現(xiàn)貨市場就要來了，所有人都在關(guān)注電力負荷預(yù)測。那么負荷預(yù)測有哪些算法，哪種算法最合適?

負荷預(yù)測概述

1.1 負荷預(yù)測的重要性

目前，國內(nèi)的電改正在如火如荼的開展，據(jù)稱目前國內(nèi)的售電公司數(shù)量已經(jīng)突破了兩萬家。而各省也在積極的準備現(xiàn)貨市場的改革，在2019年以及2020年，廣東、浙江等地的現(xiàn)貨市場就要真正落地實施。屆時，負荷預(yù)測能力的強弱，將成為售電公司洗牌的一大關(guān)鍵。在現(xiàn)貨市場來臨的背景下，簽約策略、報價策略、交易策略、單個用戶經(jīng)濟測算等等售電公司逃不開的行為，都是以負荷預(yù)測的結(jié)果作為基礎(chǔ)。沒有準確的負荷預(yù)測結(jié)果，售電公司甚至無法在現(xiàn)貨市場進行報價，這樣的后果便是高額的偏差費用，這是售電公司無法承擔的。因此，負荷預(yù)測的能力對如今中國的售電公司來說，是至關(guān)重要的。

1.2 負荷預(yù)測概念簡述

所謂預(yù)測，就是指通過對事物進行分析及研究，并運用合理的方法探索事物的發(fā)展變化規(guī)律，對其未來發(fā)展做出預(yù)先估計和判斷。電力系統(tǒng)負荷預(yù)測是指在充分考慮一些重要的系統(tǒng)運行特性、增容決策、自然條件與社會影響的條件下，研究或利用一套系統(tǒng)地處理過去與未來負荷的數(shù)學(xué)方法，在滿足一定精度要求的意義下，確定未來特定時刻的負荷數(shù)值。提高負荷預(yù)測技術(shù)水平，有利于計劃用電管理，有利于合理安排電網(wǎng)運行方式和機組檢修計劃，有利于節(jié)煤、節(jié)油和降低發(fā)電成本，有利于制定合理的電源建設(shè)規(guī)劃，有利于提高電力系統(tǒng)的經(jīng)濟效益和社會效益。對于售電公司來說，有利于售電公司決定自己的中長期合約簽約策略，現(xiàn)貨市場報價、交易策略，單個用戶的經(jīng)濟測算等行為。因此，負荷預(yù)測已成為實現(xiàn)電力系統(tǒng)管理現(xiàn)代化、售電公司向現(xiàn)貨市場轉(zhuǎn)型的重要內(nèi)容之一。

短期(兩周以內(nèi))負荷預(yù)測在整個電力調(diào)度、售電公司參與現(xiàn)貨市場的工作中起關(guān)鍵作用，它為基本發(fā)電計劃、計算機在線電網(wǎng)控制、系統(tǒng)安全分析、日前市場報價、日內(nèi)(實時)市場交易等提供基礎(chǔ)數(shù)據(jù)，從而使得電力調(diào)度工作更貼合實際，發(fā)電效率更高，使得售電公司減小自己上報電量與真實用電量的偏差。

在規(guī)模上，負荷預(yù)測可以分為電網(wǎng)層級的負荷預(yù)測以及用戶層級的負荷預(yù)測。電網(wǎng)公司主要采用的是電網(wǎng)層級的負荷預(yù)測，這對整個電力系統(tǒng)的穩(wěn)定、安全運行，改善系統(tǒng)運行經(jīng)濟型有著決定性的意義。對于售電公司來說，用戶層級的負荷預(yù)測是更相關(guān)的。售電公司需要對自己的用戶組合以及單一用戶做電力負荷預(yù)測，基于這個預(yù)測的結(jié)果再開展其他的行為。

從下圖就可以看出，相比電網(wǎng)層級，用戶層級的負荷預(yù)測是更加困難的。下圖中，上面的Grid level即電網(wǎng)層級，它的負荷曲線較為平緩，且相同條件下(如日期、天氣等)負荷曲線差距不大，較為容易預(yù)測;而下方的Household level，即用戶層級，可以看出它的負荷曲線波動劇烈，且具有很大的隨機性，不易預(yù)測。

不同層級的負荷曲線

雖然用戶層級的負荷預(yù)測更加困難，但是它確是所有售電公司、虛擬電廠公司等無法回避的，尤其是短期(一天以上兩周以內(nèi))以及超短期(一天以內(nèi))的用戶層級負荷預(yù)測。下文便是重點介紹短期以及超短期的負荷預(yù)測方法。

負荷預(yù)測的基本方法

(超)短期負荷由于受天氣變化、社會活動和節(jié)日類型等各種因素的影響，在時間序列上表現(xiàn)為非平穩(wěn)的隨機過程，但是影響系統(tǒng)負荷的各因素中大部分具有規(guī)律性，從而為實現(xiàn)有效的預(yù)測奠定了基礎(chǔ)。目前用于短期負荷預(yù)測的方法很多，較為新的算法主要有神經(jīng)網(wǎng)絡(luò)法、時間序列法、回歸分析法、支持向量機法、模糊預(yù)測法等。電力負荷預(yù)測研究的核心問題是如何利用現(xiàn)有的歷史數(shù)據(jù)，建立預(yù)測模型，對未來時刻或時間段內(nèi)的負荷值進行預(yù)測，因此，歷史數(shù)據(jù)信息的可靠性和預(yù)測模型是影響短期負荷預(yù)測精度的主要因素。隨著現(xiàn)在電力系統(tǒng)管理信息系統(tǒng)的逐步建立，以及天氣預(yù)測水平的提高，準確獲取各種歷史數(shù)據(jù)已不再困難，因此，短期負荷預(yù)測的核心問題是預(yù)測模型的水平高低，以下是各種負荷預(yù)測方法的簡述：

2.1 神經(jīng)網(wǎng)絡(luò)法(人工智能)

神經(jīng)網(wǎng)絡(luò)法是目前最先進的負荷預(yù)測方法。作為人工智能算法的一種，神經(jīng)網(wǎng)絡(luò)已經(jīng)在圖像識別、自然語言處理、機器翻譯、自動駕駛等方面有了大量成熟的使用。谷歌、百度、阿里、科大訊飛等國內(nèi)外知名的人工智能企業(yè)最主要的人工智能算法都是神經(jīng)網(wǎng)絡(luò)。同樣的，神經(jīng)網(wǎng)絡(luò)在能源領(lǐng)域也有很廣泛的應(yīng)用，不止在電力負荷預(yù)測，也包括電力現(xiàn)貨市場價格預(yù)測、風電發(fā)電預(yù)測等領(lǐng)域。

神經(jīng)網(wǎng)絡(luò)法在負荷預(yù)測上的應(yīng)用主要分為人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, 以下簡稱ANN)和遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks，也稱循環(huán)神經(jīng)網(wǎng)絡(luò)，以下簡稱RNN)。其中，RNN是相對ANN來說效果更好的算法。

神經(jīng)網(wǎng)絡(luò)法選取過去一段時間的負荷作為訓(xùn)練樣本，構(gòu)建適宜的網(wǎng)絡(luò)結(jié)構(gòu)，用某種訓(xùn)練算法對網(wǎng)絡(luò)進行訓(xùn)練，使其滿足精度要求之后，此神經(jīng)網(wǎng)絡(luò)作為負荷預(yù)測模型，實踐證明人工神經(jīng)網(wǎng)絡(luò)短期預(yù)測有較好的精度。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點能夠?qū)Υ罅糠墙Y(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)能力，具有信息記憶、自主學(xué)習、知識推理和優(yōu)化計算的特點，還有很強的計算能力、復(fù)雜映射能力、容錯能力及各種智能處理能力，特別是其學(xué)習和自適應(yīng)功能是其他算法所不具備的。

神經(jīng)網(wǎng)絡(luò)法的不足在于模型結(jié)構(gòu)的搭建，學(xué)習速度的優(yōu)化，局部最小點等難題。

交能網(wǎng)的負荷預(yù)測算法模型便是基于RNN開發(fā)的，如有需要，歡迎加文章最后工作人員微信洽談。

2.2 時間序列法

電力負荷的歷史數(shù)據(jù)是按一定時間間隔進行采樣和記錄下來的有序集合，因此是一個時間序列，時間序列方法是目前電力系統(tǒng)短期負荷預(yù)測中發(fā)展較為成熟的算法，根據(jù)負荷的歷史數(shù)據(jù)，建立描述電力負荷隨時間變化的數(shù)學(xué)模型，在該模型的基礎(chǔ)上確立負荷預(yù)測的表達式，并對未來負荷進行預(yù)測。

時間序列方法優(yōu)點是所需數(shù)據(jù)少，工作量小;計算速度較快;反映了負荷近期變化的連續(xù)性。

時間序列方法存在的不足是建模過程比較復(fù)雜，需要較高的理論知識;該模型對原始時間序列的平穩(wěn)性要求較高，只適用于負荷變化比較均勻的短期預(yù)測;沒有考慮影響負荷變化的因素，對不確定性因素(如天氣、節(jié)假日等)考慮不足，當天氣變化較大或遇到節(jié)假日時，該模型預(yù)測誤差較大。

2.3 回歸分析法

回歸分析預(yù)測方法是根據(jù)歷史數(shù)據(jù)的變化規(guī)律和影響負荷變化的因素，尋找自變量與因變量之間的相關(guān)關(guān)系及其回歸方程式，確定模型參數(shù)，據(jù)此推斷將來時刻的負荷值。

回歸分析法的優(yōu)點是計算原理和結(jié)構(gòu)形式簡單，預(yù)測速度快，外推性能好，對于歷史上沒有出現(xiàn)的情況有較好的預(yù)測。

存在的不足是對歷史數(shù)據(jù)要求較高，采用線性方法描述比較復(fù)雜的問題，結(jié)構(gòu)形式過于簡單，精度較低;該模型無法詳細描述各種影響負荷的因素，模型初始化難度較大，需要豐富的經(jīng)驗和較高的技巧。

2.4 支持向量機法

支持向量機(SVM)是一種基于統(tǒng)計學(xué)習理論提出的能實現(xiàn)在有限樣本條件下滿足VC維理論和結(jié)構(gòu)風險最小原理的機器學(xué)習方法，具有泛化能力強，全局最優(yōu)和計算速度快等突出優(yōu)點。但其自選參數(shù)和核函數(shù)的選擇，通常情況下主要靠經(jīng)驗確定，有較大的人為因素。同時，其缺乏對模糊現(xiàn)象的處理能力，模型誤差會造成回歸值和實際值的差距。

2.5 模糊預(yù)測法

模糊預(yù)測法是建立在模糊數(shù)學(xué)理論上的一種負荷預(yù)測新技術(shù)，模糊數(shù)學(xué)的概念可以描述電力系統(tǒng)中的一些模糊現(xiàn)象，例如負荷預(yù)測中的關(guān)鍵因素：天氣狀況的評判、負荷的日期類型的劃分等，將模糊方法應(yīng)用于負荷預(yù)測可以更好地處理負荷變化的不確定性。目前，模糊理論應(yīng)用于負荷預(yù)測主要有以下幾種方法：模糊聚類法、模糊相似優(yōu)先比法和模糊最大貼近度法等。

從實際應(yīng)用來看，單純的模糊方法對于短期負荷預(yù)測，精度難以滿足要求;同時要求提供較多的歷史數(shù)據(jù)，在實際應(yīng)用中存在困難;其優(yōu)點是預(yù)測結(jié)果可以預(yù)測區(qū)間及概率的形式描述。

2.6 其他傳統(tǒng)方法

電力負荷預(yù)測還有很多上文未提及的傳統(tǒng)方法，例如負荷求導(dǎo)法、相似日法、卡爾曼濾波法、指數(shù)平滑法、灰色預(yù)測法等等。由于歐美最新的負荷預(yù)測算法都不再使用這些方法，這些方法的效果與新的算法如神經(jīng)網(wǎng)絡(luò)法相比，也沒有優(yōu)勢，故不再贅述。