劉金智

摘 要：電力負荷預測是電力調度、用電以及電力計劃規(guī)劃的重要內容，提高電力負荷預測技術水平有利于合理安排電網運行計劃，提高電網經濟效益和和社會效益。該文結合電力負荷預測技術發(fā)展研究實際，對該技術發(fā)展趨勢做了簡要分析。

關鍵詞：負荷預測 趨勢 研究

中圖分類號：TM715 文獻標識碼：A 文章編號：1674-098X（2014）01（c）-0043-01

電力負荷預測是供電部門重要的經常性工作，負荷預測的結果對于新的發(fā)電機組未來擴展及安裝，對未來機組裝機容量大小的決定，時間地點的選擇，以及對未來電網容量的改擴建都有重要的意義，電力負荷預測的工作水平已成為電力企業(yè)管理現(xiàn)代化的重要標志之一。

負荷預測的核心問題是預測的技術方法，隨著電力企業(yè)管理水平的不斷推進和科技水平的迅速發(fā)展，預測理論和預測方法也不斷得到發(fā)展，先后出現(xiàn)了負荷預測經驗技術和經典技術、趨勢外推技術、回歸模型預測技術、灰色預測技術等方法的實施運用，可以說負荷預測技術的發(fā)展在不斷完善，實現(xiàn)并成熟運用智能化、精細化的負荷預測技術是當前和今后電力負荷預測技術發(fā)展的趨勢和方向。

1 基于專家系統(tǒng)的負荷預測技術

專家系統(tǒng)技術在人工智能領域中占有重要地位，一個完整的專家系統(tǒng)包括知識庫、推理機、知識獲取和解釋界面四部分，并基于知識程序建立起主要表現(xiàn)為軟件的計算機系統(tǒng)，擁有某特殊領域專家的經驗和知識，通過知識進行推理最終作出智能決策。

在長期負荷預測知識的前提下，專家系統(tǒng)可通過編輯“如果…，那么…（IF…，THEN…）”語句結構塊組成知識庫?？梢越㈦娏Πl(fā)展規(guī)劃參照知識庫、彈性系數(shù)知識庫、慣性知識庫、綜合指標知識庫、行業(yè)用電比重知識庫、用電水平判別知識庫以及基于數(shù)學模型預測精度等級知識庫等。

在專家系統(tǒng)技術方法實現(xiàn)過程中，通常將數(shù)據(jù)庫系統(tǒng)和專家系統(tǒng)結合起來，也就是把數(shù)值計算與知識的描述結合在一起。比如，選取Foxpro數(shù)據(jù)庫，首先進行在VB環(huán)境下的處理各種預測模型的數(shù)值運算，其次實現(xiàn)Foxpro與VB的數(shù)據(jù)交換，并把VB軟件的數(shù)值運算結果Foxpro建立數(shù)據(jù)庫，最后利用專家系統(tǒng)工具與Foxpro的數(shù)據(jù)交換與用戶進行交流，對預測模型進行評估輸出最優(yōu)結果。[1]

基于專家系統(tǒng)的負荷預測技術具有快速決斷的優(yōu)點，并克服了單一算法的片面性是的該方法具有較廣泛的應用前景。

2 基于神經網絡的負荷預測技術

在電力負荷預測中應用神經網絡，就是模仿人腦的智能化處理特點，對大量非結構和非精確性規(guī)律具有自學習、自適應、記憶、知識推理、優(yōu)化計算等，因此應用人工神經網絡進行電力負荷預測是具有潛力和先進的研究方法。一般來說，一個多層的神經網絡分為三層：輸入層、輸出層和中間層。以BP神經網絡為例，它就是利用訓練樣本實現(xiàn)從輸入到輸出的映射，在所選的網絡拓撲結構下，通過學習算法調整各神經元的閾值和連接權值，使誤差最小。

在電力負荷預測中，短期負荷變化可近似認為是一個平穩(wěn)的隨機過程，而神經網絡是較為適合解決平穩(wěn)隨機過程的，因此神經網絡主要應用于電力負荷預測的短期負荷預測。研究表明，運用人工神經網絡方法的預測結果比其他方法具有更準確的優(yōu)勢，因而具有更加實用的前景。

3 基于小波分析的負荷預測技術

小波分析被稱為“數(shù)學顯微鏡”，是一種時域—頻域的分析方法，在圖像處理、模式識別、故障診斷、狀態(tài)監(jiān)視、雷達探測等領域中得到應用，它可以聚焦到信號的任意細節(jié)，尤其是擅長對奇異信號、微弱信號和突變信號的處理，其目標是將一個信號轉化為小波系數(shù)，從而方便地處理、分析、傳遞和存儲或者用于重建原始信號，這些可以提現(xiàn)小波分析可作為電力負荷預測的有效途徑。[2]

電力系統(tǒng)中負荷曲線具有特殊的周期性，將符合序列通過小波變換可分別投影到不同的尺度上，尺度上的序列分別代表了一定的“頻域”分量，較為清晰地表現(xiàn)了負荷序列的周期性。在此基礎上對不同的子負荷序列進行預測。雖然電力系統(tǒng)中負荷以日、周、月、年為周期發(fā)生波動，但通過小波變換后的序列重組得到較完整地小時負荷預測結果，實現(xiàn)對短期負荷的良好預測。

4 模型群優(yōu)選組合的負荷預測技術

一般來講，優(yōu)選組合有兩種基本涵義，一是把用不同預測方法得到的結果進行加權平均來預測；二是將幾種不同的預測方法進行選擇，選取擬合度最佳和偏差最小的作為最優(yōu)模型來預測。優(yōu)選組合預測方法有許多，其中模型群方法在應用時可避免漏掉最優(yōu)預測模型，同時具有良好的自適應性，提高了預測的準確性和效果，這種方法就是選擇n個預測模型和相對應的n個預測結果，通過判別標準偏差、擬合程度、關聯(lián)度和誤差等指標來比較n個模型的好壞，最后從中選擇一個最優(yōu)的模型進行負荷預測。這種方法體現(xiàn)了集多種預測模型的信息于一體，可達到改善預測效果的目的。

5 結語

綜上所述，隨著電力系統(tǒng)智能化程度的不斷提高，電力負荷預測技術的研究也在不斷深化，新的預測方法不斷出現(xiàn)，從以前的經典方法到現(xiàn)在的智能化、最優(yōu)化方法，為電力負荷預測提供了有力的工具，本文所提到的負荷預測方法是當前乃至今后的負荷預測發(fā)展和應用趨勢，在研究和實踐中取得了較好的效果。

參考文獻

[1] 牛東曉.電力負荷預測技術及其應用[M].中國電力出版社，2009.

[2] 王士政.電網調度自動化與配網自動化技術[M].中國水利電力出版社，2008.endprint