傳統(tǒng)預(yù)測(cè)法

回歸模型預(yù)測(cè)法回歸模型預(yù)測(cè)法[2～3]又分一元回歸分析和多元回歸分析,通過(guò)給定的多組自變量和因變量資料來(lái)研究各自變量和因變量之間的關(guān)系,形成回歸方程。回歸方程因變量為電力系統(tǒng)的負(fù)荷,自變量為影響系統(tǒng)負(fù)荷的各種因素。而回歸變量的選取和變量因素的量化涉及計(jì)量經(jīng)濟(jì)學(xué)的范疇,因而預(yù)測(cè)過(guò)程比較繁瑣。

時(shí)間序列預(yù)測(cè)法該方法是一種發(fā)展比較成熟的負(fù)荷預(yù)測(cè)法[3],將負(fù)荷數(shù)據(jù)看做是單位時(shí)間(年、季、周、天或小時(shí))周期性變化的時(shí)間序列,根據(jù)負(fù)荷歷史資料建立數(shù)學(xué)模型來(lái)描述負(fù)荷變化的統(tǒng)計(jì)性規(guī)律?？柭鼮V波法、狀態(tài)估計(jì)、Box——Jenkins模型及自動(dòng)回歸平均模型是時(shí)間序列法中最常見(jiàn)的幾種方法,其中Box——Jenkins模型是最為有效的時(shí)間序列法。該方法在負(fù)荷預(yù)測(cè)中的應(yīng)用優(yōu)于回歸分析法,但其建模過(guò)程比較復(fù)雜,受天氣變化的影響較大,在節(jié)假日的負(fù)荷預(yù)測(cè)中誤差較大。

現(xiàn)代預(yù)測(cè)法

目前,人工智能技術(shù)是解決非線性類復(fù)雜問(wèn)題的較為有效地方法,主要包括人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)與小波分析法。人工神經(jīng)網(wǎng)絡(luò)運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)系統(tǒng)負(fù)荷是一種新型的研究方法,對(duì)非結(jié)構(gòu)性、非精確性的規(guī)律具有很好的自適應(yīng)能力。該方法無(wú)需搭建負(fù)荷模型,其良好的函數(shù)逼近能力可以解決天氣和溫度等因素與負(fù)荷的對(duì)應(yīng)關(guān)系。但人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間較長(zhǎng),網(wǎng)絡(luò)結(jié)構(gòu)的確定、輸入變量的選取等比較困難,仍需不斷探索和完善[4]。專家系統(tǒng)專家系統(tǒng)由知識(shí)庫(kù)、用戶界面、推理機(jī)等多個(gè)模塊組成,主要利用領(lǐng)域內(nèi)專家豐富的知識(shí)和經(jīng)驗(yàn),通過(guò)啟發(fā)式知識(shí)的推理做出智能決策[5]。

在節(jié)假日等重大社會(huì)活動(dòng)和突發(fā)事件的情況下,專家知識(shí)可起到重要的作用。但預(yù)測(cè)知識(shí)規(guī)則的形成及知識(shí)庫(kù)的建立卻是一個(gè)難點(diǎn)問(wèn)題,而且知識(shí)更新的比較復(fù)雜,知識(shí)庫(kù)的可維護(hù)性也較差。小波分析法小波分析法吸取了分析學(xué)中多個(gè)分支領(lǐng)域的精華,已在多個(gè)科學(xué)領(lǐng)域當(dāng)中獲得應(yīng)用。在負(fù)荷預(yù)測(cè)中,通過(guò)選取合適的母小波函對(duì)負(fù)荷進(jìn)行分類,對(duì)性質(zhì)不同的負(fù)荷選取相應(yīng)的預(yù)測(cè)方法,再對(duì)分解的序列分別進(jìn)行預(yù)測(cè),并對(duì)預(yù)測(cè)得到的序列進(jìn)行重構(gòu)以得到精確的負(fù)荷預(yù)測(cè)結(jié)果。但重構(gòu)可能引起誤差的累加,這就需要提高每個(gè)小波的預(yù)測(cè)精度,從而使得預(yù)測(cè)模型相對(duì)復(fù)雜[6]。為了提高負(fù)荷預(yù)測(cè)的精度,可以采用結(jié)合法,即可以將模型法及人工智能法進(jìn)行綜合,吸收各自的優(yōu)點(diǎn),以提高最終的預(yù)測(cè)精度,結(jié)合法主要有松散性結(jié)合、并聯(lián)型結(jié)合、串聯(lián)型結(jié)合、網(wǎng)絡(luò)學(xué)習(xí)型結(jié)合、結(jié)構(gòu)等價(jià)性結(jié)合。

電力市場(chǎng)環(huán)境下的負(fù)荷預(yù)測(cè)

在電力市場(chǎng)環(huán)境下進(jìn)行負(fù)荷預(yù)測(cè)通常需要考慮商品價(jià)格、國(guó)民經(jīng)濟(jì)發(fā)展水平、氣溫、電網(wǎng)結(jié)構(gòu)和管理水平等多方面因素的影響,這就對(duì)負(fù)荷預(yù)測(cè)工作提出了新的要求,即負(fù)荷預(yù)測(cè)軟件要能與電力市場(chǎng)的各類應(yīng)用軟件有效地接口,要具備較高的預(yù)測(cè)精度及算法速度,同時(shí),負(fù)荷預(yù)測(cè)還必須考慮負(fù)荷對(duì)實(shí)時(shí)電價(jià)的響應(yīng)。在電力市場(chǎng)條件下,電力負(fù)荷需求技術(shù)除了前面介紹的負(fù)荷預(yù)測(cè)技術(shù)外,更應(yīng)該強(qiáng)調(diào)對(duì)相關(guān)量的研究,將明顯影響電力市場(chǎng)需求的因素考慮到模型中來(lái),使預(yù)測(cè)不再僅僅依賴于傳統(tǒng)的歷史負(fù)荷數(shù)據(jù)、電量數(shù)據(jù),而是在綜合研究影響電力市場(chǎng)需求預(yù)測(cè)量因素的基礎(chǔ)上,通過(guò)對(duì)相關(guān)量的詳細(xì)調(diào)查分析得出。在考慮電力市場(chǎng)需求預(yù)測(cè)的要求和應(yīng)用情況的基礎(chǔ)上,對(duì)原始數(shù)據(jù)進(jìn)行改造、月度預(yù)測(cè)、專家干預(yù)等。

隨著電力市場(chǎng)化的發(fā)展,解決負(fù)荷預(yù)測(cè)問(wèn)題已成為電力科技工作者面臨的重要而艱巨的任務(wù)之一。如何充分利用現(xiàn)有的數(shù)據(jù)資料,建立正確的預(yù)測(cè)理論和方法,建立相應(yīng)的預(yù)測(cè)模型,提高預(yù)測(cè)速度和精度,以滿足電力市場(chǎng)對(duì)負(fù)荷預(yù)測(cè)的要求,已成為電力系統(tǒng)不容忽視的研究課題。電力市場(chǎng)條件下的電力需求預(yù)測(cè)是一個(gè)復(fù)雜的系統(tǒng)工程,還存在許多問(wèn)題亟待解決。

本文作者：李峰 曹晏寧 鄭日紅 工作單位：阿拉善電業(yè)局