电力负荷预测方法浅析

　　摘要：电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。本文系统地叙述了几种常用负荷预测方法的实质特点、实用场合及其负荷预测误差度的检验，为电力负荷预测提供参考依据。

　　关键词：电力负荷预测 预测误差 组合预测

　　负荷预测是电力系统运行管理与建设发展的基础工作，也是长期以来的热点问题.

　　目前国内外研究的方法主要包括基于回归分析、神经网络、灰色理论和最优组合预测方法等[1~3]，基本上都属于参数统计法的范畴，因变量对自变量有较强的依赖关系;当假设函数模型成立时，预测精度较高，当假设函数不成立时，预测模型的拟合情况和预测精度都是不理想的;后者降低了自变量对因变量的限制，有较大的适应性，但也可能会失去历史资料所提供的信息，降低模型的解释能力.

　　电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。本文系统地叙述了几种常用负荷预测方法的实质特点、实用场合及其负荷预测精度的检验，为电力系统工作人员进行负荷预测提供参考依据。

　　1 负荷预测的基本过程

　　负荷预测工作的关键在于收集大量的历史数据，建立科学有效的预测模型，采用有效的算法，以历史数据为基础，进行大量试验性研究，总结经验，不断修正模型和算法，以真正反映负荷变化规律。其基本过程如下：

　　(1)确定预测目标和预测内容

　　(2)收集数据

　　(3)预测模型的建立

　　(4)模型估计、检验和评价

　　(5)利用预测模型进行预测，结果分析和上报

　　2 电力负荷预测方法

　　目前国内外常见的电力负荷预测方法有时间序列法、相关分析法、回归分析法、灰色预测法、模糊逻辑法、神经网络法、组合预测法等。

　　2.1 时间序列分析法

　　首先假定过去的负荷变化规律持续到将来，然后根据历史数据，找到随时间变化的规律，建立合适的数学模型，最后对未来的负荷进行预测，此种方法称为时间序列法[4]。该种预测方法不考虑负荷与其他因素之间的因果关系，不也考虑其大小变化的因果关系。

　　时间序列法是电力负荷预测最常用的方法之一，它的优点是计算简单，要求的历史数据少，但当用它来预测特定日的负荷时，预测精度较差。一般情况下，该种方法适用于电力负荷曲线随时间平稳变化的场合。

　　2.2 相关分析法

　　相关分析法是寻找负荷与影响因素之间的因果关系，建立相关分析模型，然后对未来负荷进行预测[5]。负荷与影响因素之间的关系分为两类，一类是函数关系，反映它们有严重的依存关系，可以用函数具体表示;另一类是相关关系，在这种关系中负荷与影响因素之间的关系是不严格的依存关系。利用该种方法对负荷进行预测时，首先要考虑负荷与影响因素之间的关系，然后判断他们之间的密切程度，最后选择合适的方法进行负荷预测。

　　该种方法的优点是可以清楚地得到负荷与影响因素之间的关系。缺点是利用较多的相关因素，造成实际预测的困难。

　　2.3 回归分析法

　　回归分析预测是电力系统负荷预测的一种常用方法[6]，其任务是寻找因变量和自变量之间的相关关系。按照自变量和因变量之间的关系可以分为线性回归分析和非线性回归分析;根据回归分析涉及变量的多少，可以分为一元回归分析和多元回归分析。

　　回归分析法就是利用已知历史数据，寻找出因变量和自变量之间的相关关系，建立数学模型，通过最小二乘法求出模型参数，然后利用残差、相对误差或者绝对误差等对模型进行检验，当模型检验通过时，可以利用该模型对负荷进行预测;反之，则丢弃该模型，重新选择数学模型。在负荷预测问题中，回归方程的因变量一般是电力系统负荷，自变量是影响电力系统负荷的各种因素，如经济、人口、气候等。

　　回归分析法优点：方法简单、外推性好、预测速度快，当选择的模型与实际符合时，对未来的负荷预测精度相对较高。缺点是：①对历史数据的要求高，特别是历史数据残缺或存在较大误差的情况下，预测效果很不理想;②用简单的线性方法描述复杂的非线性情况，丢失信息过多;③而非线性回归分析模型的确定和参数估计较为复杂，但在选择非线性回归模型时，通过对历史数据的处理，可以将非线性转化为线性;④考虑气象因素时，对负荷预测影响的因素考虑不完全，一般情况下只考虑温度、湿度等;⑤进行回归分析时，当预测模型与实际情况相背离时，预测精度较差;⑥缺乏自学习能力，当负荷结构变化或者影响负荷变化的主要因素改变时，模型不会自主修正，只能通过人为地模型修正，在这样的情况下，负荷预测的结果精确度相对较差。

　　2.4 灰色预测法

　　灰色系统理论是我国学者、华中理工大学邓聚龙教授于1982年3月在国际上首先提出来的[7]。近些年，该理论在经济、工业、农业、卫生管理等领域得到了迅速发展，并取得满意的结果。灰色系统就是部分信息已知，部分信息未知的系统，介于白色系统和黑色系统之间。灰色系统理论是建立在灰色系统模型，控制模型，预测，决策和系统最优化的组合上的理论。

　　灰色预测法的基本预测模型是灰色模型(GM)。在电力负荷预测中，影响因素较多，关系复杂，并且无法全部表示出来，因此具有灰色特性。随着社会的发展，电力负荷总体上呈增长趋势，基本上符合灰色预测模型的基本条件。灰色预测要求原始数据较少，并且在原始数据比较杂乱无章时，采用累加生成或累减生成的方式，整理成规律性较强的数据列，这样便于建立数学模型。此外灰色预测还具有原理简单、不考虑分布规律、运算方便、可检验、精度高、适用性好等优点。因此，灰色系统理论在负荷预测中得到了广泛应用，并取得了较好的效果。

　　在应用动态灰色模型进行负荷预测时，发现了一些缺点。如： ①当负荷增长速度较慢，预测精度较高;反之预测精度较差;②当负荷的增长规律不是指数型时，预测精度变差;③数据离散程度越大，预测精度越差;④简单灰色预测应用于电力系统的长期预测时，会出现增长率过快的问题。

　　为了提高预测精度，针对灰色预测模型的缺点提出了多种改进措施，但是仍然比较单一。一般情况下要提高电力负荷预测精度，选择合适的集中负荷预测方法进行最优化组合式最为恰当的。

　　2.5 模糊逻辑算法

　　1965年，美国加州大学伯克利分校电气工程系的的L.A.zadeh教授提出模糊集，给出模糊数学的概念[6]。自此之后，模糊数学发展非常迅速。随着专家学者对模糊理论的重视，其应用也是越来越广泛，逐渐应用到社会各个领域。

　　在电力负荷预测中，由于未来相关因素中有很多不确切的，是模糊的，而传统的预测方法都是建立精确地数学模型，然后对负荷进行预测，这样就带来了较大的预测误差，因此将模糊数学应用于负荷预测，可以提高负荷预测精度，同时也为电网规划工作提供了新的数学工具和研究手段。

　　模糊预测方法是化众多不确定信息为确定信息，利用模糊矩阵来描述电力负荷与影响因素之间的关系，用模糊集合论的原理求解负荷变化规律。利用模糊预测法对电力负荷预测更接近于实际。用模糊理论来解决负荷预测问题是一种极有意义的探索。其优点是负荷预测结果是一个预测区间，预测结果的精确度较高;其缺点是需要提供历史数据较多，收集比较困难，这就造成了使用困难。

　　迄今为止，模糊数学在预测方面还没有形成完整而深刻的理论和系统的方法，还有待进一步研究与探索。

　　2.6 神经网络法

　　神经网络是一门高度综合的交叉学科，涉及到信息科学、计算机科学、数理科学以及神经生物学等众多学科领域[6]。

　　神经网络模型是由大量的处理单元(或称神经元) 广泛地互相连接而形成的复杂网络系统。它主要是通过模拟生物脑结构和功能的一种信息处理系统。神经网络具有容错性强、大规模并行、分布式存储和处理、自组织、自适应和自学习能力以及较强的联想、记忆、功能。在非线性预测时具有以下优点：①根据新获得的数据，很容易建立新的预测模型，吸收新的信息来提高预测精度;②动态自适应性强，可适应外界新的学习样本，使网络知识不断更新;③容错性强，可处理信息不完全的预测问题;④实现了非线性关系的隐式表达，不需要建立复杂系统的显式表达式。

　　2.7 组合预测方法

　　组合预测方法基于不同的预测方法，根据不同的场合，选择合适的权重，然后对负荷预测的一种方法。该方法可以提高负荷预测精度，扩大负荷预测范围，是未来负荷预测方法发展的一种趋势。

　　3负荷预测误差分析

　　3.1 产生误差的原因

　　产生预测误差的原因很多，主要有以下几个方面：

　　(1) 进行预测往往要用到数学模型，而数学模型大多只包括所研究现象的某些主要因素，很多次要的因素都被略去了。

　　(2) 负荷所受影响是千变万化的，进行预测的目的和要求又各种各样，因而就有一个如何从许多预测方法中正确选用一个合适的预测方法的问题。

　　(3) 进行负荷预测要用到大量资料，而各项资料并不能保证都是准确可靠，这就必然会带来预测误差。

　　(4) 某种意外事件的发生或情况的突然变化，也会造成预测误差。

　　3.2预测误差的分析

　　在电力负荷预测前，一般情况下都会对所选择的预测模型进行模型检验和评价。模型检验方法包括残差检验、后验差检验、关联度检验等。

　　(1)残差检验：

　　评价预测模型是否适合当前的预测场合，最简单的方法就是利用残差，求出相对误差对预测模型进行检验。相对误差越小，说明预测模型越好;反之，预测模型越差。一般情况下，相对误差在正负5%内，即为满意。如果相对误差在正负10%内，在预测精度要求较低的场合，可以达到预期目的，该预测模型可用。

　　(2)后验差检验

　　后验差检验是根据实际值和拟合曲线上的理论计算值之间的关系，计算出后验差指标(后验差比值和小误差概率)，然后根据后验差指标来判断预测模型是否可用的一种方法。后验差比值是越小越好，小误差概率越大越好。

　　(3)关联度检验

　　关联度检验是根据模型曲线和实际数据曲线之间的相似关联度对预测模型进行检验的一种方法。关联度越大，说明该模型曲线与实际数据曲线越相似，所选择的预测模型越好，拟合误差也越小;反之，说明预测模型越差，拟合误差越大。

　　4 结论

　　电力负荷预测是电网规划、电网运行调度、能量管理系统(EMS)和配电管理系统(DMS)中的重要组成部分，也是保证电网安全经济运行和实现电网科学管理及调度的重要依据。选择合理的负荷预测方法，提高负荷预测精度，计划用电管理、合理地安排电网运行方式、制定合理的电源建设规划以及提高电网的经济效益和社会效益都非常有利。

　　参考文献

　　[1] 尤焕苓,丁德平,王春华等. 应用回归分析和BP神经网络方法模拟北京地区电力负荷预测[J]. 气象科技, 2008,36(6):801~805

　　[2] He-Rui Cui. A long-term electrical power load forecasting model based on grey feed-back modification [C]. Machine Learning and Cybernetics, 2008 International Conference on Volume 4, 12-15 July 2008 Page(s):2198 - 2201

　　[3] 张亚军, 刘志刚, 霍柏超等. 基于支持向量机的电力负荷组合预测模型[J]. 电力需求侧管理, 2007, 9 (2):14~17

　　[4] Kandil.M.S，El-Debeiky. S.M，Hasanien.N.E. The Implementation of Long-term Forecasting Strategies Using a Knowledge-based Expert System. Part-II[J]. Electric Power Systems Research， 2001，58(1)：19～25

　　[5] 黄桂华. 中长期电力负荷预测方法的简述[J]. 农村电气化. 2002(8):8~9

　　[6] 孙洪波. 电力网络规划[M]. 重庆：重庆大学出版社，1996.7~9

　　[7] 冯福旺. 灰色理论在中长期负荷预测中的应用[D]. 太原理工大学，2005