电力系统负荷预测综述

刘建军常州市供电公司

电力系统负荷预测综述

刘建军
常州市供电公司

刘建军，男，工程师，四川大学电力系统及其自动化专业，毕业后主要从事电网无功、电压、电能质量管理工作。

电力系统负荷预测对于电力部门规划未来几年的工作任务、合理部署人力物力资源、经济合理地管理电力系统，具有极为重要的意义。本文首先介绍了电力系统负荷预测的特点及其发展现状，然后根据负荷预测领域目前常用的六种预测模型，对其优缺点进行了简要分析并介绍了适用条件。最后，针对目前负荷预测领域中常见的几种问题提出了一些建议。

电力系统负荷预测是以电力部门历史负荷数据为支撑，结合不同的计算方法，用以预测未来时段负荷值或电量值的理论。电力系统负荷预测对于电力部门合理有效地安排下一阶段的工作任务，具有极为重要的意义。

日前，中国电力企业联合会发布了《2016年度全国电力供需形势分析预测报告》。报告中指出，在2016年，我国的宏观经济增长速度将表现出平稳增长、略有下降的态势。总体来看，我国仍处于电力供需相互持平的稳定局面，但也存在用电高峰时期供电不足的问题。为了缓解用电高峰时期给电网带来的压力，合理准确的负荷预测方法显得尤为重要。

负荷预测的特点及现状

负荷预测的特点

电力系统负荷预测，是根据电力系统的历史负荷数据，对未来时段或未来状态下的电力负荷进行推算，所以，负荷预测的研究对象是不肯定事件。对不肯定事件或者随机事件的研究，推动着负荷预测技术的发展，使“不肯定”达到“可能”的状态，便使得负荷预测具有条件性、不准确性、时间性与多方案性的特点。

负荷预测的现状

电力系统负荷预测是电网部门的重要工作内容之一。而负荷预测的核心问题，则是预测方法的问题。随着负荷预测领域的发展，越来越多的算法陆续应用到负荷领域之中，使得负荷预测的适用性更强并且预测精度更高，并且一些具有多功能的负荷预测软件包，也已由国内专家研发而出。

华北电力大学的牛东晓教授等人，根据多年的负荷预测研究与应用经验，已经研发出多种极具实用性的软件包。该软件包涵盖了短期、中期、长期负荷预测的各个方面，已达到国际领先水平，并且也已在全国各电力行业广泛应用。

负荷预测的常用模型及适用范围

负荷预测模型

1.回归分析模型

回归分析法是利用统计学原理，对电力系统中统计到的大量负荷数据进行数学处理的一种方法。在回归分析模型中，一般以时间、国民经济、人口数等为自变量，以电量或负荷值为因变量，通过回归分析算法计算得到预测方程，辅之以外推法，进而对未来一段时间或某一状态进行负荷预测。

根据自变量数目的不同，回归分析模型可以分为一元回归分析模型和多元回归分析模型；根据历史数据的整体趋势，回归分析模型又可以分为线性回归分析模型和非线性回归分析模型。如果再将上述两类模型进行重新组合，又可生成一元非线性指数增长模型、多元线性回归分析模型等多种回归分析模型。

2.随机时间序列预测模型

随机时间序列预测模型是一种应用较早并且普及面较广的预测模型。在一般的预测模型中，因变量通常为可控变量，而自变量为随机变量。但是在随机时间序列预测模型中，因变量和自变量均可以为随机变量（如将负荷自身的过去时值作为模型的自变量等情况）。当然，随机时间序列预测模型在实际应用中，也多以时、日、周、季等为自变量，根据历史负荷数据的特点，以负荷值或电量值为因变量构建预测模型，进而实现对未来时段的负荷预测。

随机时间序列法在预测过程中，虽然其在某一时刻对应的预测值是随机的，但从整体趋势上看，却表现出某种程度的随机性，所以按照类型来分，一般可以分为平稳时间序列和非平稳时间序列。

3.人工神经网络模型

神经网络（ANN）预测技术作为近年来广泛发展的技术，在负荷预测领域的应用，有着极为突出的表现。神经网络技术的优点在于其可以模仿人脑的处理过程，对大量非线性、不确定性规律表现出极强的自适应性、记忆性特点，并且能够自主学习、推理和优化，具备其它系统所不具备的智能化特点。

随着ANN技术的广泛发展，反传算法也逐渐被应用于ANN技术中，并以此作时间序列的预测。其中的误差反向传播算法，提出了一种简单的三层神经网络模型，该模型可以实现输入和输出之间任何复杂的非线性映射关系，此即为广为人知的BP神经网络模型。ANN技术的主要优点在于其良好的函数逼近能力，可以更好地拟合多复杂自变量和因变量之间的关系，再通过反向传播算法，可以得到更为优化的、更为精准的预测模型。ANN技术相比于传统的负荷预测方法，其具备无可比拟的适应性和优越性，但其训练过程需要的时间较长，而且很有可能无法收敛，同时神经网络中隐含层数目、节点数等的选取都还没有确定的理论，有待探索和完善。

4.灰色预测模型

灰色预测理论并非是统计学范畴的理论，其理论依据是灰色累加生成技术。灰色预测模型是将一切随机变化量看作隶属于某一范围的灰色量，通过不断的累加生成，得到一个在趋势上近似指数规律的新序列，经过常微分方程求解后，可以得到累加后的预测方程。最后根据累加生成的逆过程，即累减还原法，还原得到所需要的原序列预测模型。在众多的灰色模型中，以GM（1，1）模型最为常用。灰色预测模型相比于其它预测模型，具有对样本量要求少、对历史数据无要求、计算速度快等优点。其适应于小样本的特点，使得灰色预测技术在中长期负荷预测中广泛使用。

理论上，灰色预测模型对历史负荷数据的趋势没有要求，可以广泛适应于各种历史数据。但由于其本身就是在累加生成和常微分方程的基础上求解得出，所以当历史数据本身表现出增长趋势时，其预测精度将大大提高；当历史数据的趋势波动较大，具备离散特性时，会使系统白化程度加大，从而降低预测精度。

5.小波分析预测模型

小波分析法是一种时域-频域分析法，它作为二十世纪世界研究成果的杰出代表，极大程度地吸取了现代分析学中的诸多精华，并广泛应用于各个领域。

在负荷预测中，小波分析法的主要用途是：通过选择合适的小波，可以实现对不同性质的负荷的分类。根据分类结果，从而可以更有针对性对某一负荷采用更为合适的预测方法。利用分解后各组数据表现出的较为明显的周期性，此时再对分解后的序列分别进行预测。最后通过预测序列的重构，得到所需要的预测结果。但是在重构过程中，由于累加特性，不可避免地伴随着误差地累加，所以也在一定程度上影响了小波分析法的预测精度，并且也使得模型建模更加复杂。

6.组合预测模型

由于众多预测模型的存在，并且每个模型都有各自的突出优点和适用性，所以，为了实现“扬长避短”的目标，充分发挥每一个模型的优势，组合预测模型应运而生。组合预测模型是根据历史数据的趋势，选择满足精度要求的各单一模型分别预测，最后通过适当的权重分配方法，为各预测模型分配权重，实现最终的组合预测。经实践证明，组合后的模型相比于各单一模型，在预测精度上均有不同程度的提高。

在组合预测过程中，灰色理论中灰色关联度的概念，对于提高组合预测模型的精度具有重要影响。模型的选择具有主观性，这个主观性将在很大程度上影响模型的最终预测精度，而灰色关联度则是客观的检验标准。灰色关联度作为衡量两个模型预测值贴近程度的概念，在负荷预测过程中，被广泛应用于模型的初步筛选工作。经灰色关联度初步筛选后，用满足灰色关联度的模型组合预测，辅之以适当的权重分配方法，将实现最优化预测的目标。

各预测模型的适用范围

通过以上六种模型的阐述可以看出，常用的负荷预测方法均有各自的优点和不足，适用的场合也不尽相同，所以，预测模型的具体选取方法应结合实际情况分类分析。

（1）从历史数据趋势看，当负荷的历史趋势本身就表现出常见的函数特点时（如一元线性、指数增长等），回归分析法、趋势外推法、灰色预测技术、组合预测模型都将很大程度上提高预测精度。

（2）从历史数据的数量上看，当历史负荷数据数量较少，即小样本情况下，灰色预测模型、回归分析模型中较为简单的一元线性回归分析模型、一次指数平滑和一次滑动平均模型均可采用；当历史负荷数据数量较多，即大样本情况下，神经网络模型、回归分析模型均可采用。

（3）从预测时间长短上看，当预测目标为短期预测、超短期预测时，神经网络模型、小波分析模型等较为适用；当预测目标为中长期预测时，灰色预测模型、回归分析模型、趋势外推模型等则较为适用。

当前负荷预测的问题和建议

当前负荷预测的问题

当前，负荷预测领域主要是以预测时间的长短为分类标准，即分为短期负荷预测和中长期负荷预测。对短期负荷预测而言，BP神经网络算法应用极广。但是BP神经网络算法的应用，不可避免地要面对隐含层数、节点数、训练次数等算法参数的设定。目前的设定方法多为尝试法或经验法，即通过多次尝试或按照已经具备高精度预测能力的模型的设定方法，来设定神经网络模型中的隐含层数及节点数。如此一来，便缺少一套具备客观评价能力并且能被业界认可的概念来弥补短期负荷预测过程中的不足。

对于中长期负荷预测而言，各种单一模型经灰色关联度检验并筛选后，选择合适的权重分配方法，最终进行组合预测，此为目前较为常用的负荷预测方法。但在组合预测过程中，历史负荷数据的趋势往往不能保持稳定增长，甚至逐渐出现稳中有降的趋势。这种趋势的出现，让现有负荷预测算法面临考验。特别是近年来全国GDP走势逐渐减缓，并且智能电网、主动配网等工程也相继推广，分布式电源等的投运也都对负荷的增长趋势产生了不同程度的影响，波动型负荷曲线也将逐渐增多。

在此种情况下，即便有灰色关联度等对模型进行初步筛选的手段，往往也有可能出现某一单一模型的预测精度高于组合预测精度的情况。所以对于中长期负荷预测的组合预测方法而言，寻找一套能够适应当前负荷变化规律的模型筛选方法已成为当务之急。

对现有问题的建议

对短期负荷预测而言，关于BP神经网络算法中的隐含层数、节点数、训练次数等问题，国内外已有不少专家从事相关研究，文献至文献分别提出了不同的优化方法，但近年来相关研究较少。笔者认为，通过较为重大的国际学术会议，采取专家研讨的方式，或许可以有助于该问题更好地解决。

对于中长期负荷预测而言，文献中提到了一种基于马尔可夫链预测法筛选组合预测模型的方法。该方法从历史负荷数据相邻两年的增长率出发，为组合预测模型的筛选提供了新的思路。

结语

本文通过从当前电力系统负荷预测的特点出发，阐述了负荷预测的现状。根据负荷预测的不肯定性特点，介绍了负荷预测领域常用的六种预测模型，并对各模型的优缺点做了简要分析。针对负荷预测过程中，不同情况下各模型适用性不同的特点，本文从三个角度描述了模型的选取方法。最后，针对当前负荷预测过程中存在的问题，提出了相应的解决办法。

随着近年来国民经济走势趋于平缓化、分布式电源的逐渐普及以及主动配网等试点工程的开展，负荷曲线波动的问题将会逐渐暴露出来。相信这些新问题的出现，也将进一步促进负荷预测领域的发展。