白曉昆
【摘 要】 電力系統(tǒng)的短期負(fù)荷預(yù)測是指提前一天至一周的負(fù)荷預(yù)測,是EMS系統(tǒng)的重要組成部分,其預(yù)測精度直接影響到電網(wǎng)及各發(fā)電廠的經(jīng)濟(jì)效益。電力系統(tǒng)短期負(fù)荷預(yù)測是制定電網(wǎng)調(diào)度計(jì)劃、削峰填谷、實(shí)現(xiàn)需求側(cè)響應(yīng)的重要基礎(chǔ)。本文對現(xiàn)階段電網(wǎng)負(fù)荷預(yù)測方法和研究現(xiàn)狀進(jìn)行了梳理和總結(jié),并提出了相關(guān)結(jié)論,展望了未來的研究方向。
【關(guān)鍵詞】 電力系統(tǒng) 負(fù)荷預(yù)測 負(fù)荷研究
1 基本概念
電力系統(tǒng)的短期負(fù)荷預(yù)測是指提前一天至一周的負(fù)荷預(yù)測,短期負(fù)荷受日期類型、天氣因素特殊事件等許多外界因素的影響,其變化既具有周期性,又存在隨機(jī)性,要準(zhǔn)確預(yù)測十分困難。負(fù)荷預(yù)測研究已有五十多年歷史,從傳統(tǒng)經(jīng)典的回歸法[1]、指數(shù)平滑法[2]、時(shí)間序列分析法[3]、狀態(tài)空間法到現(xiàn)代隨著人工智能技術(shù)出現(xiàn)的專家系統(tǒng)[4]、進(jìn)化算法人工神經(jīng)網(wǎng)絡(luò)[5]、模糊集理論[6]、灰色系統(tǒng)理論[7]、混沌理論、小波分析等方法。每種方法在進(jìn)行負(fù)荷預(yù)測時(shí),都有各自的優(yōu)缺點(diǎn),到目前為止,還沒有哪一種方法能對負(fù)荷進(jìn)行很好的預(yù)測。
2 國內(nèi)外研究現(xiàn)狀
SVM比神經(jīng)網(wǎng)絡(luò)法具有更高的預(yù)測精度和魯棒性,并且SVM的訓(xùn)練等價(jià)于解決一個(gè)線性約束的二次規(guī)劃問題,因而SVM 模型的解是唯一的、最優(yōu)的。對基于高斯核函數(shù)的支持向量機(jī)進(jìn)行了分析,在對數(shù)據(jù)進(jìn)行預(yù)處理的基礎(chǔ)上,給出了學(xué)習(xí)參數(shù)的確定方法,并提出了高斯核函數(shù)參數(shù)的交替優(yōu)化算法。結(jié)合粗糙集理論和遺傳算法的最小二乘支持向量機(jī)短期負(fù)荷預(yù)測模型和算法,該算法采用RS理論進(jìn)行歷史數(shù)據(jù)的預(yù)處理,并采用GA來確定與負(fù)荷密切相關(guān)的因素以及對LS-SVM的模型參數(shù)進(jìn)行自適應(yīng)尋優(yōu),解決了傳統(tǒng)LS-SVM對歷史數(shù)據(jù)的預(yù)處理及確定預(yù)測模型參數(shù)的問題。短期負(fù)荷最優(yōu)組合預(yù)測方法根據(jù)各種預(yù)測方法在不同時(shí)刻預(yù)測精度的不同進(jìn)行有序賦權(quán),從而綜合各個(gè)模型的優(yōu)點(diǎn),降低預(yù)測結(jié)果對某一方法的依賴性,改善模型的擬合能力并得到更為準(zhǔn)確的結(jié)果。
3 常用方法介紹
3.1 時(shí)間序列
70年代初期,博克思(Box)和詹金斯(Jenkins)提出了一種時(shí)間序列預(yù)測方法,即ARIMA模型,其全稱為差分自回歸移動平均模型(Autoregressive Integrated Moving Average Model,簡記ARIMA)。依據(jù)原序列平穩(wěn)與否及回歸中所含不同部分可將其分為移動平均過程(MA)、自回歸過程(AR)、自回歸移動平均過程(ARMA)和ARIMA過程。
3.2 灰色模型
灰色系統(tǒng)建模與傳統(tǒng)方法相比,其優(yōu)越性主要在于以下兩個(gè)方面。其中的一條是為保證精度要求,傳統(tǒng)方法需要較多的原始數(shù)據(jù),而灰色系統(tǒng)建模沒有此項(xiàng)要求,其要求較之傳統(tǒng)方法寬泛了許多。第二條是灰色系統(tǒng)建模一般通過一定的方式對原始數(shù)據(jù)進(jìn)行處理,使原始數(shù)據(jù)變?yōu)橐唤M規(guī)律性較強(qiáng)的生成數(shù)據(jù),從而離散數(shù)據(jù)變得更為光滑。一般的灰色模型即為GM(n,h),它表示形成了h個(gè)變量的n階微分方程,實(shí)際運(yùn)用最多的是GM(1,1)。
4 結(jié)語
近年來,隨著風(fēng)電、光伏等非線性電源的增加、負(fù)荷特性更加不規(guī)律,給精確的負(fù)荷預(yù)測帶來了一定難度。因此,需要進(jìn)一步研究適合波動大、非線性強(qiáng)的負(fù)荷的預(yù)測方法。研究表明,組合預(yù)測方法能夠在長期的預(yù)測過程中減少預(yù)測的失效、增加預(yù)測精度和穩(wěn)定度,因此,進(jìn)一步對組合預(yù)測的權(quán)重優(yōu)化進(jìn)行研究,是未來預(yù)測領(lǐng)域一個(gè)重要研究方向。
參考文獻(xiàn):
[1]張林,羅曉初,等.基于時(shí)間序列的電力負(fù)荷預(yù)測新算法研究[J].電網(wǎng)技術(shù),2006(30):595-599.
[2]Rahman S,Bhatnagar R.An expert system based algorithm for short term load forecast[J].IEEE Transactions on Power System,1998(2):392-399.
[3]Hippert H.S,Pedreira C.E,Castro R.Neural networks for short-term load forecasting:A review and evaluation. IEEE Transactions on Power System[J].2001(1):44-55.
[4]廖峰,劉清良,等.基于改進(jìn)灰色模型與綜合氣象因素的母線負(fù)荷預(yù)測[J].電網(wǎng)技術(shù),2011(11):183-188.
[5]姚永剛,張亞華.基于混沌理論的電力短期負(fù)荷預(yù)測[J].華東電力,2007(5):7-10.
[6]謝宏,魏江平,劉鶴立.短期負(fù)荷預(yù)測中支持向量機(jī)模型的參數(shù)選取和優(yōu)化方法[J].中國電機(jī)工程學(xué)報(bào),2006(22):17-22.
[7]耿艷,韓學(xué)山,韓力.基于最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測[J].電網(wǎng)技術(shù),2009(18):72-76.