电力负荷预测方法探究.docVIP

电力负荷预测方法探究 　　摘要：文章对目前的几种智能负荷预测方法：人工神经网络、模糊预测法、数据挖掘、专家系统、支持向量机的原理、特点及研究情况进行了阐述，从学习能力、运算速度、处理模糊信息能力等角度对这几种方法进行了比较，并指出了其中各自的优缺点。 　　关键词：电力系统；负荷预测方法；电力负荷 　　中图分类号：TM714 文献标识码：A 文章编号：1009-2374（2013）32-0114-02 　　1 电力负荷预测综述 　　负荷预测的前提是充分考虑关键系统参数、自然环境、社会政策和增容决策等条件，探索出一套能够科学处理过往数据、有效预测未来数据的数学算法，并保证预测结果只在小范围内波动，确定某些特殊时刻的负荷值。根据预测期限，负荷预测分为超短期预测、短期预测、中期预测和长期预测。 　　2 电力负荷预测方法综述 　　2.1 人工神经网络 　　人工神经网络属于高度非线性系统，它模仿人脑神经系统进行自主学习和问题处理。人工神经网络有很多神经元节点，它们具有并行运算功能，互相之间由相应权值连接以构成网络，借助激励函数，实现输入变量序列到输出变量序列之间的非线性映射。人工神经网络对非线性、非结构性、模糊性规律的适应性很强，具有良好的记忆功能、鲁棒性、映射精度以及完备的自学习能力，这也使得该技术成为近年来负荷预测领域的研究重点。有学者采用地柜人工神经网络系统预测某地区电力负荷短期情况，借助梯度下降算法，大大提高收敛速度，仿真结果表明，该方法收敛速度和运算结果相比传统方法有很大提升。但是，典型人工神经网络也存在学习参数设置不便、收敛缓慢、运算量大、网络结构模糊等弊端。有研究在相关论文中针对BP算法陷入局部极小的问题进行了讨论，并提出了相应的解决方案。另外，神经网络如能结合遗传算法增强全局搜索能力，加强局部寻优能力构成遗传神经网络，则能进一步加快运算速度，提高结果准确性。采用神经网络进行电力系统负荷预测时，网络输入变量的选择是一个关键点，为了优化变量甄选，有人提出使用模糊粗糙集理论先对信息进行预处理；以此算法结果作为BP网络的预设变量开展训练。该方法将历史时间序列、外部气象条件等各种因素都考虑在内，为寻找神经网络输入变量提供了一种新思路。同时，规避了因为输入变量规模过于庞大而引起的网络拓扑结构复杂、收敛速度慢等缺陷。相关的实验表明，该方法行之有效。 　　2.2 模糊预测法 　　该方法基于模糊理论，先行分析过往的工作经验、历史数据，以一种规则的形式呈现出来，并抽象出可在计算机上运行的机读代码，进而展开各种计算工作。模糊预测法能够很明确地描述专家意图，对电力系统中不规则现象进行描述，很适用于中长期电力负荷预测；但模糊预测法学习能力差，极易受到人工干扰。模糊理论应用于电力负荷预测时，有三种常见数学模型，即：指数平滑过渡法、线性回归法、聚类预测法，三种数学模型各有千秋，它们的预测精度都很高，相比传统算法测量误差也小得多。有研究表明，基于最佳聚类F选优法的改进型模糊聚类电力负荷预测算法，在计算年度用电量时，预测结果很准确。有部门基于该算法对增城地区2005年和2010年的年度用电量进行预测，结果与实际测量相差不大。神经网络与模糊逻辑算法组合使用，相比单一神经网络算法，充分利用了神经网络强大的学习功能，又洗去了模糊逻辑主观经验方面的劣势，考虑了温度变化和节假期对系统负荷的影响，能够提高负荷预测结果准确度，特别是对周末和节假期负荷预测很有效。也有学者通过RBF试图寻找负荷变化的一般规律，结合模糊理论计算负荷尖峰值和低估值，一定程度上解决了负荷影响因素不明确的问题。该方法充分利用了神经网络和模糊推理理论在处理不确定参数方面的独到之处，很好地改善了预测精度。 　　2.3 数据挖掘 　　顾名思义，数据挖掘就是从浩如烟海的数据中挖掘出隐含信息，并尽力将其表述为直观易懂的形式。在处理大数据、剔除冗余信息方面优势很大。决策树、神经网络、关联规则、聚类分析、统计学模糊集、粗糙集在各领域的数据挖掘工作中得到了重要应用。有人根据数据挖掘过程中时间序列的相似性原理，研究电力负荷预测方法，获得了很好的应用效果。基于最优区间划分和单调递减阈值函数聚类法，结合KOHONEN网绘制负荷变化曲线，修正死区数据。也有学者利用数据挖掘技术的结果作为向量机训练样本，减少了数据处理规模，提高了预测速度和运算精度。 　　2.4 专家系统 　　专家系统加入了人类探索自然过程中的知识经验，模拟人类思维决策过程，求解问题的过程类似于人类专家的思维模式。专家系统比模糊预测法优越的一点是，给出相当于专家水平的量化计算机语言，转化了人类难以量化的经验数据，透明性和交互性极佳，并能给出结论的对应缘由，方便工程人员检查推理过程是否存在错误，并及时更正。由于算法相对复杂，