负荷预测文献综述

1、-作者xxxx-日期xxxx负荷预测文献综述【精品文档】随着现代科学技术的快速发展，负荷预测技术的研究也在不断深化，各种各样的负荷预测方法不断涌现，从发展的时间来分，可以分为两个大的阶段，第一个就是传统的负荷预测阶段，第二个就是现代的负荷预测阶段。1. 传统负荷预测传统的负荷预测方法如回归模型法，卡尔曼滤波法，时间序列法，灰色预测法，专家系统法，模糊理论法，神经网络法，小波分析法等。这些传统的预测方法无论是哪种均具有不足和缺陷，随着对负荷预测的深入研究和广泛应用，传统的预测方法的应用越来越难以适应发展，逐渐形成了现代负荷预测方法。2. 现代负荷预测随着电力系统的发展，负荷预测的精度要求越来越高

2、。传统的负荷预测方法均有其优缺点，很多研究者考虑把多种智能方法综合在一起，实现其优缺点的互补，提高负荷预测模型的性能，从而提高负荷预测的精度，从而发展成为现代负荷预测的一个分支；另一些研究者引入新的理论来改进负荷预测，比如混沌理论、支持向量机、数据挖掘等，并取得了不错的效果；还有一些研究者从负荷预测的其他方面入手，比如改进相似日的方法、对负荷进行聚类分析、考虑更多的相关因素等。综合智能负荷预测预测方法的多样性是一个得到普遍认可的原则。由于预测是在一定的假设条件下进行的，与测量的发展变化规律存在多样性和复杂性，也包含了许多不确定的因素，采用单一的方法进行预测，很难取得令人满意的效果，因此需要选用

3、多种预测方法进行预测。文献1针对目前中国普遍采用的综合预测模型中权重不等式约束、求解方案适用化方面进行了深入探讨，并提出了“最优拟合模型”不等于“最优预测模型”的观点。在此基础上，提出了“较优预测模型”的实现策略，并以实例证实该模型提高了符合预测的准确率和误差稳定性。文献2运用计量经济学中的协整理论，研究得出电力系统组合预测方法的应用必要条件是：每种预测方法得到的预测值序列与实际负荷值序列之间应该具有协整关系。文献3把粗糙集和神经网络结合建立短期负荷预测模型，采用粗糙集理论对各种影响负荷预测的因素变量进行识别，以此确定预测模型的输入变量；在此基础上通过属性约简和属性值约简获得推理规则集，再以这

4、些推理规则构筑神经网络预测模型，并采用附加动量项的BP学习算法对网络进行优化。文献4深入研究了天气和特殊事件对电力负荷的影响，建立了结合径向基（RBF）神经网络和专家系统来进行短期负荷预测模型。利用RBF神经网络的非线性逼近能力预测出日负荷曲线，然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正，使其在天气突变等情况下也能达到较高的预测精度。文献5利用粗糙集理论中的信息熵概念来选取与待预测量相关性大的参数作为输入。所构造ANFIS系统是基于数据进行建模并进行参数辨识的，这样有效地避免了模糊推理系统（Fuzzy Inference System，FIS）中人为主观因素对预测的负面影响，客观

5、地反映了相关变量与负荷值之间的复杂关系。文献6采用神经网络与模糊逻辑互补的方法建立了负荷预测模型。通过粗糙集理论中的信息熵概念对神经网络的输入参数进行了筛选，以待预测量相关性大的参数作为输入，不仅减少了神经网络的工作量，缩短了计算时间，而且提高了预测的准确性；在神经网络中，通过引进动量系数和遗忘系数优化网络，提高了ANN的收敛速度；在模糊逻辑中，充分利用了人们对负荷变化取得的主观经验，引进不平均隶属函数，来反映负荷对温度的敏感性。文献7通过对电力负荷变化规律和影响因素的分析，提出了一种基于组合式神经网络的短期电力负荷预测模型。该模型综合运用神经网络、模糊聚类分析和模式识别理论方法进行建模。首先

6、，采用模糊聚类分析方法，以每天的24点负荷数据、天气数据以及天类别数据为指标，将历史数据分成若干类别；其次，对每一类别建立相应的神经网络预测模型；预测时通过模式识别，找出与预测天相符的预测类别，利用相应的神经网络预测模型进行24小时的短期电力负荷预测。文献8首先采用日最小负荷对日负荷曲线进行规范化，再将日负荷曲线预测转化为对日最小负荷的预测和对日规范负荷曲线的预测。对日最小负荷预测应用动态时序模型；对日规范负荷曲线应用专家系统进行推理预测，专家系统中的推理规则应用粗糙集理论从历史数据中获取。文献9提出了一种将粗糙集理论和正交最小二乘法相结合建立短期负荷预测模型的新方法。该方法采用粗糙集理论选择

7、模型输入变量并对其进行划分，由样本数据的离散化结果确定模糊推理规则及其逻辑前件参数，进而采用改进的正交最小二乘法去掉冗余模糊规则和确定模糊推理规则后件参数。2.2 引入新理论进行负荷预测 (1)混沌理论由于电力负荷曲线表现出随机的复杂动力学行为，使得电力负荷呈现时变性、随机性、分散性、多样性和非连续性的特点，具有一定的混沌特性，因此将混沌理论引入到负荷预测中，对于电力系统的发展是非常有意义的。随着混沌理论的不断发展，其在电力系统中的应用也在不断深化，有的结合其他方法（如神经网络）改进混沌方法的不足10，有的直接改进参数的选取算法来提高混沌预测的精度11,12。文献13首次提出基于PSRT和IC

8、NN融合的电力系统STLF模型，所构造的ICNN预测模型对负荷初值和混沌轨迹的游动性有很强的敏感性，可表征复杂的动力学行为和具有全局寻优的性能，以PSRT确定ICNN输入维数，训练样本集按预测相点步进动态相轨迹和最近邻点集原理形成的，可增强预测模型对混沌动力学的联想和泛化推理能力；文中用遗传算法作为ICNN的学习算法，对两类不同负荷系统日、周预测仿真测试，证实所研究的预测模型能有效、稳定地提高预测精度，且有较高的适应能力，为将基于PSRT和ICNN融合的电力系统STLF方法用于实际运行系统在理论上取得了有效的进展。文献14将天气预报中的Ensemble方法移植到短期负荷预测中，并与混沌像空间重

9、构预测理论组合预测不仅提高预测准确率，还可以得到概率化的预测结果。(2)分形理论 分形的核心是标度不变性，即自相似性，因而分形理论应用于电力负荷预测存在可能性。分形理论的负荷预测方法基本思路是：将电力负荷历史数据划分为若干样本，根据分形拼贴定理，有Barbsley引进的分形差值方法，对规格化后的每个样本求取一个吸引子与样本数据相近的迭代函数系统。对所有样本求得的迭代函数系统进行相应的参数求均，可得分形预测模型。文献15针对传统负荷预测方法微观行为的缺陷提出了自然分形的方法对负荷粗糙部分进行建模，并得到了良好的预测效果。文献16针对传统分形差值难以进行外推的问题，利用分形的自相似性与标度不变性将

10、内区间得分形特性进行严拓，并由此构造了具有外推功能的分形插值算法。该算法利用内区间得迭代函数系和吸引子由特定的初始点出发进行直接搜索，并通过使迭代特定次数后获得的点集与吸引子的均方偏差不断减小的过程来逐步调整初始点的纵坐标值，而均方偏差达到最小化是的纵坐标值即可作为需要外推点的函数值。然后利用电力负荷数据的不同分形特性，将分形外推插值算法应用于电力日负荷、日峰值负荷及年用电量预测中。(3)支持向量机 1998年贝尔实验室的Vapnik等人提出了支持向量机理论，它实现了结构风险最小化原理，并且它的训练等价于解决一个线性约束的二次规划问题，存在唯一解。支持向量机理论在泛化性能和精度方面都明显优于神

11、经网络，所以该理论在短期负荷预测中可以更好的取代神经网络17。支持向量机在负荷预测当中的发展也经历了几个阶段，2003年首次将该方法应用于负荷预测当中17，后来提出了支持向量机参数的选取算法18，进一步提高了基于该方法的负荷预测精度，再到多种方法与支持向量机方法综合应用于负荷预测当中。文献19在分析粗糙集理论方法与支持向量机方法的优势和互补性后，探讨了粗糙集与支持向量机的结合方法，提出了一种基于粗糙集数据预处理的支持向量机预测系统。该系统利用粗糙集理论在处理大量数据量、消除冗余信息等方面的优势，减少支持向量机的训练数据，克服支持向量机方法数据量太大，处理速度慢等缺点。文献20利用数据挖掘技术在

12、处理大数据量、消除冗余信息等方面独特的优势，寻找与预测日同等气象类型的历史负荷序列，并将此数据序列作为支持向量机的训练数据，不仅可以减少数据量，而且明显提高了负荷预测的速度和精度。(4)经验模式分解 经验模式分解(EMD)是1998年由N.E.Huang提出来的一种新的信号处理方法，它通过对信号的“筛选”将信号分解成不同频率的IMF本征模式分量。该方法尤其适用于非线性和非平稳性数据。利用EMD方法对负荷序列进行分解，可得到有限几个独立的、近乎周期性的内在模式函数及余项，各分量均能突出原始负荷序列的不同局部特征信息。并且EMD方法是自适应的分解，不需要预先设定基函数，克服了小波等方法依赖预测人员

13、主观经验的缺陷21。文献21利用EMD的自适应性，自动地将目标负荷序列分解为若干个独立的内在模式，可克服依赖主观经验的缺点。再利用多个指标从不同方面分析他们的规律特性。通过各分量与各影响因素的相关分析，深入挖掘各因素对各分量的影响情况。归纳出构成负荷的不同成分，并详细论述其特性。文献22采用改进的算法-因散经验模式分解将负荷序列分解为若干个独立的内在模式，然后将内在模式基于fine-to-coarse重构为高频、低频和趋势3个分量，并分别采用支持向量机、自回归移动平均和现行回归模型对其进行预测。(5)数据挖掘 数据挖掘就是使用模式识别技术、统计和数学技术，在大量的数据中发现有意义的新关系、模式

14、和趋势的过程，也就是从海量数据中挖掘出可能有潜在价值的信息技术。可以实现以下功能：分类聚类关联预测22。文献23以软计算方法中的神经网络和模糊系统为实现工具，将数据挖掘中的分类和聚类思想应用于负荷预测问题的研究中，根据数据挖掘理论中的分类和聚类思想，构建Kohonen网和BP网的组合模型进行坏数据辨识和调整。采用CART算法完成模糊推理系统的结构辨识任务，构造相应的ANFIS网络进行参数辨识。 决策树是数据挖掘中应用较广泛和成熟的算法。算法从实例集中构造决策树，并从中归纳出事例所含的某些规律(从根到叶子节点的路径)，是一种有指导的学习方法，所生成的决策树可用来进行样本外预测24。文献25提出了

15、一种基于决策树技术的短期负荷预测算法，利用决策树对影响负荷变化的因素进行了筛选；并在此基础上按照负荷分别进行处理，得到平稳的负荷序列；然后应用时间序列技术进行预测。负荷预测的各种影响因素对负荷的影响及其相互关联影响是难以确定的，并且很难用数据公式来描述。所以一种研究方向就是根据负荷曲线模式进行聚类分析以获得与外部随机因素间的关联关系26。文献27针对传统K均值聚类算法的不足，提出了一种新的聚类算法逐级均值聚类算法，解决了传统聚类算法解的局部最优性问题和如何确定聚类数目的问题。在应用该算法确定RBF模型隐含层的中心向量时，同时确定了隐含层的节点数和RBF网络模型的结构。文献28提出了基于蚁群优化

16、算法的电力系统负荷序列聚类分析方法，并通过对实际地区负荷系统的聚类结果对比分析证明该方法对气候异常情况、高温区域、节假日都具有更高的敏感性和分辨率。3.3 从其他方面入手提高负荷预测精度(1)相似日负荷预测 相似日选择标准的好坏直接影响负荷预测的精度。相似日的选取从刚开始简单的距离匹配到趋势和形状相似的查找29，再到考虑更多的影响因素并制定相应的算法30。文献29深入研究了负荷两个特征量即趋势相似日和形状相似日，并给出了两种相似日的选择方案，从日特征量、日前趋势相似度以及这两者的综合3个角度阐述了选择预测日的趋势相似日原理和方法。文献31用混沌理论分析相似日的预测，并用加强准周期和混沌成分的方

17、法提高预测精度，提出了“负荷趋势+相似日”、素数间隔二次抽样等具有建设性的相似日负荷预测方法。文献30深入分析了日类型、特殊日、日期距离、温度、湿度和降雨量对相似日选取的影响，并制定了相应的算法，该方法具有很强的适应性，对预测精度的提高有很大价值。(2)考虑气象因素研究表明，气象因素是影响短期负荷预测的主要因素。在一些气象条件下，用点负荷及发电量会急剧攀升，这使得电力负荷与气象关系的定量分析成为研究人员的研究重点32。气象因素作用于电力负荷的研究，可分为以下四个方面：各个气象因素的独立作用33,34。分析其影响，包括2类：单因素分析(即单个气象因素与单个电力指标的关系分析)和多因素分析(即多个

18、气象因素与单个电力指标的关系分析，但是气象因素间不产生耦合效果)。多日的累积效应。例如，对于某日的负荷而言，连续三天高温与当日突然高温这样的两者情况下，当日负荷可能有明显差别。同时，以自动辨识的方法识别主要的若干个影响因素，称为特征选择32。文献35采用加权集合距离公式来选取神经网络的训练样本，不仅加快了神经网络的训练速度，而且加强了神经网络的逼近能力。并采用蚁群优化算法自适应的调整广义回归神经网络的平滑参数的，减少了人为选择参数的主观影响，并验证了模型的有效性。多个气象因素的耦合效果。这种耦合效果称为综合气象指数。综合气象指数的构成可以有多种方式，例如，实感温度，温湿指数，寒冷指数，人体舒适

19、度指数等。文献36针对地区电网负荷易受多种气象因素影响的特点，引入人体舒适度概念，并在人工神经网络方法短期电力负荷预测的输入单元中，以人体舒适度指数代替温度、相对湿度和风速。在综合气象指数的基础上进一步考虑综合气象指数的多日累积效应37。(3)节假日 节假日包括五一，清明，国庆，元旦，春节等，由于其具有明显不同于普通日的负荷特性，所以给负荷预测工作带来一定困难。为了改善节假日负荷预测结果，许多文献按日期类型及历史数据的相似性采用聚类方式将负荷分类，并在预测中考虑日期类型的影响38。文献39应用多目标遗传算法和关联规则算法提出一个基于模糊规则的电力负荷模式分类系统。在此分类系统中采用多目标遗传优

20、化算法从众多模糊分类规则中自动挑选出具有较好识别性能和可解释性的模糊规则，并利用模糊关联规则挖掘通过启发式规则选择改善遗传算法的搜索性能。有效的改善了节假日负荷预测的性能。文献40采用相似日方法和模糊推理分别预测负荷曲线模式和负荷水平，通过对实际系统负荷进行预测，取得较高的预测精度，特别是气象出现较大变化的节假日能够得到更好的预测结果。-综合负荷预测-1 莫维仁，张伯明，孙宏斌，等. 短期负荷综合预测模型的探讨. 电力系统自动化，2004，28(1):30-34.2 陈曦，丁明. 采用协整检验的电力系统组合预测建模条件判定方法. 2003，23(8)：21-24.3 谢宏，程浩忠，张国立，等基

21、于粗糙集理论建立短期电力负荷神经网络预测模型中国电机工程学报，2003，23（11）：1-44 张涛，赵登福，周琳，等基于RBF神经网络和专家系统的短期负荷预测方法西安交通大学学报，2001，35（4）：331-3345 程其云，孙才新，周湶，等粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法电网技术，2004，28（17）：72-756 程其云，孙才新，张晓星，等以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法电工技术学报，2004，19（10）：53-587 陈耀武，汪乐宇，龙洪玉基于组合式神经网络的短期电力负荷预测模型中国电机工程学报，2001，21（4）：

22、79-828 谢宏，程浩忠，张国立，等基于粗糙集理论和动态时序模型的日负荷曲线预测新方法电网技术，2004，28（14）：10-149 谢宏，牛东晓，张国立，等一种模糊模型的混合建模方法及在短期负荷预测中的应用中国电机工程学报，2005，25（8）：17-22-混沌-10 尤勇，盛万兴，王孙安一种新型短期负荷预测模型的研究及应用中国电机工程学报，2002，22（9）：15-1811 杨正瓴，张广涛，陈红新，等. 短期负荷预测“负荷趋势加混沌”法的参数优化，电网技术，2005，29(4)，27-31.12 谷子，唐巍. 电力短期负荷时间序列混沌相空间重构参数优选法. 中国电机工程学报，2006，

23、26(14)：18-23.13 孙雅明，张智晟相空间重构和混沌神经网络融合的短期负荷预测研究中国电机工程学报，2004，24（1）：44-4814 杨正瓴，王渭巍，曹东波，等. 短期负荷预测的Ensemble 混沌预测方法. 电力系统及其自动化，2007，31(23)：34-37.-分形-15 蒋正威. 自然分形在负荷预测中的应用. 电网技术，2004，28(24)：29-32.16 薛万磊，于继来. 分形外推插值算法在电力负荷预测中的应用，电网技术，2006，30(13)：50-55.-支持向量机-17 李元诚，方廷健，于尔铿. 短期负荷预测的支持向量机方法研究. 中国电机工程学报，2003

24、，23(6)：55-59.18 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. 中国电机工程学报，2006，26(22)：17-22.19 李元诚，方延健一种基于粗糙集理论的SVM短期负荷预测方法系统工程与电子技术，2004，26（2）：187-19020 牛东晓,谷志红,邢棉, 等. 基于数据挖掘的SVM短期负荷预测方法研究. 中国电机工程学报, 2006,26(18): 6-12.-经验模式分解-21 牛东晓,李媛媛,乞建勋等.基于经验模式分解与因素影响的负荷分析方法.中国电机工程学报,2008,28(6):96-102.22 李媛媛，牛东晓，乞建勋，等. 基于

25、因散经验模式分解的电力负荷混合预测方法.电网技术，2008,32(8):58-62.-数据挖掘-23 张国江，顾讯，陈浩应用软计算和数据挖掘的短期负荷预测，2003，22（2）：1-424 朱六璋. 短期负荷预测的组合数据挖掘算法. 电力系统自动化，2006，30(14)：82-86.25 孙英云，何光宇，翟海青，等一种基于决策树技术的短期负荷预测算法电工电能新技术，2004，23（3）：55-58，7526 贾慧敏，何光宇，方朝雄，等. 用于负荷预测的层次聚类和双向夹逼结合的多层次聚类法.电网技术，2007，31(23)：34-37.27 刘小华，刘沛，张步涵，等逐级均值聚类算法的RBFN模

26、型在负荷预测中的应用中国电机工程学报，2004，24（2）：17-2128 孙雅明，王晨里，张智晟，等. 基于蚁群优化算法的电力系统负荷序列的聚类分析. 中国电机工程学报，2005,25(18):40-45.-相似日-29 莫维仁，张伯明，孙宏斌，等. 短期负荷预测中选择相似日的探讨. 清华大学学报，2004，44(1)：106-109.30 黎灿兵，李晓辉，赵瑞，等. 电力系统短期负荷预测相似日选取算法. 电力系统及其自动化，2008，32(9)：69-73. 31 杨正瓴，田勇，张广涛，等. 相似日短期负荷预测的非线性理论基础与改进. 电网技术，2006,30(6)：63-66.-考虑气象因素-32 康重庆，等. 电力系统负荷预测. 北京：中国电力