电力负荷预测方法

《电力负荷预测方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

电力负荷预测方法浅析摘要：电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。本文系统地叙述了几种常用负荷预测方法的实质特点、实用场合及其负荷预测误差度的检验，为电力负荷预测提供参考依据。关键词：电力负荷预测预测误差组合预测abstract:powerloadforecastingisoneofthemostimportanttasksofthedispatching,electricity,plan,planningdepartmentsofpowersystem.thispaperdescribesessentialcharacteristics,applicationsandloadforecasterrorsofseveralcommonlyusedloadforecasting’smethods,andprovidesreferenceforpowerloadforecastingkeywords：powerloadforecastingpredictionerrorcombinationforecasting中图分类号：f407.61文献标识码：a 文章编号：2095-2104（2012）负荷预测是电力系统运行管理与建设发展的基础工作，也是长期以来的热点问题.目前国内外研究的方法主要包括基于回归分析、神经网络、灰色理论和最优组合预测方法等[1~3]，基本上都属于参数统计法的范畴，因变量对自变量有较强的依赖关系；当假设函数模型成立时，预测精度较高，当假设函数不成立时，预测模型的拟合情况和预测精度都是不理想的；后者降低了自变量对因变量的限制，有较大的适应性，但也可能会失去历史资料所提供的信息，降低模型的解释能力.电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。本文系统地叙述了几种常用负荷预测方法的实质特点、实用场合及其负荷预测精度的检验，为电力系统工作人员进行负荷预测提供参考依据。1负荷预测的基本过程负荷预测工作的关键在于收集大量的历史数据，建立科学有效的预测模型，采用有效的算法，以历史数据为基础，进行大量试验性研究，总结经验，不断修正模型和算法，以真正反映负荷变化规律。其基本过程如下：（1）确定预测目标和预测内容（2）收集数据（3）预测模型的建立（4）模型估计、检验和评价（5）利用预测模型进行预测，结果分析和上报2 电力负荷预测方法目前国内外常见的电力负荷预测方法有时间序列法、相关分析法、回归分析法、灰色预测法、模糊逻辑法、神经网络法、组合预测法等。2.1时间序列分析法首先假定过去的负荷变化规律持续到将来，然后根据历史数据，找到随时间变化的规律，建立合适的数学模型，最后对未来的负荷进行预测，此种方法称为时间序列法[4]。该种预测方法不考虑负荷与其他因素之间的因果关系，不也考虑其大小变化的因果关系。时间序列法是电力负荷预测最常用的方法之一，它的优点是计算简单，要求的历史数据少，但当用它来预测特定日的负荷时，预测精度较差。一般情况下，该种方法适用于电力负荷曲线随时间平稳变化的场合。2.2相关分析法相关分析法是寻找负荷与影响因素之间的因果关系，建立相关分析模型，然后对未来负荷进行预测[5]。负荷与影响因素之间的关系分为两类，一类是函数关系，反映它们有严重的依存关系，可以用函数具体表示；另一类是相关关系，在这种关系中负荷与影响因素之间的关系是不严格的依存关系。利用该种方法对负荷进行预测时，首先要考虑负荷与影响因素之间的关系，然后判断他们之间的密切程度，最后选择合适的方法进行负荷预测。该种方法的优点是可以清楚地得到负荷与影响因素之间的关系。缺点是利用较多的相关因素，造成实际预测的困难。2.3 回归分析法回归分析预测是电力系统负荷预测的一种常用方法[6]，其任务是寻找因变量和自变量之间的相关关系。按照自变量和因变量之间的关系可以分为线性回归分析和非线性回归分析；根据回归分析涉及变量的多少，可以分为一元回归分析和多元回归分析。回归分析法就是利用已知历史数据，寻找出因变量和自变量之间的相关关系，建立数学模型，通过最小二乘法求出模型参数，然后利用残差、相对误差或者绝对误差等对模型进行检验，当模型检验通过时，可以利用该模型对负荷进行预测；反之，则丢弃该模型，重新选择数学模型。在负荷预测问题中，回归方程的因变量一般是电力系统负荷，自变量是影响电力系统负荷的各种因素，如经济、人口、气候等。回归分析法优点：方法简单、外推性好、预测速度快，当选择的模型与实际符合时，对未来的负荷预测精度相对较高。缺点是：①对历史数据的要求高，特别是历史数据残缺或存在较大误差的情况下，预测效果很不理想；②用简单的线性方法描述复杂的非线性情况，丢失信息过多；③而非线性回归分析模型的确定和参数估计较为复杂，但在选择非线性回归模型时，通过对历史数据的处理，可以将非线性转化为线性；④考虑气象因素时，对负荷预测影响的因素考虑不完全，一般情况下只考虑温度、湿度等；⑤进行回归分析时，当预测模型与实际情况相背离时，预测精度较差；⑥ 缺乏自学习能力，当负荷结构变化或者影响负荷变化的主要因素改变时，模型不会自主修正，只能通过人为地模型修正，在这样的情况下，负荷预测的结果精确度相对较差。2.4灰色预测法灰色系统理论是我国学者、华中理工大学邓聚龙教授于1982年3月在国际上首先提出来的[7]。近些年，该理论在经济、工业、农业、卫生管理等领域得到了迅速发展，并取得满意的结果。灰色系统就是部分信息已知，部分信息未知的系统，介于白色系统和黑色系统之间。灰色系统理论是建立在灰色系统模型，控制模型，预测，决策和系统最优化的组合上的理论。灰色预测法的基本预测模型是灰色模型（gm）。在电力负荷预测中，影响因素较多，关系复杂，并且无法全部表示出来，因此具有灰色特性。随着社会的发展，电力负荷总体上呈增长趋势，基本上符合灰色预测模型的基本条件。灰色预测要求原始数据较少，并且在原始数据比较杂乱无章时，采用累加生成或累减生成的方式，整理成规律性较强的数据列，这样便于建立数学模型。此外灰色预测还具有原理简单、不考虑分布规律、运算方便、可检验、精度高、适用性好等优点。因此，灰色系统理论在负荷预测中得到了广泛应用，并取得了较好的效果。在应用动态灰色模型进行负荷预测时，发现了一些缺点。如：①当负荷增长速度较慢，预测精度较高；反之预测精度较差；②当负荷的增长规律不是指数型时，预测精度变差；③数据离散程度越大，预测精度越差；④ 简单灰色预测应用于电力系统的长期预测时，会出现增长率过快的问题。为了提高预测精度，针对灰色预测模型的缺点提出了多种改进措施，但是仍然比较单一。一般情况下要提高电力负荷预测精度，选择合适的集中负荷预测方法进行最优化组合式最为恰当的。2.5模糊逻辑算法