电力负荷预测

王民浩

【摘 要】电力负荷预测是采用预测方法，依据为电力负荷的组成和变动影响因素，就是在充分对历史数据的变化规律进行考虑之后并且把负荷与影响因素之间存在的联系以及规律进行深入的挖掘之后，对未来负荷受到的影响和变化趋势进行归纳和总结，并采用这个规律预测未来的负荷。负荷预测的结果作为调度工作的基础数据，让电力系统能够安全可靠的运行。本文在分析了电力系统负荷预测的分类以及影响因素和电力负荷预测的过程和原则的基础上，分析了目前电力负荷预测中存在的问题以及电力负荷预测研究中的核心问题，提出负荷预测研究的方向。

【关键词】电力负荷预测;方法;问题;研究

一、前言

电力符合预测在电力系统的很多方面中都体现出了重要的作用，其地位是无可替代的，对电力系统的运行和设计产生显著的影响，可以让电力系统更加经济可靠的运行。目前，对负荷预测的精度要求也越来越高，甚至于根据调度员的经验结合现有预测理论的预测结果是完全可以达到準确的调度，但是一些新能源的发展以及大规模的并网都会对负荷产生一定程度的影响，并且风电不可以调峰调谷，在一些时候也可是视为负荷，这些因素都决定了电力负荷预测需要进一步的发展和完善。现有的预测方法仍然存在一些不足，需要进一步的深入研究。研究电力负荷预测有利于给分析和规划提供一定的依据。在预测结果的基础上，对电网负荷的分布进行合理的安排，一旦出现事故或者是紧急情况，都可以快速并且有效的恢复安全运行。

二、电力系统负荷预测的分类和影响因素

（一）电力系统负荷预测内容分类

1.经典负荷预测的内容及其分类

目前来看，一般是按照期限的不同来分类预测，主要分为超短期、短期、中期以及长期。超短期负荷预测就是时分预测;短期负荷预测是指预测当前时点之后1天-1周之内的用电情况;中期负荷预测是预测月度到年度之间的用电情况;长期符合预测是预测3-5年之内或者更多的年限之内的用电情况。

2.新负荷预测内容的引入

（1）连续多日负荷曲线预测

主要是观察并挖掘所提供的负荷，以日到周预测以及月到年度预测得到的数值为基础，通过周期性来预测长期多天的结果。

（2）扩展短期负荷预测

这种方法是补充超短期预测，也就是在当下时点收集关于负荷的主要内容数据，通过预测的方法得到此刻之后一段时间的负荷数据。从时间的分类上可以看出，传统的负荷预测在时间上存在一定的空隙，引入新的预测内容，正好可以把这些空隙弥补。

（二）电力系统预测的主要影响因素

首先是经济水平，我国经济结构的调整以及经济发展水平很大程度上决定了社会电力消费结构和水平的变化，这对电力系统负荷产生了根本性以及全局性的影响。其次是电价政策，电价对电力系统负荷的影响主要表现在两方面，分别为电价水平影响以及电价结构影响。其中，电价结构影响主要是通过峰谷电价的控制来提高或者是抑制电力系统的负荷。最后是气温气候，气温气候主要是对日用电量以及最大负荷会产生影响，在电力系统中，气温气候会影响很多负荷，气温气候的变化会显著的影响到负荷以及负荷的特性。

三、预测工作中存在的问题

（一）理论和应用有脱节

从国内已有的关于电力负荷预测的研究中来看，大量的研究了关于预测方法的理论、算法和优化以及模型和优化方面的问题，但是很少有大面积的推广和应用，其中存在的问题有很多，包括负荷模型过于复杂、在设置参数参量方面有明显的人为干预以及使用的局限性比较大等。由于缺少有效的实际应用的支持，在实际的应用中，仍然采用经验方法为主要的方法，理论性很差，预测水平普遍来看比较低。

（二）预测对变化的响应能力不足

社会在运转的工程中，有很大的惯性存在，一般情况下，以经验方法为基础的预测工作出现的偏差比较小。但是在2008年开始，金融危机的出现，电力负荷也出现了一次大幅度的波动，从金融危机之前出现的种种迹象，以及到后来的持续发展，负荷预测工作都面对着很多的困境，缺少有效的工具以及手段进行科学的判断和分析，基本上都是跟随着政府的脚步，预测结果普遍会出现比现实情况要慢半拍的现象，只能频繁的进行修正工作。

四、电力负荷预测研究中的核心问题

（一）节假日的负荷预测

法定节假日的电力负荷要远低于平时，特别是在春节期间，曲线会出现大幅度长时间的变形和下降。在节假日的负荷预测中，一般都要至少提前半个月，甚至是一个月，在负荷预测中，这一直都是一个难题。能够参考的数据比较少，上一节假日的相隔时间已经有一年，样本不够有效，在预测中应用效果不好。

（二）气象因素的影响

气象因素会对负荷预测的精度产生不可忽视的影响，传统的预测方法没有或者是没有充分的考虑到气象因素，造成预测的结果不佳。需要把多种方法结合在一起，深入考虑气象因素，进行预测。

五、大数据环境下的电力负荷预测方法

（一）基于Kernel-K-means和LSTM的负荷预测

负荷预测的依据是电力系统的历史数据，对未来某一时间的用电情况进行预测，电力企业在准确的负荷预测下对供需计划进行合理的安排，从而把用电成本降低。本文采用Kernel-K-means和LSTM方法。图1所示我LSTM方法预测负荷的结构。

图1中所示，有n个输入x1，x2，…，xn;O1表示输出神经元;o1表示输出值;Hji表示音程神经元。

（二）算例分析

本次仿真的数据来源于只能电表的数据集，包括的电力用户数据有8000个，日期为2017年9月21日-2019年1月31日，每采集一个数据点的时间间隔是30min，一个客户一天有48个数据信息。对数据进行聚类分析采用两种方法，分别为K-means以及Kernel-K-means，图2和图3所示为两种方法下的计算时间以及聚类误差的对比曲线。

分别采用传统BP算法以及LSTM方法对比负荷预测，采用相同的数据对1月28日-1月30日的进行负荷预测。归一化处理输入的数据，采用军方跟误差法来评价预测的效果。

根据经验公式，隐层神经元个数选择为6，网络输入的属性为9，网络输出为用电量。图4所示为预测的对比曲线。为了防止偶然性，多次采取两种算法进行预测实验，并求得平均值，表1所示为预测误差。

（三）结果分析

通过图2和图3可以看出，Kernel-K-means比K-means算法在聚类效果和复杂程度上都有了一定的改进，不仅降低了算法运行的时间，对聚类效果也有一定的提高。通过聚类分析的结果，在聚类数为8时，负荷曲线有比较大的差异，因此，把电力负荷用户分为8类。

由图4可知，和BP算法相比，LSTM有更好的符合跟踪效果，预测的精度比较高。由表1中的误差结果可以看出，相比于BP算法，LSTM的算法误差更低一点，说明LSTM在负荷预测中更加精确。

【参考文献】

[1]张风玲.浅析配电网负荷预测的应用需求及方法.科技资讯，2019，1710：33+35

[2]丁红.电力规划及负荷预测分析.黑龙江科学，2017，824：100-101

[3]杨雨琪，苏明昕.电力系统短期负荷预测方法分析.中国电力企业管理，2018，12：92-93