电力系统负荷预测方法综述

2013-04-25陆宇烨张健钊徐岩哲方佳渝

电子科技 2013年11期

陆宇烨，张健钊，徐岩哲，方佳渝

(河海大学能源与电气学院，江苏南京211100)

电力系统负荷预测是基于经济和气象上的因素，通过研究电力系统负荷的变化情况和变化规律对历史数据进行分析［1］，以求对电力的负荷需求提前推测［2－12］，这将有效地帮助电力系统调度对未来负荷变化情况做出正确的估计。

其中预测负荷的系统作为能量管理系统中电力市场运行管理的重要组成部分，预测结果同电力系统的安全、经济运行密切相关［3］，现在负荷预测的手段已由人工预测逐步转向智能预测，为提高预测精度创造了有利条件。负荷预测的核心是利用现有数据，对未来时间段内的运行数据进行估计。

1 负荷预测分类

电力系统负荷预测分为电量、电力两类。其中电量预测有:网供电量、社会电量、企业单位电量等［16］;电力预测有:最大和最小负荷、负荷峰谷差、负荷率等。以上是按指标分类，而按期限的不同，又可分为:长期预测、中期预测、短期预测、超短期预测，如表1所示。

表1 负荷预测的分类

2 负荷预测方法

电力系统总负荷一般可描述为

其中，L(t)为在t时刻时电力系统的总负荷;B(t)为在t时刻时正常基础负荷;W(t)为在t时刻对气象的敏感负荷;S(t)为t时刻可能会发生的特别事件的负荷;V(t)为在t时刻时的随机部分。

3 经典预测方法

3.1 回归分析法

一般根据变量数分为单元回归分析和多元回归分析，单元回归分析是单个变量的，多元回归分析则是多元变量，在给定的变量下，研究其间的关系就可求出回归方程;因为自变量是随机变量如电力负荷等，而因变量是非随机的，如人口、经济、气候等，所以给定自变量的数值便可求出因变量［15］，其共同决定了电力系统的负荷变化。

其优点为:速度快，对各类情况都可以较好地处理。缺点:对数据要求高，尤其在历史数据残缺或有较大误差的情况下，效果不理想［9］，因为只有在用线性法化解非线性公式的情况下能够较好的求解，但是非线性模型中只能加入部分不确定因素，如温度或湿度，因为不确定因素过多，不能全部考虑，算法也不具有自适应性，所以难以得到准确的结果［15］。

3.2 趋势外推法

趋势外推法是一种利用当前负荷变化趋势预测未来负荷的方法，由于电力系统负荷变化趋势明显，所以第一步选定负荷规律趋势模型，然后利用线性或非线性图形识别法、差分进化法求出负荷预测结果［2］。

3.3 时间序列法

时间序列外推法是将数据按照周期性排列形成有规律的序列，此时因变量负荷和自变量时间均是随机变量，将实际负荷和预测负荷间的差值当作平滑的变化过程处理。

优点:对数据库中数据量的依赖性较低，该算法目前的研究成果成熟，在实际生产中得到了广泛应用。缺点:因需要过去实际的负荷数据，不允许问题数据存在。算法中矩阵系数计算繁琐，且无法采用过多的非随机变量。

3.4 灰色模型法

灰色理论的微分方程模型，又叫灰色模型，其是建立在以下4个基础之上:(1)模型的范围和时区是给定的，而且模型中的随机部分、随机过程也是变化的。(2)在数据序列随机叠加后会生成伴随指数增长的有规律的上升序列。(3)可以根据模型中灰数的生成方式、数据的筛选分别和残差GM模型的修正来调整和提高该模型的精度。(4)高阶下系统建模的GM模型群是一阶微分方程组组成的随指数增长的灰色模型［6］。

优点:当负荷值按指数增长时，灰色模型法的精度较高，也由于其所需计算的初始样本数据少，无需对数据有过多依赖性，所以方便检验。缺点:随着数据离散程度增大，预测精度也变差，因此不适合长期预测［8］，而有意义的精度较高的预测值只是最近的几个数据，所以由于数据少而带来的误差较大，在实际生产中的应用率低。

3.5 指数平滑法

该算法的基本思想是加权平均，在数据越新时的加权越大［9］，对总数据的影响则越大，因此通过加权的方法强调新数据的影响，逐步减弱老数据的影响，使曲线拟合后变得平滑。

优点:可减少数据的异方差性，保证数据序列的变化准确性，消除序列中的随机波动。缺点:对数据在转折点上的分辨能力低，加权的方法也存在局限性。

4 人工智能预测方法

随着人工智能技术的发展，AI和FLS在负荷预测领域逐步得到应用。这些算法的特点是具有较强的自适应性和学习性，可对大部分非随机变量进行考虑，但对过去数据的要求也变得更高［5］。

4.1 专家系统法

专家系统法，顾名思义就是用专家的知识、方法、经验对数据进行预测。该算法相当于将人类的经验抽象为公式或模型应用于实际预测中，是一种独特的算法［2］。

优点:集中多位专家过去预测的数据，通过寻找专家预测的规律，将其转化为负荷预测的能力，并得出正确的预测结果。这可保持和过去预测结果的一致性。缺点:不具有自适应能力，对不断变化的事件适应性差，因此受知识种类和总量的限制。

4.2 模糊预测法

该算法是来自于控制领域内的模糊控制和预测控制的产物，由于干扰因素过多，因此只能将长远的时间序列看作是近期的时间序列进行预测［1］。优点:能够实际地考虑到工业生产中的情况，且应用成熟。缺点:该算法缺少自适应能力，无法对变化的非线性电力系统进行预测和修正参数，预测精度较差。

4.3 人工神经网络法

近年来，以AI技术为代表的多类人工智能技术由于具有较强的自适应学习能力和非线性处理能力在负荷预测中得到了广泛应用［5］，通过自适应的学习训练来处理自然界存在的大量非线性组成部分和不精确的规律。优点:人工神经网络法具有很强的学习能力，能够通过感知器和前向网络对非线性函数线性化。缺点:算法过于复杂，运算时间较长［17］。

4.4 小波分析预测法

作为一种时频域分析法，小波分析能随频率变化调节信号采样的疏密，可轻易地探测并分析出任意信号和图像上的任意部分，在时频域上表现出了良好的局部化性质［12］。其是将信号信息以系数形式表示来方便存储和传递、分析甚至于重建原始信号，因而有效地应用于负荷预测的研究。先将不同频率组成的混合信号经其分解成不同的子信号，然后将其划分到不同尺度上，即每个尺度上的子序列就代表了原序列中不同的子信号，展现了序列的周期性，最后根据这一结果对不同的子负荷序列进行分步预测就可以得到准确的预测结果［8］。

5 与动态过程结合的预测方法

5.1 混沌理论预测法

该算法也是将控制论中的混沌理论用于负荷预测中，通常是解决非线性的能源系统的负荷预测情况。其主要核心是将各个分布式能源后的电力系统看成是非线性的系统模型［7］，然后找出与混沌系统共同的特点，最终通过构造混沌的时间序列对负荷进行描述，就可以在形成的相空间中实施预测［14］。

5.2 卡尔曼滤波算法

是用一种高效逐次计算方法来估计动态的状态，得到最小误差的最优估计，并将负荷作为状态变量，用递推的滤波算法进行预测，一般用于在线预测。因精度最为关键，所以预测中需要尽可能地使用已掌握的信息以减少预测时间;目前被应用基于极大似然估计的卡尔曼滤波方法实施超短期下的负荷预测中，其在滤波过程中先后做到了参数辨识、偏差处理和负荷预测，提高了预测精度，缩短了预测时间［14］。