研 究 生 课 程 考 试 卷
学号、姓名： 方均
年级、专业： 电气工程
培养层次： 硕士
课程名称： 机器学习
授课学时学分：
考试成绩：
授课或主讲教师签字：
电力系统负荷预测综述
相较于煤、石油等化石能源来说，电能的存储是困难的，所以它的生产、传输和消费几乎是同时进行。生产过量会造成能源浪费以及生产机器损耗，同时生产不足将会影响人们的生活并对经济发展造成损失，所以精确的负荷预测能够指导生产计划，在电力系统运行、能源投资规划扮演重要角色。由于负荷预测具有非线性和时序性，传统的负荷预测方法只能利用时序性信息，预测精度难以满足要求，但随着人工智能技术的不断发展，它即能够抓住负荷预测的时序性特征，又能很好的处理负荷数据的非线性特性，所以预测精度更高。同时负荷预测的使用环境不断拓展，不但为电力系统的安全、经济运行提供保障，也是市场环境下编排调度计划、供电计划、交易计划的基础，所以对负荷预测的研究至关重要。
由于传统的负荷预测方法（如：回归分析法、多元线性回归、指数平滑法、卡尔曼滤波法、灰色预测法、ARIMA、ARMA、傅里叶展开法模型、聚类分析法、小波变换和层次聚类方法相结合和线性外推法等），主要关注负荷数据的时序性问题，但是很难捕捉数据本身存在的非线性特征，所以目前负荷预测中难以应用。于是本文重点对目前的智能负荷预测方法进行研究。
1.国内外研究情况
电力负荷变化受到各种因素影响，比如当地的社会经济的发展，气候条件，地区内工业、旅游业等的影响，其中，气候条件对于地区内的负荷也有比较显著的影响，在对负荷数据进行分析研究后可以发现，地区的负荷变化与影响因素之间存在非线性关系，由于影响因素众多，负荷预测的基本思路就是找到影响因素与负荷之间的非线性关系，这也是负荷预测的基本研究方向。由于影响因素和负荷 之 间是一种非线性关系，人工神经网络、支持向量机等一些智能算法具有很好的非线性拟合能力，所以在现在的负荷预测中，智能算法在国内外研究中占了很高比重，主要工作就是优化算法，优化输入以此来达到更好的预测精度。
2.电力负荷预测方法
2.1传统的负荷预测方法
(1)回归分析法
回归分析预测方法就是通过建立一个负荷与影响负荷变化因素之间的回归关系式，在这里，主要就是找到负荷受到哪些因素影响，然后建立这些因素对于负荷的关系，当然在方程中会有未知参数，这就需要根据已知的数据通过一定的算法来求出未知参数，这样就建立起了针对该地区负荷预测的模型，一般采取最小二乘法来进行参数求取。
回归分析法的优点是很好理解模型的含义，而且模型简单易懂，参数较少，求参数方法也比较简单，所以预测的速度较快。当然回归分析法对于历史数据要求较高，并且由于模型简单故准确度相对较低;而且由于模型限制，此方法无法将大量的影响因素考虑进来。同时该模型对于如何初始化也有较高要求。
(2)时间序列法
按一定时间间隔进行采样并且记录下来的历史负荷数据形成的有序集合叫做电力负荷的历史数据，由时间序列的知识可以将电力负荷的历史数据看成是一个时间序列，再用时间序列解决问题的办法来解决电力系统负荷预测问题，目前取得了较好的效果，应用也比较成熟，具体的做法就是在已知的历史数据序列的基础上，建立数学模型来描述负荷值与时间的相互关系，确定时间序列的表达式，通过该模型来进行时间序列的负荷。时间序列方法优点就是时间序列所需要的数
据量比其它的预测方法要少，所以时间序列在计算速度上具有优势，并且由于时间序列的连续性的特点，对于负荷预测的连续性也能很好的保留。但是时间序列方法要求建模人需要比较高的理论水平，对建模本身来说也比较复杂;对于模型本身来说它要求原始时间序列的具有较高的平稳性，故该方法的应用较局限只适用于在短期负荷预测中负荷变化比较均匀的那部分;该方法对于周期性时间考虑较多但对不确定因素考虑较少，对于天气或节假日负荷影响因素较多的时间段还存在很大的误差。
(3)灰色模型法
近年来，灰色模型法凭借在解决不确定因素的问题中的优越性广泛应用于很多领域，比如气象和农业领域。在电力系统中电力负荷受很多因素的共同影响，在这些因素中，有的因素确定，有的因素不确定，这就给了灰色系统负荷预测空间，我们可以把电力系统看成一个灰色系统来考虑，灰色系统在计及不确定因素的负荷预测具有优势。灰色系统在在负荷预测中的计算量较小，而且由于负荷预测的不确定因素多，这恰恰又是灰色预测法的优点，故准确度较高。该方法应用面广，对于各个时间长短的负荷预测都能有很好的预测准确度。在具体建模过程中也比较简单。但该方法不足之处应用面比较窄，只对指数趋势负荷预测效果较好。此外，传统的负荷预测方法还有负荷求导法，也就是通过梯度求导的方法来进行负荷预测，相似日法即通过找到与待预测日相似的一些历史负荷日，再对历史负荷日通过一定的方法进行修正来提高负荷预测的准确度等。
2.2智能负荷预测方法
随着人工智能的发展，智能化负荷预测方法不断地产生并应用于实际的生产活动中。以下将介绍常见的智能化负荷预测模型，分为单一模型智能化负荷预测法和多模型融合的智能负荷预测方法。
2.2.1单一模型智能预测方法
(1)BP 神经网络及优化
由于传统的BP神经网络具有训练速度慢且容易陷入误差局部极小点的缺点，改进的BP神经网络算法分别为自适应BP算法、弹性梯度下降法和 L-M（Levenberg-Marquardt）法。自适应BP算法是根据误差大小自动调节学习速率，克服了传统的固定大小学习速率导致的训练速度慢的缺点；弹性梯度下降法将传统的BP神经网络算法中根据梯度大小调整权值和阈值修改为固定的调整值，然后根据误差偏导数的符号调整该调整值的大小；L-M 法结合了标准BP神经网络算法训练初期下降速度快的优点和拟牛顿法法在靠近误差极小点时能避免震荡情况的发生的特点对负荷数据进行预测。经计算得改进的BP神经网络 L-M 法的计算结果优于其他的两种改进的结果。还有一种改进的BP神经网络算法是对隐层节点数进行调整。对于传统的BP神经网络隐层节点数个数的确定一般都是根据经验设定，优化BP神经网络的预测精度的方法是对BP神经网络采用试探法对隐层节点数进行改变。即不断地选择不同的神经网络隐层节点数后计算模型的预测精度，选择计算精度最高的隐层节点数为最后BP神经网络的隐层节点数。
(2)多重BP神经网络
对于多重BP神经网络解决了海量数据下BP神经网络运行时间长且容易出现过拟合的问题，借助于大数据平台运用聚类分析的方法将不同的负荷进行分类，然后更新整体BP神经网络的权值和阈值，对未来的负荷进行预测。预测结果比传统的运用BP神经网络的精度高，但是需要借助于Hadoop大数据平台对数据进行处理，数据处理阶段较为繁琐。
(3)LSTM 神经网络
CNN-LSTM混合神经网络模型将影响负荷的因素和历史负荷的特征图作为输入，运用CNN，即卷积神经网络，提取数据特征，形成新的时间序列数据。将新的时间序列数据运用LSTM，即长短期记忆神经网络，进行训练，然后对负荷进行预测。由于LSTM训练速度较慢，所以在进行特征输入时运用CNN神经网络进行特征提取，预测结果表明CNN-LSTM网络的预测精度高于单一模型 LSTM 神经网络, 随机森林和随机森林的预测精度高于ARIMA模型。
(2)基于 Stacking 的集成学习
基于 stacking 模型的集成学习方法对负荷进行预测，首先运用K折交叉验证法将模型划分为不同的训练集和测试集。然后选取 LSTM 神经网络、XGboost、随机森林、梯度提升法（GBDT）、支持向量机（SVM）、K近邻(KNN)作为第一层的基学习器，将各个模型的预测结果作为新的数据集，再对新数据集划分测试集和验证集，以 XGboost 方法作为第二层的元学习器，对新的数据集进行学习，最后得到负荷预测的结果。结果显示，基于 stacking 模型的集成学习的预测精度高于单一的基于支持向量机的预测精度。但是运用该方法需要对每个基学习器训练若干次，增加了算法计算的时间复杂度。具体的 stacking 模型的集成学习方式如图 1 所示。
基于CNN-GRU-Attention对负荷进行预测，首先是利用CNN对数据进行特征提取，然后用提取的数据运用门控循环神经网络(GRU)作训练，将训练得到的输出结果通过Attention机制加权得到输出层的输入，然后根据attention机
制得到的结果计算最终预测的负荷值。
(4)CNN-LSTM-XGBoost 模型
为提高输入特征信息较少情况下的预测精度，采用CNN-LSTM-XGBoost的多模型融合方法。首先通过CNN对特征数据进行提取，减少LSTM的输入特征，同时保证精度。解决了LSTM网络训练慢的特点。然后运用XGBoost模型并行预测，降低了数据的处理时间且比使用单一模型支持向量回归(SVR),LSTM 神经网络和梯度提升算法(GBDT)模型的精度更高。
(5)GA-SVM 模型
基于 GA-SVM[9]的负荷预测模型，首先以历史负荷、日期类型和气象因素为输入变量，对训练数据运用遗传算法寻优，计算支持向量机的惩罚因子和径向基函数，然后运用支持向量机对未来一天的负荷进行预测, 其预测精度优于BP神经网络算法。
GA 属于遗传算法，该算法主要是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它首先将问题求解表示为常用的二进制编码串，然后从中选取适应环境的样本个体，过滤掉不好的样本个体，然后将筛选得到的样本个体复制再生，通过交叉、变异等遗传算子产生新一代染色群体。依据之前设定的各种收敛条件，从新老样本中选出适应环境的个体，不断更新，每一代都在进步，最后收敛到适应环境个体上，计算求得最优解。
(6)Attention-ResNet-LSTM 模型
基于 Attention-ResNet-LSTM 网络的中期负荷预测模型，将 Attention 机制引入LSTM模型，赋予不同的权重于特征向量，加入 ResNet 网络后计算出负荷的预测值。首先运用Attention机制对关键信息进行提取，同样是少冗余变量的输入，加快训练速度且保证预测的精度。Attention机制就是模拟人的大脑在某一时刻对大量信息中的某一部分重要信息分配更多的注意力，对其他关注很少的信息将其忽略，从而挑选出重要信息，减少LSTM的输入特征。采用Attention机制对模型输入的特征向量赋予不同的权重，从而找出更关键的因素，有助于模型进行精准的负荷预测。在LSTM人工神经网络中加入Attention机制，找出影响负荷预测的重要因素，提高预测精度,Attention单元如图 2所示。ResNet 用于减少信息损失且提高神经网络运算的收敛速度。
[12] 耿艳，韩学山，韩力． 基于最小二乘支持向量机的短期负荷预测[J]． 电网技术，2022，32(18): 72－76．
[13] 廖旎焕，胡智宏，马莹莹，等.电力系统短期负荷预测方法综述[J].电力系统控制与保护，2022，39(1): 147 － 152.[14] 李博，门德月，严亚勤，等.基于数值天气预报的母线负荷预测[J].电力系统自动化，2022，39(1): 137 － 140.[15] 于道林，韩少晓，李晨，等.考虑需求响应的电力系统短期负荷预测模型[J].青岛大学学报(工程技术版)，2022，31(3):6 － 10.[16] 苏卫华，储琳琳，张亮，等.考虑需求侧管理的负荷预测方法研究[J].华东电力，2022，38(8): 1236 － 1239.[17] 朱慧婷，杨雪，陈友媛.电动汽车充电负荷预测方法综述[J].电力信息与通信技术，2022，14(5): 44 － 47.[18] 李小璐.贵州电网负荷预测分析［J］.贵州电力技术，2022，17(5): 49 －51.
电力系统年终工作总结
预测之外
电力系统先进事迹材料
电力系统工程师简历模板
电力系统班长岗位职责
