电力系统负荷预测论文终结版

电力系统负荷预测论文—基于负荷预测方法理论与应用的认识前述电力负荷预测是通过研究国民经济和社会发展的各种相关因素与电力需求之间的关系，并根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。其中电力系统负荷预测主要包括最大负荷功率、负荷电量及负荷曲线的预测。根据目的的不同可以分为超短期、短期、中期和长期.其中，超短期负荷预测是指未来1h以内的负荷预测，短期负荷预测是指日负荷预测和周负荷预测，中期负荷预测是指月至年的负荷预测，长期负荷预测是指未来3～5年甚至更长时间段内的负荷预测。本论文结合教材中提供的各种预测理论和方法，对负荷预测的方法进行归纳总结并对其在实际电力预测中的应用进行初步探讨。主要介绍了趋势外推法、时间序列法、弹性系数法、回归分析法、指数平滑法、灰色理论预测法、神经网络法和优选组合法等电力负荷预测的方法，在适用条件、数据形式、计算难度和适用时间等方面对这几种预测方法进行了分析、比较。得出结论：回归分析法、趋势分析法适用于大样本，且过去、现在和未来发展模式均一致的预测，灰色模型法适用于贫信息条件下的预测；灰色系统理论采用生成数序列建模，回归分析法、趋势分析法采用原始数据建模，指数平滑法是通过对原始数据进行指数加权组合直接预测未来值的；回归分析法和趋势分析法的计算相对简单；指数平滑法、灰色模型法较适宜近期预测，回归法、趋势分析法和改进型灰色模型较适于中、长期预测。。ANN应用于短期负荷预测比应用于中长期负荷预测更为适宜。优选组合法较为准确合理，但是应用起来稍显复杂，运算量较大。关键词：电力负荷预测方法应用。正文电力负荷预测是指通过对电力系统负荷历史数据的分析和研究，运用统计学、数学、计算机、工程技术及经验分析等定性定量的方法，探索事物之间的内在联系和发展变化规律，对未来的负荷发展做出预先估计和推测。负荷预测的目的就是提供负荷发展状况及水平，同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平，确定未来用电负荷结构。电力系统负荷预测方法主要包括趋势外推法、时间序列法、弹性系数法、回归分析法、指数平滑法、灰色理论预测法、神经网络法和优选组合法等电力负荷预测的方法1.趋势外推法当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t为自变量，时序数值y为因变量，建立趋势模型y＝f(t)。当有理由相信这种趋势能够延伸到未来时，赋予变量t所需要的值，可以得到相应时刻的时间序列未来值。这就是趋势外推法。应用趋势外推法有两个假设条件：①假设负荷没有跳跃式变化；②假定负荷的发展因素也决定负荷未来的发展，其条件是不变或变化不大。选择合适的趋势模型是应用趋势外推法的重要环节，图形识别法和差分法是选择趋势模型的两种基本方法外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法、生长曲线趋势预测法。趋势外推法的优点是：只需要历史数据、所需的数据量较少。缺点是：如果负荷出现变动，会引起较大的误差。2.时间序列法时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。3.弹性系数法电力弹性系数是反映电力消费的年平均增长率和国民经济的年平均增长率之间的关系的宏观指标。电力弹性系数可以用下面的公式来表示：E=Ky/Kx式中E-为电力弹性系数Ky-为电力消费年平均增长率Kx-为国民经济年平均增长率这种方法的优点是方法简单、易于计算，缺点是需做大量细致的调研工作需要经济发展预测必须准确，人为主观影响过大。同时，在市场经济条件下，电力与经济的关系急剧变化，电力需求与经济发展的变化步伐严重失调，使得弹性系数难以捉摸，使用弹性系数法预测电力需求难以得到满意的效果，应逐步淡化。4.回归分析法包括一元线性、多元线性和非线性回归法。一元线性回归方程以y=a＋bx表示，其中x为自变量，x为因变量；a，b为回归系数。多元线性回归方程为y=a0＋a1x1十a2x2＋…十anxn。非线性回归方程因变量与自变量不是线性关系，如y=aebx等，但许多经过变换后仍可转换为线性回归方程。根据历史数据，选择最接近的曲线函数，然后用最小二乘法使其间的偏差之平方和为最小，求解出回归系数，并建立回归方程。回归方程求得以后，把待求的未来点代入方程，就可以得到预测值。此外还可测出置信区间。从理论上讲，任何回归方程的适用范围一般只限于原来观测数据的变化范围内，不允许外推，然而实际上总是将回归方程在适当范围内外推。根据实际计算的结果，选定的模型为以下六种：直线、抛物线、指数曲线、反指数曲线、一型双曲线、几何曲线。5.指数平滑法趋势分析和回归分析都是根据时间序列的实际值建立模型，再利用模型来进行预测计算的。指数平滑法是用以往的历史数据的指数加权组合，来直接预报时间序列的将来值。其中衰减因子0α1，体现重近轻远，即近期数据对预测影响大，远期数据影响小的基本原则。α越大时，由近期到远期数据的加权系数由大变小就越快，是强调新近数据的作用。例如当α=0.9时，各加权系数分别为0.9，0.09，0.009等。在极端情形下，α=1，则以往数据对预报没有任何影响。对于电力系统负荷预测，重要的是曲线越接近目前时刻，就应当越准确，而对于过去很久的数据，不必要作很精确的拟合。类似惯性作用。6、灰色理论预测法所谓灰色系统是指信息部分明确、部分不明确的系统。灰色系统理论就是利用了部分明确的信息，通过形成必要的有限序列和微分方程，寻求各参数间的规律，从而推出不明确信息发展趋势的分析方法。用于预测时首先把负荷数据当作灰数，通过数据生成（累加、累减、均值和级比生成）得到新的数据列，从而减少数据的随机性，用此数据建立灰色模型进行预测，最后将预测值还原得到最终的负荷预测值。应用灰色理论进行负荷预测，具有样本少、计算简单、精度高和实用性好的优点。缺点是当数据离散程度较大时，由于数据灰度较大预测精度会较差，所以应用于电力系统中长期负荷预测中，仅仅是最近的几个数据精度较高，其它较远的数据只反映趋势值和规划值。灰色系统是指部分信息已知，部分信息未知的系统。在灰色模型中，最具一般意义的模型是由h个变量的n阶微分方程描述的模型，称为）（hnGM,模型，作为一种特例的）（1,1GM模型可用下式表示：uaXdtdX)1()1(式中，)1(X表示原始数据经累加后生成的新数列；a称为模型的发展参数，反映)1(X及原始数列)0(X的发展趋势；u称为模型的协调系数，反映数据间的变化关系。解上述微分方程，可以求得）（1,1GM的预测模型为:),2,1,0()1()1()0()1(kaueauXiXak以时间为序列的原始数据列是一个随机过程，有时未必平稳，所以要用数据累加，得到新的数据序列。经过处理后的新序列，其随机性被弱化了。该方法首先建立白化形式的微分方程，根据历史统计数据用最小二乘原理解得参数后，得到预测模型，按此模型就可进行预测。7.神经网络法神经网络(ANN,ArtificialNeuralNetwork)预测技术，可以模仿人脑做智能化处理，对大量非结构性、非确定性规律具有自适应功能。ANN应用于短期负荷预测比应用于中长期负荷预测更为适宜。因为，短期负荷变化可以认为是一个平稳随机过程。而长期负荷预测可能会因政治、经济等大的转折导致其模型的数学基础的破坏。优点是：①可以模仿人脑的智能化处理；②对大量非结构性、非精确性规律具有自适应功能；③具有信息记忆、自主学习、知识推理和优化计算的特点。缺点是：①初始值的确定无法利用已有的系统信息，易陷于局部极小的状态；②神经网络的学习过程通常较慢，对突发事件的适应性差。8.优选组合法优选组合法有两层含义：一是从几种预测方法得到的结果中选取适当的权重加权平均；二是指在几种预测方法中进行比较，选择拟和度最佳或标准偏差最小的预测模型进行预测。对于组合预测方法也必需注意到，组合预测是在单个预测模型不能完全正确地描述预测量的变化规律时发挥作用。一个能够完全反映实际发展规律的模型进行预测完全可能比用组合预测方法预测效果好。该方法的优点是：优选组合了多种单一预测模型的信息，考虑的影响信息也比较全面，因而能够有效地改善预测效果。缺点是：①权重的确定比较困难；②不可能将所有在未来起作用的因素全包含在模型中，在一定程度上限制了预测精度各种方法分析与综合比较：（1）从适用条件看，回归分析和趋势分析致力于统计规律的研究与描述，适用于大样本，且过去、现在和未来发展模式一致的预测；指数平滑法是利用惯性原理对增长趋势外推，实现重近轻远的预测原则；灰色模型法是通过对原始数据的整理来寻求规律，它适用于贫信息条件下的分析和预测。(2)从采用的数据形式看，灰色系统理论是采用生成数序列建模。回归分析法、趋势分析法均是采用原始数据建模。而指数平滑法是通过对原始数据进行指数加权组合直接预测未来值。(3)从计算复杂程度看，相对简单的是回归分析法和趋势分析法。(4)从适用的时间分类看时间序列法、指数平滑法、灰色模型法论文总结：综合分析了目前各种预测方法的应用原理,详细分析和比较了各个预测方法的优点和不足之处。结合实际应用选用适当的预测方法负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提，是一个电网调度部门和规划部门所必须具有的基本信息。提高负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，利于提高电力系统的经济效益和社会效益。因此，本论文对于负荷预测方法的选用提供一定的参考。