白曉昆

【摘 要】 電力系統(tǒng)的短期負荷預測是指提前一天至一周的負荷預測，是EMS系統(tǒng)的重要組成部分，其預測精度直接影響到電網(wǎng)及各發(fā)電廠的經(jīng)濟效益。電力系統(tǒng)短期負荷預測是制定電網(wǎng)調(diào)度計劃、削峰填谷、實現(xiàn)需求側響應的重要基礎。本文對現(xiàn)階段電網(wǎng)負荷預測方法和研究現(xiàn)狀進行了梳理和總結，并提出了相關結論，展望了未來的研究方向。

【關鍵詞】 電力系統(tǒng) 負荷預測 負荷研究

1 基本概念

電力系統(tǒng)的短期負荷預測是指提前一天至一周的負荷預測，短期負荷受日期類型、天氣因素特殊事件等許多外界因素的影響，其變化既具有周期性，又存在隨機性，要準確預測十分困難。負荷預測研究已有五十多年歷史，從傳統(tǒng)經(jīng)典的回歸法[1]、指數(shù)平滑法[2]、時間序列分析法[3]、狀態(tài)空間法到現(xiàn)代隨著人工智能技術出現(xiàn)的專家系統(tǒng)[4]、進化算法人工神經(jīng)網(wǎng)絡[5]、模糊集理論[6]、灰色系統(tǒng)理論[7]、混沌理論、小波分析等方法。每種方法在進行負荷預測時，都有各自的優(yōu)缺點，到目前為止，還沒有哪一種方法能對負荷進行很好的預測。

2 國內(nèi)外研究現(xiàn)狀

SVM比神經(jīng)網(wǎng)絡法具有更高的預測精度和魯棒性，并且SVM的訓練等價于解決一個線性約束的二次規(guī)劃問題，因而SVM 模型的解是唯一的、最優(yōu)的。對基于高斯核函數(shù)的支持向量機進行了分析，在對數(shù)據(jù)進行預處理的基礎上，給出了學習參數(shù)的確定方法，并提出了高斯核函數(shù)參數(shù)的交替優(yōu)化算法。結合粗糙集理論和遺傳算法的最小二乘支持向量機短期負荷預測模型和算法，該算法采用RS理論進行歷史數(shù)據(jù)的預處理，并采用GA來確定與負荷密切相關的因素以及對LS-SVM的模型參數(shù)進行自適應尋優(yōu)，解決了傳統(tǒng)LS-SVM對歷史數(shù)據(jù)的預處理及確定預測模型參數(shù)的問題。短期負荷最優(yōu)組合預測方法根據(jù)各種預測方法在不同時刻預測精度的不同進行有序賦權，從而綜合各個模型的優(yōu)點，降低預測結果對某一方法的依賴性，改善模型的擬合能力并得到更為準確的結果。

3 常用方法介紹

3.1 時間序列

70年代初期，博克思（Box）和詹金斯（Jenkins）提出了一種時間序列預測方法，即ARIMA模型，其全稱為差分自回歸移動平均模型（Autoregressive Integrated Moving Average Model，簡記ARIMA）。依據(jù)原序列平穩(wěn)與否及回歸中所含不同部分可將其分為移動平均過程（MA）、自回歸過程（AR）、自回歸移動平均過程（ARMA）和ARIMA過程。

3.2 灰色模型

灰色系統(tǒng)建模與傳統(tǒng)方法相比，其優(yōu)越性主要在于以下兩個方面。其中的一條是為保證精度要求，傳統(tǒng)方法需要較多的原始數(shù)據(jù)，而灰色系統(tǒng)建模沒有此項要求，其要求較之傳統(tǒng)方法寬泛了許多。第二條是灰色系統(tǒng)建模一般通過一定的方式對原始數(shù)據(jù)進行處理，使原始數(shù)據(jù)變?yōu)橐唤M規(guī)律性較強的生成數(shù)據(jù)，從而離散數(shù)據(jù)變得更為光滑。一般的灰色模型即為GM（n，h），它表示形成了h個變量的n階微分方程，實際運用最多的是GM（1，1）。

4 結語

近年來，隨著風電、光伏等非線性電源的增加、負荷特性更加不規(guī)律，給精確的負荷預測帶來了一定難度。因此，需要進一步研究適合波動大、非線性強的負荷的預測方法。研究表明，組合預測方法能夠在長期的預測過程中減少預測的失效、增加預測精度和穩(wěn)定度，因此，進一步對組合預測的權重優(yōu)化進行研究，是未來預測領域一個重要研究方向。

參考文獻：

[1]張林，羅曉初，等.基于時間序列的電力負荷預測新算法研究[J].電網(wǎng)技術，2006（30）：595-599.

[2]Rahman S，Bhatnagar R.An expert system based algorithm for short term load forecast[J].IEEE Transactions on Power System，1998（2）：392-399.

[3]Hippert H.S，Pedreira C.E，Castro R.Neural networks for short-term load forecasting：A review and evaluation. IEEE Transactions on Power System[J].2001（1）：44-55.

[4]廖峰，劉清良，等.基于改進灰色模型與綜合氣象因素的母線負荷預測[J].電網(wǎng)技術，2011（11）：183-188.

[5]姚永剛，張亞華.基于混沌理論的電力短期負荷預測[J].華東電力，2007（5）：7-10.

[6]謝宏，魏江平，劉鶴立.短期負荷預測中支持向量機模型的參數(shù)選取和優(yōu)化方法[J].中國電機工程學報，2006（22）：17-22.

[7]耿艷，韓學山，韓力.基于最小二乘支持向量機的短期負荷預測[J].電網(wǎng)技術，2009（18）：72-76.