搜索
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(WaveletTransform，简称WT)和模糊自适应共振理论映射FuzzyAdaptiveＲesonanceTheoryMaps，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(ParticleSwarmOptimizationSupportVectorMachine，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。该方法是拟合函数为一次代数多项式时的最小二乘问题，适用于负荷序列呈现线性变化趋势情况，拟合过去负荷序列，并预测下一时刻负荷。3.2卡尔曼滤波方法卡尔曼滤波方法是建立状态空间模型，把负荷作为状态变量，用方程来描述，当噪声统计已知时，可实现卡尔曼滤波算法递推地进行计算，适用于在线负荷预测，难点在于递推算法是在假定噪声的统计特性已知的情况下得出的。文献[21]将其应用于电力系统短期负荷预测，并作了改进，提出了预测值修正方法，使其对天气的影响预测得更为精确。由于对历史数据进行滤波估计，得到的是对系统下一个时刻状态的最佳估计，而通过预报获得的新数据则反映了系统的未来状态，因此，它们的组合能够让预测模型获得更多的信息，从而得到更加准确的预测值[22]。3.3回归模型预测技术回归分析方法，即通过对变量的观测数据进行统计分析，确定变量之间的相关关系，从而实现预测的目的。通过参数估计与模型检验后的回归模型，对于给定的预测点，可以求出对应预测点的预测值和预测置信区间。线性回归模型的特点是将预测目标作为因变量，影响预测目标的因素作为自变量。通常因变量是一随机变量，自变量是可控变量。如何确定合适的回归方程，是回归分析方法需要解决的主要问题。3.4时间序列预测技术随机时间序列预测方法，因变量和自变量均是随机变量，如因变量是现在待测的电力负荷，自变量是负荷自身的过去值，比回归模型更适用于电力系统短期负荷预测。时间序列法可以分为自回归过程、滑动平均过程、自回归滑动平均过程、积分型自回归滑动过程，传递函数建模序列[23]。电力负荷是一个随机变量，电力负荷的历史资料就是一个随机时间序列，时间序列预测技术即是用这个序列对电力负荷变化的规律和特性进行分析并对未来负荷作出预报。这种方法先识别与实际预测目标序列相符合的一个随机模型，并估计出随机模型中的未知参数，再对随机模型进行考核，当确认该随机模型具有适用价值后，再在此基础上建立预测表达式进行预报。3.5人工神经网络方法由于短期负荷受到天气情况和人们社会活动等因素的影响而变动，存在大量的随机性和非线性关系，神经网络能够处理此类问题，20世纪90年代后，神经网络开始用于电力负荷预测并达到了研究高潮，有许多很成功的应用实例[24]。在短期负荷预测方面，应用最多的是前向多层ANN，并采用BP学习算法进行网络训练。人工神经网络方法存在难以科学确定网络结构、学习速度慢、存在局部极小点等固有缺陷。为加快收敛速度，一些文献提出在对ANN神经元连接权重进行修正时，加入惯性项和附加冲量项等改进算法。针对用ANN进行短期负荷预测，人们提出了各种应用方法。如通过研究历史数据，抽取多种特征量，设计24个ANN分别预测1d24h的负荷；设计BP网络的变形结构，在输入和输出之间增加线性连接，从而改善BP模型的学习性能；从历史数据中选取与预测时间的特征量（即ANN的输入量）相似的数据，用两个向量之间的欧氏距离来度量相似性，从而减少了样本数据，节省ANN的训练时间。如何确定神经网络结构，加快计算速度，使之具有更通用的性能，是其应用于短期负荷预测的主要研究方向。3.6灰色预测技术预测工作中的概率统计、时间序列等常用方法，存在概率统计追求大样本量，必须先知道分布规律、发展趋势，而时间序列法只致力于数据的拟合，不注重规律的发现等缺陷。1982年3月中国学者邓聚龙教授首先提出灰色理论，在可利用数据不多的情况下，找到较长时间起作用的规律，解决了微分方程的建模问题，经多个领域的使用，证实了模型的预测精度。这种方法的优点是建模时不需要计算统计特征量，从理论上讲，可以适用于任何非线性变化的指标预测；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合灰度较大，精度难以提高。最优化灰色模型可以解决这一问题，将波动性较大的历史负荷序列转换成规律性较强的呈指数变化的序列，提高了预测精度，扩大了灰色预测模型的适用范围[25-28]。作为一种新兴预测技术，目前灰色系统理论还没有得到推广应用，但其所具有的要求负荷数据少、不考虑分布规律、不考虑变化趋势、运算方便、短期预测精度高、易于检验等优点已经得到了人们的重视，提出了改造原始数列、改进模型等多种方法来解决随时间推移灰度加大，预测精度降低的问题。3.7小波分析预测技术小波分析是一种时域-频域分析方法。电力系统中日负荷曲线具有特殊的周期性，负荷以天、周、年为周期发生波动，大周期中嵌套小周期。小波变换能将各种交织在一起的不同频率组成的混合信号分解成不同频带上的块信号。对负荷序列进行小波变换可以将负荷序列分别投影到不同的尺度上。在负荷预测中使用正交二进小波变换，各个尺度可近似地看作各个不同的“频带”，这样各个尺度上的子序列分别代表了原序列中不同“频域”的分量，更加清楚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分别进行预测。由于各个子序列的周期性更为明显，显然采用周期自回归模型（PAR）的预测结果也就更为精确。最后通过序列重组，得到完整的小时负荷预测结果，其精确性比直接用原负荷序列进行预测有一定改进[29-30]。3.8专家系统和模糊数学方法专家系统是依据专门从事短期负荷预测的技术人员提供的经验，总结出一系列的规则。并建立相应的历史负荷和天气的数据库，利用if-then规则对待预测日的负荷进行估计。由于专家系统将天气条件作为一个重要因素引入预测模型，因而预测的结果更为令人满意。专家系统的不足之处是预测过程中容易出现人为差错；把专家知识和经验等确定地表达并转化为一系列规则存在困难，因此，在构建数据库时存在困难[