現貨市場就要來了，所有人都在關注電力負荷預測。那么負荷預測有哪些算法，哪種算法最合適?

負荷預測概述

1.1 負荷預測的重要性

目前，國內的電改正在如火如荼的開展，據稱目前國內的售電公司數量已經突破了兩萬家。而各省也在積極的準備現貨市場的改革，在2019年以及2020年，廣東、浙江等地的現貨市場就要真正落地實施。屆時，負荷預測能力的強弱，將成為售電公司洗牌的一大關鍵。在現貨市場來臨的背景下，簽約策略、報價策略、交易策略、單個用戶經濟測算等等售電公司逃不開的行為，都是以負荷預測的結果作為基礎。沒有準確的負荷預測結果，售電公司甚至無法在現貨市場進行報價，這樣的后果便是高額的偏差費用，這是售電公司無法承擔的。因此，負荷預測的能力對如今中國的售電公司來說，是至關重要的。

1.2 負荷預測概念簡述

所謂預測，就是指通過對事物進行分析及研究，并運用合理的方法探索事物的發展變化規律，對其未來發展做出預先估計和判斷。電力系統負荷預測是指在充分考慮一些重要的系統運行特性、增容決策、自然條件與社會影響的條件下，研究或利用一套系統地處理過去與未來負荷的數學方法，在滿足一定精度要求的意義下，確定未來特定時刻的負荷數值。提高負荷預測技術水平，有利于計劃用電管理，有利于合理安排電網運行方式和機組檢修計劃，有利于節煤、節油和降低發電成本，有利于制定合理的電源建設規劃，有利于提高電力系統的經濟效益和社會效益。對于售電公司來說，有利于售電公司決定自己的中長期合約簽約策略，現貨市場報價、交易策略，單個用戶的經濟測算等行為。因此，負荷預測已成為實現電力系統管理現代化、售電公司向現貨市場轉型的重要內容之一。

短期(兩周以內)負荷預測在整個電力調度、售電公司參與現貨市場的工作中起關鍵作用，它為基本發電計劃、計算機在線電網控制、系統安全分析、日前市場報價、日內(實時)市場交易等提供基礎數據，從而使得電力調度工作更貼合實際，發電效率更高，使得售電公司減小自己上報電量與真實用電量的偏差。

在規模上，負荷預測可以分為電網層級的負荷預測以及用戶層級的負荷預測。電網公司主要采用的是電網層級的負荷預測，這對整個電力系統的穩定、安全運行，改善系統運行經濟型有著決定性的意義。對于售電公司來說，用戶層級的負荷預測是更相關的。售電公司需要對自己的用戶組合以及單一用戶做電力負荷預測，基于這個預測的結果再開展其他的行為。

從下圖就可以看出，相比電網層級，用戶層級的負荷預測是更加困難的。下圖中，上面的Grid level即電網層級，它的負荷曲線較為平緩，且相同條件下(如日期、天氣等)負荷曲線差距不大，較為容易預測;而下方的Household level，即用戶層級，可以看出它的負荷曲線波動劇烈，且具有很大的隨機性，不易預測。

不同層級的負荷曲線

雖然用戶層級的負荷預測更加困難，但是它確是所有售電公司、虛擬電廠公司等無法回避的，尤其是短期(一天以上兩周以內)以及超短期(一天以內)的用戶層級負荷預測。下文便是重點介紹短期以及超短期的負荷預測方法。

負荷預測的基本方法

(超)短期負荷由于受天氣變化、社會活動和節日類型等各種因素的影響，在時間序列上表現為非平穩的隨機過程，但是影響系統負荷的各因素中大部分具有規律性，從而為實現有效的預測奠定了基礎。目前用于短期負荷預測的方法很多，較為新的算法主要有神經網絡法、時間序列法、回歸分析法、支持向量機法、模糊預測法等。電力負荷預測研究的核心問題是如何利用現有的歷史數據，建立預測模型，對未來時刻或時間段內的負荷值進行預測，因此，歷史數據信息的可靠性和預測模型是影響短期負荷預測精度的主要因素。隨著現在電力系統管理信息系統的逐步建立，以及天氣預測水平的提高，準確獲取各種歷史數據已不再困難，因此，短期負荷預測的核心問題是預測模型的水平高低，以下是各種負荷預測方法的簡述：

2.1 神經網絡法(人工智能)

神經網絡法是目前最先進的負荷預測方法。作為人工智能算法的一種，神經網絡已經在圖像識別、自然語言處理、機器翻譯、自動駕駛等方面有了大量成熟的使用。谷歌、百度、阿里、科大訊飛等國內外知名的人工智能企業最主要的人工智能算法都是神經網絡。同樣的，神經網絡在能源領域也有很廣泛的應用，不止在電力負荷預測，也包括電力現貨市場價格預測、風電發電預測等領域。

神經網絡法在負荷預測上的應用主要分為人工神經網絡(Artificial Neural Networks, 以下簡稱ANN)和遞歸神經網絡(Recurrent Neural Networks，也稱循環神經網絡，以下簡稱RNN)。其中，RNN是相對ANN來說效果更好的算法。

神經網絡法選取過去一段時間的負荷作為訓練樣本，構建適宜的網絡結構，用某種訓練算法對網絡進行訓練，使其滿足精度要求之后，此神經網絡作為負荷預測模型，實踐證明人工神經網絡短期預測有較好的精度。人工神經網絡的優點能夠對大量非結構性、非精確性規律具有自適應能力，具有信息記憶、自主學習、知識推理和優化計算的特點，還有很強的計算能力、復雜映射能力、容錯能力及各種智能處理能力，特別是其學習和自適應功能是其他算法所不具備的。

神經網絡法的不足在于模型結構的搭建，學習速度的優化，局部最小點等難題。

交能網的負荷預測算法模型便是基于RNN開發的，如有需要，歡迎加文章最后工作人員微信洽談。

2.2 時間序列法

電力負荷的歷史數據是按一定時間間隔進行采樣和記錄下來的有序集合，因此是一個時間序列，時間序列方法是目前電力系統短期負荷預測中發展較為成熟的算法，根據負荷的歷史數據，建立描述電力負荷隨時間變化的數學模型，在該模型的基礎上確立負荷預測的表達式，并對未來負荷進行預測。

時間序列方法優點是所需數據少，工作量小;計算速度較快;反映了負荷近期變化的連續性。

時間序列方法存在的不足是建模過程比較復雜，需要較高的理論知識;該模型對原始時間序列的平穩性要求較高，只適用于負荷變化比較均勻的短期預測;沒有考慮影響負荷變化的因素，對不確定性因素(如天氣、節假日等)考慮不足，當天氣變化較大或遇到節假日時，該模型預測誤差較大。

2.3 回歸分析法

回歸分析預測方法是根據歷史數據的變化規律和影響負荷變化的因素，尋找自變量與因變量之間的相關關系及其回歸方程式，確定模型參數，據此推斷將來時刻的負荷值。

回歸分析法的優點是計算原理和結構形式簡單，預測速度快，外推性能好，對于歷史上沒有出現的情況有較好的預測。

存在的不足是對歷史數據要求較高，采用線性方法描述比較復雜的問題，結構形式過于簡單，精度較低;該模型無法詳細描述各種影響負荷的因素，模型初始化難度較大，需要豐富的經驗和較高的技巧。

2.4 支持向量機法

支持向量機(SVM)是一種基于統計學習理論提出的能實現在有限樣本條件下滿足VC維理論和結構風險最小原理的機器學習方法，具有泛化能力強，全局最優和計算速度快等突出優點。但其自選參數和核函數的選擇，通常情況下主要靠經驗確定，有較大的人為因素。同時，其缺乏對模糊現象的處理能力，模型誤差會造成回歸值和實際值的差距。

2.5 模糊預測法

模糊預測法是建立在模糊數學理論上的一種負荷預測新技術，模糊數學的概念可以描述電力系統中的一些模糊現象，例如負荷預測中的關鍵因素：天氣狀況的評判、負荷的日期類型的劃分等，將模糊方法應用于負荷預測可以更好地處理負荷變化的不確定性。目前，模糊理論應用于負荷預測主要有以下幾種方法：模糊聚類法、模糊相似優先比法和模糊最大貼近度法等。

從實際應用來看，單純的模糊方法對于短期負荷預測，精度難以滿足要求;同時要求提供較多的歷史數據，在實際應用中存在困難;其優點是預測結果可以預測區間及概率的形式描述。

2.6 其他傳統方法

電力負荷預測還有很多上文未提及的傳統方法，例如負荷求導法、相似日法、卡爾曼濾波法、指數平滑法、灰色預測法等等。由于歐美最新的負荷預測算法都不再使用這些方法，這些方法的效果與新的算法如神經網絡法相比，也沒有優勢，故不再贅述。