電力負荷預測方法探究

程鎮寶

摘要：文章對目前的幾種智能負荷預測方法：人工神經網絡、模糊預測法、數據挖掘、專家系統、支持向量機的原理、特點及研究情況進行了闡述，從學習能力、運算速度、處理模糊信息能力等角度對這幾種方法進行了比較，并指出了其中各自的優缺點。

關鍵詞：電力系統；負荷預測方法；電力負荷

中圖分類號：TM714 文獻標識碼：A 文章編號：1009-2374（2013）32-0114-02

1 電力負荷預測綜述

負荷預測的前提是充分考慮關鍵系統參數、自然環境、社會政策和增容決策等條件，探索出一套能夠科學處理過往數據、有效預測未來數據的數學算法，并保證預測結果只在小范圍內波動，確定某些特殊時刻的負荷值。根據預測期限，負荷預測分為超短期預測、短期預測、中期預測和長期預測。

2 電力負荷預測方法綜述

2.1 人工神經網絡

人工神經網絡屬于高度非線性系統，它模仿人腦神經系統進行自主學習和問題處理。人工神經網絡有很多神經元節點，它們具有并行運算功能，互相之間由相應權值連接以構成網絡，借助激勵函數，實現輸入變量序列到輸出變量序列之間的非線性映射。人工神經網絡對非線性、非結構性、模糊性規律的適應性很強，具有良好的記憶功能、魯棒性、映射精度以及完備的自學習能力，這也使得該技術成為近年來負荷預測領域的研究重點。有學者采用地柜人工神經網絡系統預測某地區電力負荷短期情況，借助梯度下降算法，大大提高收斂速度，仿真結果表明，該方法收斂速度和運算結果相比傳統方法有很大提升。但是，典型人工神經網絡也存在學習參數設置不便、收斂緩慢、運算量大、網絡結構模糊等弊端。有研究在相關論文中針對BP算法陷入局部極小的問題進行了討論，并提出了相應的解決方案。另外，神經網絡如能結合遺傳算法增強全局搜索能力，加強局部尋優能力構成遺傳神經網絡，則能進一步加快運算速度，提高結果準確性。采用神經網絡進行電力系統負荷預測時，網絡輸入變量的選擇是一個關鍵點，為了優化變量甄選，有人提出使用模糊粗糙集理論先對信息進行預處理；以此算法結果作為BP網絡的預設變量開展訓練。該方法將歷史時間序列、外部氣象條件等各種因素都考慮在內，為尋找神經網絡輸入變量提供了一種新思路。同時，規避了因為輸入變量規模過于龐大而引起的網絡拓撲結構復雜、收斂速度慢等缺陷。相關的實驗表明，該方法行之有效。

2.2 模糊預測法

該方法基于模糊理論，先行分析過往的工作經驗、歷史數據，以一種規則的形式呈現出來，并抽象出可在計算機上運行的機讀代碼，進而展開各種計算工作。模糊預測法能夠很明確地描述專家意圖，對電力系統中不規則現象進行描述，很適用于中長期電力負荷預測；但模糊預測法學習能力差，極易受到人工干擾。模糊理論應用于電力負荷預測時，有三種常見數學模型，即：指數平滑過渡法、線性回歸法、聚類預測法，三種數學模型各有千秋，它們的預測精度都很高，相比傳統算法測量誤差也小得多。有研究表明，基于最佳聚類F選優法的改進型模糊聚類電力負荷預測算法，在計算年度用電量時，預測結果很準確。有部門基于該算法對增城地區2005年和2010年的年度用電量進行預測，結果與實際測量相差不大。神經網絡與模糊邏輯算法組合使用，相比單一神經網絡算法，充分利用了神經網絡強大的學習功能，又洗去了模糊邏輯主觀經驗方面的劣勢，考慮了溫度變化和節假期對系統負荷的影響，能夠提高負荷預測結果準確度，特別是對周末和節假期負荷預測很有效。也有學者通過RBF試圖尋找負荷變化的一般規律，結合模糊理論計算負荷尖峰值和低估值，一定程度上解決了負荷影響因素不明確的問題。該方法充分利用了神經網絡和模糊推理理論在處理不確定參數方面的獨到之處，很好地改善了預測精度。

2.3 數據挖掘

顧名思義，數據挖掘就是從浩如煙海的數據中挖掘出隱含信息，并盡力將其表述為直觀易懂的形式。在處理大數據、剔除冗余信息方面優勢很大。決策樹、神經網絡、關聯規則、聚類分析、統計學模糊集、粗糙集在各領域的數據挖掘工作中得到了重要應用。有人根據數據挖掘過程中時間序列的相似性原理，研究電力負荷預測方法，獲得了很好的應用效果。基于最優區間劃分和單調遞減閾值函數聚類法，結合KOHONEN網繪制負荷變化曲線，修正死區數據。也有學者利用數據挖掘技術的結果作為向量機訓練樣本，減少了數據處理規模，提高了預測速度和運算精度。

2.4 專家系統

專家系統加入了人類探索自然過程中的知識經驗，模擬人類思維決策過程，求解問題的過程類似于人類專家的思維模式。專家系統比模糊預測法優越的一點是，給出相當于專家水平的量化計算機語言，轉化了人類難以量化的經驗數據，透明性和交互性極佳，并能給出結論的對應緣由，方便工程人員檢查推理過程是否存在錯誤，并及時更正。由于算法相對復雜，運行速度較慢，學習能力也一般，無法較好地處理模糊數據，對規則很依賴，普適性較差，不能推廣到所有系統。有文獻分析認為，專家系統可以準確預測中長期負荷，要考慮原始數據預處理、沖擊負荷影響、負荷周期等因素，保證負荷預測精度，并盡量貼近生產實際需要。專家系統的模糊推理規則形式決定了規則數目，合理的推理規則能夠簡化運輸，也為人工總結專家經驗并優化規則提供了可能性，提高了算法速度。有學者在普通專家系統的基礎上研發了基于案例推理的經驗導向型專家系統，相關實驗結果證明該方法獲取知識較為簡潔、記憶能力好、用戶界面友好，在實用性方面優于規則專家系統和人工神經網絡技術。也有工程人員結合徑向基神經網絡專家系統，并基于該模型開發出數學運算軟件，在西北電網得到了應用，該方法比BP神經網絡的預測精度更高、實用性更好。

2.5 支持向量機

SVW基于統計學理論，在有限樣本前提下，提出滿足VC維理論和結構風險最小化原則的機器學習規律，通用性好、全局最優、計算速度快。但要依賴經驗確定初值和核心運算函數，受人為因素影響較大。而且，對模糊現象的描述能力一般，模型誤差會導致收斂值與實際值相去甚遠。蟻群優化算法能夠對其進行優化，在短期負荷預測中效果甚佳。經過大量實踐，最小二乘支持向量機回歸算法，很適用于短期負荷預測，借助不同時刻的樣本訓練，以最優線性回歸函數為算法依據，在盡可能減小負荷樣本點漂移的基礎上，又縮小了泛化誤差上限，具有較好的前瞻性。還有人將模糊回歸法植入支持向量機模型，不僅提升了預測精度，而且提供了更多運行信息。

3 結語

本文對常見的智能預測技術進行了全面分析。我們不難看出，單一負荷預測法很難滿足實際要求，應該結合地區狀況選擇方法組合，唯有如此才能取得更好的電力預測效果，這也意味著組合預測將勢必成為以后的研究熱點。

參考文獻

[1] 段玉波，曲薇薇，周群，張彥輝.應用遞歸人工神經網絡預測電力短期負荷[J].佳木斯大學學報（自然科學版），2010，（3）.

[2] 陳燦，劉新東.一種新的電力系統短期負荷預測方法[J].軟件導刊，2010，（7）.

[3] 龐松嶺，穆鋼，王修權，金鵬，馬俊國.基于負荷規律性分析的支持向量機短期負荷預測方法[J].東北電力大學學報，2006，（4）.