国内外关于电力系统负荷预测的研究现状分析.pdfVIP

国内外关于电力系统负荷预测的研究现状分析

工作任务。20世纪90年代，全球电力市场化层层渗透，随着科学技

术的迅猛发展，新的预测方法层出不穷，为电力负荷预测问题的研究提供

了后备力量。

长久以来，国内外学者以及电力相关从业人员在长期的实践研究过程

中，不断探索负荷预测新方法，随着近年来各种数学模型的涌现，以及人

工智能的发展，出现了不少新颖的预测方法，这些方法大概能分成两大类

别：一类是数学统计类的经典预测方法，比如回归分析法、趋势外推法、

时间序列法等；另一类是人工智能类的新型预测方法，如80年代后期流

行的专家系统法、90年代后期发展起来的人工神经网络法等。下面分别

介绍这些主要预测方法。

1回归分析法

回归分析是一种经典统计学上分析数据的方法，通过对历史负荷数据

进行统计归纳分析，寻找预测输入变量与影响负荷变量之间的某种相关的

线性或非线性关系，并以此关系的规律建立数学模型，从而实现对未来负

荷的基本预测。简单来讲就是建立自变量与因变量之间关系模型，依照变

量数目的不同，一般分为单元和多元回归分析。该方法原理成熟、计算简

便、运算速度快，但是过分依赖历史负荷数据，对样本容量需求过大，对

平稳的且大量的历史数据有着不错的预测效果，但是在遇到气温，节假日

等变化较大因素的影响下，该方法无法反映实时与非线性的影响关系。

2趋势外推法

节假日、社会环境、天气变化会对电力负荷波动造成干扰，尽管在形

成这种具有随机性、不确定性的情况下，电力负荷总是本质的保持着一定

的波动趋势。我们可以在其中找出负荷的这种趋势，根据这些负荷变化的

相关历史趋势，拟合一条负荷波动趋势曲线，按照这条拟合出来的曲线的

发展趋势，估计曲线上在未来某点的负荷变化，根据不同的负荷波动，采

用不同的曲线拟合，这就是所谓的趋势外推法。此方法优点与缺点同样突

出，优点是所需历史负荷数据样本较少，特点是作趋势向外推断，完全忽

略分析内部的不确定成分，缺点是对影响因素变化大的因子无法考虑进来，

如果负荷波动较大，那么误差将会增大。

3时间序列法

时间序列分析法是将历史负荷变化所产生的变化规律，依照时间的先

后顺序进行排序，以时间为轴揭示负荷随时间变化而变化的发展规律，利

用这种对应关系，就可以将过去时间里发生的负荷变化规律作为未来时间

里负荷变化的预测根据。同样，时间序列法在电网正常运行，受外部环境

影响变化小的平稳状态下具有良好的预测精度，但是对时间序列的平稳性

要求过高，一旦负荷受到特殊事件（如停机等）不确定性因素的影响，那

么该方法也将失去其预期的效果。

4专家系统法

专家系统其实是一种复杂的计算机程序设计系统，将计算机模拟成负

荷预测的人类专家，基于历史负荷变化知识数据库，汇集人工经验智能的

利用计算机处理负荷信息，按照专家水平进行预测判断工作。专家系统结

构如图1所示。在处理节假日等需要依靠人工经验来判断的不确定性影响

因素对负荷影响产生较大的变化时，此方法有取得了很好的效果，但是各

个地区的电力环境不同，造成计算机程序复杂，数据庞大，能否准确的对

各个因素对负荷造成的影响进行定量分析成为了一个较为难以克服的困难。

5人工神经网络法

人工神经网络是模拟人脑智能化地处理信息的人工智能预测方法，它

通过学习获得最优的参数，处理预测输出与输入影响变量之间复杂的非线

性关系，对于分析处理任意复杂的非线性关系问题以及随机的不确定性问

题有着良好的解决问题能力。正因为它具有出色的学习能力，预测过程中

都可以随时不断地选择新的训练样本来优化和微调系统参数，这样对非结

构性、模糊性的规律具有一定的自适应功能，避免了数学建模的困难，也

提高了系统计算的时间，相比较前面介绍的四种方法，它还能考虑并反映

出各种不确定性因素（如气候、特殊事件、节假日因素等）对负荷造成的

干扰影响，更加适用于短期负荷预测。但是，人工神经网络预测也存在许

多缺陷，网络的层数和神经元的选择基本上要依靠经验反复实验帮助确定，

且网络收敛慢，容易陷入局部收敛。它本质上是一种基于经验风险最小化

的方法，范化能力有限，另外在小样本学习方面也受到了不小限制。

6支持向量机法

支持向量机（SupportVectorMachine，SVM）是由BELL实验室的

Vapnik等人在20世纪70年代中期提出的一种新型机器学习算法，因其

卓越的性能，在模式识别和处理函数回归估计问题等诸多领