典型负荷预测方法

几种经典的负荷预测方法

短期负荷预测方法从时间上来划分可分为传统和现代的预测方法。传统的负荷预测方法主要包括时间序列法、回归分析法、状态空间法等，而现代的负荷预测方法主要是应用专家系统理论、模糊理论和神经网络理论来进行短期负荷预测。

§1 时间序列法

时间序列法是将某一现象所发生的数量变化根据时间的先后顺序排列，以揭示这一现象随时间变化的发展规律，从而用以预测现象发展的方向和数量，此类方法在电力行业做中长期规划时是使用最广泛的。基本步骤为：第一步先对这些数据加以描述，第二步用适当的数理统计方法对这个时间序列加以解释，确定它的数据模型；第三步是对时间序列进行预测；第四步是根据预测结果设法加以控制，以便达到预期的效果，它主要分为指数平滑法和自回归—移动平均模型。 §1.1 指数平滑法

假设时间序列有着某种基本数据模式，而观测值不但体现着这种基本数据模式，又反映着随机变动。指数平滑法[10]的目标就是采用“修匀”历史数据来区别基本数据模式和随机变动。这相当于在历史数据中消除极大值或极小值，获得该时间序列的“平滑值”，并以它作为对未来时期的预测值。

一、移动算术平均法

移动算术平均法[11]，设当前时期为f 已知时间序列观测值为t x x x ,,,21 ，假设按连续n 个时期的观测值计算一个平均数，作为对下一个时期，即(t +1)时期的预测值，用1+t F 表示

1+t F ==++---)(111n t t t x x x n ∑--=t

n t i i x n 1

1

（1—1）

当n =1时，表示直接用本期观测值i x ，作为对下一个时期的预测值1+t F 。 它的优点是计算简单，缺点是要保存的数据比较多，而且n 的大小不容易确定，它只能用于平稳时间序列。

二、指数平滑法

指数平滑法[12]实际上是从移动算术平均法演变而来的，它也只适用于平稳时间序列，它的优点是不需要保留较多的历史数据，只要有最近的一期的实际观测值t x 和这期的预测误差)(t t t F x e -=，就可以对未来时期进行预测。

t t t F x F )1(1αα-+=+

（1—2）

其中：α是平滑常数，10<<α。可以运用最小均方差的原则，自动寻找最佳的平滑常数。

三、线性指数平滑法

当时间序列随时间的发展有不断增加或减少的趋势时，用单指数平滑法预测就不准了，因为这种时间序列不属于平稳过程，线性指数平滑法[13]是针对这类时间序列的一种有效的预测方法，用这种方法预测时，它把平均每一期的增量考虑进去，并不断地作趋势性的调整。

线性指数平滑法的计算过程共分五个步骤： （1）计算t 时期的单指数平滑值'

t S ：

'1')1(--+=t t t S x S αα

（1—3）

式中：t x —t 时期的观测值；

'1-t S —(1-t )时期的单指数平滑值；

α—平滑常数

（2）计算t 时期的双指数平滑值''t S ：

''1''')1(--+=t t t S S S αα （1—4）

（3）计算t 时期的水平值t A ：

'''''''2)(t t t t t t S S S S S A -=-+= （1—5）

（4）计算t 时期的增量t B ：

)(1'''t t t S S B --=

αα)(1'''t t t S S B --=α

α

（1—6）

（5）预测m 个时期以后，即)(m t +时期的数值m t F +：

t t m t mB A F +=+

（1—7）

式中：m 是正整数，1≥m

四、二次曲线指数平滑法

有的时间序列虽然有增加或减少的趋势，但不一定是线性的，可能按二次曲线的形状增加或减少。对于这种时间序列，采用二次曲线指数平滑法不但考虑了线性增长的因素，而且也考虑了二次抛物线的增长因素。它的计算过程分为七个步骤：

（1）计算t 时期的单指数平滑值'

t S ：

'1')1(--+=t t t S x S αα

（1—8）

（2）计算t 时期的双指数平滑值''t S ：

''1''')1(--+=t t t S S S αα

（1—9）

（3）计算t 时期的三重指数平滑值'''t S ：

'

''1''''')1(--+=t t t S S S αα

（1—10）

（4）计算t 时期的水平值t A ：

''''''33t t t t S S S A +-= （1—11）

（5）计算t 时期的增量t B ：

[]'

'''''2

)34()810()56()

1(2t t t t S S S B ααααα-+----=

（1—12）

（6）计算t 时期的抛物线增量t C ：

)2()

1(''''''2

2

t t t t S S S C +--=αα （1—13）

（7）预测m 个时期以后，即)(m t +时期的数值m t F +：

22

1

m C mB A F t t t m t +

+=+ （1—14）

其中，m 是正整数，1≥m

五、季节性指数平滑法

对于既有季节因素影响、又有趋势因素影响的时间序列进行预测，以上几种平滑法基本上是无效的，而要采用更为高级的指数平滑方法。季节性指数平滑法[14]的基本原理是要把这种时间序列分解为三个部分：水平因素部分、趋势因素

部分、周期因素部分。先把这三部分从时间序列中分离出来，然后再合起来进行预测。由于我们主要研究是短期负荷预测，以日为量度单位，该时间序列具有较强的适用性。

§1.2 自回归—移动平均模型

我们先讨论一些所要用到的概念和定义。对于时间序列,,,,21i x x x 如果它的均值为常数，协方差函数不随时间的推移而变化，则称之为平稳时间序列。即：

μ=i Ex （常数）

（1—15）

令μ-=i i x w ，则对于时间序列,,,,21t w w w 由于它的均值为零，称之为零均值的平稳时间序列。

自相关函数的定义如下式：

)

()

(2

i i k i k w E w w E +=

ρ （1—16）

偏相关函数的定义如下：

用t w 的前k 个时刻的值来对t w 作最小方差估计。即要确定,,,21kk k k ααα 使得

[]))((22211k t kk t k t k t w w w w E ---+++-=αααδ 达到最小值。其中第k 个系数kk α就

称为序列t w w w ,,,21 的偏相关系数

一、三类平稳序列模型 （1）自回归模型（AR 模型[15]）

t p t p t t y y y αφφ=----- 11

（1—17）

式中：t α—方差为σ均值为零的白噪声；

p —自回归阶数；

p φφφ,,,21 —模型参数

（2）移动平均模型（MA 模型[16]）

q t q t t t y --++=αθαθα 11

（1—18）

式中：q —平滑移动阶数；

q θθθ,,,21 —模型参数

（3）自回归—移动平均模型（ARMA 模型[16]）

q t q t t p t p t t y y y ----++=---αθαθαφφ 1111

（1—19）

我们可将上式写为：

t t B y B αθφ)()(=

（1—20） 其中，p p p B B B B φφφφ----= 2211)(

（1—21） q q q B B B B θθθθ +++=2211)(

（1—22）

B 是反向移动算子：

（1—23）

表1 三类平稳序列模型的性质

自相关函数的截尾性是指在q k >后，k ρ全都是零的性质；它的拖尾性是指k

ρ永不为零而又被负指数控制的特性。同理，偏相关函数的截尾性是指在q k >后，k ρ全都是零的性质，它的拖尾性是指k ρ永不为零而又被负指数控制的特性。根据上述分析，我们先通过对已知时间序列的平稳性分析，可以确定它是否适用于以上的模型：然后对该序列的自相关函数和偏相关函数进行计算，根据其截尾性或拖尾性来确定采用上述三类模型中的哪一类，并确定模型的阶；最后可采用最小二乘估计来确定模型的参数。

二、非平稳序列模型：ARMA 模型（自回归—差分—滑动平均）

如果t y 是非平稳过程，我们可通过差分转换t d t d y y B ?=-)1(来将它转换为平稳过程，从而可以采用ARMA 模型，其中d 是获得静态过程的阶数，?是差分算子。

t t d p B y B B αθφ)()1)((=-

（1—24） 其中：p p p B B B B φφφφ----= 2211)(

（1—25） q q q B B B B θθθθ----= 2211)(

（1—26）

通过上述讨论，可知非平稳序列可以转化成平稳序列，转化的关键在于要确

定阶数d ，确定阶数d 的方法如下：

k

t t k y y B -=

我们先作一阶差分，得到t y y y ??? ,,32，求出它的自相关函数和偏相关函数，如果仍然不属于AR 、MA 、ARMA 序列，则继续差分，直到某一个d ，使得

t d d d d d y y y ???++ ,,21属于AR 、MA 、ARMA 三种类型之一为止。

三、自回归—移动平均模型[17] 自回归—移动平均模型的预测步骤为：

（1）取定一个样本长度n ，得数据n y y y ,,21；

（2）确定阶数d ，设t t d

x y =?平稳时间序列；

（3）将t x 零均值化。即令x x w t t -=，计算t w 的k ρ，kk

α；

（4）模式识别，如果不能识别为AR 、MA 、ARMA 中的某一类,则回到（2），加大阶数d ；

（5）参数估计；

（6）模型考验，如果不能通过考验，则回到（4），重新识别。

§2 回归分析法

回归分析[18]也称为解释性预测，它假设一个系统的输入变量和输出变量之间存在着某种因果关系，它认为输入变量的变化会引起系统输出变量的变化。通过研究输入变量与输出变量之间的关系，建立预测模型，明确相互关系的密切程度，然后以输入变量为依据预测输出变量的变化。

相关关系是指两个变量或若干变量之间的伴随发生的随机关系，至于它们之间是否存在因果关系须由随后的定性来判断。当确定变量之间存在相关关系时，总希望能依据易于取得的变量预测与之相关的其它变量，只要两个变量或若干变量之间的相互关系可以用某一个拟合的数学关系式加以表示，那么根据这一回归模型与给定的自变量，就可以估计因变量的预测值。相关分析和回归预测是相辅相成的，只有确定了相关关系，才能拟合回归预测模型，反之，只有建立了回归模型，才能确定相关关系的形式和性质。预测是否可靠要依赖于回归模型的拟合优度，这就必须对回归模型及其参数做出假设检验，并给出置信区间，以便做出区间预测，并给出可靠度。研究两个变量之间的相关关系称为单相关，与之对应

的回归预测称为一元回归预测，研究若干个变量与另一个变量之间的相关关系称为复相关，与之对应的回归预测称为多元回归。如果回归模型的因变量是自变量的一次函数形式，则称为线性回归预测，否则称为非线性回归预测。

回归分析法预测的步骤为： （1）分析确定自变量和因变量；

（2）计算各自变量与因变量之间的相关性，确定合适的自变量；

（3）根据历史数据确定回归方程的参数，并进行假设检验，检验求得的方程是否具有实用价值和可行性；

（4）判断回归方程的可行以后，由自变量计算预测值和置信区。

回归分析法的缺点是要收集较多的观测值，它的预测精度与样本含量有关，所以付出的代价一般比较大。 §2.1 线性一元回归法

线性一元回归法有一个假设前提，认为变量之间存在着线性关系，虽然在实际情况中往往不是这种关系，但可以通过适当的办法把它们转换成线性关系。线性一元回归模型只考虑两个变量x 和y 之间的线性关系，假设有n 对观测值

),(),,(),,(2211n n y x y x y x 要设法建立一个直线方程，使所有的观测值点到这条直线的距离平方和达到最小，即我们熟知的最小二乘法原则。

假设这条直线方程的表达式如下：

bx a y +=∧

（1—27）

那么每一个观测点距离这条直线的误差：

)(i i i i i bx a y y y e +-=-=∧

（1—28）

现在要确定一组系数),(b a ，使它所对应的误差平方和达到最小，在最小二乘法的原则下，系数a 和b 是唯一确定的，则直线bx a y +=∧

称为线性一元回归方程。

建立了回归方程以后，还必须对它进行显著性检验，把回归系数a 和b 计算出来以后，还要进一步检验这两个系数的显著性，需要采用适当的数理统计方法，在一定的置信程度下来判别a 和b 与零是否存在显著性差异。

回归的标准离差，也称为标准误差估计n σ：

2

)(1

2

--=

∑=∧

n y y

n

i i i

n σ

（1—29）

回归系数a σ的标准误差：n

n

a σσ= （1—30）

回归系数b σ的标准误差：∑=-=

n

i i

n

b x x

1

2

)(σσ

（1—31）

有了这两个标准误差，就可用t 检验方法判别回归系数a 和b 的显著性，计算：

a

a a

t σ=

；b

b b

t σ=

（1—32）

查“t 数值表”，在自由度2-=n df 时所对应的t 数值，若a t 和b t 大于或等于表中的t 数值，则有95％的置信度认为a 和b 均与零有显著性差异，否则与零无显著性差异。在正式用模型进行预测之前，先要对误差项进行自相关分析，以判别它是否具有随机性。只有是随机误差，并符合平均值为零，方差等于常数的正态分布，才能认为所建立的回归模型能够用于预测。用时间序列分析法预测出x 变量在各预测点的值，然后再代入回归模型，便可以求出预测值。 §2.2 线性多元回归法

同简单直线回归模型一样，假设可以建立一组线性方程[19]，设变量y 和m 个自变量m x x x ,,21有关系，又假设已获得n 组观测值)(m n >

）

，i m i i i y x x x ,,(21 n i ,,2,1 = 利用最小二乘法原则，建立的线性方程如下：

m m x b x b x b a y +++=∧

2211

（1—33）

那么每一个观测值到这条直线的距离就是误差i e ：

)(2211m m i i i i x b x b x b a y y y e +++-=-=∧

（1—34）

同样，误差项i e 应属于随机误差，符合平均数为零，方差为常数的正态分布，

误差项之间彼此独立。

对于多变量的情况，同样需要进行相关分析，用于单变量系统的t 检验方法不再适用，而要用F 检验方法来检验回归方程的显著性，用R 表示多变量相关系数，

R 的平方项2R 称为“判定系数”，它表示因变量的变动受到自变量的影响。

（1—35） 定义统计量c F 有以下关系

1

122---=m n R m R F c （1—36）

查“F 数值表”，置信度为95%，第一自由度m df =1，第二自由度12--=m n df ，它所对应F 的数值，若F F c ≥，则有95%的置信度认为回归方程是显著的，否则无显著性，除了对回归方程进行显著性检验之外，还要对回归系数m b b b a ,,,,21 进行显著性检验，也就是检验这些系数与零是否有显著性差异。检验方法类似于简单回归方程的方法，采用t 检验方法。

标准误差估计n σ：

（1—37）

回归系数a 的标准误差：n

n

a σσ= （1—38）

回归系数j b 的标准误差bj σ：

∑=-=

n

i j ij n

bj x x 12

)(σσ ),,2,1(m j = （1—39）

用t 检验方法，计算a

a a

t σ=

；bj

j

bj b t σ=

),,2,1(m j =

1

)

(1

2

---=

∑=∧

m n y y

n

i i i

n σ∑∑==∧

--=n

i i

n

i i y y y y R 1

2

1

22)()(

查“t 数值表”，自由度1--=m n df ，所对应的t 数值。若t t a ≥，所有的t

t bj ≥，则有95%的置信度认为所有的回归系数均与零有显著性差异。若其中有小于t 数值，则应修改原有的回归方程。

多元回归的主要优点在于它能够通过模型来解释各变量之间的关系，它对因果关系的处理是十分有效的。同时，它也存在有缺点：

（1）在预测因变量y 之前，必须用时间序列分析法对每一个自变量x 都要加以预测；

（2）计算量大，所需要的历史数据多； （3）要求经常评审模型。 §2.3 非线性回归法

所谓非线性相关，是指因为自变量的变动而引起的因变量的变动是非线性的。对于一些非线性问题可以采用取对数等的数学方法使之转化为线性问题。

§3 灰色系统法

灰色系统是指部分信息已知、部分信息未知的系统。灰色系统理论的实质是将无规律的原始数据进行累加生成，得到规律性较强的生成数列再重新建模。由生成模型得到的数据通过累加生成的逆运算——累减生成得到还原模型，由还原模型作为预测模型。

累加生成方法： 设原始数列如下：

1，2，3，4，5，6，,... 一次累加生成（记为1-AGO ），即令 1，3，6，10，15，21，... 二次累加生成（记为2-AGO ），即令 1，4，10，20，35，56，...

一般地，对非负数列，累加生成次数越多，数列的随机性就弱化得越多。当累加生成次数足够大时，时间序列便由随机转化为非随机了。

目前在电力负荷预测中经常采用的动态模型是预测模型GM(1,1)，即只有一个变量、一阶的GM 模型。

解算步骤为：

设原始数列为X ＝｛x(t),t=1,2,…,n ｝,对此数列作一次累加后形成新的数列 ()∑==t

k k x t X 11)()( （1—40） 其中：(){

}n t x X t ,,2,1,)1()(1 ==。

用一阶累加生成建立GM(1,1)模型，其微分方程为：

（1—41）

其中，a 称为模型的发展系数，它反映()X 1

与()X 0

的发展趋势，μ称为模型的

协调系数，反映了数据间的变化关系。

a 和μ可用下式求得：

[]

C B B B T T

a 1

-=??

????μ

?????

???????

+---+--=11))()1(())2()1(()1()1(1

2

)1()1(12

k x k x x x B

??????

?????

???=)()3()2()0()0()0(n x x x C a e a x k x

ak /)/)1(()1(0)

1(μμ+-=+- （1—42）

经累减还原得： )()1()1()1()1()

0(k x k x k x

-+=+ （1—43）

灰色预测模型（GM(1,1)）分类：

（1）一次拟合参数模型—即通常的GM(1,1) 模型，通过对原始数据进行累加生成，得到规律性较强的序列，用指数曲线去拟合得到预测值。

（2）两次拟合参数模型—为提高模型精度，根据第一次估计的参数值和原始数据的累加序列对参数进行二次估计，再预测。

（3）GM(1,1)残差模型—为有效地保证GM(1,1)模型的精度，对灰色预测模型所得到的预测值，提取残差序列再进行灰色建模，从而对预测值进行修正。

（4）递推预测模型—将GM(1,1)模型中的参数a ，u 视为随时间t 而变的变数，根据参数a ，u 随时间t 的变化趋势，自动对a ，u 进行修正，进而对原始序列进行动态预测。

（5）新息GM(1,1)模型—将新息数据充实到原始数列中建立GM(1,1) 模型的预测。所谓新息数据是指与预测时间更接近的时期中的信息。

（6）新息递推预测模型—将新息数据充实到原始数列中并建立灰色递推模型进行预测。

（7）等维新息GM(1,1)模型—该模型的建立同新息 GM(1,1) 模型的建立相似，只是在加入新息()()10+n X 到原数列()0X 中的同时去掉了()()10X ，从而构成了新的与()0X 等维的数列，然后在此基础上进行建模。

（8）等维新息递推模型—该模型的建立同新息递推预测模型的建立相似，只是前者在加入新息()()10+n X 到原数列()0X 中的同时去掉了()()10X ，从而构成了新的与()0X 等维的数列，然后在此基础上进行建模。

（9）组合模型—给定原始数据列，采用灰色系统方法和另一种预测方法同时

进行预测，设()()k X 01?和()()k X 02?分别为两种方法对原始数据列

()()k X 0的拟合值，则称()()()()()()

()k X k X k X 02010?1??ρρ-+=为组合GM 模型。

其中，a.0 <ρ<1；b.()()k X 01?和()()k X 02?至少有一个是用灰色预测方法得到的。

§4神经网络法

§4.1神经网络概述

神经网络系统[20]是由大量的、同时也是很简单的处理单元(或称神经元)广泛地互相连接而形成的复杂网络系统。它反映了人脑功能的许多基本特性，但它并不是人脑神经网络系统的真实写照，而只是对其作某种简化、抽象和模拟，这也是现实情况(当前对脑神经和其智能机理的研究水平)所能做到的，是目前神经网络研究的基本出发点。一般认为，神经网络系统是一个高度复杂的非线性动力学系统，虽然每个神经元的结构和功能十分简单，但由大量神经元构成的神经网络的行为却是丰富多彩和十分复杂的。如何把这些神经元构成一个复杂的具有多

方面功能的系统是神经网络理论要研究的问题。

神经网络系统具有一般非线性系统的共性，更主要的是它还具有自己的特点，比如高维性、神经元之间的广泛互联性以及自适应性或自组织性等。在神经网络中发生的动力学过程有两类：一类称之为快过程；另一类称之为慢过程。所谓快过程，即是神经网络的计算过程，它是神经网络的活跃状态的模式转变过程。神经网络在输入的影响下进入一定的状态，由于神经元之间相互联系以及神经元本身的动力学性质，这类外界刺激的兴奋模式会迅速地演变而进入平衡状态。这样，具有特定结构的神经网络就可以定义一类模式变换，而计算过程就是通过这类模式变换而实现的。神经网络只有通过学习才能逐步具有上述模式变换的能力，神经网络的学习过程即为慢过程。

图2表示了一个简单的神经网络，其中每个小圆圈表示一个神经元，各个神经元之间通过相互连接形成一个网络拓扑，这个网络拓扑的形式称为神经网络的互连模式。不同的神经网络模型对神经网络的结果和互连模式都有一定的要求和限制，如不允许它们是多层次的、是全互连的等等。神经网络以外的部分(即虚线方框以外的部分)可统称为神经网络的环境。神经网络从其所处的环境中接收信息，对信息进行加工处理之后又返回(或作用)到其所处的环境中去。

图1 神经网络示意图

各个神经元之间的连接并不只是一个单纯的传送信号的通道，而是在每对神经元之间的连接上有一个加权系数，这个加权系数可以加强或减弱上一个神经元的输出对下一个神经元的刺激，这个加权系数通常称为权值。

在神经网络中，修改权值的规则称为学习算法，这也就是说权值并非固定不变的。相反地，这些权值可以根据经验或学习来改变。这样，系统就可产生所谓

的“进化”。同样的，处理单元所表示的内容也是可以变化的，因而也就可以用任何合适的物质来实现。一个神经网络系统中有许多处理单元，每个处理单元的具体操作都是从与其相邻的其它单元中接受输入，然后产生输出送到与其相邻的单元中去。神经网络的处理单元可以分为三种类型：输入单元、输出单元和隐含单元。输入单元是从外界环境接收信息，输出单元则给出神经网络系统对外界环境的作用。这两种处理单元与外界都有直接的联系。隐含单元则处于神经网络之中，它不与外界环境产生直接的联系。它从网络内部接受输入信息，所产生地输出则只作用于神经网络系统的其它处理单元。隐含单元在神经网络中起着极为重要的作用。

神经网络是由许多处理单元互连而形成的，互连模式反映了神经网络的结构，它决定着这个网络的能力。在通常情况下，所有来自其它邻近单元的输出乘上相应的权值，再相加起来而得到所有输入的组合再送入处理单元中。正的权值表示激励输入，而负的权值表示抑制输入，因而用权矩阵可以表达神经网络的互连结构。

§4.2多层前向网络

目前电力负荷的神经网络法ANN 预测模型大多为多层前向网络，这得益于前向网络具有很好的函数逼近能力，因而通过对训练样本的学习，能很好地反映出对象的输入与输出之间复杂的非线性关系，其学习算法为BP 算法。ANN 模型为前向多层网络，分别为输入层，隐含层和输出层，设该网络共有1+L 层，第1层为输入层，第L 层为输出层，),,2(L l l =层为隐含层。第l 层的神经元个数为付l N ，送入网络的训练样本总个数为M ，训练样本号用p 表示。第l 层第j 个神经元的输

出变量为l pj

O 表示，由第l 层的第j 个神经元到第1+l 层的第i 个神经元的权系数用l

ij W 表示，则各神经元的输入—输出关系为：

[]

)

1()1(++=l pi

s l pi I f O （1—44） ∑=++-?=l

N j l i l pj l ij l pl

O W I

1

)1()

1(θ

（1—45）

式中：;,,2,1L I =对输入层,I

pj O 即为输入变量j x ；

对输出层，)

1(+L pi O 即为输出变量l y ；

)1(+l i θ为第

）（1+l 层第i 个神经元阈值。若令：

l iN l i l W 1

)1(+=-+θ， 11=+l

pN l O （1—46）

则式（1－46）可表示为：

[

])1()

1(++=l pi

s l pi

I

f O

；∑+=+?=1

1

)1(l N j l pj l ij l pl

O W I

（1—47）

上式中，[]?s f 为网络节点函数：

[])

/exp(11

0I I I f s -+=

，00>I

（1—48）

§4.3 BP 算法

BP 算法[21]的学习过程由正向传播和反向传播组成，正向传播过程输入样本从输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望输出

pi

d ，则转入反向传播，将误差信号沿原

连接通路返回，通过修正各神经元的权系数，使得误差信号最小。定义误差函数p

E 为期望输出

pi

d 与实际输出

pi

y 。之间误差的平方和：

∑∑++==-==1

11212)(2121l l N i pi pi N i pi p y d E ε

（1—49）

我们希望改变网络的各个权系数

l

ij W ，使得

p

E 尽可能减小，从而使实际输出值

尽量逼近期望输出值。这实际上是求误差函数的极小值问题，可采用最陡下降算法，使权系数沿着误差函数的负梯度方向改变。权系数

l

ij W 的调整量可按下式计算：

l

ij p l ij p W E W ??-=?α

，0>α，1

1,,2,1,,2,1,,2,1++===i l N j N i L

l

（1—50）

式中：α为学习步幅，随学习过程而变化。

l

ij p W E ??可表示为下列复合微分：

l ij

l pi

l pi

p l ij

p W

I I

E W

E ??=

??=

??++)1()1( （1—51）

由式（1—47）易得：

l pj l ij

l pl

O W

I =??+)1( （1—52）

令：)1(+??=l pi

p

l

pi

I E δ （1—53）

将式（1—51）～（1—53）代入式（1—50）得：

l pj l

pi l ij p O W ?=?αδ

（1—54） l ij p l p ij l p ij W W W ?+=-)1()(

（1—55）

l pj O 已在正向传播过程中计算得到，现进一步求取l

pi

δ。再一次采用复合微分，由式（1—53）可得：

)1()1()

1(+++???

??-

=l pi

l pi

l pi

p l

pi I

O O

E δ （1—56）

由式（1—48）易得上式中第二项为：

)1()1()1()1()

1(I O O I

O l pi l pi l pi

l pi

++++-=

??

（1—57）

式（1—56）中右边第一项)

1(+??l pi

p

O E 应分为两种情况求取：

（1）对于输出层L I =，pi l pi y O =+)

1(，由式（1—49）可得：

pi pi pi pi

p y d y E ε-=--=??)(

（1—58）

将式（1—57）和式（1—58）代入式（1—56）得：

)

1()

1()(I y y I y y y d pi pi pi pi pi pi pi pi -?=

--=

εδ （1—59）

（2）对于其它中间隐含层),,2,1(L l =有：

∑∑

++=++++=++?-=

???

??=

??)

1()

2(1

)

1()1()1()2(1

)2()

1()(l l N k l ki l pk l pi

l pk

N k l pk

p l pi

p W O

I I

E O

E δ

（1—60）

将式（1—57）和（1—60）代入式（1—56）得：

)1()1(1

)1()

1()

1())(()

1(I O O W

l pi l pi N k l ki

l pk

pi l ++=++-?

?-=∑+δ

δ （1—61）

可见，计算本层

l p

δ必需用到前一层的)

1(+l p

δ。因此，误差函数的求解是一个始

于输出层的反向传播递归过程，即通过误差函数反向传播来修正权系数。经过多个样本的反复训练，并朝减小误差方向修正权系数，最后得到满意的结果。

§5 状态空间法

状态空间法[22]，又称为Kalman 滤波法[23]，是一种常用的信息处理方法。改方法通过在实时量测的信息中消除随机干扰和无用信息，滤出较可靠的有用信息。它是把受扰信号看作一个动态过程，利用噪声的统计特征，把它从受扰信号中消去，从而获得较精确的有用信号。利用该方法，负荷可作为状态变量来模拟，并通过两个状态空间方程组表达其变化模型。表达负荷模型的方程组，可表达为：

k k k k W Y Y +=+φ1

（1—62） k k k k V Y H Z +=

（1—63）

式中：k Y —k t 时刻的)1(?n 维过程状态向量；

k φ—无强制函数存在时关联k Y 与1+k Y 的)(n n ?维状态转移矩阵；

k W —具有已知协方差k Q 的一个)1(?n 维白噪声；

k Z —k t 时刻的)1(?m 维负荷测量值向量，为无噪声时关联k Y 与k Z 的)

(n m ?维矩阵；

k V —)1(?m 维负荷量测误差向量，为具有一个已知协方差k R 的维白噪声。式（1—62）称为状态空间方程，式（1—63）称为量测方程。向量k W 和k V 的协方差给定为：

???≠==)

(0)

(),(k i k i Q W W E k

T i k （1—64）

?

??≠==)(0)

(),(k i k i R V V E k T

i k

（1—65）

假定过程噪声k W 和量测噪声k V 互不相关，即对于任意,,k i 有0),(=T i k V V E 在任意k t 时刻，基于直到)1(-k t 为止的知识可以作为过程的估计值。这个估计值称为先验估计，并用)1(-k k Y 表达。相应的实际值同该估计值的误差为：

)1()1(---=k k k k k Y Y e （1—66）

该误差向量的协方差矩阵为：

)1()

1()1()(---=k k T

k k k k P e e E （1—67）

将先验估计值和量测噪声进行线性组合，可得到后验估计值：

)()1()1(---+=k k k k k k k k k Y H Z K Y Y

（1—68）

式中：k k Y 和k K 分别为后验估计值和混合系数。

相应的实际值同后验估计的误差为：

k k k k k Y Y e -=

（1—69）

该误差向量的协方差矩阵为：

k k T

k

k k k P e e E =)( （1—70）

根据式（1—69）采用最小均方差准则，使k k Y 最优，可求出混合系数k k 。该系数称为Kalman 增益。

由此，实现负荷预测的Kalman 滤波过程[24]可描述为： （1）寻找过程先验估计)1(-k k Y 及其误差协方差矩阵1-k k P 。

（2）计算Kalman 增益：1)1()1()(---+=k T k k k k T k k k k R H P H H P K 。

（3）计算后验估计的误差协方差矩阵：)1()1(--=k k k k k k P H K P 。 （4）推广到下一时刻，计算先验估计k k Y )1(+及其误差协方差矩阵k k P )1(+：

k k k k k Y Y φ=+)1(

（1—71） k T k k k k k k Q P P +=+φφ)1(

（1—72）

（5）转到步骤（2），对下一时刻进行预测。

由于Kalman 滤波递推特性，该方法很适合在线估计。但最优预测是基于假定模型做出的，因此，在使用Kalman 滤波前，必须预先知道改模型。识别过程是该方法存在的主要问题，特别是，噪声协方差R Q ,不容易估计。当需要将负荷同相关因素联系起来考虑时，可以采用上面的无控制项的状态方程组表达。同样，也可以用有控制项的状态方程组表达。有控制项存在时，量测方程仍采用式（1—63）表达，而状态空间方程可表达为：

k k k k k k W X B Y Y ++=+φ1

（1—73）

其中：k X 为k t 时刻的)1(?s 维非随机外加控制向量；

k B 为己知的)(s n ?维矩阵。

此时，预测过程同上面介绍的Kalman 滤波过程一样，只需将式k

k k k k Y Y φ=+)1(改为k T k k k k k k Q P P +=+φφ)1(即可。

§6 专家系统法

专家系统是一个用基于知识的程序设计方法建立起来的计算机系统(在现阶段主要表现为计算机软件系统)，它拥有某个特殊领域内专家的知识和经验，并能像专家那样运用这些知识，通过推理做出智能决策。因此，在负荷预测中，专家系统法是运用电力系统的专家或有经验的预测人员的知识利和经验快速地做出最佳的预测结果。通常—个以规则为基础以问题求解为中心的专家系统主要包括五个组成部分：知识库、推理机或推理(控制)机制、综合数据库或工作存贮器、解释接口或人机界面、知识获取或预处理程序。

一、知识库

知识库(规则基)是专家系统的核心之一，其主要功能是存贮和管理专家系统的知识。知识库中存贮的知识主要有两种类型：一类是相关领域中所谓公开性的知识，包括领域中的定义、事实和理论在内，这些知识通常收录在相关学术著作和教科书中；另一类是领域专家的所谓个人知识，它们是领域专家在长期业务实践中所获得的一类实践经验，其中很多知识被称为启发性知识。正是这些启发性知识使领域专家在关键时能做出训练有素的猜测，辨别出有希望的解题途径，以及有效地处理错误或不完全的信息数据。

二、推理机（推理控制机制）

专家系统中的推理机实际上也是一组计算机程序。其主要功能是协调控制整个系统，决定如何选用知识库中的有关知识，对用户提供的证据进行推理，以最终对用户提出的特定问题做出回答。

在专家系统中，问题的求解有赖于系统对以存贮的各类常规的和专业知识的综合运用。在系统求解问题过程中，所涉及到的知识常常包括三个方面的内容：（1）叙述性或现实性知识。

（2）操作性、过程性或启发性知识。

（3）策略性或控制性知识。

在专家系统中，推理过程控制方式主要有正向推理、反向推理和正反向混合推理三种。

三、综合数据库（工作存贮器）

综合数据库是专家系统中用于存放反映系统当前状态的事实数据的“场所”。其数据包括用户输入的事实、已知的事实以及推理过程中得到的中间结果等。它们能反映系统要处理问题的主要状态和特征，是系统操作的对象。综合数据库小的内容在系统运行中是不断改变的，并且

（1）它可被所有的规则访问；

（2）没有局部的数据库是特别属于某些规则的；

（3）规则之间的联系只有通过数据库才能发生。

在专家系统中，综合数据库的数据表示和组织，通常与知识库中知识的表示和组织相容或相一致，以使推理机能方便地去使用知识库中的知识和综合数据库中描述问题当前状态的数据去求解问题。

四、解释接口（人—机界面）

解释模块负责回答用户提出的各种问题，包括与系统推理有关的问题和与系统推理无关的关于系统自身的问题。它可以对推理路线和提问的含义给出必要清晰的解释，为用户了解推理过程以及系统维护提供方便的手段，是实现系统透明性的主要模块。人机界面或人机接口则负责把用户输入的信息转换成系统内规范化的表示形式，然后把这些内部表示交给相应的模块去处理。系统输出的内部信息也由人机接口转换成用户易于理解的外部表示形式显示给用户。

五、知识获取模块（预处理程序）

这是专家系统中能将某专业领域内的事实性知识和领域专家所特有的经验性知识转化为计算机可利用的形式并送入知识库的功能模块。同时也负责知识库中知识的修改、删除和更新，并对知识库的完整性和一致性进行维护。知识的获取是实现系统灵活性的主要部分，它使领域专家可以修改知识库而不必了解知识库中知识的表示方法、知识库的组织结构等实现上的细节问题，这大大提高了系统的可扩充性。

由于专家系统的类型较多，包括演绎型、经验型、工程型、操作型、探索型、工具型和咨询型等，各种类型的专家系统在功能和结构方面不可能完全相同。上

电力负荷预测方法与应用

电力负荷预测方法与应用 一、概述 电力工业是国民经济的基础工业。随着我国产业结构完善和人民整体生活水平的改善，对电能的需求逐年加大，同时对电力质量的要求也越来越高，且由于电能生产和消费的同时性，对电网建设和布局提出了更高的要求。 电力负荷预测是电网规划建设的依据和基础。随着电力工业在国民经济中扮演着越来越重要的角色，电力负荷的正确预测显得尤为重要。 电力负荷预测是指通过对电力系统负荷历史数据的分析和研究，运用统计学、数学、计算机、工程技术及经验分析等定性定量的方法，探索事物之间的内在联系和发展变化规律，对未来的负荷发展做出预先估计和推测。电力负荷预测结果的准确与否直接关系到电力投资的效益，供电的可靠性，用电需求的正常发展，以及社会的经济效益和社会效益。但要做到预测准确或较准确是很困难的，因为影响电力负荷预测的因素相当多，且由于各地区产业结构和人民生活水平不同，各具体因素对电力负荷预测的敏感度是不一样的，因而电力负荷预测具模糊性。 回顾我国“十五”期间的预测情况与实际发展情况是很有意义的。 基于“九五”期间国民经济和电力工业的发展状况，在全国电力供需趋于平衡的前提下，我国制定的“十五”规划对电力工业发展提出了“可持续发展”的要求：电力工业发展方式要从数量速度型向质量效益型转变，从以供给导向为主转向以需求导向为主，优化电力资源配置。国家经贸委电力工业“十五”规划中预测：“十五”期间我国经济增长速度为年均7%左右，电力需求的平均增长速度为5%，到2005年全国发电装机容量将达到3.9亿千瓦，全国发电量将达到17500亿千瓦时以上。国家电力公司电力工业“十五”计划及2015年远景规划中预测：“十五”期间我国GDP年均增长7%左右，电力需求的平均增长速度在4.5%~5.0%之间，到2005年全国发电装机容量将达到3.65亿千瓦，全社会用电量将达到16200亿~16600亿千瓦时。 但实际的情况是：截至2005年年底，全国发电装机容量达到5.17亿千瓦，全国发电量达到24975.26亿千瓦时，全社会用电量为24689亿千瓦时。 比较我国“十五”期间电力工业发展中发电装机容量、发电量与全社会用电量等参数的预测值与实际值，可以发现我国“十五”电力规划中全国发电装机容量、发电量和全社会用电量的误差分别高达33%、43%和50%，这还是在2002年下半年至2005年间严重限电情况下发生的值，实际的电力需求值比这还高很多，也即误差比这还要高的多。这直接导致了自2002年6月以来的全国电力供需严重紧缺状态，直至“十五”末期电力供需形势总体来说仍然处于紧张状态，2005年曾在一季度拉闸限电省份达创纪录的26个，最大限负荷达3400万千瓦。而“十五”期间的严重缺电，不仅成为影响国民经济快速发展的“瓶颈”，其隐性损失更是不可估量：

电力系统短期负荷预测方法研究综述

电力系统短期负荷预测方法研究综述 发表时间：2018-12-25T16:14:08.417Z 来源：《电力设备》2018年第23期作者：尹强 [导读] 摘要：随着电力工业发展的不断市场化，在与社会经济效益息息相关的当下，系统负荷预测在电力行业中扮演着愈加重要的角色。 （国网四川省电力公司攀枝花供电公司四川攀枝花 617000） 摘要：随着电力工业发展的不断市场化，在与社会经济效益息息相关的当下，系统负荷预测在电力行业中扮演着愈加重要的角色。而按照预测时间的长短，可将负荷预测模式分为长期，中期，短期和超短期。其中，短期负荷预测是电力系统稳定经济运行的基础，其预测结果将直接影响着电力系统控制过程的优良。因此关于短期负荷预测的精确性已逐步发展成为电力系统自动化领域中的一项重要研究课题。 关键词：电力系统；短期负荷；预测方法 一、负荷数据预处理 历史负荷数据由于多种原因可能会造成部分数据的丢失或者数据异常，异常的历史负荷数据会对短期负荷预测结果造成很大的影响。因此，想要提高短期负荷预测结果的精确度，在进行预测前，需对负荷数据进行预处理。传统的数据预处理方法包括插值法和纵向比较法等，为了提高预测的精确度又提出了双向比较法、滤波法、切比雪夫不等式法等多种数据预处理新方法。文献提出了用Savitzky-Golay平滑滤波器去处理历史负荷数据，与其它平均方法相比，本方法保留了原始数据的分布特性。文献利用粗糙集理论的属性，在保证历史负荷和气象因数等属性的情况下，推导出的预测负荷值满足一定的精确度，剔除属性集中的冗余信息，简化了判断规则，并利用遗传算法的全局搜索能力，挖掘得到相对预测量的最小约简属性集作为预测模型的输入变量。 二、短期电力负荷预测 短期电力负荷预测的特点。电力负荷预测是根据电力负荷和其影响因素的历史数据，结合实际情况建立相关的模型，对未来用电负荷量进行科学预测。短期负荷更是具有以下明显的特点：预测结果的不确定性和随机性；由于各类负荷预测都是在特定的环境和具体的条件下进行的，因此其具有条件性；短期负荷预测在时间上都有一定的限制，所以具有时间性；由于预测结果的不准确性和条件性，加上外部因素的不确定性，因此预测结果具有多方案性。 影响电力负荷预测精度的因素。在电力系统负荷预测的过程中，预测精度是最具有影响力的一个指标。过预测或欠预测均会对系统生产运行配送造成较为严重的后果。影响负荷的因素有很多，首要便是天气因素。而作为可估计的随机事件，气象预报本身不准确又会形成双重误差。再者，我国人口数量众多，贫富差距较大，因此随机负荷部分并非平稳的随机序列，反而有较大的不确定性。另外，一些特殊事件的随机发生也会使反映负荷的周期曲线产生较大的波动，使实际数据与影响因素之间的关系样本数难以确定。 三、智能预测方法 （一）专家系统法 专家系统法是根据某一领域的专家知识和专家经验建立的一个计算机系统，并且该系统能够运用这些知识和经验对未来进行合理的预测。知识库、推理机、知识获取部分和解释部分是一个完整专家系统的主要组成部分。通过该系统，运行人员能够识别预测日的类型，考虑天气对负荷预测的影响。专家系统法的优点是能够综合考虑多个影响因素，由于是一个计算机系统，该系统具有较好的透明性和交互性，对所得出的结论，能解释其依据，便于运行人员检查和修改，而且预测结果的精确度很高，能很好的反映负荷实际情况。不足之处就是需要大量的历史负荷数据，而数据量增多会导致运算速度慢；同时该算法不具有自主学习能力和利用模糊知识处理相关问题的能力；并且该算法拥有很强的规则性，而规则本身不具有普遍适应性，所以该预测方法不具备普遍适用性。 （二）人工神经网络法 人工神经网络是模仿人脑神经网络进行学习和处理问题的非线性系统。它由若干个具有并行运算功能的神经元节点及连接它们的相应的权值构成，通过激励函数实现输入变量到输出变量之间的非线性映射。用历史负荷作为训练样本去建立适宜的网络结构，当训练的网络结构达到预测要求后，就用此网络作为负荷预测的预测模型。人工神经网络的优点是对预测模型的要求不高，对高度非线性对象非常适用，具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，拥有的特点是其它算法所不具备的。不足之处是有很慢的学习收敛速度，也有可能结果收敛到局部最小点，并且没有很好的知识表达能力，对调度人员经验中存在的模糊知识没有得到充分的利用，依据主观经验确定网络层数和神经元个数。把人工神经网络方法运用于风电功率短期预测中，以数值天气预报为基础，拥有良好的人机交互界面，与能量管理系统实现了完美的连接，预测结果拥有良好的精确度。组合的预测方法，把人工神经网络法和经验模式分解相结合，用经验模式分解的自适应性，分别对各个分量进行分析，准确的把握负荷变化特性和环境因素影响，最后采用与分量相匹配的人工神经网络法进行预测。用人工神经网络去预测负荷模型的方法，用人工神经网络对最大、最小负荷时刻的负荷模型参数进行预测，分析了负荷模型与预测结果之间的灵敏度，以便了解它们之间的影响程度，去寻找提高精确度的方法。 四、支持向量机 支持向量机与神经网络类似，都是学习型的机制，但与神经网络不同，SVM使用的是数学方法和优化技术。其中支持向量是指那些在间隔区边缘的训练样本点，该方法给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。应用SVM进行电力系统负荷预测具有精度高、速度快等优点，不足之处在于存贮需求量大，编程困难，实际应用较难。 五、灰色模型法 灰色模型法是一种针对含有未知且不确定因素的系统进行预测的方法。通过对部分已知信息的开发，生成并提取有用信息，从而对系统运行行为和其演化规律进行正确且有效的描述和监控。该方法可在数据缺失的情况下找出某个时间段内数据变化的规律，以此建立负荷预测模型。灰色模型法分为普通灰色系统模型和最优化灰色模型两种。普通灰色预测模型是一种指数增长模型，当电力负荷严格按指数规律持续增长时，此方法的优势得以凸显———其预测精度高、所需样本少、人工耗时短且计算量小，所得预测结果还可以进行检验。缺点是对于具有波动性较大的电力负荷预测误差较大，因此并不适用于实际情况。但最优化灰色模型可以把波动幅度较大的原始数据序列变换成规律性较强的成指数递增变化的序列，以此来适应灰色模型法所需条件，大大增加了适用范围和预测精度。灰色模型法能很好的适用于

负荷预测方法一

1、单耗法 这个方法是根据预测期的产品产量（或产值）和用电单耗计算需要的用电量，即 A h ＝∑=n i 1Q i U i 式中 A h —某行业预测期的需电量； U i —各种产品（产值）用电单耗； Q i —各种产品产量（或产值）。 当分别算出各行业的需用电量之后，把它们相加，就可以得到全部行业的需用电量。这个方法适用于工业比重大的系统。对于中近期负荷预测（中期负荷预测的前5年），此时，用户已有生产或建设计划，根据我国的多年经验，用单耗法是有效的。 在已知某规划年的需电量后，可用年最大负荷利用小时数来预测年最大负荷，即 P n·max =T A n m ax 式中 P n·max —年最大负荷（MW ）； A n —年需用电量（k W·h ）； T max —年最大负荷利用小时数（h ）。 各电力系统的年最大负荷利用小时数，可根据历史统计资料及今后用电结构变化情况分析确定。 单耗法分产品单耗法和产值单耗法。采用单耗法预测负荷的关键是确定适当的产品单耗或产值单耗。 单耗法可用于计算工业用户的负荷预测。 单耗法可根据第一、第二、第三产业单位用电量创造的经济价值，从预测经济指标推算用电需求量，加上居民生活用电量，构成全社会用电量。预测时，通过对过去的单位产值耗电量(以下简称“单耗”) 进行统计分析，并结合产业结构调整，找出一定的规律，预测规划第一、第二、第三产业的综合单耗，然后根据国民经济和社会发展规划指标，按单耗进行预测。单耗法需要做大量细致的统计、分析工作，近期预测效果较佳。 单耗法的优点是方法简单，对短期负荷预测效果较好。缺点是需做大量细致的调研工作，比较笼统，很难反映现代经济、政治、气候等条件的影响。

电力负荷预测方法

1.负荷预测分类和基础数据处理 1.1负荷预测及其分类 1.1.1负荷预测概念 负荷预测是根据负荷的历史数据及其相关影响因素，分析负荷的变化规律，综合考虑影响负荷变化的原因，使用一定的预测模型和方法，以未来经济形势、社会发展、气候条件、气象因素等预测结果为依据，估计未来某时段的负荷数值过程。 1.1.2负荷预测的分类 按照预测方法的参考体系，工程上的负荷预测方法可分为确定性预测方法、不确定预测方法、空间负荷预测法。 确定性：把电力负荷预测用一个或一组方程来描述，电力负荷与变量之间有明确的一一对应关系。 不确定性：实际电力负荷发展变化规律非常复杂，受到很多因素影响，这种影响关系是一种对应和相关关系，不能用简单的显示数学方程描述，为解决这一问题，产生了一类基于类比对应等关系进行推测预测负荷的不度额定预测方法。 空间负荷预测：确定和不确定负荷预测是对负荷总量的预测。空间负荷预测是对负荷空间分布的预测，揭示负荷的地理分布情况。

1.2负荷预测的基础数据处理 1.2.1负荷预测的基础数据 基础数据大致包括四类，分别为：①负荷数据（系统、区域、母线、行业、大用户的历史数据；负荷控制数据；系统、区域、大用户等的最大利用小时数；发电厂厂用电率和网损率。）②气象数据（整点天气预报；整点气象要素资料；年度气温、降水等气象材料。）③经济数据和人口（区域产业GDP；城乡可支配收入；大用户产量、产值和单耗；电价结构和电价政策调整；城乡人口。）④其他时间（特殊时间如大型会议、自然灾害；行政区域调整） 1.2.2数据处理 为获得较好的预测效果，用于预测数据的合理性得到充分保证，因此需要对历史数据进行合理性分析，去伪存真。最基本要求是：排除由于人为因素带来的错误以及由于统计口径不同带来的误差。另外，尽量减少异常数据（历史上突发事件或由于某些特殊原因会对统计数据带来宠大影响）带来的不良影响。常见的数据处理方法有：数据不全、数据集成、数据变换和数据规约等。 2.确定性负荷预测方法 2.1经验技术预测方法 2.1.1专家预测法 专家预测发分为专家会议发和专家小组法。会议发通过召集专家开会，面对

中长期负荷预测方法综述1

中长期负荷预测方法综述 摘要:负荷预测是电力系统规划、供电、调度等部门的重要的基础工作,讨论了负荷预测的特点、分类及各种成熟的负荷预测技术,研究了现代负荷预测技术的发展动态,并指出未来主要的研究方向。 中长期负荷预测各种预测方法都具有其各自的优缺点和适用范围,在实际预测工作中,必须根据实际情况,着重从预测目标、期限、精确度等诸多方面作出合理选择,寻求能获取所需精度的预测方法。本文针对电力系统中长期电力负荷预测方法做出分析。 关键字：负荷预测、中长期负荷、负荷预测方法、负荷预测综述 正文：负荷预测是从已知的电力需求出发,通过对历史数据的分析, 并考虑政治、经济、气候等相关因素,对未来的用电需求做出估计和预测。负荷预测是电力系统规划、供电、调度等部门的重要的基础工作。对于经济合理地安排发电机组的启停及检修计划,保持电网安全稳定运行以及未来电网的增容和改建等有十分重要的用。 电力系统负荷预测是电力系统安全经济调度、规划、设计研究的基础和前提，准确的负荷预测结果将意味着在满足供电质量要求的条件下对系统建设资金最大可能限度的利用和有限投资的最大社会经 济效益的获得,负荷预测工作因而引起了人们的普遍关注随着电力 系统的迅速发展尤其是我国电力工业市场化改革的推行负荷预测 工作面临如何准确合理地考虑电力工业市场化后对实际电力负荷从大小到特性上的影响和给整个系统运行规划带来的变化的难题可以

设想在强大的市场压力和竞争机制作用下适用于电力市场环境下 的负荷预测理论和算法必将获得突破性研究成果 随着我国国民经济的快速发展和人民生活水平的不断提高,人们对电量需求量以及电能质量的要求也越来越高。、 一、基于参数模型的中长期电力负荷预测方法 1.趋势外推方法。将已有的各年度的电力负荷看作一个时间序列,利用最小二乘拟合等方法寻求电力负荷与时间的函数关系,并利用这个函数关系预测以后年度的电力负荷。趋势外推方法可以保证对历史数据的拟合是最好的,但不能保证外推效果的可靠性。 2.回归分析方法。回归分析预测是电力系统负荷预测的一种常用方法,根据回归分析涉及变量的多少,可以分为单元回归分析和多元回归分析。在回归分析中,随机变量是自变量,非随机变量是因变量,由给定的多组自变量和因变量资料究二者之间的关系,形成回归方程。回归方程求得后,给定各自变量数值,就可求出因变量值。回归方程根据自变量和因变量之间的函数形式,又可分为线性回归方程和非线性回归方程。在负荷回归分析法方法简单、预测速度快、外推性好,对于历史预测问题中,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。上未出现的情况有较好的预测性。但它对数据的要求高,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;用线性方法描述比较复杂

电力系统短期负荷预测方法综述

电力系统短期负荷预测方法综述 本文主要是针对电力系统的短期负荷预测的概念和意义 进行综述，就短期负荷预测的一些特点及其影响预测精度的各方面原因进行总体的分析。在目前的预测方法里，主要有经典的预测方法和传统的预测方法以及智能预测方法和预测新方法。从这些预测方法入手进行综合的应用原理分析，比较其不同预测方法的优点及不足的地方。并且提出了短期负荷预测的精度提升了，不仅在历史的数据上重视了其积累，还应重视在预测的模型选择上要合适，综合型预测模型在未来电力负荷预测方法的必然性。 标签：电力系统短期负荷预测 电力负荷预测在能量的管理系统组成中是极为重要的部分，而短期电力负荷预测则是对几个小时后或是一天、几天的电力负荷值上进行预报。短期电力负荷预测不仅在电力系统安全以及经济的运作下提供了相关保障，还为市场的环境编排高度计划等打下了基础。不过在这个电力生产与消费的日趋市场化下，针对负荷预测的准确及可靠性上也有了更为高的要求，而且就电力系统管理与运行来讲其负荷预测逐渐成为了一个主要的研究领域。预测精度是决定短期负荷预测的作用大小的，所以在短期负荷预测方法研究的重点上是如何对预测精度进行提高。虽然短期负荷预测的研究历史已經很长远了，国内外的学者也对其在方法还有理论方面对于预测模型进行研究工作。当短期负荷出现因素太多的情况下，从而限制了预测方法的范围以及精度。下文针对短期的预测方法展开一个综合性的探析。在研究未来发展方向的同时也为实际情况下短期负荷的预测提供了一个基础。 1 基于短期负荷的预测特点 对于短期电力负荷来讲其预测便是基于在电力负荷以及相关的历史数据对模型进行全面的建立，从而使得新世纪型的电力负荷更具备科学性和全面性。对于短期负荷所面临的事件不确定性以及其随机性，包含了各种特点：①在预测的结果上其短期的负荷存在着一定的不确定性。②不同的负荷预测方法存在相应的条件性。③短期负荷预测在时间上各有不同。④预测的结果包含多方案性。 短期负荷预测精度的影响因素：①以往历史数据。②自然天气情况。③其日期类型。④负荷预测模型。⑤相关社会事件等。 2 简述短期负荷预测方法 短期负荷由于受到来自不同方向的因素影响，面临时间序列问题上其随机的过程表现的很不平稳，就算面临的影响因素包罗万象，不过在这些因素中都存在一个特点那就是有规律性。能够为实际预测打下基础，其短期负荷预测的方法大致分为四类。

电力负荷预测方法

1.负荷预测分类和基础数据处理 负荷预测及其分类 负荷预测概念 负荷预测是根据负荷的历史数据及其相关影响因素，分析负荷的变化规律，综合考虑影响负荷变化的原因，使用一定的预测模型和方法，以未来经济形势、社会发展、气候条件、气象因素等预测结果为依据，估计未来某时段的负荷数值过程。 负荷预测的分类 按照预测方法的参考体系，工程上的负荷预测方法可分为确定性预测方法、不确定预测方法、空间负荷预测法。 确定性：把电力负荷预测用一个或一组方程来描述，电力负荷与变量之间有明确的一一对应关系。 不确定性：实际电力负荷发展变化规律非常复杂，受到很多因素影响，这种影响关系是一种对应和相关关系，不能用简单的显示数学方程描述，为解决这一问题，产生了一类基于类比对应等关系进行推测预测负荷的不度额定预测方法。 空间负荷预测：确定和不确定负荷预测是对负荷总量的预测。空间负荷预测是对负荷空间分布的预测，揭示负荷的地理分布情况。 负荷预测的基础数据处理 负荷预测的基础数据 基础数据大致包括四类，分别为：①负荷数据（系统、区域、母线、行业、大用户的历史数据；负荷控制数据；系统、区域、大用户等的最大利用小时数；发电厂厂用电率和网损率。）②气象数据（整点天气预报；整点气象要素资料；年度气温、降水等气象材料。）③经济数据和人口（区域产业GDP；城乡可支配收入；大用户产量、产值和单耗；电价结构和电价政策调整；城乡人口。）④其他时间（特殊时间如大型会议、自然灾害；行政区域调整）

数据处理 为获得较好的预测效果，用于预测数据的合理性得到充分保证，因此需要对历史数据进行合理性分析，去伪存真。最基本要求是：排除由于人为因素带来的错误以及由于统计口径不同带来的误差。另外，尽量减少异常数据（历史上突发事件或由于某些特殊原因会对统计数据带来宠大影响）带来的不良影响。常见的数据处理方法有：数据不全、数据集成、数据变换和数据规约等。 2.确定性负荷预测方法 经验技术预测方法 专家预测法 专家预测发分为专家会议发和专家小组法。会议发通过召集专家开会，面对面讨论问题，每个专家充分发表意见，并听取其他专家意见。小组法以书面形式独立发表个人见解，专家之间相互保密，最后综合给出预测结果。 类比法 类比法是将类似失误进行分析对比，通过已知事物对未知事物做出预测。例如选取国内外类似城市或地区为类比对象，参考该对象的发展轨迹对本地区作出预测。 主观概率发 请若干专家来估计某特定时间发生的主观概率，然后综合得出该时间的概率。 经典技术预测方法 单耗法 通过某一工业产品的平均单位产皮用电量以及该产品的产量，得到生产这种产品的总用电量。 用电量A=国民生产总之或工农业总产值b*产值单耗g

电力负荷预测的要求

电力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，其对电力系统规划和运行都极其重要。 电力负荷预测包括两方面的含义，即用以指安装在国家机关、企业、居民等用户处的各种用电设备，也可用以描述上述用电设备所消耗的电力电量的数值。 电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据。 电力负荷预测的影响因素 在电力负荷预测中，很多因素不同程度地影响着电力荷的预测值。有些因素因自然而变化，比如气象。有些因按地区条件产生差异，如工农业发展速度;有些因素是无估计的重大事件，如严重灾害等，并且各个因素对负荷的响可能是不一样的，而且同一因素的不同水平对负荷的影也是不同的[1]。 1.气象因素的影响，很多负荷预测数学模型都引入了气象部门提供的气象预报信息，包括温湿度、雨量等在内的气象因素都会直接影响负荷波动，尤其在居民负荷占据较高比例的地区，这种影响更大。 2.节假日及特殊条件的影响，较之正常工作日，一般节假日的负荷都会明显降低，以春节为例，春节期间的负荷曲线一般会出现大幅度的下降变形，而其变化周期也大致与假日周期吻合。 3.大工业用户突发事件的影响对于大工业用户装接容量占用电负荷较高的地区，大工业用户在负荷预测偏差中起到的影响作用也比较大。 4.负荷特性分析和预测方法的影响目前，由于很多地区在负荷种类结构以及变化因素上的统计分析工作不够深入系统，导致在需要历史数据进行对照时无法展开工作，对于负荷特性和相关变化规律的总结也就无从谈起。 5.管理与政策的影响负荷预测是一项技术含量很高的工作，然而负荷预测工作在很多地区还没有得到足够的重视，基础工作薄弱，考核标准过于宽松，与大用户的信息沟通不畅，大用户的用电缺乏计划性和有序性；预测人员缺乏良好的综合素质、较高的分析能力和丰富的运行经验，不适应高标准工作的要求。

负荷预测方法文献综述

电力系统中传统负荷预测方法的文献综述 负荷预测的核心问题就是预测的技术方法，或者说是预测数学模型。随着现代科学技术的不断进步，负荷预测理论、技术得到了很大的发展，理论研究逐步深入，适合本地特点的预测程序、软件开始出现。但不可否认的是，就目前而言，我国的电力系统负荷的预测技术还是比较落后的，相应的基于软件的技术还不能满足现代社会的需求，有待进一步提高。 传统的负荷预测方法如回归模型法，卡尔曼滤波法，时间序列法，灰色预测法，专家系统法，模糊理论法，神经网络法，小波分析法等。这些传统的预测方法无论是哪种均具有不足和缺陷，随着对负荷预测的深入研究和广泛应用，传统的预测方法的应用越来越难以适应发展，逐渐形成了现代负荷预测方法。 文献【1】针对传统静态神经网络自适应能力差、收敛速度慢、预测精度低的问题,提出了一种基于小波分析和Elman动态神经网络的中长期电力负荷预测方法,该算法通过对原始样本进行小波分解,将分解后的低频趋势信号和高频细节信号分别进行预测,在输出端再进行重构后得到预测曲线;然后就传统负荷预测问题中数据预处理环节的数据校验问题,提出了一种基于小波理论的奇异点检测法,该方法对原始样本进行一维离散小波分解,抽取一层高频细节信号进行分析,根据工程实践中设置的阈值,来检测有可能因为系统故障、人为失误导致的数据记录错误,为准确预测提供了保障。文献【2】提出一种基于人工神经网络的电力负荷预测方法 ,该方法充分吸收了神经网络非线性逼近能力的优点。在神经网络结构设计中充分考虑了电力负荷的特点 ,并用神经网络加权最小方差模型(NNWLS)对样本进行训练。在实际预测中 ,该预测方法取得了比较高的的预测精度。文献【3】针对人工神经网络模型在进行负荷预测时,大多不考虑气象等因素的影响,提出了一种基于数据挖掘预处理的改进短期电力负荷预测的方法,应用数据挖掘的聚类功能,寻找与预测日同等气象类型的多个历史短期负荷数据序列进行预测,从而提高预测的精度。鉴于ANN模型对不确定性和模糊信息学习处理能力较差的缺点,引用模糊系统的理论,构建模糊神经网络(FNN)模型。通过实例预测和预测结果比较分析表明,提出的方法具有较高的预测精度。文献【4】为进一步提高电力负荷预测的精度和运算速度,针对短期负荷预测样本数据既有趋

浅析电力系统负荷预测方法

浅析电力系统负荷预测方法 发表时间：2017-10-18T18:11:03.780Z 来源：《电力设备》2017年第15期作者：梅宇1 杨畅1 徐明虎2 陈斯斯1 王硕1 [导读] 摘要：电力工业是国家在能源领域的重大基础行业，电力是国民经济的命脉，经济要发展，电力是先行，电力对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，现代文明社会已经处处离不开电力供应。 （1.国网辽宁省电力有限公司检修分公司辽宁锦州 121013；2.国网辽宁省电力有限公司技能培训中心辽宁锦州 121000）摘要：电力工业是国家在能源领域的重大基础行业，电力是国民经济的命脉，经济要发展，电力是先行，电力对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，现代文明社会已经处处离不开电力供应。负荷预测是目标网架规划的基础，提高负荷预测准确率，对电网发展的具有十分重要的意义。 关键词：负荷预测；电力系统；方法探讨 引言 电力工业是国家在能源领域的重大基础行业，电力是国民经济的命脉，经济要发展，电力是先行，电力对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，现代文明社会已经处处离不开电力供应。目标网架是城市电网规划的基础，确定电网发展的方向和目标，是近期规划和中长期规划的重要依据。为了提高电网规划方案的可行性，必须将城市电网目标网架规划纳入城市整体规划。负荷预测是目标网架规划的基础，提高负荷预测准确率，对电网发展的具有十分重要的意义。 一、电力系统负荷预测的特点 1、电力系统中的负荷一般分为城市的民用负荷、商业的负荷、农村的负荷、工业的负荷和其他的负荷等，不同类型的电力系统负荷会具有不同特点及规律。城市的民用负荷大多来自城市的居民家用电器的用电负荷，它有年年不断增长的趋势，并且随着季节的变化而变化，但民用的负荷还是和居民日常的生活及工作规律相关较为紧密。 2、商业的负荷，主要是指商业用电中的用电负荷，它覆盖的面积大，而且用电量增加的速度的平稳，商业的负荷同样也具有根据季节变化的波动特性。即使它在电力的负荷中占的比重不如工业负荷及民用负荷，但是商业负荷中的照明类的负荷占用了电力系统用电高峰时段。除此以外，商业部门因为商业行为会在节假日里会增加营业时间，因此成为节假日里影响电力负荷重要的因素之一。 工业负荷是指用在工业生产的用电负荷，一般的工业负荷比重在用电负荷里构成中居于第一位，它不仅仅由工业里负荷端的使用情况决定（也包括负荷的利用情况、企业工作班制度等），而且它和各个行业的特性及季节里的因素都有非常密切的联系，一般的负荷还是比较稳定的。 3、农村的负荷是指农村里居民用电及农业里生产的用电。这类负荷和工业里的负荷相比较，受到季节等其他自然环境的影响非常大，它是由于农业生产特点来定性的，农业的用电负荷同时也受到农产品的品种、耕种特点的影响，但是就电网系统而言，因为农业的用电负荷的集中时间和城市的工业的负荷使用高峰时间有很大差别，所以对于提高电网的负荷率很有好处。 从以上的分析可以发现电力的负荷特点是常常变化的，不仅按照小时变化、按日变化，而且还按周变化，按年变化，同时电力负荷又是以小时作为基本单位不断发生变化的，它具有很大的周期性，负荷的变化是个连续发展变化的过程，在正常的情况下，它不会产生大的跳跃，但是电力的负荷对于季节等因素是十分敏感的，在不同的季节，不同的地区的气候和温度的变化都将会对电力负荷造成十分重要的影响。 4、负荷预测目的是根据电力负荷的发展状况和水平，同时也确定各个供电公司计划的年供用总值，供用最大的电力负荷与规划的地区的总共负荷的发展水平，是由各规划的年用电负荷构成。它将为经济合理准确地安排各个电网内部的机组启停和检修，保持电网的运行安全和稳定性，电网发展的速度，电力的建设规模，电力工业的布局，能源资源的平衡，电力余缺的调剂和电网的资金以及人力资源需求和平衡等各个方面提供十分可靠的依据。 二、负荷预测的方法及特点 1、单耗法 按照国家安排的产品产量、产值计划和用电单耗确定需电量。单耗法分"产品单耗法"和"产值单耗法"两种。采用"单耗法"预测负荷前的关键是确定适当的产品单耗或产值单耗。从我国的实际情况来看，一般规律是产品单耗逐年上升，产值单耗逐年下降。单耗法的优点是：方法简单，对短期负荷预测效果较好。缺点是：需做大量细致的调研工作，比较笼统，很难反映现代经济、政治、气候等条件的影响。 2、趋势外推法 当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t为自变量，时序数值y为因变量，建立趋势模型y=f（t）。当有理由相信这种趋势能够延伸到未来时，赋予变量t所需要的值，可以得到相应时刻的时间序列未来值。这就是趋势外推法。应用趋势外推法有两个假设条件：①假设负荷没有跳跃式变化；②假定负荷的发展因素也决定负荷未来的发展，其条件是不变或变化不大。选择合适的趋势模型是应用趋势外推法的重要环节，图形识别法和差分法是选择趋势模型的两种基本方法。 外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法、生长曲线趋势预测法。趋势外推法的优点是：只需要历史数据、所需的数据量较少。缺点是：如果负荷出现变动，会引起较大的误差。 3、弹性系数法 4、空间负荷密度法 空间负荷预测是对规划区域内负荷的地理位置和数值大小进行的预测，它提供未来负荷的空间分布信息。只有确定了配电网供电区域内未来负荷的空间分布，才能对变电站的位置和容量，主干线的型号和路径，开关设备的装设以及它们的投入时间等决策变量进行规划。由于空间负荷预测涉及大量的空间信息，地理信息系可以为空间负荷预测的数据收集、处理和预测结果的表示提供一个良好的平台。将GIS 引入空间负荷预测，可以极大地减少数据收集量，是空间负荷预测方法实用化的必要步骤。针对国内土地使用的实际情况，在空间负荷预测中采用了分类分区法，该方法是在分类负荷总量预测的基础上，根据城市规划用地图，计算分类负荷平均密度；再由小区面积构成、小区负荷同时率及修正系数求得小区最终负荷。同时，就分类分区法在预测过程中存在的一些问题进行了恰当的处理和改进。针对己有负荷预测软件在数据收集、统计，模型、方法选用，结果处理等方面存在的问题，在将传统、实用的常规预测方法用计算机加以实现的同时，

电力负荷预测方法

电力负荷预测方法 发表时间：2018-08-02T15:26:39.817Z 来源：《电力设备》2018年第11期作者：刘自伟[导读] 摘要：电力设施是国家的基础设施，是国家经济发展不可缺少的基础条件。（韶关新丰供电局广东新丰 511100） 摘要：电力设施是国家的基础设施，是国家经济发展不可缺少的基础条件。随着经济的不断发展，珠三角的产业转移的趋势，电力设施配套建设已成为地区经济发展的关键。准确的电力负荷预测为电网规划提供强有力的依据，不仅可以获得巨大的社会效益，也可以获得巨大的经济效益。 关键词：电网规划；负荷预测；预测方法 1 序言 近年来，新丰经济的不断发展，珠三角的产业转移。为承接好珠三角产业转移，做好电力先行，准确地进行负荷预测十分重要。 2 负荷预测 电网规划很重要的一步就是电网负荷预测，电网负荷预测是安排电网基本建设项目的依据，确定了规划时期内的负荷水平也就确定了电力发展的速度；中、长负荷预测用来初步电源规划，而近期预测用来进一步确定变电站的容量。负荷预测是从已知的经济、社会发展和电力需求情况出发，通过对历史数据的分析和研究，对电力需求作出预先的估计和推测。根据这些预测结果，可以针对性地采取技术措施，如进行可中断负荷控制，增添低谷用电设备、采用蓄冷蓄热技术等，改变电力需求在时序上的分布，将用户的电力需求从电网高峰消减、转移或增加电网低谷期的用电以期提高系统运行的经济性和可靠性，在规划的电力网中还可以减少新增装机容量和节省电力建设投资，从而降低预期的供电成本。负荷预测的方法很多，主要有：综合产值单耗法、弹性系数法、时间序列法、参数回归法、比例系数增长法和经济模型预测法。 3 方法简介 3.1原始资料 3.1.1某县配电网装变容量 至2010年4月底，该县建有高压变电站4座，其中110kV变电站3座、200kV变电站1座：110kV变电总容量为430MV A。200kV变电总容量为360MV A，高压变电站总容量合计790MV A。 表1 某县高压变电站统计表 3.2 综合产值单耗法 3.2.1综合产值单耗法 单耗法是根据第一、二、三产业每单位用电量创造的经济价值，从预测经济指标推算用电需求量，加上居民生活用电量，构成全社会用电量。预测时，通过对过去的单位产值耗电量进行统计分析，并结合产业结构调整，找出一定的规律，预测规划期的一、二、三产业的综合单耗，然后按国民经济和社会发展规划的指标，按单耗进行预测。单耗法需要做大量细致的统计、分析工作，近期预测效果较佳。但在市场经济条件下，未来的产业单耗和经济发展指标都具有不确定性，对于中远期预测的准确性难以确定。 3.2.2计算过程 根据原始资料的数据对该县未来的负荷进行预测，其过程如下：先算出2010-2016年国内生产总值，设国内生产总值为T 亿元 亿元 亿元 亿元 再算出2007-2009各年的综合单耗

短期电力系统负荷预测方法综述

技术与市场专题研究2015年第22卷第5期 短期电力系统负荷预测方法综述 杜雅楠1,郭志娟2,吕灵芝1,母建茹,袁一鹏1 (1.华北水利水电大学,河南郑州450045; 2.中电投河南电力有限公司平顶山发电公司,河南平顶山467000) 摘一要:短期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三准确的负荷预测有助于提高电力系统的安全性二稳定性二经济性,随着电力市场的建立与发展,短期负荷预测将发挥越来越重要的作用三简述了短期电力系统负荷预测的概念和意义,对现有的短期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,并对电力系统负荷预测方法未来的发展方向作出了展望三 关键词:电力系统;短期负荷预测;方法模型 doi:10.3969/j.issn.1006-8554.2015.05.212 0一引言 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三它从已知的用电需求出发,充分考 虑政治二经济二气候等相关因素的影响,预测未来的用电需求三 负荷预测包含两方面含义[1]:对未来需求量(功率)的预测和未来用电量(能量)的预测三电力需求量的预测决定发电二输 电二配电系统新增容量的大小;电能预测决定发电设备的类型(如调峰机组二基荷机组等)三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二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]三 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三本文 对这些方法进行了归纳二分类,概述了各种预测方法的原理,并 对它们的优点与不足进行讨论三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 借鉴三 1一电力系统负荷预测方法分类 电力负荷预测可以分为长期负荷预测二中期负荷预测二短 期负荷预测以及超短期电力负荷预测[3]三本文研究的负荷预测主要针对未来一星期时间内的任何一天的短期电力负荷预测,提高短期电力负荷的预测精度对电力系统安全二稳定二经济运行,最优潮流计算以及实现合理调度有着举足轻重的意义三世界各国对短期电力负荷预测的研究已经有较长的历史,世界许多优秀专家二学者在短期负荷预测领域都做了大量的研究与实验,并且在该领域取得了较大的进展三学者们提出了许多短期负荷预测的方法,其中主要的预测方法可以分为以下几类:经典预测法二传统预测法二现代预测法[4]三 2一经典负荷预测 经典负荷预测技术严格来讲不能称为真正的负荷预测方 法,该方法运用简单的变量关系以及运行经验,针对未来的电 力负荷变化做出方向性结论,其预测的精准度并不理想,在实 际应用中过度依赖于值班人员或学者的相关经验,在实际运用 中往往采用该方法对预测结果进行验证三经典负荷预测技术 包括:单耗法二人均电量指标换算法二弹性系数法二分区负荷密度法等[5]三 3一传统负荷预测 传统的负荷预测方法主要包括时间序列法二趋势外推法二回归分析法和灰色模型法等[6]三 3．1一时间序列法[7] 所谓时间序列法,就是把电力负荷看成一种时间序列的集合,根据电力负荷历史数据抽象出负荷随时间变化的规律,构建预测模型并预测未来负荷的大小三该预测方法在系统稳态运行二环境因素相对稳定的情况下效果较好三如果电网存在较大波动或数据库存在坏数据时,预测结果并不理想三3．2一趋势外推法[8] 趋势外推法又称为趋势曲线拟合二曲线回归或曲线分析,是一种定量预测法三该方法在历史数据的基础上,抽象并总结出待测数据的变化规律,绘出反映该规律的拟合曲线,同时建立已有数据随时间变化的模型y=f(t)三假设该曲线能够延伸,将时间t赋予未来需要的值,并通过高等数学计算便可以得到待测数据三趋势外推法在处理历史负荷数据以及曲线拟合过程中都不考虑随机误差三运用该方法时应当注意,不同预测模型间的曲线拟合度相差很大,当趋势曲线选取合适时预测结果比较理想,否则预测误差会很大,所以应该依据不同的区域构建恰当的模型三最常用的趋势模型有:线性趋势模型二多项式趋势模型二对数趋势模型等三 3．3一回归分析法[9] 该方法通过电力负荷历史数据建立数学模型,利用数量统计中的回归分析法对变量观测数据进行分析,并依据变量间的相互关系来预测未来电力负荷三在回归分析法中,受负荷因子不确定性以及多样性的影响,该方法在有些情况下有较大误差三为此,需要用模糊线性回归法将回归系数模糊化,使预测结果更加精确三 3.4一灰色模型法[10] 该方法以灰色系统理论为基础,对含有不确定因素的系统进行预测,在数据不多的情况下找出某个时间内的作用规律并以此建立预测模型三灰色模型法包括普通灰色系统模型和最优灰色预测模型,前者是一种增长模型,当负荷严格按照指数规律增长时,该预测方法预测精度高二计算简洁,但是对于有波动性的系统而言,其预测精度较低三最优灰色预测模型把有波 933

配电网规划中电力负荷预测方法研究综述 王羚

配电网规划中电力负荷预测方法研究综述王羚 摘要：现阶段，在电力工程的发展过程中，电力的供应对整个社会的运转都是 至关重要的，基于提供高质量的电力供应服务的目的，科学进行配电网规划，并 且运用电力负荷预测方法，达到增强配电网规划工作的效果。有关工作者通过应 用科学的电力负荷预测方法，实现对后续工作的精准预测，系统掌握电力负荷变 化的规律和相关的影响因子情况，尽可能避免或减少配电网规划管理安全风险。 为此，系统思考和分析配电网规划中电力负荷预测方法显得尤为必要，拥有一定 的研究意义与实施价值。 关键词：配电网规划；电力负荷预测方法；研究综述 引言 在目前的供电企业当中电力负荷预测技术是其中非常重要的工作，同时也是 经常重复的工作。做这项工作的目的是为了能对于未来新的发电机组以及更新扩 展提供依据，同时它还能够决定发电机组的容量和时间地点的选择，对供电企业 的发展和扩建有着很重要的意义，所以电力企业现代化管理最重要的标志就是在 于电力负荷预测技术。电力负荷预测技术最核心的问题就是在于如何选择电力负 荷预测方法，因为随着目前社会的进步以及科技的发展，电力负荷预测理论知识 以及实践方法不断改良进步，电力负荷预测最终的发展趋势肯定是趋于智能化、 精细化预测技术，为电力行业发展提供重要的技术保障。 1负荷预测种类 1.1中、长期负荷预测 若预测年限达到10年以上，且预测的时间单位是以年来计算的，则该种预测为长期负荷预测;若预测年限是5年左右，且时间单位是以年来计算的，那么该种预测方式为中期负荷预测。它们的意义在于帮助决定发电机的装机容量、型式、 地点和时间与电网的规划、增容、和改建。由于中、长期负荷预测主要针对项目 工程较大、时间跨度长，往往具有较大误差，在项目基建时也需要留有较大裕度。近年来，主动配电网技术逐步发展，中、长期负荷预测能够对其规划在分布式电 源选址定容及网架规划上提供规划依据。 1.2短、超短期负荷预测 超短期负荷预测指未来1h、未来0.5h甚至未来10min的预测。其意义在于 可对电网进行计算在线控制，对配电网、发电厂等系统进行实时调度指令下达的 配合。短期负荷预测是指一年之内按月为单位的预测和以周、天、小时为单位的 负荷预测，一般预测的是未来一个月度、未来一周、和预测未来一天的负荷。它 的意义在于:对近期集中式发电厂的发电计划进行合理制定，对各机组的出力分布 进行合理计划;可以经济合理地安排本网内各机组的启动和停止，降低储备容量; 可以在留有裕量时对发电机组进行分组停机检修。伴随着国家和社会的稳定发展，提高短期负荷预测的精度受到了各行各业的极大关注，随之成为了很多各大高校 学者们的研究分析课题。 2配电网规划中的电力负荷预测方法 2.1回归分析方法 回归分析方法也叫作统计分析方法，在很多领域中均获得了有效地应用，通 过利用该预测方法实施测量，应该科学预测不同因子间的关联，完成对预测数值 的准确计算。在此过程中，以区域相关的历史资料与有关影响因子作为主要的预 测对象。在科学分析相关影响因子和用电量相应的函数过程中，可以完成电力负

(完整版)电力负荷预测方法

电力负荷预测方法 朋友们大家好，很高兴与大家分享一下电力方面的知识。本节摘要是：负荷预测方法可分为确定性负荷预测方法和不确定性负荷预测方法。确定性负荷预测方法是把电力负荷预测用一个或一组方程来描述，电力负荷与变量之间有明确的一一对应关系，包括时间序列预测法、回归分析法、经典技术预测法、趋势外推预测法等。不确定性预测方法基于类比对应等关系进行推理预测的，包括灰色理论预测法、专家系统法、模糊预测法、神经网络法、小波分析预测法等。 关键字：电力负荷预测方法... 负荷预测是电力系统调度的一个重要组成部分，是电力交易的主要数据源，也是电力系统经济运行的基础,任何时候,电力负荷预测对电力系统规划和运行都极其重要。近几年，随着我国电力供需矛盾的突出集电力工业市场化运营机制的推行，电力负荷预测的准确度有待进一步提高。 负荷预测方法可分为确定性负荷预测方法和不确定性负荷预测方法。 确定性负荷预测方法是把电力负荷预测用一个或一组方程来描述，电力负荷与变量之间有明确的一一对应关系，包括时间序列预测法、回归分析法、经典技术预测法、趋势外推预测法等。

而为了解决实际电力负荷发展变化规律非常复杂不能用简单的显式数学方程来描述期间的对应和相关这一问题，许多专家学者经过不懈努力，把许多新的方法和理论引入到负荷预测中来，产生了一类基于类比对应等关系进行推理预测的不确定性预测方法。包括灰色理论预测法、专家系统法、模糊预测法、神经网络法、小波分析预测法等。 <一> 确定性负荷预测方法 一、时间序列预测法 时间序列分析法利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。 时间序列预测是依据电力负荷的历史数据建立一个时间序列的数学模型，通过时间序列的数学模型可以描述这个时间序列变换的规律性，同时在数学模型的基础上建立电力负荷预测的数学表达式，并对未来的负荷进行预测。电力负荷时间序列预测方法主要包括自回归AR（p）模型、滑动平均MA（q）模型和自回归与滑动平均ARMA（p，q）模型等。 按照处理方法不同，时间序列法分为确定时间序列分析法和随机时间序列分析法。时间序列模型的缺点在于不能充分利用对负荷性能有很大影响的气候信息和其他因素，导致了预报的不准