国网山西省电力公司阳泉供电公司 山西省阳泉市 045000
摘要：随着经济和科技水平的提高，生产和消费水平的提高，用电设备和用电质量的要求引起了电网公司以及电力工作者们的高度重视。电力负荷预测作为对负荷变化的预先估计和推算，有效的预测能够参与对电力网进行实时调度和运行规划，提前增大或减小供电，减少电网运输中不必要的损失，从而提高经济效益。过去我们往往着重研究发电一侧的工作效益，近年来，随着电网管理的智能化以及基础用电设施建设的逐步完善，如何有效和提高用户侧的管理效益变得越来越重要，因此，对短期电力负荷预测研究成为智能运行和管理电网的重要研究课题。
关键词：负荷预测；数学模型预测；人工智能分析预测
引言
电力负荷短期预测在发电计划、调度制定与安全评价中起着重要的作用。杂交方法可降低单一预测方法的风险，能有效提高预测准确性。为了降低噪声干扰与提升预测性能，提出的杂交模型更容易获得权重参数，预测结果具有更高的准确性和可靠性。
1负荷聚类分析
对于电力负荷的预测工作而言，比较常见于电力负荷的中长期预测环境，对于短期预测，其结果常常会缺乏代表性，因此对应的研究，也多聚集在中长期预测研究领域。而对电力负荷进行考察，可以发现其受到的影响因素众多，即便是系统动力学这样的工具，也会因为系统边界难以有效确定，而导致预测结果精准程度存在争议。但是从根本上看，对于电力负荷的预测，归根结底是不同特征的负荷进行叠加的结果，即便是不同成因而产生的电力需求负荷，也有可能会存在相似的表现结果。例如不同的工业类型，都会在白天存在需求，虽然不同的行业特征，决定了这种电力需求总量会有所差异。又比如农副业更多倾向于产生全天候或者夜间的电力负荷，虽然给植物供暖和给动物照明的需求，在成因上相去甚远，但是最终的表现结果仍然相似。因此从这个角度看，如果将经济和政策等因素都纳入到电力负荷的预测，那就不仅仅是对于区域内电力需求的预测，而成了区域内经济以及各方面发展的预测。由此可见，盲目的扩大系统边界，只会增加系统的运算量，降低其工作效率，对于加强电力负荷预测工作质量水平，益处相对有限。针对此种情况，在展开基于大数据的电力负荷预测工作时，可以考虑选用聚类分析的方法展开工作。
2负荷预测方法
2.1支持向量机方法（SVM）
支持向量机是与神经网络法一样考虑相关因素的一种预测方法，但该方法又和神经网络法不同。该方法是通过寻求结果风险最小化来实现实际风险最小化，使得在小样本事件中也能获得比较好的预测效果，同时，克服了神经网络方法在泛化性能不强；隐层数目难以确定和容易陷入局部最优的缺点。SVM通过在一些实际负荷预测例子应用中表现出的良好学习能力，使得其在负荷预测中得到了极大关注。随着研究的不断深入，上文提到负荷预测方法都有着其各自不同程度的缺点。如何更好的提高运行速度，同时又能有效地提高预测的精度，成了近年来研究的重点。对此，在负荷预测中结合各种相似日选取方法的单一方法的改进模型和综合预测模型受到了各方的重视：提出了一种交替梯度算法对于径向基函数（ＲBF）改进的短期负荷预测方法；利用寻找相似日的PSO－SVM短期负荷预测；利用相似日权重来克服相同权重下导致的平滑效应对拐点负荷影响的扩展短期负荷预测；利用SVM模型、BP模型、小波分析模型和基于同类型日的预测模型四种模型相结合的综合模型等。通过研究和验证，这一系列的模型都有着较好的研究前景。
2.2自回归移动平均模型（ARMA）
为了提高所构建模型对数据拟合的精度与灵活程度，我们将模型进行分解，其中一部分用以拟合其中的自回归数据，另外一部分则用以描述其中的移动平均模型，按照这样的思路，我们有了模型的综合体，即自回归-移动平均模型。观察式（9）可知，若（）Bϕ与（）Bθ不可因式分解同时（）Bϕ符合平衡性要求，（）Bθ符合可逆性限定的要求，用ARMA（p，q）表示。在此模型结构中，（p，q）均代表模型的阶数；1，，pϕϕK，1，，qθθK为均为常量。ARMA（p，q）在理解时可以将其视为AR（p）和MA（q）的综合体，因此同时具有上述两种模型的数学特征与优势，在形式上可以解决一些复杂问题。
2.3模型群优选组合的负荷预测技术
优选组合通常情况当中是包括了二种含义，第一种就是把所有关于电力负荷预测技术的方法以及结果进行综合加权平均进行预测；第二种方法就是采取集中不同的预测方法进行选择，然后从中选择最优的模型来进行测试。所以就可以得知优选组合方法有着很多方式，在实际使用过程当中，综合表现比较好的还是属于模型群方法，这种方法有着很好的适应能力，同时还不会漏掉最优的预测模型，也就从一定程度上提高了预测的准确性以及预测效果，这种方法具体操作流程是，首先需要选择n个预测模型以及相互对应的n个预测结果，然后进行标准偏差的判断以及误差指标等等来对于n个模型的好坏进行评估，最后就会得出一个最好的模型，再利用这个模型进行电力负荷预测，这种方法有着很多好处，同时还能够实现改善预测效果的目的。
2.4回归分析法
回归分析法思想是：根据历史负荷数据，建立模型，通过回归分析法，对历史数据进行分析归纳，从而确定变量间关系，按照这一关系预测未来的值。在回归分析中，由于受到负荷的不确定性和多样性因素影响，在某些情况下该方法受到限制。在负荷预测发展的第一阶段中，预测时将历史负荷当作了“纯粹”的数据看待，通过对数据构建数学模型和参数来拟合曲线。这就导致了对于电力负荷的预测往往忽略了其内在规律性和负荷的受影响因素，使得对于负荷的预测上误差偏大，预测效果不理想。
2.5基于神经网络的负荷预测技术
神经网络技术应用在目前的电力负荷预测技术当中，是仿照了人类大脑的模式，人脑拥有智能化处理多种信息的特点，并且还拥有者很强的自主学习能力和适应能力，所以在电力负荷预测技术中使用这种技术具有着很大的潜力，也是未来电力负荷预测技术的趋势所在。在实际的应用情况当中，一个多层神经网络一般都是分成三层，分别是输入层、输出层以及中间层，这里列举以BP神经网络作为例子来进行阐述，这种神经网络是采取了训练样本的方式，从而能够实现输入到输出的映射工作，在此过程当中可以学习调节算法，将各个神经元进行调节，从而能使得误差最小化。在实际的负荷预测过程当中，短期内的负荷变化数值是可以忽略的，可以认为这是一个平稳的发展过程，同时这个数值也是随机产生的，神经网络和这种随机截然不同，神经网络能够精准地测算出短期的负荷变化，所以也就更加适合在这个场景当中，并且有着很大的优势以及发展前景。
结语
如何展开有序有效的电力负荷预测，是该领域共同面对的重要问题。虽然目前已经取得了诸多成绩，包括聚类计算以及神经网络等算法层出不穷，为相关的负荷预测提供了有力支持，但是预测本身的精确程度，以及预测的效率，仍然存在提升空间。实际工作中唯有加强学习，并且发现电力负荷环境中的数据特征，才能展开对于算法的更为有效的优化，提升其预测效率。
参考文献：
[1]贺远，翟丹丹，苏贵敏.基于PCA与改进BP神经网络相结合的电网中长期负荷预测[J].电力大数据，2019（5）：74-80.
[2]李志恒，孙冉，张建立，等.基于改进BP神经网络的中长期电力负荷预测算法设计[J].自动化与仪器仪表，2017（10）：23-25+28.