陈怡洁

摘要：短期电力负荷预测可以对未来短时间内对电力负荷进行预测，能够及时根据预测结果调整供电计划，可以促进电力行业的可持续发展。我国经济发展迅速，人民生活水平不断提升，对于电力系统的运行平稳程度要求也有所提升，为了确保电力系统能够有序且稳定的为人们输送电能，需要解决对负荷预测的方法进行改善，优化电网规划设计。智能组合预测法可以提升电力负荷预测的精确性，打破了传统神经网络在预测工作中存在的问题。基于此，本文深入分析了在短期电力负荷预测过程中应用智能组合预测法的策略。

关键词：智能组合预测法;短期;电力负荷预测

负荷所指的是电力的具体需求量或者实际用电量，进一步来讲就是指能量在一定时间的变化程度，也就是经常说的功率。从供电的角度而言，负荷可以代表负责供电的工厂地区或者电网，一个时刻中所需要担负的工作负荷，如果从用户的角度来讲，负荷所指的是用户在使用电气设备时所产生的瞬间功率。随着人们用电量不断的增加，特别是对大电网而言，更加需要不断提高短期电力负荷预测的效果才能保障用电容量的科学化调度，使得在安全用电的基础上对不同机组的运行情况进行控制。同时，也能够降低发电的成本投入，提高电网运行的安全性和经济性，對于社会经济的良性发展也有着重要的意义。

一、电力负荷预测分类

预测期限是指预测的时间长短，因此在对电力负荷进行预测时可以按照预测的时间进行分类，预测以小时为单位的负荷属于超短期负荷预测，近年来随着预测技术的发展，对于超短期电力负荷的预测精度也有所提高，可以保证对电能量实施更加精准的控制，应对突发的紧急事件。预测周期在1天到1周之内的负荷属于短期负荷预测，是目前比较常用的预测方法之一，可以有效调整水火电之间的组合，并对其实施优化。预测一年之内的负荷属于中期负荷预测，能够对水库实施科学的运行调度，制定燃料的具体使用计划，以及相关损害机组的维修。预测周期在数年以上则属于长期的负荷预测，是电网规划工作和改建工作开展的重要数据基础。

二、智能组合预测法

影响短期电力负荷预测效果的因素较多，并且时间越短的负荷预测工作要求误差越低，如在测量24小时内的负荷使用，需要保证预测的误差和实际用量之间的误差不得超过3%，如果是进行长期的负荷预测，则误差可以增加到10%。因此在这种情况下就必须要改善电力负荷的预测方法，提升预测的效果以及精确程度，但是目前仍然没有探索出一种单独使用即可保证稳定性和精确性的预测方法。智能组合预测法[1]则是将不同种预测方法进行结合，并形成效果最佳的组合模式，整合多种预测模型的优势，最终达到最大限度提高预测精准度的效果。智能组合预测法会先明确预测区域和预测对象，收集有关的负荷数据，利用计算机对负荷数据实时预处理，之后使用鲸鱼优化算法对Elman网络进行改进，改进之后利用其进行预测。预测完毕后使用遗传算法对输出结果实施校正，根据矫正后的预测结果评估预测质量。

三、智能组合预测法在短期电力负荷预测中的应用

（一）利用鲸鱼算法完成优化

鲸鱼算法[2]属于优化算法的重要方法之一，能够模拟座头鲸捕食的机制，前期进行全局搜索，到后期进行局部搜索。在算法初期，由于所需最优解的位置是事先未知的，假设当前的最优搜索代理是某个搜索范围内的目标解或者接近最优的解。之后，其他搜索代理将通过一次次的迭代计算更新自己的位置。当发现比当前的最优搜索代理更优的解时，更新最优搜索代理的位置。之后会不断的进行重复计算，结合具体的计算结果，完成复制操作交换操作以及突变等各种遗传操作，直到出现最有解决方案为止。

（二）利用Elman网络预测短期电力负荷

Elman网络[3]在智能组合预测模型中是被改进过的，具有动态化的特定，能够进行反馈的网络类型，一般来讲Elman网络被分成4层。Elman网络在经过改进之后，会在隐含层的输入和输出之间添加一层处理数据的环节，被称之为承接层，能够起到延迟预测和存储数据的效果。承接层能够提供反馈的作用，保证Elman网络可以始终对历史数据保持高度的敏感性，可以对动态信息实施更加高效精确的处理，进而形成动态建模的效果，与传统的BP神经网络[4]相比，拥有着极大的优势。传统的BP神经网络为了保证预测的有效性，会在输入层的内部存储极多的历史电力负荷信息，进而导致BP神经网络的训练负担有所提高，容易陷入预测误区。在改进Elman网络之后则能将隐含层输入的内容及时反馈回来，最终成为一个动态化的网络，不仅能够及时将隐含层的情况进行保存，还可以立即将其反馈回去，使得Elman网络具有动态化的记忆能力。

（三）利用遗传算法完成矫正

遗传算法[5]属于概率优化的重要方法之一，能够模拟生物进化机制以及遗传的变异机制，并且遗传算法对于被优化的目标函数没有过多的要求，可以在短时间内及时找到优化问题的解决方法，因此在各个领域都有着广泛的应用。利用遗传算法对初始数据进行优化时，可以将其中的候选者进行编码，并利用二进制串的方式来表示不同个体，从0开始计算遗传的次数，之后确定字符串长度以及产生的初始群体。之后会不断的进行重复计算，结合具体的计算结果，完成复制操作交换操作以及突变等各种遗传操作，直到出现最有解决方案为止。

结束语：

随着我国电网建设速度的不断提升，用户所使用的负荷量也在持续增加，因此所产生的数据，也逐渐向着海量化和高维度化的方向进行发展，这就要求相关部门必须使用准确的电力负荷预测方法来判断电力负荷用量，进而对电网系统进行合理的分布和规划。在目前的电力负荷预测过程中，负责电力负荷预测的工作人员不仅需要应对海量的电力负荷数据，同时也需要掌握不同的运算算法，这些算法的复杂程度都比较高，容易在预测过程中出现一定的阻碍。

参考文献：

[1]唐德栋. 基于人工智能的短期电力负荷预测方法研究[D].中国地质大学（北京），2020.

[2]陈友鹏，陈璟华.基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法[J].广东工业大学学报，2020，37（03）：75-81.

[3]吴飞，李霆，张航，李金湖，林翰，林朝灯.基于CWOA-ELM的短期电力负荷预测研究[J].电子测量技术，2020，43（04）：88-92.

[4]张武军，程远林，周捷，潘轩.基于特性分析的改进BP神经网络短期电力预测方法[J].湖南电力，2020，40（03）：17-22.

[5]陈浩，戴欣.基于遗传算法优化前馈神经网络模型的配电网短期负荷预测[J].科技创新与应用，2020（05）：7-9.