1、负荷预测模型 在一个大型的电力系统中,对负荷预测的区域划分是十分重要的。对一个大 型的总体负荷进行负荷预测,往往不能取得很好的预测精度。但是,将一个很大 的负荷区域进行划分,划分的区域越多,预测的精度就越高 针对电力系统影响负荷的因素,我们将电力系统的总负荷预测模型按照以下 的四个分量描述为 L(1)=B(t)+W()+S(1)+() 式中,L()为时刻t的系统总负荷;B()为时刻t的基本正常负荷分量;w()为 时刻t的天气敏感负荷分量;s(为时刻t的特别事件负荷分量;ra)为时刻t的 随机负荷分量。 我们可以在进行不同预测周期的负荷预测时,对上述的几个负荷影响分量进 行确定。在超短期负荷预测中,负荷预测的模型必须能反映出负荷在短期内的随 时间变化的规律,在这期间,我们可以认为上式中的B()是一个常数,而其他的 变量就要进行修正。在短期负荷预测中,我们要预测一天或者是一个周内的负荷 变化情况,因此我们就必须考虑到天气(气候)和重大事件的影响。即对S(n)应 该考虑的多一些。中期负荷预测中,对一年中不同的月份进行预测,我们就必须 考虑到因为季节和气候的变化对居民消费负荷和工业生产负荷的影响。对上式中 的天气敏感负荷分量就要进行详细的建模 表5-1不同负荷预测周期的常用方法 预测类预测周期 用途 模型 算法 超短期数分全数小 AGC,安全监视线性1234 短期 日~周 机组、水电、交线性×周 换计划 124 中期 月~年水库、检修、燃线性×周 124 料计划 长期 多~年发电、网络规划/线性×周 期 125 l、线性外推法2、时间序列法3、卡尔曼滤波法4、人工神经 网络法5、灰色理论 2、负荷预测算法 负荷预测模型确定了之后,进一步就应该确定采取什么样的负荷预测算法 了,几十年来,各种可能的算法均在负荷预测的课题上进行试验了,目前比较实 用的算法主要有:线性外推法、线性回归法、时间序列法、卡尔曼滤波法、人工 神经网络法、灰色系统和专家系统方法等。各种方法都有一定的使用场合,可以 说没有一个算法适用于各种负荷预测模型而精度都比其他的算法要高。1、负荷预测模型 在一个大型的电力系统中，对负荷预测的区域划分是十分重要的。对一个大 型的总体负荷进行负荷预测，往往不能取得很好的预测精度。但是，将一个很大 的负荷区域进行划分，划分的区域越多，预测的精度就越高。 针对电力系统影响负荷的因素，我们将电力系统的总负荷预测模型按照以下 的四个分量描述为： L(t) = B(t) +W (t) + S(t) +V(t) 式中， L(t) 为时刻 t 的系统总负荷； B(t) 为时刻 t 的基本正常负荷分量； W (t) 为 时刻 t 的天气敏感负荷分量； S(t) 为时刻 t 的特别事件负荷分量； V (t) 为时刻 t 的 随机负荷分量。 我们可以在进行不同预测周期的负荷预测时，对上述的几个负荷影响分量进 行确定。在超短期负荷预测中，负荷预测的模型必须能反映出负荷在短期内的随 时间变化的规律，在这期间，我们可以认为上式中的 B(t) 是一个常数，而其他的 变量就要进行修正。在短期负荷预测中，我们要预测一天或者是一个周内的负荷 变化情况，因此我们就必须考虑到天气（气候）和重大事件的影响。即对 S(t) 应 该考虑的多一些。中期负荷预测中，对一年中不同的月份进行预测，我们就必须 考虑到因为季节和气候的变化对居民消费负荷和工业生产负荷的影响。对上式中 的天气敏感负荷分量就要进行详细的建模。 表 5-1 不同负荷预测周期的常用方法 预测类 型 预测周期 用途 模型 算法 超短期 数分至数小 时 AGC，安全监视 线性 1234 短期 日～周 机组、水电、交 换计划 线性×周 期 124 中期 月～年 水库、检修、燃 料计划 线性×周 期 124 长期 多～年 发电、网络规划 线性×周 期 125 1、线性外推法 2、时间序列法 3、卡尔曼滤波法 4、人工神经 网络法 5、灰色理论 2、负荷预测算法 负荷预测模型确定了之后，进一步就应该确定采取什么样的负荷预测算法 了，几十年来，各种可能的算法均在负荷预测的课题上进行试验了，目前比较实 用的算法主要有：线性外推法、线性回归法、时间序列法、卡尔曼滤波法、人工 神经网络法、灰色系统和专家系统方法等。各种方法都有一定的使用场合，可以 说没有一个算法适用于各种负荷预测模型而精度都比其他的算法要高