陸宇燁，張健釗，徐巖哲，方佳渝

(河海大學(xué) 能源與電氣學(xué)院，江蘇 南京211100)

電力系統(tǒng)負(fù)荷預(yù)測(cè)是基于經(jīng)濟(jì)和氣象上的因素，通過(guò)研究電力系統(tǒng)負(fù)荷的變化情況和變化規(guī)律對(duì)歷史數(shù)據(jù)進(jìn)行分析［1］，以求對(duì)電力的負(fù)荷需求提前推測(cè)［2－12］，這將有效地幫助電力系統(tǒng)調(diào)度對(duì)未來(lái)負(fù)荷變化情況做出正確的估計(jì)。

其中預(yù)測(cè)負(fù)荷的系統(tǒng)作為能量管理系統(tǒng)中電力市場(chǎng)運(yùn)行管理的重要組成部分，預(yù)測(cè)結(jié)果同電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行密切相關(guān)［3］，現(xiàn)在負(fù)荷預(yù)測(cè)的手段已由人工預(yù)測(cè)逐步轉(zhuǎn)向智能預(yù)測(cè)，為提高預(yù)測(cè)精度創(chuàng)造了有利條件。負(fù)荷預(yù)測(cè)的核心是利用現(xiàn)有數(shù)據(jù)，對(duì)未來(lái)時(shí)間段內(nèi)的運(yùn)行數(shù)據(jù)進(jìn)行估計(jì)。

1 負(fù)荷預(yù)測(cè)分類

電力系統(tǒng)負(fù)荷預(yù)測(cè)分為電量、電力兩類。其中電量預(yù)測(cè)有:網(wǎng)供電量、社會(huì)電量、企業(yè)單位電量等［16］;電力預(yù)測(cè)有:最大和最小負(fù)荷、負(fù)荷峰谷差、負(fù)荷率等。以上是按指標(biāo)分類，而按期限的不同，又可分為:長(zhǎng)期預(yù)測(cè)、中期預(yù)測(cè)、短期預(yù)測(cè)、超短期預(yù)測(cè)，如表1所示。

表1 負(fù)荷預(yù)測(cè)的分類

2 負(fù)荷預(yù)測(cè)方法

電力系統(tǒng)總負(fù)荷一般可描述為

其中，L(t)為在t時(shí)刻時(shí)電力系統(tǒng)的總負(fù)荷;B(t)為在t時(shí)刻時(shí)正?；A(chǔ)負(fù)荷;W(t)為在t時(shí)刻對(duì)氣象的敏感負(fù)荷;S(t)為t時(shí)刻可能會(huì)發(fā)生的特別事件的負(fù)荷;V(t)為在t時(shí)刻時(shí)的隨機(jī)部分。

3 經(jīng)典預(yù)測(cè)方法

3.1 回歸分析法

一般根據(jù)變量數(shù)分為單元回歸分析和多元回歸分析，單元回歸分析是單個(gè)變量的，多元回歸分析則是多元變量，在給定的變量下，研究其間的關(guān)系就可求出回歸方程;因?yàn)樽宰兞渴请S機(jī)變量如電力負(fù)荷等，而因變量是非隨機(jī)的，如人口、經(jīng)濟(jì)、氣候等，所以給定自變量的數(shù)值便可求出因變量［15］，其共同決定了電力系統(tǒng)的負(fù)荷變化。

其優(yōu)點(diǎn)為:速度快，對(duì)各類情況都可以較好地處理。缺點(diǎn):對(duì)數(shù)據(jù)要求高，尤其在歷史數(shù)據(jù)殘缺或有較大誤差的情況下，效果不理想［9］，因?yàn)橹挥性谟镁€性法化解非線性公式的情況下能夠較好的求解，但是非線性模型中只能加入部分不確定因素，如溫度或濕度，因?yàn)椴淮_定因素過(guò)多，不能全部考慮，算法也不具有自適應(yīng)性，所以難以得到準(zhǔn)確的結(jié)果［15］。

3.2 趨勢(shì)外推法

趨勢(shì)外推法是一種利用當(dāng)前負(fù)荷變化趨勢(shì)預(yù)測(cè)未來(lái)負(fù)荷的方法，由于電力系統(tǒng)負(fù)荷變化趨勢(shì)明顯，所以第一步選定負(fù)荷規(guī)律趨勢(shì)模型，然后利用線性或非線性圖形識(shí)別法、差分進(jìn)化法求出負(fù)荷預(yù)測(cè)結(jié)果［2］。

3.3 時(shí)間序列法

時(shí)間序列外推法是將數(shù)據(jù)按照周期性排列形成有規(guī)律的序列，此時(shí)因變量負(fù)荷和自變量時(shí)間均是隨機(jī)變量，將實(shí)際負(fù)荷和預(yù)測(cè)負(fù)荷間的差值當(dāng)作平滑的變化過(guò)程處理。

優(yōu)點(diǎn):對(duì)數(shù)據(jù)庫(kù)中數(shù)據(jù)量的依賴性較低，該算法目前的研究成果成熟，在實(shí)際生產(chǎn)中得到了廣泛應(yīng)用。缺點(diǎn):因需要過(guò)去實(shí)際的負(fù)荷數(shù)據(jù)，不允許問(wèn)題數(shù)據(jù)存在。算法中矩陣系數(shù)計(jì)算繁瑣，且無(wú)法采用過(guò)多的非隨機(jī)變量。

3.4 灰色模型法

灰色理論的微分方程模型，又叫灰色模型，其是建立在以下4個(gè)基礎(chǔ)之上:(1)模型的范圍和時(shí)區(qū)是給定的，而且模型中的隨機(jī)部分、隨機(jī)過(guò)程也是變化的。(2)在數(shù)據(jù)序列隨機(jī)疊加后會(huì)生成伴隨指數(shù)增長(zhǎng)的有規(guī)律的上升序列。(3)可以根據(jù)模型中灰數(shù)的生成方式、數(shù)據(jù)的篩選分別和殘差GM模型的修正來(lái)調(diào)整和提高該模型的精度。(4)高階下系統(tǒng)建模的GM模型群是一階微分方程組組成的隨指數(shù)增長(zhǎng)的灰色模型［6］。

優(yōu)點(diǎn):當(dāng)負(fù)荷值按指數(shù)增長(zhǎng)時(shí)，灰色模型法的精度較高，也由于其所需計(jì)算的初始樣本數(shù)據(jù)少，無(wú)需對(duì)數(shù)據(jù)有過(guò)多依賴性，所以方便檢驗(yàn)。缺點(diǎn):隨著數(shù)據(jù)離散程度增大，預(yù)測(cè)精度也變差，因此不適合長(zhǎng)期預(yù)測(cè)［8］，而有意義的精度較高的預(yù)測(cè)值只是最近的幾個(gè)數(shù)據(jù)，所以由于數(shù)據(jù)少而帶來(lái)的誤差較大，在實(shí)際生產(chǎn)中的應(yīng)用率低。

3.5 指數(shù)平滑法

該算法的基本思想是加權(quán)平均，在數(shù)據(jù)越新時(shí)的加權(quán)越大［9］，對(duì)總數(shù)據(jù)的影響則越大，因此通過(guò)加權(quán)的方法強(qiáng)調(diào)新數(shù)據(jù)的影響，逐步減弱老數(shù)據(jù)的影響，使曲線擬合后變得平滑。

優(yōu)點(diǎn):可減少數(shù)據(jù)的異方差性，保證數(shù)據(jù)序列的變化準(zhǔn)確性，消除序列中的隨機(jī)波動(dòng)。缺點(diǎn):對(duì)數(shù)據(jù)在轉(zhuǎn)折點(diǎn)上的分辨能力低，加權(quán)的方法也存在局限性。

4 人工智能預(yù)測(cè)方法

隨著人工智能技術(shù)的發(fā)展，AI和FLS在負(fù)荷預(yù)測(cè)領(lǐng)域逐步得到應(yīng)用。這些算法的特點(diǎn)是具有較強(qiáng)的自適應(yīng)性和學(xué)習(xí)性，可對(duì)大部分非隨機(jī)變量進(jìn)行考慮，但對(duì)過(guò)去數(shù)據(jù)的要求也變得更高［5］。

4.1 專家系統(tǒng)法

專家系統(tǒng)法，顧名思義就是用專家的知識(shí)、方法、經(jīng)驗(yàn)對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。該算法相當(dāng)于將人類的經(jīng)驗(yàn)抽象為公式或模型應(yīng)用于實(shí)際預(yù)測(cè)中，是一種獨(dú)特的算法［2］。

優(yōu)點(diǎn):集中多位專家過(guò)去預(yù)測(cè)的數(shù)據(jù)，通過(guò)尋找專家預(yù)測(cè)的規(guī)律，將其轉(zhuǎn)化為負(fù)荷預(yù)測(cè)的能力，并得出正確的預(yù)測(cè)結(jié)果。這可保持和過(guò)去預(yù)測(cè)結(jié)果的一致性。缺點(diǎn):不具有自適應(yīng)能力，對(duì)不斷變化的事件適應(yīng)性差，因此受知識(shí)種類和總量的限制。

4.2 模糊預(yù)測(cè)法

該算法是來(lái)自于控制領(lǐng)域內(nèi)的模糊控制和預(yù)測(cè)控制的產(chǎn)物，由于干擾因素過(guò)多，因此只能將長(zhǎng)遠(yuǎn)的時(shí)間序列看作是近期的時(shí)間序列進(jìn)行預(yù)測(cè)［1］。優(yōu)點(diǎn):能夠?qū)嶋H地考慮到工業(yè)生產(chǎn)中的情況，且應(yīng)用成熟。缺點(diǎn):該算法缺少自適應(yīng)能力，無(wú)法對(duì)變化的非線性電力系統(tǒng)進(jìn)行預(yù)測(cè)和修正參數(shù)，預(yù)測(cè)精度較差。

4.3 人工神經(jīng)網(wǎng)絡(luò)法

近年來(lái)，以AI技術(shù)為代表的多類人工智能技術(shù)由于具有較強(qiáng)的自適應(yīng)學(xué)習(xí)能力和非線性處理能力在負(fù)荷預(yù)測(cè)中得到了廣泛應(yīng)用［5］，通過(guò)自適應(yīng)的學(xué)習(xí)訓(xùn)練來(lái)處理自然界存在的大量非線性組成部分和不精確的規(guī)律。優(yōu)點(diǎn):人工神經(jīng)網(wǎng)絡(luò)法具有很強(qiáng)的學(xué)習(xí)能力，能夠通過(guò)感知器和前向網(wǎng)絡(luò)對(duì)非線性函數(shù)線性化。缺點(diǎn):算法過(guò)于復(fù)雜，運(yùn)算時(shí)間較長(zhǎng)［17］。

4.4 小波分析預(yù)測(cè)法

作為一種時(shí)頻域分析法，小波分析能隨頻率變化調(diào)節(jié)信號(hào)采樣的疏密，可輕易地探測(cè)并分析出任意信號(hào)和圖像上的任意部分，在時(shí)頻域上表現(xiàn)出了良好的局部化性質(zhì)［12］。其是將信號(hào)信息以系數(shù)形式表示來(lái)方便存儲(chǔ)和傳遞、分析甚至于重建原始信號(hào)，因而有效地應(yīng)用于負(fù)荷預(yù)測(cè)的研究。先將不同頻率組成的混合信號(hào)經(jīng)其分解成不同的子信號(hào)，然后將其劃分到不同尺度上，即每個(gè)尺度上的子序列就代表了原序列中不同的子信號(hào)，展現(xiàn)了序列的周期性，最后根據(jù)這一結(jié)果對(duì)不同的子負(fù)荷序列進(jìn)行分步預(yù)測(cè)就可以得到準(zhǔn)確的預(yù)測(cè)結(jié)果［8］。

5 與動(dòng)態(tài)過(guò)程結(jié)合的預(yù)測(cè)方法

5.1 混沌理論預(yù)測(cè)法

該算法也是將控制論中的混沌理論用于負(fù)荷預(yù)測(cè)中，通常是解決非線性的能源系統(tǒng)的負(fù)荷預(yù)測(cè)情況。其主要核心是將各個(gè)分布式能源后的電力系統(tǒng)看成是非線性的系統(tǒng)模型［7］，然后找出與混沌系統(tǒng)共同的特點(diǎn)，最終通過(guò)構(gòu)造混沌的時(shí)間序列對(duì)負(fù)荷進(jìn)行描述，就可以在形成的相空間中實(shí)施預(yù)測(cè)［14］。

5.2 卡爾曼濾波算法

是用一種高效逐次計(jì)算方法來(lái)估計(jì)動(dòng)態(tài)的狀態(tài)，得到最小誤差的最優(yōu)估計(jì)，并將負(fù)荷作為狀態(tài)變量，用遞推的濾波算法進(jìn)行預(yù)測(cè)，一般用于在線預(yù)測(cè)。因精度最為關(guān)鍵，所以預(yù)測(cè)中需要盡可能地使用已掌握的信息以減少預(yù)測(cè)時(shí)間;目前被應(yīng)用基于極大似然估計(jì)的卡爾曼濾波方法實(shí)施超短期下的負(fù)荷預(yù)測(cè)中，其在濾波過(guò)程中先后做到了參數(shù)辨識(shí)、偏差處理和負(fù)荷預(yù)測(cè)，提高了預(yù)測(cè)精度，縮短了預(yù)測(cè)時(shí)間［14］。

6 結(jié)束語(yǔ)

本文將負(fù)荷預(yù)測(cè)的新老技術(shù)針對(duì)不同應(yīng)用進(jìn)行了歸納總結(jié)［20］。其中包括:輸配電負(fù)荷規(guī)劃、電網(wǎng)調(diào)度、基于負(fù)荷預(yù)測(cè)的電力系統(tǒng)狀態(tài)估計(jì)等［10］。所以通過(guò)引入其他領(lǐng)域的理論來(lái)改善電力系統(tǒng)負(fù)荷預(yù)測(cè)的模型和預(yù)測(cè)的精度，已成為研究重點(diǎn)，也是今后影響負(fù)荷預(yù)測(cè)的研究方向［2］。

［1］ 張師玲.基于RBF神經(jīng)網(wǎng)絡(luò)與模糊控制的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)［D］.鎮(zhèn)江:江蘇大學(xué)，2010.

［2］ 董翔.地市級(jí)短期電力負(fù)荷預(yù)測(cè)及特性分析系統(tǒng)的研究與開(kāi)發(fā)［D］.北京:華北電力大學(xué)，2007.

［3］ 呂嬋.基于BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)［D］.武漢:華中科技大學(xué)，2007.

［4］ 周雪蓮.全面小康社會(huì)目標(biāo)下的北京市中長(zhǎng)期電力需求預(yù)測(cè)研究［D］.北京:華北電力大學(xué)，2009.

［5］ 云會(huì)周.基于機(jī)器自學(xué)習(xí)的電力系統(tǒng)超短期負(fù)荷預(yù)測(cè)研究［D］.北京:華北電力大學(xué)，2010.

［6］ 劉穎.濟(jì)南市市中區(qū)高壓客戶平均電價(jià)的分析與研究［D］.濟(jì)南:山東大學(xué)，2009.

［7］ 唐衍.基于EMD方法的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)［D］.上海:上海交通大學(xué)，2011.

［8］ 張曉.電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究［D］.成都:四川大學(xué)，2001.

［9］ 黃麗蘇.數(shù)據(jù)挖掘在電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究［D］.長(zhǎng)沙:長(zhǎng)沙理工大學(xué)，2006.

［10］朱明亮.山東電力需求預(yù)測(cè)與發(fā)展分析［D］.北京:華北電力大學(xué)，2007.

［11］李德生.忻州地區(qū)電力負(fù)荷特性分析［D］.北京:華北電力大學(xué)，2007.

［12］李剛.水火電系統(tǒng)短期節(jié)能發(fā)電調(diào)度研究與應(yīng)用［D］.大連:大連理工大學(xué)，2007.

［13］康重慶，夏清，劉梅.電力系統(tǒng)負(fù)荷預(yù)測(cè)［M］.北京:中國(guó)電力出版社，2007.

［14］蔡夏，邢駿.電力系統(tǒng)負(fù)荷預(yù)測(cè)方法綜述［J］.信息化研究，2010(6):5－7.

［15］陳貝.電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)方法研究［D］.上海:上海交通大學(xué)，2009.

［16］谷子.基于混沌理論的電力短期負(fù)荷預(yù)測(cè)研究［D］.北京:中國(guó)農(nóng)業(yè)大學(xué)，2006.

［17］胡啟元.針對(duì)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的研究［D］.成都:四川大學(xué)，2004.

［18］孫云.小波分析在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用研究［D］.杭州:浙江大學(xué)，2005.

［19］牛東曉，曹樹(shù)華，趙磊.電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用［M］.北京:中國(guó)電力出版，1999.

［20］時(shí)廣獻(xiàn)，李春輝，李宏博.基于聯(lián)想神經(jīng)網(wǎng)絡(luò)算法的電力系統(tǒng)負(fù)荷預(yù)測(cè)［J］.電子科技，2010，23(12):62－66.