現(xiàn)貨市場(chǎng)就要來(lái)了，所有人都在關(guān)注電力負(fù)荷預(yù)測(cè)。那么負(fù)荷預(yù)測(cè)有哪些算法，哪種算法最合適?

負(fù)荷預(yù)測(cè)概述

1.1 負(fù)荷預(yù)測(cè)的重要性

目前，國(guó)內(nèi)的電改正在如火如荼的開(kāi)展，據(jù)稱目前國(guó)內(nèi)的售電公司數(shù)量已經(jīng)突破了兩萬(wàn)家。而各省也在積極的準(zhǔn)備現(xiàn)貨市場(chǎng)的改革，在2019年以及2020年，廣東、浙江等地的現(xiàn)貨市場(chǎng)就要真正落地實(shí)施。屆時(shí)，負(fù)荷預(yù)測(cè)能力的強(qiáng)弱，將成為售電公司洗牌的一大關(guān)鍵。在現(xiàn)貨市場(chǎng)來(lái)臨的背景下，簽約策略、報(bào)價(jià)策略、交易策略、單個(gè)用戶經(jīng)濟(jì)測(cè)算等等售電公司逃不開(kāi)的行為，都是以負(fù)荷預(yù)測(cè)的結(jié)果作為基礎(chǔ)。沒(méi)有準(zhǔn)確的負(fù)荷預(yù)測(cè)結(jié)果，售電公司甚至無(wú)法在現(xiàn)貨市場(chǎng)進(jìn)行報(bào)價(jià)，這樣的后果便是高額的偏差費(fèi)用，這是售電公司無(wú)法承擔(dān)的。因此，負(fù)荷預(yù)測(cè)的能力對(duì)如今中國(guó)的售電公司來(lái)說(shuō)，是至關(guān)重要的。

1.2 負(fù)荷預(yù)測(cè)概念簡(jiǎn)述

所謂預(yù)測(cè)，就是指通過(guò)對(duì)事物進(jìn)行分析及研究，并運(yùn)用合理的方法探索事物的發(fā)展變化規(guī)律，對(duì)其未來(lái)發(fā)展做出預(yù)先估計(jì)和判斷。電力系統(tǒng)負(fù)荷預(yù)測(cè)是指在充分考慮一些重要的系統(tǒng)運(yùn)行特性、增容決策、自然條件與社會(huì)影響的條件下，研究或利用一套系統(tǒng)地處理過(guò)去與未來(lái)負(fù)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(lái)特定時(shí)刻的負(fù)荷數(shù)值。提高負(fù)荷預(yù)測(cè)技術(shù)水平，有利于計(jì)劃用電管理，有利于合理安排電網(wǎng)運(yùn)行方式和機(jī)組檢修計(jì)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(jì)效益和社會(huì)效益。對(duì)于售電公司來(lái)說(shuō)，有利于售電公司決定自己的中長(zhǎng)期合約簽約策略，現(xiàn)貨市場(chǎng)報(bào)價(jià)、交易策略，單個(gè)用戶的經(jīng)濟(jì)測(cè)算等行為。因此，負(fù)荷預(yù)測(cè)已成為實(shí)現(xiàn)電力系統(tǒng)管理現(xiàn)代化、售電公司向現(xiàn)貨市場(chǎng)轉(zhuǎn)型的重要內(nèi)容之一。

短期(兩周以內(nèi))負(fù)荷預(yù)測(cè)在整個(gè)電力調(diào)度、售電公司參與現(xiàn)貨市場(chǎng)的工作中起關(guān)鍵作用，它為基本發(fā)電計(jì)劃、計(jì)算機(jī)在線電網(wǎng)控制、系統(tǒng)安全分析、日前市場(chǎng)報(bào)價(jià)、日內(nèi)(實(shí)時(shí))市場(chǎng)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(shí)際，發(fā)電效率更高，使得售電公司減小自己上報(bào)電量與真實(shí)用電量的偏差。

在規(guī)模上，負(fù)荷預(yù)測(cè)可以分為電網(wǎng)層級(jí)的負(fù)荷預(yù)測(cè)以及用戶層級(jí)的負(fù)荷預(yù)測(cè)。電網(wǎng)公司主要采用的是電網(wǎng)層級(jí)的負(fù)荷預(yù)測(cè)，這對(duì)整個(gè)電力系統(tǒng)的穩(wěn)定、安全運(yùn)行，改善系統(tǒng)運(yùn)行經(jīng)濟(jì)型有著決定性的意義。對(duì)于售電公司來(lái)說(shuō)，用戶層級(jí)的負(fù)荷預(yù)測(cè)是更相關(guān)的。售電公司需要對(duì)自己的用戶組合以及單一用戶做電力負(fù)荷預(yù)測(cè)，基于這個(gè)預(yù)測(cè)的結(jié)果再開(kāi)展其他的行為。

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

不同層級(jí)的負(fù)荷曲線

雖然用戶層級(jí)的負(fù)荷預(yù)測(cè)更加困難，但是它確是所有售電公司、虛擬電廠公司等無(wú)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(jí)負(fù)荷預(yù)測(cè)。下文便是重點(diǎn)介紹短期以及超短期的負(fù)荷預(yù)測(cè)方法。

負(fù)荷預(yù)測(cè)的基本方法

(超)短期負(fù)荷由于受天氣變化、社會(huì)活動(dòng)和節(jié)日類型等各種因素的影響，在時(shí)間序列上表現(xiàn)為非平穩(wěn)的隨機(jī)過(guò)程，但是影響系統(tǒng)負(fù)荷的各因素中大部分具有規(guī)律性，從而為實(shí)現(xiàn)有效的預(yù)測(cè)奠定了基礎(chǔ)。目前用于短期負(fù)荷預(yù)測(cè)的方法很多，較為新的算法主要有神經(jīng)網(wǎng)絡(luò)法、時(shí)間序列法、回歸分析法、支持向量機(jī)法、模糊預(yù)測(cè)法等。電力負(fù)荷預(yù)測(cè)研究的核心問(wèn)題是如何利用現(xiàn)有的歷史數(shù)據(jù)，建立預(yù)測(cè)模型，對(duì)未來(lái)時(shí)刻或時(shí)間段內(nèi)的負(fù)荷值進(jìn)行預(yù)測(cè)，因此，歷史數(shù)據(jù)信息的可靠性和預(yù)測(cè)模型是影響短期負(fù)荷預(yù)測(cè)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(cè)水平的提高，準(zhǔn)確獲取各種歷史數(shù)據(jù)已不再困難，因此，短期負(fù)荷預(yù)測(cè)的核心問(wèn)題是預(yù)測(cè)模型的水平高低，以下是各種負(fù)荷預(yù)測(cè)方法的簡(jiǎn)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(jìn)的負(fù)荷預(yù)測(cè)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(shí)別、自然語(yǔ)言處理、機(jī)器翻譯、自動(dòng)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(guó)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(fù)荷預(yù)測(cè)，也包括電力現(xiàn)貨市場(chǎng)價(jià)格預(yù)測(cè)、風(fēng)電發(fā)電預(yù)測(cè)等領(lǐng)域。

神經(jīng)網(wǎng)絡(luò)法在負(fù)荷預(yù)測(cè)上的應(yīng)用主要分為人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, 以下簡(jiǎn)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(jiǎn)稱RNN)。其中，RNN是相對(duì)ANN來(lái)說(shuō)效果更好的算法。

神經(jīng)網(wǎng)絡(luò)法選取過(guò)去一段時(shí)間的負(fù)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(duì)網(wǎng)絡(luò)進(jìn)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(fù)荷預(yù)測(cè)模型，實(shí)踐證明人工神經(jīng)網(wǎng)絡(luò)短期預(yù)測(cè)有較好的精度。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)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(xí)、知識(shí)推理和優(yōu)化計(jì)算的特點(diǎn)，還有很強(qiáng)的計(jì)算能力、復(fù)雜映射能力、容錯(cuò)能力及各種智能處理能力，特別是其學(xué)習(xí)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(xí)速度的優(yōu)化，局部最小點(diǎn)等難題。

交能網(wǎng)的負(fù)荷預(yù)測(cè)算法模型便是基于RNN開(kāi)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(shí)間序列法

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

時(shí)間序列方法優(yōu)點(diǎn)是所需數(shù)據(jù)少，工作量小;計(jì)算速度較快;反映了負(fù)荷近期變化的連續(xù)性。

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

2.3 回歸分析法

回歸分析預(yù)測(cè)方法是根據(jù)歷史數(shù)據(jù)的變化規(guī)律和影響負(fù)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(lái)時(shí)刻的負(fù)荷值。

回歸分析法的優(yōu)點(diǎn)是計(jì)算原理和結(jié)構(gòu)形式簡(jiǎn)單，預(yù)測(cè)速度快，外推性能好，對(duì)于歷史上沒(méi)有出現(xiàn)的情況有較好的預(yù)測(cè)。

存在的不足是對(duì)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(wèn)題，結(jié)構(gòu)形式過(guò)于簡(jiǎn)單，精度較低;該模型無(wú)法詳細(xì)描述各種影響負(fù)荷的因素，模型初始化難度較大，需要豐富的經(jīng)驗(yàn)和較高的技巧。

2.4 支持向量機(jī)法

支持向量機(jī)(SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論提出的能實(shí)現(xiàn)在有限樣本條件下滿足VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的機(jī)器學(xué)習(xí)方法，具有泛化能力強(qiáng)，全局最優(yōu)和計(jì)算速度快等突出優(yōu)點(diǎn)。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(yàn)確定，有較大的人為因素。同時(shí)，其缺乏對(duì)模糊現(xiàn)象的處理能力，模型誤差會(huì)造成回歸值和實(shí)際值的差距。

2.5 模糊預(yù)測(cè)法

模糊預(yù)測(cè)法是建立在模糊數(shù)學(xué)理論上的一種負(fù)荷預(yù)測(cè)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(fù)荷預(yù)測(cè)中的關(guān)鍵因素：天氣狀況的評(píng)判、負(fù)荷的日期類型的劃分等，將模糊方法應(yīng)用于負(fù)荷預(yù)測(cè)可以更好地處理負(fù)荷變化的不確定性。目前，模糊理論應(yīng)用于負(fù)荷預(yù)測(cè)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(shí)際應(yīng)用來(lái)看，單純的模糊方法對(duì)于短期負(fù)荷預(yù)測(cè)，精度難以滿足要求;同時(shí)要求提供較多的歷史數(shù)據(jù)，在實(shí)際應(yīng)用中存在困難;其優(yōu)點(diǎn)是預(yù)測(cè)結(jié)果可以預(yù)測(cè)區(qū)間及概率的形式描述。

2.6 其他傳統(tǒng)方法

電力負(fù)荷預(yù)測(cè)還有很多上文未提及的傳統(tǒng)方法，例如負(fù)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(cè)法等等。由于歐美最新的負(fù)荷預(yù)測(cè)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(méi)有優(yōu)勢(shì)，故不再贅述。