電力負荷預測常用方法比較及其應用

周金龍

電力負荷預測常用方法比較及其應用

周金龍

（國網四川雅安電力（集團）股份有限公司 四川雅安 625000）

經濟的快速發展讓電力需求是越來越旺盛，電力負荷也越來越大。為了更好的保證供電的要求，電力公司做好電力負荷的預測也就越來越重要。電力負荷預測對于電網的運行安全以及整個電力系統規劃來說都有著極為重要的功能。本文從電力負荷預測的基礎入手，結合電網規劃及負荷預測理論，多角度分析常用的電力負荷預測方法，供大家借鑒。

電力負荷預測方法；神經網絡；應用

引言

在目前的電力市場的發展情況看來，電力改革是勢在必行的，并且還要不斷的深入下去，就現在來看，電力企業是自主經營、自負盈虧的，所以在一定程度上就彰顯了電力負荷預測的重要性，這是在今后的不斷變革的電力商場中不言而喻的事情。目前，我國電網負荷預測的方法多種多樣，在眾多的方法中要選出最適合自己的，這樣才能提升電網負荷預測準確率，所以說一定要把握好電網負荷的變化規律以及分析引起變化的因素。

1 電力負荷預測的原理

就目前我國的電力系統，考慮到各種因素，最切實可行的電力負荷預測方法就是建立一套相對完整的電力負荷的模型，在該模型中包含了許多的部分，例如：電力負荷電壓和頻率特性以及負荷的時空特性等等。其中可以通過負荷時間曲線來對其進行描述，這種曲線又可以劃分為四種，主要包括：年度、季度、月度、日負荷。當然還有其他劃分方法，例如按負荷的性質來劃分等。

2 電力負荷預測方法分析

2.1 單耗法

在電力負荷預測中，單耗法是眾多方法其中之一，它顧名思義使用單耗來計算用電量的一種方法，該方法主要適合在部分農業或者有單耗指標的工業電力負荷預測方面，在農業和工業上來說它是最直接也是最有效的方法，該方法在實際操作的過程中必須要結合當地的實際情況，統籌的規劃單耗指標、整體規劃產值指標，這樣才能將之前一段時間的單位耗電量計算出來，再根據產業發展規律推測出單耗。該方法簡單、易操作，對于短期內的負荷預測效果最佳，缺點是預測精度較差，并且整個預測過程需要耗費大量的人力和財力。

2.2 趨勢分析法

在我國，趨勢分析法是應用最廣泛的一種定量測量方法，在眾多的研究成果中它也是最多的一種。趨勢分析法又叫趨勢曲線分析法，是根據所收集的資料建立一條曲線，根據這條曲線的變化來觀測負荷的增長以及發展趨勢，然后根據曲線的走勢來預計以后某一個時間段的負荷值。在過程中選擇適合趨勢模型是很關鍵的一步，選擇時為了得到較好的預測結果，要注意在過程中建立的曲線要同擬合區間相一致，不能偏離。曲線模型的不同也會造成較大的誤差，關鍵是結合區域電網的發展情況，選擇合適的曲線模型。通常用的趨勢模型有線性趨勢模型、多項式趨勢模型、對數趨勢模型、冪函數趨勢模型、指數趨勢模型等等，這種本身是一種確定外推的方法，在處理歷史數據、擬合曲線，得到模擬曲線的過程，都是不考慮隨機誤差的。其使用的關鍵是要選擇合適的模型基于區域發展。

2.3 回歸分析法

回歸分析法在目前來看也是應用較為頻繁的一種方法，該方法主要是用來確定影響因素之間的關系或者是數值的一種方法，又稱統計法，它主要是利用某個地區用電量的歷史數據或資料對影響其變化的因素進行簡單的分析和統計，從而得出一系列的函數關系式，這樣就可以更有針對性的實施電力負荷預測，該方法是眾多方法中最為具體的一種預測方法，但是他也有一定的不足，其中在回歸分析中，選用的影響因子和因子的表達方式都是一種推測，因而回歸分析法受到一定的限制。

2.4 灰色系統法

灰色預測是一種包含了不確定因素的系統進行預測的方法。以灰色系統理論為基礎的灰色預測技術，可在數據不是很多的情況之下找出某個在一段時間內有影響的變化，負荷預測模型的建立。灰色模型法比較適合短期的負荷預測。具有以下優點：不需要龐大的負荷數據，運算簡單、并沒有考慮分布規律、短期預測精度較高、方便檢查、不考慮變化趨勢。同時也存在一定的缺點：①當數據呈離散的狀態，并且程度比較大，預測的精度也就相對差一些；②只適用近幾年的預測，對時間更長久的預測會出現比較大的誤差。

2.5 負荷密度法

負荷密度一般是以kW/km2表示。一般不直接預測整個城市的負荷密度，但根據城市區或功能分區。不同地區、不同功能的區域，負荷密度也是不相同的。

2.6 神經網絡法

2.6.1 神經網絡發的概念

人工神經網絡（Artificial Neural Network），簡稱神經網絡。神經網絡是由大量簡單的基本元件（神經元）相互連接而成的自適應非線性動態系統。每個元件本身的結構簡易，功能也比較簡單，但由其構成的系統很復雜。神經網絡能反映人類大腦的基本特征，但并非生物系統的逼真描述，不能還原人腦工作。與計算機相比較，人工神經網絡在原理及功能方面都更加接近人腦。神經網絡的優點是能夠模擬人腦進行復雜的行為處理，對大量非精確性、非結構性的規律有自適應功能，自主學習，能夠知識推理和優化計算的特點。若從速度角度出發，神經元之間的信息傳遞速度要遠低于計算機，但是由于大腦是大規模并行和串行組合系統。在許多問題的處理上，神經網絡可以很快做出處理，其處理問題的速度遠高于計算機，提高工作速度。神經網絡的發展與神經學科、數學理論、認知科學、計算機理論、人工智能、信息科學、機器人、微電子理論、心理學、病理學、光學等息息相關，是一門應用廣泛的學科。

2.6.2 BP神經網絡基本原理

誤差反傳神經網絡是1986年由Rumelhart和McCelland等專家提出的，目前應用十分廣泛，BP神經網絡是按照誤差反向傳播訓練的多層前饋網絡，具有有效性和適應性，主要應用于數據壓縮，函數逼近和迷失識別與分類等。BP神經網絡的特點就是能夠學習存儲輸入和輸出的對應關系，不需要數學方程進行說明。它的學習規則是使用快速下降法，通過反向傳播調整網絡的權值和閥值，使網絡的誤差最小，精度高。BP神經網絡模型拓撲結果包括輸入層（input layer）、輸出層（output layer）和隱含層（hidden layer，又稱為中間層）。BP神經網絡中的連接方向是向前的，輸入到輸出沒有反饋，隱含層可以有一層或多層，每層由若干節點組成，每個連接都有權值相對應，通過權值的不斷修正，得到映射輸出。如圖1所示，只有一層隱含層的神經網絡拓撲結構示意圖。

2.6.3 BP神經網絡的學習過程

將BP算法加入網絡中，使輸入與輸出之間形成函數關系。BP網絡的學習算法，由四個過程組成：

①“順序傳播”：由輸入層經由隱含層向輸出層方向傳播，意思就是輸入信號經輸入層到到隱含層單元，按順序逐層處理，每層神經元只響應上層神經元的狀態；②“誤差反向傳播”：網絡理想輸出與實際之間的誤差信號，由輸出層經中間層向輸入層反向傳播，進行修正；③“學習記憶”：由以上兩部分反復交替的學習訓練過程；④“收斂”：誤差信號按正向路徑進行反向傳播，直到全局誤差趨向極小值為止，過程結束。從理論上講，BP網絡是通過反復訓練，得到輸出。BP網絡特點是信號向前傳遞，而誤差反向傳播。記輸入層節點數n，輸出層節點數m，則網絡是從nR到mR的非線性結構。BP網絡在所選網絡的拓撲結構下，通過學習算法調整各神經元的閥值和連接權值，使誤差最小。BP神經網絡采用快速下降學習算法，通過誤差反傳進改變連接權值和閥值，使網絡的誤差最小，形成最優解。

圖1 BP神經網絡拓撲結構圖

3 神經網絡在負荷預測中應用的實例分析

應用BP神經網絡建立日負荷數據預測模型，以某地區10月10日-20日的日負荷數據作為歷史數據，時間間隔為15min，96個數據點。采用trainlm函數作為網絡訓練函數，隱含層激勵函數選取Sigmoid函數，學習速率a=0.01，訓練目標誤差0.001，學習訓練次數epoch設定為1000。BP神經網絡訓練結果，如圖2。

學習速率決定訓練中權值變化。學習速率大可能導致系統不穩定，可能使網絡每次修正值太大，甚至會導致出現極小值；而學習速率小可能導致訓練時間較長，收斂慢。通常選取小學習速率保證系統的穩定性和可靠性，學習速率的選取范圍一般在0.01～0.8，所以本次實驗設定學習速率a為0.01。圖3是BP神經網絡訓練1000次的訓練情況；圖4是BP神經網絡算法預測值與實際值。

圖2 BP神經網絡訓練結果

圖3 BP神經網絡預測誤差結果

圖4 BP神經網絡預測結果

4 結束語

綜上所述，對于電力負荷的各個預測方法，可以說適用范圍及優缺點都比較明顯，這就需要在進行使用時充分結合區域實際，從預測花費、目標及精確度等方面綜合選擇合適方法。預測過程根據實際評估預測準確性，以便及時調整預測方法，提高精確度。

[1]鄒宗憲，施 海．準確把握電力市場方向切實做好電力負荷預測[J]．電力勘測設計，2011（2）．

[2]鄭星炯.城市規劃電力負荷計算與預測方法探討[J].中國高新技術企業，2012（30）．

TM715

A

1004-7344（2016）33-0090-02

2016-10-18

周金龍（1988-），男，助理工程師，本科，主要從事電力調度等相關工作。