国网新疆电力公司昌吉供电公司新疆昌吉831100
摘要:电力系统短期负荷预测方法的研究在电力系统应用中发挥着越来越重要的作用,关乎到电力系统运行的稳定性、安全性,同时也影响着供电策略的制定。主要从电力系统短期负荷预测的特点和影响因素出发,着重对电力系统负荷预测方法模型进行综合的比较和分析,讨论各种方法的优缺点,为实际电力负荷预测提供借鉴。
关键词:电力系统;负荷预测;方法模型
1短期负荷预测的特点和影响因素
短期负荷预测的特点:电力负荷预测技术是根据已有的电力负荷历史数据,建立相应的预测模型,对未知的负荷进行预测,得到预测数据,为电力生产部门及其电力管理单位制定相应的生产计划和发展规划。短期负荷预测技术的特点如下:对历史数据的依赖较大,模型的构建是建立在历史数据基础上的;预测结果具有不确定性,无法保证两次预测结果一定相同;条件性,预测是建立在具体的条件下进行的;时间性,短期负荷预测都有一定的时间范围;多方案性,预测算法较多,可根据实际情况有比较地选择最合适的。影响负荷预测精度的因素:电力负荷预测技术是根据电力系统已有的历史数据、规定的影响因子,建立相应的数学模型并对未知的电力负荷情况进行预测的过程。因此,预测精度主要受以下因素影响:历史数据;数据量、特征参数的选择、数据质量等;天气情况;天气情况会影响电力系统的运作的环境;预测模型;可供选择的预测算法多种多样;社会事件等。
2电力系统负荷预测方法分类
2.1时间序列法
电力负荷的历史数据是按一定时间间隔进行采样和记录下来的有序集合,因此是一个时间序列,采用时间序列法建立描述电力负荷随时间变化的数学模型,可以对未来负荷进行预测。时间序列方法优点是所需数据少,工作量小,计算速度较快。缺点是时间序列方法对原始时间序列的平稳性要求较高,只适用于负荷变化比较均匀的短期预测;对不确定性因素考虑不足,当天气变化较大或遇到重大临时经济活动时,该模型预测误差较大。短期负荷预测精度高于中长期预测精度,实时负荷预测精度可达99.6%,5年规划负荷预测精度约为93.7%。
2.2小波分析法
小波分析法是宽口大小固定、形状可变的时域-频域分析方法,在社会各界的工程领域中都得到认可和使用。将小波分析法运用在电力负荷预测工程中,具体的方法是将已有的历史负荷数据,分析成为几个频段,高频段代表短期波动,低频段代表总体趋势,根据总体趋势数值可以分析大的方向。时间序列的负荷数据利用小波变换,将负荷的序列映射到不同的尺度上,最终产生各个尺度上的子序列。得到的子序列代表着原负荷序列中不同频域分量,反应了负荷序列的周期规律性,利用子序列的规律进行预测,最终得到预测结果。优点:将一个时间信号变换到时间频率域,可以更好地观察信号的局部特征。缺点:数据冗余度较大。
2.3极限学习机法
极限学习机(ExtremeLearningMachine,ELM)的预测算法是由黄广斌教授等人提出的,它是一种求解单隐层前馈神经网络的学习算法。该网络只需要设定网络的结构,而不需要另外设置其他参数,输入层域隐含层见的链接权值是随机设置的并无需调整。隐含层与输出层之间的连接权值则只需要一个线性方程组进行确定,其主要是在传统梯度下降方法上改进得到的一种新的训练算法。该算法具有较强的泛化能力和强非线性性能,并以此获得了各界工程领域广泛的关注。ELM的优势如下:鲁棒性高、能够获取得到全局最优、预测速度快和预测精度高等,受到业界的广泛关注。
2.4支持向量机
SVM算法是在创建一个新的实例并分配给两个类别之一的模型,即主要是一种二元线性分类器,解决了算法模型预测时会出现的局部最优解的问题,通过该方法最终可以得到一个全局最优解。支持向量机在早期的科研中占据了非常重要的地位,在引入到电力系统负荷预测中,使用SVM预测算法,可以取得比传统方法更有效的预测结果。该方法的优点:该算法较为成熟,有坚实的数学理论基础,预测方法收敛速度较快,能够快速求得全局最优解。缺点:实际应用开发较为困难,对于历史数据依赖较大,对历史数据的要求也较高,在预测电力系统负荷波动较小的情况下可以取得很好的效果,但是当负荷波动较大时,预测效果往往较差。
2.5神经网络法
目前神经网络广泛应用于图像识别、自然语言处理、机器翻译、自动驾驶等方面。谷歌、百度、阿里等企业最主要的人工智能算法都是神经网络。神经网络在能源领域大量应用于电力负荷预测、电力现货市场价格预测、风电发电预测等方面。神经网络法在负荷预测上的应用主要分为人工神经网络和递归神经网络。神经网络法选取过去一段时间的负荷作为训练样本,构建适宜的网络结构,用某种训练算法对网络进行训练,使其满足精度要求之后,此神经网络作为负荷预测模型。神经网络对大量非结构性、非精确性规律具有自适应能力,能够信息记忆、自主学习、知识推理和优化计算,具有很强的计算能力、复杂映射能力、容错能力及各种智能处理能力。其短期负荷预测精度高于中长期预测精度,日前负荷预测精度可达99.3%,5年规划负荷预测精度约为95.4%。
2.6模糊预测法
模糊预测法是建立在模糊数学理论上的一种负荷预测技术,可以描述负荷预测中的一些关键因素,如天气状况的评判、经济发展的不确定性等。模糊负荷预测可分为模糊聚类法、模糊相似优先法和模糊最大贴近度法等。短期负荷模糊预测的精度约为97.8%,低于其他常用预测方法;5年规划负荷模糊预测的精度约为96.6%,高于其他常用预测方法。模糊预测结果可以预测区间及概率的形式描述,提供的信息量比其他预测方法大许多。
2.7回归分析法
回归分析预测方法是根据历史数据的变化规律和影响负荷变化的因素,寻找自变量与因变量之间的相关关系及其回归方程式,确定模型参数,据此推断将来时刻的负荷值。回归分析法的优点是预测速度快,外推性能好,对于长周期性的影响因素(如节假日)具有较好的适应性。缺点是对历史数据要求较高,采用线性方法描述比较复杂的问题时精度较低;模型初始化难度较大。短期负荷预测精度高于中长期预测精度,实时负荷预测精度可达99.4%,季度负荷预测精度可达98.6%,5年规划负荷预测精度约为95.1%。
3结语
短期负荷预测结果的准确度会影响到电力系统运行时的安全性和稳定性,也会影响到相关部门的经济效益和供电决策。将目前主流的负荷预测算法进行综合的比较和分析,指出了各种模型的优缺点,为电力系统的短期负荷预测提供了借鉴作用,以满足电力市场对负荷预测的需求。
参考文献
[1]宗慧敏.滕欢.电力系统负荷预测技术[J].四川电力技术.2013(4):36-39.
[2]魏宗儒.简析电力负荷预测对发展电力市场的作用[J].甘肃科技,2013,17(12):88-90.
[3]雷水平.王超胜.崔景顺.短期电力负荷预测影响因素分析与研究[J].硅谷.2014.(21):220-220.
[4]王硕.毛西吟.短期电力负荷预测分析研究[J].科技风.2014.(1):13-14.
[5]夏博,杨超,李冲.电力系统短期负荷预测方法研究综述[J].电力大数据,2018,(7):22-28.
[6]杜莉.张建军.神经网络在电力负荷预测中的应用研究[J].计算机仿真.2011,10(3):297-300.