傳統預測法

回歸模型預測法回歸模型預測法[2～3]又分一元回歸分析和多元回歸分析,通過給定的多組自變量和因變量資料來研究各自變量和因變量之間的關系,形成回歸方程。回歸方程因變量為電力系統的負荷,自變量為影響系統負荷的各種因素。而回歸變量的選取和變量因素的量化涉及計量經濟學的范疇,因而預測過程比較繁瑣。

時間序列預測法該方法是一種發展比較成熟的負荷預測法[3],將負荷數據看做是單位時間(年、季、周、天或小時)周期性變化的時間序列,根據負荷歷史資料建立數學模型來描述負荷變化的統計性規律。卡爾曼濾波法、狀態估計、Box——Jenkins模型及自動回歸平均模型是時間序列法中最常見的幾種方法,其中Box——Jenkins模型是最為有效的時間序列法。該方法在負荷預測中的應用優于回歸分析法,但其建模過程比較復雜,受天氣變化的影響較大,在節假日的負荷預測中誤差較大。

現代預測法

目前,人工智能技術是解決非線性類復雜問題的較為有效地方法,主要包括人工神經網絡、專家系統與小波分析法。人工神經網絡運用人工神經網絡技術預測系統負荷是一種新型的研究方法,對非結構性、非精確性的規律具有很好的自適應能力。該方法無需搭建負荷模型,其良好的函數逼近能力可以解決天氣和溫度等因素與負荷的對應關系。但人工神經網絡的訓練時間較長,網絡結構的確定、輸入變量的選取等比較困難,仍需不斷探索和完善[4]。專家系統專家系統由知識庫、用戶界面、推理機等多個模塊組成,主要利用領域內專家豐富的知識和經驗,通過啟發式知識的推理做出智能決策[5]。

在節假日等重大社會活動和突發事件的情況下,專家知識可起到重要的作用。但預測知識規則的形成及知識庫的建立卻是一個難點問題,而且知識更新的比較復雜,知識庫的可維護性也較差。小波分析法小波分析法吸取了分析學中多個分支領域的精華,已在多個科學領域當中獲得應用。在負荷預測中,通過選取合適的母小波函對負荷進行分類,對性質不同的負荷選取相應的預測方法,再對分解的序列分別進行預測,并對預測得到的序列進行重構以得到精確的負荷預測結果。但重構可能引起誤差的累加,這就需要提高每個小波的預測精度,從而使得預測模型相對復雜[6]。為了提高負荷預測的精度,可以采用結合法,即可以將模型法及人工智能法進行綜合,吸收各自的優點,以提高最終的預測精度,結合法主要有松散性結合、并聯型結合、串聯型結合、網絡學習型結合、結構等價性結合。

電力市場環境下的負荷預測

在電力市場環境下進行負荷預測通常需要考慮商品價格、國民經濟發展水平、氣溫、電網結構和管理水平等多方面因素的影響,這就對負荷預測工作提出了新的要求,即負荷預測軟件要能與電力市場的各類應用軟件有效地接口,要具備較高的預測精度及算法速度,同時,負荷預測還必須考慮負荷對實時電價的響應。在電力市場條件下,電力負荷需求技術除了前面介紹的負荷預測技術外,更應該強調對相關量的研究,將明顯影響電力市場需求的因素考慮到模型中來,使預測不再僅僅依賴于傳統的歷史負荷數據、電量數據,而是在綜合研究影響電力市場需求預測量因素的基礎上,通過對相關量的詳細調查分析得出。在考慮電力市場需求預測的要求和應用情況的基礎上,對原始數據進行改造、月度預測、專家干預等。

隨著電力市場化的發展,解決負荷預測問題已成為電力科技工作者面臨的重要而艱巨的任務之一。如何充分利用現有的數據資料,建立正確的預測理論和方法,建立相應的預測模型,提高預測速度和精度,以滿足電力市場對負荷預測的要求,已成為電力系統不容忽視的研究課題。電力市場條件下的電力需求預測是一個復雜的系統工程,還存在許多問題亟待解決。

本文作者：李峰 曹晏寧 鄭日紅 工作單位：阿拉善電業局