（广东电网有限责任公司东莞供电局广东.东莞523000）
摘要：随着我国电网事业的发展越来越迅速，负荷预测研究已经成为当前电力研究的重要课题。由于电力市场竞争越来越激烈，对于电力系统预测精度的要求越来越高。因此，要不断引进先进的科学技术，把握负荷预测的特性，充分结合气候条件的变化以及相关的国家政策，研究运动的规律，完善电力系统预测的方法，不断推动我国电力事业的迅速发展。本文分析了电力系统负荷电量预测含义、分类及意义，然后对电力系统负荷电量按周期长短预测的方法进行了理论推导和研究，供同行参考。
关键词：电力系统；负荷；预测；短期负荷；负荷数据；发展方向
1、负荷电量预测的含义及分类
负荷电量预测就是指预测未来某个时期内负荷需用的电量。如果按照电力系统负荷电量预测的周期长度进行分类，负荷预测通常仅研究短期、中长期的负荷预测。短期负荷预测常用来安排电力调度计划，对短期预测，需充分研究电力系统负荷变化趋势和规律，分析与负荷变化相关的各种不确定性随机干扰因素的影响。中长期负荷预测主要是用来确定大机组运行方式，制定电力设备的检修计划，根据国民经济的发展和对电力负荷的需求，制订合理的电网改造和扩建规划，保证负荷电量供给既能满足民众的生活需求，又能跟随国民经济的发展趋势。
2、中长期负荷电量预测
2.1中长期负荷电量预测的特点
中长期电力系统负荷电量预测受国民经济发展的影响，其增长速度受经济发展状况、产业结构以及生产工艺等因素的影响。一般5年以内的负荷电量预测，以微观为主，以宏观进行校核；若进行10年以上的负荷电量预测，一般以宏观为主，考虑到用户用电的随机性及新用户的发展。
2.2中长期负荷电量预测的主要方式
（1）宏观方式
直接预测电力系统的总负荷电量，当前国民经济的发展趋势将显著影响对未来电力负荷电量y的预测。设工农业总产值为x，则总负荷电量与其关系可
表示为：y＝αxβ，其中α和β为待定系数。
（2）微观方式
分别预测各类负荷的电量，然后综合得出电力系统的总负荷电量。在我国按照用户分类进行电量测s量，可采用外推法或相关法，一般利用单耗法对各类工业用电量进行预测。单耗法计算公式为：Θ＝其中，Ai0第iΣ种产品在未来某一时期的计划产量；qi为生产第i种产品消耗的总电量与合格产品的数量比值。
3、短期负荷电量预测
3.1短期负荷电量预测的特点
短期负荷易受许多周围环境的随机不确定因素的影响，这种特性决定了短期负荷电量预测的显著特点：①预测结果的不准确性和易受干扰性。②由于各种负荷预测条件性的负荷预测，满足一定的条件要求。③短期负荷预测都是在一定的时间段内有效，需考虑预测时间的长短，具有时间性。④预测工作人员应备有多方案来应对预测结果的以上特性。
3.2短期负荷电量预测的主要方法
（1）回归分析法
回归分析法是指通过对记录数据的统计分析和数据资料的处理，通过预测负荷与不确定性干扰因素之间的关联，来建立回归模型，对未来负荷走向进行预测的方法。其特点是：将影响预测对象的不确定性随机干扰因素按类分支，单独考察各个因素的变动对未来负荷走向预测的影响。
采用回归分析法预测的步骤可概括为：第一，分析所获得的统计数据，确定几个待定变量之间的数学关系式，即建立回归模型；第二，对回归模型的参数进行估计和统计校验，分析影响因素对预测对象的影响程度，确定预测模型；第三，利用确定的回归模型和自变量的未来可能值，估计预测对象的未来可能值，并分析研究预测结果的误差范围及精度。
（2）时间序列分析法
时间序列分析法是通过获取历史记录数据，找到相应负荷随时间变化的趋势和规律，建立时间序列的模型，以判断未来负荷趋势走向的方法，其基本前提假定为将来的负荷数据发展趋势和规律历史记录的数据变化规律基本一致。该方法可分为确定性时间序列法和随机时间序列法两种。
确定性时间序列法又称时间序列平滑法，其基本假设可以认为变化的负荷数据中存在着一个隐含的固定的变化模式，实际负荷数据可看作该变化模式和随机干扰的叠加，该变化模式平滑性使其同随机干扰区别开来，其平滑性决定了其消除随机干扰的便捷性，这样模式可以通过外推的方式，用来作为未来预测负荷发展走向的依据。时间序列平滑法又可分为两类，即移动平均法和指数平滑法。
随机时间序列法主要针对按一定时间间隔进行采样记录的历史负荷资料，对于负荷变量来说，在一定的时间间隔内，它相当于一个随机变量，这个随机变量所描述的过程可看成一个随机过程。这种随机过程可采用状态空间法等方法进行分析。
（3）模糊预测法
在实际生活中，对电力系统负荷进行预测常需要考虑相关不确定性随机干扰因素的影响，通常需要借助历史负荷的变化趋势和规律对未来的负荷进行预测，模糊数学理论的使用大大简便了此种情况下的负荷预测。模糊数学研究和处理的对象是模糊性现象。
（4）人工神经网络法
该方法是人们模拟人脑信息处理、储存的检索机制而构造的，是将负荷的预测用人工神经网络来代替，利用其非线性、自组织、大规模并行处理等特点完成对未来负荷电量的预测。人工神经网络模型的差异是由于人工神经元结构以及互联方式的差异决定的。常见的模型主要有多层前馈神经网络（BP模型）、自学习的Kohonen自组织神经网络模型等。
BP模型具备快速地拟合任意复杂的非线性关系的能力，只需给定预测负荷的一定数量的记录数据样本，并对该神经网络进行专有的人工“训练”，便可以自动地生成恰当的函数关系，所形成的神经网络可直接用于未来负荷的预测。它的基本原理是利用输出后的误差来估计输出层的直接前导层的误差，如此一层一层的反传下去，就获得了其他各层的误差估计。
相应地，利用Kohonen网络的自组织性，通过输入适当的负荷样本对神经网络进行“训练”，得到的网络便可以自动完成对复合模式的分类。
4、电力系统负荷预测方法
4.1回归分析法
回归分析是一种经典统计学上分析数据的方法，通过对历史负荷数据进行统计归纳分析总结，寻找预测输入变量与影响负荷变量之间的某种相关的线性或非线性关系，并以此关系的规律建立数学模型，从而实现对未来负荷的基本预测。简单来讲就是建立自变量与因变量之间关系模型，依照变量数目的不同，一般分为单元和多元回归分析。该方法原理成熟、计算简便、运算速度快，但是过分依赖历史负荷数据，对样本容量需求过大，对平稳的且大量的历史数据有着不错的预测效果，但是在遇到气温，节假日等变化较大因素的影响下，该方法无法反映实时与非线性的影响关系。
4.2趋势外推法
节假日、社会环境、天气变化会对电力负荷波动造成干扰，尽管在形成这种具有随机性、不确定性的情况下，电力负荷总是本质的保持着一定的波动趋势。我们可以在其中找出负荷的这种趋势，根据这些负荷变化的相关历史趋势，拟合一条负荷波动趋势曲线，按照这条拟合出来的曲线的发展趋势，估计曲线上在未来某点的负荷变化，根据不同的负荷波动，采用不同的曲线拟合，这就是所谓的趋势外推法。此方法优点与缺点同样突出，优点是所需历史负荷数据样本较少，特点是作趋势向外推断，完全忽略分析内部的不确定成分，缺点是对影响因素变化大的因子无法考虑进来，如果负荷波动较大，那么误差将会增大。
4.3时间序列法
时间序列分析法是将历史负荷变化所产生的变化规律，依照时间的先后顺序进行排序，以时间为轴揭示负荷随时间变化而变化的发展规律，利用这种对应关系，就可以将过去时间里发生的负荷变化规律作为未来时间里负荷变化的预测根据。同样，时间序列法在电网正常运行，受外部环境影响变化小的平稳状态下具有良好的预测精度，但是对时间序列的平稳性要求过高，一旦负荷受到特殊事件（如停机等）不确定性因素的影响，那么该方法也将失去其预期的效果。
4.4专家系统法
专家系统其实是一种复杂的计算机程序设计系统，将计算机模拟成负荷预测的人类专家，基于历史负荷变化知识数据库，汇集人工经验智能的利用计算机处理负荷信息，按照专家水平进行预测判断工作。专家系统结构如图1所示。在处理节假日等需要依靠人工经验来判断的不确定性影响因素对负荷影响产生较大的变化时，此方法有取得了很好的效果，但是各个地区的电力环境不同，造成计算机程序复杂，数据庞大，能否准确的对各个因素对负荷造成的影响进行定量分析成为了一个较为难以克服的困难。
4.5人工神经网络法
人工神经网络是模拟人脑智能化地处理信息的人工智能预测方法，它通过学习获得最优的参数，处理预测输出与输入影响变量之间复杂的非线性关系，对于分析处理任意复杂的非线性关系问题以及随机的不确定性问题有着良好的解决问题能力。正因为它具有出色的学习能力，预测过程中都可以随时不断地选择新的训练样本来优化和微调系统参数，这样对非结构性、模糊性的规律具有一定的自适应功能，避免了数学建模的困难，也提高了系统计算的时间，相比较前面介绍的四种方法，它还能考虑并反映出各种不确定性因素（如气候、特殊事件、节假日因素等）对负荷造成的干扰影响，更加适用于短期负荷预测。但是，人工神经网络预测也存在许多缺陷，网络的层数和神经元的选择基本上要依靠经验反复实验帮助确定，且网络收敛慢，容易陷入局部收敛。它本质上是一种基于经验风险最小化的方法，范化能力有限，另外在小样本学习方面也受到了不小限制。
4.6支持向量机法
支持向量机（SupportVectorMachines，SVM）是由BELL实验室的Vapnik等人在20世纪70年代中期提出的一种新型机器学习算法，因其卓越的性能，在模式识别和处理函数回归估计问题等诸多领域内受到了各研究学者们的强烈青睐。支持向量机与传统的人工神经网络预测方法所采用的经验风险最小化归纳原则是截然不同的，它实现了结构风险最小化（StructureRiskMinimization，SRM）的归纳原则，对未来样本的泛化能力明显增强。从理论上说，SVM的训练相当于解决一个线性约束的二次规划问题，所以必然存在解，获得的将会是全局最优解，这样就无形解决了人工神经网络预测方法中根本无法规避的局部极值问题。对应的支持向量本质上是训练样本集的子集，对训练样本集进行分类实际上就是对支持向量进行最低分类。
5、电力系统负荷预测的发展方向
随着当前科学技术的不断发展，电力市场的竞争越来越激烈，因此要不断探究科学的电力系统负荷预测，满足我国电力系统不断发展的要求。在实际的过程中，要充分借鉴国外先进的技术和经验，不断创新预测软件。同时，要形成一个规范、系统的预测机构，不断调节运行中出现的各种预测问题，满足不断发展的需要。
6、结束语：
总而言之，电力负荷预测过程随机且变化非平稳，要做好电力负荷电量预测，必须具备完整而准确的原始资料与数据、精确而有效的预测方法、预测工作人员丰富的工作经验和判断能力。此外，影响电力负荷变化的各种不确定和干扰因素如作息时间、生产工艺特点、气候以及季节也要在负荷电量预测时加以考虑。
参考文献
[1]周潮，邢文洋，李宇龙.电力系统负荷预测方法综述[J].电源学报，2012，（6）.
[2]申小玲.电力系统短期负荷预测影响因素分析[J].科技信息，2011，（5）.
[3]刘元松.小议电力系统负荷预测的基本原理及方法[J].黑龙江科技信息，2010（27）.