（国网菏泽供电公司 山东省菏泽市 274000）
摘要：智能电网涉及数据规模较大，当前常在云计算环境下研究智能电网相关问题。当前电力已经变成社会的主要能源，所以保证智能电网的安全稳定运行非常关键，而智能电网短期负荷的预测对保证其安全稳定运行起到了非常关键的作用，有助于发电厂制定合理的启停策略，减少成本。不仅如此，智能电网短期预测还有助于用户制定购电策略，大大节约电能资源。
关键词：云计算背景；智能电网；短期负荷预测；方法
在电力向市场发展的大形势下，电网短期负荷预测不但为电力系统的安全、经济运行提供保障，也是市场环境下编排调度计划、供电计划、交易计划的基础。因此，为了适应电网管理现代化、科学化的要求，为了准确地预测市场需求，需要我们认真研究方法、总结经验，进一步完善电力负荷预测系统，以提高负荷预测准确性。
1云计算环境下智能电网短期负荷预测方法
1.1支持向量机理论分析
选用的支持向量机就是找到一个含有某类所有样本在内的由支持向量支撑的最紧超球面。假设采集到的云计算环境下智能电网负荷样本特征为D={xi}li=1;xi∈Ｒd，l代表样本总量。则需寻找一个几乎含有全部样本点xi的体积最小的球。该球通过球心c与最小半径Ｒ表示。其最初带有约束条件的优化问题可描述为
1.2.3概率密度预测
得到参数向量^Q(τX)估计值后，即可获取各分位点τ处，解释变量与响应变量之间的关系。在d为变量系数，τ于(0，1)范围内取值的情况下，即可获取响应变量的条件分布，从而获取相应的条件密度，完成对条件密度的预测。
2实验和结果分析
2.1云计算环境下智能电网负荷样本
针对云计算环境下智能电网短期负荷的预测，文章选择某年3～6月五个容量不同智能电网历史负荷数据作为样本数据，其中智能电网C1和C2主要为小区物业供电，智能电网B1、B2和B3主要为酒店供电。样本采样周期是30min，采样属性主要有采样时间与负荷功率。在进行实验前，首先完成对功率采样值xi和智能电网负荷属性Ai的归一化处理，将其转换成［0，1］区间内的数据。
将3～5月份的数据看作训练样本和验证样本，将遗传方法和ELM_k方法作为对比，对智能电网短期负荷进行预测。
2.2智能电网负荷预测精度测试
针对云计算环境下智能电网短期负荷精度的评价，本文通过最大误差MAPE与均方误差MSE对其进行衡量，二者的值越低，认为预测精度越高。
2.3短期负荷预测结果分析
通过本文方法对不同智能电网短期负荷进行预测，将本文预测值和真实值进行比较。不同智能电网在25～48h节假日范围内的负荷预测误差相对较大，这是由于节假日区间负荷特征波动大，用户的用电习惯会在很大程度上发生改变。智能电网因为受到功率改变速度大的影响，短期负荷上升沿与下降沿在一定程度上出现误差，其中B1的预测误差最大。尽管智能电网C2的均方根误差低于C1，然而因为C2的预测误差大部分处于低谷，造成智能电网C2的最大误差相对较大。针对智能电网C1和B1，其负荷曲线有很大差异，容易导致出现大负荷预测误差。
2.4经济性分析
在置信水平是0.99的情况下，本文方法下智能电网短期负荷预测相对误差和成本之间的关系，基准成本是在预测误差是0的情况下的工作成本。在预测相对误差超过10%后，智能电网的工作成本将大大提升。在6月的不同测试周中，绝大多数测试周的负荷预测误差都不超过10%，且整体看来本文方法下智能电网工作成本低。
2.5性能测试
将6月第一周负荷作为研究对象，针对不同智能电网，本文方法、遗传方法和ELM_k方法单次参数寻优和负荷预测时间比较结果用表2进行描述。分析表2可知，本文方法在参数寻优和负荷预测两个方面的性能都很高，在10min之内即可实现智能电网一个周期的参数寻优，同时单次负荷预测时间段，明显优于遗传方法和ELM_k方法。
2.6建立负荷分析制度
各级预测单位定期进行负荷分析，把负荷进行分类，及时了解负荷结构情况。建立电网动态负荷模型，用一定时间把电网负荷分解为连续生产负荷、照明负荷、制热负荷、制冷负荷、农业负荷等各种功用负荷，建立电网动态负荷模型。分别建立周、月、季、年分析制度及专项分析制度。负荷预测专工根据指标完成情况及各部门工作开展情况每月进行分析、总结，查找不足，提出全网负荷预测分析报告及改进建议报领导小组批准并逐步落实。
2.7加强负荷预测专业人才的培养和培训
随着科学技术的迅速发展，负荷预测理论技术也取得了长足的进步，新的预测方法不断出现，各级供电部门应建立完善的学习和激励机制，紧紧把握时代发展的脉搏。特别是专业人员更应努力从理论层面提出新型的预报理论和算法，及时总结预测工作经验，找出适合本地区各种情况下应采用的预测算法组合。
结论
提出一种新的云计算环境下智能电网短期负荷预测方法，将支持向量机和分位数结合在一起，构建支持向量-分位数回归预测模型，通过短期负荷概率密度函数实现智能电网短期负荷预测。经实验验证，所提方法预测精度和效率高，成本低。
参考文献：
[1]杨再鹤,向铁元,郑丹.基于小波变换和SVM算法的微电网短期负荷预测研究[J].现代电力,2014,31(03):74-79.
[2]张刚,刘福潮,王维洲,李正远,郑晶晶,梁雅芳.电网短期负荷预测的BP-ANN方法及应用[J].电力建设,2014,35(03):54-58.
论文作者:胡国华,杨文,李书颖
论文发表刊物:《电力设备》2018年第10期
论文发表时间:2018/7/26
标签：负荷论文; 电网论文; 智能论文; 误差论文; 方法论文; 样本论文; 向量论文; 《电力设备》2018年第10期论文;