6.2.1   負荷預測方法與模型

       短期電力負荷表現(xiàn)出一種強烈的非平穩(wěn)性，究其原因主要是受到天氣變化、社會活動和節(jié)假日等多種因素的影響。然而這些電力系統(tǒng)的負荷影響因素都具有一定規(guī)律，這就為電力負荷預測提供了研究基礎。當前用于短期負荷預測的方法主要分為傳統(tǒng)的預測方法和智能預測方法，它們都是通過現(xiàn)有的歷史數(shù)據(jù)建立合理的預測模型來獲取未來一段時間的電力負荷值。因此影響短期負荷預測精度的主要因素就變成了歷史數(shù)據(jù)和預測模型。

       在電力負荷預測方法中，主要使用的模型有：

       (1)時間序列預測模型。時間序列預測模型方法首先按照一定的時間間隔將電為負荷的歷史數(shù)據(jù)記錄下來得到一個時間序列，然后根據(jù)負荷的歷史數(shù)據(jù)建立一個時間序列的數(shù)學擬合模型，這個模型用于描述電力負荷在送個時間序列內(nèi)變化過程的規(guī)律性，最后在該模型的基礎上建立短期電力負荷預測的數(shù)學表達式，從而對未來的負荷進行預測。

       (2)趨勢外推法。外推法有指數(shù)曲線趨勢預測法、生長曲線趨勢預測法、二次曲線趨勢預測法、線性趨勢預測法、對數(shù)趨勢預測法。這些方法都只做趨勢外推，并不對其中的隨機成分做統(tǒng)計處理。應用趨勢外推法需要滿足以下兩個假設條件：一是假設負荷不會出現(xiàn)跳躍式的變化；二是假定決定負荷未來變化趨勢的因素是不變的或變化不大。應用趨勢外推法的重要環(huán)節(jié)在于選擇合適的趨勢模型，圖形識別法和差分法是選擇趨勢模型的兩種基本方法。趨勢外推法的優(yōu)點是：所需的數(shù)據(jù)量較少，模型構建快速、簡單。

       (3)灰色預測模型。灰色理論用在一定范圍內(nèi)變化的灰色量來表示一切隨機變化的量，然后通過累加生成和累減生成的方法將原始數(shù)據(jù)處理成有規(guī)律的數(shù)據(jù)列，它主要應用在包含不確定因素的環(huán)境下。灰色系統(tǒng)理論的優(yōu)點是可以應用于所有的非線性變化的負荷指標預測，對負荷數(shù)據(jù)的需求量少，并在建模時不需要計算統(tǒng)計特征量，不需要考慮分布規(guī)律和變化趨勢。

       (4)神經(jīng)網(wǎng)絡預測模型。神經(jīng)網(wǎng)絡對大量非結(jié)構性、強動態(tài)性規(guī)律擁有較強的學習能力，具有自組織、自推理及信息記憶等特點，還有很強的擬合能力、復雜映射能力和容錯能力。人工神經(jīng)網(wǎng)絡的訓練樣本為過去一段時間的電力負荷，選取樣本后確定網(wǎng)絡結(jié)構和合適的參數(shù)，當它們達到一定精度要求后，就將此神經(jīng)網(wǎng)絡當作電力負荷預測的模型。

       (5)支持向量機模型。支持向量機是建立在統(tǒng)計學習理論基礎上的一類數(shù)據(jù)挖掘方法，它能夠成功地處理時間序列分析和模式識別等問題，并可在預測和評價等領域中推廣。支持向量機的機理是尋找一個滿足分類要求的最優(yōu)分類超平面，使得該超平面在保證分類精度的同時，能夠使超平面兩側(cè)的空白區(qū)域最大化。理論上支持向量機能夠?qū)崿F(xiàn)對線性可分數(shù)據(jù)的最優(yōu)分類。支持向量機能根據(jù)有限的樣本信息在模型的復雜性和學習能力之間尋求一種最佳平衡，能求得的是全局最優(yōu)值而不是局部極小值，從而保證了它對未知樣本良好的泛化能力。相比于傳統(tǒng)的一些方法，SVM方法充分考慮了影響電力負荷的各類因素，在計算精度上也有明顯提高。

      (6)小波分析方法。對于短期電力負荷預測，根據(jù)原始數(shù)據(jù)的特性，利用小波分析法將各種交織在一起的不同頻率組成的混合信號對電力負荷的周期性分量、非周期分量W及低頻隨機分量進行投影，再將隨機分量和周期分量在不同尺度上進行投影，然后再將不同的“頻域分量”用各個尺度上的子序列表示，這樣就將負荷序列的特性清楚地展現(xiàn)出來了。