电力系统中长期负荷预测方法发展探讨

邢鲁华，付兆远，施 雨

（1.国网山东省电力公司电力科学研究院，济南 250003；2.国网山东省电力公司济南供电公司，济南 250012）

电力系统中长期负荷预测方法发展探讨

邢鲁华1，付兆远2，施 雨2

（1.国网山东省电力公司电力科学研究院，济南 250003；2.国网山东省电力公司济南供电公司，济南 250012）

中长期电力负荷预测的主要工作是预测未来几月、几年甚至更长时间段内的电力负荷的时间和空间分布，对于制定电力系统发展规划及燃料计划等具有重要指导作用。为充分利用现有研究成果，分析了中长期负荷预测的特点和现有成熟方法，分类讨论了各中长期负荷预测方法的适用条件和存在的问题。重点讨论了将主动配电网、电力大数据与云计算、空间电力负荷预测、数据预处理、预测误差评估和概率性负荷预测等纳入未来的中长期负荷预测方法研究体系中的必要性和重要意义，探讨了中长期负荷预测方法未来的研究重点及方向。

电力系统；中长期负荷预测；主动配电网；大数据；概率性负荷预测

0 引言

负荷预测是根据负荷的历史数据及其相关影响因素，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的过程。其主要工作是预测未来电力负荷的时间和空间分布［1］。就负荷预测内容而言，首先应该区分总量预测和空间分布预测［2］。总量负荷预测包括对未来的电力需求量（功率）的预测、对未来用电量（能量）的预测以及负荷曲线的预测。本文主要讨论中长期负荷预测的总量预测方法。

负荷预测关注的是每小时、每日、每周和年度的系统需求和峰值需求的预测。这种预测一般分为短期、中期和长期预测，取决于时间范围。长期负荷预测，通常对应的预测范围为提前几个月到几年，是安排新发电设施建设和输配电系统发展的不可或缺的过程［3］。

不同于国外关于短期负荷预测的研究较多，国内基本上短期预测和中长期预测两者并重［2］。由于对于电力系统控制、机组组合、经济调度和电力市场的重要性，短期负荷预测吸引了大量的关注。中期和长期的预测并没有得到那么多的关注，尽管它们对于系统规划和预算分配具有价值［3］，给出在电力公司应用实例的文献更少［4］。

由于中长期负荷预测受到多种复杂因素的交互影响，例如政治、经济、气候等，而且时间跨度较长，预测精度始终不理想［5-7］。对长期电力需求的高估将导致多余的电力设施建设投资的大量浪费，不利于社会经济绿色低碳发展，而需求的低估将导致生产不足和需求未满足，限制国民经济发展［3］。Hobbs的报告指出：通过负荷预测算法，把电力负荷预测的平均绝对百分误差降低1.5%，每年可提高收益760万USD［8］。电网规划部门应该充分认识中长期负荷预测的重要性及其指导意义。做到既不高估也不低估，实现电网的合理绿色发展，进而恰到好处地支撑社会经济发展。本文对现有中长期负荷预测方法进行了总结分类，举例了典型方法，进一步探讨了中长期负荷预测方法未来的研究重点及方向。

1 中长期负荷预测方法分类

中长期负荷预测的方法可分为经验预测法和数学模型计算法。经验预测法是指依靠专家或专家组的判断进行负荷预测，不包括数量模型［9］。

根据使用数据不同，数学模型法主要分为自身规律外推法和相关分析法。两种方法的差别在于，自身规律外推法仅以负荷自身的历史数据为预测基础，而相关分析法将负荷与各种社会经济因素联合起来考虑［1，10］。

按数学模型是否需要进行参数计算，数学模型法主要可分为参数模型和非参数模型。参数模型方法能反映负荷变化的规律性，但缺乏对负荷中随机变化分量部分的处理。近年来，非参数模型逐渐得到应用［5］，但其物理意义不清晰，较难对模型本身进行分析和调整［11］。表1为负荷预测方法的简单分类。

表1 中长期负荷预测方法分类

出于模型可用性和计算快捷性的考虑，以上各单一预测方法会忽略一些因素的影响，而着重考虑负荷的某一个或是几个变化规律或特点，因而都有其不足之处。对于多变量、非确定性的中长期负荷预测，使用单一定性预测或定量预测的方法显然不够。如何将各种方法合理地结合起来，实现优势互补，进一步提高负荷预测的精度已成为研究重点［5］。在这种情况下，组合预测成为共识。

2 自身规律外推类方法

对常用的、能够体现自身规律外推法特点的典型方法进行举例说明。

2.1 增长型曲线外推法

增长型曲线外推法运用函数曲线拟合预测对象的历史统计数据，建立预测模型，并外推进行预测［1］。主要使用的函数曲线包括多项式曲线、简单指数曲线、修正指数曲线，其模型分别如式（1）～（3）所示。

多项式曲线的一般模型为

式中：a0，a1，…，am为模型参数；t为自变量（一般为时间变量）；为预测值或拟合值。

简单指数曲线的模型为

修正指数曲线的模型为

式中：k为饱和值或极限值。

增长型曲线存在模型识别问题，即选择哪一种模型最合适。一般通过时间序列数值的预分析计算和图表识别趋势分析实现。曲线外推适用的两个条件为：预测对象的发展属于渐进变化，过程中没有跳跃；影响预测对象变化的主要因素没有发生较大变化［1］。增长型曲线外推法一般用于预测期数较少的预测，过长则效果不佳。

2.2 灰色系统预测法

灰色系统理论是由邓聚龙教授首先提出的，该理论在预测领域中的作用非常重要。灰色系统的重要特征是系统的因素不确定或因素之间不具有确定的关系。灰色系统理论对原始数据加以处理，将杂乱无章的原始数据转变为规律性较强的生成数据，并建立生成数据的动态模型，从而进行分析预测［1，12］。

电力负荷系统是典型的灰色系统。灰色理论模型所需样本数少、预测精确、计算快捷、可验性强，适用于电力负荷预测。但灰色模型的预测精度受使用数据的影响，灰度随数据离散程度的增大而增大，预测偏差也增大。

灰色系统理论用于预测主要使用灰色模型（Grey Model，GM），一般表达为GM（m，n），表示对n个变量建立m阶微分方程。电力系统中长期负荷预测常用最简单的灰色时间序列模型GM（1，1）［1］。

近年来，针对GM（1，1）模型的缺陷和不足之处提出了很多改进，改进方法主要从模型参数估计方法、模型背景值构造方法、模型计算初始条件3方面出发［13］。

文献［13］提出了一种基于双向差分计算的GM（1，1）建模方法，采用向前差分与向后差分建模的拟合误差平方和最小的原则进行参数估计，并利用拟合值和原始值误差平方和最小的原则对预测模型的初始值进行了优化。文献［14］提出变权缓冲灰色模型，将变权缓冲算子与背景值优化灰色模型相结合，实现对原始负荷数据的动态预处理。针对传统GM（1，1）模型对呈“S型”规律增长的负荷序列建模预测时误差大的缺点，文献［15］提出了灰色离散Verhulst模型，采用等维灰数递补预测法对灰色离散Verhulst模型进行改进，文献［16］提出了基于最小二乘支持向量机算法与等维新息技术的改进灰色Verhulst模型，均使预测精度得到一定改进。

2.3 对自身规律外推法的几点说明

自身规律外推法的模型参数取决于历史数据，无法反映未来的不同情况，也无法引入专家经验和意见，预测模型的自适应性需要加强。另外此方法未能将影响负荷的多方面因素的综合作用体现出来［11］。灰色预测理论和各种回归分析模型是目前得到肯定和应用较多的中长期负荷预测方法［2］。

3 相关分析法

对常用的、能够体现相关分析法特点的典型方法进行举例说明。

3.1 各产业产值单耗法

各产业产值单耗法统计分析国民经济三大产业的单位产值耗电量历史数据，结合规划期经济社会发展情况，综合确定规划期各产业单位产值耗电量，基于经济社会发展规划指标，计算得到规划期的电量需求预测值［1］。

最后得到各年的全行业用电量为

3.2 电力弹性系数法

电力弹性系数为一定时期内电量的年平均增长率与国内生产总值的年平均增长率的比率，计算式为

则未来第t期的预测电量为

式中：Wo为预测基准年电量。

3.3 对相关分析法的几点说明

相关分析法能够反映各种社会经济因素在负荷预测中的作用，预测原理合理，在各电力公司得到了应用推广。但是这类方法一般需要的数据量较大，而且有些不易得到［10］。对统计数据依赖性强，相关数据的有效性对预测精度的影响大。相对于自身规律外推法，相关分析法的实施难度较大。

4 组合预测法

对于多变量、非确定性的中长期负荷预测，组合预测方法的优点已逐渐显现，很多文献对此展开了研究。

文献［5］选取灰色系统和人工神经网络作为待融合的基础模型，采用证据理论融合基础模型的预测结果，并考虑专家经验，提出了考虑专家经验的改进D-S预测模型。文献［10］对传统的电力消费弹性系数法进行了改进，结合灰色预测模型与二次滑动平均预测法，建立了新的综合预测模型，并利用遗传算法优化各单一预测模型的权重。文献［11］提出了一种基于计量经济学和系统动力学的组合预测方法。文献［17］综合了两种非参数模型，提出了一种启发式径向基函数神经网络中长期负荷预测模型。通过正交信号修正法处理相关的原始数据，作为神经网络的训练样本，并利用粗糙集理论修正预测结果。文献［18］也提出了一种基于支持向量机和马尔可夫链的组合负荷预测模型。文献［19］提出了一个新的负荷预测程序，利用经验模态分解方法将时间序列分解为两部分，分别描述能量消耗值的趋势和局部振荡，然后这两部分被用于训练支持向量回归模型。

组合预测存在两个关键环节，一是确定要用到的单一预测模型，二是确定各单一预测模型在综合预测结果中的权重［10］。单一模型的预测精度及其组合方式都会影响组合预测的精度［20］。组合方式有恒权重和变权重方式，其中，变权重组合的适应性好，但同样基于误差理论，难以反映模型的预测有效性［21］。

文献［22］提出基于两个评价指标来计算各单一预测模型的权重，指标一是各单一模型预测值与实际负荷的误差，指标二是各预测值的年增长率与国内生产总值年增长率的误差。客观熵权法和主观G1法被选用确定两指标的相对重要性，最后计算出各单一预测模型的权重，实现了变权重负荷预测。文献［23］提出了基于诱导有序几何加权平均算子和加权马尔可夫链的新型组合预测模型。该模型根据各单项预测方法在各预测时间段的预测精度对其赋权，实现了权重与拟合精度在任一时点上的相关性。但是权重的确定仍基于历史数据，在数据延续性较好时适用，数据突变时可能造成预测误差较大。文献［24］提出了3个指标量，即指标总量、指标增长量和指标增长率。利用层次分析模型优选每个指标量的最优预测模型，然后利用径向基函数神经网络拟合3个最优预测模型的预测结果。利用径向基函数神经网络算法替代权重计算。

5 中长期负荷预测方法发展

5.1 主动配电网

主动配电网（active distributed net，ADN）最早由2008年国际大电网会议配电与分布式发电专委会的C6.11项目组提出，是通过使用灵活的网络拓扑结构来管理潮流，以便对局部的分布式能源进行主动控制和主动管理的配电系统［25］。

从是否受控角度出发，主动配电网中负荷可分为2类：友好负荷和非友好负荷。其中，友好负荷是完全受控负荷，可由电网调度和负荷引导机制进行主动调节，也体现了主动配电网的需求侧响应特性［25］。这一负荷特点势必影响电力系统中长期负荷预测的分析方法。未来中长期负荷预测技术应将主动配电网的技术特征考虑进去。

文献［26］已经在中长期负荷预测中考虑了主动需求，提出了一个基于灰色系统模型并考虑主动需求的负荷预测方法，其中负荷的季节性成分已经过合适的预处理提取，主动需求被视为一个线性传递函数模型的外部输入。电力系统中长期负荷预测还应考虑电动汽车充换电的影响，目前已有文献对此进行了专门研究。文献［27］提出了一种考虑时空分布的电动汽车充电负荷预测方法。采用蒙特卡洛模拟方法，仿真大规模电动汽车不同时间、不同空间的停放、驾驶以及充电行为，预测电动汽车充电负荷的时空分布特性。

5.2 电力大数据与云计算的综合应用

2013年中国电机工程学会信息化专委会发布了《中国电力大数据发展白皮书》，对电力大数据的特征、未来的社会价值、在电力行业中的发展前景以及面临的技术挑战都进行了说明。电力用户侧大数据的主要来源有智能电表、各类传感器和智能家电［28］。

云计算是解决大数据管理的一种基础平台和支撑技术。目前大数据管理与处理的主流技术是开源Hadoop技术，凭借高可靠性和强大的可扩展能力等优点，该技术已被众多互联网公司使用。

目前，大数据和云计算技术在新能源接入、风电机组安全状态评估和电网灾难预警中得到了应用，也将在电力系统负荷预测方面发挥作用。高准确度的中长期负荷预测将是智能电网建设的重要组成部分。相关关系分析法在大数据处理和管理中也得到了重视［29］。在电力系统负荷特性统计指标和气温日益积累大数据背景下，有效提取数据之间关联特征对电力系统规划和运行具有重大意义［30］。大数据技术可促进地球空间、天气预报等技术在智能电网中的应用，对提高负荷预测精确度具有积极意义［31］。

5.3 结合空间电力负荷预测方法

空间电力负荷预测是指对供电区域内未来电力负荷的大小和位置的预测。传统负荷预测方法只预测未来负荷的大小，并不关注其精确的位置分布。20世纪30年代中期，国外开始出现有关电力负荷分布的负荷预测，国内关于空间电力负荷预测的研究起步相对较晚。电力系统的管理正逐步由粗放型向精益化转变，只预测未来负荷的数值已不能满足电力系统规划的要求，所以对空间电力负荷预测的关注越来越多［32］。文献［33］分析了元胞负荷中的异常数据，计算元胞负荷的概率谱曲线，并基于该曲线进行限定和约束，得到适合空间负荷预测使用的元胞负荷最大值。

在一个覆盖大面积区域的电力系统中，整个地区的单一负荷预测模型有时无法保证满意的负荷预测精度。一个主要原因是由整个地区的气候多样性导致的负荷多样性［34］。总量负荷预测与空间电力负荷预测的结合是一种可行且有效的可为大面积电力系统提供精确负荷预测结果的解决方案。但总量负荷预测仍是空间电力负荷预测不能替代的，其对电力行业的长期发展规划起着不可替代的指导作用。并且，在引入负荷同时率和多区域负荷预测思路后，空间电力负荷预测结果可向总量负荷预测转化。

5.4 数据预处理

负荷历史数据是进行中长期负荷预测的基础，数据预处理对于负荷预测精度影响较大。预测方法不同，历史数据年限对预测结果的影响也不同，应考虑方法特点选取历史数据年限长度。一般来说，中长期负荷预测的历史数据以5～10年为宜［2］。

在中长期负荷预测中，“近大远小”原则也常被提及，其含义是：物理量未来的变化趋势更多地取决于历史时段中近期的发展规律，远期的历史数据与未来发展趋势的相关性较弱。在中长期负荷预测中，“近大远小”原则比较容易实现，常用方法主要是加权参数估计［2］。

历史数据异常及缺失将严重影响负荷预测模型的精度及有效性［35］。已有文献关注如何正确识别不良数据和补足缺损数据［2］。许多学者也将注意力转向了负荷预测基础数据处理技术。文献［35］提出了基于T2椭圆图的异常数据识别方法，和基于最小二乘支持向量机的缺失数据填补方法。文献［36］引入蒙特卡罗算法和区间算法处理中长期负荷预测中的数据不确定性问题，严格分析数据不确定性对预测结果的影响。文献［37］提出了一种结合了改进后的正交信号修正法与偏最小二乘法的中长期负荷预测模型，通过正交信号修正法消除自变量系统中与因变量无关的正交数据信息，增强自变量、因变量之间的相关性，有效提高了模型成分的解释性。

5.5 预测误差评估

负荷预测准确性是对负荷预测结果与实际负荷偏离程度的事后衡量指标。电力负荷预测方法的准确性评估，是对其的客观评价，分析预测误差产生的原因并灵活调整选择最优预测方法，有利于提高负荷预测的准确性。

目前，关于中长期负荷预测误差评估技术和事后预测校验预测精度的研究较少。对负荷预测准确性的评价有预测误差和预测准确率两种方法［38］。文献［38］集中讨论了负荷预测准确性评估方法，对评价指标进行了综合比较。负荷预测误差评价是自适应预测发展的基础，能够推动中长期电力负荷预测方法的改进，应当予以重视。

5.6 概率性负荷预测

电力负荷预测根据电力负荷及其相关因素的历史数据推测它的未来数值，具有不确定性、时间性、条件性和多方案性等特点［39］。负荷预测从本质上说是一个随机问题，但今天很多电力公司仍旧研究和应用点式预测而不是概率性预测［4］。实现概率性的预测更符合负荷预测自身特点和客观需求。

目前，概率化预测方法已被应用到日负荷预测中［40］，在一个长期背景下，对于潜在峰值需求水平，规划者应采用概率的观点。文献［4］提出了一种准确率高、防御性好的现代化概率性长期负荷预测方法，利用了每小时信息，现代化地处理了预测模型、气象标准化和概率性负荷预测。文献［39］提出了一种概率密度预测方法，基于RBF神经网络分位数回归实现了对未来负荷完整概率分布的预测。文献［41］提出了一种基于神经网络分位数回归的中期电力负荷概率密度预测方法。针对温度因素对中期电力负荷的影响，在现有的神经网络预测、区间预测和概率密度预测方法的基础上，研究在不同分位点上温度和历史负荷对电力系统中期负荷分布规律的影响。文献［3］提出了一个提前10年预测每年和每周峰值电力需求密度的全面方法。密度预测（提供未来可能需求值的全概率分布估计）比点式预测更有价值，对于电力企业评估和对冲由于需求变化和预测不确定性造成的财政风险是必要的。

6 结语

对现有中长期负荷预测方法进行了总结分类，举例说明了自身规律外推法、相关分析法和组合预测的典型方法与特点，重点讨论了在未来的中长期负荷预测中，应将主动配电网、电力大数据与云计算、数据预处理、预测误差评估和概率性负荷预测等纳入负荷预测方法研究体系中，探讨了中长期负荷预测方法未来的研究重点及方向，为广大的电力系统规划及负荷预测人员提供参考。

［1］贺辉.电力负荷预测和负荷管理［M］.北京：中国电力出版社，2013.

［2］康重庆，夏清，张伯明.电力系统负荷预测研究综述与发展方向的探讨［J］.电力系统自动化，2004，28（17）：1-11.

［3］HYNDMAN R J，FAN S.Density forecasting for long-term peak electricity demand［J］.IEEE Transactions on Power Systems，2010，25（2）：1 142-1 153.

［4］HONG T，WILSON J，XIE J.Long term probabilistic load forecasting and normalization with hourly information［J］.IEEE Transactions on Smart Grid，2014，5（1）：456-462.

［5］吴耀武，娄素华，卢斯煜，等.基于改进的D-S证据理论的中长期负荷预测方法［J］.电工技术学报，2012，27（8）：157-162.

［6］钱卫华，姚建刚，龙立波，等.基于短期相关性和负荷增长的中长期负荷预测［J］.电力系统自动化，2007，31（11）：59-64.

［7］李瑾，刘金朋，王建军.采用支持向量机和模拟退火算法的中长期负荷预测方法［J］.中国电机工程学报，2011，31（16）：63-66.

［8］HOBBS B F，HELMAN U，JIPRAPAIKULSARN S，et al.Artificial neural networks for short-term energy forecasting：Accuracy and economic value［J］.Neurocomputing，1998，23（1）：71-84.

［9］叶宗斌，周步祥，林楠，等.基于等维新息指数平滑法模型的中长期负荷预测［J］.电力系统保护与控制，2012，40（18）：47-51.

［10］袁铁江，袁建党，晁勤，等.电力系统中长期负荷预测综合模型研究［J］.电力系统保护与控制，2012，40（14）：143-146.

［11］谭忠富，张金良，吴良器，等.中长期负荷预测的计量经济学与系统动力学组合模型［J］.电网技术，2011，35（1）：186-190.

［12］刘思峰.灰色系统理论的产生、发展及前沿动态［J］.浙江万里学院学报，2003，16（4）：14-17.

［13］李红伟，毛文晋.基于双向差分建模的优化GM（1，1）模型及其在中长期电力负荷预测中的应用［J］.电力系统保护与控制，2011，39（13）：53-58.

［14］王大鹏，汪秉文.基于变权缓冲灰色模型的中长期负荷预测［J］.电网技术，2013，37（1）：167-171.

［15］张成，滕欢，付婷.基于灰色离散Verhulst模型理论的电力中长期负荷预测研究［J］.电力系统保护与控制，2013，41（4）：45-49.

［16］周德强.改进的灰色Verhulst模型在中长期负荷预测中的应用［J］.电网技术，2009，33（18）：124-127.

［17］夏非，范莉，苏浩益.基于粗糙集理论和启发式径向基函数神经网络的中长期电力负荷预测模型［J］.电力系统保护与控制，2012，40（16）：21-26.

［18］陈剑勇，苏浩益.结合支持向量机和马尔可夫链算法的中长期电力负荷预测模型［J］.南方电网技术，2012，6（1）：54-58.

［19］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.

［20］刘达.基于误差校正的中长期负荷预测模型［J］.电网技术，2012，36（8）：243-247.

［21］尹星露，肖先勇，孙晓璐.基于预测有效度和马尔科夫-云模型的母线负荷预测模型筛选与变权重组合预测［J］.电力自动化设备，2015，35（3）：114-119.

［22］温青，张筱慧，杨旭.基于负荷误差和经济发展趋势的组合预测模型在中长期负荷预测中的应用［J］.电力系统保护与控制，2011，39（3）：57-61.

［23］毛李帆，姚建刚，金永顺，等.中长期电力组合预测模型的理论研究［J］.中国电机工程学报，2010，30（16）：53-59.

［24］李春祥，牛东晓，孟丽敏.基于层次分析法和径向基函数神经网络的中长期负荷预测综合模型［J］.电网技术，2009，33（2）：99-104.

［25］钟清，孙闻，余南华，等.主动配电网规划中的负荷预测与发电预测［J］.中国电机工程学报，2014，34（19）：3 050-3 056.

［26］GARULLI A，PAOLETTI S，VICINO A.Models and techniques for electric load forecasting in the presence of demand response［J］.IEEE Transactions on Control Systems Technology，2015，23（3）：1 087-1 097.

［27］张洪财，胡泽春，宋永华，等.考虑时空分布的电动汽车充电负荷预测方法［J］.电力系统自动化，2014，38（1）：13-20.

［28］王德文，孙志伟.电力用户侧大数据分析与并行负荷预测［J］.中国电机工程学报，2015，35（3）：527-537.

［29］彭小圣，邓迪元，程时杰，等.面向智能电网应用的电力大数据关键技术［J］.中国电机工程学报，2015，35（3）：503-511.

［30］马瑞，周谢，彭舟，等.考虑气温因素的负荷特性统计指标关联特征数据挖掘［J］.中国电机工程学报，2015，35（1）：43-51.

［31］张东霞，苗新，刘丽平，等.智能电网大数据技术发展研究［J］.中国电机工程学报，2015，35（1）：2-12.

［32］肖白，周潮，穆钢.空间电力负荷预测方法综述与展望［J］.中国电机工程学报，2013，33（25）：78-92.

［33］肖白，徐潇，穆钢，等.空间负荷预测中确定元胞负荷最大值的概率谱方法［J］.电力系统自动化，2014，38（21）：47-52.

［34］FAN Shu，METHAPRAYOON K，LEE W J.Multiregion load forecasting for system with large geographical area［J］.IEEE Transactions on Industry Applications，2009，45（4）：1 452-1459.

［35］毛李帆，姚建刚，金永顺，等.中长期负荷预测的异常数据辨识与缺失数据处理［J］.电网技术，2010，34（7）：148-153.

［36］郑志杰，李磊，赵兰明.考虑数据不确定性的中长期电力负荷预测［J］.电力系统保护与控制，2011，39（7）：123-132.

［37］毛李帆，江岳春，姚建刚，等.采用正交信号修正法与偏最小二乘回归的中长期负荷预测［J］.中国电机工程学报，2009，29（16）：82-88.

［38］王干军，徐衍会.负荷预测准确性评估方法研究［J］.广东电力，2012，25（11）：39-42.

［39］何耀耀，许启发，杨善林，等.基于RBF神经网络分位数回归的电力负荷概率密度预测方法［J］.中国电机工程学报，2013，33（1）：93-98.

［40］陈新宇，康重庆，陈敏杰.极值负荷及其出现时刻的概率化预测［J］.中国电机工程学报，2011，31（22）：64-72.

［41］何耀耀，闻才喜，许启发，等.考虑温度因素的中期电力负荷概率密度预测方法［J］.电网技术，2015，39（1）：176-181.

Discussion on Development of Mid-long-term Load Forecasting Method of Power System

XING Luhua1，FU Zhaoyuan2，SHI Yu2
（1.State Grid Shandong Electric Power Research Institute，Jinan 250003，China；2.State Grid Jinan Power Supply Company，Jinan 250012，China）

The main task of mid-long-term load forecasting is to forecast the temporal and spatial distribution of power load for the next few months，years or even longer period.It plays an important role in guiding development plan and fuel plan of an electric power system.In order to make full use of existed research findings，characteristics of mid-long-term load forecasting and ever presented forecasting methods are analyzed，and applicable conditions and problems of these existed mid-long-term load forecasting methods are discussed.The necessity and importance of integrating the active distribution network，big data of electric power，cloud calculation，spatial load forecasting，data preprocessing，forecasting error evaluation and probabilistic load forecasting into the future research system of mid-long-term load forecasting are analyzed.Finally the emphasis and direction of mid-long-term load forecasting methods research in future are discussed.

power system；mid-long-term load forecasting；active distributed net；big data；probabilistic load forecasting

TM71

A

1007－9904（2017）01－0013－06

2016-07-23

邢鲁华（1986），女，工程师，主要从事电力系统运行与规划等方向的研究工作。