智能优化的电力负荷预测技术分析

董纪科、雍哲、王险峰

37292619880710****

62010319891024****

37293019710102****

摘要：短期负荷预测是能源管理系统的重要组成部分，是市场机制下制定供电计划、电力调度计划和电力交易计划的重要基础，也为电力系统的经济、安全、稳定运行提供了有力保障。本文对智能优化的电力负荷预测技术进行分析，以供参考。

关键词：智能优化;电力负荷预测;分析

引言

ELM是一种新的单隐层前馈神经网络算法。极限学习机模型的网络结构与单隐层前馈神经网络（SLFN）一样，但是在训练阶段与传统的神经网络不同。相较于传统前馈神经网络训练速度慢、容易陷入局部极小值点的、学习率的选择敏感等缺点。ELM输入层与隐含层的连接权值和隐含层神经元的阈值是随机生成的，在训练过程中不需要调整。只需要设置隐藏层神经元的个数，就可以得到最优解。与传统的BP神经网络相比，ELM的优点比较明显，具有学习速度快，泛化性能好。

1概述

短期负荷预测是以日为单位的预测，它是电力调度部门运行和规划的重要依据，准确的短期负荷预测可以帮助电力部门合理安排检修计划、运行方式、日开停机、发电计划等。目前，短期负荷预测方法有很多，主要可以分为两类，一种是仅仅通过历史负荷的走向预测未来负荷的趋势，如时间序列法、灰色理论法、卡尔曼滤波法、支持向量机等，第二种是综合考虑历史负荷及其影响因素对未来负荷进行预测，如相似日法、专家系统法等。相似日法不仅综合考虑了各因素对电力负荷的影响，还具有原理简单、应用方便、效果良好等优点，在短期负荷预测层面得到广泛应用。以日类型相似度为例，将日类型划分为工作日和周末，日类型相同时，相似度取1，不相同时取0.5。这种简单区分工作日和周末的方法比较粗糙，实际上，周一负荷会受到周日负荷的影响，周五负荷也会因为周六的到来与一般工作日(周二到周四)有所不同。根据地区特性，将一周划分为五个或更多的日期类型，根据专家经验设置不同日期类型的映射值，日类型相似度的计算采取的是预测日和历史日日类型映射值之差。人工设置映射值要求对用户负荷变化特性十分了解，但由于存在主观性，难免会产生误差，对预测精度造成影响。针对不同的用户，需要根据负荷变化特性设置与其对应的映射值，该方法的通用性不强。将果蝇优化算法用于求解相似日法模型参数问题的难点在于，求解参数的过程是一个多维优化问题，单个维度的改变可能不会引起最终结果的改变，算法容易陷入局部极值。

2系统框架

电力系统负荷预测是基于用户的习惯性消费信息以及各种非电气因素，包括政策、天气及社会影响，估计消费者在未来一段时间内的电力消耗。从理论上，负荷预测研究关键是获得预测的负荷信息并确定外部因素非线性规律。当内部参数都计算出来后，该问题就等同于数学方程求解。因此，建立预测模型是预测研究人员研究的核心。电力负荷系统由数据采集、存储、分析等组成，与云计算平台结合实现了电力负荷预测。系统根据标准化、安全性和扩展性等原则将整个系统框架分为三层，数据可视化、云平台和数据采集。数据可视化为用户提供了基于数据分析、数据统计、负荷预测等的系统视图。云平台是系统的核心，根据采集到的数据性质，将其存储在数据库或分布式文件中，是数据交互的中心节点，在这里实现预测模型的运算。数据采集是指通过终端设备和互联网等采集数据并将其上传到云平台。

3负荷预测的基本原则分析

电力系统负荷预测即电力人员充分地考量电力系统运输属性、增容和自然条件，然后采取一系列手段，通过往期信息数据对将来的负荷予以估量，在可控的精度之下，明确将来一个周期的负荷取值。电力负荷预测对于电力系统计划以及运作起到了不可忽视的效用，已经成为发展规划和实时把控的关键性凭证。负荷预测的精准性对电网的投入、布局以及运作的合理都产生了极大的影响，现如今，如何有效地提升电力负荷预测精准程度已经成为当下电力系统亟待解决的重要问题之一。

4实验部分

由于短期负荷曲线的周期性和连续性，在相同或相似时间段内负荷序列在变化趋势上有一定的相似性，尽管同期负载值是不同的，当外部影响因素大致相同的同时，负载变化趋势基本上是相同的，峰谷负荷出现的时间段基本是一致。针对这一特点，本文在大量的相同时间段的历史负荷数据的情况下基于极限学习机(ELM)的分析，建立负荷预测模型，即利用某一地点每15min采样的电力负荷数据建立预测模型，本文首先采用基于相同时间段从历史负荷数据中选择出与预测时间段相似的负荷数据，然后利用非线性预测性能优异的ELM训练预测，利用了良好的非线性函数逼近能力，消除了冗余信息，从而提高了预测模型的准确性和泛化能力。

5基于智能优化相似日模型短期预测基本步骤

步骤一：读取日类型、日平均气温、日平均相对湿度等负荷特性影响因子数据以及历史负荷数据；步骤二：确定训练样本集，采用改进的果蝇优化算法求解21个不同日类型的相似度、日期距离的最低相似度和3个因素的权重系数；步骤三：采用训练好的相似日模型计算各历史日与预测日的日特征相似度；步骤四：选取日特征相似度最大的一个历史日作为预测日的第1相似日，用第1相似日的日用电量预测预测日的日用电量。

6智能电网环境下的负荷预测应用分析

6.1智能电网环境下的负荷情况分析

近几年来，诸多地区都在对具备安全、清洁等属性特点的智能电网展开探究，智能电网在一定程度上升级了传统电网内各电源点和负荷点的基本理念，而大力引入新能源也给负荷活动带来了很大的影响。同时，新能源不仅涵括了集中式发电能源，同时也涵括了小型分布式发电能源，传统的电力用户只要求吸收电能，而功率流向只要求为电网传输用户，不过针对具备分布式电源的智能电网，电力用户不仅能够进一步汲取电能，也能够向电网传输电能，电力用户不仅仅是绝对的用电负荷，所以这就给过往负荷预测技术提供了新的机遇及挑战。

6.2基于AMI的电力负荷预测

通常来说，智能电网下的测量体系（简称AMI）即一项适用于测量、采集、储蓄以及解析用户用电信息的专业化机制，该部分通常由智能电表、通信、测量数据管控系统和用户网络组成。一个区域的总负荷，往往是通过各个小区域的千万类型的负荷整合而成，各负荷常常遭到不同内外部因素的影响，各个类型的负荷其运作属性也具有很大的差异性。若可以对各种不同的负荷展开预测，那么就能够大幅度地提升总负荷的预测精准程度。一般来说，传统电网缺少较为完备一致的数据平台，还缺少对各项负荷地全面化认知，而伴随我国智能电网地迅速发展，此时搭建了专业化的AMI测量体系，那就能够搭建起系统化的负荷预测平台。通过智能电表搜集负荷信息，依据负荷本身属性采取针对性的负荷预测方法，然后把预测结果整合起来获取总体的预测结果，那么就能够获取较高的负荷预测精准程度。

结束语

综上所述，不断完善和改进影响电力预测的其他因素和预测精度是下一步工作的重点。以应对未来不断变化的电力环境，为电力部门的发展规划提供有益的指导。

参考文献

[1]邓带雨,基于EEMD-GRU-MLR的短期电力负荷预测[J].电网技术,2019,44(02):593-602.

[2]赵兵,基于注意力机制的CNN-GRU短期电力负荷预测方法[J].电网技术,2019,43(12):4370-4376.

[3]陈振宇,刘金波,李晨,季晓慧,李大鹏,黄运豪,狄方春,高兴宇,徐立中.基于LSTM与XGBoost组合模型的超短期电力负荷预测[J].电网技术,2018,44(02):614-620.

[4]程宇也.基于人工神经网络的短期电力负荷预测研究[D].浙江大学,2017.

[5]石德琳.基于神经网络的电力负荷预测研究与实现[D].山东大学,2017.