张 怡， 张 锋

（1.浙江大学电气工程学院，杭州 310027； 2.浙江电力职业技术学院，杭州 310015；3.浙江电力调度通信中心，杭州 310007）

负荷预测是电力系统经济调度中的重要内容，是能量管理系统（EMS）的一个重要模块[1]。负荷预测按其预测所取时间长度一般可分为长期、中期、短期和超短期负荷预测[2]，其中超短期负荷预测主要用于安全监视、预防性控制和紧急状态处理，其预测精度对电网安全、发用电平衡及提高电网频率合格率有着举足轻重的作用。

1 超短期负荷预测的特点及方法

超短期负荷预测是指预测未来1 h内负荷的变化，主要用于AGC调频、超短期机组出力控制、安全监视、指导调度员控制联络线交换功率在规定范围、预防控制和紧急状态处理、电力市场小时交易计划软件编制。超短期负荷预测具有预测时间短、预测速度快以及预测精度要求高等特点。到目前为止，国内外学者在电力系统负荷预测方面作了大量的工作，研究出了许多负荷预测方法。总体来说，超短期负荷预测的发展大致经历了3个阶段：传统预测方法阶段、现代预测方法阶段和综合预测方法应用研究阶段。

2 传统预测方法

2.1 线性外推法[3]

线性外推法是对过去一段时间内具有随机特性的负荷用线性曲线或二次曲线等拟合出负荷变化曲线，使得这条曲线能够反映负荷本身的变化趋势，然后根据这条拟合曲线，对未来某一点外推估计出预测结果。该方法能较好预测变化比较平坦的负荷曲线，但对负荷曲线拐点处的预测效果较差，会出现比较大的误差。

2.2 时间序列法[4]

时间序列是按时间顺序排列的一组数字序列。时间序列分析法就是利用这组数列，应用数理统计方法加以处理，以预测未来的发展。时间序列分析是定量预测方法之一，它的基本原理是：承认事物发展的延续性，应用过去数据就能推测事物的发展趋势。考虑到事物发展的随机性，任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。

2.3 卡尔曼滤波法[5]

卡尔曼滤波法成功采用了状态空间的概念，不要求直接给出信号过程的二阶特性或谱密度函数，而是把信号过程视为在白噪声作用下的一个线性系统的输出，用状态转移矩阵φ（t，τ）来描述这个线性系统，系统的输入、输出用一个状态方程来描述。这样，就使所研究的信号过程除了平稳的标量随机过程外，还包括非平稳矢量随机过程。同时，卡尔曼滤波法将状态空间描述与离散时间更新联系起来，提出了使均方差最小的线性递推滤波算法，这种方法不要求存储过去的观测数据，当新的数据被观测到后，只要根据新的数据和前一时刻的估计量，借助于信号过程本身的状态转移方程，按照递推公式，即可算出新的估计量，大大减少了滤波装置的存储量和计算量，便于实时处理。

2.4 负荷求导法[6]

负荷求导法是对负荷曲线进行一次求导，得到每一点的负荷变化率，再利用数理统计原理对得出的负荷变化率进行统计，可以采用求平均值或是求加权平均值的算法来进行统计，最后利用得到的负荷变化率曲线进行负荷预测，得到预测结果。这种方法适用于超短期负荷预测，预测精度比线性外推法要高。但当随机因素发生大的变化或有坏数据存在时，预测误差会比较大。

2.5 替代法

替代法是超短期负荷预测中最简单的一种方法，它直接以当前时间的实际负荷作为下一点的预测值。该法对正常工作日的负荷预测效果较差，但在节假日时，系统负荷较小，变化平稳，与正常工作日相差很大时，实践表明此时替代法效果比其它方法要好。

3 现代预测方法

3.1 灰色预测法[7]

灰色预测是就灰色系统所做的预测，所谓灰色系统是介于白色系统和黑箱系统之间的过渡系统。灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测，就是对在一定范围内变化的、与时间有关的灰色过程的预测。尽管过程中所显示的现象是随机的、杂乱无章的，但毕竟是有序的、有界的，因此这一数据集合具备潜在的规律，灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。

3.2 人工神经网络[8]

人工神经网络是一种模仿动物神经网络行为特征进行分布式并行信息处理的算法数学模型。这种网络依靠系统的内在节点联系，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入/输出数据，分析两者之间潜在的规律，最终根据这些规律用新的输入数据来预测输出结果。

3.3 小波分析预测法[9]

小波分析是一种新兴的数学工具，正被广泛应用于各个专业技术领域中，它在时域和频域具有同样良好的局部化性质，可以任意提取短期负荷序列的细节。通过使用小波分析，可以在任何水平上分析短期负荷序列，对信息成分采取逐渐精细的时域和频域处理，尤其在对突发与短时的信息分析上具有明显的优势。

3.4 数据挖掘技术[10]

所谓的数据挖掘（DM，Data Mining）就是从海量的数据中提取隐含在其中事先未知的，但又是潜在有用的信息和知识，并将其表示成最终能被人理解的模式的高级过程。数据挖掘技术产生于20世纪80年代末期，是目前国际国内的研究热点。它是数据库知识发现KDD（knowledge discovery in database）的核心技术。数据挖掘技术的显著特点就是其强大的数据处理能力，能从大量的数据中发现有用的规律、规则、联系、模式等知识。包括聚类分析、分类分析、时间序列相似性分析、关联度分析、回归分析等。

3.5 专家系统法[11]

专家系统预测法是对数据库里存放的过去几年甚至几十年内每小时的负荷和天气数据进行分析，汇集有经验的负荷预测人员的知识，提取有关规则，按照一定的规则进行负荷预测的方法。对于突发性及节假日等非正常日引起的负荷变化脱离正常模式的情况，可由根据调度专家经验发展而来的负荷预测专家系统来避开复杂的数值计算而使问题得到解决。这些系统有时非常简单，但也存在通用性较弱、缺乏学习能力等缺点。

3.6 模糊系统预测[12]

模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效控制。不管模糊系统是如何进行计算的，从输入/输出的角度看是一个非线性函数。对于任意一个非线性连续函数，都可以通过找出一类隶属函数、一种推理规则和一个解模糊方法，使得设计出的模糊系统能够任意逼近这个非线性函数，进而利用该逼近函数进行负荷预测。模糊负荷预测是近几年比较热门的研究方向，国内外众多学者在该领域做了较多工作，取得了不少成果。

3.7 聚类分析[13]

聚类是将数据分类到不同的类或者簇的过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析的目标就是在相似的基础上收集数据。聚类方法具有非线性映射能力，能从大量数据中提取相似数据，进而揭示气候等各种影响因素与负荷的关系，有助于提高短期负荷预测的精度。现阶段聚类分析仍存在相似日划分不科学及运算复杂等问题。

4 综合预测方法

综合预测方法[14]主要应用优选组合预测法。优选组合有2层含义：一是从几种预测方法得到的结果中选取适当的权重加权平均；二是指在几种预测方法中进行比较，选择拟和度最佳或标准偏差最小的预测模型进行预测。该方法的优点是：优选组合了多种单一预测模型的信息，考虑的影响信息也比较全面，因而能够有效地改善预测效果。缺点是权重的确定比较困难，同时也不可能将所有在未来起作用的因素都包含在模型中，在一定程度上限制了预测精度的提高。

5 超短期负荷预测发展方向的探讨

超短期负荷预测是电力系统的经典研究课题，随着新形势的不断变化，其发展方向应该重视以下问题。

5.1 在线快速精确预测

新形势对超短期负荷预测功能提出了许多新要求，在电力市场条件下主要表现为自动运行与滚动预测。具体是指在正常情况下超短期负荷预测系统无需人工干预，可以连续不断地根据最新获取的系统运行数据进行周期性的滚动预测，只有当预测误差较大、需要人工处理时，才由预测人员进行适当调整。

5.2 综合因素的考虑

电力系统超短期负荷预测的结果实际上受到很多综合因素的共同影响。在超短期负荷预测领域，为进一步提高预测精度，需要注意的影响因素主要包括气温、湿度、降雨、风力、工作日/休息日、节假日类型及可预见的大事件等。处理方法可以考虑尝试对历史数据进行数据挖掘，从多因素共同作用的结果中找出影响预测精度的主要相关因素。此外，对于一些新的相关因素，如近来在负荷预测领域中开始引入的温度累积效应，也应考虑引入相关体现指标，构成对应预测模型。

5.3 组合预测

考虑到单一预测方法存在的弊端，探索组合预测方法已经成为国内外学者的共识。组合预测的实现主要有2种途径，其一是直接从预测机理的角度对单一预测模型进行组合，通过单一预测模型的相互配合实现预测优化；其二是将单一模型预测结果直接加权组合，通过权值的设置实现对预测结果的综合判断，得到预测效果较好的综合模型，但权重如何确定仍有待解决。

5.4 概率预测

传统的预测结果一般都是确定的，即明确给出一个数值，缺点是无法给出预测结果的波动范围。类似天气预报中的降水概率预计，如能实现概率预测则更符合客观需求。目前，在国外的一些预测方法中已经开始体现概率预测的倾向，但是从目前的技术来看，各种预测结果的概率分布函数还是一个很难解决的问题。

5.5 原始数据的优化处理

原始数据的准确性是提高一切超短期负荷预测方法性能的立足点。从实际工作中看，采样得到的历史负荷数据常常含有异常值。这些异常数据主要包括两类：一是由于人为或设备因素造成的错误数据；二是数据是真实正确的，但是由于突发事件或特殊原因造成非规律性变化。在超短期负荷预测中，正确地识别并修正不良数据非常重要，目前这方面的研究虽取得了一些成果，但还需要进一步提高实用性。

5.6 “重近轻远”原则的合理设置

预测中“重近轻远”原则是指：物理量未来的变化趋势更多地取决于历史时段中近期的发展规律，远期的历史数据与未来发展趋势的相关性较弱。为实现“重近轻远”原则，主要采用加权参数估计的方法，即对近期数据给予较大的权值，远期数据给予较小的权值。在超短期预测中，可以通过输入参数的选择来实现“重近轻远”原则，即选择与预测时段比较接近的时段信息构成主要的输入参数。如何合理配置相关权值及输入参数，这方面还需要进一步研究。

5.7 充分考虑电力系统特色

在一些负荷预测研究中，将电力系统负荷数据当作一系列纯数学的数据看待，失去了电力系统的特色。要在预测中引入电力系统特色，就要从电力系统的实际出发，重视负荷发展的内在特性和规律分析，从负荷构成的物理机理入手，研究其变化规律。以小水电运行方式对负荷预测影响为例，小水电有水发电、无水停机，在负荷预测中如果不考虑降水对小水电运行的影响，单纯依靠数学方法，其预测结果将产生较大误差。

5.8 自适应预测策略的开发

在实际工作中可以发现，相同的预测方法在不同的情况下预测效果会有变化。自适应预测根据其所应用的场合和最新运行方式的不同，自动进行预测模型参数的调整，达到更好的预测效果，其本质是一个根据预测偏差不断调整模型结构和参数的闭环反馈问题。从电力系统智能化发展的趋势来看，自适应预测需要予以充分的关注。

6 结语与展望

超短期负荷预测是实现电力系统安全、稳定、优质、经济运行的基础，对电力系统来说，提高电网运行的安全性和经济性，改善电能质量，都依赖于准确的负荷预测。在电力企业走向市场、电力市场日趋成熟的形势下，超短期负荷预测在电力系统安全经济运行中将会发挥越来越重要的作用。目前，国内外学者就超短期负荷预测已研究出了许多方法，这些方法从简单到复杂，但每一种都有一定的适应场合，并需要不断的完善。实际应用时，需要掌握待预测系统的实际运行情况，细致分析负荷实际变化的规律和影响因素，才能最好地发挥各种方法的优势。可以预见，随着电力系统原始运行数据的有效积累和科学处理，电力负荷预测技术与相关科学领域技术（如气象、经济等）的交叉渗透，广大电力工作者会对电力系统负荷预测有更加深入准确的认识，使电力负荷预测技术的研究取得更大进展，电力负荷预测将更准确更快捷。

[1] 康重庆，夏清，张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化，2004，28（17）∶1-11.

[2] 牛东晓，曹树华，赵磊，等.电力负荷预测技术及其应用[M].北京∶中国电力出版社，1998.

[3] 汪峰，谢开，于尔铿.一种简单实用的超短期负荷预报方法[J].电网技术，1996，20（3）∶41-43.

[4] 陆海峰，单渊达.电力系统的递推自适应超短期负荷预报[J].电网技术，2000，24（3）∶28-31.

[5] 谢开，汪峰，于尔铿，等.应用Kalman滤波方法的超短期负荷预报[J].中国电机工程学报，1996，16（4）∶245-249.

[6] 吴劲晖.负荷求导法在电网超短期负荷预测中的实践[J].中国电力，2003，36（3）∶31-32.

[7] 赵成旺，顾幸生，严军.负荷求导法在超短期负荷预测中的应用[J].电力系统及其自动化学报，2006，18（5）∶5-9.

[8] REWAGAD A P，SOANAWANE V L.Artificial neural network based short term load forecasting[C].IEEE Region 10thInternational Conference on Global Connectivity in Energy,Computer，Communication and Control，1998.

[9] 邰能灵，侯志俭，李涛，等.基于小波分析的电力系统短期负荷预测方法[J].中国电机工程学报，2003，23（1）∶45-50.

[10] 刘敦楠，何光宇，范曼，等.数据挖掘与非正常日的负荷预测[J].电力系统自动化，2004，28（3）∶53-57.

[11] RAHMAN S，BHATNAGAR R.An expert system based algorithm for short-termload forecasting [J].IEEE Transactions on Power Systems，1998，3（2）∶392-399.

[12] KYUNG-BIN SONG，YOUNG-SIK BAEK，DUG HUN HONG.Short-term load forecasting for the holidays using fuzzy linear regression method[J].IEEE Trans on Power Systems，2005，20（1）∶96-101.

[13] SFETSOS A.Short-term load forecasting with a hybrid clustering algorithm[J].IEEE Proceedings： Communications，2003，150（3）∶257-262.

[14] 丁巧林，潘学华，杨薛明，等.最优组合预测方法在电力负荷预测中的应用[J].电网技术，2008，32（25）∶127-130.