文献综述--------山东某地区基于深度学习神经网络的配电网负荷预测研究

摘  要：地区电网负荷预测是供电企业在电网建设、运营过程中一项十分要的基础性的工作。小到一个企业的负荷预测，大到全国性电网的负荷预测研究，它的应用结果都会对适用范围内的企业经营管理、电力设施（电网）的规划建设启到引领性作用。负荷预测精度的高低是保证电网能够安全、经济运行的重要依据。本文通过参阅相关文献，对当前电网规划过程中已有的负荷预测模型和相关算法进行了详细介绍与分析，并针对潍坊地区特有的电力负荷情况提供了更为准确，更符合潍坊地区实际情况的算法模型。

关键词：电力规划；负荷预测；深度学习；神经网络；弹性系数

1    引言

近年来,随着国家经济的突发猛进，各个地区发展不均衡，对电力系统的需求也不断变化。而负荷预测是电网规划、运营、建设以及电力营销的一项基础性工作，是电网运行控制及计算分析的基础，是保证电网安全稳定运行、合理编制电网运行方式、做好电网供需平衡的关键。 

地区电网负荷预测是指从已知的电力系统运行情况以及当地政治、经济、气候和社会活动等影响因素出发，通过分析历史数据，寻找地区负荷变化与影响因素之间的内在联系，建立数学模型，并运用可靠的方法和手段对该地区未来一段时间内的用电需求做出预测，进而对该地区电力负荷的发展趋势做出科学合理的判断。这对于保证地区经济发展和居民和谐共赢有着非常重要的意义。

2    电力负荷及其预测方法研究

2.1电力负荷的定义

电力客户的所有运行中的电力设备同一时刻内向电力系统取用的电功率之和称为该时刻该用户的用电负荷。那么某一电网同一时刻内向该电网全部用户供出的用电负荷之和称之为该电网的负荷。同一自然年内，该电网承担的最大供出负荷称之为最大负荷。对负荷类型的划分比较常见的是全社会用电情况，分为第一、第二、第三产业和居民用电四大类，也可以按照农林牧渔业、工业、地质普查和勘探业、建筑业、交通运输邮电通信业、商业饮食物资供销仓储业、居民用电和其他将行业类别细分为
八大类。

2.2电力负荷预测的种类 

负荷预测分为系统负荷预测和母线负荷预测两类。系统负荷预测主要用于负荷控制、安全监视、编制电网运行计划和安排电网检修计划。母线负荷预测是按指定的某一时刻，将电力系统的负荷预测值转换为系统内各母线的有功负荷和无功负荷计算值。

（1）按预测的时间长短划分。根据负荷预测时间的长短可以将电力负荷预测分为长期负荷预测、中期负荷预测、短期负荷预测三种。
（2）按预测负荷的特性划分，分为最大负荷预测、最小负荷预测、平均负荷预测、峰谷差预测、高峰负荷平均预测、低估负荷平均预测、母线负荷预测、负荷率预测等。
（3）按全社会用电或行业类别划分，分为城市民用负荷预测或商业负荷预测、农村负荷预测、工业负荷预测等。

2.3电力负荷预测的特性   

由于电力系统负荷预测具有不准确性、条件性、时间性和多方案性等一系列特点，故要想准确获得未来负荷的变化情况，我们一方面应充分掌握和利用其特点，同时还要考虑各种因素的影响，根据具体的因素选择出与之相对应的预测方法，最后结合预测方法建立负荷预测模型。 负荷预测的特点具体如下：
（1）不准确性
    电力系统负荷在预测过程中，容易受很多因素（如：温度，季节） 的影响，并且与其相关的影响因素也是发展变化的。除此之外，还可能会受突发事件的影响，所以说预测结果具有不准确性。
（2）条件性
    条件性是指在对未来的电力负荷数据进行预测时， 必须综合考虑各种因素的影响。而所说的条件，通过可分为能可靠地直接影响负荷预测结果的必然条件和由于对未来负荷的发展、变化规律性难以掌控， 我们为了得到更加精确的预测，需要添加的一些假设条件。
（3）时间性
    时间性是指电力系统负荷预测是在一定的时间范围内完成的，即要求电力系统负荷预测具有实时性，并且做电力系统负荷预测时应具体地表明预测值对应的预测时间和本次预测的时间范围。
（4）多方案性
    在做电力系统负荷预测时，可以根据不同的预测条件去选择不同的预测方法，然后再建立恰当的负荷预测模型，由于负荷预测存在不准确性和条件性两方面的特点，所以在综合考虑各种影响因素的条件下，对特性不同的负荷应采用不同的预测方法，建立不同的数学模型，使负荷预测具有较高的精准度。

2.4 负荷预测的过程

（1）确定负荷预测目标：根据负荷预测工作开展的目的和用途选定负荷预测区域、确定负荷预测时间。
（2）数据收集：对选定的负荷预测区域内过去一段时间内的负荷情况以及社会、经济发展状况的数据进行收集。
（3）数据处理：对收集到目标区域内的历史负荷、经济、政治等数据进行统计分析，对数据要进行一定的整理，选取有用的数据进行备用。
（4）变量因素分析：根据国家大的宏观经济政策方向，结合目标区域的历史经济状况以及目标区域在经济发展中所处的位置和发展方向。分析以上因素会对地区负荷预测可能造成的影响。重点关注当地产业政策的变化和调整、产业结构调整以及经济运行状况等因素，推测出当地经济发展的速度。
（5）选择负荷预测方法：根据地区电力负荷发展大的趋势，根据诸多负荷预测方法的优缺点，选取适合该地区负荷预测现状的负荷预测方法，建立负荷预测模型。
（6）负荷预测：根据建立的负荷预测模型以及该目标地区的历史负荷数据对该目标区域进行电力负荷预测。根据负荷预测数据，对其进行再次论证。在使用多种负荷预测方法进行负荷预测时，可以根据不同方法得到的不同负荷预测数据给该地区提出“高、中、低”三种负荷预测推荐方案。
（7）滚动预测：根据负荷预测结果对该地区接下来的一段时间内的负荷情况进行滚动预测。  

 

3    电力负荷预测模型算法

    由于国内外在短期负荷预测方面研究的侧重点不同，通常可划分为定量预测技术和定性的预测两种，利用定性预测技术得出的预测结果是一个具有方向性的结论，而定量的预测技术主要是通过分析负荷和影响因素之间关系，建立负荷的预测模型。其中，定量预测方法分为经典方法、传统方法和智能方法。 

3.1  经典预测方法

（1）回归分析法

回归分析法是将影响负荷变化的因素设为自变量，将预测目标设为因变量，并根据负荷历史数据的变化规律，以及影响这些变化的因素，寻找出自变量与因变量之间的关系，从而用来确定模型参数，推断下一时刻的负荷值。

（2）时间序列法

电力系统中的时间序列法是指负荷的历史数据是按照一定的时间间隔采样并记录有序集合，运用惯性原理和延续性原理对将来系统负荷进行预测的方法。时间序列法能够很好的反映负荷自然增长规律，在中期电力负荷预测时有较好的精度，但是没有考虑到电力负荷大规模变动的情况，且需要较高的理论知识、对原始时间序列的平
稳性要求较高。

3.2  传统预测方法

（1）负荷求导法

负荷求导法是以负荷求导为基础，利用分形理论和相似性理论对负荷求导进行改进。负荷求导法原理简单，容易实现，而且运算速度较快，但是该方法在超短期，且电力负荷发生快速波动的情况下，计算精度较高，除此之外，计算精度下降迅速，无法准确预测。

（2）卡尔曼滤波法 

卡尔曼滤波法，又称“状态空间法”，该算法的计算思想是利用线性状态方程降低噪声，将真实数据还原，在大规模数据的情况下，数据还原度明显。因此，卡尔曼滤波法一般在长期或超长期电力负荷预测时效果明显。

（3）灰色预测法 

灰色系统理论是一种研究少数据、不确定性问题的方法，具有运算简单、对数据量要求低、易于应用等优点。该理论方法应用于电力负荷预测也获得了良好的准确度。 

3.3  智能预测方法

（1）小波分析法

    小波分析法具有剖析各种数据的能力，它是一种对时—频域中信号分析处理的方法，利用小波分析技术将大量交织在一起的高低频信号，整理分解成不同频带上的块信号，再对块信号分别建立数学模型并计算，最后将计算出的结果进行整合重构，获得最终的预测结果。由于小波分析具有较高的预测精度，故该算法被广泛的使用电力负荷预测中。  

（2）支持向量机

    支持向量机最早是由 Vapnik等人提出来的，该方法是在VC维(Vapnik Chervonenkis Dimension)理论和结构风险最小化原理的基础上建立起来的，SVM的提出有效的控制了机器学习过程中的过学习、维数灾难、局部最优等一系列传统困难，成功处理了模式识别和回归等许多问题。SVM在解决小样本、非线性、高维数等问题时，表现出较强的泛化性能，不足之处是存储需求量大、编程困难、计算速度慢、实际应用难 。

（3）神经网络算法

神经网络主要是通过模拟大脑的智能化处理，对大量非结构性、非精确性规律实现自适应调整，进行知识推理、自主学习、信息记忆等一系列计算。它通常选取过去某段时间内的负荷作为训练样本集，然后再构建网络结构，利用训练算法对网络结构进行训练，直到其满足精度要求后为止，最后再选择该神经网络作为负荷预测模型。深度学习算法是神经网络算法中的一种，其概念于2006年提出，是具有多隐层多感知器的神经网络结构，在关联性海量数据处理过程中表现出了很好的特性，分为无监督学习和监督学习两种。

 

4    结语

综上所述，针对电力负荷的特性，智能预测方法，尤其是神经网络预测方法得到越来越多学者们的关注，通过改变预测策略，使得预测方法由单一向组合发展，由传统向智能发展，并且在此基础上，合理、有效地利用实时电力负荷数据以及综合考虑地区电力负荷特性，使负荷更好地服务于地区经济发展。 

 

参考文献：

[1] 钟清，周晓燕，李庆贺．主动配电网规划中的负荷预测与发电预测．中国电机工程学报，2014，34（3）：34-37.

[2] 陈娟, 吉培荣, 卢丰. 指数平滑法及其在负荷预测中的应用[J]. 三峡大学学报
(自然科学版), 2010, 32(3):37-41.  

[3] 吴昊。智能化变电站运行维护问题分析。通讯世界，2015,24

[4] 肖白, 杨欣桐, 田莉,等. 计及元胞发展程度的空间负荷预测方法[J]. 电力系统
自动化, 2018, 42(1):61-67. 

[5] 高志远等。智能电网发展机理研究初探。电力系统保护与控制。2014，5.；116~121

[6] 张楷楷,燕萍. 时间序列以及卡尔曼滤波在电力系统短期负荷预测中的应用
.电气开关, 2016, 54 (2):91-96.  

[7] 丁方. 潍坊地区电力负荷预测及电网规划的研究。华北电力大学，2018. 

[8] 李龙,魏靖 ,黎灿兵等. 基于人工神经网络的负荷模型预测. 电工技术学报,2015,30(8):225-230. 

[9] 李园园等 智能变电站兼具旁代功能的线路保护方案。电力系统保护与控制 2014. 9；115~119

[10] 陈超,黄国勇,邵宗凯,王晓东,范玉刚. 基于日特征量相似日的PSO-SVM短期
负荷预测.中国电力,2013,46(07):91-94. 

[11] 吴文江,陈其工,高文根. 基于PSO优化参数的最小二支持向量机短期负荷预
测. 重庆理工大学学报(自然科学 ) ,2016,30(3):112-115. 

[12] 王廷华, 陈俊婷. 核函数的选择研究综述. 计算机工程与设计, 2012，33,(3):1181-1186.

[13] 代鑫波,崔勇,周德祥等. 基于主成分与粒子群算法的LS-SVM短期负荷预测.
电测与仪表,2012,49(558):6-9. 

[14] 战非,张少茹. 适应计算的混沌布谷鸟算法应用优化研究. 控制工程,2017,24(7):1486-1492. 

[15] 杨礼,刘高峰,杨志杰等.基于人工鱼群算法的空洞探. 计算机工程与应
用,2011,47(11):30-33. 

[16] 毛力，王运涛，刘兴阳李朝锋. 基于改进极限学习机的短期电力负荷预测方法. 电力系统保护与控制，2012 20(11): 140-144 

[17] 贺晓，刘爱国，孙蕾，刘崇新.基于小波神经网络的中长期电力负荷预测. 陕
西电力, 2012, 02: 4-8. 

[18] 杨晨等. 智能变电站二次系统检修安全策略研究. 电力系统自动化. 2013, 01 (01), 31-36.

[19] 葛少云，贾鸥莎，刘洪. 基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测. 电网技术, 2012, 36(01): 224-229. 

[20] 杜莉，张建军. 神经网络在电力负荷预测中的应用研究.计算机仿真, 2011，
10:297-300. 

[21] Hernández, L.; Baladrón, C.; Aguiar, J.M.; Carro, B.; Sánchez-Esguevillas, A.; Lloret,J.;Chinarro, D.; Gómez-Sanz, J.J.; Cook, D. A multi-agent system architecture for smart grid management and forecasting of energy demand in virtual power plants. IEEE Commun. Mag.2013, 51, 106–113. 

[22] M. Hanmandlu, B.K. Chauhan, Load forecasting using hybrid models, IEEE Trans.
Power Syst. 26 (1) (2011) 20–29. 

[23] H. Mao, X.-J. Zeng, G. Leng, Y.-J. Zhai, J.A. Keane, Short-term and midterm load
forecasting using a bilevel optimization model, IEEE Trans. Power Syst. 24 (2)
(2009) 1080–1090 

[24]J.D. Melo, et al., Grid-based simulation method for spatial electric load
forecasting using power-law distribution with fractal exponet, Int. Trans.
Electr. Energy Syst. 26 (2016) 1339–1357.

[25]J. Xiao, et al., Total supply capability and its extended indices for distribution
systems: definition, model calculation and applications, IET Gener. Transm.
Distrib. 5 (February (8)) (2011) 869–876. 

[26] K. Chen, et al., A method to evaluated total supply capability of distribution
systems considering network reconfiguration and daily load curvers, IEEE
Trans. Power Syst. 31 (May (3)) (2016) 2096–2104. 

[27] A. Chaouachi, R.M. Kamel, R. Andoulsi, K. Nagasaka, Multiobjective intelligent energy management for a microgrid, IEEE Trans. Ind. Electron. 60 (2013)
1688–1699. 

[28] A. Mohamed, V. Salehi, O. Mohammed, Real-time energy management algorithm for mitigation of pulse loads in hybrid microgrids, IEEE Trans. Smart Grid
3 (2012) 1911–1922. 

[29] Yang Y, Chen Y, Wang Y, Li C, Li L. Modelling a combined method based on
ANFIS and neural network improved by DE algorithm: a case study for shortterm electricity demand forecasting. Appl Soft Comput 2016 Dec 31;49:
663e75. 

[30] Zhang X, Wang J, Zhang K. Short-term electric load forecasting based on
singular spectrum analysis and support vector machine optimized by Cuckoo
search algorithm. Electr Power Syst Res 2017 May 31;146:270e85.