电力负荷预测研究综述及预测分析

张可

摘要：构建了一个电力数据管理分析系统，并设计了电力负荷预测算法和异常数据检测算法问题。首先，针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题，提出利用粒子群优化BP神经网络网络参数，提高了预测算法的收敛速度与预测精度;然后，针对电力数据异常检测算法效率较低的问题，提出了基于改进谱聚类的异常数据检测算法，提升了电力异常数据检测效率;最后，通过实际电力数据对算法进行了测试，验证了所提算法的有效性。

关键词：电力负荷;预测方法;回归分析;电力弹性系数;空间负荷预测法

分类号：TM715

引言

众所周知，电力负荷预测一直是电力系统运行的关键工具。许多运营决策都基于负荷预测，例如发电机的调度调度、可靠性分析和发电机的维护计划，特别是随着全球电力行业放松管制和自由竞争的加剧，负荷预测变得比以往任何时候都更加重要。同时，负荷预测对于竞争性电力市场中的能源交易至关重要。此外，准确地估计负荷是电价预测的关键步骤。预测错误对利润、市场份额以及最终的股东价值具有重要指导意义 。然而，由于市场参与者的动态竞价策略和依赖于价格的负荷多变性和非平稳性，电力负荷越来越难以预测。因此现代电力系统需要更高精度和更复杂的预测工具。

1电网负荷预测技术研究背景

全球经济飞速发展的同时，带来了能源供给不足，引起全球气候变暖、环境恶化等现象，建立环保、安全、高效、可靠的电力系统成为电力行业研究的热点。据国家能源统计局数据显示，我国每年都会有几十亿度电能浪費。因此，寻求一种准确的电能负荷预测方法，可以准确预测电能的供需峰值，降低电能对环境造成的不良影响，同时节约电能。电网负荷预测是以历史时间序列数据为数据源，利用数据挖掘、深度学习等技术建立电网负荷预测数学模型，预测未来时间段的电力负荷，方便电力部门科学有效地管理电能供需量，减少电能浪费。

2负荷预测方法分析

2.1台区负荷行为分析

台区负荷在不同天的相同时间段内的负荷行为习惯具有一定相似度，因此可以根据历史负荷变化规律来预测未来负荷数据，但在同1天的不同时间段内台区负荷的负荷运行规律不同，而且呈现出强关联性和较弱的关联性之分，可根据此特征辅助完成负荷预测。将某台区2周负荷的功率负载率数据映射到同1天内。可以清晰看出该台区负荷的功率负载率在1天内的变化分布情况。在不同天内，该台区负荷的趋势和周期大致相同，峰谷出现的位置也比较相近，存在一定的相关性，遵循某种基准负荷规律并呈不同程度的上下波动。其中在0：00—5：00时段，功率负载率呈下降趋势，且曲线较为密集，关联度很高，即在不同天较为严格的执行同一行为习惯规律，预测时会更为准确一些。但在12：00—16：00时段曲线比较分散，预测时精确度受到较大的影响。因此，各天在此时段会执行较为松散的行为习惯规律。若不区分时段，则各个不同时间段的行为规律会相互影响，且看作相同的关联密集程度，对最后整体预测的效果产生一定的影响，所以本文接下来分析台区负荷不同运行规律时间段的行为相似度，并考虑历史数据的变化趋势来辅助完成负荷预测。本文首先通过计算每2天之间目标时间段的皮尔逊相关系数，生成行为矩阵，再进一步计算目标时间段的行为相似度，行为相似度不同则对相同时间段历史数据的参考程度不同。在考虑天气维度和时间维度的基础上，将行为相似度作为新特征考虑加入LSTM预测模型，利用训练集数据对模型进行训练，再根据测试集数据对模型效果进行验证。

2.2BP神经网络

BP神经网络包括输入层、输出层和隐含层，一般输入层与输出层为单层，而隐含层为多层，且隐含层的个数直接影响了神经网络解决复杂问题的能力和训练效率。通常情况下，单隐含层的BP神经网络即可实现对复杂非线性问题的拟合，且具备实现简单、训练效率高的优点;而多隐含层BP神经网络虽然能够显著提升网络的泛化能力与拟合精度，但训练效率过低直接影响了其在工程中的可用性。针对电力负荷预测问题，模型中包含输入层、输出层和隐含层各1个。输入层为前三天同一时刻的电力负荷以及温度、湿度等特征参数，隐含层节点数根据实验试探选择为12个，输出层输出为用电负荷预测结果。该网络的隐含层激活函数为logsigmoid函数，输出层激活函数为具有线性特点的purelin函数，训练算法采用自适应梯度下降算法。采用电力数据管理系统中的相关数据进行电力负荷预测实验结果表明，BP神经网络的初始权值和阈值对负荷预测精度的影响很大，但目前缺乏相关的初始值选择依据，为此，文中借助粒子群算法对BP神经网络的初始权值和阈值进行优化。

2.4数据收集和预处理

本文考虑了贵阳市的日常用电量和天气数据。选择了两个典型月份来预测和验证所提出模型的性能。第一个对应于2018年1月，这是一个需求旺盛的冬季。第二个对应于2018年7月，这也是一个需求量很大的夏季月份。用于预测第一个月的每小时数据是从2017年1月1日到2017年12月31日，一共365天。用于预测第二个月的每小时数据是从 2017年 7月 1日到 2018年 6月 30日，也是366天。由于贵阳市在2017年8月14日经历了电力停电，因此从训练样本中消除了一周的数据，包括停电日和随后的六天。通过邻值间插值的方法，填补了一些载荷和温度数据的缺失。基本上大数据集是对抗过度拟合的有效方法。但是过去通过聚合数据来增加数据集的大小可能是不可行的，因为负荷序列显示出非常明显的上升趋势，并且负荷模式在年复一年略有变化。考虑到本文的工作是用于学术研究，本文选择一年的训练数据以简化。但是本文认为应该在实际应用中使用更多的训练样本，例如两年。测试集与训练集完全分开，并且测试集在学习过程中不被使用。因为较大的预测提前期并不一定意味着更大的预测误差，这取决于不同时期的数据可变性。

结语

短期负荷预测影响着发电计划、交易计划、调度计划等，而负荷预测结果的精确度又影响着电力系统的运行。本文根据负荷预测的流程，把负荷预测方法做了一个综合的分析和比较，简述了预测方法的优点和不足之处，最后对短期负荷预测未来研究的方向提出展望，可为今后短期负荷预测提供借鉴。在实际的负荷预测中，应当根据当地的历史负荷数据特征和相关影响因素选择适宜的预测模型。

参考文献

[1]张彦宇，肖茜.国内外关于电力系统负荷预测的研究现状分析[J].山东工业技术，2016（11）：215-216.

[2]刘建军.电力系统负荷预测综述[J].中国科技信息，2016（16）：52-53.

河北大唐国际新能源有限公司 河北  承德  067000