【《电力系统负荷预测原理与方法综述》4500字】

电力系统负荷预测原理与方法综述目录TOC\o"1-3"\h\u8735电力系统负荷预测原理与方法综述 1108241.1电力系统负荷特点 2195221.1电力系统负荷预测原理 2132021.3负荷预测模型 5315831.4电力系统负荷预测方法 6134991.3.1基于数学模型的预测方法 6263141.3.2人工智能方法 71.1电力系统负荷特点由于电力系统负荷与社会政策、人类活动、季节变化、自然天气等多种影响因素之间存在着错杂的非线性关系,准确地预测电力系统负荷数据的工作变得非常困难[1]。能对电力系统负荷造成影响的因素很多,在这些因素的影响下，电力负荷会具有非线性、复杂性和滞后性等特点[2]。由于电力负荷一般在不同周期的同一时间点会拥有同样的性质。这就为负荷预测提供了一定基础，而目前的主要工作便是充分考虑到不同周期中可能会对预测产生影响的变量。1.1电力系统负荷预测原理进行准确的电力系统负荷预测需要许多因素，包括良好准确的历史数据、科学的建模、严谨的算法，并要仔细地去验证[10]。下面是电力系统负荷预测的大致流程。图2-1电力系统负荷预测基本过程收集大量的历史数据是负荷预测工作的关键,架构科学有效的预测模型,采用严谨实用的算法,把历史数据作为基础,开始反复的试验性科研,总结之前的经验,不断验证修改模型和算法,来总结探究电力负荷的真实变化规律。电力系统负荷预测的大致过程如下。(1)调查和选择历史负荷数据资料从各个方面收集整理材料,包括电力公司和国家电力企业的内部资料和外部资料,从大量的材料中选择出可以用到的一部分材料,也就是把资料精炼至最低数目。在选择材料时应选择那些可信直接且新颖的材料。如果材料的搜集和选取没有达到预期的要求，,势必会极大的影响到负荷预测的准确度。(2)历史资料的整理一般来说,因为电力系统负荷预测的准确度只能无限贴合所用资料的准确度且不能超过,所以必须将得到的与负荷相关的所有资料都进行检验和一定的处理加工,来确保资料的准确度,从而为电力系统负荷预测的准确度打下坚实的基础,即我们一定要十分注意确保资料的完好无缺,数字精确无误,其资料中显示出来的都应当是正常工作状态下的数据,资料中应删去不正常的"分离项",还要时刻关注资料的查缺补漏,并对不符合现实的资料进行印证调整更改。(3)对负荷数据的预处理在初步分析整理选择数据后,还要对所有准备应用的资料作数据分析预处理,即对历史资料中的非正常值的平稳处理以及丢失数据的查缺补漏,针对非正常数据,一般采用水平处理、垂直处理方法。横向处理数据是:在分析数据时确定前两个基准时间点的负荷，确定需要处理的数据的最大浮动范围，在数据超出规定范围时，将待处理的数据视为不理想，并使用平均基数使其数据流畅;纵向数据的处理和前处理数据的过多与全天的小型审议周期，确定同一加载点的不同周期应具有相同的性质，同一时间的加载值应在一定范围内，改变对不良数据的修改范围，数据需要在最近几天处理，此时的平均负载应保持稳定。(4)建立负荷预测模型负荷模型预测模型的主要目的是负荷预测所得到的数据信息的一个概括,预测数据模型是多种多样且有着各自的优缺点,因此,要针对不同的数据资料来选择不同的负荷预测模型,在负荷预测中这是不可或缺至关重要的一项工作。如果模型选择出现问题,得到了误差较大的负荷预测结果，就必须马上更换其他模型,必要时,可以应用不同种类的数学模型来进行负荷预测操作,以便对比、选择。当选择科学预测方法时，将通过计算机程序进行预测，以开发一个运算模型。由于所发现的运量演变模式并不代表未来的格局，应分析影响预测对象的新因素，并对预测模型进行适当的。1.1.1电力负荷预测性能指标负荷预测得到数据的准确度的评价指标相对误差（RE）、均方根误差(RMSE)、平均绝对误差（MAE）、均方误差(MSE)绝对百分比误差(absolutepercentageerror,APE)等。通常采用所有样本APE的平均值平均相对误差(meanabsolutepercentageerror,MAPE)MAPE衡量负荷预测模型的整体性能。相对误差（RE）（2-1）式中和分别表示t时刻时的电力驱动负荷的真实预测值和t时电力驱动负荷的真实预测值。均方根误差（RMSE）（2-2）式中和分别指的是真正预测值的样本两个时间节点t和总时间节点t两个时刻的样本电力荷载负荷真正预测值和样本总时间电力荷载负荷的真正样本预测值,i=1,n为总时间电力荷载负荷真正预测值和样本的真正个数。平均绝对误差（MAE）（2-3）式中和分别指的是真正预测值的样本两个时刻节点t和总时间节点t两个时刻的样本电力荷载负荷真正预测值和样本总时间电力荷载负荷的真正样本预测值,i=1,n为总时间电力荷载负荷真正预测值和样本的真正个数。均方误差（MSE）（2-4）式中表示预测值，表示真实值。平均相对误差（MAPE）（2-5）式中和分别指的是真正预测值和样本确定时刻节点t确定时间节点t样本时刻的确定电力荷载负荷真正预测值和确定总时间电力荷载负荷的真正荷载预测值,i=1,n为总时间电力荷载负荷真正预测值和样本时刻个数的数量总和。MSE的值越小，预测模型描述的实验数据越好。1.3负荷预测模型短时间内电力系统车载负荷变化预测的模型传统分析模型主要分为有以下两类,第一类模型指的主要是基于传统的运行长度和滑动时间平均顺序积分模型,自滑动回归平均积分和传统滑动平均积分模型[17](autoregressiveintegratedmovingaveragemodel,ARIMA)是其中最为代表性的模型。它主要是詹金斯、博克思于世纪七十年代首次成功提出的一种对于一个时间轴的顺序关系进行数学预测的早期经典计算方法。ARIMI序列模型的基本结构设计逻辑思想主要特点是:将一个大型电力系统负载随着持续时间的快速推移而不断变化所产生形成的随机数据放在序列中就可以把它看作也就是一个随机的数据序列,通过该序列可以分析电力负载变动的规律及其特征,以及对未来电力负载做出预测。它的主要优点是因为充分地考虑到了数据之间的时序属性关系,而且缺点是由于对不同的非线性关系下数据的预测能力有限。第二类是机器学习模型。机器学习模型按照可使用的数据类型分为监督学习和无监督学习两大类，监督学习主要包括用于分类和用于回归的模型，分类监督学习线性分类器（如LR)、支持向量机（SVM）、朴素贝叶斯（NB）[18]、K近邻（KNN）[19]、决策树（DT）、集成模型（RF/GDBT等）[20]；回归监督学习线性回归、支持向量机（SVM）、K近邻（KNN）、回归树（DT）、集成模型（ExtraTrees/RF/GDBT）。无监督学习主要包括：数据聚类（K-means）/数据降维（PCA）[21]等等.为了有效地研究解决以上两类技术模型之间几乎无法同时兼顾大量大型数据的短期时间空间序性和非线性时间关系中的复杂问题,本文简要论述介绍了一种模型，可以同时兼顾解决了大量大型数据的短期时间空间序性和非线性时间性中的复杂问题，并且这种记忆神经网络在短期记忆回归数据预测的技术基础上同时考虑并做到了大量数据之间的长期相关性。1.4电力系统负荷预测方法电力系统负荷预测方法目前有神经网络法[11]、时间序列法[12]、回归分析法[13]、支持向量机法(SVM)[14]、模糊预测法[15]。1.3.1基于数学模型的预测方法（1）时间序列法

可以利用一定时间间隔序列分析方法收集分析有关电力系统负荷的相关历史数据资料量它是按一定的一个时间序列间隔对其数据进行了大量采样并进行记录以后的所形成的有序历史数据量的集合,因此它们可以是一个大小相当于一定时间的间隔序列,使用这种可以利用一定时间间隔序列的分析方法收集分析资料是目前为止我国在有关电力系统短期电力负荷的历史预测中已经初步发展较为成熟的一种分析算法,根据与电力系统负荷相关的历史资料数据,通过开发一个数学分析模型，确定电力系统不同负荷变化的模式，并在该模型的基础上，绘制负载预测和未来未来的预测[16]。时间顺序编码方法的优点之一是所使用的必须数据少,工作量小;而且计算速度更快;它体现了负载近期变动的连贯性。时间序列法中存在的缺陷和不足之处就是建模的过程相对复杂,需要很多的理论知识;该模型对于原始时间序列的平稳性有着更高的标准,其一般只适合用于负荷状态变化不剧烈的较短的时间预测;无影响负载的因素无法得到考虑，不确定因素(例如天气、假日等)没有得到充分考虑，当天气变化较大或遇到节假日时,该模型预测误差较大。

（2）回归分析法

回归负荷分析法的主要目的是根据各种历史统计资料的负荷变动变化规律及其他一些可能或将会直接导致各种电力负荷变动发生重大变动的重要因素,寻找各种自然的变量.与其基因数学类型中各个类自变量的相互作用关联性及其应用回归分析方程式,确定各种预测模型的基本参数,据此模型可以准确推断将来某一特定时刻的各种负荷变动值。回归数据分析法的主要技术优点之处在于其数据计算过程原理和数据结构表达形式简单,预测速度快,外推性能好,对于这一时期并未发生的历史状态有一个较好的前景预测。存在的缺点之处就是对于历史资料的要求相对较高,采用非线性的方法来描述一些比较复杂的问题,结构形式太简单,精度相对较低;这个模型不能够详细地描述任何一个可能会造成影响负载的各种因素,模型的初始化困难相当严重,需要积累丰富的实践经验与较高的技术水平。1.3.2人工智能方法（1）神经网络法神经网络预测方法技术是目前最先进的针对电压和电流负荷变化预测处理技术。神经网络技术作为当前现代化的人工智能和云计算基础技术的一种,已经大范围应用在图像识别、自然语言处理、机器翻译、自动无人驾驶等多个技术方面。谷歌、百度、阿里、科大讯和腾飞等国内外著名企业人工智能开发公司中最主要的几个公司人工智能开发算法均认为是基于深度神经网络。同样的,神经网络也被广泛认为仅仅是在现代能源技术中已经具有很广泛的技术应用。神经网络网络是在选定一段时间内作为培训样品选定的负载之后，并建立一个适当的网络结构，利用特定的培训算法对网络进行培训，以达到预期的测量精度，此人工神经网络模型可以被用来作为一个短期负荷运动预测的基础模型,实践结果表明人工神经网络的短期负荷预测模型具有较高的预测准确率。人工神经网络的最大优势一点是它们要能够对大量的非一定结构性、非一定准确性的物理规律都同时具有人主自适应的处理能力,具有对规律信息的自动记忆、自主自动学习、知识点的推理和逻辑优化以及计算的独特性等,并且它还要具有很强的数据计算分析能力、复杂的数据映射计算能力、容错的数据分析计算能力及其他各类算法智能手机数据处理的综合能力,尤其重要的一点是它们对自动学习和自主相适应的处理功能也应该是其它各类算法不具备可以完全具备的。神经网络学习方法的最大缺陷就是存在于学习模型数据架构的合理搭设,学习数据速率的不断优化,以及寻求局部尽可能低的学习点位等都是技术上的重大难题。（2）支持向量机法

以统计理论为基础的计量矢量法是一种自动化学习方法，在数量有限的样本中很好地实现VC在理论和结构风险的最低原则，它带来了一些显著的优势，例如广泛性、覆盖能力强、覆盖面和范围和计算速度。然而，在这些情况下