基于大数据的用电负荷预测——负荷预测方法与模型

      6.2.1   负荷预测方法与模型

       短期电力负荷表现出一种强烈的非平稳性，究其原因主要是受到天气变化、社会活动和节假日等多种因素的影响。然而这些电力系统的负荷影响因素都具有一定规律，这就为电力负荷预测提供了研究基础。当前用于短期负荷预测的方法主要分为传统的预测方法和智能预测方法，它们都是通过现有的历史数据建立合理的预测模型来获取未来一段时间的电力负荷值。因此影响短期负荷预测精度的主要因素就变成了历史数据和预测模型。

       在电力负荷预测方法中，主要使用的模型有：

       (1)时间序列预测模型。时间序列预测模型方法首先按照一定的时间间隔将电为负荷的历史数据记录下来得到一个时间序列，然后根据负荷的历史数据建立一个时间序列的数学拟合模型，这个模型用于描述电力负荷在送个时间序列内变化过程的规律性，最后在该模型的基础上建立短期电力负荷预测的数学表达式，从而对未来的负荷进行预测。

       (2)趋势外推法。外推法有指数曲线趋势预测法、生长曲线趋势预测法、二次曲线趋势预测法、线性趋势预测法、对数趋势预测法。这些方法都只做趋势外推，并不对其中的随机成分做统计处理。应用趋势外推法需要满足以下两个假设条件：一是假设负荷不会出现跳跃式的变化；二是假定决定负荷未来变化趋势的因素是不变的或变化不大。应用趋势外推法的重要环节在于选择合适的趋势模型，图形识别法和差分法是选择趋势模型的两种基本方法。趋势外推法的优点是：所需的数据量较少，模型构建快速、简单。

       (3)灰色预测模型。灰色理论用在一定范围内变化的灰色量来表示一切随机变化的量，然后通过累加生成和累减生成的方法将原始数据处理成有规律的数据列，它主要应用在包含不确定因素的环境下。灰色系统理论的优点是可以应用于所有的非线性变化的负荷指标预测，对负荷数据的需求量少，并在建模时不需要计算统计特征量，不需要考虑分布规律和变化趋势。

       (4)神经网络预测模型。神经网络对大量非结构性、强动态性规律拥有较强的学习能力，具有自组织、自推理及信息记忆等特点，还有很强的拟合能力、复杂映射能力和容错能力。人工神经网络的训练样本为过去一段时间的电力负荷，选取样本后确定网络结构和合适的参数，当它们达到一定精度要求后，就将此神经网络当作电力负荷预测的模型。

       (5)支持向量机模型。支持向量机是建立在统计学习理论基础上的一类数据挖掘方法，它能够成功地处理时间序列分析和模式识别等问题，并可在预测和评价等领域中推广。支持向量机的机理是寻找一个满足分类要求的最优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。理论上支持向量机能够实现对线性可分数据的最优分类。支持向量机能根据有限的样本信息在模型的复杂性和学习能力之间寻求一种最佳平衡，能求得的是全局最优值而不是局部极小值，从而保证了它对未知样本良好的泛化能力。相比于传统的一些方法，SVM方法充分考虑了影响电力负荷的各类因素，在计算精度上也有明显提高。

      (6)小波分析方法。对于短期电力负荷预测，根据原始数据的特性，利用小波分析法将各种交织在一起的不同频率组成的混合信号对电力负荷的周期性分量、非周期分量W及低频随机分量进行投影，再将随机分量和周期分量在不同尺度上进行投影，然后再将不同的“频域分量”用各个尺度上的子序列表示，这样就将负荷序列的特性清楚地展现出来了。