摘要：在事件不断变化的过程中电力负荷也会产生一定程度的变化，我们将这种情况下的某一个周期内的电网或者区域出现的一些最小或者最大负荷值称为这一统计期的最小负荷或者最大负荷。根据统计周期的不同可以将最大负荷分为年周期、月周期、日周期的最大负荷，而最小负荷也是分为面周期、月周期、日周期的最小负荷。而在电力负荷中平均负荷的概念指的就是某个周期之内负荷的平均值。在正常情况下我们对时间不断变化过程中电力负荷的波动规律用负荷曲线来进行表示，负荷曲线的主要功能是描某一个时间段内负荷在时间变化过程中的波动，曲线之中的横轴一般用来表示时间，而纵轴方向表示的一般为负荷的绝对值。在对负荷进行预测的过程中的准确性常常会受到很多因素的影响，而对这些影响因素进行有效的分析是保证电力负荷预测准确性的关键。
关键词：电力负荷；短期预测；分析研究
中图分类号：TM74 文献标识码：A
1电力负荷的分类
众所周知，一个地区的总负荷是该地区工业负荷、农业负荷、商业负荷以及其它不同类型负荷的总和。由于不同类型的负荷具有其自身的特点和规律，因此，电力负荷序列的特性必定是这些特点的总和。下面简要分析不同类型负荷的特点。 1) 农业负荷 虽然农村用电在总负荷中所占的比例较小，但其对社会和经济的影响仍不可忽略。农业负荷首先受季节的影响较大。一般来说，春、秋季节的农业负荷高，而冬夏季节的负荷小，这由我国农业生产的规律所决定。其次，农业负荷受天气的影响也较大，雨雪季节的负荷小，而晴天的负荷高。最后，对于短期预测来说，农业负荷在白天较高，而在夜晚较小。可以看出，影响农业负荷的因素较多。2) 工业负荷 工业负荷包括重工业负荷和轻工业负荷。对于重工业、煤炭、化工、钢铁等传统制造类型的工业企业，其负荷受天气影响较小，而且一般白天和夜晚的负荷基本一致。而对于IT 类行业、轻工业等类型企业，一般白天的负荷高，而夜晚的负荷小。同时，节假日也会影响工业负荷，一般节假日负荷小，而工作日负荷高。总体上来说，工业负荷变化相对比较平稳，影响因素较少。 3) 商业负荷 这里的商业负荷主要指城市商业活动的负荷量。商业活动的用电设备主要是照明、空调、电梯等。很显然，商业负荷一般白天高，而夜晚小。同时，商业负荷一般节假日高，而工作日较少。尽管商业负荷的绝对量没有农业负荷和工业负荷大，但也会影响总的用电量的大小。 4) 民用负荷 民用负荷主要指城市和农村的居民用电。影响民用负荷的主要是季节、天气以及时刻点。通常，冬夏季节的用电量较高，而春秋季节的负荷值较小。冬天温度越高用电量越小；而夏天温度越高用电量越大。当然，白天的用电量也是远远大于夜晚。因此，影响民用负荷的因素较多，且各因素之间有一定的关联性。
2负荷的具体特性
2.1 连续性
想要使负荷不出现跳变，就要求电力系统具有较强的稳定性，而且电力系统的稳定性也会使负荷的变化呈现出一定的连续性。在电器企业对电荷的需求侧进行突然投入的过程中电网的负荷必然会呈现出一定程度的波动，而在这个过程中，波动的程度超过了系统旋转备用的用量就会造成系统频率下降，同时电机的无功需求也出现增加的情况，并且在这种情况下系统的电压也会出现降低，此时系统的安全性就会受到较大程度的影响。同理在电能需求侧对负荷突然切除较大的时候系统提供的无功功率会比负荷消耗掉的无功要高，在这种情况下，系统接点的电压也会出现增高的问题，这一问题的出现将会给设备的安全运行带来一定的不利影响。所以在电力系统正常运行的过程中对于投切负荷大小的要求也相对较高，这也在一定程度上决定了负荷变化过程中的连续性。
2.2 周期性
作为电力负荷的一种重要特性，负荷的周期性一般都是以年周期来进行表现，这种表现出来的性质我们称之为年周期性，其出现周期性的原因是因为一年中季节之间的周期性变化。在冬季来临的时候由于天气较冷而使较多的人增加了对空调或者电暖气等一些取暖设备的使用，在这种情况下用电量急剧上升的同时供暖负荷增多。而在夏季的时候由于气温相对较高，人们出于对防暑降温方面的需求而对空调和风扇等相关设备进行使用的较之春秋要多得多，在这个过程中用电量会呈现较高的增长势头，而在这样的情况下降温设备的使用也必然造成用电负荷的增加。在春秋 2 个季节中人们对于取暖和降温等相关方面的设备需求相对较小，所以这 2 个季节的用电负荷也相对较低。在这种情况下由于四季更替所带来的用电负荷的变化会呈现出一定的周期性特征。
3基于支持向量回归的电力负荷短期预测
3.1支持向量回归
对于样本集 ，x 为输入，y 为输出，线性支持向量机模型可写为：
其中，是分类方程。对于线性可分问题，SVM 的目标函数是
一般实际分类问题往往是非线性的，因而无法用简单的一条直线进行分割。研究表明，
如果对信号进行升维，则线性不可分问题可以进行非线性分类。支持向量机将低维数据进行非线性映射，即通过选择合适的核函数，将低维空间不可分问题以超平面的形式进行分类，其实现过程如图 1所示。
.png)
图1 输入空间到特征空间的映射
3.2电力负荷预测模型
由前述支持向量回归模型，依据第二章的对电力负荷的特性分析，建立电力负荷预测的支持向量回归预测模型。下面给出 SVR 预测模型的输入数据和输出数据。 输入向量1 2 7X ?[x, x, , x] 为一个 7 维向量，包括气温、湿度、天气类型、季节类型、节假日、上一时刻的负荷值、前一天同一时刻的负荷值。 1) 气温 气温1x 指预测时刻的预测气温。为了处理方便，对温度进行归一化处理。 2) 湿度 湿度2x 指预测时刻的预测湿度，对温度也进行归一化处理。 3) 天气类型 天气类型3x 指预测时刻所在当天的天气类型，分别用数字量[0,1,2,3,4,5]表示晴天、多云、阴天、雨天、雪天。 4) 季节类型 季节类型4x 指预测时刻所在的季节，分别用数字量[0,1,2,3]表示春、夏、秋、冬季节类型。 5) 节假日 节假日5x 指预测时刻当天是否为节假日，分别用数字量[0,1]表示工作日和节假日。 6) 上一时刻的负荷值 上一时刻的负荷值与后续时刻的负荷具有很大的关联性。6x 指上一时刻的负荷值。 7) 前一天同一时刻的负荷值 根据相似日理论，当前时刻的负荷值与相同日期类型的同一时刻的负荷相类似。7x 指前一天同一时刻的负荷值。 输出数据为当前时刻的负荷值。由于实际的电力负荷值数值较大，为了处理方便，对负荷数据进行压缩处理，这里采用对数处理：
本文电力负荷短期预测的流程（参见图2）如下： 1) 从电力负荷数据库中选取训练数据，包括历史负荷值以及相关的气象信息、节假日信息、季节信息等。 2) 采用第三章方法对负荷序列进行预处理，包括随机噪声抑制，缺失数据修补以及异常数据的检测和修正。 3) 对数据进行约束化处理。对 SVR 参数进行设置，根据训练数据对模型进行训练。 4) 利用得到的负荷预测方程，对未知时刻的负荷进行预测。
.png)
图 2 支持向量回归负荷预测流程
结束语
随着社会经济的不断增长，人们生活水平不断提高，人们对于电力供应的需求也越来越高，在这样的情况下，电力负荷预测的准确性将影响人们能否享受到更加优质的供电服务。通过对影响电力负荷预测准确性的相关因素进行分析，希望能够为电力行业的发展和相关系统的完善做出贡献。
参考文献
[1] 蒋建东，张豪杰，王静 . 基于 HHT 的电力负荷组合预测模型研究与应用 [J]. 郑州大学学报（工学版），2015，36（4）:1-5.
[2] 王涛，彭云华，吴小亚 . 基于相关因素修正的短期电力负荷回归预测模型 [J]. 电气自动化，2013，35（1）:52-54.
论文作者:黄梦喜
论文发表刊物:《中国电业》2019年第19期
论文发表时间:2020/1/14
标签：负荷论文; 电力论文; 时刻论文; 向量论文; 用电量论文; 季节论文; 周期论文; 《中国电业》2019年第19期论文;