（国网北京昌平供电公司北京昌平102200）
摘要：在城市电网规划中负荷预测是一项复杂且系统性强的工作，又是城市电网规划的前提。如果负荷预测的结果有误，将会对城市电网规划产生不利的影响。因此，只有不断提高电荷预定的准确性才能够更好的对电网进行规划。基于此，本文主要针对电网规划负荷预测方法进行了分析，以供参考。
关键词：电力规划；负荷预测方法
目前，随着电力系统发展改革的不断深入，我国电力市场发展也越来越规范和完善。在对电网进行规划时就需要考虑到方方面面，确保电网运行的质量，达到运行安全高效的目的，而要实现这一目标，就需要做好电网系统中电力负荷的预测工作。如今关于电力负荷的预测工作有多种多样的方法，但是根据现实情况不同，需要探索最适合实际的预测方法才能保证预测的准确率，进而指导电网系统的健康运行。另外，运行过程中还要不断摸索电网负荷变化的规律，对预测方法进行合理优化，提升电力负荷的预测质量和水平。
1电力规划中负荷预测原理
建立负荷模型是电力系统负荷预测最为直接和有效的方法，这一模型包括两方面涵义：频率特性和负荷电压；负荷的时空特性。所谓负荷时空特性，主要是指负荷分布会伴随空间和时间变化而不同。基于负荷模型的复杂性，所以研究人员对这种特性进行描述通常采用的是负荷时间曲线。以时间作为依据，负荷曲线可以分为日负荷、周负荷、季负荷和年负荷。但若是划分依据定为时空角度，则该负荷曲线又有系统、用户和节点三种之分。除此之外，负荷曲线按照负荷性质划分还包括生活负荷、市政负荷、农业负荷以及工业负荷等。负荷模型在正常的安全运行中主要是指未来的时空特性，所以这也可视为负荷预测的模型。系统运行过程中负荷预测模型的内容十分广泛，既可在电力系统规划时进行长期预测，同时也可涉及到短期或实时负荷预测。概率统计是通常负荷预测所采用的方法，时间序列分析是工具，考虑到是对未来负荷的预测，因此误差的存在不可避免。比如自然灾害引起的断电就会导致事故时段负荷曲线的变化，诸如此类不确定因素以及负荷变化规律的影响，就是未来负荷预测误差产生的主要原因。因为人为干预存在，负荷预测模型所得到的结果就不可完全依靠。但需要注意，对负荷预测模型所计算而得的结果不能全盘否定，通常情况下这些结果的准确度还是较高的。
2负荷的主要类型
2.1按照物理性能划分
将电网中的负荷按照物理性能进行划分主要可以分为无功负荷和有功负荷。所谓的无功负荷就是电路之中的各种原件产生的无功功率。比如经过电闸的时候电流发生畸形变化，然后就在转换的过程中形成了无功功率，造成了负荷的消耗。有功负荷就是电流通过用电器将电能转化为可供其他东西利用的能源，比如电流通过电磁炉产生热能。
2.2按照电能中断损失划分
在正常的输电过程中，电网的忽然中断也是会造成一些损失的。所以国家就对造成损失的严重程度划分为一二三级负荷。一级负荷表示忽然断电造成的损失最大，而三级负荷则受断电产生的影响最小。
2.3按照电能的使用流程
按照使用流程划分可以将电能划分成发电负荷、供电负荷和用电负荷。发电负荷就是在发电厂中产生的所有负荷。供电负荷就是除去发电厂消耗的那些负荷以后往外输送的负荷。用电负荷就是除去在输送过程中损失的负荷以后的负荷。
3电力规划中的负荷预测方法
3.1灰色预测法
灰色预测法将信息系统分为两部分，一部分是信息已知的，另一部分是信息未知的。所研究的就是“己知的部分信息和未知的部分信息”存在一定关联的不确定系统。该方法将不确定的变化量视为灰色，利用累加或者累减的计算方法，将毫无规律可言的数据序列生成含有某种规律的数据序列。利用灰色模型（GM-GreyModel）建立微分方程，从而完成灰色预测模型的建立。其不足，当数据离散程度大，那么此方法将不再适用，特别是长期负荷预测，因为其预测精度会很差。又由于微分方程指数解比较适合于具有指数增长趋势的负荷指标，对于具有其它趋势的指标则有时拟合灰度较大，精度难以提高。
3.2趋势外推法
负荷的变化在在气候、国家政策以及生产规律等影响下具有一定的不确定性和趋势性。通过对趋势性的描述，根据趋势对待预测的负荷进行描述，从而完成对未来负荷的预测。其不足之处在于，只能对趋势性部分进行预测，随机性部分无法处理，在短期负荷预测中较为适用。
3.3回归分析法
通过对历史数据的分析，挖掘出各个变量的关联性，建立一个回归方程式，进而通过这个回归方程式完成对待预测的未来负荷进行预测。通常根据建立的方程类别可划分为线性回归和非线性回归两类。该方法通过将影响负荷变化的各种因素和负荷建立方程，其缺点在于需要数据量较大，难以建立一个合适的方程，而且该方法对随机性部分同样不能进行有效预测。线性回归分析模型预测精度较低而非线性回归预测计算开销大，预测过程复杂影响电力负荷的因素多有不确定性，传统回归分析无法处理这些不确定性因素。
3.4人工神经网络预测法
人工神经网络法是当前最为常用的电力负荷预测方法。人工神经网络是对人脑学习过程和处理问题的智能化模仿。该方法由多个并行运算的神经元节点及与之连接的权值构成。通过相应的函数实现输出与输入值之间的非线性映射关系。人工神经网络预测对大量的非结构性、非准确性规律具有自适应功能，并且具有较强的鲁棒性和强大的学习能力。但是，人工神经网络存在学习参数的设置困难，如何保证收敛且保证运算速率统一性，如何确定合适的网络结构等问题。
3.5数据挖掘预测法
数据挖掘预测法就是从海量的电网数据中去除冗余信息挖掘出对于预测有用的信息数据。现有大量的电力负荷数据中有些数据是对负荷预测没有作用，因此需要对其中的有用的数据信息进行有效的提取，这样可以有效的提高负荷预测的准确性。当前，常用的数据挖掘技术有神经网络、决策树和聚类分析技术等。
3.6极限学习机预测法
在传统的人工神经网络中，网络中的隐层节点参数需要通过一定的迭代计算优化确定其参数。在这些迭代的运算过程中参数的训练过程会占用大量的内存和时间，导致了网络的训练过程的效率不容易得到保证。为了达到提高网络整体性能的作用，HuangG.B.等人提出了极限学习机(extremelearningmachine，ELM)算法。ELM对多数非精确性规律具有自适应能力和自主学习的特点，只需在训练前选取合适的隐含层神经元数，执行过程一次完成，无需迭代就可获得最优解。该方法可以有效的克服局部最小化和学习率等问题。针对ELM随机设定隐含层神经元节点和连接权值，基于遗传算法优化ELM中隐含层节点数和隐含层输入权值的方法，以此来确定最优的预测模型，确保较高的预测准确率。
结语
综上所述，电力负荷的预测方法都有着各自的优缺点和使用领域，在确定具体的预测方法时，一定要根据区域的实际情况，使用最适宜的预测方法，这样才能够保证预测花费的科学准确性，实现预期的预测目标。预测过程中，还应结合具体工作情况对预测的准确度进行评估，这样才能促进预测准确度的提高。
参考文献
[1]张勇洪.城市电网规划的负荷预测方法研究[J].供用电，2013（11）：57.
[2]马建刚，关倩莹.城市电网规划的负荷预测方法探讨[J].电子世界，2012（10）：9.