电力系统短期负荷预测研究概述

电力系统短期负荷预测研究概述

李容荣

（柳州索能特种变压器有限责任公司广西柳州545616）

摘要：电力负荷预测是电网公司的一项重要工作，现实中很多因素均能导致负荷变动，故电力负荷具有周期变动以及随机变动的特征。任何一种单一预测法均不能较为全部的预测电力体系负荷变动，对于这个问题，这篇文章引进竞争理论，将BP神经网络(BPNN)与自回归滑动均匀模型(ARMA)相联系，构建成组合式预测法(ARMA－BPNN)，其归纳使用了两者的长处，能够预测周期性和非线性电力负荷变动。该预测办法的BPNN预测电力负荷的非线性规则，ARMA预测周期性规则，最终将两者预测成果叠加，得出最终的负荷变动规则。表明，ARMA－BPNN兼具两者长处，起到了优势互补的效果，提高了电力负荷预测的精准度。

关键词：电力负荷预测；周期性预测；非线性预测

引言

中国经济正处于迅速发展期间，对电能需要较大，用电量每年都在提高。为了保证电力安全安稳可靠经济运转，满足社会日益增长的用电需要，负荷精确预测在电力出产进程中具有主要意义。也恰是因为这个因素，负荷预测变成研讨机构关注的研讨范畴。电力体系负荷的变动遭到诸如气候、经济等许多因素影响，单独选用某一预测法是不能够精确全部的预测负荷变动。这篇文章引进竞争理论，将传统预测办法和智能预测法相联系，提出一种组合式预测法。传统预测办法选用AR-MA，其具有预测周期性负荷变动才能强的特征;智能预测办法选用BPNN，其具有较强的预测随机性负荷变动才能，将两者联系构成组合式预测办法ARMA－BPNN，能够较好的预测负荷变动中的周期性变动和随机性变动，完成较为全部精确的预测。

1短期负荷影响因素及数据预处理方法

1.1力系统负荷预测的特点

短期电力负荷预测是根据前史数据，构建科学的数学模型，能够预测将来短时刻内电力负荷变动。电力体系短期负荷具有不断定性和随机性特征，这就使得电力体系负荷预测具有四个显着特征:(1)预测成果具有不断定性:负荷预测要遭到许多杂乱因素影响，且各影响因素多是时变的，故被预测目标的变动规则难以保证实时的精确性;(2)预测做法的条件性:不管负荷特性是什么性质的，预测均在必定的条件下进行的，故预测成果受多种特定条件约束。

1.2影响短期负荷预测的主要因素

1.2.1经济因素

国家经济变动，直接致使电力用户变动。现在，中国经济迅速增长使得电力用户数量不断添加。国家的职业计划、经济环境以及方针倾向等均会对负荷水平以及曲线散布发生主要的导向效果。除此之外，电力体系网络所在地的经济环境也会对负荷需要有着显著的影响。

1.2.2内部因素

内部因素的主要特征是周期变动以及线性变动，根据线性变量能够预测出24小时的负荷变动状况。

2电力负荷预测仿真分析

为验证这篇文章算法有效性，选用表1所列前史样本进行仿真剖析。在进行平稳化处理时，设模型阶数为2，则用最小二乘法断定ARMA(p，q)模型参数，获得最优体系参数为p=2、q=2。经过ARMA(2，2)预测2010年至2014年间的电力负荷数据，得到负荷线性有些的预测值。然后，将负荷影响因素和残差序列构成非线性样本，并将2000年至2010年的电力负荷非线性数据输入到BPNN中进行学习，使用遗传算法断定BP神经网络的参数，然后根据现已构建完成的负荷非线性预测模型预测2011年至2014年负荷残差序列。

根据权值将预测结果相加，得出最终预测结果，见表2。根据仿真结果分析，组合预测模型使用BPNN可对非线性有些进行预测和ARMA可对线性有些进行预测，能够较为精确的把握变动规则，是一种可行、高精度负荷预测模型。使用这篇文章算法在对电力负荷短期预测，可发掘不一样区域、不一样时段、不一样职业的用电特征，全部透析电网负荷状况;一起，可归纳前史负荷状况、用户习气、气候状况、设备状况等，以完成对将来一小时、三小时、一天甚至一星期的负荷预测;进而发掘各区域电网负荷随时节、方针的变动规则，并再此基础上联系政府计划、国民经济状况对将来一年到三年的电网负荷状况做出预测，一起预测将来一至三年电网负荷也许的变动，辅佐峰谷电价、基建计划等的决议计划，降低电网过载风险。

表2电力负荷预测结果比对表

3ARMA－BPNN组合预测模型设计

电力负荷预测的意图便是使用已有前史数据，经过预测模型对将

来一段时刻内的某区域电力负荷特征进行预测，以供计划与决议计划之用。因为影响电力负荷的因素较多，故其值变动具有周期性和随机性特征，选用现有单一的预测模型无法对其进行精确预测。选用组合式思维，将BPNN与ARMA模型联系起来，使用BPNN预测非线性变动有些以及使用ARMA预测线性变动有些，然后能够获得较高精确度的预测结果。

3.1ARMA模型预测方法

ARMA模型是一种时刻序列分析模型，其对平稳序列的分析具有适用性，故可先用查分运算对初始电力负荷序列进行平稳化处理。

3.2BP神经网络预测算法

BP神经网络是经过练习样本进行学习以及学习差错的反应。这篇文章使用梯度降低法进行调整BPNN的阀值以及权值，使得学习差错沿负梯度方向逐步减小，直到到达符合请求的精度，最终获得权值的最优值。可是因为梯度降低法无法对权值进行优化，所以在样本练习前，先要经过遗传算法优化权值。BP神经网络参数优化进程如下:

(1)用遗传算法的染色体表征BPNN的参数和构造;

(2)初始化遗传算法参数，设定习惯度函数;

(3)对由遗传算法获得的BPNN进行练习;

(4)对个别习惯度值核算;

3.3电力负荷组合预测流程

对于ARMA模型和BP神经网络算法对某段时刻内负荷预测的不一样特征，能够根据不一样加权值组合预测电力负荷。如果需要对短期电力负荷预测，只需要加剧BP算法所占权重;一起，比主要远大于ARMA模型占有的比重。负荷预测周期变长，能够降低BP算法权重，反而加剧ARMA模型所占比重。

结语

因为影响电力负荷大小的因素较多，故电力体系是一种非线性体系，仅仅依托单一办法时不能精确预测负荷变动。对于这个问题，这篇文章将ARMA和BPNN的长处相联系，提出ARMA－BPNN组合式预测法，起到了优势互补的效果，使得预测模型更为全部，仿真结果标明，ARMA－BPNN模型预测精度显著较高，在负荷预测中有着较大的使用潜力。经过构建模型使得电力负荷预测体系开发愈加有理论根据可循，因为负荷预测体系的数据需要实时收集用电信息收集体系的数据，为保证电网的安全出产运营，使用仿真模仿技能对负荷预测体系的可用性、精确性加以验证，为体系接入生产环境提供了更有价值的理论依据。

参考文献

[1]戴远航，陈磊，张玮灵，等.基于多支持向量机综合的电力系统暂态稳定评估[J].中国电机工程学报[J].2016(5):1173-1180.