關于電力負荷影響因素及智能預測方法的研究

胡朝舉，李云霞

（華北電力大學（保定），河北 保定 071000）

0 引 言

電力負荷預測是指用一定的方法預測一定時間后的用電量。由于不確定性因素太多，預測精度還不是很高。目前，可用于電力負荷預測的方法較多，如彈性系數法、單耗法、統計分析法等。但是，這些算法均屬于傳統的預測方法，全憑對歷史數據進行分析而發現其中的規律進行預測。顯而易見，只用傳統的預測方法進行預測不能滿足現實要求。

隨著計算機技術的發展，各種智能算法孕育而生，如遺傳算法、人工神經網絡、專家系統法等。這些智能算法已經在各個領域得到了廣泛應用，包括在電力負荷預測中的應用。每種算法都有其各自的缺點和優點，須根據實際情況選擇合適的方法。

1 電力負荷概述

電力負荷是指電氣設備所需用的電工功率，也稱為電力。電力負荷的分類有很多種。

按用戶重要性，電力負荷可以分為一類負荷、二類負荷和三類負荷[1]。一類負荷是指如果斷電就會造成重大損失或者人員傷亡的負荷，如政府機關、醫院等。二類負荷是指斷電也會造成一定損失，但不如一類負荷嚴重。三類負荷是指除了一類和二類以外的負荷，其停電造成的損失不如前兩者嚴重。

按照電能的生產、供給和銷售過程分類，電力負荷分可以分為用電負荷、供電負荷和發電負荷[2]。發電負荷是指從電廠發出的所有電能；供電負荷是指電廠發出電荷除了電廠自身用的電能以外的所有電能；而用電負荷是在供電負荷的基礎上減去電能傳輸過程中損失的電能。

按負荷預測時間的長短，電力負荷又可以分為超短期負荷、短期負荷、中期負荷和長期負荷。超短期負荷預測一般是指一小時以內的負荷；短期負荷一般是指日到周內的負荷；中期負荷是指數月至年的負荷研究；而長期負荷則是指三年以上的研究。

本文主要針對短期負荷和中長期負荷的預測進行討論。

2 電力負荷影響因素

進行準確的電力預測，必須對影響電力負荷的因素進行研究。由于預測負荷的時間長度不一樣，有些因素可能只需要在進行短期負荷預測時考慮，而有些只需要在中長期負荷預測時考慮。

短期負荷預測因為時間短，某個外界條件一變化，就可能會影響負荷的大小，且不同的領域影響因素也會有差別。所以，在進行短期負荷預測時，需要考慮的因素較多。首先，溫度是影響短期電力負荷的一個主要因素。比如，在夏天，如果溫度較高，就會有更多的人開空調，從而增加用電量；而溫度較低，會因為開空調數目的減少而降低用電量。其次，實時電價也會影響電力負荷的大小。為了減少高峰期的用電量，我國實行實時電價政策。大多數人會盡可能選擇在用電低谷期用電而避免高峰期用電，所以電價也是影響短期電力負荷的一個因素。再次，日期類型。進行短期負荷預測時，要考慮預測的時間段是周一到周五還是周末。工作日各個公司都上班，會增加用電量；而周末往往各個商場、大型超市都會搞活動，也會對電力負荷的大小造成影響。最后，天氣突變是影響電力負荷的另一個因素，如突然刮風、下雨等，都將會造成用電負荷的突變。

中長期電力負荷預測有一個明顯區別于短期電力負荷預測的特點，即有些因素會在一個小的時間段對電力負荷造成影響，但長期來看對電力負荷的影響不明顯。但是，由于中長期負荷預測會影響新建發電機組的容量、選址等，所以在進行中長期電力負荷預測時，必須考慮更宏觀、更長遠的影響因素。一般來講，長期負荷預測包括經濟結構、GDP、相關政策等。

3 智能算法在電力負荷預測中的應用

智能算法相對于傳統算法，考慮了歷史數據內部存在的規律，所以會有較高的預測精度[3]。下面將對神經網絡、灰色理論、專家系統和模糊預測四種預測方法進行探究。

3.1 神經網絡在電力負荷預測中的應用

神經網絡早在20世紀80年代被提出，由于它能考慮影響某個實際問題的多個考慮因素，且可以通過訓練學習調整某個因素的權重，使得可以得到一個比較理想的結論。在電力短期負荷預測中，影響因素眾多，且數據量較大，采用神經網絡方法通過訓練學習可以得到較理想的結果。但是，神經網絡中的一些參數取值會影響預測結果。對于中長期負荷預測，雖然有多個硬性參數，但相關數據較少，用神經網絡進行預測必將會有較大誤差。

3.2 灰色理論在電力負荷中的應用

灰色理論于1982年被提出，是一種研究不確定問題的新方法。此種方法主要針對信息不完全可知的小樣本確定系統[4]，用于中長電力負荷預測的數據的特點正好與其一致?；疑碚撌怯糜诨疑A測的最常見的方法之一，但是基本的GM（1,1）模型有其致命的弱點。目前，有研究采用GM（1,M）和MGM（1,M）模型[5]，然后通過對其進行優化，得到相對理想的預測結果。一般采用的優化方法包括三個方面：對原數據的優化、對發展系數和灰作用量的優化以及對背景值的優化。

3.3 專家系統在電力負荷預測中的應用

專家系統是將某領域專家的知識以及解決問題的方法以一定的方式存儲在計算機中，以使其模擬人類專家的思維解決問題。對于電力負荷預測而言，要得到高精度的預測結果，需要具有豐富經驗的預測人員將各種影響因素全面考慮分析，然后得到一定的規則，而這些就是專家知識[6]。運用專家系統進行負荷預測，可以將不可量化的經驗具體化，且得到的預測結果具有較高的權威性。但是，這種方法也具有不足。第一，專家分析是一個很耗時的過程；第二，知識庫很難形成，一些復雜的關系難以精確表達。

3.4 模糊預測在電力負荷預測中的應用

模糊預測與其他幾種方法有不同。該方法不是僅僅通過歷史數據得到預測結果，而是對影響電力負荷的因素進行考慮，將負荷與這些因素作為一個整體進行考慮，然后得到負荷的變化模式和相應的環境特征。進行環境預測時將環境特征進行比較，通過環境特征的比較得到負荷的預測結果。該方法具有較明確的專家意圖，能夠處理負荷中的不確定性因素。該方法也存在受人為因素影響大的不足，一般用于中長期電力負荷預測。

3.5 組合預測方法在電力負荷預測中的應用

由于每種預測方法都有其自身的優點與缺陷，為了得到更精確的預測結果，經常會采用組合預測方法，如灰色模型與神經網絡組合預測方法等。組合方法雖然能結合各種方法的優點，但也存在一定的困難性，如每種方法在模型中所占的比重如何確定。如果每種方法組占的比重為方法總個數分之一，則每種方法對預測結果的貢獻一樣。然而，實際并不一樣。要解決這一問題，要尋找一個有效的方法求得比重，而這方面目前還在探究中。

4 結 論

電力負荷預測已經經過了多年研究，但到目前為止尚沒有一個十分有效的預測方法，尤其是中長期電力負荷預測。此外，由于地區差異，相同的預測方法運用在不同地區的電力負荷預測中，可能會有不一樣的預測精度。而電力在我國經濟發展中扮演著至關重要的作用，為了獲得更高的預測精度，還需做進一步研究。

參考文獻：

[1] 林晶怡，李 斌，熊 敏，等.電力負荷影響因素研究[M].北京：中國電力出版社，2016：2-6.

[2] 沈志忠.基于改進灰色模型的中長期電力負荷預測[D].成都：西華大學，2016.

[3] 黃元生，賈春燕.基于粒子群算法和BP神經網絡改進的灰色電力負荷預測研究[J].國網技術學院學報，2014，（5）：6-11.

[4] 雷水平，王超勝，崔景順.短期電力負荷預測影響因素分析與研究[J].硅谷，2014，（21）：220-220.

[5] 蔣惠鳳.中長期電力負荷預測技術與應用[M].南京：東南大學出版社，2016：15-17.

[6] 賀 輝.電力負荷預測和負荷管理[M].北京：中國電力出版社，2013：58-60，214-226.