关于电力负荷影响因素及智能预测方法的研究

2018-01-26胡朝举李云霞

通信电源技术 2018年2期

胡朝举，李云霞

（华北电力大学（保定），河北保定 071000）

0 引言

电力负荷预测是指用一定的方法预测一定时间后的用电量。由于不确定性因素太多，预测精度还不是很高。目前，可用于电力负荷预测的方法较多，如弹性系数法、单耗法、统计分析法等。但是，这些算法均属于传统的预测方法，全凭对历史数据进行分析而发现其中的规律进行预测。显而易见，只用传统的预测方法进行预测不能满足现实要求。

随着计算机技术的发展，各种智能算法孕育而生，如遗传算法、人工神经网络、专家系统法等。这些智能算法已经在各个领域得到了广泛应用，包括在电力负荷预测中的应用。每种算法都有其各自的缺点和优点，须根据实际情况选择合适的方法。

1 电力负荷概述

电力负荷是指电气设备所需用的电工功率，也称为电力。电力负荷的分类有很多种。

按用户重要性，电力负荷可以分为一类负荷、二类负荷和三类负荷[1]。一类负荷是指如果断电就会造成重大损失或者人员伤亡的负荷，如政府机关、医院等。二类负荷是指断电也会造成一定损失，但不如一类负荷严重。三类负荷是指除了一类和二类以外的负荷，其停电造成的损失不如前两者严重。

按照电能的生产、供给和销售过程分类，电力负荷分可以分为用电负荷、供电负荷和发电负荷[2]。发电负荷是指从电厂发出的所有电能；供电负荷是指电厂发出电荷除了电厂自身用的电能以外的所有电能；而用电负荷是在供电负荷的基础上减去电能传输过程中损失的电能。

按负荷预测时间的长短，电力负荷又可以分为超短期负荷、短期负荷、中期负荷和长期负荷。超短期负荷预测一般是指一小时以内的负荷；短期负荷一般是指日到周内的负荷；中期负荷是指数月至年的负荷研究；而长期负荷则是指三年以上的研究。

本文主要针对短期负荷和中长期负荷的预测进行讨论。

2 电力负荷影响因素

进行准确的电力预测，必须对影响电力负荷的因素进行研究。由于预测负荷的时间长度不一样，有些因素可能只需要在进行短期负荷预测时考虑，而有些只需要在中长期负荷预测时考虑。

短期负荷预测因为时间短，某个外界条件一变化，就可能会影响负荷的大小，且不同的领域影响因素也会有差别。所以，在进行短期负荷预测时，需要考虑的因素较多。首先，温度是影响短期电力负荷的一个主要因素。比如，在夏天，如果温度较高，就会有更多的人开空调，从而增加用电量；而温度较低，会因为开空调数目的减少而降低用电量。其次，实时电价也会影响电力负荷的大小。为了减少高峰期的用电量，我国实行实时电价政策。大多数人会尽可能选择在用电低谷期用电而避免高峰期用电，所以电价也是影响短期电力负荷的一个因素。再次，日期类型。进行短期负荷预测时，要考虑预测的时间段是周一到周五还是周末。工作日各个公司都上班，会增加用电量；而周末往往各个商场、大型超市都会搞活动，也会对电力负荷的大小造成影响。最后，天气突变是影响电力负荷的另一个因素，如突然刮风、下雨等，都将会造成用电负荷的突变。

中长期电力负荷预测有一个明显区别于短期电力负荷预测的特点，即有些因素会在一个小的时间段对电力负荷造成影响，但长期来看对电力负荷的影响不明显。但是，由于中长期负荷预测会影响新建发电机组的容量、选址等，所以在进行中长期电力负荷预测时，必须考虑更宏观、更长远的影响因素。一般来讲，长期负荷预测包括经济结构、GDP、相关政策等。

3 智能算法在电力负荷预测中的应用

智能算法相对于传统算法，考虑了历史数据内部存在的规律，所以会有较高的预测精度[3]。下面将对神经网络、灰色理论、专家系统和模糊预测四种预测方法进行探究。

3.1 神经网络在电力负荷预测中的应用

神经网络早在20世纪80年代被提出，由于它能考虑影响某个实际问题的多个考虑因素，且可以通过训练学习调整某个因素的权重，使得可以得到一个比较理想的结论。在电力短期负荷预测中，影响因素众多，且数据量较大，采用神经网络方法通过训练学习可以得到较理想的结果。但是，神经网络中的一些参数取值会影响预测结果。对于中长期负荷预测，虽然有多个硬性参数，但相关数据较少，用神经网络进行预测必将会有较大误差。

3.2 灰色理论在电力负荷中的应用

灰色理论于1982年被提出，是一种研究不确定问题的新方法。此种方法主要针对信息不完全可知的小样本确定系统[4]，用于中长电力负荷预测的数据的特点正好与其一致。灰色理论是用于灰色预测的最常见的方法之一，但是基本的GM（1,1）模型有其致命的弱点。目前，有研究采用GM（1,M）和MGM（1,M）模型[5]，然后通过对其进行优化，得到相对理想的预测结果。一般采用的优化方法包括三个方面：对原数据的优化、对发展系数和灰作用量的优化以及对背景值的优化。

3.3 专家系统在电力负荷预测中的应用

专家系统是将某领域专家的知识以及解决问题的方法以一定的方式存储在计算机中，以使其模拟人类专家的思维解决问题。对于电力负荷预测而言，要得到高精度的预测结果，需要具有丰富经验的预测人员将各种影响因素全面考虑分析，然后得到一定的规则，而这些就是专家知识[6]。运用专家系统进行负荷预测，可以将不可量化的经验具体化，且得到的预测结果具有较高的权威性。但是，这种方法也具有不足。第一，专家分析是一个很耗时的过程；第二，知识库很难形成，一些复杂的关系难以精确表达。

3.4 模糊预测在电力负荷预测中的应用

模糊预测与其他几种方法有不同。该方法不是仅仅通过历史数据得到预测结果，而是对影响电力负荷的因素进行考虑，将负荷与这些因素作为一个整体进行考虑，然后得到负荷的变化模式和相应的环境特征。进行环境预测时将环境特征进行比较，通过环境特征的比较得到负荷的预测结果。该方法具有较明确的专家意图，能够处理负荷中的不确定性因素。该方法也存在受人为因素影响大的不足，一般用于中长期电力负荷预测。

3.5 组合预测方法在电力负荷预测中的应用

由于每种预测方法都有其自身的优点与缺陷，为了得到更精确的预测结果，经常会采用组合预测方法，如灰色模型与神经网络组合预测方法等。组合方法虽然能结合各种方法的优点，但也存在一定的困难性，如每种方法在模型中所占的比重如何确定。如果每种方法组占的比重为方法总个数分之一，则每种方法对预测结果的贡献一样。然而，实际并不一样。要解决这一问题，要寻找一个有效的方法求得比重，而这方面目前还在探究中。