马旭珍

(国网吕梁供电公司)

0 引言

实施电力负荷预测, 能够帮助我国电力系统展开发电计划以及检修计划等各项计划内容的设置, 可以有效提高整体计划经济性水平。能够在有效降低购电成本和发电成本的同时, 为竞价上网提供有效助力,实现对电力市场改革的有效推动, 会对我国电力市场发展产生积极作用。鉴于此, 需要对电力负荷预测进行深度分析, 掌握正确预测方法, 以便更好的利用预测结果展开各项管控。

1 电力负荷预测概述

电力负荷预测是对安装在国家机关以及居民等用户处所使用用电设备, 或者描述上述用电设备所消耗电力电量数值的预测[1]。会将电力负荷作为重点内容, 进行一系列预测操作。在具体进行预测时, 需要对未来用电量以及未来电力需求量等各项内容进行分析, 预测出未来电力负荷空间分布以及时间分布具体情况, 确保能够为电力系统运行和规划工作开展提供有利支撑。

在进行预测过程中, 气象因素以及用户突发事件等均可能会对预测结果产生影响。具体影响因素主要集中在以下几个方面: ①气象因素。在设置负荷预测模型时, 通常会将气象部门所提供的天气预报信息内容加入到其中, 无论是降雨量还是温度和湿度等, 都有可能会对负荷波动产生直接影响, 如果居民负荷占据比例相对较大, 此种影响会变得更加突出; ②特殊条件或节假日。在特殊条件下或者节假日的环境中,会出现负荷曲线大幅度下降变形的情况, 例如春节期间, 因为人员的大量流动而使得各地负荷出现明显变化, 会直接增加预测难度; ③用户突发事件。此种影响因素主要是指大工业用户突发事件, 强调如果大工业用户装接容量占比相对较高, 很容易会因为其发生突发事件的状况, 而导致预测负荷出现严重偏差; ④预测方法与特性分析。目前部分地区负荷变化因素以及种类结构等统计还存在有待提高之处, 会对历史数据对照分析工作开展产生不良影响, 无法对相关变化规律以及复合特性进行有效总结, 并不利于负荷预测工作开展; ⑤管理政策。负荷预测工作技术含量相对较高, 但由于该项工作没有得到足够重视, 存在考核标准宽松以及基础薄弱等方面的问题, 和大用户之间的用电计划沟通有所忽视, 使得大用户用电缺乏有序性以及规划性。同时, 预测人员自身综合素养以及分析能力等, 和现阶段标准工作要求也存在一定距离,还需不断完善[2]。

2 电力负荷预测方式方法

针对负荷预测工作开展过程中存在的各项影响因素, 需要结合当地负荷预测要求, 通过对各种预测方法进行科学使用的方式, 保证最终结果准确度, 确保预测工作作用能够得到充分性发挥。

2.1 人工神经网络预测

人工神经网络会通过对人脑神经系统的模仿, 自主完成问题处理以及学习等一系列操作, 是高度非线性系统类型。在神经网络中具有诸多神经元节点, 具备良好的运算功能, 能够通过利用权值进行连接的方式完成网络构建, 会在激励函数的作用之下, 达到输入变量序列向输出变量序列进行非线性映射的目标,人工神经网络模糊性规律以及非结构性特点较为突出, 具有较强自学能力, 记忆功能较为理想, 是负荷预测领域研究重点技术之一, 神经网络预测案例如图1 所示[3]。

图1 神经网络电力负荷预测案例图

利用人工神经网络进行电力负荷预测过程中, 部分学者会运用地柜人工神经网络系统, 对地区电力负荷短期情况进行预测, 并通过对梯度下降算法的应用, 保证收敛速度。根据结果显示, 与传统处理方法相比, 此种处理方法的运算结果准确度以及收敛速度均得到显著提升, 但存在学习参数设置不变以及运算量较大等方面的问题。在对BP 算法线路局部极小问题进行深度研究后, 学者获得了相应解决处理方案,并通过结合遗传算法的方式, 增强了全局搜索性能,利用加强局部寻优能力的方法, 完成了遗传神经网络建设, 使得运算速度得到有效提高, 运算结果也变得更加准确。

在使用神经网络进行电力负荷预测过程中, 需要做好网络输入变量选择, 采用模糊粗糙集理论进行信息预处理的方法, 将BP 网络预设变量作为主要对象进行训练, 将外部气象条件以及时间序列等各项影响因素考虑到其中, 以便完成神经网络输入变量的寻找[4]。能够有效规避收敛速度缓慢以及网络拓扑结构复杂等方面的问题, 整体预测工作开展效果较为理想。

2.2 模糊预测

模糊预测技术是基于模糊理论, 通过对历史数据以及工作经验进行分析的方式, 以规则形式进行数据呈现, 利用计算机完成运行机读代码设置, 进而展开各项计算。该项预测方法能够对专家意图进行清晰描述, 完成电力系统不规则现象的阐述, 在中长期电力负荷预测中有着重要作用。需要注意的是, 模糊预测方法整体学习能力相对有限, 在使用时容易出现受人工干扰的情况[5]。

在采用模糊理论进行电力负荷预测过程中, 一般会通过构建聚类预测模型、指数平滑过渡模型以及线性回归模型的方式, 完成相应预测操作。此三种模型的整体预测精度均较为理想, 算法测量误差也相对较小。在使用时, 可以使用最佳聚类F 选优法展开模糊聚类预测算法改造, 科学进行年度用电量的计算, 以便保证最终结果准确度。与单一神经网络算法相比,将神经网络和模糊逻辑算法结合在一起进行应用, 可以在有效弥补模糊逻辑主观经验不足的基础上, 对节假期以及温度变化等影响问题进行有效控制, 确保最终预测结果精度, 减少节假期或周末等对于预测结果的不良干扰。此外, 可以通过采用RBF 寻找负荷变化规律的方法, 配合模糊理论完成复合低估值以及尖峰值的计算, 确保负荷影响因素不明确问题能够得到妥善处理。在模糊推论理论和神经网络理论的双重作用之下, 能够实现对不确定参数的有效处理, 保证结果可靠性。

2.3 数据挖掘预测

该项预测处理方法会通过对海量数据进行隐含信息挖掘的方式, 将结果以直观易懂的方式呈现出来,冗余信息处理以及大数据处理方面有着突出表现[6]。可以通过对统计学模糊集、决策树以及关联规则等技术的应用, 科学展开数据挖掘操作。可以在进行数据挖掘时, 通过利用时间序列相似性原理, 实施负荷预测, 保证最终结果。

2.4 专家系统预测

在对专家系统进行使用过程中, 会将人类探索自然过程中所获得的知识经验纳入到其中, 对人类思维决策过程进行模拟, 完成相关问题解决处理。与模糊预测模式相比, 专家系统预测方式等于将专家水平量化为计算机语言, 转化相应量化数据经验, 具有较高的交互性以及透明性特征, 可以准确获得结论对应缘由, 确定在检查推理过程中是否存在问题, 以便及时纠正[7]。整体算法操作难度相对较大, 存在学习能力有限以及运行速度较慢等方面的问题, 对于规则的依赖程度相对较高, 无法对模糊数据进行有效处理, 所以无法在所有系统中进行使用。需要运用专家系统展开中长期负荷预测, 复合冲击影响以及数据预处理等内容考虑到其中, 保证能够尽量贴近实际生产需要。

规则数目由专家系统模糊推理规则形式所决定,需要通过科学设置推理规则的方式, 对运输进行简化处理, 确保能够为专家经验优化与总结提供支持, 保证算法速度。可以按照案例推理经验, 完成经验导向型专家系统建设, 保证所获得知识的简洁度, 确保能够达到用户界面友好以及记忆能力理想的状态。

2.5 支持向量机预测

该预测手段是以统计学理论为基础, 通过对有限样本的使用, 提出结构风险最小化原则以及满足VC维理论机械学习规律的预测方法, 具有全局最优以及计算速度快等方面的优势, 通用性较为理想(支持向量机预测方法图如图2 所示)。在使用时, 会过度依赖经验, 完成核心预算函数以及初值的确定, 很容易会受到人为因素干扰。整体模糊现象描述能力相对有限, 存在模型误差问题, 会造成实际数值和收敛值之

图2 基于SVW 的电力负荷预测图

3 结束语

鉴于电力负荷预测对于电力系统发展以及电力使用所产生的重要作用, 需要进一步加大对电力负荷预测工作的研究力度。应明确电力负荷预测的基本内容以及具体目标, 确定预测过程中可能会出现的各项影响因素, 在此基础上对数据挖掘预测以及模糊预测等各项预测手段进行科学使用, 保证预测工作开展质量, 确保最终预测结果的精准度, 以便为电力市场发展以及电力系统发展提供可靠助力和支持。