國(guó)內(nèi)外關(guān)于電力系統(tǒng)負(fù)荷預(yù)測(cè)的研究現(xiàn)狀分析

張彥宇，肖　茜（.湖南鐵道職業(yè)技術(shù)學(xué)院，湖南　株洲　400；.株洲市工業(yè)中等專業(yè)學(xué)校，湖南　株洲　4008）

?

國(guó)內(nèi)外關(guān)于電力系統(tǒng)負(fù)荷預(yù)測(cè)的研究現(xiàn)狀分析

張彥宇1，肖茜2
（1.湖南鐵道職業(yè)技術(shù)學(xué)院，湖南株洲412001；2.株洲市工業(yè)中等專業(yè)學(xué)校，湖南株洲412008）

摘要：本文主要討論了國(guó)內(nèi)外電力系統(tǒng)負(fù)荷預(yù)測(cè)的研究現(xiàn)狀，簡(jiǎn)單介紹了幾種預(yù)測(cè)方法，包括回歸分析法、、趨勢(shì)外推法、時(shí)間序列法、專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法。為電力系統(tǒng)負(fù)荷預(yù)測(cè)研究提供參考。

關(guān)鍵詞：負(fù)荷預(yù)測(cè)；數(shù)學(xué)統(tǒng)計(jì)；人工智能

0　引言

自上世紀(jì)70年代開(kāi)始，國(guó)內(nèi)外對(duì)電力系統(tǒng)負(fù)荷預(yù)測(cè)的研究熱情逐漸升溫，進(jìn)入上世紀(jì)80年代，我國(guó)步入到大力發(fā)展經(jīng)濟(jì)建設(shè)的階段，電力需求極度旺盛，然而能源又極度緊張，電力供電一度出現(xiàn)供應(yīng)不足的情況，負(fù)荷預(yù)測(cè)開(kāi)始成為電力公司一項(xiàng)必要的日常工作任務(wù)。20世紀(jì)90年代，全球電力市場(chǎng)化層層滲透，隨著科學(xué)技術(shù)的迅猛發(fā)展，新的預(yù)測(cè)方法層出不窮，為電力負(fù)荷預(yù)測(cè)問(wèn)題的研究提供了后備力量。

長(zhǎng)久以來(lái)，國(guó)內(nèi)外學(xué)者以及電力相關(guān)從業(yè)人員在長(zhǎng)期的實(shí)踐研究過(guò)程中，不斷探索負(fù)荷預(yù)測(cè)新方法，隨著近年來(lái)各種數(shù)學(xué)模型的涌現(xiàn)，以及人工智能的發(fā)展，出現(xiàn)了不少新穎的預(yù)測(cè)方法，這些方法大概能分成兩大類別：一類是數(shù)學(xué)統(tǒng)計(jì)類的經(jīng)典預(yù)測(cè)方法，比如回歸分析法、趨勢(shì)外推法、時(shí)間序列法等；另一類是人工智能類的新型預(yù)測(cè)方法，如80年代后期流行的專家系統(tǒng)法、90年代后期發(fā)展起來(lái)的人工神經(jīng)網(wǎng)絡(luò)法等。下面分別介紹這些主要預(yù)測(cè)方法。

1　回歸分析法

回歸分析是一種經(jīng)典統(tǒng)計(jì)學(xué)上分析數(shù)據(jù)的方法，通過(guò)對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行統(tǒng)計(jì)歸納分析總結(jié)，尋找預(yù)測(cè)輸入變量與影響負(fù)荷變量之間的某種相關(guān)的線性或非線性關(guān)系，并以此關(guān)系的規(guī)律建立數(shù)學(xué)模型，從而實(shí)現(xiàn)對(duì)未來(lái)負(fù)荷的基本預(yù)測(cè)。簡(jiǎn)單來(lái)講就是建立自變量與因變量之間關(guān)系模型，依照變量數(shù)目的不同，一般分為單元和多元回歸分析。該方法原理成熟、計(jì)算簡(jiǎn)便、運(yùn)算速度快，但是過(guò)分依賴歷史負(fù)荷數(shù)據(jù)，對(duì)樣本容量需求過(guò)大，對(duì)平穩(wěn)的且大量的歷史數(shù)據(jù)有著不錯(cuò)的預(yù)測(cè)效果，但是在遇到氣溫，節(jié)假日等變化較大因素的影響下，該方法無(wú)法反映實(shí)時(shí)與非線性的影響關(guān)系。

2　趨勢(shì)外推法

節(jié)假日、社會(huì)環(huán)境、天氣變化會(huì)對(duì)電力負(fù)荷波動(dòng)造成干擾，盡管在形成這種具有隨機(jī)性、不確定性的情況下，電力負(fù)荷總是本質(zhì)的保持著一定的波動(dòng)趨勢(shì)。我們可以在其中找出負(fù)荷的這種趨勢(shì)，根據(jù)這些負(fù)荷變化的相關(guān)歷史趨勢(shì)，擬合一條負(fù)荷波動(dòng)趨勢(shì)曲線，按照這條擬合出來(lái)的曲線的發(fā)展趨勢(shì)，估計(jì)曲線上在未來(lái)某點(diǎn)的負(fù)荷變化，根據(jù)不同的負(fù)荷波動(dòng)，采用不同的曲線擬合，這就是所謂的趨勢(shì)外推法。此方法優(yōu)點(diǎn)與缺點(diǎn)同樣突出，優(yōu)點(diǎn)是所需歷史負(fù)荷數(shù)據(jù)樣本較少，特點(diǎn)是作趨勢(shì)向外推斷，完全忽略分析內(nèi)部的不確定成分，缺點(diǎn)是對(duì)影響因素變化大的因子無(wú)法考慮進(jìn)來(lái)，如果負(fù)荷波動(dòng)較大，那么誤差將會(huì)增大。

3　時(shí)間序列法

時(shí)間序列分析法是將歷史負(fù)荷變化所產(chǎn)生的變化規(guī)律，依照時(shí)間的先后順序進(jìn)行排序，以時(shí)間為軸揭示負(fù)荷隨時(shí)間變化而變化的發(fā)展規(guī)律，利用這種對(duì)應(yīng)關(guān)系，就可以將過(guò)去時(shí)間里發(fā)生的負(fù)荷變化規(guī)律作為未來(lái)時(shí)間里負(fù)荷變化的預(yù)測(cè)根據(jù)。同樣，時(shí)間序列法在電網(wǎng)正常運(yùn)行，受外部環(huán)境影響變化小的平穩(wěn)狀態(tài)下具有良好的預(yù)測(cè)精度，但是對(duì)時(shí)間序列的平穩(wěn)性要求過(guò)高，一旦負(fù)荷受到特殊事件（如停機(jī)等）不確定性因素的影響，那么該方法也將失去其預(yù)期的效果。

4　專家系統(tǒng)法

專家系統(tǒng)其實(shí)是一種復(fù)雜的計(jì)算機(jī)程序設(shè)計(jì)系統(tǒng)，將計(jì)算機(jī)模擬成負(fù)荷預(yù)測(cè)的人類專家，基于歷史負(fù)荷變化知識(shí)數(shù)據(jù)庫(kù)，匯集人工經(jīng)驗(yàn)智能的利用計(jì)算機(jī)處理負(fù)荷信息，按照專家水平進(jìn)行預(yù)測(cè)判斷工作。專家系統(tǒng)結(jié)構(gòu)如圖1所示。在處理節(jié)假日等需要依靠人工經(jīng)驗(yàn)來(lái)判斷的不確定性影響因素對(duì)負(fù)荷影響產(chǎn)生較大的變化時(shí)，此方法有取得了很好的效果，但是各個(gè)地區(qū)的電力環(huán)境不同，造成計(jì)算機(jī)程序復(fù)雜，數(shù)據(jù)龐大，能否準(zhǔn)確的對(duì)各個(gè)因素對(duì)負(fù)荷造成的影響進(jìn)行定量分析成為了一個(gè)較為難以克服的困難。

5　人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)是模擬人腦智能化地處理信息的人工智能預(yù)測(cè)方法，它通過(guò)學(xué)習(xí)獲得最優(yōu)的參數(shù)，處理預(yù)測(cè)輸出與輸入影響變量之間復(fù)雜的非線性關(guān)系，對(duì)于分析處理任意復(fù)雜的非線性關(guān)系問(wèn)題以及隨機(jī)的不確定性問(wèn)題有著良好的解決問(wèn)題能力。正因?yàn)樗哂谐錾膶W(xué)習(xí)能力，預(yù)測(cè)過(guò)程中都可以隨時(shí)不斷地選擇新的訓(xùn)練樣本來(lái)優(yōu)化和微調(diào)系統(tǒng)參數(shù)，這樣對(duì)非結(jié)構(gòu)性、模糊性的規(guī)律具有一定的自適應(yīng)功能，避免了數(shù)學(xué)建模的困難，也提高了系統(tǒng)計(jì)算的時(shí)間，相比較前面介紹的四種方法，它還能考慮并反映出各種不確定性因素（如氣候、特殊事件、節(jié)假日因素等）對(duì)負(fù)荷造成的干擾影響，更加適用于短期負(fù)荷預(yù)測(cè)。但是，人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)也存在許多缺陷，網(wǎng)絡(luò)的層數(shù)和神經(jīng)元的選擇基本上要依靠經(jīng)驗(yàn)反復(fù)實(shí)驗(yàn)幫助確定，且網(wǎng)絡(luò)收斂慢，容易陷入局部收斂。它本質(zhì)上是一種基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的方法，范化能力有限，另外在小樣本學(xué)習(xí)方面也受到了不小限制。

6　支持向量機(jī)法

支持向量機(jī)（Support Vector Machines， SVM）是由BELL實(shí)驗(yàn)室的Vapnik 等人在20世紀(jì)70年代中期提出的一種新型機(jī)器學(xué)習(xí)算法，因其卓越的性能，在模式識(shí)別和處理函數(shù)回歸估計(jì)問(wèn)題等諸多領(lǐng)域內(nèi)受到了各研究學(xué)者們的強(qiáng)烈青睞。支持向量機(jī)與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法所采用的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化歸納原則是截然不同的，它實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化（Structure Risk Minimization， SRM）的歸納原則，對(duì)未來(lái)樣本的泛化能力明顯增強(qiáng)。從理論上說(shuō)，SVM的訓(xùn)練相當(dāng)于解決一個(gè)線性約束的二次規(guī)劃問(wèn)題，所以必然存在解，獲得的將會(huì)是全局最優(yōu)解，這樣就無(wú)形解決了人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法中根本無(wú)法規(guī)避的局部極值問(wèn)題。對(duì)應(yīng)的支持向量本質(zhì)上是訓(xùn)練樣本集的子集，對(duì)訓(xùn)練樣本集進(jìn)行分類實(shí)際上就是對(duì)支持向量進(jìn)行最低分類。 當(dāng)Vapnik引入ε-

不敏感損失函數(shù)之后，支持向量機(jī)由原來(lái)解決簡(jiǎn)單的模式識(shí)別問(wèn)題擴(kuò)展為解決復(fù)雜的非線性回歸估計(jì)問(wèn)題，我們把這一擴(kuò)展內(nèi)容稱之為支持向量回歸法（Support Vector Regression， SVR）。將各種負(fù)荷影響因子的歷史信息作為系統(tǒng)輸入量，建立訓(xùn)練樣本空間，采用非線性映射變換方法將低維空間映射到高維特征空間，構(gòu)造線性函數(shù)進(jìn)行線性回歸，巧妙地解決了維數(shù)問(wèn)題，構(gòu)建SVM目標(biāo)函數(shù)，將訓(xùn)練好的預(yù)測(cè)模型應(yīng)用于電力系統(tǒng)的負(fù)荷預(yù)測(cè)中去。影響電力系統(tǒng)短期負(fù)荷預(yù)測(cè)精度的因素包括日照、氣溫等氣象因素及國(guó)家政策、節(jié)假日因素等其它不確定性影響因素。可見(jiàn)，電力負(fù)荷由于這些因素的影響，本身就是一個(gè)復(fù)雜的非線性系統(tǒng)，而SVM模型求解算法簡(jiǎn)單、泛化能力強(qiáng)、收斂速度快，在解決有限小樣本、非線性系統(tǒng)及高維識(shí)別問(wèn)題中具有超群的優(yōu)越性，如果將其置于短期負(fù)荷預(yù)測(cè)上，顯然SVM方法比起上述其他預(yù)測(cè)方法更加適用于電力系統(tǒng)本身。隨著機(jī)器學(xué)習(xí)，支持向量機(jī)的不斷發(fā)展，在此基礎(chǔ)上不斷改良的支持向量機(jī)預(yù)測(cè)方法逐漸涌現(xiàn)，人們追求更高的預(yù)測(cè)精度的訴求一直在不斷擴(kuò)進(jìn)。同時(shí)，尋找滿足適合各類電網(wǎng)環(huán)境的負(fù)荷預(yù)測(cè)新方法也成為了人們繼續(xù)研究的新命題。

7　結(jié)束語(yǔ)

本文通過(guò)分析基于數(shù)學(xué)統(tǒng)計(jì)的經(jīng)典預(yù)測(cè)方法和基于人工智能的新預(yù)測(cè)方法，將回歸分析法、、趨勢(shì)外推法、時(shí)間序列法、專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法進(jìn)行了比較分析，得出支持向量機(jī)是當(dāng)前最合適的一種方法。

參考文獻(xiàn)：

［1］斐樂(lè)萍.縣級(jí)區(qū)域短期電力負(fù)荷預(yù)測(cè)研究［D］.華北電力大學(xué)，2014.

［2］尹立.基于支持向量機(jī)的某區(qū)域電網(wǎng)電力需求的預(yù)測(cè)研究［D］.北京交通大學(xué)，2014.

［3］蔡劍彪.基于云計(jì)算的智能電網(wǎng)負(fù)荷預(yù)測(cè)平臺(tái)研究［D］.湖南大學(xué)，2013.

DOI:10.16640/j.cnki.37-1222/t.2016.11.198

作者簡(jiǎn)介：張彥宇，男，工程碩士，講師，技師，主要從事自動(dòng)控制、電氣工程等方面的研究。