傳統(tǒng)預測法

回歸模型預測法回歸模型預測法[2～3]又分一元回歸分析和多元回歸分析,通過給定的多組自變量和因變量資料來研究各自變量和因變量之間的關(guān)系,形成回歸方程。回歸方程因變量為電力系統(tǒng)的負荷,自變量為影響系統(tǒng)負荷的各種因素。而回歸變量的選取和變量因素的量化涉及計量經(jīng)濟學的范疇,因而預測過程比較繁瑣。

時間序列預測法該方法是一種發(fā)展比較成熟的負荷預測法[3],將負荷數(shù)據(jù)看做是單位時間(年、季、周、天或小時)周期性變化的時間序列,根據(jù)負荷歷史資料建立數(shù)學模型來描述負荷變化的統(tǒng)計性規(guī)律。卡爾曼濾波法、狀態(tài)估計、Box——Jenkins模型及自動回歸平均模型是時間序列法中最常見的幾種方法,其中Box——Jenkins模型是最為有效的時間序列法。該方法在負荷預測中的應用優(yōu)于回歸分析法,但其建模過程比較復雜,受天氣變化的影響較大,在節(jié)假日的負荷預測中誤差較大。

現(xiàn)代預測法

目前,人工智能技術(shù)是解決非線性類復雜問題的較為有效地方法,主要包括人工神經(jīng)網(wǎng)絡、專家系統(tǒng)與小波分析法。人工神經(jīng)網(wǎng)絡運用人工神經(jīng)網(wǎng)絡技術(shù)預測系統(tǒng)負荷是一種新型的研究方法,對非結(jié)構(gòu)性、非精確性的規(guī)律具有很好的自適應能力。該方法無需搭建負荷模型,其良好的函數(shù)逼近能力可以解決天氣和溫度等因素與負荷的對應關(guān)系。但人工神經(jīng)網(wǎng)絡的訓練時間較長,網(wǎng)絡結(jié)構(gòu)的確定、輸入變量的選取等比較困難,仍需不斷探索和完善[4]。專家系統(tǒng)專家系統(tǒng)由知識庫、用戶界面、推理機等多個模塊組成,主要利用領(lǐng)域內(nèi)專家豐富的知識和經(jīng)驗,通過啟發(fā)式知識的推理做出智能決策[5]。

在節(jié)假日等重大社會活動和突發(fā)事件的情況下,專家知識可起到重要的作用。但預測知識規(guī)則的形成及知識庫的建立卻是一個難點問題,而且知識更新的比較復雜,知識庫的可維護性也較差。小波分析法小波分析法吸取了分析學中多個分支領(lǐng)域的精華,已在多個科學領(lǐng)域當中獲得應用。在負荷預測中,通過選取合適的母小波函對負荷進行分類,對性質(zhì)不同的負荷選取相應的預測方法,再對分解的序列分別進行預測,并對預測得到的序列進行重構(gòu)以得到精確的負荷預測結(jié)果。但重構(gòu)可能引起誤差的累加,這就需要提高每個小波的預測精度,從而使得預測模型相對復雜[6]。為了提高負荷預測的精度,可以采用結(jié)合法,即可以將模型法及人工智能法進行綜合,吸收各自的優(yōu)點,以提高最終的預測精度,結(jié)合法主要有松散性結(jié)合、并聯(lián)型結(jié)合、串聯(lián)型結(jié)合、網(wǎng)絡學習型結(jié)合、結(jié)構(gòu)等價性結(jié)合。

電力市場環(huán)境下的負荷預測

在電力市場環(huán)境下進行負荷預測通常需要考慮商品價格、國民經(jīng)濟發(fā)展水平、氣溫、電網(wǎng)結(jié)構(gòu)和管理水平等多方面因素的影響,這就對負荷預測工作提出了新的要求,即負荷預測軟件要能與電力市場的各類應用軟件有效地接口,要具備較高的預測精度及算法速度,同時,負荷預測還必須考慮負荷對實時電價的響應。在電力市場條件下,電力負荷需求技術(shù)除了前面介紹的負荷預測技術(shù)外,更應該強調(diào)對相關(guān)量的研究,將明顯影響電力市場需求的因素考慮到模型中來,使預測不再僅僅依賴于傳統(tǒng)的歷史負荷數(shù)據(jù)、電量數(shù)據(jù),而是在綜合研究影響電力市場需求預測量因素的基礎(chǔ)上,通過對相關(guān)量的詳細調(diào)查分析得出。在考慮電力市場需求預測的要求和應用情況的基礎(chǔ)上,對原始數(shù)據(jù)進行改造、月度預測、專家干預等。

隨著電力市場化的發(fā)展,解決負荷預測問題已成為電力科技工作者面臨的重要而艱巨的任務之一。如何充分利用現(xiàn)有的數(shù)據(jù)資料,建立正確的預測理論和方法,建立相應的預測模型,提高預測速度和精度,以滿足電力市場對負荷預測的要求,已成為電力系統(tǒng)不容忽視的研究課題。電力市場條件下的電力需求預測是一個復雜的系統(tǒng)工程,還存在許多問題亟待解決。

本文作者：李峰 曹晏寧 鄭日紅 工作單位：阿拉善電業(yè)局