PAGE
PAGE21
电力负荷预测研究的国内外文献综述
1.1传统负荷预测方法
电力负荷分析在开始作为一个专门的研究发展到现在已经取得很多成熟的应用方法，在确保电力供应的可靠性、经济性与稳定性上提供了很大的帮助。由于电力网络的内部构造复杂且彼此造成影响，所以在基于原理上把负荷分类成内部负荷与外部负荷，单以时间来进行分类又可以把负荷预测分类为中期负荷、短期负荷与超短期故障。在以前的传统方法中，研究人员对实际的负荷数据进行分析，用各种统计方法对负荷数据进行处理，并使其成为负荷推理的依据，在这方法的基础上，出现了专家系统的改进，Rahman就曾提出过一套规则推理模型，采用“如果..就”的决策方式来进行后续方案REF_Re\r\h[3]。来减低预测的成本，但这种方法在应用中有很大的限制性，因为专家系统通常只能涵盖有效的范围，在面对一些外部因素的冲击下，其推理规矩不再实用。随着后续研究中，研究人员发现一些传感器接收到的信号含有丰富的信息，这些信息在很深的层面上包含着负荷预测的信息，所以收集设备的电流与振动信号的分量也很自然的成为了负荷预测的一个环节。对这些数据进行基于时间序列模型的预测方法也是一种经典方法，比如ARMA模型预测法REF_Re\r\h[4]、Box-Jenkins模型预测法REF_Re\r\h[5]，Juberias就曾基于ARIMA模型对小时为单位进行了负荷预测REF_Re\r\h[6]。
由于外部因素的能直接影响到电力负荷预测的好坏，所以电负荷预测方法的一个重点内容是对外部因素的影响方式的研究。比较常见的方法有多元线性回归分析，这种方法首先要基于经验判断把相关因素纳入考虑，然后对此进行相关性分析，对有关因素的回归系数进行最小二乘法进行计算，通常还会对显著水平进行检验，Haida等人就曾经用该方法对一年的日峰值负荷进行预测建模REF_Re\r\h[7]。
与前文提到的多元线性回归法类似的，有一种建模方法是只对最大负荷值进行建模，这种建模把预测的结果分为对外部因素敏感与不敏感部分，其公式体现为：
P=B+F(W)（1.1）
其中B为不敏感元素的平均值，F(W)为基于外部因素产生的敏感负荷数据，W可以是温度、湿度与光照等条件组合。CorpeningSLREF_Re\r\h[8]与BezerraREF_Re\r\h[9]等人就曾对这种方法进行过具体的研究。
1.2基于人工神经网络的负荷预测方法
由前文提到，传统负荷预测方法选择故障数据特征值要基于人工的经验。为了进一步减少故障诊断中的人工干预，机器学习开始兴起，一些浅层的神经网络开始被提出应用，但是这些神经网络对数据的处理能力有限，面对复杂基函数时由于其结构简单，训练层数有限，出现容易陷入到局部最优的问题。但后来深度学习方法的出现，使得后续研究者对神经网络诊断故障的研究方向更有信心。深度学习由Hinton于2006年提出，其基本思想就是模仿人脑对外界物质的视觉认知原理，深度提出建立多层网络来来学习高维数据的低维表达法则，这种方法的可靠性在语音、图像的识别的成功应用得到了验证。深度学习的比较常见的模型有卷积神经网络（CNN）、循环神经网络（RNN）、自动编码器（AE）等。随着人工神经网络的蓬勃发展，负荷预测的研究领域也得以不断深入，基于神经网络的模型被广泛地投入到实际的应用中，反向传播算法作为神经网络算法中影响深远的一种，被投入到负荷预测中去，但BP算法存在收敛速度慢的特点，ZHAOYUPREF_Re\r\h[10]与BASHIRZAREF_Re\r\h[11]就曾通过权益证明对其进行优化，解释与解决了BP算法在应用中的局限性。L.KuanREF_Re\r\h[12]通过对底层的特征形态组合更高层的表达属性，并以此特征进行预测，该方法的模型产生的MAPE与RMSE都比通常的要低。RYUSREF_Re\r\h[13]等人通过多种深度神经网络与浅层网络进行对比参数，证明了深度学习网络在数据预测领域的更优越的处理能力。MarinoREF_Re\r\h[14]提出了两种基于LSTM的序列体系模型，对居民的电力消耗数据进行训练与学习，该类模型成功实现了对负荷预测单位的更小化，实现分种为单位的高精准度预测。在2006年的Hinton提出了一种深度信念网络结构，这个模型由多个受限