现货市场就要来了，所有人都在关注电力负荷预测。那么负荷预测有哪些算法，哪种算法最合适?
负荷预测概述
1.1 负荷预测的重要性
目前，国内的电改正在如火如荼的开展，据称目前国内的售电公司数量已经突破了两万家。而各省也在积极的准备现货市场的改革，在2019年以及2020年，广东、浙江等地的现货市场就要真正落地实施。届时，负荷预测能力的强弱，将成为售电公司洗牌的一大关键。在现货市场来临的背景下，签约策略、报价策略、交易策略、单个用户经济测算等等售电公司逃不开的行为，都是以负荷预测的结果作为基础。没有准确的负荷预测结果，售电公司甚至无法在现货市场进行报价，这样的后果便是高额的偏差费用，这是售电公司无法承担的。因此，负荷预测的能力对如今中国的售电公司来说，是至关重要的。
1.2 负荷预测概念简述
所谓预测，就是指通过对事物进行分析及研究，并运用合理的方法探索事物的发展变化规律，对其未来发展做出预先估计和判断。电力系统负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来特定时刻的负荷数值。提高负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有利于制定合理的电源建设规划，有利于提高电力系统的经济效益和社会效益。对于售电公司来说，有利于售电公司决定自己的中长期合约签约策略，现货市场报价、交易策略，单个用户的经济测算等行为。因此，负荷预测已成为实现电力系统管理现代化、售电公司向现货市场转型的重要内容之一。
短期(两周以内)负荷预测在整个电力调度、售电公司参与现货市场的工作中起关键作用，它为基本发电计划、计算机在线电网控制、系统安全分析、日前市场报价、日内(实时)市场交易等提供基础数据，从而使得电力调度工作更贴合实际，发电效率更高，使得售电公司减小自己上报电量与真实用电量的偏差。
在规模上，负荷预测可以分为电网层级的负荷预测以及用户层级的负荷预测。电网公司主要采用的是电网层级的负荷预测，这对整个电力系统的稳定、安全运行，改善系统运行经济型有着决定性的意义。对于售电公司来说，用户层级的负荷预测是更相关的。售电公司需要对自己的用户组合以及单一用户做电力负荷预测，基于这个预测的结果再开展其他的行为。
从下图就可以看出，相比电网层级，用户层级的负荷预测是更加困难的。下图中，上面的Grid level即电网层级，它的负荷曲线较为平缓，且相同条件下(如日期、天气等)负荷曲线差距不大，较为容易预测;而下方的Household level，即用户层级，可以看出它的负荷曲线波动剧烈，且具有很大的随机性，不易预测。
不同层级的负荷曲线
虽然用户层级的负荷预测更加困难，但是它确是所有售电公司、虚拟电厂公司等无法回避的，尤其是短期(一天以上两周以内)以及超短期(一天以内)的用户层级负荷预测。下文便是重点介绍短期以及超短期的负荷预测方法。
负荷预测的基本方法
(超)短期负荷由于受天气变化、社会活动和节日类型等各种因素的影响，在时间序列上表现为非平稳的随机过程，但是影响系统负荷的各因素中大部分具有规律性，从而为实现有效的预测奠定了基础。目前用于短期负荷预测的方法很多，较为新的算法主要有神经网络法、时间序列法、回归分析法、支持向量机法、模糊预测法等。电力负荷预测研究的核心问题是如何利用现有的历史数据，建立预测模型，对未来时刻或时间段内的负荷值进行预测，因此，历史数据信息的可靠性和预测模型是影响短期负荷预测精度的主要因素。随着现在电力系统管理信息系统的逐步建立，以及天气预测水平的提高，准确获取各种历史数据已不再困难，因此，短期负荷预测的核心问题是预测模型的水平高低，以下是各种负荷预测方法的简述：
2.1 神经网络法(人工智能)
神经网络法是目前最先进的负荷预测方法。作为人工智能算法的一种，神经网络已经在图像识别、自然语言处理、机器翻译、自动驾驶等方面有了大量成熟的使用。谷歌、百度、阿里、科大讯飞等国内外知名的人工智能企业最主要的人工智能算法都是神经网络。同样的，神经网络在能源领域也有很广泛的应用，不止在电力负荷预测，也包括电力现货市场价格预测、风电发电预测等领域。
神经网络法在负荷预测上的应用主要分为人工神经网络(Artificial Neural Networks, 以下简称ANN)和递归神经网络(Recurrent Neural Networks，也称循环神经网络，以下简称RNN)。其中，RNN是相对ANN来说效果更好的算法。
神经网络法选取过去一段时间的负荷作为训练样本，构建适宜的网络结构，用某种训练算法对网络进行训练，使其满足精度要求之后，此神经网络作为负荷预测模型，实践证明人工神经网络短期预测有较好的精度。人工神经网络的优点能够对大量非结构性、非精确性规律具有自适应能力，具有信息记忆、自主学习、知识推理和优化计算的特点，还有很强的计算能力、复杂映射能力、容错能力及各种智能处理能力，特别是其学习和自适应功能是其他算法所不具备的。
神经网络法的不足在于模型结构的搭建，学习速度的优化，局部最小点等难题。
交能网的负荷预测算法模型便是基于RNN开发的，如有需要，欢迎加文章最后工作人员微信洽谈。
2.2 时间序列法
电力负荷的历史数据是按一定时间间隔进行采样和记录下来的有序集合，因此是一个时间序列，时间序列方法是目前电力系统短期负荷预测中发展较为成熟的算法，根据负荷的历史数据，建立描述电力负荷随时间变化的数学模型，在该模型的基础上确立负荷预测的表达式，并对未来负荷进行预测。
时间序列方法优点是所需数据少，工作量小;计算速度较快;反映了负荷近期变化的连续性。
时间序列方法存在的不足是建模过程比较复杂，需要较高的理论知识;该模型对原始时间序列的平稳性要求较高，只适用于负荷变化比较均匀的短期预测;没有考虑影响负荷变化的因素，对不确定性因素(如天气、节假日等)考虑不足，当天气变化较大或遇到节假日时，该模型预测误差较大。
2.3 回归分析法
回归分析预测方法是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量与因变量之间的相关关系及其回归方程式，确定模型参数，据此推断将来时刻的负荷值。
回归分析法的优点是计算原理和结构形式简单，预测速度快，外推性能好，对于历史上没有出现的情况有较好的预测。
存在的不足是对历史数据要求较高，采用线性方法描述比较复杂的问题，结构形式过于简单，精度较低;该模型无法详细描述各种影响负荷的因素，模型初始化难度较大，需要丰富的经验和较高的技巧。
2.4 支持向量机法
支持向量机(SVM)是一种基于统计学习理论提出的能实现在有限样本条件下满足VC维理论和结构风险最小原理的机器学习方法，具有泛化能力强，全局最优和计算速度快等突出优点。但其自选参数和核函数的选择，通常情况下主要靠经验确定，有较大的人为因素。同时，其缺乏对模糊现象的处理能力，模型误差会造成回归值和实际值的差距。
2.5 模糊预测法
模糊预测法是建立在模糊数学理论上的一种负荷预测新技术，模糊数学的概念可以描述电力系统中的一些模糊现象，例如负荷预测中的关键因素：天气状况的评判、负荷的日期类型的划分等，将模糊方法应用于负荷预测可以更好地处理负荷变化的不确定性。目前，模糊理论应用于负荷预测主要有以下几种方法：模糊聚类法、模糊相似优先比法和模糊最大贴近度法等。
从实际应用来看，单纯的模糊方法对于短期负荷预测，精度难以满足要求;同时要求提供较多的历史数据，在实际应用中存在困难;其优点是预测结果可以预测区间及概率的形式描述。
2.6 其他传统方法
电力负荷预测还有很多上文未提及的传统方法，例如负荷求导法、相似日法、卡尔曼滤波法、指数平滑法、灰色预测法等等。由于欧美最新的负荷预测算法都不再使用这些方法，这些方法的效果与新的算法如神经网络法相比，也没有优势，故不再赘述。
