傳統(tǒng)預(yù)測(cè)法

回歸模型預(yù)測(cè)法回歸模型預(yù)測(cè)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(guān)系,形成回歸方程。回歸方程因變量為電力系統(tǒng)的負(fù)荷,自變量為影響系統(tǒng)負(fù)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(jì)量經(jīng)濟(jì)學(xué)的范疇,因而預(yù)測(cè)過程比較繁瑣。

時(shí)間序列預(yù)測(cè)法該方法是一種發(fā)展比較成熟的負(fù)荷預(yù)測(cè)法[3],將負(fù)荷數(shù)據(jù)看做是單位時(shí)間(年、季、周、天或小時(shí))周期性變化的時(shí)間序列,根據(jù)負(fù)荷歷史資料建立數(shù)學(xué)模型來描述負(fù)荷變化的統(tǒng)計(jì)性規(guī)律。卡爾曼濾波法、狀態(tài)估計(jì)、Box——Jenkins模型及自動(dòng)回歸平均模型是時(shí)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(shí)間序列法。該方法在負(fù)荷預(yù)測(cè)中的應(yīng)用優(yōu)于回歸分析法,但其建模過程比較復(fù)雜,受天氣變化的影響較大,在節(jié)假日的負(fù)荷預(yù)測(cè)中誤差較大。

現(xiàn)代預(yù)測(cè)法

目前,人工智能技術(shù)是解決非線性類復(fù)雜問題的較為有效地方法,主要包括人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)與小波分析法。人工神經(jīng)網(wǎng)絡(luò)運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)系統(tǒng)負(fù)荷是一種新型的研究方法,對(duì)非結(jié)構(gòu)性、非精確性的規(guī)律具有很好的自適應(yīng)能力。該方法無需搭建負(fù)荷模型,其良好的函數(shù)逼近能力可以解決天氣和溫度等因素與負(fù)荷的對(duì)應(yīng)關(guān)系。但人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間較長(zhǎng),網(wǎng)絡(luò)結(jié)構(gòu)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(tǒng)專家系統(tǒng)由知識(shí)庫、用戶界面、推理機(jī)等多個(gè)模塊組成,主要利用領(lǐng)域內(nèi)專家豐富的知識(shí)和經(jīng)驗(yàn),通過啟發(fā)式知識(shí)的推理做出智能決策[5]。

在節(jié)假日等重大社會(huì)活動(dòng)和突發(fā)事件的情況下,專家知識(shí)可起到重要的作用。但預(yù)測(cè)知識(shí)規(guī)則的形成及知識(shí)庫的建立卻是一個(gè)難點(diǎn)問題,而且知識(shí)更新的比較復(fù)雜,知識(shí)庫的可維護(hù)性也較差。小波分析法小波分析法吸取了分析學(xué)中多個(gè)分支領(lǐng)域的精華,已在多個(gè)科學(xué)領(lǐng)域當(dāng)中獲得應(yīng)用。在負(fù)荷預(yù)測(cè)中,通過選取合適的母小波函對(duì)負(fù)荷進(jìn)行分類,對(duì)性質(zhì)不同的負(fù)荷選取相應(yīng)的預(yù)測(cè)方法,再對(duì)分解的序列分別進(jìn)行預(yù)測(cè),并對(duì)預(yù)測(cè)得到的序列進(jìn)行重構(gòu)以得到精確的負(fù)荷預(yù)測(cè)結(jié)果。但重構(gòu)可能引起誤差的累加,這就需要提高每個(gè)小波的預(yù)測(cè)精度,從而使得預(yù)測(cè)模型相對(duì)復(fù)雜[6]。為了提高負(fù)荷預(yù)測(cè)的精度,可以采用結(jié)合法,即可以將模型法及人工智能法進(jìn)行綜合,吸收各自的優(yōu)點(diǎn),以提高最終的預(yù)測(cè)精度,結(jié)合法主要有松散性結(jié)合、并聯(lián)型結(jié)合、串聯(lián)型結(jié)合、網(wǎng)絡(luò)學(xué)習(xí)型結(jié)合、結(jié)構(gòu)等價(jià)性結(jié)合。

電力市場(chǎng)環(huán)境下的負(fù)荷預(yù)測(cè)

在電力市場(chǎng)環(huán)境下進(jìn)行負(fù)荷預(yù)測(cè)通常需要考慮商品價(jià)格、國民經(jīng)濟(jì)發(fā)展水平、氣溫、電網(wǎng)結(jié)構(gòu)和管理水平等多方面因素的影響,這就對(duì)負(fù)荷預(yù)測(cè)工作提出了新的要求,即負(fù)荷預(yù)測(cè)軟件要能與電力市場(chǎng)的各類應(yīng)用軟件有效地接口,要具備較高的預(yù)測(cè)精度及算法速度,同時(shí),負(fù)荷預(yù)測(cè)還必須考慮負(fù)荷對(duì)實(shí)時(shí)電價(jià)的響應(yīng)。在電力市場(chǎng)條件下,電力負(fù)荷需求技術(shù)除了前面介紹的負(fù)荷預(yù)測(cè)技術(shù)外,更應(yīng)該強(qiáng)調(diào)對(duì)相關(guān)量的研究,將明顯影響電力市場(chǎng)需求的因素考慮到模型中來,使預(yù)測(cè)不再僅僅依賴于傳統(tǒng)的歷史負(fù)荷數(shù)據(jù)、電量數(shù)據(jù),而是在綜合研究影響電力市場(chǎng)需求預(yù)測(cè)量因素的基礎(chǔ)上,通過對(duì)相關(guān)量的詳細(xì)調(diào)查分析得出。在考慮電力市場(chǎng)需求預(yù)測(cè)的要求和應(yīng)用情況的基礎(chǔ)上,對(duì)原始數(shù)據(jù)進(jìn)行改造、月度預(yù)測(cè)、專家干預(yù)等。

隨著電力市場(chǎng)化的發(fā)展,解決負(fù)荷預(yù)測(cè)問題已成為電力科技工作者面臨的重要而艱巨的任務(wù)之一。如何充分利用現(xiàn)有的數(shù)據(jù)資料,建立正確的預(yù)測(cè)理論和方法,建立相應(yīng)的預(yù)測(cè)模型,提高預(yù)測(cè)速度和精度,以滿足電力市場(chǎng)對(duì)負(fù)荷預(yù)測(cè)的要求,已成為電力系統(tǒng)不容忽視的研究課題。電力市場(chǎng)條件下的電力需求預(yù)測(cè)是一個(gè)復(fù)雜的系統(tǒng)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(yè)局