负荷预测

负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据，其中负荷是指电力需求量（功率）或用电量；负荷预测是电力系统经济调度中的一项重要内容，是能量管理系统(EMS)的一个重要模块。[1]

构成特点

构成

电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。

特点

城市民用负荷主要来自城市居民家用电器的用电负荷，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。

商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，复盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。虽然商业负荷在电力负荷中所占比重不

及工业负荷和民用负荷，但商业负荷中的照明类负荷占用电力系统高峰时段。此外，商业部门由于商业行为在节假日会增加营业时间，从而成为节假日中影响电力负荷的重要因素之一。

工业负荷是指用于工业生产的用电，一般工业负荷的比重在用电构成中居于首位，它不仅取决于工业用户的工作方式(包括设备利用情况、企业的工作班制等)，而且与各行业的行业特点、季节因素都有紧密的联系，一般负荷是比较恒定的。

农村负荷则是指农村居民用电和农业生产用电。此类负荷与工业负荷相比，受气候、季节等自然条件的影响很大，这是由农业生产的特点所决定的。农业用电负荷也受农作物种类、耕作习惯的影响，但就电网而言，由于农业用电负荷集中的时间与城市工业负荷高峰时间有差别，所以对提高电网负荷率有好处。

从以上分析可知电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。

电力负荷的特点决定了电力总负荷由以下四部分组成：基本正常负荷分量、天气敏感负荷分量、特别事件负荷分量和随机负荷分量。

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调查和选择历史负荷数据资料

多方面调查收集资料，包括电力企业内部资料和外部资料，从众多的资料中挑选出有用的一小部分，即把资料浓缩到最小量。挑选资料时的标准要直接、可靠并且是最新的资料。如果资料的收集和选择得不好，会直接影响负荷预测的质量。

2历史资料的整理

一般来说，由于预测的质量不会超过所用资料的质量，所以要对所收集的与负荷有关的统计资料进行审核和必要的加工整理，来保证资料的质量，从而为保证预测质量打下基础，即要注意资料的完整无缺，数字准确无误，反映的都是正常状态下的水平，资料中没有异常的"分离项"，还要注意资料的补缺，并对不可靠的资料加以核实调整。

3对负荷数据的预处理

在经过初步整理之后，还要对所用资料进行数据分析预处理，即对历史资料中的异常值的平稳化以及缺失数据的补遗，针对异常数据，主要采用水平处理、垂直处理方法。

数据的水平处理即在进行分析数据时，将前后两个时间的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；数据的垂直处理即在负荷数据预处理时考虑其24h的小周期，即认为不同日期的同一时刻的负荷应该具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正，为待处理数据的最近几天该时刻的负荷平均值。

4建立负荷预测模型

负荷预测模型是统计资料轨迹的概括，预测模型是多种多样的，因此，对于具体资料要选择恰当的预测模型，这是负荷预测过程中至关重要的一步。当由于模型选择不当而造成预测误差过大时，就需要改换模型，必要时，还可同时采用几种数学模型进行运算，以便对比、选择。

在选择适当的预测技术后，建立负荷预测数学模型，进行预测工作。由于从已掌握的发展变化规律，并不能代表将来的变化规律，所以要对影响预测对象的新因素进行分析，对预测模型进行恰当的修正后确定预测值。

预测方法

电力负荷预测分为经典预测方法和现代预测方法。

经典预测方法

趋势外推法

就是根据负荷的变化趋势对未来负荷情况作出预测。电力负荷虽然具有随机性和不确定性，但在一定条件下，仍存在着明显的变化趋势，例如农业用电，在气候条件变化较小的冬季，日用电量相对稳定，表现为较平稳的变化趋势。这种变化趋势可为线性或非线性，周期性或非周期性等等。

时间序列法

时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。

时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。随机型时间序列预测模型可以看作一个线性滤波器。根据线性滤波器的特性，时间序列可划为自回归(AR)、动平均(MA)、自回归-动平均(ARMA)、累计式自回归-动平均(ARIMA)、传递函数(TF)几类模型，其负荷预测过程一般分为模型识别、模型参数估计、模型检验、负荷预测、精度检验预测值修正5个阶段。

回归分析法

回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测。

现代预测方法

20世纪80年代后期，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用。这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等。

灰色数学理论

灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影响因子的综合作用结果。这些众多因子的未知性和不确定性，成为系统的灰色特性。灰色系统理论把负荷序列通过生成变换，使其变化为有规律的生成数列再建模，用于负荷预测。

专家系统方法

专家系统方法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。借助专家系统，负荷预测人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。

神经网络理论

神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。由于该方法具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场，但其缺点是学习收敛速度慢，可能收敛到局部最小点；并且知识表达困难，难以充分利用调度人员经验中存在的模糊知识。

模糊负荷预测

模糊负荷预测是近几年比较热门的研究方向。

模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效控制。模糊系统不管其是如何进行计算的，从输入输出的角度讲它是一个非线性函数。模糊系统对于任意一个非线性连续函数，就是找出一类隶属函数，一种推理规则，一个解模糊方法，使得设计出的模糊系统能够任意逼近这个非线性函数。

模糊预测方法

(1)表格查寻法：

表格法是一种相对简单明了的算法。这个方法的基本思想是从已知输入--输出数据对中产生模糊规则，形成一个模糊规则库，最终的模糊逻辑系统将从组合模糊规则库中产生。

这是一种简单易行的易于理解的算法，因为它是个顺序生成过程，无需反复学习，因此，这个方法同样具有模糊系统优于神经网络系统的一大优点，即构造起来既简单又快速。

(2)基于神经网络集成的高木-关野模糊预测算法：

它是利用神经网络来求得条件部输入变量的联合隶属函数。结论部的函数f(X)也可以用神经网络来表示。神经网络均采用前向型的BP网络。

(3)改进的模糊神经网络模型的算法：

模糊神经网络即全局逼近器。模糊系统与神经网络似乎有着天然的联系，模糊神经网络在本质上是模糊系统的实现，就是将常规的神经网络(如前向反馈神经网络，HoPfield神经网络)赋予模糊输入信号和模糊权。

对于复杂的系统建模，已经有了许多方法，并已取得良好的应用效果。但主要缺点是模型精度不高，训练时间太长。此种方法的模型物理意义明显，精度高，收敛快，属于改进型算法。

(4)反向传播学习算法：

模糊逻辑系统应用主要在于它能够作为非线性系统的模型，包括含有人工操作员的非线性系统的模型。因此，从函数逼近意义上考虑，研究模糊逻辑系统的非线性映射能力显得非常重要。函数逼近就是模糊逻辑系统可以在任意精度上，一致逼近任何定义在一个致密集上的非线性函数，其优势在于它有能够系统而有效地利用语言信息的能力。万能逼近定理表明一定存在这样一个可以在任意精度逼近任意给定函数的高斯型模糊逻辑系统。反向传播BP学习算法用来确定高斯型模糊逻辑系统的参数，经过辨识的模型能够很好的逼近真实系统，进而达到提高预测精度的目的。