电力系统调度及调度自动化 第3章_EMS（3）.pdf

3.1.7负荷预测

负荷预测是电力系统未来数据的主要来源。负荷预测包括系统负荷预测和母

线负荷预测。系统负荷预测中，短期负荷预测是预测次日一天到一周每天24小

时的系统负荷，时间间隔为1小时或15分钟，用于安排第二天的发电计划；超

短期负荷预测是预测5分钟到一小时的系统负荷，时间间隔为5分钟或15分钟，

用于实时调度控制，也用于在线潮流和静态安全分析计算。基于系统负荷预测进

行的母线负荷预测为预测态网络分析创造条件。负荷预测和其他应用软件之间的

关系如图13.3-5所示。

由于系统中常会发生不可预见的事件，负荷预测的人工干预是必不可少的。

不同电网和不同天气情况下负荷性态不同，需要运行计划人员的经验作为补充。

由于负荷中存在大量的随机因素，要做到准确的负荷预测是十分困难的。

SCADA状态估计

系统负荷预测母线负荷预测

发电计划潮流

图13.3-1负荷预测和其他应用软件之间的关系

3.1.7.1系统负荷预测

利用当前及历史负荷数据，预测未来某时刻或某时段的系统负荷。EMS中使

用的系统负荷预测主要是短期和超短期负荷预测，两者使用的方法类似。

常用的负荷预测方法有线性外推法，时间序列法，人工神经网络法等。

1、线性外推法

原理是将过去一段时间的历史负荷数据取平均，作为未来负荷的预测值。有

时利用近大远小原理，采用指数平滑法对近期负荷给予较大的权重以提高预测精

度。

2、线性回归分析法

利用历史负荷数据建立起线性拟合函数。将历史负荷x作为输入，要预测的

负荷y作为输出，建立y和x之间的线性函数关系。利用已知的历史负荷数据，

用最小二乘法确定y和x之间线性函数式的系数。例如，多元线性回归法建立如

下函数模型：

yβ=+βx+βx+L+βx+εi1,L,N.N=k

i011i22ikkii

N是使用历史数据的试验次数，k是模型中定义的变量个数，β是线性函数中变

i

量的系数。利用N组采样值给出的y和x，用最小二乘法确定系数β，然后利用

i

这个线性函数做预测。

3、时间序列法

将历史负荷看作随机时间序列，建立起时间序列模型来作预测。首先建立自

回归AR（AutomaticRegression）模型，将当前负荷值用其本身的过去值的有

限项的加权和再加上一个误差量来表示，使误差量的二乘值最小来确定模型的阶

数和模型的加权参数；如果误差还很大，则引入动平均MA（MovingAverage）

模型。引入现在和过去的干扰量的有限项的加权和，用误差量的二乘值最小来确

定干扰量模型的阶数和模型的加权参数。用这样确定的模型进行预测。

负荷形状具有相关性。不同日的同一时刻的负荷值是相关的；不同周的星期

一的负荷形状也相关，负荷预测可以利用这些相关的性质。

4、人工神经网络方法

将传统函数的自变量和因变量定义为人工神经元网络ANN（Artificial

NeuralNetwork）的输入和输出变量，将传统的函数关系转化为ANN的高维的非

线性映射，而不是显式的数学表达式。利用历史负荷数据对ANN的这个非线性映

射进行训练，利用训练后的结果做预测。

5、负荷预测的综合模型

每种负荷预测模型都有自己的特点，不同地区、不同时段，负荷的变化规律

也不同。一种模型很难适应所有可能的负荷形态。因此，将几种算法模型组合，

形成一个综合预测模型，可以提高预测精确度。负荷预测的综合模型采用多种负

荷预测模型，采用历史日的负荷进行模拟预测，用模拟预测结果和历史日的实际

负荷之差做最小二乘，以此确定每种负荷预测模型的权重。实际预测时，采用多

种负荷预测模型，用模拟预测获得的权值对这些模型计算出的