电力系统短期负荷预测方法概述

，

(福州大学电气工程与自动化学院，福建　福州　350108)

1　引言

现代电网规模的扩大和智能电网的快速发展，要求电力运行计划与调度更加精准，而负荷预测是保证电力生产与调度准确可靠的重要手段。特别是在现今用户用电行为多样化、供电方式多样化的情况下，准确的负荷预测在降低电力生产成本，提高企业竞争力方面尤为重要。

负荷预测按照预测时间的长短和应用场合的不同可分为长期、中期、短期和超短期负荷预测。长期负荷预测覆盖时间从未来数年到数十年不等，主要用于电源发展及网络发展规划；中期负荷预测是指未来一年之内的用电负荷预测，用于安排大修计划以及水库的经济运行等；短期负荷预测，通常是指未来的日负荷预测和周负荷预测，目的是给各个电厂安排日、周发电计划；超短期负荷预测是指未来1小时内的负荷预测，主要用于安全监视、预防性控制和紧急状态处理。其中，中长期负荷预测是制定电力系统发展规划的前提，而基于日负荷曲线的短期负荷预测则是制定日前发电计划的基础[1]。根据短期负荷预测的信息，可以合理调度发电容量、在安全范围内安排系统经济启停、保持最小成本的必要旋转备用容量，从而使发电成本降到最低，确保电网安全、稳定、可靠、优质和经济的运行[2]。

短期负荷预测已成为电力系统运行的重要内容和研究课题之一，并越来越受到重视。长期以来，大量的专家学者对其进行了广泛而深入的研究，提出诸多行之有效的方法。本文将针对各种预测方法的特点及其使用前提进行分析，阐述其优点与不足，并探讨未来短期负荷预测方法的研究方向。

2　短期负荷预测的研究现状

自20世纪60年代初，世界经济快速发展对电力的需求不断增加，对电能质量的要求也逐步提高，这就导致了电力系统的快速发展[3]。负荷预测也开始进入了飞速发展的阶段，其研究也不断趋向于实际应用。

2.1　负荷预测的发展及新特点

国内外的负荷预测工作经历了传统预测与智能预测阶段，并逐渐过渡到现代预测的阶段。早期的负荷预测工作采用较为简单的模型来进行，如文献[4]中综合考虑负荷自身的变化特点，采用改进的卡尔曼滤波模型进行负荷预测。随着电力系统信息的逐步完善以及科学技术的发展，我们所能获取的负荷信息越来越完整，也随之涌现了许多智能预测方法。文献[5]提出模糊神经网络模型来都来弱化神经网络对于样本的依赖，考虑了温度影响的同时取得了较好的预测精度。近年来，国内外的专家学者较多地采用改进算法和组合模型等预测方法[6-14]。如文献[15]提出用改进的萤火虫算法(MFA)来对支持向量回归(SVR)模型的参数进行优化，进而进行短期负荷预测，通过将该方法与现有的 ANN、 SVR-GA等其他模型进行比较分析，证明该模型的优越性。

基于以上分析归纳可以发现，基于智能算法和模型参数优化等一些方法已经发展得较为成熟，同时组合预测模型的研究逐渐成为了短期负荷预测的中心，吸引更多的专家学者进行研究。

随着现代智能电网和微电网等新型电力产业的飞速发展，原本的负荷特点也随之发生变化，使得传统的预测方法和模型并不能完全有效地得到期望精度，这对于现代的短期负荷预测问题提出了新的要求。文献[16]中提出了智能电网住宅用电的短期负荷预测新模型，在日负荷曲线模型中整合了日类型，节假日，温度等影响因素，同时还引入了动态电价因素来体现用户的电力需求。在此基础上对智能电网住宅用电进行预测，有效证明模型的优势。文献[17]中针对主动配网中用户的动态需求提出了一种新的方法，该方法基于负荷成分，将其分为基准负荷与因随机波动和需求效应而存在的剩余负荷。通过进行建模预测，说明考虑用户需求效应在实际的负荷预测中是有应用价值的。

针对上述问题，研究人员在进行预测工作时不能简单的将负荷预测当成简单的当成“单纯的数学问题”，而应从电力系统的市场波动、用户需求、负荷构成、温度湿度等方面因素进行综合考虑，将其与传统预测方法模型结合，构造能够适应系统负荷发展规律和需求的新模型。与此同时，负荷预测不能拘泥于现有的相关因素，要致力于发现新的因素，引入新的模型指标，这样才能有效提高预测能力。

2.2　负荷预测的新思路

2.2.1预测模型

适当的预测模型是实现负荷准确预测的基础。基于诸多专家学者的研究，多种负荷预测模型被提出并在实践中应用。整体上来讲，采用组合预测模型能获得较好的预测结果，因为该组合模型通过优势互补综合了其余单一模型的优点。但是负荷预测精度的取得不仅仅与预测方法的模型有关系，方法模型的更新改进能在一定程度上取得较好的预测结果。

因此，在建立预测模型的过程中应着重从以下几方面进行考虑：首先，由于现有的预测模型往往具有较强的地区性和针对性，使得负荷的构成成分成为预测的一个关键点；其次，负荷的变化规律往往还受到诸多外界因素的影响，随着电力产业的不断发展，应当重视挖掘新的影响因素(电价弹性、用户需求等)；最后，模型参数的确定往往带有研究者的主观经验因素，寻求有效的元启发式算法成为实现良好预测的另一个突破口。综上所述，为了取得良好的预测结果，在预测模型的构建中应当注意从负荷的构成成分入手，充分考虑各种影响因素，引入影响因子构建确实有效的模型，并寻求新的寻优算法优化模型参数。

2.2.2数据处理

在进行负荷预测的过程中，我们往往将样本数据当作是正常负荷来分析其基本变化规律，从而进行训练预测。然而，由于资料不全、设备检修、线路通讯故障、重大节假日等原因，往往会使得我们所采集到的历史负荷数据中，存在着异常情况，如数据缺失、负荷毛刺、畸变数据等。这部分异常数据的存在将对预测结果的准确性产生很大的影响。因此，对历史负荷数据进行有效的辨识和修正是负荷预测中必不可少的部分。

针对不同的异常情况，我们可以采用以下方法来进行修正：通常可以采用多种插值法来补全缺失的负荷数据；还可以根据负荷数据的日类型对异常的日负荷进行剔除或者用正常的曲线进行置换；同时，可以通过分时段设定阈值来识别负荷毛刺，并通过数据横向对比法、纵向对比法、插值法、概率统计法等方法来进行修正。

3　短期负荷预测的研究方法

3.1　传统预测方法

3.1.1回归分析法

回归分析法是负荷预测中最传统的方法之一，也是很常用的方法。它根据历史负荷样本变化的规律和影响因素，寻找自变量和因变量之间的回归方程，从而确定模型的参数并进行预测。整体上来看，该方法结构原理简单，预测速度快。

回归分析法的不足之处是在负荷预测中，将历史负荷当作了“纯粹”的数据看待，进行建模拟合。同时采用线性方法描述比较复杂的问题，结构形式过于简单，预测时往往忽略了内在规律性和负荷的受影响因素，使得预测误差偏大，效果不理想。

3.1.2趋势外推法

趋势外推法认为事物的发展是渐变的，依据过去和现在的发展规律，可以预测出它的未来趋势和状态。该方法通过对历史负荷数据进行抽象总结，分析其变化规律，进而建立预测模型。在预测过程中，一般将短期负荷的变化趋势看为平稳趋势，采用指数滑动模型进行预测，也即指数平滑法。

趋势外推法的不足之处是该方法过于简单，主要适用于具有明显趋势的中长期负荷预测，对短期负荷的预测效果一般不是很理想。同时该方法依据单一指标进行预测，无视了负荷变化的其他影响因素。特别是当负荷出现较大变动时，就会引起较大的预测误差。

3.1.3时间序列法

时间序列法将负荷记录视为一个有序时间序列来进行分析预测，是发展较为成熟的短期负荷预测算法。通过对历史负荷数据进行抽象，得到负荷随时间变化的规律，构建数学模型，在该模型的基础上确立负荷预测的表达式，并对未来负荷进行预测[18]。

时间序列方法的不足之处在于建模过程较为复杂，计算量大；同时该模型对原始时间序列的平稳性要求较高，在系统稳态运行、环境因素相对稳定情况下的预测效果较好；没有考虑负荷的影响因素，对不确定性因素考虑不足，当外界负荷影响因素波动较大时，该模型预测结果并不理想。

3.1.4卡尔曼滤波法

卡尔曼滤波是一种利用线性系统状态方程，通过观测系统输入输出数据，对系统状态进行最优估计的算法。卡尔曼滤波法对历史负荷序列进行分解，然后用状态方程和量测方法对分量进行描述，从而建立状态空间模型进行预测。

卡尔曼滤波法是在假定噪声的统计特性已知的前提下进行的计算，因此，在工程实际应用中噪音的统计特性的确定是一个需要解决的问题。

3.1.5灰色预测法

灰色预测法以灰色系统理论为基础，通过分析负荷数据及相应因素进行预测，从原始数据中找出负荷变化的规律并以此建立预测模型。其优点是在建模时所需的历史负荷数据较少，同时不需考虑负荷的分布规律与其变化趋势，短期预测精度高，易于检验和应用[19]。一般的灰色模型包括普通灰色系统模型和最优灰色预测模型。

灰色预测法的不足在于该方法的较高精度是建立在负荷呈严格的指数变化趋势的情况下的，其预测精度受负荷数据灰度的影响较大，负荷波动越大、灰度越大、精度越低。

3.2　智能预测方法

3.2.1小波分析法

小波分析是一种时域-频域分析方法，通过对历史负荷序列进行小波变化，通过将其投影到不同的尺度上得到若干子序列，进而建立预测模型进行预测后再进行重构得到待预测日的预测值。该方法具有较好的局部化能力，在工程实际中有较好的应用。

小波分析法的不足就在于预测过程中忽视了预测负荷的影响因素(如天气、温度等)的影响；同时,小波基的选择问题也是一个难点，它直接关系到预测精确度。

3.2.2模糊预测法

模糊预测是基于模糊集理论进行负荷预测的技术，模糊系统可以对负荷预测中的相关因素进行模糊处理，从大量的历史数据中提取出待预测日的相似日，从而通过相似日的负荷数据进行预测，能对负荷的不确定性进行更好的处理。

模糊预测法的不足在于模糊理论的学习能力相对较弱，需要有较多的历史数据支持；同时在模糊处理过程中主观人为因素的影响相对较大。用单纯的模糊方法进行预测的精度难以满足工程实际的要求。

3.2.3专家系统法

专家系统是一个智能计算机程序系统，该方法是通过汇集负荷预测领域中专家学者的经验和知识形成知识库，进而对历史数据库中大量的负荷数据和天气等影响因素进行推理分析，从而进行负荷预测。一个完整的专家系统是由知识库、推理机、知识获取部分和界面四部分组成。

该方法的不足在于专家系统本身不具备自学习能力，预测结果容易受到受数据库与知识库中存放的知识内容的限制，而且在如何把专家知识和经验等确定地表达并转化为一系列规则的问题上存在较大困难；同时，一般的专家系统都具有具体的针对性，对于其他地区的负荷预测不具备适应性。

3.2.4人工神经网络法

该方法是近十年来发展最为迅速的方法之一，它通过模仿人脑做智能化处理，构建相应的网络模型，对历史负荷样本进行训练，最终实现短期负荷预测。该方法能够模仿人脑进行智能化处理，能够进行自主学习和知识推理能力，同时具有较强的自适应功能和较高的容错性。实践证明，采用人工神经网络法对短期负荷进行预测能有较好的精度。

该方法的网络层数和神经元个数往往依靠人的经验来确定，缺乏科学的理论支持，同时自主学习的速度慢，存在局部极小点等问题。另一方面，采用经验风险最小化原理进行学习，并没有降低相应的期望风险。

3.3　现代预测方法

3.3.1支持向量机法

支持向量机是一种新型的机器学习算法，它是由统计学习理论发展而来的，核心思想是VC维理论和结构风险最小化原理，在解决小样本、非线性以及高维模式识别问题中表现出特有的优势[20]。SVM算法求解简单快速，具有较好的泛化能力，同时在短期负荷预测的过程中由较好的性能和推广能力。

支持向量机法的不足之处在于自选参数和核函数的选择往往存在一定的困难，一般依靠经验确定，这对预测效果有较大的干扰；同时，该方法对于随机波动性较强的负荷预测效果较差。

3.3.2数据挖掘法

数据挖掘技术能够从历史负荷数据中，消除冗余的数据，进而提取出潜在的有价值的信息，从而确定其变化规律，进而提高短期负荷预测的精度。采用数据挖掘技术可有效地克服负荷数据的有限性、不完整性以及影响因素复杂性的影响，发挥其独特优势、实现经济价值[21]。

数据挖掘技术需要专业的知识、理念和软件的支持，如何有效地解决这几个问题，是数据挖掘得到充分应用的有力保证，也是实现数据挖掘潜在价值的关键。

3.3.3优选组合预测法

优选组合预测方法是针对同一个负荷预测问题，结合多种预测方法进行预测。其主要目的是综合利用各种方法的优点，尽可能地提高负荷预测的精度。通常来说组合的形式有以下两种：一是先用几种预测方法分别对负荷进行预测，再确定合适的权重对预测结果进行加权平均，得到最终预测结果；二是先对这几种预测方法作比较分析，选择拟合度最佳或者标准离差最小的预测模型进行组合，最终得到预测结果。该方法充分整合最大信息，进行最优组合，达到改善预测精度的效果。

优选组合预测虽然克服了单一预测方法的不足之处，使得几种算法的优势互补，但在提高预测精度的同时，也相应的降低了预测的速度，大大增加了建模过程和实际应用的难度；同时组合权重的确定也较为困难。

综上，我们可以看出文中所提到的各种方法在拥有较好的预测前景的同时，也都存在着其各自不同程度的缺点。因此，我们不能简单的断定某种方法的优劣性，不存在一种方法在负荷预测方面是绝对的准确，也不存在一种方法能绝对的适用各个电网的负荷预测，短期负荷预测中研究的重点应该是在找出预测策略的思路[22]。

4　结语

电力系统的短期负荷预测是电力系统的重点研究内容。本文综合阐述了现有的短期负荷预测方法与研究现状。基于本文分析，今后的负荷预测研究应在考虑现实电网的发展下，从负荷的构成成分及发展情况进行考虑，结合各种负荷影响因素进行综合建模，并充分利用先进的智能算法提高预测的精度与效率。

笔者认为组合预测依旧是未来研究工作的中心，负荷数据的有效性也将会是预测工作中不容忽视的重点。同时从电力系统的市场波动、用户需求、负荷构成、温度湿度等方面因素进行综合考虑，引入新的模型指标，构造能够适应系统负荷发展规律和需求的新模型，是值得继续深入挖掘的研究思路。

[1]康重庆，夏清，刘梅.电力系统负荷预测[M].北京:中国电力出版社，2007.

[2]张倩.电力系统短期负荷预测[D].华北电力大学，2013.

[3]王惠中，周佳，刘轲.电力系统短期负荷预测方法研究综述[J].电气自动化，2015(1):9-11+47.

[4]马静波，杨洪耕.自适应卡尔曼滤波在电力系统短期负荷预测中的应用[J].电网技术，2005(1)：78-82.

[5]胡越黎，计慧杰.短期电力负荷预测的模糊神经网络方法[J].应用科学学报，2009(1):79-83.

[6]Saadat Bahrami，Rahmat-Allah Hooshmand，Moein Parastegari，Short term electric load forecasting by wavelet transform and grey model improved by PSO(particle swarm optimization)algorithm [J].Energy，2014(72)：434-442

[7]Song Li，Lalit Goel，Peng Wang.An ensemble approach for short-term load forecasting by extreme learning machine [J].Applied Energy，2016(170)：22-29.

[8]Adel Abdoos，Mohammad Hemmati，Ali Akbar Abdoos.Short term load forecasting using a hybrid intelligent method [J].Knowledge-Based Systems，2015(76)：139-147.

[9]张贲，邵常宁，赵燃.基于误差修正的短期负荷预测方法[J].电力自动化设备，2015(11):157-162.

[10]吴潇雨，和敬涵，张沛，等.基于灰色投影改进随机森林算法的电力系统短期负荷预测[J].电力系统自动化，2015(12):56-61.

[11]回立川，于淼，梁芷睿.应用近邻传播算法改进RBF的短期负荷预测[J].电力系统及其自动化学报，2015(1):73-77.

[12]史文博，王健，沈添福，等.基于改进倍比平滑法的节假日短期负荷预测方法[J].电力建设，2014,35(10):29-33.

[13]汤庆峰，刘念，张建华，等.基于EMD-KELM-EKF与参数优选的用户侧微电网短期负荷预测方法[J].电网技术，2014(10):80-88.

[14]常鲜戎.基于局域波法和LSSVM的短期负荷预测[J].电测与仪表，2015，52(7):5-9.

[15]Abdollah Kavousi-Farda，Haidar Sametb，Fatemeh Marzbanic.A new hybrid Modified Firefly Algorithm and Support Vector Regression model for accurate Short Term Load Forecasting [J].Expert Systems with Applications 41(2014):6047-6056

[16]J.R.M.Hosking，R.Natarajan，S.Ghosh，S.Subramanian，X.Zhang.Short-term forecasting of the daily load curve for residential electricity usage in the Smart Grid[J].Applied Stochastic Models in Business and Industry.2013 Vol.29 No.6:604-620

[17]Simone Paoletti，Marco Casini.Load forecasting for active distribution networks[J].Innovative Smart Grid Technologies(ISGT Europe)，2011 2nd IEEE PES International Conference and Exhibition on

[18]廖旎焕，胡智宏，马莹莹，等.电力系统短期负荷预测方法综述[J].电力系统保护与控制，2011，1:154-159.

[19]袁柏秋.电力系统负荷预测方法分析及应用[J].中国高新技术企业，2011，31:121-123.

[20]余萍.基于支持向量机发展的研究[J].新课程·教育学术，2011，(5):70.

[21]杨政，李卓玲，王大玲.基于数据挖掘的智能化电力负荷预测[J].科技信息(学术研究)，2008，(12):33-35.

[22]程旭，康重庆，夏清.短期负荷预测的综合模型[J].电力系统自动化，2000，24(9)：42-44.