《電力負(fù)荷預(yù)測(cè)研究8500字【論文】》

短期電力負(fù)荷預(yù)測(cè)方法研究目錄TOC\o"1-3"\h\u86401前言 前言研究背景和意義隨著社會(huì)經(jīng)濟(jì)和科技的不斷提高，電能在生活中得到廣泛使用。電力系統(tǒng)也隨之不斷發(fā)展并日漸復(fù)雜化，管理難度不斷增加。由于電能很難存儲(chǔ)的特性，為了維護(hù)電力系統(tǒng)安全穩(wěn)定運(yùn)行，要求電力系統(tǒng)時(shí)刻保持著動(dòng)態(tài)平衡，否則就可能會(huì)嚴(yán)重影響系統(tǒng)供用電的效率和質(zhì)量，甚至可能危及到整個(gè)電力系統(tǒng)的安全與穩(wěn)定。為了安全經(jīng)濟(jì)地管理運(yùn)行電力系統(tǒng)，科學(xué)地進(jìn)行電力系統(tǒng)規(guī)劃，對(duì)電力系統(tǒng)負(fù)荷的精準(zhǔn)預(yù)測(cè)需求日益增加。按照預(yù)測(cè)時(shí)長(zhǎng)的不同，可以對(duì)電力系統(tǒng)負(fù)荷預(yù)測(cè)進(jìn)行細(xì)化。不同時(shí)長(zhǎng)的負(fù)荷預(yù)測(cè)有不同的意義。中長(zhǎng)期電力負(fù)荷預(yù)測(cè)通常以年、月為單位，主要用于政府宏觀調(diào)度和遠(yuǎn)景規(guī)劃，企業(yè)的大修和機(jī)組運(yùn)行方式制定。短期電力負(fù)荷預(yù)測(cè)以日為單位，主要用于安排調(diào)度計(jì)劃，比如工序協(xié)調(diào)、生產(chǎn)線路變更和設(shè)施檢修等。超短期電力負(fù)荷預(yù)測(cè)時(shí)間單位更短，通常是分鐘級(jí)，是系統(tǒng)實(shí)時(shí)分配電力資源、預(yù)防性控制和緊急警報(bào)處理的基礎(chǔ)，它對(duì)于電源、電網(wǎng)的優(yōu)化具有重要意義。國(guó)內(nèi)外研究現(xiàn)狀電力負(fù)荷預(yù)測(cè)作為一個(gè)經(jīng)典的問(wèn)題，國(guó)內(nèi)外很多學(xué)者對(duì)其進(jìn)行研究，并提出了很多新的模型和算法不斷提高預(yù)測(cè)結(jié)果的精度和方法魯棒性?；谙嗨贫鹊姆椒ㄍǔＲ载?fù)荷序列的相似性為指導(dǎo)，利用負(fù)荷特性指標(biāo)進(jìn)行修正。文獻(xiàn)REF_Ref32680\r\h[1]采用函數(shù)型數(shù)據(jù)分析理論，將日負(fù)荷曲線當(dāng)成函數(shù)型數(shù)據(jù)，利用歷史曲線樣本構(gòu)造函數(shù)型非參數(shù)回歸預(yù)測(cè)模型，并利用日負(fù)荷特性對(duì)預(yù)測(cè)曲線進(jìn)行二次修正。文獻(xiàn)REF_Ref174\r\h[2]將基于非參數(shù)回歸：Nadaraya-Watson估計(jì)應(yīng)用于電力預(yù)測(cè)，對(duì)月度電量進(jìn)行預(yù)測(cè)。由于的電網(wǎng)的普及和發(fā)展，海量數(shù)據(jù)涌來(lái)，為深度學(xué)習(xí)在電力負(fù)荷預(yù)測(cè)領(lǐng)域提供了有利條件。文獻(xiàn)REF_Ref213\r\h[3]人工神經(jīng)網(wǎng)絡(luò)被應(yīng)用于電力負(fù)荷預(yù)測(cè)領(lǐng)域。針對(duì)負(fù)荷預(yù)測(cè)的時(shí)序相關(guān)性，文獻(xiàn)REF_Ref252\r\h[4]將循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)應(yīng)用于負(fù)荷預(yù)測(cè)領(lǐng)域，充分利用了負(fù)荷的時(shí)序特征。由于RNN的一些不足，它的改進(jìn)變體如長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)和門(mén)控循環(huán)單元網(wǎng)絡(luò)(GRU)被提了出來(lái)，這些變體在負(fù)荷預(yù)測(cè)領(lǐng)域也收獲到了很好的效果。隨后，卷積神經(jīng)網(wǎng)絡(luò)(CNN)在圖像識(shí)別領(lǐng)域收獲令人驚訝的效果REF_Ref252\r\h[5]，得到各方向廣泛關(guān)注。文獻(xiàn)REF_Ref4092\r\h[6]利用CNN提取短期電力負(fù)荷復(fù)雜的高維特征，將提取到的特征向量以時(shí)間序列形式輸入GRU網(wǎng)絡(luò)，并利用Attention機(jī)制對(duì)GRU隱藏層進(jìn)行賦權(quán)，得到了更高的預(yù)測(cè)精度。隨著發(fā)展電力負(fù)荷數(shù)據(jù)規(guī)模越來(lái)越大，數(shù)據(jù)集也越來(lái)越大，為了適應(yīng)這種趨勢(shì)，文獻(xiàn)REF_Ref4135\r\h[7]提出一種組合方法，利用K均值算法將大數(shù)據(jù)集分割為小的數(shù)據(jù)子集，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)子集進(jìn)行學(xué)習(xí)，避免了高性能模型的訓(xùn)練難度，能夠有效避免集中大數(shù)據(jù)的過(guò)擬合。由于模型參數(shù)對(duì)模型的收斂和性能有著至關(guān)重要的影響，往往模型參數(shù)的選取依賴于常規(guī)經(jīng)驗(yàn)，將預(yù)測(cè)模型和參數(shù)優(yōu)化方法結(jié)合以提高模型表現(xiàn)方法被提了出來(lái)。文獻(xiàn)REF_Ref4210\r\h[8]提出了一種混合負(fù)荷預(yù)測(cè)模型，該模型將經(jīng)驗(yàn)?zāi)Ｊ椒纸夥謩e和擴(kuò)展卡爾曼濾波、帶核學(xué)習(xí)機(jī)結(jié)合，利用粒子群算法對(duì)參數(shù)進(jìn)行優(yōu)化，用于微電網(wǎng)的短期負(fù)荷預(yù)測(cè)。文獻(xiàn)REF_Ref4275\r\h[9]將最小二乘支持向量機(jī)應(yīng)用于短期電力負(fù)荷預(yù)測(cè)，并基于改進(jìn)粒子群算法實(shí)現(xiàn)模型參數(shù)優(yōu)化。文獻(xiàn)REF_Ref4331\r\h[10]將受限玻爾茲曼機(jī)和深度神經(jīng)網(wǎng)絡(luò)結(jié)合，利用受限玻爾茲曼機(jī)對(duì)深度神經(jīng)網(wǎng)絡(luò)參數(shù)預(yù)訓(xùn)練，比沒(méi)有優(yōu)化初始權(quán)重直接使用修正線性單元的深度神經(jīng)網(wǎng)絡(luò)效果更好。近年，為了進(jìn)一步提高預(yù)測(cè)精度，在預(yù)測(cè)領(lǐng)域把目光看向了對(duì)時(shí)間序列頻域特征的挖掘利用。電力負(fù)荷數(shù)據(jù)是在特定領(lǐng)域的一種時(shí)間序列，尤其是短期電力負(fù)荷具有一定非平穩(wěn)非線性，文獻(xiàn)REF_Ref4367\r\h[11]提出了和EMD技術(shù)結(jié)合的時(shí)間序列組合預(yù)測(cè)模型，分別和Box-Jenkins、ANN、SVM模型結(jié)合，對(duì)聚類后的EMD分解子序列進(jìn)行預(yù)測(cè)，在人民幣匯率變化趨勢(shì)上驗(yàn)證了EMD技術(shù)對(duì)非平穩(wěn)非線性時(shí)間序列預(yù)測(cè)的有效性。由于短期電力負(fù)荷受多種不確定性因素影響，文獻(xiàn)REF_Ref4514\r\h[12]提出了一種多方法組合的模型，它使用模糊聚類選取相似日，接著利用小波分解將相似日電力負(fù)荷數(shù)據(jù)分解為低頻子序列和高頻子序列，對(duì)低頻子序列采用PSO-SVM模型進(jìn)行預(yù)測(cè)，對(duì)高頻子序列直接對(duì)各相似日加權(quán)平均，以實(shí)現(xiàn)短期電力負(fù)荷的精確預(yù)測(cè)。文獻(xiàn)REF_Ref4546\r\h[13]對(duì)原始負(fù)荷序列進(jìn)行EMD分解，利用最小冗余度最大相關(guān)性方法衡量各分解子序列和日類型、天氣等特征集直接相關(guān)度，降低輸入特征數(shù)量，利用基于粒子群優(yōu)化算法的最小二乘支持向量機(jī)完成負(fù)荷預(yù)測(cè)，即減少了模型輸入特征數(shù)量又提高了負(fù)荷預(yù)測(cè)精度和效率。

2電力負(fù)荷預(yù)測(cè)概況2.1電力負(fù)荷預(yù)測(cè)電力系統(tǒng)由發(fā)電、輸電和配電三大模塊組成，電力由配電網(wǎng)等電力設(shè)施傳輸至電力使用者，供各用戶使用用電設(shè)備。這些用電設(shè)備中通過(guò)的電流和功率總稱為電力系統(tǒng)的負(fù)荷，一般簡(jiǎn)稱為負(fù)荷。負(fù)荷不是恒定的，它隨時(shí)間發(fā)生變化，通常具有一定趨勢(shì)性、周期性，同時(shí)又具有一定隨機(jī)性。根據(jù)用電場(chǎng)景的不同，電力負(fù)荷預(yù)測(cè)一般可以進(jìn)行細(xì)化。負(fù)荷在不同的用電情況下的使用有其自身不同的規(guī)律和特點(diǎn)REF_Ref5863\r\h。城市居民的家用負(fù)荷被稱為城市民用負(fù)荷，它具有明顯的季候波動(dòng)性和周期性，受氣溫天氣影響較重，比如冬夏由于溫控設(shè)備的使用負(fù)荷會(huì)呈現(xiàn)上升，周末相對(duì)工作日負(fù)荷會(huì)增加，一天中用餐時(shí)間相對(duì)平常時(shí)間負(fù)荷也更大，其具有明顯規(guī)律。商業(yè)負(fù)荷主要指商場(chǎng)辦公等商業(yè)用電產(chǎn)生的負(fù)荷，商業(yè)電力負(fù)荷相對(duì)增長(zhǎng)平穩(wěn)，主要受節(jié)假日和氣候影響。工業(yè)用電主要指工業(yè)生產(chǎn)用電，工業(yè)用電通常在用電占比中處于首要位置，主要受工業(yè)用戶生產(chǎn)設(shè)備、調(diào)度安排等影響，受氣候影響較小，由于工業(yè)用戶能源結(jié)構(gòu)復(fù)雜，不同設(shè)備具有不同負(fù)載特性甚至有些工業(yè)用戶安裝使用了自發(fā)電設(shè)備，往往負(fù)荷構(gòu)成相對(duì)復(fù)雜，難以預(yù)測(cè)。但是工業(yè)負(fù)荷由于其在用電負(fù)荷中的比重和其可操縱性，往往是節(jié)能減排重要突破口。對(duì)工業(yè)用戶來(lái)說(shuō)，合理地控制負(fù)荷，進(jìn)行任務(wù)調(diào)度也是企業(yè)降低用電成本的重要突破口。中期負(fù)荷預(yù)測(cè)通常和預(yù)測(cè)區(qū)域的負(fù)荷構(gòu)成相關(guān)，規(guī)律性強(qiáng)，相對(duì)于長(zhǎng)期負(fù)荷預(yù)測(cè)具有明顯周期性，受行業(yè)情況和氣候環(huán)境等因素的影響較大，通常結(jié)合各影響因素綜合考慮。短期預(yù)測(cè)和超短期預(yù)測(cè)非線性極強(qiáng)，包含較多隨機(jī)因素。短期負(fù)荷容易受到各種外部因素的影響，包括重大活動(dòng)、天氣變化等一系列外部因素，因此對(duì)短期負(fù)荷預(yù)測(cè)通?？紤]社會(huì)活動(dòng)和氣象的影響。2.2電力負(fù)荷預(yù)測(cè)方法目前負(fù)荷預(yù)測(cè)的方法主要分為傳統(tǒng)預(yù)測(cè)方法和人工智能方法。傳統(tǒng)預(yù)測(cè)方法大多以純粹的數(shù)學(xué)理論作為基礎(chǔ)，模型簡(jiǎn)單，要求保證原始時(shí)間序列平穩(wěn)性，同時(shí)只能對(duì)影響因素較少的小樣本數(shù)據(jù)進(jìn)行處理，無(wú)法適應(yīng)當(dāng)今智能電網(wǎng)發(fā)展產(chǎn)生的大量、復(fù)雜的數(shù)據(jù)和用戶的高精度預(yù)測(cè)需求而被逐漸淘汰。而在新型人工智能方法中，運(yùn)用最廣的就是神經(jīng)網(wǎng)絡(luò)。由于神經(jīng)網(wǎng)絡(luò)能夠自適應(yīng)的學(xué)習(xí)海量非精確非結(jié)構(gòu)化的數(shù)據(jù)，即使對(duì)復(fù)雜的非線性函數(shù)也能夠很好擬合，能夠處理短期電力負(fù)荷預(yù)測(cè)的非線性數(shù)據(jù)，因此在短期負(fù)荷預(yù)測(cè)領(lǐng)域得到了廣泛研究。2.2.1傳統(tǒng)方法趨勢(shì)外推法又叫趨勢(shì)延伸法，它假設(shè)未來(lái)負(fù)荷的值是歷史負(fù)荷和當(dāng)前負(fù)荷連續(xù)發(fā)展的結(jié)果，利用過(guò)去一段時(shí)間內(nèi)時(shí)序負(fù)荷自身變換規(guī)律外推未來(lái)負(fù)荷變化情況。它的基本理論是：事物變化過(guò)程一般是漸進(jìn)延續(xù)的，以及事物未來(lái)變化也受過(guò)去決定因素影響。趨勢(shì)外推法模型簡(jiǎn)單，占用資源少，有利用實(shí)時(shí)預(yù)測(cè)，但是對(duì)于時(shí)間序列平穩(wěn)性要求高，在拐點(diǎn)和峰谷值難以進(jìn)行預(yù)測(cè)。通常在時(shí)間序列不存在明顯季節(jié)波動(dòng)，隨時(shí)間出現(xiàn)出某種上升或下降趨勢(shì)時(shí)使用趨勢(shì)外推法。它通過(guò)建立某種數(shù)學(xué)模型以一個(gè)合適的函數(shù)曲線來(lái)預(yù)測(cè)數(shù)據(jù)未來(lái)的變換?；貧w分析法，主要通過(guò)分析挖掘電力負(fù)荷和相關(guān)變量之間的相關(guān)關(guān)系來(lái)建立預(yù)測(cè)模型完成負(fù)荷預(yù)測(cè)。由于電力負(fù)荷通常受多種影響因素共同作用，為了保證預(yù)測(cè)精度電力負(fù)荷預(yù)測(cè)常采用多元線性回歸模型，依據(jù)歷史數(shù)據(jù)變化規(guī)律，選取相應(yīng)函數(shù)模型，利用最小平方和方法求出方程系數(shù)，創(chuàng)建回歸模型[29]。采用線性回歸分析預(yù)測(cè)通常還需要對(duì)數(shù)據(jù)是否滿足使用的前提假設(shè)進(jìn)行判斷，如完成變量相關(guān)性、顯著性和可決性等檢驗(yàn)分析。由于不同電力系統(tǒng)負(fù)荷有不同的特性和規(guī)律，很難建立起通用的負(fù)荷預(yù)測(cè)模型。時(shí)間序列法，它通過(guò)研究分析歷史負(fù)荷基本特征和時(shí)序規(guī)律，建立起時(shí)間序列模型對(duì)未來(lái)負(fù)荷進(jìn)行預(yù)測(cè)。區(qū)別于統(tǒng)計(jì)學(xué)中觀測(cè)數(shù)據(jù)相互獨(dú)立的假設(shè)，時(shí)間序列法對(duì)數(shù)據(jù)序列的依賴關(guān)系著重研究。相比回歸分析側(cè)重對(duì)變量之間的因果分析，時(shí)間序列分析更關(guān)注數(shù)據(jù)自身變化在時(shí)間上的內(nèi)在聯(lián)系。常用的時(shí)間序列分析法中自回歸模型、移動(dòng)平均模型、自回歸移動(dòng)平均模型都要求序列數(shù)據(jù)具有平穩(wěn)性，但負(fù)荷數(shù)據(jù)往往由于包含隨機(jī)因素并不是平穩(wěn)的，這時(shí)模型就不再適用，需要將負(fù)荷數(shù)據(jù)加以處理轉(zhuǎn)化再運(yùn)用，差分自回歸移動(dòng)平均模型利用差分將序列平穩(wěn)化，能夠?qū)Ψ瞧椒€(wěn)隨機(jī)負(fù)荷時(shí)間序列進(jìn)行預(yù)測(cè)。2.2.2人工智能方法常見(jiàn)的人工智能預(yù)測(cè)方法主要包括專家系統(tǒng)、支持向量機(jī)法、模糊預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等。專家系統(tǒng)的關(guān)鍵是獲取技術(shù)專家和工作人員的知識(shí)，利用相關(guān)人員的知識(shí)建立專家系統(tǒng)從而進(jìn)行預(yù)測(cè)。專家系統(tǒng)對(duì)于突發(fā)情況或者節(jié)假日等能人工判斷的情況預(yù)測(cè)效果較好，但專家系統(tǒng)構(gòu)建繁瑣，人力財(cái)力花費(fèi)大，對(duì)專家知識(shí)水平要求較高。支持向量機(jī)法最初應(yīng)用在高維模式識(shí)別問(wèn)題中，通過(guò)核函數(shù)將數(shù)據(jù)映射到等價(jià)高維空間并且使劃分間隔最大化，其在小樣本、非線性問(wèn)題中具有獨(dú)特的勝勢(shì)，在對(duì)模型進(jìn)行修改后能夠推廣到預(yù)測(cè)問(wèn)題中。在利用支持向量處理回歸問(wèn)題時(shí)，支持向量機(jī)方法采用平方和損失函數(shù)，具有預(yù)測(cè)精度高、全局最優(yōu)及收斂速度快等突出優(yōu)勢(shì)，對(duì)于短期電力負(fù)荷十分有效。模糊預(yù)測(cè)法是模糊數(shù)學(xué)在預(yù)測(cè)領(lǐng)域的應(yīng)用，相比其他模型方法模糊預(yù)測(cè)對(duì)數(shù)據(jù)的包容性更大，它無(wú)需精確的數(shù)學(xué)模型也能夠有很好的預(yù)測(cè)效果。由于電力系統(tǒng)的復(fù)雜性，實(shí)際電力系統(tǒng)中有部分難以確切定義的模糊，模糊預(yù)測(cè)的應(yīng)用能夠很好解決這些預(yù)測(cè)中模糊信息存在的問(wèn)題。模糊預(yù)測(cè)法運(yùn)用模糊理論知識(shí)來(lái)研究電力負(fù)荷及其相關(guān)因素之間的關(guān)系，并利用系統(tǒng)辨識(shí)和參數(shù)估計(jì)實(shí)現(xiàn)模型創(chuàng)建。電力負(fù)荷預(yù)測(cè)領(lǐng)域常用的方法有模糊聚類、模糊線性回歸等。在人工神經(jīng)網(wǎng)絡(luò)的研究基礎(chǔ)上，深度學(xué)習(xí)理論被提了出來(lái)。目前深度學(xué)習(xí)在圖像識(shí)別、自然語(yǔ)言處理、智能推薦等其他領(lǐng)域都取得了很多成果，甚至在某些方面的表現(xiàn)超過(guò)了人腦。專家學(xué)者發(fā)現(xiàn)，通過(guò)增加神經(jīng)網(wǎng)絡(luò)中隱藏層的數(shù)量，利用深層網(wǎng)絡(luò)多層次提取特征，能夠?qū)⒌讓犹卣鹘M合為更高層抽象特征，挖掘數(shù)據(jù)更多隱藏特征表示。它包含多個(gè)隱藏層，擴(kuò)大了神經(jīng)元的數(shù)量，模型更為復(fù)雜，能夠?qū)Ａ繑?shù)據(jù)進(jìn)行學(xué)習(xí)，模型的數(shù)據(jù)學(xué)習(xí)能力得到了大大提升。對(duì)于時(shí)間序列，一般通過(guò)融合多種神經(jīng)網(wǎng)絡(luò)單元構(gòu)建深層學(xué)習(xí)網(wǎng)絡(luò)，自主學(xué)習(xí)輸入到輸出的映射，實(shí)現(xiàn)預(yù)測(cè)。目前在時(shí)序預(yù)測(cè)領(lǐng)域常用的有循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和深度置信網(wǎng)絡(luò)等模型。3短期電力負(fù)荷的具體特性3.1連續(xù)性想要使負(fù)荷不出現(xiàn)跳變，就要求電力系統(tǒng)具有較強(qiáng)的穩(wěn)定性，而且電力系統(tǒng)的穩(wěn)定性也會(huì)使負(fù)荷的變化呈現(xiàn)出一定的連續(xù)性。在電器企業(yè)對(duì)電荷的需求側(cè)進(jìn)行突然投入的過(guò)程中電網(wǎng)的負(fù)荷必然會(huì)呈現(xiàn)出一定程度的波動(dòng)，而在這個(gè)過(guò)程中，波動(dòng)的程度超過(guò)了系統(tǒng)旋轉(zhuǎn)備用的用量就會(huì)造成系統(tǒng)頻率下降，同時(shí)電機(jī)的無(wú)功需求也出現(xiàn)增加的情況，并且在這種情況下系統(tǒng)的電壓也會(huì)出現(xiàn)降低，此時(shí)系統(tǒng)的安全性就會(huì)受到較大程度的影響。同理在電能需求側(cè)對(duì)負(fù)荷突然切除較大的時(shí)候系統(tǒng)提供的無(wú)功功率會(huì)比負(fù)荷消耗掉的無(wú)功要高，在這種情況下，系統(tǒng)接點(diǎn)的電壓也會(huì)出現(xiàn)增高的問(wèn)題，這一問(wèn)題的出現(xiàn)將會(huì)給設(shè)備的安全運(yùn)行帶來(lái)一定的不利影響。所以在電力系統(tǒng)正常運(yùn)行的過(guò)程中對(duì)于投切負(fù)荷大小的要求也相對(duì)較高，這也在一定程度上決定了負(fù)荷變化過(guò)程中的連續(xù)性。3.2周期性作為電力負(fù)荷的一種重要特性，負(fù)荷的周期性一般都是以年周期來(lái)進(jìn)行表現(xiàn)，這種表現(xiàn)出來(lái)的性質(zhì)我們稱之為年周期性，其出現(xiàn)周期性的原因是因?yàn)橐荒曛屑竟?jié)之間的周期性變化。在冬季來(lái)臨的時(shí)候由于天氣較冷而使較多的人增加了對(duì)空調(diào)或者電暖氣等一些取暖設(shè)備的使用，在這種情況下用電量急劇上升的同時(shí)供暖負(fù)荷增多。而在夏季的時(shí)候由于氣溫相對(duì)較高，人們出于對(duì)防暑降溫方面的需求而對(duì)空調(diào)和風(fēng)扇等相關(guān)設(shè)備進(jìn)行使用的較之春秋要多得多，在這個(gè)過(guò)程中用電量會(huì)呈現(xiàn)較高的增長(zhǎng)勢(shì)頭，而在這樣的情況下降溫設(shè)備的使用也必然造成用電負(fù)荷的增加。在春秋2個(gè)季節(jié)中人們對(duì)于取暖和降溫等相關(guān)方面的設(shè)備需求相對(duì)較小，所以這2個(gè)季節(jié)的用電負(fù)荷也相對(duì)較低。在這種情況下由于四季更替所帶來(lái)的用電負(fù)荷的變化會(huì)呈現(xiàn)出一定的周期性特征。4短期電力負(fù)荷預(yù)測(cè)存在的問(wèn)題4.1氣候影響當(dāng)天氣情況發(fā)生變化時(shí)在一定程度上會(huì)對(duì)用電負(fù)荷造成很大的影響，比如說(shuō)在下雨或者陰天的情況下天氣相對(duì)昏暗，而一些工廠或者工人就會(huì)為了照明而大量地使用電燈等照明設(shè)備，這些設(shè)備的應(yīng)用必然會(huì)造成用電負(fù)荷增加。而在夏季的時(shí)候由于氣溫相對(duì)較高，由于人們對(duì)防暑降溫方面的需求，對(duì)空調(diào)和風(fēng)扇等相關(guān)設(shè)備使用的次數(shù)比春秋季節(jié)要多，在這個(gè)過(guò)程中用電量會(huì)呈現(xiàn)較高的增長(zhǎng)勢(shì)頭，而在這樣的情況下降溫設(shè)備的使用也必然會(huì)造成用電負(fù)荷的增加。在我國(guó)農(nóng)村和城市的用電負(fù)荷具有一定的差異，農(nóng)村地區(qū)對(duì)于空調(diào)的使用相對(duì)較少，所以這方面的用電負(fù)荷比城鎮(zhèn)要低，所以在鄉(xiāng)村中氣溫對(duì)負(fù)荷帶來(lái)的影響并不顯著。在電力系統(tǒng)中氣溫主要影響的是日用電量和最大的負(fù)荷量。4.2電價(jià)政策影響當(dāng)前峰谷電價(jià)政策的實(shí)行在對(duì)高峰時(shí)間段負(fù)荷的增長(zhǎng)起到抑制作用的同時(shí)也使負(fù)荷率得到了顯著的提高，并且也使尖鋒負(fù)荷在一個(gè)年周期中持續(xù)的時(shí)間也得到了增加，由此使電網(wǎng)設(shè)備的利用率得到了有效的提高。4.3電力供應(yīng)能力如果出現(xiàn)電力供應(yīng)能力不足的情況就必須相應(yīng)地采用一些規(guī)模較大拉閘限電和有序用電的策略，以此來(lái)使電網(wǎng)的安全和一些重要的用戶用電需求得到保證。而這些對(duì)負(fù)荷變化規(guī)律進(jìn)行改變的方法必然會(huì)影響到電網(wǎng)負(fù)荷的特性。4.4隨機(jī)因素一般而言，構(gòu)成一個(gè)完整電力系統(tǒng)需要相對(duì)較多的獨(dú)立用戶，而在不同用戶之間，人們對(duì)用電方式的選擇存在較大的差異，在這種情況下負(fù)荷的應(yīng)用就會(huì)表現(xiàn)出一定的不確定性，這種不確定性也就是常規(guī)意義上的隨機(jī)性。而且一些諸如地震和臺(tái)風(fēng)等相關(guān)的自然災(zāi)害對(duì)于負(fù)荷也會(huì)造成較大程度的影響。上述這些隨機(jī)因素的出現(xiàn)對(duì)整個(gè)電力系統(tǒng)所造成的負(fù)荷影響也表現(xiàn)出一定的隨機(jī)性。解決方法5.1預(yù)處理原始數(shù)據(jù)無(wú)論是長(zhǎng)期負(fù)荷預(yù)測(cè)還是短期負(fù)荷預(yù)測(cè)，均以原始數(shù)據(jù)為基礎(chǔ)。當(dāng)從EMS系統(tǒng)收集原始數(shù)據(jù)時(shí)，相應(yīng)的數(shù)據(jù)收集程序?qū)⒂捎谕ǖ勒系K，擁塞和其他問(wèn)題而中斷，這將導(dǎo)致原始數(shù)據(jù)失真。因此，在程序設(shè)計(jì)中，應(yīng)首先對(duì)原始的各種不真實(shí)數(shù)據(jù)進(jìn)行預(yù)處理，并應(yīng)將設(shè)備問(wèn)題引起的負(fù)面影響排除在預(yù)測(cè)過(guò)程之外。從實(shí)際操作的角度出發(fā)，根據(jù)原始數(shù)據(jù)失真的不同誘因，應(yīng)及時(shí)采取有效措施：①由于數(shù)據(jù)采集程序的中斷造成的原始數(shù)據(jù)丟失，在程序中設(shè)置提示信號(hào)，使用最快的方法來(lái)處理它，數(shù)據(jù)將丟失損失最小化。如果找不到，則只能使用其他補(bǔ)救措施：一種是從其他數(shù)據(jù)源提取數(shù)據(jù)并人為填充數(shù)據(jù)庫(kù)，但是這種方法更加復(fù)雜。隨著采樣數(shù)據(jù)逐漸減少，收集間隔變得更密集。手動(dòng)更正數(shù)據(jù)更加困難。第二是從相關(guān)歷史數(shù)據(jù)中選擇并復(fù)制與第二天相似的數(shù)據(jù)值。盡管這不是事實(shí)，但不會(huì)有太大的偏差。②必須在程序中識(shí)別大量現(xiàn)有的不真實(shí)且無(wú)法修復(fù)的數(shù)據(jù)，并在預(yù)測(cè)中將其消除。對(duì)于不良數(shù)據(jù)，應(yīng)根據(jù)數(shù)據(jù)的平滑度，正常負(fù)載的分布范圍以及日曲線的趨勢(shì)等因素進(jìn)行識(shí)別和處理。③真實(shí)數(shù)據(jù)的預(yù)處理不能直接應(yīng)用于預(yù)測(cè)程序。由于預(yù)測(cè)程序會(huì)從原始數(shù)據(jù)中搜索內(nèi)在規(guī)律，因此容易受到各種隨機(jī)因素的影響，從而導(dǎo)致預(yù)測(cè)精度下降。因此，在進(jìn)行預(yù)測(cè)之前，蒸汽應(yīng)根據(jù)負(fù)荷曲線的波動(dòng)性對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，以消除隨機(jī)影響。5.2捕捉隨機(jī)因素眾所周知，在負(fù)荷組成中有許多類似于電焊和軋鋼的沖擊負(fù)荷。這種類型的負(fù)載的特征是快速啟動(dòng)和停止，持續(xù)時(shí)間短，隨機(jī)性強(qiáng)，值大，并且約占切片總負(fù)載的1-2％，并且負(fù)載預(yù)測(cè)的精度必須在2％以內(nèi)。因此，有效降低沖擊載荷的影響對(duì)于提高精度尤為關(guān)鍵。從上面可以看出，對(duì)原始數(shù)據(jù)進(jìn)行平滑處理可以減弱沖擊載荷的作用力，但不能否認(rèn)其存在。因此，必須通過(guò)分析沖擊載荷來(lái)獲得有效值，然后將其疊加在平滑的載荷曲線上。結(jié)果是它可以直接應(yīng)用于負(fù)荷預(yù)測(cè)。5.3預(yù)測(cè)與量化有關(guān)因子像歷史數(shù)據(jù)一樣，天氣、政治、重大事件等因素也被用作預(yù)測(cè)程序的輸入值，其準(zhǔn)確性將直接影響負(fù)荷預(yù)測(cè)結(jié)果。與諸如政治因素和重大事件之類的人類行為類似，時(shí)間表通常是固定的，因此預(yù)測(cè)更加準(zhǔn)確；但是對(duì)于天氣等因素，由于其自身的不確定性，必須對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以減少錯(cuò)誤。另外，定量描述了這種性質(zhì)的因素。定量處理涉及兩種方法：一種是依靠經(jīng)驗(yàn)值，調(diào)試后不斷改進(jìn)，力求準(zhǔn)確性。二是通過(guò)程序識(shí)別，并通過(guò)回歸等方法動(dòng)態(tài)分配值。前者相對(duì)簡(jiǎn)單，但很難準(zhǔn)確。后者在理論上較為成熟，但由于模型不確定，因此難以實(shí)踐。具體操作視實(shí)際情況而定。5.4適當(dāng)選擇預(yù)測(cè)模式與算法當(dāng)前，我國(guó)的點(diǎn)力結(jié)構(gòu)經(jīng)常按地區(qū)劃分，但實(shí)際需要的是總體負(fù)荷。因此，必須在實(shí)踐中測(cè)試單個(gè)預(yù)測(cè)或整體預(yù)測(cè)的特定選擇。從短期負(fù)荷預(yù)測(cè)實(shí)踐的角度來(lái)看，在進(jìn)行單個(gè)預(yù)測(cè)后進(jìn)行疊加和整體預(yù)測(cè)存在優(yōu)缺點(diǎn)。由于多種因素（例如氣象和政治）的分布區(qū)域不同，因此可以在單個(gè)預(yù)測(cè)中詳細(xì)考慮的因素更為現(xiàn)實(shí)。以氣象因素為例，電網(wǎng)的不同區(qū)域具有不同的氣象條件，其各自的考慮因素將更加準(zhǔn)確，但存在局限性：一是采用單一方法進(jìn)行預(yù)測(cè)，誤差方向更加一致，疊加會(huì)產(chǎn)生更大的誤差；疊加后的每個(gè)供電區(qū)域的預(yù)測(cè)值不直接用于發(fā)電設(shè)備的負(fù)荷，但是必須考慮工廠的功耗，這不可避免地會(huì)增加誤差。如果采用總體預(yù)測(cè)，盡管原始數(shù)據(jù)不能直接使用，但在經(jīng)過(guò)負(fù)載比均等擬合后，可以用作整體預(yù)測(cè)的輸入，因此僅會(huì)產(chǎn)生一個(gè)錯(cuò)誤。在實(shí)踐中，盡管后者更為含糊，但由于大型電網(wǎng)的影響，其精度要高于前者。受載荷結(jié)構(gòu)和特性的影響，沒(méi)有一種預(yù)測(cè)方式可以使結(jié)果準(zhǔn)確，但為了提高預(yù)測(cè)精度，必須根據(jù)實(shí)際情況，