6.2.1   負荷預測方法與模型

       短期電力負荷表現出一種強烈的非平穩性，究其原因主要是受到天氣變化、社會活動和節假日等多種因素的影響。然而這些電力系統的負荷影響因素都具有一定規律，這就為電力負荷預測提供了研究基礎。當前用于短期負荷預測的方法主要分為傳統的預測方法和智能預測方法，它們都是通過現有的歷史數據建立合理的預測模型來獲取未來一段時間的電力負荷值。因此影響短期負荷預測精度的主要因素就變成了歷史數據和預測模型。

       在電力負荷預測方法中，主要使用的模型有：

       (1)時間序列預測模型。時間序列預測模型方法首先按照一定的時間間隔將電為負荷的歷史數據記錄下來得到一個時間序列，然后根據負荷的歷史數據建立一個時間序列的數學擬合模型，這個模型用于描述電力負荷在送個時間序列內變化過程的規律性，最后在該模型的基礎上建立短期電力負荷預測的數學表達式，從而對未來的負荷進行預測。

       (2)趨勢外推法。外推法有指數曲線趨勢預測法、生長曲線趨勢預測法、二次曲線趨勢預測法、線性趨勢預測法、對數趨勢預測法。這些方法都只做趨勢外推，并不對其中的隨機成分做統計處理。應用趨勢外推法需要滿足以下兩個假設條件：一是假設負荷不會出現跳躍式的變化；二是假定決定負荷未來變化趨勢的因素是不變的或變化不大。應用趨勢外推法的重要環節在于選擇合適的趨勢模型，圖形識別法和差分法是選擇趨勢模型的兩種基本方法。趨勢外推法的優點是：所需的數據量較少，模型構建快速、簡單。

       (3)灰色預測模型?；疑碚撚迷谝欢ǚ秶鷥茸兓幕疑縼肀硎疽磺须S機變化的量，然后通過累加生成和累減生成的方法將原始數據處理成有規律的數據列，它主要應用在包含不確定因素的環境下?；疑到y理論的優點是可以應用于所有的非線性變化的負荷指標預測，對負荷數據的需求量少，并在建模時不需要計算統計特征量，不需要考慮分布規律和變化趨勢。

       (4)神經網絡預測模型。神經網絡對大量非結構性、強動態性規律擁有較強的學習能力，具有自組織、自推理及信息記憶等特點，還有很強的擬合能力、復雜映射能力和容錯能力。人工神經網絡的訓練樣本為過去一段時間的電力負荷，選取樣本后確定網絡結構和合適的參數，當它們達到一定精度要求后，就將此神經網絡當作電力負荷預測的模型。

       (5)支持向量機模型。支持向量機是建立在統計學習理論基礎上的一類數據挖掘方法，它能夠成功地處理時間序列分析和模式識別等問題，并可在預測和評價等領域中推廣。支持向量機的機理是尋找一個滿足分類要求的最優分類超平面，使得該超平面在保證分類精度的同時，能夠使超平面兩側的空白區域最大化。理論上支持向量機能夠實現對線性可分數據的最優分類。支持向量機能根據有限的樣本信息在模型的復雜性和學習能力之間尋求一種最佳平衡，能求得的是全局最優值而不是局部極小值，從而保證了它對未知樣本良好的泛化能力。相比于傳統的一些方法，SVM方法充分考慮了影響電力負荷的各類因素，在計算精度上也有明顯提高。

      (6)小波分析方法。對于短期電力負荷預測，根據原始數據的特性，利用小波分析法將各種交織在一起的不同頻率組成的混合信號對電力負荷的周期性分量、非周期分量W及低頻隨機分量進行投影，再將隨機分量和周期分量在不同尺度上進行投影，然后再將不同的“頻域分量”用各個尺度上的子序列表示，這樣就將負荷序列的特性清楚地展現出來了。