《短期電力負(fù)荷預(yù)測(cè)研究的國(guó)內(nèi)外文獻(xiàn)綜述》4100字

短期電力負(fù)荷預(yù)測(cè)研究的國(guó)內(nèi)外文獻(xiàn)綜述目錄TOC\o"1-2"\h\u32366短期電力負(fù)荷預(yù)測(cè)研究的國(guó)內(nèi)外文獻(xiàn)綜述 123201.1經(jīng)典預(yù)測(cè)方法 110134(1)回歸分析法 130638(2)時(shí)間序列法 239961.2傳統(tǒng)預(yù)測(cè)方法 219874(1)相似日法 226316（2）卡爾曼濾波法 2131941.3智能化預(yù)測(cè)方法 23787（1）支持向量機(jī)SVM 323051（2）徑向基神經(jīng)網(wǎng)絡(luò)RBF 315602（3）循環(huán)神經(jīng)網(wǎng)絡(luò)RNN 429496（4）隨機(jī)森林RF 527809參考文獻(xiàn) 5負(fù)荷預(yù)測(cè)的概念是由電力公司的創(chuàng)造和投資者SamyelInsull在1894年提出的[4]，但是受到科技水平和電力系統(tǒng)規(guī)模的限制，負(fù)荷預(yù)測(cè)沒有獲得大規(guī)模發(fā)展。隨著經(jīng)濟(jì)的不斷發(fā)展和科學(xué)技術(shù)水平的不斷提高，電力負(fù)荷一致呈現(xiàn)上升趨勢(shì)，而負(fù)荷預(yù)測(cè)的理論方法，也得到了不上的提升，取得了不少成果。從預(yù)測(cè)發(fā)展的時(shí)間角度去看，短期電力負(fù)荷預(yù)測(cè)方法可以分為三大類：經(jīng)典預(yù)測(cè)方法、傳統(tǒng)預(yù)測(cè)方法、智能化預(yù)測(cè)方法[5-7]。下面將統(tǒng)一介紹：1.1經(jīng)典預(yù)測(cè)方法經(jīng)典預(yù)測(cè)方法是由傳統(tǒng)數(shù)學(xué)模型完成的。隨著時(shí)代的發(fā)展，這些方法已得到改進(jìn)，并且可以運(yùn)用于多個(gè)領(lǐng)域。經(jīng)典預(yù)測(cè)方法包括回歸分析法、時(shí)間序列法等。(1)回歸分析法回歸分析法是根據(jù)數(shù)據(jù)統(tǒng)計(jì)原理，在負(fù)荷與影響因素（例如溫度、濕度、降雨量、日類型因素等）之間建立回歸方程，并確定模型參數(shù)，據(jù)此來推斷將來時(shí)刻的負(fù)荷值[8]。多元回歸方法是最常用的方法之一，對(duì)于天氣、人口、電價(jià)、經(jīng)濟(jì)等多重影響因素影響下的負(fù)荷進(jìn)行預(yù)測(cè)具有良好的效果。文獻(xiàn)[9]提出了基于偏最小二乘回歸分析的短期負(fù)荷預(yù)測(cè)方法，該方法可有效地對(duì)輸入因素進(jìn)行成分提取，并且可以消除輸入多重因素的共線性，減少樣本的輸入量，算例表明該方法的預(yù)測(cè)精度較高?；貧w分析法優(yōu)點(diǎn)很突出：原理簡(jiǎn)單，預(yù)測(cè)速度快；但缺點(diǎn)同樣也十分明顯：對(duì)原始數(shù)據(jù)精度要求較高。(2)時(shí)間序列法時(shí)間序列法是在70年代，Box-Jenkins提出，并隨著時(shí)間的腳步發(fā)展起來的[10]，其基本原理分為兩個(gè)方面：一是按照時(shí)間序列進(jìn)行推演，推測(cè)負(fù)荷的發(fā)展的趨勢(shì)；二是充分考慮偶然因素影響，根據(jù)歷史負(fù)荷數(shù)據(jù)進(jìn)行推演以獲得電力負(fù)荷預(yù)測(cè)值。時(shí)間序列法優(yōu)點(diǎn)如下：一是所需要的數(shù)據(jù)少，二是計(jì)算速度較快，三是能夠反映負(fù)荷變化的連續(xù)性[11]。1.2傳統(tǒng)預(yù)測(cè)方法傳統(tǒng)預(yù)測(cè)方法是提出已久，但至今仍然在廣泛使用的方法。傳統(tǒng)的短期預(yù)測(cè)方法以相似日法、卡爾曼濾波法最為流行，到目前為止還在大量使用。(1)相似日法相似日法是根據(jù)待測(cè)日的某些特征（例如天氣、日類型等）尋找與之相似的歷史日，根據(jù)歷史日負(fù)荷數(shù)據(jù)來預(yù)測(cè)待測(cè)日的負(fù)荷數(shù)據(jù)的方法。而如何建立待測(cè)日與歷史日之間的相似度指標(biāo)，從而判斷歷史日是否為相似日該方法的關(guān)鍵問題[12-13]。當(dāng)前常用的選擇相似日的方法主要有灰色關(guān)聯(lián)度法[14-15]、聚類算法[16-19]等。（2）卡爾曼濾波法卡爾曼濾波法，其用于負(fù)荷預(yù)測(cè)的過程為：日負(fù)荷=確定分量+隨機(jī)分類，一階線性模型直接進(jìn)行預(yù)測(cè)確定分量，隨機(jī)分量（狀態(tài)變量）是在變量間建立狀態(tài)空間模型上得到的[20]?？柭鼮V波法計(jì)算過程實(shí)際是一個(gè)不斷“預(yù)測(cè)-修正”的過程，因此在有著占用內(nèi)存少，計(jì)算速度快等優(yōu)點(diǎn),至今仍然被廣泛使用[21-22]。1.3智能化預(yù)測(cè)方法智能化方法包括專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)等。而隨著機(jī)器學(xué)習(xí)技術(shù)、深度學(xué)習(xí)技術(shù)、大數(shù)據(jù)技術(shù)的不斷發(fā)展，新的智能化預(yù)測(cè)方法也隨之應(yīng)運(yùn)而生。支持向量機(jī)（SVM）、徑向基神經(jīng)網(wǎng)絡(luò)（RBF）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、隨機(jī)森林（RF）等機(jī)器學(xué)習(xí)算法被廣泛應(yīng)用于短期負(fù)荷預(yù)測(cè)中。（1）支持向量機(jī)SVM支持向量機(jī)(supportvectormachine,SVM)算法是由1963年蘇聯(lián)學(xué)者VladimirN.Vapnik和AlexanderY.Lerner提出的，并與1995年正式奠定了SVM相關(guān)理論[23]。支持向量機(jī)的優(yōu)點(diǎn)包括：一是能夠較好的解決小樣本，二是非線性擬合能力強(qiáng)，三具備解決高維度的能力[24。函數(shù)模擬、模式識(shí)別、數(shù)據(jù)分類等領(lǐng)域已經(jīng)廣泛運(yùn)用支持向量機(jī)理論[24]。近幾年，國(guó)內(nèi)外不少學(xué)者將SVM相關(guān)理論應(yīng)用到短期負(fù)荷預(yù)測(cè)中，取得了不錯(cuò)的效果[25-28]。文獻(xiàn)[25]提出了一種GOA-SVM短期負(fù)荷預(yù)測(cè)模型，通過與GA-SVM、PSO-SVM負(fù)荷預(yù)測(cè)模型對(duì)比，驗(yàn)證了GOA-SVM模型具有較好的預(yù)測(cè)效果。文獻(xiàn)[26]將VHBFO和支持向量機(jī)相結(jié)合提出了一種新的模型，將微網(wǎng)負(fù)荷按照不同波動(dòng)尺度大小逐級(jí)進(jìn)行分解，得到多組固有模態(tài)函數(shù)分量均值，各級(jí)分量?jī)?yōu)由模型模型預(yù)測(cè)得到，最后將分量值進(jìn)行疊加得到最后的預(yù)測(cè)值，通過仿真驗(yàn)證了該模型的有效性。文獻(xiàn)[27]基于螢火蟲算法、支持向量機(jī)，將季節(jié)性效應(yīng)集成到短期負(fù)荷預(yù)測(cè)中，提出了一種新的算法，并通過算例驗(yàn)證了該算法的準(zhǔn)確性。文獻(xiàn)[28]基于相似日與支持向量機(jī)（LS-SVM）負(fù)荷預(yù)測(cè)算法，利用細(xì)菌趨化改進(jìn)粒子群算法對(duì)支持向量機(jī)進(jìn)行改進(jìn)，得到了一種新的預(yù)測(cè)模型，通過算法表明該模型精度高，可行且有效。（2）徑向基神經(jīng)網(wǎng)絡(luò)RBF徑向基神經(jīng)網(wǎng)絡(luò)（RBF）是前饋型的神經(jīng)網(wǎng)絡(luò)的種類之一，在20世紀(jì)80年代由Moody和Darken所提出的[29]，然后在21世紀(jì)被逐步的推廣使用。RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)十分突出：一是擬合非線性函數(shù)能力強(qiáng)，能擬合十分不規(guī)則的曲線，二是模型泛化能力強(qiáng)，能夠輕松的學(xué)習(xí)別的事物，三是收斂速度快，可以很快的達(dá)到精度要求。針對(duì)系統(tǒng)內(nèi)難以解析的規(guī)律性，RBF網(wǎng)絡(luò)也表現(xiàn)出很強(qiáng)的處理能力。當(dāng)前RBF神經(jīng)網(wǎng)絡(luò)主要領(lǐng)域很多，主要非線性函數(shù)擬合、信息處理、控制和故障診斷等領(lǐng)域。圖1.1展示了RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，其中主要特點(diǎn)包括：有i個(gè)輸人節(jié)點(diǎn)(分別輸入x1,x2,...xi)，n個(gè)輸出節(jié)點(diǎn)(輸出y1,y2,...,yn)，P個(gè)隱節(jié)點(diǎn)(隱節(jié)點(diǎn)上講高斯徑向基函數(shù)作文激活函數(shù)使用)。圖1.1RBF神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D當(dāng)前國(guó)內(nèi)外不少學(xué)者熱衷使用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行短期負(fù)荷預(yù)測(cè)[30-32]。文獻(xiàn)[30]提出基于RBF-ARX模型的短期電力負(fù)荷循環(huán)預(yù)測(cè)法,將短期電力負(fù)荷預(yù)測(cè)歸結(jié)成非線性時(shí)間序列預(yù)測(cè)問題，根據(jù)歷史負(fù)荷數(shù)據(jù)來擬合負(fù)荷回歸曲線（ARX模型），然后用RBF神經(jīng)網(wǎng)絡(luò)去擬合ARX模型以獲得模型參數(shù)，最后得到預(yù)測(cè)值。文獻(xiàn)[31]結(jié)合嶺回歸估計(jì)、RBF神經(jīng)網(wǎng)絡(luò)，提出了一種新的短期負(fù)荷預(yù)測(cè)模型,運(yùn)用廣義交叉驗(yàn)證法對(duì)模型進(jìn)行評(píng)估,尋找最優(yōu)嶺參數(shù),取得了不錯(cuò)的預(yù)測(cè)效果。文獻(xiàn)[32]希臘學(xué)者SideratosG在深度學(xué)習(xí)的框架下提出一種混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),在對(duì)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）進(jìn)行訓(xùn)練時(shí)采用了三重交叉驗(yàn)證的方法,并使用最佳的三個(gè)RBFNN的隱藏層將輸入數(shù)據(jù)轉(zhuǎn)換為四維數(shù)據(jù)集,并將卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行參與到負(fù)荷預(yù)測(cè)中,結(jié)果表示該模型的預(yù)測(cè)精度很好。（3）循環(huán)神經(jīng)網(wǎng)絡(luò)RNN循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是遞歸型的神經(jīng)網(wǎng)絡(luò)的一種，其特點(diǎn)是按照序列前進(jìn)方向進(jìn)行\(zhòng)t"/item/%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"遞歸操作，并且所有循環(huán)單元按鏈?zhǔn)竭B接。循環(huán)神經(jīng)網(wǎng)絡(luò)有很多種，雙向循環(huán)神經(jīng)網(wǎng)絡(luò)（Bi-RNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（\t"/item/%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"LSTM）使用的最多，也廣泛的被用于短期負(fù)荷預(yù)測(cè)中[33-34]。循環(huán)神經(jīng)網(wǎng)絡(luò)拓計(jì)算過程流程如圖1.2所示。圖中，在序列的i時(shí)刻輸入xi,經(jīng)過一個(gè)隱藏層，輸出一個(gè)與之維度相同的Ai，并生成一個(gè)輸出hi。Ai作為下一個(gè)神經(jīng)網(wǎng)絡(luò)的輸入，然后循環(huán)次步驟，直到所有時(shí)刻的步驟全部評(píng)估完成。圖1.2循環(huán)神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D國(guó)內(nèi)外不少學(xué)者也開始用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行短期負(fù)荷預(yù)測(cè)[35-37]。文獻(xiàn)[35]提出了基于Prophet加法模型和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的組合的短期負(fù)荷預(yù)測(cè)模型，具有不錯(cuò)的預(yù)測(cè)效果。文獻(xiàn)[36]提出一種結(jié)合相似日選擇、經(jīng)驗(yàn)?zāi)Ｊ椒纸饧伴L(zhǎng)-短期記憶神經(jīng)網(wǎng)絡(luò)的混合算法進(jìn)行短期負(fù)荷預(yù)測(cè)，首先采用k-means算法進(jìn)行相似日選擇，然后采用EMD方法將SD負(fù)荷分解為多個(gè)固有負(fù)載模態(tài)函數(shù)（IMFS）和殘差，通過LSTM網(wǎng)絡(luò)對(duì)各個(gè)IMF和殘差分類分別進(jìn)行預(yù)測(cè)，最后將各分量疊加獲得預(yù)測(cè)值。文獻(xiàn)[37]針對(duì)傳統(tǒng)預(yù)測(cè)方法難以負(fù)荷本身變化規(guī)律和影響因素進(jìn)行建模的問題，利用具備時(shí)序記憶功能的LSTM構(gòu)造深度循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)，綜合考慮歷史負(fù)荷和各類影響因素建立短期負(fù)荷預(yù)測(cè)模型，并通過算例說明了該方法的有效性。（4）隨機(jī)森林RF隨機(jī)森林（RF）是新興起的，具有廣泛應(yīng)用前景的機(jī)器學(xué)習(xí)算法[38]。隨機(jī)森林是通過隨機(jī)生成若干棵不同的決策樹，對(duì)于分類，通過投票法來獲取結(jié)果，對(duì)于回歸，通過取平均值來獲取結(jié)果。隨機(jī)森林也被廣泛使用于短期負(fù)荷預(yù)測(cè)中[39-40.]。文獻(xiàn)[39]將相似日聚類與隨機(jī)森林算法相結(jié)合，并通過北愛爾蘭的負(fù)荷數(shù)據(jù)集驗(yàn)證了隨機(jī)森林具有很好的負(fù)荷預(yù)測(cè)精度。文獻(xiàn)[40]提出了一種雙層隨機(jī)森林負(fù)荷預(yù)測(cè)方法，該方法將第一層的訓(xùn)練殘差經(jīng)過分析處理后輸入至第二層進(jìn)行訓(xùn)練，從而提高了模型的預(yù)測(cè)精度。參考文獻(xiàn)[1]HippertHS,PedreiraCE,SouzaRC.Neuralnetworksforshort-termloadforecasting:Areviewandevaluation[J].IEEETransactionsonpowersystems,2001,16(1):44-55.[2]廖旎煥,胡智宏,馬瑩瑩,盧王允.電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法綜述[J].電力系統(tǒng)保護(hù)與控制,2011,39(01):147-152.[3]夏博,楊超,李沖.電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法研究綜述[J].電力大數(shù)據(jù),2018,21(07):22-28.[4]GrossG,GalianaFD.Short-termloadforecasting[J].ProceedingsoftheIEEE,1987,75(12):1558-1573.[5]張彥宇,肖茜.國(guó)內(nèi)外關(guān)于電力系統(tǒng)負(fù)荷預(yù)測(cè)的研究現(xiàn)狀分析[J].山東工業(yè)技術(shù),2016(11):215+208.[6]CheepatiKR,PrasadTN.Performancecomparisonofshorttermloadforecastingtechniques[J].Int.J.GridDistrib.Comput,2016,9(4):287-302.[7]KimKH,YounHS,KangYC.Short-termloadforecastingforspecialdaysinanomalousloadconditionsusingneuralnetworksandfuzzyinferencemethod[J].IEEETransactionsonPowerSystems,2000,15(2):559-565.[8]張伏生,汪鴻,韓悌,孫曉強(qiáng),張振宇,曹進(jìn).基于偏最小二乘回歸分析的短期負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù),2003(03):36-40.[9]李钷,李敏,劉滌塵.基于改進(jìn)回歸法的電力負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù),2006(01):99-104.[10]MoghramI,RahmanS.Analysisandevaluationoffiveshort-termloadforecastingtechniques[J].IEEETranscationsPowerSystems.1989,4(4):0-1491.[11]雷紹蘭,孫才新,周湶,張曉星.電力短期負(fù)荷的多變量時(shí)間序列線性回歸預(yù)測(cè)方法研究[J].中國(guó)電機(jī)工程學(xué)報(bào),2006(02):25-29.[12]莫維仁,張伯明,孫宏斌,胡子珩.短期負(fù)荷預(yù)測(cè)中選擇相似日的探討[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2004(01):106-109.[13]黎燦兵,李曉輝,趙瑞,李金龍,劉曉光.電力短期負(fù)荷預(yù)測(cè)相似日選取算法[J].電力系統(tǒng)自動(dòng)化,2008(09):69-73.[14]廖峰,劉清良,賀輝,程義明,徐聰穎,姚建剛.基于改進(jìn)灰色模型與綜合氣象因素的母線負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù),2011,35(10):183-188.[15]張海濤,李文娟,向春勇,王家華,劉麗新.基于氣溫累積效應(yīng)和灰色關(guān)聯(lián)度的短期負(fù)荷預(yù)測(cè)研究[J].電氣自動(dòng)化,2019,41(03):52-55.[16]張平,潘學(xué)萍,薛文超.基于小波分解模糊灰色聚類和BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J].電力自動(dòng)化設(shè)備,2012,32(11):121-125+141.[17]嵇靈,牛東曉,汪鵬.基于相似日聚類和貝葉斯神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)研究[J].中國(guó)管理科學(xué),2015,23(03):118-122.[18]VenkateshK,RaviV,PrinzieA,etal.CashdemandforecastinginATMsbyclusteringandneuralnetworks[J].EuropeanJournalofOperationalResearch,2014,232(2):383-392.[19]WuW,PengM.Adataminingapproachcombining$k$-meansclusteringwithbaggingneuralnetworkforshort-termwindpowerforecasting[J].IEEEInternetofThingsJournal,2017,4(4):979-986.[20]馬靜波,楊洪耕.自適應(yīng)卡爾曼濾波在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電網(wǎng)技術(shù),2005(01):75-79.[21]劉鑫,滕歡,宮毓斌,滕德云.基于改進(jìn)卡爾曼濾波算法的短期負(fù)荷預(yù)測(cè)[J].電測(cè)與儀表,2019,56(03):42-46.[22]陳培垠,方彥軍.基于卡爾曼濾波預(yù)測(cè)節(jié)假日逐點(diǎn)增長(zhǎng)率的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J].武漢大學(xué)學(xué)報(bào)(工學(xué)版),2020,53(02):139-