《短期电力负荷预测研究的国内外文献综述》4100字

短期电力负荷预测研究的国内外文献综述目录TOC\o"1-2"\h\u32366短期电力负荷预测研究的国内外文献综述 123201.1经典预测方法 110134(1)回归分析法 130638(2)时间序列法 239961.2传统预测方法 219874(1)相似日法 226316（2）卡尔曼滤波法 2131941.3智能化预测方法 23787（1）支持向量机SVM 323051（2）径向基神经网络RBF 315602（3）循环神经网络RNN 429496（4）随机森林RF 527809参考文献 5负荷预测的概念是由电力公司的创造和投资者SamyelInsull在1894年提出的[4]，但是受到科技水平和电力系统规模的限制，负荷预测没有获得大规模发展。随着经济的不断发展和科学技术水平的不断提高，电力负荷一致呈现上升趋势，而负荷预测的理论方法，也得到了不上的提升，取得了不少成果。从预测发展的时间角度去看，短期电力负荷预测方法可以分为三大类：经典预测方法、传统预测方法、智能化预测方法[5-7]。下面将统一介绍：1.1经典预测方法经典预测方法是由传统数学模型完成的。随着时代的发展，这些方法已得到改进，并且可以运用于多个领域。经典预测方法包括回归分析法、时间序列法等。(1)回归分析法回归分析法是根据数据统计原理，在负荷与影响因素（例如温度、湿度、降雨量、日类型因素等）之间建立回归方程，并确定模型参数，据此来推断将来时刻的负荷值[8]。多元回归方法是最常用的方法之一，对于天气、人口、电价、经济等多重影响因素影响下的负荷进行预测具有良好的效果。文献[9]提出了基于偏最小二乘回归分析的短期负荷预测方法，该方法可有效地对输入因素进行成分提取，并且可以消除输入多重因素的共线性，减少样本的输入量，算例表明该方法的预测精度较高。回归分析法优点很突出：原理简单，预测速度快；但缺点同样也十分明显：对原始数据精度要求较高。(2)时间序列法时间序列法是在70年代，Box-Jenkins提出，并随着时间的脚步发展起来的[10]，其基本原理分为两个方面：一是按照时间序列进行推演，推测负荷的发展的趋势；二是充分考虑偶然因素影响，根据历史负荷数据进行推演以获得电力负荷预测值。时间序列法优点如下：一是所需要的数据少，二是计算速度较快，三是能够反映负荷变化的连续性[11]。1.2传统预测方法传统预测方法是提出已久，但至今仍然在广泛使用的方法。传统的短期预测方法以相似日法、卡尔曼滤波法最为流行，到目前为止还在大量使用。(1)相似日法相似日法是根据待测日的某些特征（例如天气、日类型等）寻找与之相似的历史日，根据历史日负荷数据来预测待测日的负荷数据的方法。而如何建立待测日与历史日之间的相似度指标，从而判断历史日是否为相似日该方法的关键问题[12-13]。当前常用的选择相似日的方法主要有灰色关联度法[14-15]、聚类算法[16-19]等。（2）卡尔曼滤波法卡尔曼滤波法，其用于负荷预测的过程为：日负荷=确定分量+随机分类，一阶线性模型直接进行预测确定分量，随机分量（状态变量）是在变量间建立状态空间模型上得到的[20]。卡尔曼滤波法计算过程实际是一个不断“预测-修正”的过程，因此在有着占用内存少，计算速度快等优点,至今仍然被广泛使用[21-22]。1.3智能化预测方法智能化方法包括专家系统法、人工神经网络等。而随着机器学习技术、深度学习技术、大数据技术的不断发展，新的智能化预测方法也随之应运而生。支持向量机（SVM）、径向基神经网络（RBF）、循环神经网络（RNN）、随机森林（RF）等机器学习算法被广泛应用于短期负荷预测中。（1）支持向量机SVM支持向量机(supportvectormachine,SVM)算法是由1963年苏联学者VladimirN.Vapnik和AlexanderY.Lerner提出的，并与1995年正式奠定了SVM相关理论[23]。支持向量机的优点包括：一是能够较好的解决小样本，二是非线性拟合能力强，三具备解决高维度的能力[24。函数模拟、模式识别、数据分类等领域已经广泛运用支持向量机理论[24]。近几年，国内外不少学者将SVM相关理论应用到短期负荷预测中，取得了不错的效果[25-28]。文献[25]提出了一种GOA-SVM短期负荷预测模型，通过与GA-SVM、PSO-SVM负荷预测模型对比，验证了GOA-SVM模型具有较好的预测效果。文献[26]将VHBFO和支持向量机相结合提出了一种新的模型，将微网负荷按照不同波动尺度大小逐级进行分解，得到多组固有模态函数分量均值，各级分量优由模型模型预测得到，最后将分量值进行叠加得到最后的预测值，通过仿真验证了该模型的有效性。文献[27]基于萤火虫算法、支持向量机，将季节性效应集成到短期负荷预测中，提出了一种新的算法，并通过算例验证了该算法的准确性。文献[28]基于相似日与支持向量机（LS-SVM）负荷预测算法，利用细菌趋化改进粒子群算法对支持向量机进行改进，得到了一种新的预测模型，通过算法表明该模型精度高，可行且有效。（2）径向基神经网络RBF径向基神经网络（RBF）是前馈型的神经网络的种类之一，在20世纪80年代由Moody和Darken所提出的[29]，然后在21世纪被逐步的推广使用。RBF神经网络的优点十分突出：一是拟合非线性函数能力强，能拟合十分不规则的曲线，二是模型泛化能力强，能够轻松的学习别的事物，三是收敛速度快，可以很快的达到精度要求。针对系统内难以解析的规律性，RBF网络也表现出很强的处理能力。当前RBF神经网络主要领域很多，主要非线性函数拟合、信息处理、控制和故障诊断等领域。图1.1展示了RBF神经网络拓扑结构，其中主要特点包括：有i个输人节点(分别输入x1,x2,...xi)，n个输出节点(输出y1,y2,...,yn)，P个隐节点(隐节点上讲高斯径向基函数作文激活函数使用)。图1.1RBF神经网络拓扑图当前国内外不少学者热衷使用RBF神经网络进行短期负荷预测[30-32]。文献[30]提出基于RBF-ARX模型的短期电力负荷循环预测法,将短期电力负荷预测归结成非线性时间序列预测问题，根据历史负荷数据来拟合负荷回归曲线（ARX模型），然后用RBF神经网络去拟合ARX模型以获得模型参数，最后得到预测值。文献[31]结合岭回归估计、RBF神经网络，提出了一种新的短期负荷预测模型,运用广义交叉验证法对模型进行评估,寻找最优岭参数,取得了不错的预测效果。文献[32]希腊学者SideratosG在深度学习的框架下提出一种混合神经网络结构,在对径向基函数神经网络（RBFNN）进行训练时采用了三重交叉验证的方法,并使用最佳的三个RBFNN的隐藏层将输入数据转换为四维数据集,并将卷积神经网络（CNN）进行参与到负荷预测中,结果表示该模型的预测精度很好。（3）循环神经网络RNN循环神经网络（RNN）是递归型的神经网络的一种，其特点是按照序列前进方向进行\t"/item/%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"递归操作，并且所有循环单元按链式连接。循环神经网络有很多种，双向循环神经网络（Bi-RNN）和长短期记忆网络（\t"/item/%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"LSTM）使用的最多，也广泛的被用于短期负荷预测中[33-34]。循环神经网络拓计算过程流程如图1.2所示。图中，在序列的i时刻输入xi,经过一个隐藏层，输出一个与之维度相同的Ai，并生成一个输出hi。Ai作为下一个神经网络的输入，然后循环次步骤，直到所有时刻的步骤全部评估完成。图1.2循环神经网络拓扑图国内外不少学者也开始用循环神经网络进行短期负荷预测[35-37]。文献[35]提出了基于Prophet加法模型和长短期记忆网络（LSTM）的组合的短期负荷预测模型，具有不错的预测效果。文献[36]提出一种结合相似日选择、经验模式分解及长-短期记忆神经网络的混合算法进行短期负荷预测，首先采用k-means算法进行相似日选择，然后采用EMD方法将SD负荷分解为多个固有负载模态函数（IMFS）和残差，通过LSTM网络对各个IMF和残差分类分别进行预测，最后将各分量叠加获得预测值。文献[37]针对传统预测方法难以负荷本身变化规律和影响因素进行建模的问题，利用具备时序记忆功能的LSTM构造深度循环神经网络(RNN)，综合考虑历史负荷和各类影响因素建立短期负荷预测模型，并通过算例说明了该方法的有效性。（4）随机森林RF随机森林（RF）是新兴起的，具有广泛应用前景的机器学习算法[38]。随机森林是通过随机生成若干棵不同的决策树，对于分类，通过投票法来获取结果，对于回归，通过取平均值来获取结果。随机森林也被广泛使用于短期负荷预测中[39-40.]。文献[39]将相似日聚类与随机森林算法相结合，并通过北爱尔兰的负荷数据集验证了随机森林具有很好的负荷预测精度。文献[40]提出了一种双层随机森林负荷预测方法，该方法将第一层的训练残差经过分析处理后输入至第二层进行训练，从而提高了模型的预测精度。参考文献[1]HippertHS,PedreiraCE,SouzaRC.Neuralnetworksforshort-termloadforecasting:Areviewandevaluation[J].IEEETransactionsonpowersystems,2001,16(1):44-55.[2]廖旎焕,胡智宏,马莹莹,卢王允.电力系统短期负荷预测方法综述[J].电力系统保护与控制,2011,39(01):147-152.[3]夏博,杨超,李冲.电力系统短期负荷预测方法研究综述[J].电力大数据,2018,21(07):22-28.[4]GrossG,GalianaFD.Short-termloadforecasting[J].ProceedingsoftheIEEE,1987,75(12):1558-1573.[5]张彦宇,肖茜.国内外关于电力系统负荷预测的研究现状分析[J].山东工业技术,2016(11):215+208.[6]CheepatiKR,PrasadTN.Performancecomparisonofshorttermloadforecastingtechniques[J].Int.J.GridDistrib.Comput,2016,9(4):287-302.[7]KimKH,YounHS,KangYC.Short-termloadforecastingforspecialdaysinanomalousloadconditionsusingneuralnetworksandfuzzyinferencemethod[J].IEEETransactionsonPowerSystems,2000,15(2):559-565.[8]张伏生,汪鸿,韩悌,孙晓强,张振宇,曹进.基于偏最小二乘回归分析的短期负荷预测[J].电网技术,2003(03):36-40.[9]李钷,李敏,刘涤尘.基于改进回归法的电力负荷预测[J].电网技术,2006(01):99-104.[10]MoghramI,RahmanS.Analysisandevaluationoffiveshort-termloadforecastingtechniques[J].IEEETranscationsPowerSystems.1989,4(4):0-1491.[11]雷绍兰,孙才新,周湶,张晓星.电力短期负荷的多变量时间序列线性回归预测方法研究[J].中国电机工程学报,2006(02):25-29.[12]莫维仁,张伯明,孙宏斌,胡子珩.短期负荷预测中选择相似日的探讨[J].清华大学学报(自然科学版),2004(01):106-109.[13]黎灿兵,李晓辉,赵瑞,李金龙,刘晓光.电力短期负荷预测相似日选取算法[J].电力系统自动化,2008(09):69-73.[14]廖峰,刘清良,贺辉,程义明,徐聪颖,姚建刚.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,2011,35(10):183-188.[15]张海涛,李文娟,向春勇,王家华,刘丽新.基于气温累积效应和灰色关联度的短期负荷预测研究[J].电气自动化,2019,41(03):52-55.[16]张平,潘学萍,薛文超.基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测[J].电力自动化设备,2012,32(11):121-125+141.[17]嵇灵,牛东晓,汪鹏.基于相似日聚类和贝叶斯神经网络的光伏发电功率预测研究[J].中国管理科学,2015,23(03):118-122.[18]VenkateshK,RaviV,PrinzieA,etal.CashdemandforecastinginATMsbyclusteringandneuralnetworks[J].EuropeanJournalofOperationalResearch,2014,232(2):383-392.[19]WuW,PengM.Adataminingapproachcombining$k$-meansclusteringwithbaggingneuralnetworkforshort-termwindpowerforecasting[J].IEEEInternetofThingsJournal,2017,4(4):979-986.[20]马静波,杨洪耕.自适应卡尔曼滤波在电力系统短期负荷预测中的应用[J].电网技术,2005(01):75-79.[21]刘鑫,滕欢,宫毓斌,滕德云.基于改进卡尔曼滤波算法的短期负荷预测[J].电测与仪表,2019,56(03):42-46.[22]陈培垠,方彦军.基于卡尔曼滤波预测节假日逐点增长率的电力系统短期负荷预测[J].武汉大学学报(工学版),2020,53(02):139-