6.2.1   負(fù)荷預(yù)測(cè)方法與模型

       短期電力負(fù)荷表現(xiàn)出一種強(qiáng)烈的非平穩(wěn)性，究其原因主要是受到天氣變化、社會(huì)活動(dòng)和節(jié)假日等多種因素的影響。然而這些電力系統(tǒng)的負(fù)荷影響因素都具有一定規(guī)律，這就為電力負(fù)荷預(yù)測(cè)提供了研究基礎(chǔ)。當(dāng)前用于短期負(fù)荷預(yù)測(cè)的方法主要分為傳統(tǒng)的預(yù)測(cè)方法和智能預(yù)測(cè)方法，它們都是通過(guò)現(xiàn)有的歷史數(shù)據(jù)建立合理的預(yù)測(cè)模型來(lái)獲取未來(lái)一段時(shí)間的電力負(fù)荷值。因此影響短期負(fù)荷預(yù)測(cè)精度的主要因素就變成了歷史數(shù)據(jù)和預(yù)測(cè)模型。

       在電力負(fù)荷預(yù)測(cè)方法中，主要使用的模型有：

       (1)時(shí)間序列預(yù)測(cè)模型。時(shí)間序列預(yù)測(cè)模型方法首先按照一定的時(shí)間間隔將電為負(fù)荷的歷史數(shù)據(jù)記錄下來(lái)得到一個(gè)時(shí)間序列，然后根據(jù)負(fù)荷的歷史數(shù)據(jù)建立一個(gè)時(shí)間序列的數(shù)學(xué)擬合模型，這個(gè)模型用于描述電力負(fù)荷在送個(gè)時(shí)間序列內(nèi)變化過(guò)程的規(guī)律性，最后在該模型的基礎(chǔ)上建立短期電力負(fù)荷預(yù)測(cè)的數(shù)學(xué)表達(dá)式，從而對(duì)未來(lái)的負(fù)荷進(jìn)行預(yù)測(cè)。

       (2)趨勢(shì)外推法。外推法有指數(shù)曲線趨勢(shì)預(yù)測(cè)法、生長(zhǎng)曲線趨勢(shì)預(yù)測(cè)法、二次曲線趨勢(shì)預(yù)測(cè)法、線性趨勢(shì)預(yù)測(cè)法、對(duì)數(shù)趨勢(shì)預(yù)測(cè)法。這些方法都只做趨勢(shì)外推，并不對(duì)其中的隨機(jī)成分做統(tǒng)計(jì)處理。應(yīng)用趨勢(shì)外推法需要滿足以下兩個(gè)假設(shè)條件：一是假設(shè)負(fù)荷不會(huì)出現(xiàn)跳躍式的變化；二是假定決定負(fù)荷未來(lái)變化趨勢(shì)的因素是不變的或變化不大。應(yīng)用趨勢(shì)外推法的重要環(huán)節(jié)在于選擇合適的趨勢(shì)模型，圖形識(shí)別法和差分法是選擇趨勢(shì)模型的兩種基本方法。趨勢(shì)外推法的優(yōu)點(diǎn)是：所需的數(shù)據(jù)量較少，模型構(gòu)建快速、簡(jiǎn)單。

       (3)灰色預(yù)測(cè)模型?；疑碚撚迷谝欢ǚ秶鷥?nèi)變化的灰色量來(lái)表示一切隨機(jī)變化的量，然后通過(guò)累加生成和累減生成的方法將原始數(shù)據(jù)處理成有規(guī)律的數(shù)據(jù)列，它主要應(yīng)用在包含不確定因素的環(huán)境下?；疑到y(tǒng)理論的優(yōu)點(diǎn)是可以應(yīng)用于所有的非線性變化的負(fù)荷指標(biāo)預(yù)測(cè)，對(duì)負(fù)荷數(shù)據(jù)的需求量少，并在建模時(shí)不需要計(jì)算統(tǒng)計(jì)特征量，不需要考慮分布規(guī)律和變化趨勢(shì)。

       (4)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。神經(jīng)網(wǎng)絡(luò)對(duì)大量非結(jié)構(gòu)性、強(qiáng)動(dòng)態(tài)性規(guī)律擁有較強(qiáng)的學(xué)習(xí)能力，具有自組織、自推理及信息記憶等特點(diǎn)，還有很強(qiáng)的擬合能力、復(fù)雜映射能力和容錯(cuò)能力。人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本為過(guò)去一段時(shí)間的電力負(fù)荷，選取樣本后確定網(wǎng)絡(luò)結(jié)構(gòu)和合適的參數(shù)，當(dāng)它們達(dá)到一定精度要求后，就將此神經(jīng)網(wǎng)絡(luò)當(dāng)作電力負(fù)荷預(yù)測(cè)的模型。

       (5)支持向量機(jī)模型。支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的一類數(shù)據(jù)挖掘方法，它能夠成功地處理時(shí)間序列分析和模式識(shí)別等問(wèn)題，并可在預(yù)測(cè)和評(píng)價(jià)等領(lǐng)域中推廣。支持向量機(jī)的機(jī)理是尋找一個(gè)滿足分類要求的最優(yōu)分類超平面，使得該超平面在保證分類精度的同時(shí)，能夠使超平面兩側(cè)的空白區(qū)域最大化。理論上支持向量機(jī)能夠?qū)崿F(xiàn)對(duì)線性可分?jǐn)?shù)據(jù)的最優(yōu)分類。支持向量機(jī)能根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求一種最佳平衡，能求得的是全局最優(yōu)值而不是局部極小值，從而保證了它對(duì)未知樣本良好的泛化能力。相比于傳統(tǒng)的一些方法，SVM方法充分考慮了影響電力負(fù)荷的各類因素，在計(jì)算精度上也有明顯提高。

      (6)小波分析方法。對(duì)于短期電力負(fù)荷預(yù)測(cè)，根據(jù)原始數(shù)據(jù)的特性，利用小波分析法將各種交織在一起的不同頻率組成的混合信號(hào)對(duì)電力負(fù)荷的周期性分量、非周期分量W及低頻隨機(jī)分量進(jìn)行投影，再將隨機(jī)分量和周期分量在不同尺度上進(jìn)行投影，然后再將不同的“頻域分量”用各個(gè)尺度上的子序列表示，這樣就將負(fù)荷序列的特性清楚地展現(xiàn)出來(lái)了。