電力負荷預測

王民浩

【摘 要】電力負荷預測是采用預測方法，依據為電力負荷的組成和變動影響因素，就是在充分對歷史數據的變化規律進行考慮之后并且把負荷與影響因素之間存在的聯系以及規律進行深入的挖掘之后，對未來負荷受到的影響和變化趨勢進行歸納和總結，并采用這個規律預測未來的負荷。負荷預測的結果作為調度工作的基礎數據，讓電力系統能夠安全可靠的運行。本文在分析了電力系統負荷預測的分類以及影響因素和電力負荷預測的過程和原則的基礎上，分析了目前電力負荷預測中存在的問題以及電力負荷預測研究中的核心問題，提出負荷預測研究的方向。

【關鍵詞】電力負荷預測;方法;問題;研究

一、前言

電力符合預測在電力系統的很多方面中都體現出了重要的作用，其地位是無可替代的，對電力系統的運行和設計產生顯著的影響，可以讓電力系統更加經濟可靠的運行。目前，對負荷預測的精度要求也越來越高，甚至于根據調度員的經驗結合現有預測理論的預測結果是完全可以達到準確的調度，但是一些新能源的發展以及大規模的并網都會對負荷產生一定程度的影響，并且風電不可以調峰調谷，在一些時候也可是視為負荷，這些因素都決定了電力負荷預測需要進一步的發展和完善。現有的預測方法仍然存在一些不足，需要進一步的深入研究。研究電力負荷預測有利于給分析和規劃提供一定的依據。在預測結果的基礎上，對電網負荷的分布進行合理的安排，一旦出現事故或者是緊急情況，都可以快速并且有效的恢復安全運行。

二、電力系統負荷預測的分類和影響因素

（一）電力系統負荷預測內容分類

1.經典負荷預測的內容及其分類

目前來看，一般是按照期限的不同來分類預測，主要分為超短期、短期、中期以及長期。超短期負荷預測就是時分預測;短期負荷預測是指預測當前時點之后1天-1周之內的用電情況;中期負荷預測是預測月度到年度之間的用電情況;長期符合預測是預測3-5年之內或者更多的年限之內的用電情況。

2.新負荷預測內容的引入

（1）連續多日負荷曲線預測

主要是觀察并挖掘所提供的負荷，以日到周預測以及月到年度預測得到的數值為基礎，通過周期性來預測長期多天的結果。

（2）擴展短期負荷預測

這種方法是補充超短期預測，也就是在當下時點收集關于負荷的主要內容數據，通過預測的方法得到此刻之后一段時間的負荷數據。從時間的分類上可以看出，傳統的負荷預測在時間上存在一定的空隙，引入新的預測內容，正好可以把這些空隙彌補。

（二）電力系統預測的主要影響因素

首先是經濟水平，我國經濟結構的調整以及經濟發展水平很大程度上決定了社會電力消費結構和水平的變化，這對電力系統負荷產生了根本性以及全局性的影響。其次是電價政策，電價對電力系統負荷的影響主要表現在兩方面，分別為電價水平影響以及電價結構影響。其中，電價結構影響主要是通過峰谷電價的控制來提高或者是抑制電力系統的負荷。最后是氣溫氣候，氣溫氣候主要是對日用電量以及最大負荷會產生影響，在電力系統中，氣溫氣候會影響很多負荷，氣溫氣候的變化會顯著的影響到負荷以及負荷的特性。

三、預測工作中存在的問題

（一）理論和應用有脫節

從國內已有的關于電力負荷預測的研究中來看，大量的研究了關于預測方法的理論、算法和優化以及模型和優化方面的問題，但是很少有大面積的推廣和應用，其中存在的問題有很多，包括負荷模型過于復雜、在設置參數參量方面有明顯的人為干預以及使用的局限性比較大等。由于缺少有效的實際應用的支持，在實際的應用中，仍然采用經驗方法為主要的方法，理論性很差，預測水平普遍來看比較低。

（二）預測對變化的響應能力不足

社會在運轉的工程中，有很大的慣性存在，一般情況下，以經驗方法為基礎的預測工作出現的偏差比較小。但是在2008年開始，金融危機的出現，電力負荷也出現了一次大幅度的波動，從金融危機之前出現的種種跡象，以及到后來的持續發展，負荷預測工作都面對著很多的困境，缺少有效的工具以及手段進行科學的判斷和分析，基本上都是跟隨著政府的腳步，預測結果普遍會出現比現實情況要慢半拍的現象，只能頻繁的進行修正工作。

四、電力負荷預測研究中的核心問題

（一）節假日的負荷預測

法定節假日的電力負荷要遠低于平時，特別是在春節期間，曲線會出現大幅度長時間的變形和下降。在節假日的負荷預測中，一般都要至少提前半個月，甚至是一個月，在負荷預測中，這一直都是一個難題。能夠參考的數據比較少，上一節假日的相隔時間已經有一年，樣本不夠有效，在預測中應用效果不好。

（二）氣象因素的影響

氣象因素會對負荷預測的精度產生不可忽視的影響，傳統的預測方法沒有或者是沒有充分的考慮到氣象因素，造成預測的結果不佳。需要把多種方法結合在一起，深入考慮氣象因素，進行預測。

五、大數據環境下的電力負荷預測方法

（一）基于Kernel-K-means和LSTM的負荷預測

負荷預測的依據是電力系統的歷史數據，對未來某一時間的用電情況進行預測，電力企業在準確的負荷預測下對供需計劃進行合理的安排，從而把用電成本降低。本文采用Kernel-K-means和LSTM方法。圖1所示我LSTM方法預測負荷的結構。

圖1中所示，有n個輸入x1，x2，…，xn;O1表示輸出神經元;o1表示輸出值;Hji表示音程神經元。

（二）算例分析

本次仿真的數據來源于只能電表的數據集，包括的電力用戶數據有8000個，日期為2017年9月21日-2019年1月31日，每采集一個數據點的時間間隔是30min，一個客戶一天有48個數據信息。對數據進行聚類分析采用兩種方法，分別為K-means以及Kernel-K-means，圖2和圖3所示為兩種方法下的計算時間以及聚類誤差的對比曲線。

分別采用傳統BP算法以及LSTM方法對比負荷預測，采用相同的數據對1月28日-1月30日的進行負荷預測。歸一化處理輸入的數據，采用軍方跟誤差法來評價預測的效果。

根據經驗公式，隱層神經元個數選擇為6，網絡輸入的屬性為9，網絡輸出為用電量。圖4所示為預測的對比曲線。為了防止偶然性，多次采取兩種算法進行預測實驗，并求得平均值，表1所示為預測誤差。

（三）結果分析

通過圖2和圖3可以看出，Kernel-K-means比K-means算法在聚類效果和復雜程度上都有了一定的改進，不僅降低了算法運行的時間，對聚類效果也有一定的提高。通過聚類分析的結果，在聚類數為8時，負荷曲線有比較大的差異，因此，把電力負荷用戶分為8類。

由圖4可知，和BP算法相比，LSTM有更好的符合跟蹤效果，預測的精度比較高。由表1中的誤差結果可以看出，相比于BP算法，LSTM的算法誤差更低一點，說明LSTM在負荷預測中更加精確。

【參考文獻】

[1]張風玲.淺析配電網負荷預測的應用需求及方法.科技資訊，2019，1710：33+35

[2]丁紅.電力規劃及負荷預測分析.黑龍江科學，2017，824：100-101

[3]楊雨琪，蘇明昕.電力系統短期負荷預測方法分析.中國電力企業管理，2018，12：92-93