智能优化的电力负荷预测技术分析

国网临夏供电公司 马 瑾

合理的电力负荷预测可以给电力系统的可持续化运作创造有益的条件，在智能电网环境之下，如何有效地提升负荷预测信息的精准性已经成为当下研究热点之一。基于此，本文将首先简要地说明负荷预测的基本概念，同时再阐述各个负荷预测方法，分析智能电网环境下的负荷预测应用情况，希望能够给同行带来一定的参考价值。

在智能电网之下，ICT技术已经被越来越多的运用，同时还积极投入了大量的智能终端装置，大幅度地提升了对负荷预测精准程度以及密度的实际，同时也就提升了负荷预测的难度系数，较之于传统负荷预测方法，其发展态势已从单一的负荷预测技术转向了负荷预测精细化服务管控层面，如此才能够顺应未来智能电网发展的趋势以及需求，对此本文将阐述各个负荷预测方法。

1 负荷预测方法分析

1.1 负荷预测的基本原则分析

电力系统负荷预测即电力人员充分地考量电力系统运输属性、增容和自然条件，然后采取一系列手段，通过往期信息数据对将来的负荷予以估量，在可控的精度之下，明确将来一个周期的负荷取值。电力负荷预测对于电力系统计划以及运作起到了不可忽视的效用，已经成为发展规划和实时把控的关键性凭证。负荷预测的精准性对电网的投入、布局以及运作的合理都产生了极大的影响，现如今，如何有效地提升电力负荷预测精准程度已经成为当下电力系统亟待解决的重要问题之一。

1.2 传统负荷预测工作方法分析

传统负荷预测方法通常可以划分为如下几种类型，具体如下：

其一，趋势外推负荷预测方法。该手段即灵活地应用负荷过往的变化态势展开推测，尽管电力负荷实时在发生改变，具有显著性的随机性，不过经过一系列的算法处置，还是可以获取负荷的变化规律，依据往期信息数据不难看出，变化规律能够表现出线性、非线性、周期性以及非周期性，预测人员能够利用最小拟合曲线计算这一方程，该手段在短期内进行负荷预测工作十分合宜，不过无法伴随负荷改变而出现动态改变，其产生的偏差明显。

其二，时间序列负荷预测方法。该手段就是指依据负荷的过往信息，通过统计电力负荷在随机变化期间所表现出的规律性，采用数学模型呈现出来，从而进一步明确负荷预测的数学公式。该手段要充分地参照季节、周、天、小时变化的时间序列，然后再进一步对负荷信息的实际值以及预测值差值予以解析和处置。其流程大概还包括识别模型、估算模型系数、检验模型、预测负荷以及核验预测值精度等等。该手段整体的计算量不大，不过无法把负荷信息变化的因素全都考量其中，通常被应用在负荷变化较为均匀的状况下展开短期预测。

其三，回归模型负荷预测方法。该手段即通过数理统计方法构建针对性的数学模型，然后再对各个变量信息予以处置。总的来说，该预测手段常常被应用至负荷中期预测，精准程度相对较高，不过很难预测那些较为繁琐的状况，即综合用电负荷的情况。

1.3 现代负荷预测方法

近几年来，部分新兴预测方法获得了较好地应用，具体如下：

（1）人工神经网络预测方法分析

人工神经网络即模拟人脑神经网络展开学习，同时还能够处置相应问题的一种重要的非线性系统。其通过若干个具备并行运算效能的神经元节点和连接其针对性权值组成，从而有助于函数做到输入变量至输出变量间的非线性映射。考虑到人工神经网络在应用过程中呈现出对诸多非结构性、非精确性规律具备自适应效能，同时还具备极为显著性的记忆效能、非线性映射效能以及自学效能，所以已经越来越受到人们的重视，成为近几年来负荷预测行业探究的课题之一。有研究者利用递归人工神经网络模型对电力短期负荷展开预测，同时采取了梯度下降手段，如此一来，就能够有效地提升训练的收敛速率，根据预测仿真信息不难看出，较之于过往的预测方法，采取递归神经网络预测方法的精准程度更为精准，但是，典型的人工神经网络出现了诸多极难设置学习系数、收敛慢速，同时收敛至局部极小，操作人员很难明确网络结构。不仅如此，还有研究学者指出采取遗传算法全局搜索水平高，综合神经网络的局部寻优功能，组成遗传神经网络。通过遗传算法对神经网络的结构和权值予以改善，进而实现加速寻优效率，提升训练精准程度的目标。不仅如此，有研究人员在采用神经网络展开电力系统短期负荷预测工作的过程中，其网络输入变量的选取环节常常是影响预测成效的重要一环，如此一来，就建议采取模糊粗糙集理论预处置信息，所获取的信息当作BP网络的输入变量展开预测工作。这一工作不但系统化地考量了影响负荷预测的历史时间序列、气象等多方面元素，给科学选取神经网络的输入变量带来了一定的有益基础，同时还能够防止因为输入变量偏高而引发神经网络拓扑结构繁琐、训练时间长等局限性。

（2）数据挖掘方法分析

数据挖掘即由海量信息中挖掘隐含在其中的知识，同时还能够将其呈现成最终可以被人们理解的模式，该方法在消除冗余数据等方面起到了关键性的效用。现如今，在多个行业之中，最为普遍的数据挖掘技术包括决策树、神经网络、关联规则、统计学模糊集等等。有研究人员指出一个根植于数据挖掘内时间序列相似性研究的电力负荷预测手段，同时，还有研究者给出了一类基于最优区间分割以及单调递减阈值函数的聚类手段，接着再采取一定手段抽取有关负荷的特征曲线，同时把它们当作不良信息予以校正。通过对电力负荷的仿真解析，进一步核验了该算法的高效性。与此同时，通过数据挖掘技术能够信息予以处置，然后把结果当作支撑向量机的训练信息，如此一来还能够有效地减少数据量，进而提升预测的速率及精准程度。

（3）模糊预测法分析

模糊预测技术即根据模糊理论，将过往的工作经验、历史信息或二者综合。通过规则的方式呈现出来，同时进一步转变成能够在计算机上运作的算法，从而有效地完成多方面的工作任务。较之于人工神经网络方法，其可以较为明晰地阐明专家意图，处置电力系统内诸多不精准的、模糊的问题，同时还能够被应用至长期负荷预测工作之中。值得注意地是，该方法学习能力相对较弱，极易受到人为因素的影响。

2 智能电网环境下的负荷预测应用分析

2.1 智能电网环境下的负荷情况分析

近几年来，诸多地区都在对具备安全、清洁等属性特点的智能电网展开探究，智能电网在一定程度上升级了传统电网内各电源点和负荷点的基本理念，而大力引入新能源也给负荷活动带来了很大的影响。同时，新能源不仅涵括了集中式发电能源，同时也涵括了小型分布式发电能源，传统的电力用户只要求吸收电能，而功率流向只要求为电网传输用户，不过针对具备分布式电源的智能电网，电力用户不仅能够进一步汲取电能，也能够向电网传输电能，电力用户不仅仅是绝对的用电负荷，所以这就给过往负荷预测技术提供了新的机遇及挑战。

2.2 储能技术对负荷预测工作的影响分析

通常来说，智能电网的主要特征之一即在电网内接入了储能设施，由此来用以平滑风能、太阳能等间歇式能源的出力曲线。通过顺利连结储能设施，在电力较为充足的情况下，将之储蓄在一块儿，一旦抵达负荷高峰期就能够把电能顺利地释放，从而起到了削峰填谷的效用。所以，储能设施不但是负荷同时也是重要的电源，在进行负荷预测的过程中，要将其全面地考量进来。

2.3 基于AMI的电力负荷预测

通常来说，智能电网下的测量体系（简称AMI）即一项适用于测量、采集、储蓄以及解析用户用电信息的专业化机制，该部分通常由智能电表、通信、测量数据管控系统和用户网络组成。一个区域的总负荷，往往是通过各个小区域的千万类型的负荷整合而成，各负荷常常遭到不同内外部因素的影响，各个类型的负荷其运作属性也具有很大的差异性。若可以对各种不同的负荷展开预测，那么就能够大幅度地提升总负荷的预测精准程度。一般来说，传统电网缺少较为完备一致的数据平台，还缺少对各项负荷地全面化认知，而伴随我国智能电网地迅速发展，此时搭建了专业化的AMI测量体系，那就能够搭建起系统化的负荷预测平台。通过智能电表搜集负荷信息，依据负荷本身属性采取针对性的负荷预测方法，然后把预测结果整合起来获取总体的预测结果，那么就能够获取较高的负荷预测精准程度。

结束语：综上所述，负荷预测的普遍流程即利用历史负荷信息，采集相应的数据处置方法对将来某一周期内的负荷值予以估量，而伴随我国智能电网地迅速发展，此时所采集的各项负荷数据趋于完备，而正确的预测技术在很大程度上影响了预测能力的水准。对于智能电网而言，AMI可以构建一个较为完备的负荷预测平台，通过精准掌握各负荷点的属性、类型并展开预测，如此一来，就大幅度地提升了负荷预测的精准性。