负荷预测文献综述.docVIP

随着现代科学技术的快速发展，负荷预测技术的研究也在不断深化，各种各样的负荷预测方法不断涌现，从发展的时间来分，可以分为两个大的阶段，第一个就是传统的负荷预测阶段，第二个就是现代的负荷预测阶段。 1. 传统负荷预测 传统的负荷预测方法如回归模型法，卡尔曼滤波法，时间序列法，灰色预测法，专家系统法，模糊理论法，神经网络法，小波分析法等。这些传统的预测方法无论是哪种均具有不足和缺陷，随着对负荷预测的深入研究和广泛应用，传统的预测方法的应用越来越难以适应发展，逐渐形成了现代负荷预测方法。 2. 现代负荷预测 随着电力系统的发展，负荷预测的精度要求越来越高。传统的负荷预测方法均有其优缺点，很多研究者考虑把多种智能方法综合在一起，实现其优缺点的互补，提高负荷预测模型的性能，从而提高负荷预测的精度，从而发展成为现代负荷预测的一个分支；另一些研究者引入新的理论来改进负荷预测，比如混沌理论、支持向量机、数据挖掘等，并取得了不错的效果；还有一些研究者从负荷预测的其他方面入手，比如改进相似日的方法、对负荷进行聚类分析、考虑更多的相关因素等。 2.1综合智能负荷预测 预测方法的多样性是一个得到普遍认可的原则。由于预测是在一定的假设条件下进行的，与测量的发展变化规律存在多样性和复杂性，也包含了许多不确定的因素，采用单一的方法进行预测，很难取得令人满意的效果，因此需要选用多种预测方法进行预测。 文献[1]针对目前中国普遍采用的综合预测模型中权重不等式约束、求解方案适用化方面进行了深入探讨，并提出了“最优拟合模型”不等于“最优预测模型”的观点。在此基础上，提出了“较优预测模型”的实现策略，并以实例证实该模型提高了符合预测的准确率和误差稳定性。文献[2]运用计量经济学中的协整理论，研究得出电力系统组合预测方法的应用必要条件是：每种预测方法得到的预测值序列与实际负荷值序列之间应该具有协整关系。文献[3]把粗糙集和神经网络结合建立短期负荷预测模型，采用粗糙集理论对各种影响负荷预测的因素变量进行识别，以此确定预测模型的输入变量；在此基础上通过属性约简和属性值约简获得推理规则集，再以这些推理规则构筑神经网络预测模型，并采用附加动量项的BP学习算法对网络进行优化。文献[4]深入研究了天气和特殊事件对电力负荷的影响，建立了结合径向基（RBF）神经网络和专家系统来进行短期负荷预测模型。利用RBF神经网络的非线性逼近能力预测出日负荷曲线，然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正，使其在天气突变等情况下也能达到较高的预测精度。文献[5]利用粗糙集理论中的信息熵概念来选取与待预测量相关性大的参数作为输入。所构造ANFIS系统是基于数据进行建模并进行参数辨识的，这样有效地避免了模糊推理系统（Fuzzy Inference System，FIS）中人为主观因素对预测的负面影响，客观地反映了相关变量与负荷值之间的复杂关系。文献[6]采用神经网络与模糊逻辑互补的方法建立了负荷预测模型。通过粗糙集理论中的信息熵概念对神经网络的输入参数进行了筛选，以待预测量相关性大的参数作为输入，不仅减少了神经网络的工作量，缩短了计算时间，而且提高了预测的准确性；在神经网络中，通过引进动量系数和遗忘系数优化网络，提高了ANN的收敛速度；在模糊逻辑中，充分利用了人们对负荷变化取得的主观经验，引进不平均隶属函数，来反映负荷对温度的敏感性。文献[7]通过对电力负荷变化规律和影响因素的分析，提出了一种基于组合式神经网络的短期电力负荷预测模型。该模型综合运用神经网络、模糊聚类分析和模式识别理论方法进行建模。首先，采用模糊聚类分析方法，以每天的24点负荷数据、天气数据以及天类别数据为指标，将历史数据分成若干类别；其次，对每一类别建立相应的神经网络预测模型；预测时通过模式识别，找出与预测天相符的预测类别，利用相应的神经网络预测模型进行24小时的短期电力负荷预测。文献[8]首先采用日最小负荷对日负荷曲线进行规范化，再将日负荷曲线预测转化为对日最小负荷的预测和对日规范负荷曲线的预测。对日最小负荷预测应用动态时序模型；对日规范负荷曲线应用专家系统进行推理预测，专家系统中的推理规则应用粗糙集理论从历史数据中获取。文献[9]提出了一种将粗糙集理论和正交最小二乘法相结合建立短期负荷预测模型的新方法。该方法采用粗糙集理论选择模型输入变量并对其进行划分，由样本数据的离散化结果确定模糊推理规则及其逻辑前件参数，进而采用改进的正交最小二乘法去掉冗余模糊规则和确定模糊推理规则后件参数。 2.2 引入新理论进行负荷预测 (1)混沌理论 由于电力负荷曲线表现出随机的复杂动力学行为，使得电力负荷呈现时变性、随机性、分散性、多样性和非连续性的特点，具有一定的混沌特性，因此将混沌理论引入到负荷预测中，对于电力系统的发展是非常有意义的