电力系统短期负荷研究综述

《电力系统短期负荷研究综述》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、电力系统短期负荷研究综述　　【摘要】电力系统的短期负荷预测是指提前一天至一周的负荷预测，是EMS系统的重要组成部分，其预测精度直接影响到电网及各发电厂的经济效益。电力系统短期负荷预测是制定电网调度计划、削峰填谷、实现需求侧响应的重要基础。本文对现阶段电网负荷预测方法和研究现状进行了梳理和总结，并提出了相关结论，展望了未来的研究方向。　　【关键词】电力系统负荷预测负荷研究　　1基本概念　　电力系统的短期负荷预测是指提前一天至一周的负荷预测，短期负荷受日期类型、天气因素特殊事件等许多外界因素的影响，其变化既具有周期性，又存在随机性，要准确预测十分困难。负荷预测研究已有五十多年历史，从传统经典的回归

2、法[1]、指数平滑法[2]、时间序列分析法[3]、状态空间法到现代随着人工智能技术出现的专家系统[4]、进化算法人工神经网络[5]、模糊集理论[6]、灰色系统理论[7]、混沌理论、小波分析等方法。每种方法在进行负荷预测时，都有各自的优缺点，到目前为止，还没有哪一种方法能对负荷进行很好的预测。　　2国内外研究现状　　SVM比神经网络法具有更高的预测精度和鲁棒性，并且SVM的训练等价于解决一个线性约束的二次规划问题，因而SVM4模型的解是唯一的、最优的。对基于高斯核函数的支持向量机进行了分析，在对数据进行预处理的基础上，给出了学习参数的确定方法，并提出了高斯核函数参数的交替优化算法。结合粗糙集理论

3、和遗传算法的最小二乘支持向量机短期负荷预测模型和算法，该算法采用RS理论进行历史数据的预处理，并采用GA来确定与负荷密切相关的因素以及对LS-SVM的模型参数进行自适应寻优，解决了传统LS-SVM对历史数据的预处理及确定预测模型参数的问题。短期负荷最优组合预测方法根据各种预测方法在不同时刻预测精度的不同进行有序赋权，从而综合各个模型的优点，降低预测结果对某一方法的依赖性，改善模型的拟合能力并得到更为准确的结果。　　3常用方法介绍　　3.1时间序列　　70年代初期，博克思（Box）和詹金斯（Jenkins）提出了一种时间序列预测方法，即ARIMA模型，其全称为差分自回归移动平均模型（Autore

4、gressiveIntegratedMovingAverageModel，简记ARIMA）。依据原序列平稳与否及回归中所含不同部分可将其分为移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）和ARIMA过程。　　3.2灰色模型4　　灰色系统建模与传统方法相比，其优越性主要在于以下两个方面。其中的一条是为保证精度要求，传统方法需要较多的原始数据，而灰色系统建模没有此项要求，其要求较之传统方法宽泛了许多。第二条是灰色系统建模一般通过一定的方式对原始数据进行处理，使原始数据变为一组规律性较强的生成数据，从而离散数据变得更为光滑。一般的灰色模型即为GM（n，h），它表示形成了h个

5、变量的n阶微分方程，实际运用最多的是GM（1，1）。　　4结语　　近年来，随着风电、光伏等非线性电源的增加、负荷特性更加不规律，给精确的负荷预测带来了一定难度。因此，需要进一步研究适合波动大、非线性强的负荷的预测方法。研究表明，组合预测方法能够在长期的预测过程中减少预测的失效、增加预测精度和稳定度，因此，进一步对组合预测的权重优化进行研究，是未来预测领域一个重要研究方向。　　参考文献：　　[1]张林，罗晓初，等.基于时间序列的电力负荷预测新算法研究[J].电网技术，2006（30）：595-599.　　[2]RahmanS，BhatnagarR.Anexpertsystembasedalgor

6、ithmforshorttermloadforecast[J].IEEETransactionsonPowerSystem，1998（2）：392-399.　　[3]HippertH.S，PedreiraC.E，CastroR.Neuralnetworksforshort-termloadforecasting：Areviewandevaluation.IEEETransactionsonPowerSystem[J].2001（1）：44-55.　　[4]廖峰，刘清良，等.基于改进灰色模型与综合气象因素的母线负荷预测[J].电网技术，2011（11）：183-188.　　[5]姚永刚，张亚华.

7、基于混沌理论的电力短期负荷预测[J].华东电力，2007（5）：7-10.　　[6]谢宏，魏江平，刘鹤立.短期负荷预测中支持向量机模型的参数选取和优化方法[J].中国电机工程学报，2006（22）：17-22.4　　[7]耿艳，韩学山，韩力.基于最小二乘支持向量机的短期负荷预测[J].电网技术，2009（18）：72-76.4