电力系统超短期负荷预测方法分析与研究

摘要:文章分析了影响负荷变化的因素，着重分析了两种超短期负荷预测方法，一种是基于BP神经网络的超短期负荷预测法，另一种是线性外推法。本文应用这两种方法进行了仿真发现：两种方法预测效果相差不大。而其中外推法要求的历史数据较少、运算速度较快；基于BP神经网络的预测方法对历史负荷样本要求较高，训练时间较长，有时收敛困难。本文在建立预测模型时，考虑了日期类型对负荷变化的影响，但是未考虑气象和突发事件对负荷的影响，这在一定程度上影响了负荷预测的精度，还需要进一步完善。

关键词：电力系统超短期负荷预测人工神经网络外推法

中图分类号：F407文献标识码： A

1 负荷预测概述[1]

负荷的大小与特性对于电力系统设计和运行都是极为重要的因素。对负荷的变化与特性有一个事先的估计是电力系统运行、控制和规划不可缺少的一部分。

指导调度员控制联络线交换功率在规定范围，一般需5～15min 的负荷数据。预防性控制和紧急状态处理需要10min至1h的预测值[2] 。这也是本文的主要研究方向。

2 电力系统负荷预测方法简介

长期以来，国内外学者对负荷预测的理论和方法做了大量的研究，提出了各种各样的预测方法，这些方法大致可分为两大类:一类是以时间序列法为代表的传统方法，另一类是以人工神经网络为代表的新型人工智能方法。传统方法中主要有时间序列法、多元线性回归法及傅立叶展开法等。人工智能方法中主要有专家系统法、模糊逻辑法、人工神经网络法及小波分析法等。由于电力负荷的变化有其不确定性，如气候变化、意外事故的发生等对电力负荷造成随机干扰，因此，每种方法均有一定的适应场合，并需要不断的完善。

2.1 回归分析法

回归分析法又称统计分析法,回归模型有一元线性回归、多元线性回归、非线性回归等回归预测模型；其中，线性回归用于中期负荷预测。优点是：预测精度较高，适用于在中、短期预测使用。缺点是：1.规划水平年的工农业总产值很难详细统计；2.用回归分析法只能测算出综合用电负荷的发展水平，无法测算出各供电区的负荷发展水平，也就无法进行具体的电网建设规划。

2.2 弹性系数法

弹性系数是电量平均增长率与国内生产总值之间的比值，根据国内生产总值的增长速度结合弹性系数得到规划期末的总用电量。弹性系数法是从宏观上确定电力发展同国民经济发展的相对速度，它是衡量国民经济发展和用电需求的重要参数。电力弹性系数可以用下面的公式来表示：

(2-1-1)

式中：为电力弹性系数；为为电力消费年平均增长率；为国民经济年平均增长率

在市场经济条件下，电力弹性系数已经变得捉摸不定，并且随着科学技术的迅猛发展，节电技术和电力需求侧管理，电力与经济的关系急剧变化，电力需求与经济发展的变化步伐严重失调，使得弹性系数难以捉摸，使用弹性系数法预测电力需求难以得到满意的效果。2.3 时间序列法

时间序列法是短期负荷预测的经典方法，是根据负荷的历史资料，设法建立一个数学模型，用这个数学模型一方面来描述电力负荷这个随机变量变化过程的统计规律，另一方面在该数学模型的基础上再确立负荷预测的数学表达式，对未来的负荷进行预报。就一般地时间序列预测方法而言，人们总是先去识别与实际预测目标序列相符合的一个随机模型，并估计出随机模型中的未知参数，再对随机模型进行考核，当确认该随机模型具有适用价值后，再在此基础上建立预测表达式进行预报。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。

2.4 负荷求导法

每天的负荷大小（高低）有差别，但其负荷的变化率是有一定的规律。只要找出一个适当函数来拟合每天的负荷曲线，对这个函数进行一次求导，即可得出一天的负荷变化率。虽然每天的负荷大小变化难以准确预测，但对负荷曲线求导后，得出的负荷变化率有一定的稳定性。因此，利用负荷的变化率来进行超短期负荷预测将会使精确度提高。负荷求导法预测的公式是：

(2-1-2)

式中对第i+1点的负荷预测值；

第i点的实际负荷值；

第i点的预测负荷变化率值。

2.5 专家系统法

专家系统预测法是对数据库里存放的过去几年甚至几十年的，每小时的负荷和天气数据进行分析，从而汇集有经验的负荷预测人员的知识，提取有关规则，按照一定的规则进行负荷预测。实践证明，精确的负荷预测不仅需要高新技术的支撑，同时也需要融合人类自身的经验和智慧。因此，就会需要专家系统这样的技术。专家系统法，是对人类的不可量化的经验进行转化的一种较好的方法。但专家系统分析本身就是一个耗时的过程，并且某些复杂的因素（如天气因素），即使知道其对负荷的影响，但要准确定量地确定他们对负荷地区的影响也是很难的。专家系统预测法适用于中、长期负荷预测。此法的优点是：1.能汇集多个专家的知识和经验，最大限度地利用专家的能力；2.占有的资料、信息多，考虑的因素也比较全面，有利于得出较为正确的结论。

2.6 外推法

根据负荷的变化趋势对未来负荷情况作出预测。电力负荷虽然具有随机性和不确定性，但在一定条件下，仍存在着明显的变化趋势，例如农业用电，在气候条件变化较小的冬季，日用电量相对稳定，表现为较平稳的变化趋势。

外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法。趋势外推法的优点是：只需要历史数据、所需的数据量较少。缺点是：如果负荷出现变动，会引起较大的误差。

2.7 人工神经网络法

人工神经网络理论最早出现于20世纪40年代，经过几十年的发展，已广泛的用于电力系统短期负荷预测。在现有的各种神经网络的计算方法中，由Ponelhert和Mcclelland提出的BP算法是应用得最多的一种。BP算法的模型为前向多层网络，由输入层、隐含层、输出层组成，每层都包含若干节点，同一层的节点间没有相互的连接，而仅仅在前后不同层之间有节点的连接。BP算法的学习过程由正向传播和反向传播组成，正向传播过程的输入样本从输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望值，则转入反向传播，将误差信号沿原连接通路返回，通过修正各神经元的权系数，使误差信号减小，达到给定的精度，从而完成了其学习过程。这样，当在网络的输入端加入一新的信号时，就能从其输出端得到相应的结果。

3 预测算例

通过前述对各种预测方法的分析，采用神经网络法和外推法对山东某地区一个变电站的2005年8月8日负荷进行预测。在实际应用中，预测最小间隔为5min，预测长度为1h。目前15min预测间隔为最常用。负荷采样间隔为5分钟，一天24个小时为288个数据，预测为提前15分钟的预测，预测结果如下：

图1 基于BP神经网络的负荷预测曲线

预测的平均相对误差为2.3089%，本文在建立超短期负荷模型时，未考虑天气变化和突发事件对负荷的影响，这在一定程度上影响了预测的精度。当天气变化显著或者有突发事件时，这个预测模型的精度会变差。但总的来说，所得预测结果比较令人满意。

图2 外推法负荷预测曲线

预测的平均相对误差为2.3059%，与神经网络法预测结果相差不大。

4 结论

本文对各种负荷预测方法进行了分析，并且在短期及超短期负荷预测方面，针对于两种目前比较常用的负荷预测方法――人工神经网络法和负荷外推法进行了重点的仿真研究。得出：在超短期负荷预测方面两种方法得出结果相差并不是很大。负荷外推法方法简单，要求的历史数据较少，运算速度较快，可满足系统在线分析的实时要求，比较适合在工程中应用。人工神经网络法算法比较复杂，而且存在训练时间较长、收敛性等问题。但是在短期负荷预测方面(例如提前24小时的预测)神经网络法存在着比负荷外推法明显的优势。因此，在工程应用等方面线性外推法还是具有较强的实用性。

参考文献

[1]刘晨晖.电力系统负荷预报理论与方法[M].中国:哈尔滨工业大学出版社，1987年 .20-60.

[2]张峰 吴劲晖 张怡 胡若云.基于负荷趋势的新型超短期负荷预测法[J]. 电网技术,2005,vol.28 No.19

[3]吴熳红 杨继旺.几种电力负荷预测方法及其比较[J].广东电力,2001,vol.17 No.1

[4]陈霞 安伯义 陈广林.电力负荷预测理论与方法[J].农村电气化,2004.7

[5]吴劲晖 王冬明 黄良宝 孙维真.一种超短期负荷预测的新方法-负荷求导法[J]. 浙江电力,2000,6

[6]张国忠 熊伟 向求新 黄晓明 刘亚. 应用人工神经网络预测电力负荷[J].电力自动化设备,2002,22

[7]S.H.Ling Frank H.F.Leung H.K.Lam Peter K.S.Tam Short-Term Electric Load Forecasting Based on a Neural Fuzzy Networks[A]. IEEE Transactions on Industrial electronics vol.50 no.6

[8]闫承山 刘永奇.人工神经网络在华北电网负荷预测中的应用[J].电网技术,1998,22

[9] 马文晓 白晓民 沐连顺.基于人工神经网络和模糊推理的短期负荷预测方法[J].电网技术,2003,27

[10]D.C.Park M.A.El-Sharkawi R.J.Marks II L.E.Atlas and M.J.Damborg. Electric Load Forecasting Using An Artificial Neural Network [A].IEEE Transcaction on Power Systems vol.6 no.2 May 1991

[11]Lee K.Y.，Cha Y.T. Park J.H.，Short-term load forecasting using an artificial neutral network[J]. Power Systems, IEEE Transactions on , Volume: 7 , Issue: 1 , Feb. 1992

[12]姜勇.电力系统短期负荷预测的模糊神经网络方法[J]. 继电,2002，30(7)

[13]Shan Shao, Yaming Sun, Short-term load forecasting using fuzzy neural network. Advances in Power System Control, Operation and Management, 1997. Fourth International Conference on (Conf. Publ. No. 450) Vol. 1 Nov 1997

[14]杨洪明 白培林.基于遗传算法的人工神经网络负荷预报模型[J].湖南电力，2000 20

作者简介

陈晓东 男 硕士 工程师电力系统稳定 山东电机工程学会

姚晓林 男 硕士 工程师电力系统稳定

晋飞 男 硕士工程师计算机技术应用