（国网吉林省电力有限公司长春供电公司）
摘要：电力系统负荷预测关系到电力系统的调度运行和生产计划，准确的负荷预测有助于提高系统的安全性和稳定性，并可以减少投资成本。电网规划设计部门主要进行长期负荷预测，本文对长期负荷预测的分类、模型以及预测的方法进行了综述。
关键词：电力系统；负荷预测；预测模型。
1概述
电力系统负荷预测主要是根据比较完备的历史和现状统计资料，运用数学方法进行科学的分析、处理，找出预测目标与其他因素的规律性联系，从而定量的对电力需求作出预先的估计和推测。
电力系统负荷预测照预测期限的不同可分为：长期预测、中期预测、短期预测、超短期预测，各种期限预测的对比如表1所示。
2负荷预测方法
2.1时间序列分析法
2.1.1趋势外推法
趋势外推法是根据已知的历史资料来拟合一条曲线，根据趋势曲线估计未来某一时刻的负荷预测值。通常由于考虑电力负荷具有一定的周期性波动，将趋势变动项与季节变动项分离，对负荷曲线进行预测。
应用趋势外推法要满足两个条件：其一，负荷的变化比较平稳；其二，影响负荷的因素变化不是太大。选择合适的趋势模型是应用趋势外推法的关键，图形识别法和差分法是选择趋势模型的两种基本方法。
2.1.2弹性系数法
弹性系数法利用电力弹性系数来预测用电量。电力弹性系数是一个宏观指标，通常是指年用电量（或年最大负荷）的年平均增长率与国内生产总值（GDP）年平均增长率的比值。电能需求量的增长速度与国民经济产值增长速度有着密切的关系。采用这种方法首先要掌握今后国内生产总值的年平均增长速度，然后根据过去各阶段的电力弹性系数值，分析其变化规律，选用适当的电力弹性系数。
2.1.3指数平滑法
指数平滑法也叫做指数加权平均法，该方法将历史数据组成一个按时间排序的数组，然后进行加权平均，得出要预测时间的负荷结果。一般认为，距预测时间越近的数据对预测影响越大，越远影响越小，因此通过加权的方法强调较新数据的影响，逐步减弱较旧数据的影响，使曲线拟合后变得平滑。
2.1.4模糊负荷预测
模糊负荷预测是近几年比较热门的研究方向，它是一种解决不精确、不完整信息问题的方法，同时它具有强大的非线性映射能力，能够在任意精度上一致逼近任何定义在一个密集上的非线性函数，并能够从大量的数据中提取它们的相似性。目前模糊理论在电力系统负荷预测中已经取得了一些较好的成就。
2.2因果关系分析法
2.2.1回归分析法
回归分析法是数理统计中的常用方法，从历史数据的变化规律寻找自变量（影响预测目标的因素）和因变量（预测目标）之间的回归方程，通过对影响因子和用电量的历史数据进行分析，确定用电量和影响因子之间的函数关系，进而确定模型的参数，对未来的负荷进行预测。在解决负荷预测的实际问题时，需要根据负荷的历史资料，用假设检验的方法检验求得的回归方程是否具有实用价值。一般来说，回归分析模型的重点在于统计规律的研究和描述，适合在大样本的情况下使用。
2.2.2灰色理论法
灰色系统理论将无规律的原始数据进行累加生成，得到规律性较强的生成数列后再重新建模，由生成模型得到的数据再通过累减生成得到还原模型，由还原模型作为预测模型进行负荷预测。灰色系统预测法可以保持原来系统的特征，且所需要的信息较少，适合于无规律或者服从任何分布的任意光滑离散的原始序列。
灰色理论所使用的微分方程模型（即灰色模型，简称GM），建立在以下4个基础上：（1）模型的范围和时区是给定的，而且模型中的随机部分、随机过程也是变化的；（2）在数据序列随机叠加后会生成伴随指数增长的有规律的上升序列；（3）可以根据模型中灰数的生成方式、数据的筛选分别和残差GM模型的修正来调整和提高该模型的精度；（4）高阶下系统建模的GM模型群是一阶微分方程组组成的随指数增长的灰色模型。
2.2.3专家系统方法
专家系统是一个基于知识库建立起来的计算机系统，其知识库里存放着一些规则，这些规则是通过对数据库里存放的历史负荷数据、天气数据、日期类型等各种因素进行分析后，汇集出具有丰富经验的负荷预测人员和专家的知识和经验，然后进行提取得到的。借助专家系统，负荷预测人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。该算法相当于将人类的经验抽象为公式或模型应用于实际预测中，是一种独特的算法。
2.2.4神经网络法
神经网络技术进行负荷预测，是电力系统中一种新型的预测方法。人工神经网络（ArtificialNeuralNetwork，简称ANN）是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络，它是理论化的人脑神经网络的数学模型，是基于模仿人脑神经网络的组织结构、处理方式和系统功能而建立的一种信息化处理系统。
3预测方法综合应用
单纯追求尽可能高的拟合精度，并不一定能保证较高的预测精度。因此，拟合精度的好坏，不能作为衡量预测结果的唯一标准。虚拟预测模型以历史时段中比较近期的若干时段为假定的预测对象，追求这段已知数据的虚拟预测误差最小，选取对最近一段历史数据进行假定预测时效果最好的模型及其参数，应用于对未来时段的预测（图1）。
图中，已经收集到历史的样本数据yt，历史时段t（1≤t≤n），需要对未来T+a≤t≤T+b时段作预测。此时，引入虚拟预测时段c（0≤c≤T），将历史样本按时间分为2个子集，G={yt丨t∈[1,T-c]}和H={yt丨t∈[T-c+1,T]}，而后按照以下步骤进行预测：
(1)分析集合G中的数据规律性，选择合适的预测方法对此段时间区间上的数据进行建模（记为模型A），使其达到一定程度的历史拟合。该过程也可称为“历史模拟”。(2)将集合H中的数据视为未知的，利用模型A对T-c+1≤t≤T时段做出预测。由于T-c+1≤t≤T本来是已知数据，因此这种预测是“假定”的，称之为“虚拟预测”。调整和优化模型A的参数，使得虚拟预测结果与集合H中的数据尽量接近，即“虚拟预测”误差尽可能小。(3)利用调整后的模型A及其优化参数，对未来T+a≤t≤T+b时段做出真正的负荷预测。
参考文献
[1]康重庆,夏清,刘梅.电力系统负荷预测[M].北京:中国电力出版社,2007.
作者简介
丁傲，硕士，从事电网规划和设计工作。