国内外关于电力系统负荷预测的研究现状分析

2016-06-04张彦宇湖南铁道职业技术学院湖南株洲400株洲市工业中等专业学校湖南株洲4008

山东工业技术 2016年11期

关键词：负荷预测人工智能

张彦宇，肖　茜（.湖南铁道职业技术学院，湖南　株洲　400；.株洲市工业中等专业学校，湖南　株洲　4008）

张彦宇1，肖茜2
（1.湖南铁道职业技术学院，湖南株洲412001；2.株洲市工业中等专业学校，湖南株洲412008）

摘要：本文主要讨论了国内外电力系统负荷预测的研究现状，简单介绍了几种预测方法，包括回归分析法、、趋势外推法、时间序列法、专家系统法、人工神经网络法、支持向量机法。为电力系统负荷预测研究提供参考。

关键词：负荷预测；数学统计；人工智能

0　引言

自上世纪70年代开始，国内外对电力系统负荷预测的研究热情逐渐升温，进入上世纪80年代，我国步入到大力发展经济建设的阶段，电力需求极度旺盛，然而能源又极度紧张，电力供电一度出现供应不足的情况，负荷预测开始成为电力公司一项必要的日常工作任务。20世纪90年代，全球电力市场化层层渗透，随着科学技术的迅猛发展，新的预测方法层出不穷，为电力负荷预测问题的研究提供了后备力量。

长久以来，国内外学者以及电力相关从业人员在长期的实践研究过程中，不断探索负荷预测新方法，随着近年来各种数学模型的涌现，以及人工智能的发展，出现了不少新颖的预测方法，这些方法大概能分成两大类别：一类是数学统计类的经典预测方法，比如回归分析法、趋势外推法、时间序列法等；另一类是人工智能类的新型预测方法，如80年代后期流行的专家系统法、90年代后期发展起来的人工神经网络法等。下面分别介绍这些主要预测方法。

1　回归分析法

回归分析是一种经典统计学上分析数据的方法，通过对历史负荷数据进行统计归纳分析总结，寻找预测输入变量与影响负荷变量之间的某种相关的线性或非线性关系，并以此关系的规律建立数学模型，从而实现对未来负荷的基本预测。简单来讲就是建立自变量与因变量之间关系模型，依照变量数目的不同，一般分为单元和多元回归分析。该方法原理成熟、计算简便、运算速度快，但是过分依赖历史负荷数据，对样本容量需求过大，对平稳的且大量的历史数据有着不错的预测效果，但是在遇到气温，节假日等变化较大因素的影响下，该方法无法反映实时与非线性的影响关系。

2　趋势外推法

节假日、社会环境、天气变化会对电力负荷波动造成干扰，尽管在形成这种具有随机性、不确定性的情况下，电力负荷总是本质的保持着一定的波动趋势。我们可以在其中找出负荷的这种趋势，根据这些负荷变化的相关历史趋势，拟合一条负荷波动趋势曲线，按照这条拟合出来的曲线的发展趋势，估计曲线上在未来某点的负荷变化，根据不同的负荷波动，采用不同的曲线拟合，这就是所谓的趋势外推法。此方法优点与缺点同样突出，优点是所需历史负荷数据样本较少，特点是作趋势向外推断，完全忽略分析内部的不确定成分，缺点是对影响因素变化大的因子无法考虑进来，如果负荷波动较大，那么误差将会增大。

3　时间序列法

时间序列分析法是将历史负荷变化所产生的变化规律，依照时间的先后顺序进行排序，以时间为轴揭示负荷随时间变化而变化的发展规律，利用这种对应关系，就可以将过去时间里发生的负荷变化规律作为未来时间里负荷变化的预测根据。同样，时间序列法在电网正常运行，受外部环境影响变化小的平稳状态下具有良好的预测精度，但是对时间序列的平稳性要求过高，一旦负荷受到特殊事件（如停机等）不确定性因素的影响，那么该方法也将失去其预期的效果。

4　专家系统法

专家系统其实是一种复杂的计算机程序设计系统，将计算机模拟成负荷预测的人类专家，基于历史负荷变化知识数据库，汇集人工经验智能的利用计算机处理负荷信息，按照专家水平进行预测判断工作。专家系统结构如图1所示。在处理节假日等需要依靠人工经验来判断的不确定性影响因素对负荷影响产生较大的变化时，此方法有取得了很好的效果，但是各个地区的电力环境不同，造成计算机程序复杂，数据庞大，能否准确的对各个因素对负荷造成的影响进行定量分析成为了一个较为难以克服的困难。

5　人工神经网络法

人工神经网络是模拟人脑智能化地处理信息的人工智能预测方法，它通过学习获得最优的参数，处理预测输出与输入影响变量之间复杂的非线性关系，对于分析处理任意复杂的非线性关系问题以及随机的不确定性问题有着良好的解决问题能力。正因为它具有出色的学习能力，预测过程中都可以随时不断地选择新的训练样本来优化和微调系统参数，这样对非结构性、模糊性的规律具有一定的自适应功能，避免了数学建模的困难，也提高了系统计算的时间，相比较前面介绍的四种方法，它还能考虑并反映出各种不确定性因素（如气候、特殊事件、节假日因素等）对负荷造成的干扰影响，更加适用于短期负荷预测。但是，人工神经网络预测也存在许多缺陷，网络的层数和神经元的选择基本上要依靠经验反复实验帮助确定，且网络收敛慢，容易陷入局部收敛。它本质上是一种基于经验风险最小化的方法，范化能力有限，另外在小样本学习方面也受到了不小限制。

6　支持向量机法

支持向量机（Support Vector Machines， SVM）是由BELL实验室的Vapnik 等人在20世纪70年代中期提出的一种新型机器学习算法，因其卓越的性能，在模式识别和处理函数回归估计问题等诸多领域内受到了各研究学者们的强烈青睐。支持向量机与传统的人工神经网络预测方法所采用的经验风险最小化归纳原则是截然不同的，它实现了结构风险最小化（Structure Risk Minimization， SRM）的归纳原则，对未来样本的泛化能力明显增强。从理论上说，SVM的训练相当于解决一个线性约束的二次规划问题，所以必然存在解，获得的将会是全局最优解，这样就无形解决了人工神经网络预测方法中根本无法规避的局部极值问题。对应的支持向量本质上是训练样本集的子集，对训练样本集进行分类实际上就是对支持向量进行最低分类。当Vapnik引入ε-

不敏感损失函数之后，支持向量机由原来解决简单的模式识别问题扩展为解决复杂的非线性回归估计问题，我们把这一扩展内容称之为支持向量回归法（Support Vector Regression， SVR）。将各种负荷影响因子的历史信息作为系统输入量，建立训练样本空间，采用非线性映射变换方法将低维空间映射到高维特征空间，构造线性函数进行线性回归，巧妙地解决了维数问题，构建SVM目标函数，将训练好的预测模型应用于电力系统的负荷预测中去。影响电力系统短期负荷预测精度的因素包括日照、气温等气象因素及国家政策、节假日因素等其它不确定性影响因素。可见，电力负荷由于这些因素的影响，本身就是一个复杂的非线性系统，而SVM模型求解算法简单、泛化能力强、收敛速度快，在解决有限小样本、非线性系统及高维识别问题中具有超群的优越性，如果将其置于短期负荷预测上，显然SVM方法比起上述其他预测方法更加适用于电力系统本身。随着机器学习，支持向量机的不断发展，在此基础上不断改良的支持向量机预测方法逐渐涌现，人们追求更高的预测精度的诉求一直在不断扩进。同时，寻找满足适合各类电网环境的负荷预测新方法也成为了人们继续研究的新命题。