2022-06-29
電力系統(tǒng)負荷預測是指在充分考慮電力系統(tǒng)一些重要的系統(tǒng)運行特性、工作決策、自然條件與社會影響的條件下，研究或利用數(shù)學方法系統(tǒng)地處理歷史負荷數(shù)據(jù)，在滿足一定精度與準確性的前提下，確定未來特定時刻的負荷數(shù)值。提高負荷預測技術(shù)水平，有利于管理電力計劃，便于合理安排電力系統(tǒng)運行方式和檢修計劃，實現(xiàn)節(jié)約能源和降低成本，也有利于制定合理的電力系統(tǒng)建設(shè)規(guī)劃，提高電力系統(tǒng)的經(jīng)濟效益和社會效益。
短期負荷預測在整個電力調(diào)度、售電公司參與現(xiàn)貨市場的工作中起關(guān)鍵作用，它為基本發(fā)電計劃、計算機在線電網(wǎng)控制、系統(tǒng)安全分析、日前市場報價、日內(nèi)(實時)市場交易等提供基礎(chǔ)數(shù)據(jù)，從而使得電力調(diào)度工作更貼合實際，發(fā)電效率更高，使得售電公司減小自己上報電量與真實用電量的偏差。
在規(guī)模上，負荷預測可以分為電網(wǎng)層級的負荷預測以及用戶層級的負荷預測。電網(wǎng)公司主要采用的是電網(wǎng)層級的負荷預測，這對整個電力系統(tǒng)的穩(wěn)定、安全運行，改善系統(tǒng)運行經(jīng)濟型有著決定性的意義。對于售電公司來說，用戶層級的負荷預測是更相關(guān)的。售電公司需要對自己的用戶組合以及單一用戶做電力負荷預測，基于這個預測的結(jié)果再開展其他的行為。
相比電網(wǎng)層級，用戶側(cè)級的負荷預測更為困難的。它的負荷曲線波動劇烈，且具有很大的隨機性，不易預測。雖然用戶層級的負荷預測更加困難，但是它確是所有售電公司、虛擬電廠公司等無法回避的，尤其是短期(一天以上兩周以內(nèi))以及超短期(一天以內(nèi))的用戶層級負荷預測。下文便是重點介紹短期以及超短期的負荷預測方法。
● 負荷預測的基本方法
(超)短期負荷由于受天氣變化、社會活動和節(jié)日類型等各種因素的影響，在時間序列上表現(xiàn)為非平穩(wěn)的隨機過程，但是影響系統(tǒng)負荷的各因素中大部分具有規(guī)律性，從而為實現(xiàn)有效的預測奠定了基礎(chǔ)。目前用于短期負荷預測的方法很多，較為新的算法主要有神經(jīng)網(wǎng)絡(luò)法、時間序列法、回歸分析法、支持向量機法、模糊預測法等。電力負荷預測研究的核心問題是如何利用現(xiàn)有的歷史數(shù)據(jù)，建立預測模型，對未來時刻或時間段內(nèi)的負荷值進行預測，因此，歷史數(shù)據(jù)信息的可靠性和預測模型是影響短期負荷預測精度的主要因素。隨著現(xiàn)在電力系統(tǒng)管理信息系統(tǒng)的逐步建立，以及天氣預測水平的提高，準確獲取各種歷史數(shù)據(jù)已不再困難，因此，短期負荷預測的核心問題是預測模型的水平高低，以下是各種負荷預測方法的簡述：
● 神經(jīng)網(wǎng)絡(luò)法(人工智能)
神經(jīng)網(wǎng)絡(luò)法是目前最先進的負荷預測方法。作為人工智能算法的一種，神經(jīng)網(wǎng)絡(luò)已經(jīng)在圖像識別、自然語言處理、機器翻譯、自動駕駛等方面有了大量成熟的使用。谷歌、百度、阿里、科大訊飛等國內(nèi)外知名的人工智能企業(yè)最主要的人工智能算法都是神經(jīng)網(wǎng)絡(luò)。同樣的，神經(jīng)網(wǎng)絡(luò)在能源領(lǐng)域也有很廣泛的應用，不止在電力負荷預測，也包括電力現(xiàn)貨市場價格預測、風電發(fā)電預測等領(lǐng)域。
神經(jīng)網(wǎng)絡(luò)法在負荷預測上的應用主要分為人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, 以下簡稱ANN)和遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks，也稱循環(huán)神經(jīng)網(wǎng)絡(luò)，以下簡稱RNN)。以及長短期記憶網(wǎng)絡(luò)（Long-Short Term Memory以下簡稱LSTM）等適合處理長短周期特征的特化型神經(jīng)網(wǎng)絡(luò)。
神經(jīng)網(wǎng)絡(luò)法選取過去一段時間的負荷作為訓練樣本，構(gòu)建適宜的網(wǎng)絡(luò)結(jié)構(gòu)，用某種訓練算法對網(wǎng)絡(luò)進行訓練，使其滿足精度要求之后，此神經(jīng)網(wǎng)絡(luò)作為負荷預測模型，實踐證明人工神經(jīng)網(wǎng)絡(luò)短期預測有較好的精度。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點能夠?qū)Υ罅糠墙Y(jié)構(gòu)性、非精確性規(guī)律具有自適應能力，具有信息記憶、自主學習、知識推理和優(yōu)化計算的特點，還有很強的計算能力、復雜映射能力、容錯能力及各種智能處理能力，特別是其學習和自適應功能是其他算法所不具備的。神經(jīng)網(wǎng)絡(luò)法的不足在于模型結(jié)構(gòu)的搭建，學習速度的優(yōu)化，局部最小點等難題。
● 時間序列法
電力負荷的歷史數(shù)據(jù)是按一定時間間隔進行采樣和記錄下來的有序集合，因此是一個時間序列，時間序列方法是目前電力系統(tǒng)短期負荷預測中發(fā)展較為成熟的算法，根據(jù)負荷的歷史數(shù)據(jù)，建立描述電力負荷隨時間變化的數(shù)學模型，在該模型的基礎(chǔ)上確立負荷預測的表達式，并對未來負荷進行預測。時間序列方法優(yōu)點是所需數(shù)據(jù)少，工作量小;計算速度較快;反映了負荷近期變化的連續(xù)性。時間序列方法存在的不足是建模過程比較復雜，需要較高的理論知識;該模型對原始時間序列的平穩(wěn)性要求較高，只適用于負荷變化比較均勻的短期預測;沒有考慮影響負荷變化的因素，對不確定性因素(如天氣、節(jié)假日等)考慮不足，當天氣變化較大或遇到節(jié)假日時，該模型預測誤差較大。
● 回歸分析法
回歸分析預測方法是根據(jù)歷史數(shù)據(jù)的變化規(guī)律和影響負荷變化的因素，尋找自變量與因變量之間的相關(guān)關(guān)系及其回歸方程式，確定模型參數(shù)，據(jù)此推斷將來時刻的負荷值。其優(yōu)點是計算原理和結(jié)構(gòu)形式簡單，預測速度快，外推性能好，對于歷史上沒有出現(xiàn)的情況有較好的預測。存在的不足是對歷史數(shù)據(jù)要求較高，采用線性方法描述比較復雜的問題，結(jié)構(gòu)形式過于簡單，精度較低;該模型無法詳細描述各種影響負荷的因素，模型初始化難度較大，需要豐富的經(jīng)驗和較高的技巧。
●支持向量機法
支持向量機(SVM)是一種基于統(tǒng)計學習理論提出的能實現(xiàn)在有限樣本條件下滿足VC維理論和結(jié)構(gòu)風險最小原理的機器學習方法，具有泛化能力強，全局最優(yōu)和計算速度快等突出優(yōu)點。但其自選參數(shù)和核函數(shù)的選擇，通常情況下主要靠經(jīng)驗確定，有較大的人為因素。同時，其缺乏對模糊現(xiàn)象的處理能力，模型誤差會造成回歸值和實際值的差距。
● 模糊預測法
模糊預測法是建立在模糊數(shù)學理論上的一種負荷預測新技術(shù)，模糊數(shù)學的概念可以描述電力系統(tǒng)中的一些模糊現(xiàn)象，例如負荷預測中的關(guān)鍵因素：天氣狀況的評判、負荷的日期類型的劃分等，將模糊方法應用于負荷預測可以更好地處理負荷變化的不確定性。目前，模糊理論應用于負荷預測主要有以下幾種方法：模糊聚類法、模糊相似優(yōu)先比法和模糊最大貼近度法等。
從實際應用來看，單純的模糊方法對于短期負荷預測，精度難以滿足要求;同時要求提供較多的歷史數(shù)據(jù)，在實際應用中存在困難;其優(yōu)點是預測結(jié)果可以預測區(qū)間及概率的形式描述。
● 其他傳統(tǒng)方法
電力負荷預測還有很多上文未提及的傳統(tǒng)方法，這些方法的效果與新的算法如神經(jīng)網(wǎng)絡(luò)法相比沒有優(yōu)勢，故不再贅述。
400-0605-301
400-663-6036
