电力大数据下的短期电力负荷预测

电力大数据下的短期电力负荷预测

何玮

国网江苏省电力有限公司淮安供电分公司江苏省淮安市223001

摘要：更加准确的电力负荷预测可以为电网的安全稳定运行、实时进行电网负荷的调度提供了重要依据。特别是在经济方面，精确的电力负荷预测可以优化发、用电电网调度计划，合理调度和分配资源，从而起到使社会效益、经济效益最大化的作用。然而随着中国经济的飞速发展，对电力的需求不断增长，电力负荷本身受诸多因素以及政策影响比如日期、天气、气候、市场等其他因素，这些因素更大大加大了准确进行电力负荷预测的困难性。一直以来，人们一直都致力于提高电力负荷预测的准确性，人工神经网络算法具有泛化、学习能力强等优点，现在该算法已在电力负荷预测领域中得到了广泛应用，并且取得了良好的效果。近年来，人工神经网络领域取得重大突破，涌现出一个新的深度学习研究领域。

关键词：大数据；人工神经网络；负荷预测

1短期负荷预测的意义

1.1短期负荷预测影响电力市场的实时定价

定价是市场发展与平衡的杠杆和核心，电力市场也是如此。电价是电力市场竞争和开放性的体现。而电价的实时定价取决于未来给定时期的负荷预测。因此，为了确保其电价和盈利能力的竞争力，发电公司必须获得更准确的负荷预测，以保证所定电价既能盈利又在市场上有竞争力。

1.2短期负荷预测能够让用户节约用电

负载变化的随机性，发电、输电以及配电设备的不定时故障导致了电能的供需不断变化，因此电力能源的成本也相应地改变。同一用户在不同时间段用电，电力供应方的成本是不同的。电力市场为了应对这种现象，应当提倡用户合理用电，采取分时段定价的电价制定策略，这样一来电力供应的峰值负荷就能够向低谷转移。短期负荷预测的结果能够让电能用户了解用电高峰与低谷的情况，为他们改善用电安排，节约电力成本提供参考。除此之外用户也可错开用电高峰期，降低电力负荷。

1.3短期负荷预测是电力转运服务的重要参数

电网的一大基本功能是提供转运服务，负荷预测数据以及发电机的运行参数是电网进行转运时制定发电和调度计划的重要参考数据。因此负荷预测的竞争度将影响电力的供应、转运和协调。

1.4短期负荷预测对合同配置的影响

由于在主要发电市场中，所有电力均匀投标，在电费结算时仅考虑合同电力，并根据差价合约结算。合同电量应根据负荷预测曲线分配到每个时间段。因此，不准确的短期负荷预测会导致违约，甚至造成不合理的配电，致使电力不足。

1.5短期负荷预测能够影响系统充裕性评估

电力系统充裕性评估由电力调度中心负责。它是让电力市场工作人员正确理解目前电力市场需求，对电力系统的供电量、用电量、设备维护等进行安排，制定决策方案的重要参考数据。系统充裕性评估对维持发电市场的发展起着非常重要的作用。而短期负荷预测是电力系统充裕性评估中的重要参数，因此其对电力系统和发电市场的平衡与发展十分重要。综上所述，短期负荷预测是电力系统调度运行部门的重要日常任务，是制定发电计划和输电计划的主要依据。高精度短期负荷预测可以在制定发电计划时合理安排轮换储备和冷库容量，减少机组启停次数，减少日交易量。为了在满足用户用电量的同时降低能源成本和电价，每日负荷预测数据是检查电网安全的重要依据。因此，短期负荷预测在经济和安全方面都非常重要。

2人工神经网络作用与分类

人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。人工神经网络是由大量处理单元广泛互连而成的网络，是人脑的抽象、简化、模拟，反映人脑的基本特性。一般来说，作为神经元模型应具备连接权值、信号整合、激励函数三个要素。人工神经网络具有非线性、并行性、自学习性、联想存储性和实时性等特点。人工神经网络的主要类型有感知机、线性神经网络、径向基（RBF）函数网络、BP神经网络、随机神经网络、竞争神经网络等，其中BP神经网络是应用得最广泛的一种类型。BP神经网络是指误差反向传播算法网络，是一种有监督学习的前向多层感知机结构，由一种误差计算沿着与网络计算方向相反方向传递的算法求解神经元连接权值。BP神经网络由多层构成，层与层之间全连接，同一层之间的神经元无连接，包含一个或多个隐层，可以实现复杂的映射关系。BP网络采用误差反向传播算法进行学习。在BP网络中，数据从输入层经隐含层逐层向后传播，训练网络权值时，则沿着减少误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值。误差反向传播算法是一种近似最速下降方法，采用均方误差作为性能指标。由于BP网络具有计算简单、非线性映射性强、网络泛化性好，在电力负荷预测、神经生物现象模拟、农业样本检测等多个方面有着广泛的应用。

3神经网络在电力负荷预测中的应用

电力负荷预测的方法主要有灰色预测法、线性回归法等传统预测方法、神经网络法、支持向量机、模糊系统等人工智能预测算法。由于电力负荷预测具有随机性强、稳定性低、影响因素复杂等特点，很难建立精确的模型。由于传统模型难以充分利用其他影响因素的数据，使得预测精度往往不能满足电力部门的需求，人工智能预测算法是国内外学者们研究的热点问题。电气负荷数据通常为一个时间序列数据，因此可以使用统计或软计算方法进行分析和预测，提出了一种BP神经网络方法（BPNN），采用反向传播神经网络的精确电力负荷预测算法用于短期电力负荷预测，综合考虑了天气特征，如最高摄氏度，最低摄氏度和天气类型等参数。将非负荷因素输入前级BP网络中，得出的负荷类型数据作为后级RBF网络的输入，通过BP－RBF的级联神经网络得到准确的整点负荷预测。

由于BP神经网络收敛速度慢、易陷于局部极值点的缺点，许多学者结合模糊推理、遗传算法等其他智能算法对电力负荷预测模型进行了进一步完善。基于神经网络的模糊推理方法是通过神经网络的自主学习机制完成模糊化、模糊推理和反模糊化。采用模糊逻辑方法研究了长期负荷预测问题，建立了一个电力负荷模糊预测模型，采用温度、湿度和历史负荷数据作为模型，实验结果表明了模糊理论可以较好地应用于负载长期预测。利用人工神经网络和聚类方法建立公交车负荷预测模型，通过聚类的方法提高了人工神经网络模型的预测精度，适用于短期预测。同时提出一种预测每日负荷的动态神经网络，获得的结果表明精度和效率优于广泛使用的传统方法。并且提出一种基于三角核函数（QRNNT）的分位数回归神经网络的概率密度预测方法，用于短期电力负荷预测。为了构造概率预测方法，应用神经网络对分位数回归模型进行变换，通过对加拿大和中国的负荷数据测试证明了该方法有效性。针对天气因素采用聚类和神经网络相结合的方法进行了负荷预测。

4结语

电力负荷预测对国民经济、电网稳定和电力安全都有着非常重要的意义。如何提高预测速度、降低预测误差是电力负荷预测研究的热点问题。目前，电力系统正在进行电力需求侧管理综合改革，其中电力负荷曲线的预测是需求侧管理的主要依据，提高其预测精度有助于电网公司了解用电规律，提高经济效益。本文总结了人工神经网络在电力负荷预测中的应用，为实际电力系统需求侧管理提供了一定的理论依据。

参考文献：

［1］隋惠惠．基于BP神经网络的短期电力负荷预测的研究［D］．哈尔滨：哈尔滨工业大学，2015．

［2］程宇也．基于人工神经网络的短期电力负荷预测研究［D］．杭州：浙江大学，2017．