國網(wǎng)臨夏供電公司 馬 瑾

合理的電力負荷預測可以給電力系統(tǒng)的可持續(xù)化運作創(chuàng)造有益的條件，在智能電網(wǎng)環(huán)境之下，如何有效地提升負荷預測信息的精準性已經(jīng)成為當下研究熱點之一。基于此，本文將首先簡要地說明負荷預測的基本概念，同時再闡述各個負荷預測方法，分析智能電網(wǎng)環(huán)境下的負荷預測應用情況，希望能夠給同行帶來一定的參考價值。

在智能電網(wǎng)之下，ICT技術(shù)已經(jīng)被越來越多的運用，同時還積極投入了大量的智能終端裝置，大幅度地提升了對負荷預測精準程度以及密度的實際，同時也就提升了負荷預測的難度系數(shù)，較之于傳統(tǒng)負荷預測方法，其發(fā)展態(tài)勢已從單一的負荷預測技術(shù)轉(zhuǎn)向了負荷預測精細化服務(wù)管控層面，如此才能夠順應未來智能電網(wǎng)發(fā)展的趨勢以及需求，對此本文將闡述各個負荷預測方法。

1 負荷預測方法分析

1.1 負荷預測的基本原則分析

電力系統(tǒng)負荷預測即電力人員充分地考量電力系統(tǒng)運輸屬性、增容和自然條件，然后采取一系列手段，通過往期信息數(shù)據(jù)對將來的負荷予以估量，在可控的精度之下，明確將來一個周期的負荷取值。電力負荷預測對于電力系統(tǒng)計劃以及運作起到了不可忽視的效用，已經(jīng)成為發(fā)展規(guī)劃和實時把控的關(guān)鍵性憑證。負荷預測的精準性對電網(wǎng)的投入、布局以及運作的合理都產(chǎn)生了極大的影響，現(xiàn)如今，如何有效地提升電力負荷預測精準程度已經(jīng)成為當下電力系統(tǒng)亟待解決的重要問題之一。

1.2 傳統(tǒng)負荷預測工作方法分析

傳統(tǒng)負荷預測方法通?？梢詣澐譃槿缦聨追N類型，具體如下：

其一，趨勢外推負荷預測方法。該手段即靈活地應用負荷過往的變化態(tài)勢展開推測，盡管電力負荷實時在發(fā)生改變，具有顯著性的隨機性，不過經(jīng)過一系列的算法處置，還是可以獲取負荷的變化規(guī)律，依據(jù)往期信息數(shù)據(jù)不難看出，變化規(guī)律能夠表現(xiàn)出線性、非線性、周期性以及非周期性，預測人員能夠利用最小擬合曲線計算這一方程，該手段在短期內(nèi)進行負荷預測工作十分合宜，不過無法伴隨負荷改變而出現(xiàn)動態(tài)改變，其產(chǎn)生的偏差明顯。

其二，時間序列負荷預測方法。該手段就是指依據(jù)負荷的過往信息，通過統(tǒng)計電力負荷在隨機變化期間所表現(xiàn)出的規(guī)律性，采用數(shù)學模型呈現(xiàn)出來，從而進一步明確負荷預測的數(shù)學公式。該手段要充分地參照季節(jié)、周、天、小時變化的時間序列，然后再進一步對負荷信息的實際值以及預測值差值予以解析和處置。其流程大概還包括識別模型、估算模型系數(shù)、檢驗模型、預測負荷以及核驗預測值精度等等。該手段整體的計算量不大，不過無法把負荷信息變化的因素全都考量其中，通常被應用在負荷變化較為均勻的狀況下展開短期預測。

其三，回歸模型負荷預測方法。該手段即通過數(shù)理統(tǒng)計方法構(gòu)建針對性的數(shù)學模型，然后再對各個變量信息予以處置?？偟膩碚f，該預測手段常常被應用至負荷中期預測，精準程度相對較高，不過很難預測那些較為繁瑣的狀況，即綜合用電負荷的情況。

1.3 現(xiàn)代負荷預測方法

近幾年來，部分新興預測方法獲得了較好地應用，具體如下：

（1）人工神經(jīng)網(wǎng)絡(luò)預測方法分析

人工神經(jīng)網(wǎng)絡(luò)即模擬人腦神經(jīng)網(wǎng)絡(luò)展開學習，同時還能夠處置相應問題的一種重要的非線性系統(tǒng)。其通過若干個具備并行運算效能的神經(jīng)元節(jié)點和連接其針對性權(quán)值組成，從而有助于函數(shù)做到輸入變量至輸出變量間的非線性映射?？紤]到人工神經(jīng)網(wǎng)絡(luò)在應用過程中呈現(xiàn)出對諸多非結(jié)構(gòu)性、非精確性規(guī)律具備自適應效能，同時還具備極為顯著性的記憶效能、非線性映射效能以及自學效能，所以已經(jīng)越來越受到人們的重視，成為近幾年來負荷預測行業(yè)探究的課題之一。有研究者利用遞歸人工神經(jīng)網(wǎng)絡(luò)模型對電力短期負荷展開預測，同時采取了梯度下降手段，如此一來，就能夠有效地提升訓練的收斂速率，根據(jù)預測仿真信息不難看出，較之于過往的預測方法，采取遞歸神經(jīng)網(wǎng)絡(luò)預測方法的精準程度更為精準，但是，典型的人工神經(jīng)網(wǎng)絡(luò)出現(xiàn)了諸多極難設(shè)置學習系數(shù)、收斂慢速，同時收斂至局部極小，操作人員很難明確網(wǎng)絡(luò)結(jié)構(gòu)。不僅如此，還有研究學者指出采取遺傳算法全局搜索水平高，綜合神經(jīng)網(wǎng)絡(luò)的局部尋優(yōu)功能，組成遺傳神經(jīng)網(wǎng)絡(luò)。通過遺傳算法對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值予以改善，進而實現(xiàn)加速尋優(yōu)效率，提升訓練精準程度的目標。不僅如此，有研究人員在采用神經(jīng)網(wǎng)絡(luò)展開電力系統(tǒng)短期負荷預測工作的過程中，其網(wǎng)絡(luò)輸入變量的選取環(huán)節(jié)常常是影響預測成效的重要一環(huán)，如此一來，就建議采取模糊粗糙集理論預處置信息，所獲取的信息當作BP網(wǎng)絡(luò)的輸入變量展開預測工作。這一工作不但系統(tǒng)化地考量了影響負荷預測的歷史時間序列、氣象等多方面元素，給科學選取神經(jīng)網(wǎng)絡(luò)的輸入變量帶來了一定的有益基礎(chǔ)，同時還能夠防止因為輸入變量偏高而引發(fā)神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)繁瑣、訓練時間長等局限性。

（2）數(shù)據(jù)挖掘方法分析

數(shù)據(jù)挖掘即由海量信息中挖掘隱含在其中的知識，同時還能夠?qū)⑵涑尸F(xiàn)成最終可以被人們理解的模式，該方法在消除冗余數(shù)據(jù)等方面起到了關(guān)鍵性的效用?，F(xiàn)如今，在多個行業(yè)之中，最為普遍的數(shù)據(jù)挖掘技術(shù)包括決策樹、神經(jīng)網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則、統(tǒng)計學模糊集等等。有研究人員指出一個根植于數(shù)據(jù)挖掘內(nèi)時間序列相似性研究的電力負荷預測手段，同時，還有研究者給出了一類基于最優(yōu)區(qū)間分割以及單調(diào)遞減閾值函數(shù)的聚類手段，接著再采取一定手段抽取有關(guān)負荷的特征曲線，同時把它們當作不良信息予以校正。通過對電力負荷的仿真解析，進一步核驗了該算法的高效性。與此同時，通過數(shù)據(jù)挖掘技術(shù)能夠信息予以處置，然后把結(jié)果當作支撐向量機的訓練信息，如此一來還能夠有效地減少數(shù)據(jù)量，進而提升預測的速率及精準程度。

（3）模糊預測法分析

模糊預測技術(shù)即根據(jù)模糊理論，將過往的工作經(jīng)驗、歷史信息或二者綜合。通過規(guī)則的方式呈現(xiàn)出來，同時進一步轉(zhuǎn)變成能夠在計算機上運作的算法，從而有效地完成多方面的工作任務(wù)。較之于人工神經(jīng)網(wǎng)絡(luò)方法，其可以較為明晰地闡明專家意圖，處置電力系統(tǒng)內(nèi)諸多不精準的、模糊的問題，同時還能夠被應用至長期負荷預測工作之中。值得注意地是，該方法學習能力相對較弱，極易受到人為因素的影響。

2 智能電網(wǎng)環(huán)境下的負荷預測應用分析

2.1 智能電網(wǎng)環(huán)境下的負荷情況分析

近幾年來，諸多地區(qū)都在對具備安全、清潔等屬性特點的智能電網(wǎng)展開探究，智能電網(wǎng)在一定程度上升級了傳統(tǒng)電網(wǎng)內(nèi)各電源點和負荷點的基本理念，而大力引入新能源也給負荷活動帶來了很大的影響。同時，新能源不僅涵括了集中式發(fā)電能源，同時也涵括了小型分布式發(fā)電能源，傳統(tǒng)的電力用戶只要求吸收電能，而功率流向只要求為電網(wǎng)傳輸用戶，不過針對具備分布式電源的智能電網(wǎng)，電力用戶不僅能夠進一步汲取電能，也能夠向電網(wǎng)傳輸電能，電力用戶不僅僅是絕對的用電負荷，所以這就給過往負荷預測技術(shù)提供了新的機遇及挑戰(zhàn)。

2.2 儲能技術(shù)對負荷預測工作的影響分析

通常來說，智能電網(wǎng)的主要特征之一即在電網(wǎng)內(nèi)接入了儲能設(shè)施，由此來用以平滑風能、太陽能等間歇式能源的出力曲線。通過順利連結(jié)儲能設(shè)施，在電力較為充足的情況下，將之儲蓄在一塊兒，一旦抵達負荷高峰期就能夠把電能順利地釋放，從而起到了削峰填谷的效用。所以，儲能設(shè)施不但是負荷同時也是重要的電源，在進行負荷預測的過程中，要將其全面地考量進來。

2.3 基于AMI的電力負荷預測

通常來說，智能電網(wǎng)下的測量體系（簡稱AMI）即一項適用于測量、采集、儲蓄以及解析用戶用電信息的專業(yè)化機制，該部分通常由智能電表、通信、測量數(shù)據(jù)管控系統(tǒng)和用戶網(wǎng)絡(luò)組成。一個區(qū)域的總負荷，往往是通過各個小區(qū)域的千萬類型的負荷整合而成，各負荷常常遭到不同內(nèi)外部因素的影響，各個類型的負荷其運作屬性也具有很大的差異性。若可以對各種不同的負荷展開預測，那么就能夠大幅度地提升總負荷的預測精準程度。一般來說，傳統(tǒng)電網(wǎng)缺少較為完備一致的數(shù)據(jù)平臺，還缺少對各項負荷地全面化認知，而伴隨我國智能電網(wǎng)地迅速發(fā)展，此時搭建了專業(yè)化的AMI測量體系，那就能夠搭建起系統(tǒng)化的負荷預測平臺。通過智能電表搜集負荷信息，依據(jù)負荷本身屬性采取針對性的負荷預測方法，然后把預測結(jié)果整合起來獲取總體的預測結(jié)果，那么就能夠獲取較高的負荷預測精準程度。

結(jié)束語：綜上所述，負荷預測的普遍流程即利用歷史負荷信息，采集相應的數(shù)據(jù)處置方法對將來某一周期內(nèi)的負荷值予以估量，而伴隨我國智能電網(wǎng)地迅速發(fā)展，此時所采集的各項負荷數(shù)據(jù)趨于完備，而正確的預測技術(shù)在很大程度上影響了預測能力的水準。對于智能電網(wǎng)而言，AMI可以構(gòu)建一個較為完備的負荷預測平臺，通過精準掌握各負荷點的屬性、類型并展開預測，如此一來，就大幅度地提升了負荷預測的精準性。