基于改进随机森林算法的电力系统短期负荷预测模型
负荷预测方法一
1、单耗法 这个方法是根据预测期的产品产量（或产值）和用电单耗计算需要的用电量，即 A h ＝∑=n i 1Q i U i 式中 A h —某行业预测期的需电量； U i —各种产品（产值）用电单耗； Q i —各种产品产量（或产值）。 当分别算出各行业的需用电量之后，把它们相加，就可以得到全部行业的需用电量。这个方法适用于工业比重大的系统。对于中近期负荷预测（中期负荷预测的前5年），此时，用户已有生产或建设计划，根据我国的多年经验，用单耗法是有效的。 在已知某规划年的需电量后，可用年最大负荷利用小时数来预测年最大负荷，即 P n·max =T A n m ax 式中 P n·max —年最大负荷（MW ）； A n —年需用电量（k W·h ）； T max —年最大负荷利用小时数（h ）。 各电力系统的年最大负荷利用小时数，可根据历史统计资料及今后用电结构变化情况分析确定。 单耗法分产品单耗法和产值单耗法。采用单耗法预测负荷的关键是确定适当的产品单耗或产值单耗。 单耗法可用于计算工业用户的负荷预测。 单耗法可根据第一、第二、第三产业单位用电量创造的经济价值，从预测经济指标推算用电需求量，加上居民生活用电量，构成全社会用电量。预测时，通过对过去的单位产值耗电量(以下简称“单耗”) 进行统计分析，并结合产业结构调整，找出一定的规律，预测规划第一、第二、第三产业的综合单耗，然后根据国民经济和社会发展规划指标，按单耗进行预测。单耗法需要做大量细致的统计、分析工作，近期预测效果较佳。 单耗法的优点是方法简单，对短期负荷预测效果较好。缺点是需做大量细致的调研工作，比较笼统，很难反映现代经济、政治、气候等条件的影响。
电力负荷预测方法
1.负荷预测分类和基础数据处理 1.1负荷预测及其分类 1.1.1负荷预测概念 负荷预测是根据负荷的历史数据及其相关影响因素，分析负荷的变化规律，综合考虑影响负荷变化的原因，使用一定的预测模型和方法，以未来经济形势、社会发展、气候条件、气象因素等预测结果为依据，估计未来某时段的负荷数值过程。 1.1.2负荷预测的分类 按照预测方法的参考体系，工程上的负荷预测方法可分为确定性预测方法、不确定预测方法、空间负荷预测法。 确定性：把电力负荷预测用一个或一组方程来描述，电力负荷与变量之间有明确的一一对应关系。 不确定性：实际电力负荷发展变化规律非常复杂，受到很多因素影响，这种影响关系是一种对应和相关关系，不能用简单的显示数学方程描述，为解决这一问题，产生了一类基于类比对应等关系进行推测预测负荷的不度额定预测方法。 空间负荷预测：确定和不确定负荷预测是对负荷总量的预测。空间负荷预测是对负荷空间分布的预测，揭示负荷的地理分布情况。
1.2负荷预测的基础数据处理 1.2.1负荷预测的基础数据 基础数据大致包括四类，分别为：①负荷数据（系统、区域、母线、行业、大用户的历史数据；负荷控制数据；系统、区域、大用户等的最大利用小时数；发电厂厂用电率和网损率。）②气象数据（整点天气预报；整点气象要素资料；年度气温、降水等气象材料。）③经济数据和人口（区域产业GDP；城乡可支配收入；大用户产量、产值和单耗；电价结构和电价政策调整；城乡人口。）④其他时间（特殊时间如大型会议、自然灾害；行政区域调整） 1.2.2数据处理 为获得较好的预测效果，用于预测数据的合理性得到充分保证，因此需要对历史数据进行合理性分析，去伪存真。最基本要求是：排除由于人为因素带来的错误以及由于统计口径不同带来的误差。另外，尽量减少异常数据（历史上突发事件或由于某些特殊原因会对统计数据带来宠大影响）带来的不良影响。常见的数据处理方法有：数据不全、数据集成、数据变换和数据规约等。 2.确定性负荷预测方法 2.1经验技术预测方法 2.1.1专家预测法 专家预测发分为专家会议发和专家小组法。会议发通过召集专家开会，面对
电力系统短期负荷预测方法综述
电力系统短期负荷预测方法综述 本文主要是针对电力系统的短期负荷预测的概念和意义 进行综述，就短期负荷预测的一些特点及其影响预测精度的各方面原因进行总体的分析。在目前的预测方法里，主要有经典的预测方法和传统的预测方法以及智能预测方法和预测新方法。从这些预测方法入手进行综合的应用原理分析，比较其不同预测方法的优点及不足的地方。并且提出了短期负荷预测的精度提升了，不仅在历史的数据上重视了其积累，还应重视在预测的模型选择上要合适，综合型预测模型在未来电力负荷预测方法的必然性。 标签：电力系统短期负荷预测 电力负荷预测在能量的管理系统组成中是极为重要的部分，而短期电力负荷预测则是对几个小时后或是一天、几天的电力负荷值上进行预报。短期电力负荷预测不仅在电力系统安全以及经济的运作下提供了相关保障，还为市场的环境编排高度计划等打下了基础。不过在这个电力生产与消费的日趋市场化下，针对负荷预测的准确及可靠性上也有了更为高的要求，而且就电力系统管理与运行来讲其负荷预测逐渐成为了一个主要的研究领域。预测精度是决定短期负荷预测的作用大小的，所以在短期负荷预测方法研究的重点上是如何对预测精度进行提高。虽然短期负荷预测的研究历史已經很长远了，国内外的学者也对其在方法还有理论方面对于预测模型进行研究工作。当短期负荷出现因素太多的情况下，从而限制了预测方法的范围以及精度。下文针对短期的预测方法展开一个综合性的探析。在研究未来发展方向的同时也为实际情况下短期负荷的预测提供了一个基础。 1 基于短期负荷的预测特点 对于短期电力负荷来讲其预测便是基于在电力负荷以及相关的历史数据对模型进行全面的建立，从而使得新世纪型的电力负荷更具备科学性和全面性。对于短期负荷所面临的事件不确定性以及其随机性，包含了各种特点：①在预测的结果上其短期的负荷存在着一定的不确定性。②不同的负荷预测方法存在相应的条件性。③短期负荷预测在时间上各有不同。④预测的结果包含多方案性。 短期负荷预测精度的影响因素：①以往历史数据。②自然天气情况。③其日期类型。④负荷预测模型。⑤相关社会事件等。 2 简述短期负荷预测方法 短期负荷由于受到来自不同方向的因素影响，面临时间序列问题上其随机的过程表现的很不平稳，就算面临的影响因素包罗万象，不过在这些因素中都存在一个特点那就是有规律性。能够为实际预测打下基础，其短期负荷预测的方法大致分为四类。
电力系统负荷预测
摘要 负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。讨论了年度负荷预测、月度负荷预测和短期负荷预测的特点、成熟 方法，分析了负荷预测问题的各种解决方案，并指出未来的主要研 究方向。根据国内电力系统负荷预测的实践和国外的经验，对我国 开展电力系统负荷预测工作提出了一些建议。 关键词：电力系统；负荷预测；模型；参数辨识 第一章引言 负荷预测是从已知的用电需求出发，考虑政治、经济、气候等相关因素，对未来的用电需求做出的预测。负荷预测包括两方面的含义：对未来需求量(功率)的预测和未来用电量(能量)的预测。电力 需求量的预测决定发电、输电、配电系统新增容量的大小；电能预 测决定发电设备的类型(如调峰机组、基荷机组等)。 负荷预测的目的就是提供负荷发展状况及水平，同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平，确定各规划年用电负荷构成。 第二章负荷预测的方法及特点 电力系统负荷预测的原理 通常来说预测电力系统负荷最直接最有效的方法是建立一个负 荷模型，该模型有两层含义：一是负荷的时空特性，二是负荷电压和频率特性。对于负荷的时空特性指的是随着时间与空间的不同分布，负荷的分布也会不同。这种负荷模型往往是比较复杂的，研究人员通常是采用负荷时间曲线来描述这种特性。这样负荷曲线以时间为依据，就可以分为日负荷、周负荷、季负荷以及年负荷；如果换成以时空角度为划分依据，则此曲钱又可分为系统、节点和用户三种负荷曲线；若按照负荷的性质来分，负荷曲线又可以分为工业、农业、市政以及生活负荷等。 在一般的安全运行的过程中，负荷模型指的就是未来时空特性，因此也可以将此作为负荷预测模型。通常负荷预测模型包含的内容是非常广泛的，在运行的过程中不仅能进行短期或者实时的负荷预测，还能在规划电力系统时做长期的预测。负荷的预测通常采用的是概率统计，有效地分析工具即为时间序列分析，由于是预测未来的负荷，所以会存在或多或少误差。对于未来负荷预测误差所产生的原因主要是一些不确定的因素与负荷变化的规律不一致，如某些自然灾害可能会导致停电，这样负荷曲线就会在事故时段出现一些突变。此时就不能依靠负荷预测模型所得出得结果了，因为有人的干预。但是也不能因为有不确定因素的存在就全盘否定负荷预测模型计算得出的结果，大多数情况下还是比较准确的。
随机森林
学习算法 根据下列算法而建造每棵树： 1. 用N 来表示训练例子的个数，M表示变量的数目。 2. 我们会被告知一个数m ，被用来决定当在一个节点上做决定时，会使用到多少个变量。m应小于M 3. 从N个训练案例中以可重复取样的方式，取样N次，形成一组训练集（即bootstrap取样）。并使用这棵树来对剩余预测其类别，并评估其误差。 4. 对于每一个节点，随机选择m个基于此点上的变量。根据这m 个变量，计算其最佳的分割方式。 5. 每棵树都会完整成长而不会剪枝（Pruning）（这有可能在建完一棵正常树状分类器后会被采用）。 优点 随机森林的优点有： 1. 对于很多种资料，它可以产生高准确度的分类器。 2. 它可以处理大量的输入变量。 3. 它可以在决定类别时，评估变量的重要性。 4. 在建造森林时，它可以在内部对于一般化后的误差产生不偏差的估计。 5. 它包含一个好方法可以估计遗失的资料，并且，如果有很大一部分的资料遗失，仍可以维持准确度。 6. 它提供一个实验方法，可以去侦测variable interactions 。 7. 对于不平衡的分类资料集来说，它可以平衡误差。 8. 它计算各例中的亲近度，对于数据挖掘、侦测偏离者（outlier）和将资料视觉化非常有用。 9. 使用上述。它可被延伸应用在未标记的资料上，这类资料通常是使用非监督式聚类。也可侦测偏离者和观看资料。 10. 学习过程是很快速的。 缺点 1. 随机森林已经被证明在某些噪音较大的分类或回归问题上会过拟 2. 对于有不同级别的属性的数据，级别划分较多的属性会对随机森林产生更大的影响，所以随机森林在这种数据上产出的属性权值是不可信的。
浅谈电力系统短期负荷预测
龙源期刊网 https://www.360docs.net/doc/5f8173795.html, 浅谈电力系统短期负荷预测 作者：李家龙王蒙谷心洋 来源：《中国科技纵横》2017年第03期 摘要：研究了气象因素（温度、湿度、降雨量等）对电力系统负荷的具体影响，结果表明：温度对预测结果影响最大。建立了指数平滑模型、动态神经网络模型对电力系统短期负荷进行预测，对两种预测模型的优缺点进行了比较。结果表明：三次指数平滑能很好的预测短期负荷的发展趋势，而动态神经网络模型有更高预测结果精度。最后通过算例进行了说明。 关键词：电力系统；负荷预测；气象因素；预测模型 中图分类号：TM715 文献标识码：A 文章编号：1671-2064（2017）03-0171-02 1引言 电力系统短期负荷预测，在国内都有相关的研究，如文献[1]构建了一种基于统计分析的 负荷规律性评价方法。在此基础上，建立了预估负荷预报误差极限的分析方法。运用所提出的方法对负荷变化的规律性进行评价。文献[2]利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测、日预测模型，文献[3]从不同角度对气象因素对电网负荷影响进行了深入的分析，介绍了 国内外的研究现状，提出了气象因素对短期负荷预测影响分析的思路、方法和意义，讨论了常用电力负荷特性的分析方法，文献[4]短期负荷预测的“双周期加混沌”法是基于负荷记录数学性质的预测方法.为了进一步提高其预测精度而提出的三项改进。 以上研究都没有深入研究气象因素对短期负荷预测的具体影响，给出较为直观的数字；研究表明，气象因素是影响短期负荷的主要因素，温度、风速、降雨量、等都对负荷产生一定程度的影响。气温是对负荷影响最大的气象因素。故各气象因素与负荷之间存在一定的相关性。本文讨论了象因素对短期负荷预测的具体影响，建立三次指数平滑模型和动态神经网络模型对负荷进行预测。 2 问题描述 短期负荷预测是电力系统运行与分析的基础，提高负荷预测精度，是保障电力系统优化决策科学性的重要手段。现代电力系统中，气象因素（温度、湿度、降雨量等）对电力系统负荷的影响愈显突出。考虑气象因素成为调度中心进一步改进负荷预测精度的主要手段之一。 符号说明： 最近几天t时刻的负荷平均值
电力系统短期负荷预测方法研究综述
电力系统短期负荷预测方法研究综述 发表时间：2018-12-25T16:14:08.417Z 来源：《电力设备》2018年第23期作者：尹强 [导读] 摘要：随着电力工业发展的不断市场化，在与社会经济效益息息相关的当下，系统负荷预测在电力行业中扮演着愈加重要的角色。 （国网四川省电力公司攀枝花供电公司四川攀枝花 617000） 摘要：随着电力工业发展的不断市场化，在与社会经济效益息息相关的当下，系统负荷预测在电力行业中扮演着愈加重要的角色。而按照预测时间的长短，可将负荷预测模式分为长期，中期，短期和超短期。其中，短期负荷预测是电力系统稳定经济运行的基础，其预测结果将直接影响着电力系统控制过程的优良。因此关于短期负荷预测的精确性已逐步发展成为电力系统自动化领域中的一项重要研究课题。 关键词：电力系统；短期负荷；预测方法 一、负荷数据预处理 历史负荷数据由于多种原因可能会造成部分数据的丢失或者数据异常，异常的历史负荷数据会对短期负荷预测结果造成很大的影响。因此，想要提高短期负荷预测结果的精确度，在进行预测前，需对负荷数据进行预处理。传统的数据预处理方法包括插值法和纵向比较法等，为了提高预测的精确度又提出了双向比较法、滤波法、切比雪夫不等式法等多种数据预处理新方法。文献提出了用Savitzky-Golay平滑滤波器去处理历史负荷数据，与其它平均方法相比，本方法保留了原始数据的分布特性。文献利用粗糙集理论的属性，在保证历史负荷和气象因数等属性的情况下，推导出的预测负荷值满足一定的精确度，剔除属性集中的冗余信息，简化了判断规则，并利用遗传算法的全局搜索能力，挖掘得到相对预测量的最小约简属性集作为预测模型的输入变量。 二、短期电力负荷预测 短期电力负荷预测的特点。电力负荷预测是根据电力负荷和其影响因素的历史数据，结合实际情况建立相关的模型，对未来用电负荷量进行科学预测。短期负荷更是具有以下明显的特点：预测结果的不确定性和随机性；由于各类负荷预测都是在特定的环境和具体的条件下进行的，因此其具有条件性；短期负荷预测在时间上都有一定的限制，所以具有时间性；由于预测结果的不准确性和条件性，加上外部因素的不确定性，因此预测结果具有多方案性。 影响电力负荷预测精度的因素。在电力系统负荷预测的过程中，预测精度是最具有影响力的一个指标。过预测或欠预测均会对系统生产运行配送造成较为严重的后果。影响负荷的因素有很多，首要便是天气因素。而作为可估计的随机事件，气象预报本身不准确又会形成双重误差。再者，我国人口数量众多，贫富差距较大，因此随机负荷部分并非平稳的随机序列，反而有较大的不确定性。另外，一些特殊事件的随机发生也会使反映负荷的周期曲线产生较大的波动，使实际数据与影响因素之间的关系样本数难以确定。 三、智能预测方法 （一）专家系统法 专家系统法是根据某一领域的专家知识和专家经验建立的一个计算机系统，并且该系统能够运用这些知识和经验对未来进行合理的预测。知识库、推理机、知识获取部分和解释部分是一个完整专家系统的主要组成部分。通过该系统，运行人员能够识别预测日的类型，考虑天气对负荷预测的影响。专家系统法的优点是能够综合考虑多个影响因素，由于是一个计算机系统，该系统具有较好的透明性和交互性，对所得出的结论，能解释其依据，便于运行人员检查和修改，而且预测结果的精确度很高，能很好的反映负荷实际情况。不足之处就是需要大量的历史负荷数据，而数据量增多会导致运算速度慢；同时该算法不具有自主学习能力和利用模糊知识处理相关问题的能力；并且该算法拥有很强的规则性，而规则本身不具有普遍适应性，所以该预测方法不具备普遍适用性。 （二）人工神经网络法 人工神经网络是模仿人脑神经网络进行学习和处理问题的非线性系统。它由若干个具有并行运算功能的神经元节点及连接它们的相应的权值构成，通过激励函数实现输入变量到输出变量之间的非线性映射。用历史负荷作为训练样本去建立适宜的网络结构，当训练的网络结构达到预测要求后，就用此网络作为负荷预测的预测模型。人工神经网络的优点是对预测模型的要求不高，对高度非线性对象非常适用，具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，拥有的特点是其它算法所不具备的。不足之处是有很慢的学习收敛速度，也有可能结果收敛到局部最小点，并且没有很好的知识表达能力，对调度人员经验中存在的模糊知识没有得到充分的利用，依据主观经验确定网络层数和神经元个数。把人工神经网络方法运用于风电功率短期预测中，以数值天气预报为基础，拥有良好的人机交互界面，与能量管理系统实现了完美的连接，预测结果拥有良好的精确度。组合的预测方法，把人工神经网络法和经验模式分解相结合，用经验模式分解的自适应性，分别对各个分量进行分析，准确的把握负荷变化特性和环境因素影响，最后采用与分量相匹配的人工神经网络法进行预测。用人工神经网络去预测负荷模型的方法，用人工神经网络对最大、最小负荷时刻的负荷模型参数进行预测，分析了负荷模型与预测结果之间的灵敏度，以便了解它们之间的影响程度，去寻找提高精确度的方法。 四、支持向量机 支持向量机与神经网络类似，都是学习型的机制，但与神经网络不同，SVM使用的是数学方法和优化技术。其中支持向量是指那些在间隔区边缘的训练样本点，该方法给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。应用SVM进行电力系统负荷预测具有精度高、速度快等优点，不足之处在于存贮需求量大，编程困难，实际应用较难。 五、灰色模型法 灰色模型法是一种针对含有未知且不确定因素的系统进行预测的方法。通过对部分已知信息的开发，生成并提取有用信息，从而对系统运行行为和其演化规律进行正确且有效的描述和监控。该方法可在数据缺失的情况下找出某个时间段内数据变化的规律，以此建立负荷预测模型。灰色模型法分为普通灰色系统模型和最优化灰色模型两种。普通灰色预测模型是一种指数增长模型，当电力负荷严格按指数规律持续增长时，此方法的优势得以凸显———其预测精度高、所需样本少、人工耗时短且计算量小，所得预测结果还可以进行检验。缺点是对于具有波动性较大的电力负荷预测误差较大，因此并不适用于实际情况。但最优化灰色模型可以把波动幅度较大的原始数据序列变换成规律性较强的成指数递增变化的序列，以此来适应灰色模型法所需条件，大大增加了适用范围和预测精度。灰色模型法能很好的适用于
电力负荷预测方法
1.负荷预测分类和基础数据处理 负荷预测及其分类 负荷预测概念 负荷预测是根据负荷的历史数据及其相关影响因素，分析负荷的变化规律，综合考虑影响负荷变化的原因，使用一定的预测模型和方法，以未来经济形势、社会发展、气候条件、气象因素等预测结果为依据，估计未来某时段的负荷数值过程。 负荷预测的分类 按照预测方法的参考体系，工程上的负荷预测方法可分为确定性预测方法、不确定预测方法、空间负荷预测法。 确定性：把电力负荷预测用一个或一组方程来描述，电力负荷与变量之间有明确的一一对应关系。 不确定性：实际电力负荷发展变化规律非常复杂，受到很多因素影响，这种影响关系是一种对应和相关关系，不能用简单的显示数学方程描述，为解决这一问题，产生了一类基于类比对应等关系进行推测预测负荷的不度额定预测方法。 空间负荷预测：确定和不确定负荷预测是对负荷总量的预测。空间负荷预测是对负荷空间分布的预测，揭示负荷的地理分布情况。 负荷预测的基础数据处理 负荷预测的基础数据 基础数据大致包括四类，分别为：①负荷数据（系统、区域、母线、行业、大用户的历史数据；负荷控制数据；系统、区域、大用户等的最大利用小时数；发电厂厂用电率和网损率。）②气象数据（整点天气预报；整点气象要素资料；年度气温、降水等气象材料。）③经济数据和人口（区域产业GDP；城乡可支配收入；大用户产量、产值和单耗；电价结构和电价政策调整；城乡人口。）④其他时间（特殊时间如大型会议、自然灾害；行政区域调整）
数据处理 为获得较好的预测效果，用于预测数据的合理性得到充分保证，因此需要对历史数据进行合理性分析，去伪存真。最基本要求是：排除由于人为因素带来的错误以及由于统计口径不同带来的误差。另外，尽量减少异常数据（历史上突发事件或由于某些特殊原因会对统计数据带来宠大影响）带来的不良影响。常见的数据处理方法有：数据不全、数据集成、数据变换和数据规约等。 2.确定性负荷预测方法 经验技术预测方法 专家预测法 专家预测发分为专家会议发和专家小组法。会议发通过召集专家开会，面对面讨论问题，每个专家充分发表意见，并听取其他专家意见。小组法以书面形式独立发表个人见解，专家之间相互保密，最后综合给出预测结果。 类比法 类比法是将类似失误进行分析对比，通过已知事物对未知事物做出预测。例如选取国内外类似城市或地区为类比对象，参考该对象的发展轨迹对本地区作出预测。 主观概率发 请若干专家来估计某特定时间发生的主观概率，然后综合得出该时间的概率。 经典技术预测方法 单耗法 通过某一工业产品的平均单位产皮用电量以及该产品的产量，得到生产这种产品的总用电量。 用电量A=国民生产总之或工农业总产值b*产值单耗g
浅析电力系统负荷预测方法
浅析电力系统负荷预测方法 发表时间：2017-10-18T18:11:03.780Z 来源：《电力设备》2017年第15期作者：梅宇1 杨畅1 徐明虎2 陈斯斯1 王硕1 [导读] 摘要：电力工业是国家在能源领域的重大基础行业，电力是国民经济的命脉，经济要发展，电力是先行，电力对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，现代文明社会已经处处离不开电力供应。 （1.国网辽宁省电力有限公司检修分公司辽宁锦州 121013；2.国网辽宁省电力有限公司技能培训中心辽宁锦州 121000）摘要：电力工业是国家在能源领域的重大基础行业，电力是国民经济的命脉，经济要发展，电力是先行，电力对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，现代文明社会已经处处离不开电力供应。负荷预测是目标网架规划的基础，提高负荷预测准确率，对电网发展的具有十分重要的意义。 关键词：负荷预测；电力系统；方法探讨 引言 电力工业是国家在能源领域的重大基础行业，电力是国民经济的命脉，经济要发展，电力是先行，电力对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，现代文明社会已经处处离不开电力供应。目标网架是城市电网规划的基础，确定电网发展的方向和目标，是近期规划和中长期规划的重要依据。为了提高电网规划方案的可行性，必须将城市电网目标网架规划纳入城市整体规划。负荷预测是目标网架规划的基础，提高负荷预测准确率，对电网发展的具有十分重要的意义。 一、电力系统负荷预测的特点 1、电力系统中的负荷一般分为城市的民用负荷、商业的负荷、农村的负荷、工业的负荷和其他的负荷等，不同类型的电力系统负荷会具有不同特点及规律。城市的民用负荷大多来自城市的居民家用电器的用电负荷，它有年年不断增长的趋势，并且随着季节的变化而变化，但民用的负荷还是和居民日常的生活及工作规律相关较为紧密。 2、商业的负荷，主要是指商业用电中的用电负荷，它覆盖的面积大，而且用电量增加的速度的平稳，商业的负荷同样也具有根据季节变化的波动特性。即使它在电力的负荷中占的比重不如工业负荷及民用负荷，但是商业负荷中的照明类的负荷占用了电力系统用电高峰时段。除此以外，商业部门因为商业行为会在节假日里会增加营业时间，因此成为节假日里影响电力负荷重要的因素之一。 工业负荷是指用在工业生产的用电负荷，一般的工业负荷比重在用电负荷里构成中居于第一位，它不仅仅由工业里负荷端的使用情况决定（也包括负荷的利用情况、企业工作班制度等），而且它和各个行业的特性及季节里的因素都有非常密切的联系，一般的负荷还是比较稳定的。 3、农村的负荷是指农村里居民用电及农业里生产的用电。这类负荷和工业里的负荷相比较，受到季节等其他自然环境的影响非常大，它是由于农业生产特点来定性的，农业的用电负荷同时也受到农产品的品种、耕种特点的影响，但是就电网系统而言，因为农业的用电负荷的集中时间和城市的工业的负荷使用高峰时间有很大差别，所以对于提高电网的负荷率很有好处。 从以上的分析可以发现电力的负荷特点是常常变化的，不仅按照小时变化、按日变化，而且还按周变化，按年变化，同时电力负荷又是以小时作为基本单位不断发生变化的，它具有很大的周期性，负荷的变化是个连续发展变化的过程，在正常的情况下，它不会产生大的跳跃，但是电力的负荷对于季节等因素是十分敏感的，在不同的季节，不同的地区的气候和温度的变化都将会对电力负荷造成十分重要的影响。 4、负荷预测目的是根据电力负荷的发展状况和水平，同时也确定各个供电公司计划的年供用总值，供用最大的电力负荷与规划的地区的总共负荷的发展水平，是由各规划的年用电负荷构成。它将为经济合理准确地安排各个电网内部的机组启停和检修，保持电网的运行安全和稳定性，电网发展的速度，电力的建设规模，电力工业的布局，能源资源的平衡，电力余缺的调剂和电网的资金以及人力资源需求和平衡等各个方面提供十分可靠的依据。 二、负荷预测的方法及特点 1、单耗法 按照国家安排的产品产量、产值计划和用电单耗确定需电量。单耗法分"产品单耗法"和"产值单耗法"两种。采用"单耗法"预测负荷前的关键是确定适当的产品单耗或产值单耗。从我国的实际情况来看，一般规律是产品单耗逐年上升，产值单耗逐年下降。单耗法的优点是：方法简单，对短期负荷预测效果较好。缺点是：需做大量细致的调研工作，比较笼统，很难反映现代经济、政治、气候等条件的影响。 2、趋势外推法 当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t为自变量，时序数值y为因变量，建立趋势模型y=f（t）。当有理由相信这种趋势能够延伸到未来时，赋予变量t所需要的值，可以得到相应时刻的时间序列未来值。这就是趋势外推法。应用趋势外推法有两个假设条件：①假设负荷没有跳跃式变化；②假定负荷的发展因素也决定负荷未来的发展，其条件是不变或变化不大。选择合适的趋势模型是应用趋势外推法的重要环节，图形识别法和差分法是选择趋势模型的两种基本方法。 外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法、生长曲线趋势预测法。趋势外推法的优点是：只需要历史数据、所需的数据量较少。缺点是：如果负荷出现变动，会引起较大的误差。 3、弹性系数法 4、空间负荷密度法 空间负荷预测是对规划区域内负荷的地理位置和数值大小进行的预测，它提供未来负荷的空间分布信息。只有确定了配电网供电区域内未来负荷的空间分布，才能对变电站的位置和容量，主干线的型号和路径，开关设备的装设以及它们的投入时间等决策变量进行规划。由于空间负荷预测涉及大量的空间信息，地理信息系可以为空间负荷预测的数据收集、处理和预测结果的表示提供一个良好的平台。将GIS 引入空间负荷预测，可以极大地减少数据收集量，是空间负荷预测方法实用化的必要步骤。针对国内土地使用的实际情况，在空间负荷预测中采用了分类分区法，该方法是在分类负荷总量预测的基础上，根据城市规划用地图，计算分类负荷平均密度；再由小区面积构成、小区负荷同时率及修正系数求得小区最终负荷。同时，就分类分区法在预测过程中存在的一些问题进行了恰当的处理和改进。针对己有负荷预测软件在数据收集、统计，模型、方法选用，结果处理等方面存在的问题，在将传统、实用的常规预测方法用计算机加以实现的同时，
电力系统负荷预测的综合模型
电力系统负荷预测重要的组成部分就是序列量，其中序列量包含最大负荷数值以及电量数值等成分，当前得到社会各界广泛认可的是采用多样性的方法完成序列量的预测。首先要设定具体的条件，然后在该条件下进行一定的假定，然后通过单一的方法对包含的多个不确定因素进行分析，由于采用的方法较为单一，因此最后得到的参数与理想数值存在较大差别，因此需要进行修正，通常采用的是多种方法进行预测分析。实验过程中，采用不同的研究方法得到的分析结果也是不同的，各个数据之间具有较大的差异[32]，那种预测结果最为接近真实情况，与预测人员的经验以及日常积累的常识等存在密切联系，此外还要综合考虑国家各项能源政策以及产业结构之间的关系，根据当地的经济发展状况，使用综合方法，对相关的数据进行分析预测，然后完成对比分析，从而得到最终的参数。还有一种常用的负荷预测模型是加权处理，使用多种方法完成历史序列等数据的分析和预测，通过一定的方式完成权重的设置，最后对获得的数据进行综合判断出来，得到最终分析数据。 首先，针对使用到的序列预测方法，做如下定义： 定义1：有关预测、推理及拟合序列： 当获得某一物理量后，在要求的历史时间段范围内如n t ≤≤1的取值分别为 n x x x ,,,21 对于未知时段N t n ≤≤+1范围内进行预测分析，可以得到如下预测公式： N n t t S f x t 2,1),,(?== 其中，预测模型的参数向量的数值用S 表示，例如当预测模型为线性状态时， 则有：T t b a S t b a t t S f x ],[,),,(?=?+==有 此时可以计算得到各个时段的预测数值大小，分别为N n n x x x x x ?,?,?,,?,?121 +，此时会将序列n x x x ,,,21 称为原始数列，n x x x ?,,?,?21 为原始数列的预测序列，在未来的某个时段得到的相对应的子虚列N n x x ?,?1 +称为原始序列的推理数列。相应 的拟合时段主要指的是时段n t ≤≤1这一段范围，推理时段主要指的是时段N t n ≤≤+1这一段范围。 定义2：拟合残差、方差以及协方差 采用m 种方法对原始数列的数值n x x x ,,,21 进行预测分析，其中的第i 中预 测方法对原始序列的拟合序列为n x x x ?,,?,?21 ，因此能够得到有关拟合残差的数值 大小：
随机森林算法
随机森林算法 1.算法简介 随机森林由LeoBreiman（2001）提出，它通过自助法（bootstrap）重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成k个分类树组成随机森林，新数据的分类结果按分类树投票多少形成的分数而定。其实质是对决策树算法的一种改进，将多个决策树合并在一起，每棵树的建立依赖于一个独立抽取的样品，森林中的每棵树具有相同的分布，分类误差取决于每一棵树的分类能力和它们之间的相关性。特征选择采用随机的方法去分裂每一个节点，然后比较不同情况下产生的误差。能够检测到的内在估计误差、分类能力和相关性决定选择特征的数目。单棵树的分类能力可能很小，但在随机产生大量的决策树后，一个测试样品可以通过每一棵树的分类结果经统计后选择最可能的分类。 2.算法原理 决策树（decision tree）是一个树结构（可以是二叉树或非二叉树）。其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。 随机森林模型的基本思想是：首先，利用bootstrap抽样从原始训练集抽取k 个样本，且每个样本的样本容量都与原始训练集一样；其次，对k个样本分别建立k个决策树模型，得到k种分类结果；最后，根据k种分类结果对每个记录进行投票表决决定其最终分类，如下图所示。 在建立每一棵决策树的过程中，有两点需要注意采样与完全分裂。首先是两个随机采样的过程，random forest对输入的数据要进行行、列的采样。对于行采样，采用有放回的方式，也就是在采样得到的样本集合中，可能有重复的样本。
电力负荷预测方法
电力负荷预测方法 发表时间：2018-08-02T15:26:39.817Z 来源：《电力设备》2018年第11期作者：刘自伟[导读] 摘要：电力设施是国家的基础设施，是国家经济发展不可缺少的基础条件。（韶关新丰供电局广东新丰 511100） 摘要：电力设施是国家的基础设施，是国家经济发展不可缺少的基础条件。随着经济的不断发展，珠三角的产业转移的趋势，电力设施配套建设已成为地区经济发展的关键。准确的电力负荷预测为电网规划提供强有力的依据，不仅可以获得巨大的社会效益，也可以获得巨大的经济效益。 关键词：电网规划；负荷预测；预测方法 1 序言 近年来，新丰经济的不断发展，珠三角的产业转移。为承接好珠三角产业转移，做好电力先行，准确地进行负荷预测十分重要。 2 负荷预测 电网规划很重要的一步就是电网负荷预测，电网负荷预测是安排电网基本建设项目的依据，确定了规划时期内的负荷水平也就确定了电力发展的速度；中、长负荷预测用来初步电源规划，而近期预测用来进一步确定变电站的容量。负荷预测是从已知的经济、社会发展和电力需求情况出发，通过对历史数据的分析和研究，对电力需求作出预先的估计和推测。根据这些预测结果，可以针对性地采取技术措施，如进行可中断负荷控制，增添低谷用电设备、采用蓄冷蓄热技术等，改变电力需求在时序上的分布，将用户的电力需求从电网高峰消减、转移或增加电网低谷期的用电以期提高系统运行的经济性和可靠性，在规划的电力网中还可以减少新增装机容量和节省电力建设投资，从而降低预期的供电成本。负荷预测的方法很多，主要有：综合产值单耗法、弹性系数法、时间序列法、参数回归法、比例系数增长法和经济模型预测法。 3 方法简介 3.1原始资料 3.1.1某县配电网装变容量 至2010年4月底，该县建有高压变电站4座，其中110kV变电站3座、200kV变电站1座：110kV变电总容量为430MV A。200kV变电总容量为360MV A，高压变电站总容量合计790MV A。 表1 某县高压变电站统计表 3.2 综合产值单耗法 3.2.1综合产值单耗法 单耗法是根据第一、二、三产业每单位用电量创造的经济价值，从预测经济指标推算用电需求量，加上居民生活用电量，构成全社会用电量。预测时，通过对过去的单位产值耗电量进行统计分析，并结合产业结构调整，找出一定的规律，预测规划期的一、二、三产业的综合单耗，然后按国民经济和社会发展规划的指标，按单耗进行预测。单耗法需要做大量细致的统计、分析工作，近期预测效果较佳。但在市场经济条件下，未来的产业单耗和经济发展指标都具有不确定性，对于中远期预测的准确性难以确定。 3.2.2计算过程 根据原始资料的数据对该县未来的负荷进行预测，其过程如下：先算出2010-2016年国内生产总值，设国内生产总值为T 亿元 亿元 亿元 亿元 再算出2007-2009各年的综合单耗
随机森林
随机森林 基础内容： 这里只是准备简单谈谈基础的内容，主要参考一下别人的文章，对于随机森林与GBDT，有两个地方比较重要，首先是information gain，其次是决策树。这里特别推荐Andrew Moore大牛的Decision Trees Tutorial，与Information Gain Tutorial。Moore的Data Mining Tutorial系列非常赞，看懂了上面说的两个内容之后的文章才能继续读下去。 决策树实际上是将空间用超平面进行划分的一种方法，每次分割的时候，都将当前的空间一分为二，比如说下面的决策树： 就是将空间划分成下面的样子： 这样使得每一个叶子节点都是在空间中的一个不相交的区域，在进行决策的时候，会根据输入样本每一维feature的值，一步一步往下，最后使得样本落入N个区域中的一个（假设有N个叶子节点） 随机森林(Random Forest):
随机森林是一个最近比较火的算法，它有很多的优点： ?在数据集上表现良好 ?在当前的很多数据集上，相对其他算法有着很大的优势 ?它能够处理很高维度（feature很多）的数据，并且不用做特征选择 ?在训练完后，它能够给出哪些feature比较重要 ?在创建随机森林的时候，对generlization error使用的是无偏估计 ?训练速度快 ?在训练过程中，能够检测到feature间的互相影响 ?容易做成并行化方法 ?实现比较简单 随机森林顾名思义，是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。 在建立每一棵决策树的过程中，有两点需要注意- 采样与完全分裂。首先是两个随机采样的过程，random forest对输入的数据要进行行、列的采样。对于行采样，采用有放回的方式，也就是在采样得到的样本集合中，可能有重复的样本。假设输入样本为N个，那么采样的样本也为N个。这样使得在训练的时候，每一棵树的输入样本都不是全部的样本，使得相对不容易出现over-fitting。然后进行列采样，从M 个feature中，选择m个(m << M)。之后就是对采样之后的数据使用完全分裂的方式建立出决策树，这样决策树的某一个叶子节点要么是无法继续分裂的，要么里面的所有样本的都是指向的同一个分类。一般很多的决策树算法都一个重要的步骤- 剪枝，但是这里不这样干，由于之前的两个随机采样的过程保证了随机性，所以就算不剪枝，也不会出现over-fitting。 按这种算法得到的随机森林中的每一棵都是很弱的，但是大家组合起来就很厉害了。我觉得可以这样比喻随机森林算法：每一棵决策树就是一个精通于某一个窄领域的专家（因为我们从M个feature中选择m让每一棵决策树进行学习），这样在随机森林中就有了很多个精通不同领域的专家，对一个新的问题（新的输入数据），可以用不同的角度去看待它，最终由各个专家，投票得到结果。 随机森林的过程请参考Mahout的random forest。这个页面上写的比较清楚了，其中可能不明白的就是Information Gain，可以看看之前推荐过的Moore的页面。
电力系统短期负荷预测方法与预测精度综述_郭华安
研 20 （XJEDU2010116）
研究与开发 2011年第10期 21 据已有的资料和经验，运用一定的方法和模型，分析负荷本身及其有关因素的相互关系，编制负荷预测曲线。在预测过程中，由于受经济，政治，气象，时间等多种随机性因素的影响，短期负荷具有随机性和不确定性。总的来说，短期负荷预测具有以下明显特点： 1）不确定性 电力负荷受多种复杂因素的影响，且这些影响因素有时难以准确确定，这就会导致负荷预测结果的不准确。 2）条件性 负荷未来发展的不确定性，导致条件无法确定，因此就需要一些假设条件，在此基础上对负荷进行预测。 3）时间性 科学的负荷预测，要求有比较确切的数量关系和概念，因此，要指明预测的起止时间和历史样本的起止时间。 4）多方案性[4] 不同地区的负荷情况所采用的预测方案是不一样的，我们需要对各种情况下可能的负荷发展状况进行预测，这样短期负荷预测就具有多方案性。 5）周期性 由于人们在长期的社会活动过程中形成了特定的生产和生活方式，使负荷变化具有了一定的规律性，其中最典型的是年周期性、周周期性、日周期性，其中日周期性是日短期负荷预测和超短期负荷预测的依据和基础。 6）连续性 短期电力负荷是连续的，在负荷变化过程中，无论是负荷增加还是减少都要求负荷变化量在一定的范围之内，其外在表现就是负荷的连续性。 7）非线性 短期负荷的变化与其影响因素基本上不存在正比关系，这样在短期负荷预测中应用线性模型进行预测效果就会比较差。 8）相似性 在实际的负荷预测过程中，负荷预测结果在相对应的阶段呈现相近的情况，事实上，我们在负荷预测过程中使用类推法和历史类比法，就是基于这个特点。 1.2 影响负荷预测精度的因素 精度是负荷预测最重要的指标。在电力系统短期负荷预测中，影响短期负荷预测精度的因素是多方面的，但主要是以下几方面： 1）历史数据 历史负荷数据在很大程度上决定了未来预测负荷的水平，然而负荷预测所需的大量历史资料并不能保证其绝对准确可靠，在一定程度上必然会带来一些预测误差。 2）经济因素 经济环境的好坏和经济发展状况对负荷预测是有重要影响的。一般来说，经济发展比较好的情况下，负荷水平就提升的比较快；反之，负荷水平就会下降。 3）政治因素 例如军事冲突等，此类事件出现的概率很小，但是一旦出现就会对负荷造成重大影响。 4）气象因素 影响负荷的天气因素很多，在进行负荷预测时，往往预测模型只考虑研究对象的主要因素，而忽略了许多次要的因素，另外，再加上气象预报本身的不准确，会造成双重误差。 5）时间因素 时间的周期性和季节性变化、节假日等时间因素使负荷曲线在不同的时间范围内呈现出不同的特征。 6）样本因素 影响短期电力负荷预测的样本因素包括样本数量、样本质量和样本范围。在进行短期电力负荷预测时，不能仅仅考虑时间、历史数据因素，应该综合考虑影响负荷的各种因素，同时对各个因素进行定量和定性的分析，进而选择最佳样本，使预测更加准确。 7）预测模型 不同负荷预测模型所得出来的预测结果有时是有较大差别的，我们应根据地区实际和特点，选择精确的负荷预测模型。 8）其他因素 在确保电力市场经济性的的情况下，执行峰谷分时电价，在一定程度上对负荷曲线产生了影响；难以确定反映负荷周期性、趋势性以及与影响因素之间关系的样本数；有些突发事件，如拉闸限电、冲击负荷、停电检修和重大活动等都可能会对系统负荷产生很大的影响；大电网（网、省级）负荷变化一般都有较强的统计规律性，预测结果比较准确，
(完整版)电力负荷预测方法
电力负荷预测方法 朋友们大家好，很高兴与大家分享一下电力方面的知识。本节摘要是：负荷预测方法可分为确定性负荷预测方法和不确定性负荷预测方法。确定性负荷预测方法是把电力负荷预测用一个或一组方程来描述，电力负荷与变量之间有明确的一一对应关系，包括时间序列预测法、回归分析法、经典技术预测法、趋势外推预测法等。不确定性预测方法基于类比对应等关系进行推理预测的，包括灰色理论预测法、专家系统法、模糊预测法、神经网络法、小波分析预测法等。 关键字：电力负荷预测方法... 负荷预测是电力系统调度的一个重要组成部分，是电力交易的主要数据源，也是电力系统经济运行的基础,任何时候,电力负荷预测对电力系统规划和运行都极其重要。近几年，随着我国电力供需矛盾的突出集电力工业市场化运营机制的推行，电力负荷预测的准确度有待进一步提高。 负荷预测方法可分为确定性负荷预测方法和不确定性负荷预测方法。 确定性负荷预测方法是把电力负荷预测用一个或一组方程来描述，电力负荷与变量之间有明确的一一对应关系，包括时间序列预测法、回归分析法、经典技术预测法、趋势外推预测法等。
而为了解决实际电力负荷发展变化规律非常复杂不能用简单的显式数学方程来描述期间的对应和相关这一问题，许多专家学者经过不懈努力，把许多新的方法和理论引入到负荷预测中来，产生了一类基于类比对应等关系进行推理预测的不确定性预测方法。包括灰色理论预测法、专家系统法、模糊预测法、神经网络法、小波分析预测法等。 <一> 确定性负荷预测方法 一、时间序列预测法 时间序列分析法利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。 时间序列预测是依据电力负荷的历史数据建立一个时间序列的数学模型，通过时间序列的数学模型可以描述这个时间序列变换的规律性，同时在数学模型的基础上建立电力负荷预测的数学表达式，并对未来的负荷进行预测。电力负荷时间序列预测方法主要包括自回归AR（p）模型、滑动平均MA（q）模型和自回归与滑动平均ARMA（p，q）模型等。 按照处理方法不同，时间序列法分为确定时间序列分析法和随机时间序列分析法。时间序列模型的缺点在于不能充分利用对负荷性能有很大影响的气候信息和其他因素，导致了预报的不准