日负荷曲线进行预测。

2.5 SVM预测法

基于统计学习理论的VC维理论以及结构风险最小原理,支持向量机(SVM)方法在提高学习泛化能力的同时,可实现置信范围以及经验风险最小化的目标。理论上解决了神经网络方法中无法得到全局最优解的缺陷和不能避免局部极值问题的劣势;同时很好地解决了维数问题,其算法复杂度与样本维数无关[6]。SVM的参数对其性能影响很大,传统方法通过经验或实验法选取,目前遗传算法、粒子群优化算法、微分进化等优化算法在SVM参数确定方面有较好的应用。

文献[7]采用关联分析方法提取了影响电动公交站充电负荷的因素(最高温度、日类型和天气情况),并应用灰色关联理论构建了相似日的小样本集合,从而建立支持向量机预测模型。在模型参数确定方面,首先直接确定不敏感损失参数,此时参数选取范围设置较大,再通过遗传算法寻找核参数P以及正则化参数C的最优解,从而提高预测精度。

3 基于蒙特卡洛模拟的电动汽车充电负荷预测

蒙特卡洛(Monte Carlo)方法是一种以概率和统计理论为基础的随机模拟方法,是使用随机数(或更常见的伪随机数)来获得问题近似解的方法,它将所求问题同一定的概率模型相联系,通过计算机来实现随机抽样或统计模拟。依据全国居民出行调查的交通行为数据库,基于蒙特卡洛原理,通过模拟仿真车主交通习惯(包括出行习惯和充电习惯),建立具有随机概率特征的数学模型来预测汽车在未来时段的充电时间、地点以及负荷需求。

文献[8]首先对中国电动汽车不同充电模式进行了比较,并对电动汽车发展规模进行预测,通过大量调研获得不同类型电动汽车的充电方式及充电时间分布,基于蒙特卡洛原理对电动汽车的起始充电时间和荷电状态进行模拟抽取,从而得到其充电负荷的计算方法,并通过叠加得到规模化电动汽车的充电负荷。

文献[9]在使用蒙特卡洛方法模拟电动汽车的驾驶、停放、充电等行为的基础上,提出了一种考虑时空分布的电动汽车充电负荷预测方法。为得到预测地区停车需求的时空分布,首先对所研究地区未来电动汽车的保有量进行预测,并以此为依据进行区域划分,最后提出了适用于不同停车特性的改进停车生成率模型。

文献[10]则从出租车的运行模式和行驶特性出发,考虑换班制、用餐、夜间运行等对出租车充电开始时刻和日行驶里程的影响,提出了基于分段概率估算方法的出租车日充电负荷的预测模型。

4 其他电动汽车充电负荷预测方法

分析电动汽车集群充电行为的特点对电动汽车充电负荷预测具有重大意义,文献[11]提出采用动态微分方程的数学方法进行预测工作,并获得了较好的预测结果。

文献[12]提出基于能量等效的电动汽车负荷预测方法,对目前的各加油站售油量通过能量等效法则,折算成为电动汽车充电电量,将基础充电设施分为区域分散式和集中式,从而计算得到各自的最大负荷。

目前采用蒙特卡洛模拟法进行电动汽车充电负荷预测的研究中,以传统燃油汽车的行驶规律概率特性为基础,对用户的行驶行为均采用确定的概率分布函数进行拟合,如果拟合估计不准确,会引起充电负荷的累积误差,而且不能充分表示电动汽车集群充电行为的不确定性。

文献[13]提出了基于核密度函数改进含有耦合特性的电动汽车充电负荷计算模型。在此模型中,为了更准确地模拟电动汽车的出行驾驶规律,提出了充电概率来表征充电行为的不确定性,采用核密度函数和多维概率分布函数代替确定性的概率分布函数,并生成随机数来表征行驶规律的耦合特性。

5 结语

作为电力系统负荷的重要组成部分,对电动汽车充电负荷进行特征分析,并采用不同的预测方法以获得具有更高预测精度的负荷预测结果,可以提高电网调度的合理性和经济性,对电力市场交易具有重要意义。本文总结了现有的电动汽车充电负荷预测方法及其应用,在此基础上准确估计已有预测模型中的参数,并积极探索新的预测模型,是未来电动汽车充电负荷预测工作的重点所在。

摘要：文章简述了电动汽车充电负荷预测的概念和意义,分析了影响电动汽车充电负荷预测的因素,并将目前的预测方法分为基于电力系统短期负荷预测方法的电动汽车充电负荷预测、蒙特卡洛模拟法以及其他新型电动汽车充电负荷预测方法,并综述分析了各种预测方法的原理及应用。最后提出在未来预测工作中,应准确估计已有预测模型中的参数,并积极探索新的预测模型。

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) .

电力系统负荷预测综述 第10篇

【关键词】电力系统经济运行；符合预测精度；措施

随着社会发展脚步的加快，在电力系统运行的过程中，有必要对其进行更为严格的管理，只有这样才能不断发展社会经济。要想做到电力系统的正常运行，首要的前提条件就是加强关于负荷预测的相关工作，这在电力市场的发展过程中显得十分必要。特别是我国当前的电力市场正在朝着更加蓬勃的方向发展着，为了保证电力系统更加稳定的运行，也要从这方面入手，实现电力系统的安全与经济，这对于企业来说也是相当必要的，因此，本文针对如何进行更加精确化的负荷预测开展了探讨，提出几点有效的建议。

1、电力负荷预测的基本概念与特点

首先，要想采取合适的手段进一步提高电力负荷预测的精准性，就要事先对电力负荷预测这一概念进行系统的认识，这是电力系统在工作过程中最基本的工作内容之一，由于工作目标的不同以及时间上的差异性，可以将负荷预测分为四种不同的类型，一种是超短期预测，一种是短期预测，还有一种是中期预测，最后是长期预测，通过在不同阶段的预测结果，可以更加准确的对电力系统的经济性运行提供重要的依据。超短期预测就是在短时间内对电力的使用情况以及承载能力进行预测，通常时间以1h为分割点，也就是说在1h内的电力使用情况都是通过超短期预测得以实现的。采用超短期预测的优势在于可以保证一段时间内电能的稳定性，在质量水平上也可以得到更加全面的控制，这样就避免了发生安全事故的可能性。

相对于超短期预测，短期预测的时间更长一些，一般时间控制在一天到一周以内不等，这是电力机组能够顺利运行的基础，所以在实际应用中具有经济性的特点。而中期预测以及长期预测的时间更长一些，前者是对一年内的电力负荷情况进行预测，后者的时间甚至长达十几年，所以经常用在电厂的建设以及电网改造方面。由此可知，电力的负荷预测对电力系统的经济性运行具有十分重要的作用。

在进行电力负荷预测的过程中，通常需要注意以下几点特征。一是要具有条件性，也就是对电力系统的运行环境进行综合性的考虑，控制好电力负荷预测的发展方向，充分考虑到可能影响到的不确定条件。二是要对周期性的问题进行考虑，因为在进行电力生产的过程中，通常模式都是固定的，并且具有复杂性的特征，为了满足不同客户的需求更是如此，所以对负荷预测的影响十分丰富，受到诸多因素的影响，就极有可能发生安全事故，所以在实际工作中应该在一定的时间以及范围内予以充分的考量。三是具有多方案性的特点，因为电力负荷预测的结果并不是最终的目标，还要在这一结果的基础上制定出更为合适的方案确保电力的经济性运行，多从不同的角度进行选择有助于提高实际电力经济性运行的效果。最后，电力负荷预测还具有连续性的特点，也就是在点时间内负荷预测的结果并不是保持不变的，而是呈现出不断的变化与发展。

2、电力负荷预测与经济性运行的关系

电力负荷预测的精度与电力经济性运行具有一定影响，在当前的社会生活中，加强电力负荷的预测有助于为电力相关部门提供必要的参考依据，将电力事业的发展提升到一个全新的阶段。电力负荷预测实际上也是电力水平现代化发展的一个重要标志，是社会经济发展的重要表现形式之一，所以针对这一问题的提出，也要进一步提高预测的准确性，将我国电力市场的发展朝着纵向发展。与过去相比，电力市场的经营方式已经产生了重大的变化，当前的电力市场是一个开放性的市场，所以市场竞争也相对激烈，要想占据主导地位，就要不断发挥电力负荷的预测作用，将电力价格进行统一，这对维护社会稳定具有重要的意义。同时，负荷预测的精确性对电力企业的经济效益也直接挂钩，所以二者具有紧密的联系，应该加以重视。

3、提高电力负荷预测精度的措施

在进行电力负荷预测的过程中，并不是无规律可遵循的，而是通过开展必要的措施逐步提升其准确性。具体的做法有以下几点。

一是将历史数据进行保留，并且保证其准确性。只有确保历史数据的准确性，才能对今后的电力负荷预测提供必要的依据。否则按照错误的数据进行预测，结果只能与实际情况相差越来越大。所以进一步提升历史数据的准确性迫在眉睫。

二是要加强对电力工作人员的培训，只有电力操作人员的专业素质更高，才能进一步提升其对电力负荷的预测能力，进而逐步实现电力系统的经济性运行，所以应该不定期对工作人员里开展必要的培训工作，逐步提升其理论知识与实际操作技能。

三是将电力负荷预测与气象部门紧密的联系在一起，重视气象情况的变化，因为电力负荷情况经常会受到天气的影响而出现较大的波动，如果能够提高气象播报的准确性，就可以对电力系统的运行进行有效的预防。同时建立起用户中心，对电力使用情况较大的用户进行集中性管理，防止意外情况的发生。

第四，应该对电力负荷预测的相关研究的资金投入进行有效的增强，运用科学合理的技术以及方法来建立起电力负荷预测的模型，对电力负荷预测相关工作进行合理的实施。总的来讲，应该运用相对准确的历史数据，通过科学合理的预测理论以及方法，建立完善电力负荷预测模型，已经能够有效提高电力预测的实际精度，同时还是电力企业的实际发展中非常关键的解决措施。

4、结语

在电力系统的实际运营中，电力负荷预测有着非常关键的作用，具体的预测精度会在很大程度上影响电网的安全以及稳定运行，因此，应该有效提升负荷预测的实际精度进而保证电力系统经济运行的顺利进行，同时还能够保证供电的实际质量水平。在之后的电力负荷的实际预测当中，应该对基础的数据进行科学合理的处理，探索出预测的全新方向，进而有效提升负荷的实际预测水平，有效保证电力系统的安全以及稳定运行。

参考文献

[1]李伟，马俊丽.基于负荷预测精准度的电网运行研究[J].电子技术与软件工程，2015（24）.

浅析电力负荷短期预测 第11篇

电力系统负荷预测主要用于电力系统规划和制定发电计划, 从而提高系统运行的经济性和可靠性。准确可靠的负荷预测能保证电力系统运行的安全性, 又可提高电力运行的经济性[1]。

电力系统负荷预测是在充分考虑一些重要因素下, 研究和应用一套处理过去负荷与未来负荷的数学方法, 在满足一定精度要求的前提下, 确定未来某特定时刻的电力负荷值。提高负荷预测技术水平, 其重要意义如下:

1) 准确的短期负荷预测是电网调度机构制定发供电计划、合理安排机组启停和做好电网供需平衡的关键。

2) 在电力市场条件下, 短期负荷预测不再是纯技术性的问题, 也是一个技术性与经济性相结合的问题。

3) 对电力系统来说, 必须对用户提供可靠而经济的电能, 以满足用户的负荷需求, 而另一方面, 在确保系统安全的情况下尽量减少实时发电备用容量。

4) 为用户提供安全、可靠、经济、优质的电能是电网运营企业的首要目标。准确的负荷预测就使得电网运营企业可以在电力市场中以较便宜的电价购电。

1 短期负荷预测的现状

1.1 负荷预测的研究和应用现状

二十世纪七十年代后, 许多数学统计方法被引入到短期负荷预测中, 典型的算法有回归分析法、确定性时间序列分析法、随机时间序列分析法[2]。

二十世纪九十年代初期开始, 人工智能技术逐步应用。文献[3]提出使用模糊神经网络预测方法;在文献[4]中, 列举出人工神经网络ANN和模糊控制相结合的预测方法, 文献[5]提出灰色理论和神经网络的电力系统负荷预测方法。

短期负荷预测技术发展至今己有几十年, 迄今为止, 短期负荷预测方法大致可以分为两类:即传统预测方法和人工智能方法。

1.2 负荷预测的方法

1.2.1 传统预测方法

1) 回归分析法。通过收集负荷的原始资料, 来建立可以数学分析的模型, 进而来预测未来的负荷值[6]。这种方法是研究变量和变量之间依存关系的一种数学方法。

2) 时间序列法。时间序列法就是对历史负荷资料进行整理归类, 设法建立一个数学模型来描述负荷的变化规律, 形成预测模型以后即可利用己知的负荷数据对未来的负荷进行预测[7]。

3) 小波分析理论。小波变换各种各样的交杂混杂在一起的不同频率信号进行分解, 将它们分解成不同的块信号。使用正交二进小波变换来进行小波变换, 这样就可以使负荷序列分别投影到不同的尺度, 这时各个尺度上的子序列则分别代表了原序列中不同的“频域”的分量。根据以上原则, 则可以对不同的负荷序列分别进行预测[8]。

4) 灰色预测法。其显著特征就是用少量的数据做微分方程建立起预测的模型。在将一定范围内变化的历史数据列进行累加, 使其变成具有指数增长规律的上升形状数列, 可以对生成的这个形状数列建立起GM模型[9]。

1.2.2 人工智能方法

1) 人工神经网络法。利用人工神经网络 (ANN) , 选取过去一段时间的负荷作为训练样本, 然后构造适宜的网络结构, 用某种训练算法对网络进行训练, 使其满足精度要求之后, 用ANN作负荷预测[10]。

2) 专家系统方法。专家系统是一种基于知识推理的系统, 它通过获取大量的领域内专家知识并在此基础上进行推理从而得到问题的解答。

3) 模糊控制法。模糊预测法以模糊数学理论为基础, 通过模糊数学的概念理论对电力系统中的一些模糊现象进行描述[11]。

不同的预测方法有各自的优点和缺点, 为了发挥不同方法的优点, 避开其不足, 人们在负荷预测过程中将不同的预测方法加以组合, 形成了许多种组合方法, 在一定条件下能够有效的改善模型的拟合能力和提高预测的精度。

2 电力负荷预测概述

2.1 电力负荷的构成和特点

2.1.1 电力负荷的构成

电力系统负荷一般可分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其它负荷。不同类型的负荷具有不同的特性。

1) 城市民用负荷

城市民用负荷的特点是与居民的日常生活和工作规律紧密相关的。尤其是在夏季和冬季, 空调、冰箱负荷和取暖负荷已经成为影响电力负荷的重要因素。

2) 商业负荷

商业负荷同样具有季节性变动的特性。商业负荷所占的比重不及工业和民用负荷, 但商业负荷对每日负荷晚高峰的出现有明显的影响。

3) 农村负荷

农村负荷是指农村居民用电和农业生产用电。农业生产的特点决定了农村负荷受季节影响大。在用电构成中, 农业用电所占的比重不大。

4) 工业负荷

工业负荷一般都被视为受气候影响较小的基础负荷。除个别地区外, 工业负荷的比重在用电构成中居于首位, 它不仅取决于工业用户的工作方式, 而且与各工业行业的行业特点、季节因素都有紧密的联系。

对工业负荷和商业负荷而言, 它们随季节的波动较小;对民用和农业用电负荷而言, 负荷在系统总负荷的所占比例随季节变化发生显著变化, 具有显著的季节变化特性。

2.1.2 电力负荷的特点

电力系统负荷是一个周期性和随机性都很强的系统, 它与众多的因素有着极为复杂的关系。在进行电力系统负荷预测时, 针对负荷变化的这些特点, 既要充分分析、掌握并利用其规律性, 又要兼顾各种因素的影响。

负荷变化的周周期性是指从以七天为一周期的负荷变化中体现出来的规律性。一般情况下, 公休日的负荷水平较低, 工作日的负荷水平较高;负荷变化的日周期性是指以一天24小时为周期的负荷变化所体现出的规律性。

综上所述, 电力负荷具有周期性的特点, 且负荷变化的大周期中又存在小周期, 形成多个周期相嵌;负荷具有季节性的特点, 四季中典型负荷曲线各不相同;同时不同地区的气候, 以及温度的变化都会对负荷造成一定的影响。

2.2 负荷预测的概念和原理

2.2.1 负荷预测的概念

负荷预测是依据电力系统的运行特点、增容决择、自然因素以及社会影响等多方面因素, 在满足一定精度要求的条件下, 来确定未来某特定时刻的负荷数据, 其中负荷就是指用户的电力需求量 (功率) 或用电量;在电力系统经济调度中, 负荷预测是一项关键的内容, 也是能量管理系统 (EMS) 的一个重要模块[15]。

2.2.2 负荷预测的基本原理

负荷预测工作是根据电力负荷的发展变化规律, 预计或判断其未来发展趋势和状况的活动, 因此必须科学地总结出预测工作的基本原理, 以指导负荷预测工作, 以下介绍几种基本的原理[16]。

1) 可知性原理

就是说待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们所知道的。

2) 可能性原理

事物的发展变化是在内因和外因的共同作用下进行的。内因的变化及外因作用力大小不同, 会使事物发展变化有多种可能性。

3) 连续性原理

连续性原理是指预测对象的发展是一个连续统一的过程, 其未来发展是这个过程的继续。

4) 相似性原理

尽管客观世界中各种事物的发展各不相同, 但是一些事物发展之间还是存在着相似之处, 人们就是利用这种相似性进行预测。

5) 反馈性原理

反馈就是利用输出返回到输入端, 再调节输出结果。预测的反馈性原理实际上是为了不断提高预测的准确性而进行的反馈调节。

6) 系统性原理

预测对象是一个完整的系统, 它本身有内在的系统, 它与外界事物的联系又形成了它的外在系统。这些系统综合成一个完整的总系统, 都要进行考虑[17]。

2.3 负荷预测的步骤

预测可分为定性预测, 不论采用何种预测方法, 都遵循以下基本步骤和原则[15]:

1) 收集和选择历史负荷数据资料

根据负荷预测的内容和要求, 搜集预测时需要用到的各种资料。同时, 对搜集的资料去伪存真, 提高资料的可信度。

2) 历史资料的分析和处理

一般情况下, 由于负荷预测的质量不会超过所用资料的质量, 在对数据的初步整理之后, 还要对所用资料进行数据分析预处理。

3) 建立预测模型

根据所确定的预测内容, 对预测对象进行详细的分析, 根据历史数据的发展情况, 选择建立合理的数学模型。

4) 预测结果评价

对预测结果的可信度进行比较和综合分析, 通过预测人的经验判断预测结果是否合理, 对结果进行适当修正, 得到最终的预测结果。

5) 负荷预测管理

将负荷预测形成报告提交后, 并不等于全部预测工作的结束, 随后仍需根据主客观条件的变化及预测应用的反馈信息进行检验, 必要时进行修正和调整。

2.4 影响负荷预测的因素及误差分析

2.4.1 影响负荷预测的主要因素

系统总负荷是系统中所有节点上所有负荷的总和。尽管单个负荷的变化随机性很大, 但所有单个负荷的总和即系统总负荷一般具有一定的变化规律, 影响这种规律变化的因素主要有以下四种:

1) 负荷构成

系统负荷按其性质可划分为:城市民用负荷、商业负荷、工业负荷、农业负荷及其它负荷等类型, 且不同类型的负荷有着不同的变化规律。

2) 时间因素

时间因素对负荷的影响主要有三点:季节因素的影响、节假日的影响、以日或周为周期的负荷变化。

3) 气象因素

由于许多负荷都与气象因素有关, 所以气象因素也是影响系统负荷大小的重要因素。除了气温, 影响负荷大小的其它天气因素还有阴晴、降水和风速等。

4) 随机因素

所有能引起负荷模式变化, 而又未包括在上面三类中的其它因素均算在此类中。由于系统负荷是由大量分散的单独需求组合而成, 系统负荷不断受随机干扰影响。

2.4.2 负荷预测的误差分析

误差产生的原因很多, 主要表现在以下几个方面[18]:

1) 电力负荷所受影响是千变万化的, 要从许多预测方法中选择一个恰当的预测方法, 如果选择不当, 将随之产生误差。

2) 进行负荷预测用到的数学模型大多只包括所研究现象的某些主要因素, 而省略了很多次要因素。这样的模型只是一种简单化了的反映, 这样进行预测时无可避免的会与实际负荷产生误差。

3) 进行负荷预测要用到大量资料, 而各种资料并不能保证都是准确可靠的, 这就必然会产生预测误差。

4) 某种意外事件的发生或情况的突然变化, 可能产生预测误差。再者, 由于计算或判断上的错误, 也会造成不同程度的误差。

预测误差分析的指标:

计算和分析预测误差的方法和指标很多, 较为常用的有:

1) 绝对误差和相对误差: (Y-Y赞) /Y

设Y表示实际值, 表示预测值。为绝对误差。有时相对误差也用百分数表示这是一种直观的误差表示方法。在电力系统中作为一种考核指标而经常使用。

2) 平均绝对误差和平均相对误差

由于预测误差有正有负, 为了避免正负相抵消, 故取误差的绝对值进行综合并计算其平均数, 这是误差分析的综合指标法之一。

3) 均方误差

式中:MSE——均方差, 其它符号同前。均方误差是预测误差平方和的平均值, 避免了正负误差不能相加的问题, 是误差分析中的综合指标之一。

4) 均方根误差

式中:RMSE——均方根误差, 其它符号同前。

5) 日负荷预测误差

日负荷预测准确率:Ad=1-Ed

本文中采用了比较常用的考核指标:以每个整点的相对误差来进行误差分析。

3 小结