王惠中 ，周佳，劉軻

(1.蘭州理工大學(xué) 電氣工程與信息工程學(xué)院，甘肅 蘭州 730050;2.甘肅省工業(yè)過(guò)程先進(jìn)控制重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730050)

0 引言

隨著全球經(jīng)濟(jì)的迅猛發(fā)展，從壟斷經(jīng)營(yíng)模式走向競(jìng)爭(zhēng)關(guān)系的電力行業(yè)，尤其是智能電網(wǎng)的發(fā)展，對(duì)電力系統(tǒng)各部門都提出了更高的要求。電力部門只有對(duì)負(fù)荷預(yù)測(cè)相關(guān)的數(shù)據(jù)進(jìn)行全面詳細(xì)的研究，制定高效、經(jīng)濟(jì)的發(fā)電計(jì)劃，合理安排機(jī)組出力，才能為用戶持續(xù)提供安全、可靠的電能，滿足各用戶的需求，保證電力系統(tǒng)安全穩(wěn)定運(yùn)行，并可以減少發(fā)電成本，提高經(jīng)濟(jì)效益。

電力系統(tǒng)負(fù)荷預(yù)測(cè)就是要考慮電力系統(tǒng)的運(yùn)行特性、系統(tǒng)規(guī)模、國(guó)家宏觀調(diào)控、自然條件等因素的影響，研究歷史負(fù)荷數(shù)據(jù)的變化規(guī)律，找出負(fù)荷與各影響因素之間的關(guān)系，以此來(lái)預(yù)測(cè)未來(lái)負(fù)荷。通常按照預(yù)測(cè)時(shí)間的長(zhǎng)短可將負(fù)荷預(yù)測(cè)分為以下四類:長(zhǎng)期、中期、短期和超短期。長(zhǎng)期的負(fù)荷預(yù)測(cè)主要用來(lái)預(yù)測(cè)未來(lái)若干年的負(fù)荷情況，一般用于電網(wǎng)的規(guī)劃、改建工作等;中期的負(fù)荷預(yù)測(cè)指預(yù)測(cè)未來(lái)數(shù)月至一年的負(fù)荷，主要用于水庫(kù)的運(yùn)行調(diào)度、機(jī)組的維修及燃料的使用計(jì)劃等;短期負(fù)荷預(yù)測(cè)比較常用，主要是對(duì)次日至一周負(fù)荷進(jìn)行的預(yù)測(cè)，常用于水火電的優(yōu)化組合以及對(duì)經(jīng)濟(jì)潮流的控制等;超短期負(fù)荷預(yù)測(cè)近年來(lái)研究的也比較多，它主要指對(duì)未來(lái)一小時(shí)的負(fù)荷預(yù)測(cè)，通常用于電能質(zhì)量的控制、在線運(yùn)行的安全監(jiān)視、預(yù)防和應(yīng)急控制等。由此可知，中長(zhǎng)期負(fù)荷預(yù)測(cè)是制定電力系統(tǒng)發(fā)展規(guī)劃的前提，而基于日負(fù)荷曲線的短期負(fù)荷預(yù)測(cè)則是制定日前發(fā)電計(jì)劃的基礎(chǔ)［1］。

近年來(lái)，隨著用電領(lǐng)域的不斷拓寬，用電戶數(shù)的不斷激增，因而只有進(jìn)行高精度的負(fù)荷預(yù)測(cè)，按照預(yù)測(cè)數(shù)據(jù)進(jìn)行合理的電力劃分，才能確保社會(huì)的穩(wěn)步、經(jīng)濟(jì)、和諧發(fā)展。電力系統(tǒng)經(jīng)濟(jì)運(yùn)行的關(guān)鍵因素之一就是電力需求的預(yù)測(cè)，準(zhǔn)確的負(fù)荷預(yù)測(cè)對(duì)電力部門而言，具有很大的節(jié)能潛力。對(duì)于大電網(wǎng)來(lái)說(shuō)，從短期負(fù)荷預(yù)測(cè)得到的信息，不僅可以合理調(diào)度發(fā)電容量，而且可以在安全范圍內(nèi)使該系統(tǒng)經(jīng)濟(jì)地安排各機(jī)組的啟停，保持必要的旋轉(zhuǎn)備用容量的成本為最小，從而使發(fā)電成本降到最低，確保電網(wǎng)安全、穩(wěn)定、可靠、優(yōu)質(zhì)和經(jīng)濟(jì)的運(yùn)行?；陔娋W(wǎng)負(fù)荷預(yù)測(cè)的重要意義，近年來(lái)，人們對(duì)它的重視程度也在不斷加大。

1 國(guó)內(nèi)外研究現(xiàn)狀

電力負(fù)荷受社會(huì)、經(jīng)濟(jì)、自然條件等因素的影響較大，再加上諸多隨機(jī)因素，使得負(fù)荷存在復(fù)雜的非線性關(guān)系;由于各個(gè)地區(qū)的負(fù)荷總是按照天、周、年周期性變化，又使其具有了可預(yù)測(cè)性。因此，國(guó)內(nèi)外專家學(xué)者研究如何利用現(xiàn)有的歷史數(shù)據(jù)，采用適當(dāng)?shù)姆椒▉?lái)預(yù)測(cè)未來(lái)的負(fù)荷值，并具有比較高的速度和精度。

1.1 國(guó)外研究現(xiàn)狀

自20世紀(jì)60年代初，世界經(jīng)濟(jì)快速發(fā)展對(duì)電力的需求不斷增加，對(duì)電能質(zhì)量的要求也逐步提高，這就導(dǎo)致了電力系統(tǒng)的快速發(fā)展。負(fù)荷預(yù)測(cè)也就開(kāi)始向探索、研究和應(yīng)用方向發(fā)展。目前，國(guó)外學(xué)者大多采取與神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)有關(guān)的一些方法［2-5］。有學(xué)者提出先選擇相似日負(fù)荷作為輸入負(fù)荷，而后應(yīng)用小波分解將負(fù)荷分解成低頻分量和高頻分量，最后使用單個(gè)的神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)這兩個(gè)分量未來(lái)的負(fù)荷。也有學(xué)者采用非對(duì)稱二次損失函數(shù)支持向量回歸來(lái)準(zhǔn)確的預(yù)測(cè)負(fù)荷，有效提高了電力負(fù)荷預(yù)測(cè)模型的準(zhǔn)確性。文獻(xiàn)［6］提出了一種基于小波變換(Wavelet Transform，簡(jiǎn)稱 WT)和模糊自適應(yīng)共振理論映射(Fuzzy Adaptive Resonance Theory Maps，簡(jiǎn)稱 F-ARTMAP)網(wǎng)絡(luò)的新的混合智能算法，該模型通過(guò)廣泛的預(yù)測(cè)比較得以證明。文獻(xiàn)［7］利用經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒?，將時(shí)間序列分成兩部分，分別描述趨勢(shì)和本地振蕩的能量消耗值，然后用于訓(xùn)練支持向量回歸模型。文獻(xiàn)［8］提出了一種基于內(nèi)核機(jī)的短期負(fù)荷預(yù)測(cè)方法，該方法提供了更好的短期負(fù)荷預(yù)測(cè)結(jié)果。通過(guò)學(xué)習(xí)國(guó)外學(xué)者最新的研究成果，不難發(fā)現(xiàn)，基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)方法已經(jīng)比較成熟，開(kāi)發(fā)其它新型的預(yù)測(cè)方法和算法已成為必然。

1.2 國(guó)內(nèi)研究現(xiàn)狀

當(dāng)前，國(guó)內(nèi)學(xué)者為了提高負(fù)荷預(yù)測(cè)的精度和速度，也研究出了多種方法和算法，并取得了不錯(cuò)的成果［9-11］。韓教授將電壓特性作為描述系統(tǒng)狀態(tài)特征的基本量，提出了基于加權(quán)最小二乘的狀態(tài)預(yù)估模型和算法。也有專家采用遺傳算法的全局搜索能力實(shí)現(xiàn)了粗糙集理論的屬性約簡(jiǎn)，通過(guò)對(duì)模型的輸入變量進(jìn)行優(yōu)選，并采用實(shí)值遺傳算法來(lái)自動(dòng)優(yōu)化模型參數(shù)，以改進(jìn)和完善最小二乘支持向量機(jī)負(fù)荷預(yù)測(cè)模型和算法。還有學(xué)者引入人體舒適度指數(shù)，綜合考慮氣象因素的影響，利用相似日的日特征向量和負(fù)荷數(shù)據(jù)建立基于粒子群參數(shù)優(yōu)化的支持向量機(jī)(Particle Swarm Optimization Support Vector Machine，簡(jiǎn)稱 PSO-SVM)預(yù)測(cè)模型，實(shí)驗(yàn)證明預(yù)測(cè)精度較高，推廣能力很強(qiáng)。文獻(xiàn)［12］對(duì)SVM在短期負(fù)荷預(yù)測(cè)的應(yīng)用中存在的包括數(shù)據(jù)預(yù)處理、核函數(shù)構(gòu)造及選取和參數(shù)優(yōu)化等方面的問(wèn)題，做出了分析，并總結(jié)提出了現(xiàn)有的解決方案，提出了下一步要解決的關(guān)鍵問(wèn)題。還有學(xué)者專門研究了局部地區(qū)的電力負(fù)荷預(yù)測(cè)問(wèn)題［13］，并提出了一種基于自適應(yīng)聚類分區(qū)和支持向量回歸的多模型變結(jié)構(gòu)負(fù)荷預(yù)測(cè)新方法，實(shí)驗(yàn)證明該預(yù)測(cè)方法比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法具有更高的精度和更強(qiáng)的魯棒性。牛東曉教授利用在處理大數(shù)據(jù)量、消除冗余信息等方面具有優(yōu)勢(shì)的數(shù)據(jù)挖掘技術(shù)來(lái)對(duì)歷史數(shù)據(jù)進(jìn)行預(yù)處理，組成具有高度相似氣象特征的數(shù)據(jù)序列，將此序列作為SVM的訓(xùn)練數(shù)據(jù)，減少了數(shù)據(jù)量，從而提高了預(yù)測(cè)的速度和精度，克服支持向量機(jī)的缺點(diǎn)［14］。

綜上所述，電網(wǎng)短期負(fù)荷預(yù)測(cè)自發(fā)展以來(lái)，各專家學(xué)者已提出了多種方法，用于短期負(fù)荷預(yù)測(cè)的傳統(tǒng)方法有趨勢(shì)外推法、回歸分析法、時(shí)間序列法、灰色預(yù)測(cè)法、卡爾曼濾波法、專家系統(tǒng)法等。隨著逐步建立的現(xiàn)代電力系統(tǒng)管理信息系統(tǒng)，以及天氣預(yù)報(bào)水平的不斷提高，準(zhǔn)確地獲得負(fù)荷預(yù)測(cè)所需的各種歷史數(shù)據(jù)不再是難事，并涌現(xiàn)出了下列現(xiàn)代智能方法:小波分析法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法、數(shù)據(jù)挖掘法、模糊預(yù)測(cè)法、優(yōu)選組合法等。這些方法逐步提高了負(fù)荷預(yù)測(cè)的速度和精度。本文就用于短期負(fù)荷預(yù)測(cè)的智能方法進(jìn)行討論。

2 短期負(fù)荷預(yù)測(cè)的智能方法

2.1 小波分析法

小波分析是一種建立于時(shí)頻域的分析方法，它不論是在時(shí)域還是在頻域上都具有非常好的局部化性能，可根據(jù)信號(hào)的頻率自動(dòng)調(diào)節(jié)采樣密度，對(duì)捕捉和分析弱信號(hào)具有優(yōu)勢(shì)。小波分析的目的是將一個(gè)信號(hào)轉(zhuǎn)化成小波變換后的系數(shù)，因此能夠便于處理、存儲(chǔ)、傳輸、分析和對(duì)原信號(hào)進(jìn)行重建。對(duì)于短期負(fù)荷預(yù)測(cè)，小波變換可將負(fù)荷序列分別投影到不同的尺度上，然后對(duì)不同的子序列用相應(yīng)的模型進(jìn)行預(yù)測(cè)，最后通過(guò)序列重建得到完整的預(yù)測(cè)結(jié)果［15-16］。

電力負(fù)荷具有隨周、月、季節(jié)變化的周期性波動(dòng)的性質(zhì)。小波分析方法就被用來(lái)解決這種大周期中包含有小周期的復(fù)雜情況。在對(duì)含有周期性的負(fù)荷序列進(jìn)行小波變換時(shí)，先要將各子序列分別投影至不同的尺度上，各子序列分別代表原始負(fù)荷序列中不同的“頻域”分量，使得各子序列也具有明顯的周期性。小波分析最大的不足就是未能考慮溫度、濕度等氣象因素對(duì)負(fù)荷預(yù)測(cè)的影響，而且對(duì)小波基的選擇也對(duì)預(yù)測(cè)結(jié)果有影響。

2.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元組成的一個(gè)非線性網(wǎng)絡(luò)，每一個(gè)神經(jīng)元單獨(dú)的作用很簡(jiǎn)單，就是用一個(gè)非線性函數(shù)將輸入映射到輸出，但是通過(guò)各個(gè)神經(jīng)元之間的復(fù)雜連接，使得整個(gè)神經(jīng)網(wǎng)絡(luò)具有了復(fù)雜的非線性特性。人工神經(jīng)網(wǎng)絡(luò)用于負(fù)荷預(yù)測(cè)的有(Back Propagation，簡(jiǎn)稱 BP)網(wǎng)絡(luò)、(Radical Basis Function，簡(jiǎn)稱RBF)網(wǎng)絡(luò)等，還有其與其它方法結(jié)合的組合方法［17］。如與小波理論結(jié)合得到的小波神經(jīng)網(wǎng)絡(luò);文獻(xiàn)［18］提出的自適應(yīng)模糊推理神經(jīng)網(wǎng)絡(luò);文獻(xiàn)［19］提出的基于總體平均經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，簡(jiǎn)稱EEMD)、最小二乘支持向量機(jī)(Least Squares Support Vector Machine，簡(jiǎn)稱LSSVM)和BP神經(jīng)網(wǎng)絡(luò)的綜合短期負(fù)荷預(yù)測(cè)方法等。

短期負(fù)荷容易受到天氣、社會(huì)經(jīng)濟(jì)等因素的影響，具有嚴(yán)重的隨機(jī)性和非線性性。而人工神經(jīng)網(wǎng)絡(luò)的大規(guī)模分布式并行處理、高度自組織、自適應(yīng)以及靈活性等優(yōu)點(diǎn)正吻合短期負(fù)荷預(yù)測(cè)的這些特點(diǎn)。神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)的自動(dòng)描述，可通過(guò)對(duì)樣本數(shù)據(jù)的學(xué)習(xí)來(lái)處理;其并行結(jié)構(gòu)對(duì)處理實(shí)時(shí)性問(wèn)題上具有很大的優(yōu)勢(shì);其良好的信息綜合處理能力以及高容錯(cuò)性，對(duì)輸入信息的各種復(fù)雜問(wèn)題可有效地處理。該方法的不足是神經(jīng)網(wǎng)絡(luò)的層數(shù)和神經(jīng)元的個(gè)數(shù)主要靠人的主觀經(jīng)驗(yàn)確定，難以科學(xué)確定其網(wǎng)絡(luò)結(jié)構(gòu)，學(xué)習(xí)速度慢，存在局部極小點(diǎn)等問(wèn)題，訓(xùn)練過(guò)程在一定程度上也缺乏理論依據(jù)。

2.3 支持向量機(jī)

支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)理論上的一種預(yù)測(cè)方法，它的訓(xùn)練問(wèn)題本質(zhì)上是一個(gè)經(jīng)典的二次規(guī)劃問(wèn)題，因此可避免局部最優(yōu)解，并有唯一的全局最優(yōu)解，且可以利用最優(yōu)化理論中許多成熟的算法。在解決非線性的問(wèn)題時(shí)，SVM可以通過(guò)非線性映射把非線性樣本集映射到高維特征空間，從而得到線性可分的數(shù)據(jù)集，使用核函數(shù)來(lái)代替高維空間中相應(yīng)的內(nèi)積運(yùn)算。支持向量回歸估計(jì)(Support Vector Regression，簡(jiǎn)稱SVR)算法通過(guò)引入不敏感損失函數(shù)和核函數(shù)，被廣泛地應(yīng)用于電力系統(tǒng)負(fù)荷預(yù)測(cè)，并具有良好的預(yù)測(cè)性能和推廣能力。

基于SVM的短期負(fù)荷預(yù)測(cè)比傳統(tǒng)方法具有更高的預(yù)測(cè)精度，它建立于(Vapnik-Chervonenkis Dimension，簡(jiǎn)稱VC)維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的基礎(chǔ)上，對(duì)解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問(wèn)題效果比較理想，且具有擬合精度高、推廣能力強(qiáng)和全局最優(yōu)等特點(diǎn)，并充分考慮了影響負(fù)荷的各種因素。不足之處是要考慮其自選參數(shù)和核函數(shù)的選擇，一般靠經(jīng)驗(yàn)確定，影響預(yù)測(cè)效果［20-22］。因此，各學(xué)者研究提出了很多改進(jìn)的算法，如基于線性規(guī)劃的SVM、最小二乘支持向量機(jī)LSSVM，加權(quán)支持向量機(jī)(Weighted Support Vector Machine，簡(jiǎn)稱W-SVM)等。這些方法在一定程度上提高了SVM的性能，其中LS-SVM是最常用的方法。有學(xué)者以歷史負(fù)荷數(shù)據(jù)、氣象因素等作為輸入，提出了一種基于帶有擴(kuò)展記憶的粒子群優(yōu)化技術(shù)(Particle Swarm Optimization Extended Memory，簡(jiǎn)稱PSOEM)與支持向量回歸(SVR)相結(jié)合的預(yù)測(cè)方法，獲得了比較好的結(jié)果。文獻(xiàn)［23］以廣東佛山地區(qū)的歷史負(fù)荷數(shù)據(jù)作為原始數(shù)據(jù)，構(gòu)造了基于支持向量機(jī)的短期負(fù)荷預(yù)測(cè)模型，通過(guò)與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果比較，發(fā)現(xiàn)應(yīng)用SVM模型的預(yù)測(cè)結(jié)果的平均相對(duì)誤差為2.26%，比BP神經(jīng)網(wǎng)絡(luò)法(3.02%)具有更高的精度。

2.4 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘就是從大量的、不完全的、模糊的數(shù)據(jù)中，提取出隱藏在其中的、人們事先未知的，而又具有潛在使用價(jià)值的信息和知識(shí)的過(guò)程。數(shù)據(jù)挖掘一般有四步:問(wèn)題的定義、數(shù)據(jù)的收集及預(yù)處理、數(shù)據(jù)挖掘的實(shí)施、挖掘結(jié)果的解釋與評(píng)估。整個(gè)數(shù)據(jù)挖掘的過(guò)程就是一個(gè)不斷反饋修正的過(guò)程。文獻(xiàn)［24］在運(yùn)用決策樹(shù)C4.5算法建立短期負(fù)荷預(yù)測(cè)模型前，分析了非負(fù)荷因素對(duì)短期負(fù)荷預(yù)測(cè)的影響，并用數(shù)據(jù)挖掘方法對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理。

負(fù)荷預(yù)測(cè)需要用歷史數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)的負(fù)荷，而當(dāng)今各類數(shù)據(jù)信息系統(tǒng)又非常龐大，為了保證電力系統(tǒng)的安全、經(jīng)濟(jì)、可靠運(yùn)行，將數(shù)據(jù)挖掘技術(shù)用于短期負(fù)荷預(yù)測(cè)是非常有必要的。數(shù)據(jù)挖掘技術(shù)對(duì)處理龐大的歷史數(shù)據(jù)具有獨(dú)特的優(yōu)勢(shì)，它能消除其中錯(cuò)誤和無(wú)用的數(shù)據(jù)，找到隱含在數(shù)據(jù)中卻非常有用的影響短期負(fù)荷預(yù)測(cè)的因素，確定短期負(fù)荷的真正變化規(guī)律，從而提高預(yù)測(cè)精度。有學(xué)者基于負(fù)荷的影響因素，采用日類型模糊分類器，將原始數(shù)據(jù)進(jìn)行了分類，再根據(jù)預(yù)測(cè)日的日類型在相應(yīng)的日類型子數(shù)據(jù)庫(kù)中，采用灰色關(guān)聯(lián)度分析法選取樣本數(shù)據(jù)，將樣本數(shù)據(jù)整理輸入到SVM預(yù)測(cè)模型中，完成預(yù)測(cè)，預(yù)測(cè)模型充分吸取了數(shù)據(jù)挖掘技術(shù)和SVM的優(yōu)點(diǎn)，具有運(yùn)算速度快、預(yù)測(cè)精度高等特點(diǎn)［25］。

2.5 模糊理論法

模糊推理知識(shí)在描述和處理不確定性問(wèn)題方面有顯著的優(yōu)勢(shì)，結(jié)合電力系統(tǒng)所具有的顯著的不確定性特征，被廣泛應(yīng)用于電力負(fù)荷的數(shù)學(xué)建模。模糊理論法將已有的歷史數(shù)據(jù)用規(guī)則的形式表述出來(lái)，并轉(zhuǎn)換成可以在計(jì)算機(jī)上運(yùn)行的算法，進(jìn)而完成各種工作任務(wù)。文獻(xiàn)［26］在研究局部地區(qū)的短期負(fù)荷預(yù)測(cè)中，采用了聚類分析與模糊推理相結(jié)合的方法，從而保證了數(shù)據(jù)分析中的學(xué)習(xí)能力和不確定性描述能力，取得了較好的效果。

模糊推理應(yīng)用于負(fù)荷預(yù)測(cè)的原由是其可以利用有限的規(guī)則逼近任意的函數(shù)，其隸屬函數(shù)可以更清楚地說(shuō)明專家的意圖，并能處理電力系統(tǒng)中大量不精確的、模糊的問(wèn)題;模糊方法通常利用調(diào)度員的豐富經(jīng)驗(yàn)，對(duì)天氣影響和突發(fā)事件等難以用數(shù)學(xué)關(guān)系表述的因素進(jìn)行描述，往往比計(jì)算預(yù)測(cè)方法準(zhǔn)確;模糊理論的自適應(yīng)能力也使其具有較強(qiáng)的自適應(yīng)性及魯棒性。但隨著對(duì)模糊理論的不斷研究和應(yīng)用，也發(fā)現(xiàn)了一些缺點(diǎn):模糊理論的學(xué)習(xí)能力相對(duì)較弱;主觀人為因素影響較大。

2.6 優(yōu)選組合預(yù)測(cè)法

在實(shí)際應(yīng)用中，沒(méi)有哪一種預(yù)測(cè)技術(shù)能夠全面客觀地對(duì)預(yù)測(cè)對(duì)象及其所處的環(huán)境進(jìn)行模擬。負(fù)荷預(yù)測(cè)在系統(tǒng)建模時(shí)一般會(huì)受到兩方面的限制:一是所建立的模型中不可能包含所有的影響因素，二是各個(gè)參數(shù)之間的內(nèi)在關(guān)系也比較復(fù)雜，通常難以確定。因此也不是說(shuō)所建立的模型越復(fù)雜，參數(shù)越多，它的預(yù)測(cè)精度就越高。因此，預(yù)測(cè)人員常采用多種預(yù)測(cè)方法來(lái)保證預(yù)測(cè)的準(zhǔn)確性和可靠性，通過(guò)對(duì)這些預(yù)測(cè)方法進(jìn)行分析、比較和選擇，選取各種方法的優(yōu)勢(shì)，來(lái)獲得更好的預(yù)測(cè)模型。

優(yōu)選組合預(yù)測(cè)法一般有兩種形式［27-29］:一種是先分別采用幾種預(yù)測(cè)方法進(jìn)行預(yù)測(cè)，得到各自的預(yù)測(cè)結(jié)果后，再選擇適當(dāng)?shù)臋?quán)重對(duì)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)平均;另一種是先對(duì)各種預(yù)測(cè)方法進(jìn)行分析比較，利用優(yōu)勢(shì)互補(bǔ)的原則，選擇擬合度最佳，或者標(biāo)準(zhǔn)離差最小的模型，相結(jié)合以得到最優(yōu)的預(yù)測(cè)模型。優(yōu)選組合預(yù)測(cè)法包含多種單一模型的信息，具有最大的信息利用率，以此來(lái)達(dá)到改善預(yù)測(cè)結(jié)果的目的［30-32］。有學(xué)者把時(shí)間序列法、灰色模型法與人工神經(jīng)網(wǎng)絡(luò)法結(jié)合起來(lái)進(jìn)行負(fù)荷預(yù)測(cè)，提高了預(yù)測(cè)的精度;也有專家將粒子群優(yōu)化算法與支持向量機(jī)相結(jié)合，得到了預(yù)測(cè)性能較好的SVM負(fù)荷預(yù)測(cè)模型。還有學(xué)者提出基于聚類和支持向量機(jī)的預(yù)測(cè)方法，通過(guò)(Self-Organizing Map，簡(jiǎn)稱SOM)和C-均值聚類組合算法，構(gòu)造相似日樣本，通過(guò)SVM模型的逐點(diǎn)訓(xùn)練，得到最終結(jié)果，實(shí)驗(yàn)證明該方法有效地處理了負(fù)荷序列的噪聲及非平穩(wěn)性，是一種很好的短期負(fù)荷預(yù)測(cè)方法。

3 結(jié)束語(yǔ)

本文綜合分析了目前常用的幾種短期負(fù)荷預(yù)測(cè)的智能方法，認(rèn)為優(yōu)選結(jié)合各種預(yù)測(cè)方法的優(yōu)點(diǎn)為未來(lái)發(fā)展的一種趨勢(shì)。由于影響負(fù)荷預(yù)測(cè)的因素很多，而在建模的過(guò)程中又不可能面面俱到，這樣無(wú)疑會(huì)降低預(yù)測(cè)精度，因此，對(duì)今后的負(fù)荷預(yù)測(cè)方法研究提出了以下展望:一是要加強(qiáng)對(duì)歷史數(shù)據(jù)的預(yù)處理，盡可能的挖掘負(fù)荷變化的規(guī)律性;二是要不斷研究改進(jìn)負(fù)荷預(yù)測(cè)模型的參數(shù)估計(jì)方法，找到最優(yōu)的數(shù)學(xué)算法，以提高負(fù)荷預(yù)測(cè)的精度和速度;三是在實(shí)踐中，根據(jù)不同地區(qū)短期負(fù)荷的不同特征及影響因素，靈活選用預(yù)測(cè)模型，并開(kāi)發(fā)一套成熟、可靠、全面的負(fù)荷預(yù)測(cè)軟件，建立基于負(fù)荷預(yù)測(cè)的電力系統(tǒng)調(diào)度平臺(tái)，使其在現(xiàn)代智能電網(wǎng)條件下安全、可靠、經(jīng)濟(jì)運(yùn)行。

［1］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.

［2］HASSAN S，KHOSRAVI A，JAAFAR J.Improving load forecasting accuracy through combination of best forecasts［C］.IEEE International Conference on Power System Technology，Auckland，New Zealand:2012.

［3］SINGH A K，IBRAHEEM I，KHATOON S，et al.Load forecasting techniques and methodologies:A review［C］.International Conference on Power， Controland EmbeddedSystems(ICPCES)，Allahabad，India:2012.

［4］YING CHEN，LUH P B，CHE GUAN，et al.Short-Term load forecasting:Similar day-based wavelet neural networks［J］.IEEE Transactions on Power Systems，2010，25(1):322-330.

［5］STOCKMAN M，EIRAMLI R S，AWAD M，et al.An asymmetrical and quadratic support vector regression loss function for beirut short term load forecast［C］.IEEE International Conference on Systems，Man and Cybernetics(SMC)，Seoul，Korea:2012.

［6］HAQUE A U，MANDAL P，MENG J，et al.A novel hybrid approach based on wavelet transform and fuzzy ARTMAP network for predicting wind farm power production［C］.IEEE Industry Applications Society Annual Meeting(IAS)，Las Vegas，NV，USA:2012.

［7］GHELARDONI L，GHIO A，ANGUITA D.Energy load forecasting using empirical mode decomposition and Support Vector Regression［J］.IEEE Transactions on Smart Grid，2013，4(1):549-556.

［8］MORI H，KURATA E.An efficient kernel machine technique for shortterm load forecasting under smart grid environment［C］.IEEE on Power and Energy Society General Meeting，San Diego，CA，USA:2012.

［9］韓力，韓學(xué)山，雷鳴，等.節(jié)點(diǎn)負(fù)荷預(yù)測(cè)與發(fā)電控制結(jié)合的狀態(tài)預(yù)估方法［J］.電力系統(tǒng)自動(dòng)化，2009，33(4):16-20.

［10］耿艷，韓學(xué)山，韓力.基于最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測(cè)［J］.電網(wǎng)技術(shù)，2008，32(18):72-76.

［11］陳超，黃國(guó)勇，邵宗凱，等.基于日特征量相似日的PSO-SVM短期負(fù)荷預(yù)測(cè)［J］.中國(guó)電力，2013，46(7):91-94.

［12］王奔，冷北雪，張喜海，等.支持向量機(jī)在短期負(fù)荷預(yù)測(cè)中的應(yīng)用概況［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2011，23(4):115-121.

［13］谷云東，胡芳芳.分區(qū)支持向量回歸及其在負(fù)荷預(yù)測(cè)中的應(yīng)用［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2013，25(3):20-24.

［14］牛東曉，谷志紅，邢棉，等.基于數(shù)據(jù)挖掘的SVM短期負(fù)荷預(yù)測(cè)方法研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2006，26(18):6-12.

［15］李鵬鵬，彭顯剛，孟安波，等.小波貝葉斯神經(jīng)網(wǎng)絡(luò)在沖擊負(fù)荷地區(qū)短期負(fù)荷預(yù)測(cè)中的應(yīng)用［J］.電力科學(xué)與工程，2012，28(11):7-12.

［16］盧蕓.短期電力負(fù)荷預(yù)測(cè)關(guān)鍵問(wèn)題與方法的研究［D］.沈陽(yáng):沈陽(yáng)工業(yè)大學(xué)電氣工程學(xué)院，2007.

［17］TASRE M B，GHATE V N，BEDEKAR P P.Hourly load forecasting using artificial neural network for a small area［C］.International Conference on Engineering，Science and Management(ICAESM)，Nagapattinam，Tamil Nadu，India:2012.

［18］KODOGIANNIS V S，PETROUNIAS I.Power load forecasting using adaptive fuzzy inference neural networks［C］.IEEE International Conference on Intelligent Systems(IS)，Sofia，Bulgarian:2012.

［19］朱祥和，王子琦，李嚴(yán)，等.基于EEMD的LS-SVM和BP神經(jīng)網(wǎng)絡(luò)混合短期負(fù)荷預(yù)測(cè)［J］.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2012，42(8):151-158.

［20］李元誠(chéng)，劉克文.面向大規(guī)模樣本的核心向量回歸電力負(fù)荷快速預(yù)測(cè)方法［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2010，30(28):33-38.

［21］黃元生，鄧佳佳，苑珍珍.基于ARMA誤差修正和自適應(yīng)粒子群優(yōu)化的SVM短期負(fù)荷預(yù)測(cè)［J］.電力系統(tǒng)保護(hù)與控制，2011，39(14):26-32.

［22］段其昌，曾勇，黃大偉，等.基于擴(kuò)展記憶粒子群-支持向量機(jī)回歸的短期電力負(fù)荷預(yù)測(cè)［J］.電力系統(tǒng)保護(hù)與控制，2012，40(2):40-44.

［23］陳亮宏，羅毅初，龍雪濤.基于支持向量機(jī)的短期負(fù)荷預(yù)測(cè)［J］.機(jī)電工程技術(shù)，2012，41(12):18-20.

［24］高琳琳.基于數(shù)據(jù)挖掘的短期負(fù)荷預(yù)測(cè)［D］.南昌:南昌大學(xué)信息工程學(xué)院自動(dòng)化系，2012.

［25］杜亞松.基于數(shù)據(jù)挖掘與支持向量機(jī)的微網(wǎng)負(fù)荷預(yù)測(cè)［D］.保定:華北電力大學(xué)電氣與電子工程學(xué)院，2013.

［26］程金增.基于局部模糊推理的短期電力負(fù)荷預(yù)測(cè)研究［D］.保定:華北電力大學(xué)數(shù)理學(xué)院，2012.

［27］褚金勝，陳宙平.優(yōu)選組合預(yù)測(cè)法在短期負(fù)荷預(yù)測(cè)中的應(yīng)用［J］.電氣開(kāi)關(guān)，2013，51(2):86-90.

［28］曾勍煒，徐知海，吳鍵.基于粒子群優(yōu)化和支持向量機(jī)的電力負(fù)荷預(yù)測(cè)［J］.微電子學(xué)與計(jì)算機(jī)，2011，28(1):147-153.

［29］梁建武，陳祖權(quán)，譚海龍.短期負(fù)荷預(yù)測(cè)的聚類組合和支持向量機(jī)方法［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2011，23(1):34-38.

［30］RAZA M Q，BAHARUDIN Z.A review on short term load forecasting using hybrid neural network techniques［C］.IEEE International Conference on Power and Energy，Kota Kinabalu，Malaysia:2012.

［31］SHU FAN，HYNDMAN R J.Forecast short-term electricity demand using semi-parametric additive model［C］.Australasian Universities Power Engineering Conference(AUPEC)， Christchurch， New Zealand:2010.

［32］KOO B G，KIM M S，KIM K H，et al.Short-term electric load forecasting using data mining technique［C］.International Conference on Intelligent Systems and Control(ISCO)，Coimbatore，Tamil Nadu，India:2013.