摘要：本文阐述了电力系统负荷预测的概念。介绍了电力系统短期负荷预测的意义与特点。综合介绍了短期负荷预测的传统方法和现代方法，指出了它们的优缺点及一些相关改进方案。
关键词：电力系统短期负荷预测 回归分析 神经网络
1 短期负荷预测
1.1 短期负荷预测的意义
短期负荷预测的精确度越高，就更有利于提升发电设备的利用率和经济调度的有效性。在电网运行的整个过程中，由于调度误差导致的任何环节的功率缺额都将影响整个系统运行的经济性，而准确的负荷预测则是提高调度质量的重要手段之一。
1.2短期负荷预测的特点
与长期负荷预测相比，短期负荷预测所受到的随机因素的影响更多，波动性与非线性更加明显。影响短期负荷预测的因素包括：经济水平、天气变化、历史数据、政策调整等。
但从另一方面来讲在每次预测的过程中又有自身的周期性。比如，不同日的24h内的负荷变化具有相似性；工作日与休息日各自具有相似性；不同节假日的负荷变化也具有相似性等。因而也可以利用相似性原理来完善短期负荷预测。
2 短期负荷预测的方法
随着新兴学科领域的兴起和发展完善，近年来涌现出许多新的负荷预测技术，如神经网络法、灰色预测法、小波分析法等。这些方法为电力系统不确定性因素的处理提供了有效的工具，并在实际应用中发挥了较好的作用。
2.1 BP神经网络
人工神经网络法是利用新型人工智能方法进行负荷预测的代表之一。人工神经网络是一种模仿大脑神经系统所建立的计算模型，它具有高度的非线性和较强的自学习能力，只要通过大量的历史数据样本和相关的影响因素对该神经网络进行重复训练，在不断调整权值的过程中减小预测的误差进而能够实现高准确度的负荷预测效果。
BP网络是一种单向传播的前向网络，它采用误差反向传播的算法。它包含了输入层、隐含层和输出层三层结构。各个层之间通过权值相联系，这些权值可以在自主学习的过程中不断被调整。BP神经网络的作用在于将信息从输入到输出的传递问题转化成了数学上的非线性的问题，并采用近似梯度下降的方法，即沿着负梯度方向的误差来不断地修改权值和阀值来获得最小化的误差。
BP神经网络的学习方式是监督学习。这种学习方式需要对给定的输入样本提供对应的正确的输出值，网络再根据系统的输出与期望输出的偏差来调整系统参数，从而使输出尽可能地逼近期望值。
BP神经网络也存在着一些缺陷。BP算法是利用误差函数对权值的一阶导数来调整权值以求误差最小化，但是由于该导数以及与之相乘的学习因子都较小，就导致了每一次权值调整的幅度都很小。这样就必须通过多次重复学习来获得最小误差，学习的效率以及收敛的速度就大大降低了。另一方面，BP算法采用的是梯度下降的非线性方法，容易陷入局部最小点而不能得到问题的准确解。
我们可以将遗传算法与BP网络相融合来优化BP网络的结构与权值选取。遗传算法具有独特的全局搜索能力，它将待求解的问题进行编码产生相应的解集并利用适用度函数选择种群的进化方向，实现优胜劣汰。周而复始，直至产生最优解。这种综合方法比单独用BP算法进行负荷预测的准确度要高。
2.2 灰色系统理论
灰色系统理论是邓聚龙教授于1982年创立的一门新兴横断学科，它是运用数学方法，解决信息不完备系统即灰色系统理论。灰色预测是通过对原始数据的处理，建立灰色预测系统模型去发现、掌握系统的发展规律，对系统的未来状态做出科学的预测。该理论是由黑箱—白箱—灰箱理论拓展而来，灰色系统理论把已知的信息称为“白色”信息，完全未知的信息称为“黑色”信息，介于两者之间的就是“灰色”信息。
采用灰色理论来进行负荷预测可以用灰色生成来减弱原始序列的随机性，从而在利用各种模型对生成后的序列进行拟合处理的基础上通过还原操作得出原始序列的预测结果。由于电力系统本身具有灰色系统的特征，因而用灰色理论来对电力负荷进行建模预测符合灰色预测模型的基本条件。该类模型具有要求负荷数据少、不考虑原始数据分布规律、运算方便等优点。但是在数据的离散度较大时，其预测精度将明显降低。
灰色系统理论的核心是动态建模（GM），其思想是直接将时间序列转化为微分方程，从而建立系统发展变化的动态模型。因此灰色系统模型又称之为GM模型。目前电力系统常采用的模型有GM(1,1)、GM(1,n)等模型。建立模型的步骤基本相似：a.将电力负荷视为在一定范围内变化的灰色量，对应其所具有的过程也可以看做是灰色过程；b.用生成的灰色序列累加成灰色模型；c.结合不同灰色生成方式与数据的取舍、调整、修改，以提高灰色建模的精度；d.最后通过累减来还原数据得到预测值。
虽然国内外的学者已经对灰色预测模型做了很多的改进，但是大多的改进都是基于算法本身的，并没有把外部因素考虑到模型中去。基于灰色系统的相关因素敏感模型短期负荷预测方法解决了这个问题。该方法先利用灰色模型来对负荷作短期的粗略预测，得到灰色预测值后，再利用相关因素敏感模型对其灰色预测值进行修正，其修正值为最终负荷预测值。这一方法的核心是相关因素影响模型。该模型考虑了历史日和预测日之间的影响负荷预测的相关因素的差异程度，在历史日中挑选与预测日最为相似的一天进行比较，利用含有日类型系数、温度系数、风速系数的相关因素敏感方程对已经实现的灰色预测值进行修正。这样一来虽然大大增强了对影响预测的相关因素的适应性，但是需要大量的历史数据作为支撑，并且每隔一段时间要对数据库进行更新以保持它的时效性。
2.3 小波分析法
众所周知，傅立叶变换是信号处理的重要工具。但是它只能告诉我们信号尺度的范围，而无法给出信号的结构以及它蕴含的大小不同尺度的串级过程，即傅立叶变换在时空域中没有任何分辨率。此外，傅立叶分析无法解决信号奇异性的位置。20世纪80年代初由法国油气工程师Morlet提出的小波分析，能成功地解决这些问题。因此小波分析是傅立叶分析发展史上的一个里程碑。
对信号f(t)的小波离散变换的定义为：
(2-1)
对信号f(t)的小波离散变换的定义为：
(2-2)
由上式可知对于不同的频率成分，在时域上的取样步长，是可调的，高频者（对应于小的m值）采样步长小，低频者(对应大的m值)采样步长大。也就是说，小波变换实现了窗口大小固定、形状可变的时频局部化功能，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低频率分辨率。
进行电力系统负荷预测时，时间序列具有多重周期性，因此要求小波函数必须具有以下的特性：a.有良好的支撑性；b.小波函数的消失矩m值要越高越好；c.要有良好的正则性。
负荷信号通常表现为以日、周、年等为周期的变化特性，即各分量均有不同的频率特性。而各时刻的随机负荷分量则可以看成随机时间序列反映到周期性上可以以各种高频或者低频信号来表示因此负荷信号的变化过程具有连续频谱的特性。我们可以通过小波变换将各序列分量分别投影到不同的尺度上，然后对不同的子负荷序列进行数据处理并分别采用相匹配的模型进行预测，最后通过小波重构得到完整的负荷预测结果。
小波理论的负荷预测方法有一定的局限性。我们可以通过直接预测电力负荷分量来改进，这样能够降低由于小波系数与原始数据的不对应所带来的计算复杂性。
3 结束语
本文介绍了电力系统短期负荷预测一些方法，可以看出每种预测算法都有它的优势和劣势，单一的预测方法都不能全面地考虑到负荷的变化趋势和外界的干扰因素。因此，今后的研究方向是寻求一种组合预测方法，重点解决算法之间的加权问题，以此来应对负荷的各种变化趋势，提高预测精确度。智能电网是当今电力行业发展趋势之一，对新的智能化的负荷预测方法的研究必将成为电力研究者所要面对的课题，相信在每位科研工作者的努力下一定会结出更加丰硕的成果。
参考文献
[1]程浩忠.电力系统规划(第二版)[M].北京:中国电力出版,2014.
[2]栗然,曹磊,李莉等.影响电力系统短期负荷预测因素的权重分析方法[J].华北电力大学学报,2007,34(5):32-37.
[3]杨丽徙,张永锋,许向伟等.半参数回归分析法在电力负荷预测中的应用[J].郑州大学学报(工学版),2010,31(3):29-32.
[4]彭生刚,李吉德.用时间序列法进行电力系统短期负荷预测[J].山东电力高等专科学校学报,2012,15(4):31-34.
[5]王晛,张少华.一种应用时间序列技术的短期电力负荷预测模型[J].上海大学学报(自然科学版),2002,8(2):133-136.
[6]刘翔.BP算法的改进及其应用[D].太原理工大学,2012.
[7]董秀成,李芹,许强等.BP算法在电力系统短期负荷预测中的应用[J].仪器仪表学报,2003,24(z2):379-381.
[8]宋人杰,边奕心,闫淼等.基于小波系数和BP神经网络的电力系统短期负荷预测[J].电力系统保护与控制,2009,37(15):87-90.
[9]徐剑.基于灰色系统的相关因素敏感模型短期负荷预测方法[C].//华北电力大学第五届研究生学术交流年会论文集.2007:1-4.
刘树民（1991.10）男，汉族，广东梅州
任职：广东电网有限责任公司惠州供电局
论文作者:刘树民
论文发表刊物:《电力设备》2018年第27期
论文发表时间:2019/3/13
标签：负荷论文; 灰色论文; 模型论文; 方法论文; 神经网络论文; 电力系统论文; 小波论文; 《电力设备》2018年第27期论文;