摘要：文章从电力负荷预测的分类、负荷预测的方法等角度综述了负荷预测目前的研究成果, 分析了基于大数据技术进行电力负荷预测的必要性, 研究了目前大数据的在负荷预测中的应用, 为电力负荷预测的进一步研究奠定基础。
关键词：电力负荷预测; 人工智能; 大数据; 模型预测;
1 负荷预测的分类
按照预测时间的长短, 电力负荷预测可以分为超短期、短期、中期、长期电力负荷预测, 这四类负荷预测的预测对象、研究内容以及预测用途有所不同。超短期负荷预测关注的是未来数小时之内的负荷变化, 主要用于监控电力设备的运行情况;短期负荷预测针对数日到数周的负荷, 可以为水电调度、机组启停提供重要参考, 是电网日常运行的基础;中期负荷预测输出数周到数月的负荷, 预测用途是为电力系统安排检修以及燃料采购等提供支撑;长期负荷预测是对未来数年用电情况和走势的预测, 用于电网规划、电网改造和扩建等方面。
从负荷预测的输出形式来分, 可以分为点预测和概率预测。点预测是给出预测时间点的确定负荷值, 是较常用的输出形式;概率预测是给出预测区间、概率分布函数等, 从多个方面描述未来预测负荷值的情况, 能够提供预测的更多信息。
2 电力负荷预测方法研究
国内外大量学者对负荷预测理论和方法进行了大量研究, 从目前来看, 负荷预测一般可分为经典预测方法、智能预测方法。中长期、短期、超短期电力负荷预测需要考虑的用电需求因素不同:中长期预测的影响因素有外部因素和内部因素, 外部因素有经济发展水平、居民收入、人口数量、工业企业数量、气候变化、国家政策、城镇化进程等因素;内部因素主要是电价因素, 考虑电价对用电需求的影响。短期和超短期预测需要考虑的因素较中长期少, 主要有:历史电力负荷数据、气温、天气、日期、用户性质 (商用、民用) 、淡季旺季、居民小区位置等。就预测方法而言, 从目前的参考文献来看, 中长期与短期预测方法未见明显差异, 下面将对这些方法进行说明, 并就典型方法代表和在此基础上的改进算法进行分析。
电力负荷预测中的经典预测方法有回归预测法、时间序列预测法、灰色预测法。回归预测法是建立在电力负荷回归模型基础上的, 将负荷作为因变量, 将对负荷有影响的因素作为回归自变量, 通过大量历史数据进行统计分析与拟合, 建立回归模型, 回归预测法原理简单、预测速度快, 但是预测精度有待提高。
时间序列法认为电力负荷是具有周期性规律的时间序列, 通过建立历史负荷数据与一些负荷影响因子的模型进行负荷预测。时间序列模型可分为自回归、移动平均、自回归移动平均、累积式自回归移动平均等模型。时间序列法容易受原始数据中异常数据的影响, 不适用于波动性较大地区的负荷预测。研究者针对时间序列法展开了不断的研究和探索, 有学者对短期负荷模型进行了分析, 并针对不同负荷数量采用不同的模型, 比较了时间序列法和卡尔曼滤波法在预测中的差别, 得出了时间序列法的适用范围。陆兴华等人针对电力系统负荷数据的非线性特性, 提出了一种采用递归熵特征提取的负荷预测模型, 提取定量递归特征熵作为非线性特征进行负荷预测, 得到了较好的预测精度。有的学者将数学理论中的小波和分形引入电力负荷研究, 利用时频分析方法构建预测模型。李亦言等人采用小波分析和主成分分析对电力负荷影响因素数据进行处理, 提出了一种城市饱和负荷预测模型。有研究者将分形理论与经验模态分解相结合, 提出了EMD-分形负荷预测模型, 并经过仿真实验证明了该算法的有效性。
期刊文章分类查询,尽在期刊图书馆
灰色预测法基于灰色理论, 是对不确定因素系统进行预测的方法。通过系统因素关联分析, 生成有较强规律性的数据序列, 从而预测事物的未来发展趋势。灰色预测法适合中长期预测, 适用于具有指数增长趋势的负荷序列, 对其他序列预测精度不高。学者针对灰色预测法用于负荷预测时存在的不足进行了改进。提出了基于积累法的灰色预测模型, 能够降低灰色预测存在的病态性, 较好地克服了电力负荷灰色预测模型的不足。有研究者在传统的灰色预测模型基础上, 利用三点平滑法对历史电力负荷数据进行预处理, 再构建新的灰色预测模型, 并利用残差处理法对预测结果进行修正, 取得了较好的效果。
传统预测方法难以全方位建立影响因素与负荷值之间的模型, 随着人工智能的全面兴起, 智能算法在非线性处理领域的优势使得其在负荷预测中有了越来越广泛的应用。智能预测法主要有支持向量机、人工神经网络法、粒子群算法、遗传算法、基于数据挖掘的大数据研究方法等。神经网络是通过模拟人脑处理信息过程而建立的算法模型, 具有自适应和自学习能力, 在处理非线性问题上具有很强的优势。
智能预测方法在负荷预测中能够综合考虑多种因素, 并且具有自反馈和自学习的能力, 随着可采集的电网数据越来越多, 智能预测方法存在的计算复杂、计算量大等特点也越来越明显。
3 数据技术在电力负荷预测中的应用
近年来, 我国智能电网部署和发展非常快速, 这就给电力负荷预测带来了直接的挑战, 各类传感器和智能设备数据不断增加, 设备中获取的数据以及各类传感器采集的电力负荷预测相关因素, 诸如温度、天气、风速等数据量剧增、数据维度也不断提高, 数据规模也从GB级增长到TB级甚至更高, 基于单机进行的传统预测方法和智能预测方法已经不能满足负荷预测中预测效率和预测精度的要求, 国内外学者已经将负荷预测聚焦到了基于大数据技术的预测方法研究。
电力大数据涉及的关键技术有:电力大数据的集成管理、数据分析、数据处理、数据展示。集成管理也就是要实现将多个系统的具有不同来源、格式、特点、性质的应用数据有机的集中统一管理, 可以有效解决各系统之间的数据冗余和信息孤岛;电力大数据的数据分析技术, 将数据分析为信息和知识, 从海量数据中找出潜在的规律和模型, 提供决策支持, 大数据分析技术更侧重于相关关系的分析和挖掘, 可以有效利用结构化和非结构化数据进行算法研究;电力大数据处理技术包括分布式计算、内存计算、流处理等技术, 解决数据的实时在线存储、处理和计算;电力大数据的数据展现技术包括可视化技术、历史流展示技术, 通过数据的发展趋势预测未来数据情况, 挖掘潜在的规律。
4 结语
在电力系统中, 电力负荷预测是一个前置性的工作, 精确的负荷预测对于电力系统安全稳定运行具有重要意义。本文从电力负荷预测分类、电力负荷预测经典方法和智能预测方法、不同预测方法优缺点等方面进行了说明, 研究了部分非常有代表性的负荷预测研究成果, 针对当前智能电网和智能传感器大量部署的情况, 分析了大数据技术在负荷预测中的应用情况, 提出了大数据技术结合智能预测是未来电力负荷预测的研究方向, 为电力负荷预测的下一步研究奠定了基础。
参考文献
[1]金鑫, 李龙威, 季佳男, 等.基于大数据和优化神经网络短期电力负荷预测[J].通信学报, 2016, 37 (S1) .
[2]刘丹丹, 朱家明, 黄婷婷.基于时间序列和灰色模型的短期电力负荷预测[J].齐齐哈尔大学学报 (自然科学版) , 2017, 33 (3) .
论文作者:赵冰清
论文发表刊物:《电力设备》2019年第5期
论文发表时间:2019/7/24
标签：负荷论文; 数据论文; 电力论文; 方法论文; 模型论文; 序列论文; 因素论文; 《电力设备》2019年第5期论文;