论文部分内容阅读
摘要：在城市电网规划中，电力部门对电力负荷的预测是基础工作，能够为电网规划提供必要的基础性数据。基于此，文章将电力负荷预测作为主要研究对象，重点阐述相关的预测技术，希望有所帮助。
关键词：电力负荷;预测;技术
近年来，科技水平发展速度加快，负荷预测技术研究也更深入，多种负荷预测方法也随之形成。负荷预测对于电力系统的规划与运行产生了极大影响。在社会经济发展与电力信息化进步的背景下，负荷预测准确性也需不断提高。只有保证负荷预测的准确性，才能够更好地指导发电、输电以及电能的分配。由此可见，深入研究并分析电力负荷预测技术十分有必要。
一、负荷预测概述
（一）概念与分类
所谓电力负荷预测，即对重要系统运行特性、社会影响、自然条件以及增容决策综合考虑的基础上，借助对过去和未来负荷进行处理的数学方法，在满足精度需求的情况下，对特定时刻负荷值加以确定。通常情况下，根据预测期限差异，可将电力系统负荷预测细化成长期预测、中期预测与短期预测三种类型[1]。其中，短期负荷预测具体指的就是日负荷与周负荷的预测，在设备检修、水火电协调、交换功率计划以及负荷经济分配中最常应用。在短期负荷预测中，要求深入研究电网负荷的变化规律，对影响负荷变化的因素加以分析，特别是天气的变化等等。而中期负荷预测指的则是预测月到年的负荷，一般在机组运行方式确定、机组检修以及水库调度等方面运用。而所谓的长期负荷预测，即在未来3-5年或者是更长时间段的负荷预测，进而为电力规划部门改造电网以及电网的扩建规划制定提供必要参考依据[2]。
（二）基本特点
因负荷预测主要是结合电力负荷当前与过去数值对其未来数值进行推测，因而负荷预测所研究的对象属于不确定事件。为此，负荷预测的特点可体现在以下几个方面：
1）预测结果不确定;
2）短期负荷预测有时间范围要求，时间性明显;
3）所有负荷预测均需满足特定条件，条件性显著;
4）预测结果存在不准确性，因而具备多个方案型。
二、电力负荷预测准确率影响因素阐释
由于负荷始终变化，所以负荷的预测精准度也将受到对其变化产生影响的因素影响。在实践过程中发现，负荷预测的总负荷变化有一定规律可循。其中，各个分量和总负荷之间的关系可表示为： 。
三、电力系统的负荷预测技术
（一）经典预测技术
其一，回归分析法。此方法主要是统计分析变量观测资料，对变量间关系加以确定，最终达到预测目标。此预测技术可在中长期电力负荷预测中运用，原理相对简单而且可以在短时间内预测，但模型的初始化很难，难以对负荷影响因素做出深入考虑。
其二，时间序列法。此预测方法就是针对过去特定时间段的历史负荷记录提出基本的负荷分量、天气敏感负荷分量以及特别事件负荷分量，将剩余残差作为不同时刻的随机负荷分量，将其当成随机时间序列。此方式无需过多数据，工作量不大，而且计算速度快，能够将负荷的最近连续性变化真实地反映出来，但此方法的建模相对复杂[3]。
（二）传统预测技术
其一，相似日法。相似日法指的就是修正类似于待预测日的某日负荷，进而对预测日负荷做出预测。此预测技术选择某种差异评价函数，探寻和预测日负荷最为接近的某些日，并结合待测负荷日参数完成修正。此预测方法的原理简单而且运用十分方便，但很难创建最佳评价函数，实际的预测精准度不高。
其二，灰色预测法。此预测方法主要是针对蕴含不确定因素的系统展开预测，借助灰色模型微分方程，将其当成电力系统的单一指标进行预测，对微分方程时间响应函数表达式进行求解，这就是灰色预测模型。在校验并且修正模型精度以及可信度的情况下，就能够利用此模型对未来负荷加以预测，一般可在贫信息条件下运用。此预测技术具有良好的短期预测性能，且检验方便，然而数据的灰度越大，实际的预测精准度就会越低，在预测长期负荷中尽量不使用[4]。
（三）智能预测技术
第一，专家系统法。该预测技术以知识程序设计方法为基础构建计算机系统，蕴含了某领域专家知识以及经验，可以向专家一样灵活运用，在推理的过程中预测未来负荷。此系统预测的优势就是可对诸多影响因素进行综合考虑，建模方便且判断速度快，而且拥有更多经验與知识，借助计算机能够保证工作的准确性，且可靠性良好，工作效率高。但此系统仍存在一定的缺陷，即预测期间会有人为差错产生，而且数据库的构建难度较大。另外，因不同地区负荷特征不同，专家系统仅针对某具体系统，无法在其他的系统中直接运用。
第二，人工神经网络。神经网络这一信息处理系统，是对生物脑结构加以模仿的功能，自适应性、容错性与自组织性十分明显。而神经网络理论则通过对神经网络学习功能的运用，使计算机掌握历史负荷数据当中存在的映射关系，并以此为基础对未来负荷做出预测[5]。人工神经网络是当前最常使用的负荷预测技术，可充分利用自身非线性结构对输入量、输出量关系进行描述，通过非线性自适应能力与并行处理能力的运用，参考训练历史数据信息得出系统输入、输出之间存在的函数关系。也正是因为人工神经网络自学习能力以及非线性函数拟合能力较强，所以在预测电力负荷方面的优势明显，使得预测性能以及准确程度均明显提高。但此预测技术的不足就在于神经网络层数以及神经元的数量一般需要根据主观经验加以确定，无法保证网络结构的科学性，而且学习速度较慢，局部有极小点存在。
结束语：
综上所述，负荷预测在电力市场发展中的重要性逐渐凸显出来，且对于预测的精准度提出了更高要求。为此，必须高度重视负荷管理工作，以不断提高负荷预测的精准性。
参考文献
[1] 陈卓， 孙龙祥. 基于深度学习LSTM网络的短期电力负荷预测方法[J]. 电子技术， 2018， 047（001）：39-41.
[2] 孟军， 黎燕， 夏哲辉，等. 基于云模型的电力负荷预测[J]. 计算技术与自动化， 2018， 37（02）：122-126.
[3] 刘南艳， 贺敏， 赵建文. 基于大数据平台的电力负荷预测[J]. 现代电子技术， 2018， 41（20）：161-164.
[4] 贾梦青， 周燕， 赵雷宇，等. 电力负荷预测方法在配电网规划中的实践应用[J]. 建筑工程技术与设计， 2018， 000（036）：3180.
[5] 宋占党， 李湘华， 王海宾， et al. 大数据环境下的电力负荷预测研究[J]. 电子测量技术， 2019（12）.
关键词：电力负荷;预测;技术
近年来，科技水平发展速度加快，负荷预测技术研究也更深入，多种负荷预测方法也随之形成。负荷预测对于电力系统的规划与运行产生了极大影响。在社会经济发展与电力信息化进步的背景下，负荷预测准确性也需不断提高。只有保证负荷预测的准确性，才能够更好地指导发电、输电以及电能的分配。由此可见，深入研究并分析电力负荷预测技术十分有必要。
一、负荷预测概述
（一）概念与分类
所谓电力负荷预测，即对重要系统运行特性、社会影响、自然条件以及增容决策综合考虑的基础上，借助对过去和未来负荷进行处理的数学方法，在满足精度需求的情况下，对特定时刻负荷值加以确定。通常情况下，根据预测期限差异，可将电力系统负荷预测细化成长期预测、中期预测与短期预测三种类型[1]。其中，短期负荷预测具体指的就是日负荷与周负荷的预测，在设备检修、水火电协调、交换功率计划以及负荷经济分配中最常应用。在短期负荷预测中，要求深入研究电网负荷的变化规律，对影响负荷变化的因素加以分析，特别是天气的变化等等。而中期负荷预测指的则是预测月到年的负荷，一般在机组运行方式确定、机组检修以及水库调度等方面运用。而所谓的长期负荷预测，即在未来3-5年或者是更长时间段的负荷预测，进而为电力规划部门改造电网以及电网的扩建规划制定提供必要参考依据[2]。
（二）基本特点
因负荷预测主要是结合电力负荷当前与过去数值对其未来数值进行推测，因而负荷预测所研究的对象属于不确定事件。为此，负荷预测的特点可体现在以下几个方面：
1）预测结果不确定;
2）短期负荷预测有时间范围要求，时间性明显;
3）所有负荷预测均需满足特定条件，条件性显著;
4）预测结果存在不准确性，因而具备多个方案型。
二、电力负荷预测准确率影响因素阐释
由于负荷始终变化，所以负荷的预测精准度也将受到对其变化产生影响的因素影响。在实践过程中发现，负荷预测的总负荷变化有一定规律可循。其中，各个分量和总负荷之间的关系可表示为： 。
三、电力系统的负荷预测技术
（一）经典预测技术
其一，回归分析法。此方法主要是统计分析变量观测资料，对变量间关系加以确定，最终达到预测目标。此预测技术可在中长期电力负荷预测中运用，原理相对简单而且可以在短时间内预测，但模型的初始化很难，难以对负荷影响因素做出深入考虑。
其二，时间序列法。此预测方法就是针对过去特定时间段的历史负荷记录提出基本的负荷分量、天气敏感负荷分量以及特别事件负荷分量，将剩余残差作为不同时刻的随机负荷分量，将其当成随机时间序列。此方式无需过多数据，工作量不大，而且计算速度快，能够将负荷的最近连续性变化真实地反映出来，但此方法的建模相对复杂[3]。
（二）传统预测技术
其一，相似日法。相似日法指的就是修正类似于待预测日的某日负荷，进而对预测日负荷做出预测。此预测技术选择某种差异评价函数，探寻和预测日负荷最为接近的某些日，并结合待测负荷日参数完成修正。此预测方法的原理简单而且运用十分方便，但很难创建最佳评价函数，实际的预测精准度不高。
其二，灰色预测法。此预测方法主要是针对蕴含不确定因素的系统展开预测，借助灰色模型微分方程，将其当成电力系统的单一指标进行预测，对微分方程时间响应函数表达式进行求解，这就是灰色预测模型。在校验并且修正模型精度以及可信度的情况下，就能够利用此模型对未来负荷加以预测，一般可在贫信息条件下运用。此预测技术具有良好的短期预测性能，且检验方便，然而数据的灰度越大，实际的预测精准度就会越低，在预测长期负荷中尽量不使用[4]。
（三）智能预测技术
第一，专家系统法。该预测技术以知识程序设计方法为基础构建计算机系统，蕴含了某领域专家知识以及经验，可以向专家一样灵活运用，在推理的过程中预测未来负荷。此系统预测的优势就是可对诸多影响因素进行综合考虑，建模方便且判断速度快，而且拥有更多经验與知识，借助计算机能够保证工作的准确性，且可靠性良好，工作效率高。但此系统仍存在一定的缺陷，即预测期间会有人为差错产生，而且数据库的构建难度较大。另外，因不同地区负荷特征不同，专家系统仅针对某具体系统，无法在其他的系统中直接运用。
第二，人工神经网络。神经网络这一信息处理系统，是对生物脑结构加以模仿的功能，自适应性、容错性与自组织性十分明显。而神经网络理论则通过对神经网络学习功能的运用，使计算机掌握历史负荷数据当中存在的映射关系，并以此为基础对未来负荷做出预测[5]。人工神经网络是当前最常使用的负荷预测技术，可充分利用自身非线性结构对输入量、输出量关系进行描述，通过非线性自适应能力与并行处理能力的运用，参考训练历史数据信息得出系统输入、输出之间存在的函数关系。也正是因为人工神经网络自学习能力以及非线性函数拟合能力较强，所以在预测电力负荷方面的优势明显，使得预测性能以及准确程度均明显提高。但此预测技术的不足就在于神经网络层数以及神经元的数量一般需要根据主观经验加以确定，无法保证网络结构的科学性，而且学习速度较慢，局部有极小点存在。
结束语：
综上所述，负荷预测在电力市场发展中的重要性逐渐凸显出来，且对于预测的精准度提出了更高要求。为此，必须高度重视负荷管理工作，以不断提高负荷预测的精准性。
参考文献
[1] 陈卓， 孙龙祥. 基于深度学习LSTM网络的短期电力负荷预测方法[J]. 电子技术， 2018， 047（001）：39-41.
[2] 孟军， 黎燕， 夏哲辉，等. 基于云模型的电力负荷预测[J]. 计算技术与自动化， 2018， 37（02）：122-126.
[3] 刘南艳， 贺敏， 赵建文. 基于大数据平台的电力负荷预测[J]. 现代电子技术， 2018， 41（20）：161-164.
[4] 贾梦青， 周燕， 赵雷宇，等. 电力负荷预测方法在配电网规划中的实践应用[J]. 建筑工程技术与设计， 2018， 000（036）：3180.
[5] 宋占党， 李湘华， 王海宾， et al. 大数据环境下的电力负荷预测研究[J]. 电子测量技术， 2019（12）.