电力需求预测系统

电力需求预测系统（共12篇）

电力需求预测系统 篇1

本文针对短期负荷预测中的神经网络参数无定论以及中长期负荷预测在非稳定增长型负荷趋势下预测精度不高且无法筛选模型的问题,提出解决方案。在电力系统负荷预测领域起到解决负荷预测过程中常见疑难问题的作用。

如付诸现实将产生人力物力资源调配更加合理的局面。

电力系统负荷预测对于电力部门规划未来几年的工作任务、合理部署人力物力资源、经济合理地管理电力系统,具有极为重要的意义。本文首先介绍了电力系统负荷预测的特点及其发展现状,然后根据负荷预测领域目前常用的六种预测模型,对其优缺点进行了简要分析并介绍了适用条件。最后,针对目前负荷预测领域中常见的几种问题提出了一些建议。

电力系统负荷预测是以电力部门历史负荷数据为支撑,结合不同的计算方法,用以预测未来时段负荷值或电量值的理论。电力系统负荷预测对于电力部门合理有效地安排下一阶段的工作任务,具有极为重要的意义。

日前,中国电力企业联合会发布了《2016年度全国电力供需形势分析预测报告》。报告中指出,在2016年,我国的宏观经济增长速度将表现出平稳增长、略有下降的态势。总体来看,我国仍处于电力供需相互持平的稳定局面,但也存在用电高峰时期供电不足的问题。为了缓解用电高峰时期给电网带来的压力,合理准确的负荷预测方法显得尤为重要。

负荷预测的特点及现状

负荷预测的特点

电力系统负荷预测,是根据电力系统的历史负荷数据,对未来时段或未来状态下的电力负荷进行推算,所以,负荷预测的研究对象是不肯定事件。对不肯定事件或者随机事件的研究,推动着负荷预测技术的发展,使“不肯定”达到“可能”的状态,便使得负荷预测具有条件性、不准确性、时间性与多方案性的特点。

负荷预测的现状

电力系统负荷预测是电网部门的重要工作内容之一。而负荷预测的核心问题,则是预测方法的问题。随着负荷预测领域的发展,越来越多的算法陆续应用到负荷领域之中,使得负荷预测的适用性更强并且预测精度更高,并且一些具有多功能的负荷预测软件包,也已由国内专家研发而出。

华北电力大学的牛东晓教授等人,根据多年的负荷预测研究与应用经验,已经研发出多种极具实用性的软件包。该软件包涵盖了短期、中期、长期负荷预测的各个方面,已达到国际领先水平,并且也已在全国各电力行业广泛应用。

负荷预测的常用模型及适用范围

负荷预测模型

1. 回归分析模型

回归分析法是利用统计学原理,对电力系统中统计到的大量负荷数据进行数学处理的一种方法。在回归分析模型中,一般以时间、国民经济、人口数等为自变量,以电量或负荷值为因变量,通过回归分析算法计算得到预测方程,辅之以外推法,进而对未来一段时间或某一状态进行负荷预测。

根据自变量数目的不同,回归分析模型可以分为一元回归分析模型和多元回归分析模型;根据历史数据的整体趋势,回归分析模型又可以分为线性回归分析模型和非线性回归分析模型。如果再将上述两类模型进行重新组合,又可生成一元非线性指数增长模型、多元线性回归分析模型等多种回归分析模型。

2. 随机时间序列预测模型

随机时间序列预测模型是一种应用较早并且普及面较广的预测模型。在一般的预测模型中,因变量通常为可控变量,而自变量为随机变量。但是在随机时间序列预测模型中,因变量和自变量均可以为随机变量(如将负荷自身的过去时值作为模型的自变量等情况)。当然,随机时间序列预测模型在实际应用中,也多以时、日、周、季等为自变量,根据历史负荷数据的特点,以负荷值或电量值为因变量构建预测模型,进而实现对未来时段的负荷预测。

随机时间序列法在预测过程中,虽然其在某一时刻对应的预测值是随机的,但从整体趋势上看,却表现出某种程度的随机性,所以按照类型来分,一般可以分为平稳时间序列和非平稳时间序列。

3. 人工神经网络模型

神经网络(ANN)预测技术作为近年来广泛发展的技术,在负荷预测领域的应用,有着极为突出的表现。神经网络技术的优点在于其可以模仿人脑的处理过程,对大量非线性、不确定性规律表现出极强的自适应性、记忆性特点,并且能够自主学习、推理和优化,具备其它系统所不具备的智能化特点。

随着ANN技术的广泛发展,反传算法也逐渐被应用于ANN技术中,并以此作时间序列的预测。其中的误差反向传播算法,提出了一种简单的三层神经网络模型,该模型可以实现输入和输出之间任何复杂的非线性映射关系,此即为广为人知的BP神经网络模型。ANN技术的主要优点在于其良好的函数逼近能力,可以更好地拟合多复杂自变量和因变量之间的关系,再通过反向传播算法,可以得到更为优化的、更为精准的预测模型。ANN技术相比于传统的负荷预测方法,其具备无可比拟的适应性和优越性,但其训练过程需要的时间较长,而且很有可能无法收敛,同时神经网络中隐含层数目、节点数等的选取都还没有确定的理论,有待探索和完善。

4. 灰色预测模型

灰色预测理论并非是统计学范畴的理论,其理论依据是灰色累加生成技术。灰色预测模型是将一切随机变化量看作隶属于某一范围的灰色量,通过不断的累加生成,得到一个在趋势上近似指数规律的新序列,经过常微分方程求解后,可以得到累加后的预测方程。最后根据累加生成的逆过程,即累减还原法,还原得到所需要的原序列预测模型。在众多的灰色模型中,以GM(1,1)模型最为常用。灰色预测模型相比于其它预测模型,具有对样本量要求少、对历史数据无要求、计算速度快等优点。其适应于小样本的特点,使得灰色预测技术在中长期负荷预测中广泛使用。

理论上,灰色预测模型对历史负荷数据的趋势没有要求,可以广泛适应于各种历史数据。但由于其本身就是在累加生成和常微分方程的基础上求解得出,所以当历史数据本身表现出增长趋势时,其预测精度将大大提高;当历史数据的趋势波动较大,具备离散特性时,会使系统白化程度加大,从而降低预测精度。

5. 小波分析预测模型

小波分析法是一种时域-频域分析法,它作为二十世纪世界研究成果的杰出代表,极大程度地吸取了现代分析学中的诸多精华,并广泛应用于各个领域。

在负荷预测中,小波分析法的主要用途是:通过选择合适的小波,可以实现对不同性质的负荷的分类。根据分类结果,从而可以更有针对性对某一负荷采用更为合适的预测方法。利用分解后各组数据表现出的较为明显的周期性,此时再对分解后的序列分别进行预测。最后通过预测序列的重构,得到所需要的预测结果。但是在重构过程中,由于累加特性,不可避免地伴随着误差地累加,所以也在一定程度上影响了小波分析法的预测精度,并且也使得模型建模更加复杂。

6. 组合预测模型

由于众多预测模型的存在,并且每个模型都有各自的突出优点和适用性,所以,为了实现“扬长避短”的目标,充分发挥每一个模型的优势,组合预测模型应运而生。组合预测模型是根据历史数据的趋势,选择满足精度要求的各单一模型分别预测,最后通过适当的权重分配方法,为各预测模型分配权重,实现最终的组合预测。经实践证明,组合后的模型相比于各单一模型,在预测精度上均有不同程度的提高。

在组合预测过程中,灰色理论中灰色关联度的概念,对于提高组合预测模型的精度具有重要影响。模型的选择具有主观性,这个主观性将在很大程度上影响模型的最终预测精度,而灰色关联度则是客观的检验标准。灰色关联度作为衡量两个模型预测值贴近程度的概念,在负荷预测过程中,被广泛应用于模型的初步筛选工作。经灰色关联度初步筛选后,用满足灰色关联度的模型组合预测,辅之以适当的权重分配方法,将实现最优化预测的目标。

各预测模型的适用范围

通过以上六种模型的阐述可以看出,常用的负荷预测方法均有各自的优点和不足,适用的场合也不尽相同,所以,预测模型的具体选取方法应结合实际情况分类分析。

(1)从历史数据趋势看,当负荷的历史趋势本身就表现出常见的函数特点时(如一元线性、指数增长等),回归分析法、趋势外推法、灰色预测技术、组合预测模型都将很大程度上提高预测精度。

(2)从历史数据的数量上看,当历史负荷数据数量较少,即小样本情况下,灰色预测模型、回归分析模型中较为简单的一元线性回归分析模型、一次指数平滑和一次滑动平均模型均可采用;当历史负荷数据数量较多,即大样本情况下,神经网络模型、回归分析模型均可采用。

(3)从预测时间长短上看,当预测目标为短期预测、超短期预测时,神经网络模型、小波分析模型等较为适用;当预测目标为中长期预测时,灰色预测模型、回归分析模型、趋势外推模型等则较为适用。

当前负荷预测的问题和建议

当前负荷预测的问题

当前,负荷预测领域主要是以预测时间的长短为分类标准,即分为短期负荷预测和中长期负荷预测。对短期负荷预测而言,BP神经网络算法应用极广。但是BP神经网络算法的应用,不可避免地要面对隐含层数、节点数、训练次数等算法参数的设定。目前的设定方法多为尝试法或经验法,即通过多次尝试或按照已经具备高精度预测能力的模型的设定方法,来设定神经网络模型中的隐含层数及节点数。如此一来,便缺少一套具备客观评价能力并且能被业界认可的概念来弥补短期负荷预测过程中的不足。

对于中长期负荷预测而言,各种单一模型经灰色关联度检验并筛选后,选择合适的权重分配方法,最终进行组合预测,此为目前较为常用的负荷预测方法。但在组合预测过程中,历史负荷数据的趋势往往不能保持稳定增长,甚至逐渐出现稳中有降的趋势。这种趋势的出现,让现有负荷预测算法面临考验。特别是近年来全国GDP走势逐渐减缓,并且智能电网、主动配网等工程也相继推广,分布式电源等的投运也都对负荷的增长趋势产生了不同程度的影响,波动型负荷曲线也将逐渐增多。

在此种情况下,即便有灰色关联度等对模型进行初步筛选的手段,往往也有可能出现某一单一模型的预测精度高于组合预测精度的情况。所以对于中长期负荷预测的组合预测方法而言,寻找一套能够适应当前负荷变化规律的模型筛选方法已成为当务之急。

对现有问题的建议

对短期负荷预测而言,关于BP神经网络算法中的隐含层数、节点数、训练次数等问题,国内外已有不少专家从事相关研究,文献至文献分别提出了不同的优化方法,但近年来相关研究较少。笔者认为,通过较为重大的国际学术会议,采取专家研讨的方式,或许可以有助于该问题更好地解决。

对于中长期负荷预测而言,文献中提到了一种基于马尔可夫链预测法筛选组合预测模型的方法。该方法从历史负荷数据相邻两年的增长率出发,为组合预测模型的筛选提供了新的思路。

结语

本文通过从当前电力系统负荷预测的特点出发,阐述了负荷预测的现状。根据负荷预测的不肯定性特点,介绍了负荷预测领域常用的六种预测模型,并对各模型的优缺点做了简要分析。针对负荷预测过程中,不同情况下各模型适用性不同的特点,本文从三个角度描述了模型的选取方法。最后,针对当前负荷预测过程中存在的问题,提出了相应的解决办法。

随着近年来国民经济走势趋于平缓化、分布式电源的逐渐普及以及主动配网等试点工程的开展,负荷曲线波动的问题将会逐渐暴露出来。相信这些新问题的出现,也将进一步促进负荷预测领域的发展。

电力需求预测系统 篇2

电力需求侧管理(Demand Side Management，简称DSM)是指通过提高终端用电效率和优化用电方式，采取有效的激励措施，引导电能消费者改变用电方式，使电力资源得到优化配置，达到节约能源，保护环境的用电管理活动。20世纪90年代初，电力需求侧管理引入到我国，国家有关政府部门及部分省级政府出台了很多关于电力需求侧管理的政策，对实施有序用电、提高能效、缓解电力供需矛盾发挥了积极作用。电能计量集抄系统是DSM信息系统的基础，也是其重要组成部分。集抄管理系统的构成典型的电能计量集抄系统主要由电能表、终端采集器、采集通讯系统、中心处理系统构成，通过网络还可以和电力公司的营业收费系统相连实现负控、抄表、收费一体化。整个系统的连接是由采集通信系统的2个信道组成：电能表：终端采集器，称为下行信道；终端采集器：主站系统。称为上行信道。

1.1电能衰

太原市现主要应用的是全电子多功能电能表。它通过乘法器完成对电功率的测量，可获得有功、无功、最大需量、电压、电流和功率因数等多项数据。输出接口分为RS485接口型和低压配电线载波接口型两大类，可充分满足终端采集器的要求。

1.2终端采集器

终端采集器是整个集抄管理系统中的核心，分为单表采集器和多表采集器两种，单表采集器只能采集、存储1块电表的数据，多表采集器可同时采集、存储8、12、16、24、32或64块电表的数据，采集器除完成电表的各类数据采集、储存工作以外，还要根据系统的要求完成和主站系统之间的数据通讯。

1.3采集通信系统

1.3.1下行信道

按照采集数据的通讯方式及媒介的不同，分为RS485总线网、单导线脉冲采集和低压电力线载波通讯网。

RS485总线：采集器和电能表之间采用屏蔽双绞线(485总线)，用于采集电能表数据。该系统适用于城市较分散的商业用户和居民用户，每个电能表需安装内置式485模块，该模块将电能表的脉冲转换为数据，然后通过485接口传送到采集器。电能表和采集器之间的485网线长度不能超过1200m，这是目前使用较多的一种方式。

单导线脉冲采集：采集器和电能表之间用一般导线连接，用于脉冲采集。该系统适用于居民和商业户较为集中，并且电能表计已安装在集中表箱内。

低压电力线载波通讯：是电力系统特有的通讯方式，它利用低压线路进行多路载波调制、线性调频脉冲、双音多频调制、扩频、窄带通讯等多种方式。对低压电力载波通讯造成较大影响的因素有：低压电力网噪声干扰如交、直流两用电动机、配电变压器、电视接受器等等，会造成数据传输质量的降低；电力线路的阻抗特性限制了信号的传输距离。

1.3.2上行信道

按照通讯介质的不同，常见的分为有线和无线。有线包括：①电话网(PSTN)：投资小，但信息易堵塞；②光纤传输：投资大，传输质量高；③有线电视网：不易铺设。无线包括：①GPRS／GSM通讯：是目前常用的一种方式，价格低廉、通讯速度快、可靠但容易发生信息堵塞造成数据丢失；②无线电台：信号不稳定、投资较大；③红外抄表系统：是南红外掌上电脑和主站系统组成，不需要终端采集器，降低了一部分成本但必须人员到现场，降低了自动化程序和信息数据的实时性。

1.4中心处理系统

中心处理系统主要由中心处理工作站以及相应的软件构成。是整个电能计量集抄系统的数据管理层，同时也是其成果体现的地方。中心处理系统作为整个系统的最终组成部分，根据采集回来的数据进行分析整理，为电力管理提供多项服务。中心处理系统对硬件的要求比较高，要求工作站具有快的运算速度和大的储存空间，对应用软件的要求是需满足电力需求管理的各项功能分析。集抄管理系统的功能

集抄管理系统的主要功能是：电力营销管理功能、DSM信息系统的服务功能、营销分析与决策分析支持功能等。

2.1电力营销管理功能

集抄管理系统对电力营销管理支持功能包括远程抄表、电费回收、电能计量、用电秩序管理等。

2.1.1远程抄表

集抄管理中心实现定时实时远程抄表，保证结算电能表的及时和准确，与电力营销网相连后可随时进行电费收取、票据打印、报表统计等操作。

2.1.2电费回收

集抄管理系统可利用采集终端的信息发布功能，向用户发送相应催费信息，增加电费催收的途径；可利用负荷控制功能，对违反电力法和不按时履行缴纳电费义务的，限制用户继续用电。集抄管理系统还可通过预付费电能表提供预售电控制功能，从而增加了电费回收的力度。

2.1.3电能计量及用电秩序管理

集抄管理系统实现对用户端电能计量装置运行状况的在线监测，为电能计量及用电秩序管理提供了技术平台。集抄终端通过数据接口，连续(循环)将电能表数据传送至中心处理系统，实时在线监测电能计量装置的运行状况，对掉电、断相、失流、逆相序、编程计数、时钟偏差等异常工况自动报警，同时记录事件和相关数据；为用电异常分析提供依据，开展负荷跟踪对比等综合数据监测分析功能。

2.2DSM信息系统的服务功能

电能计量集抄管理系统的主要目的是DSM信息系统管理的服务支持：①系统对用户电量数据进行采集和分析。正确反映当前电力市场的需求，为电力企业分析市场、平衡电力需求提供基础数据；②提供用户的负荷曲线，能够帮助用电企业对电力负荷和成本进行分析，为企业节能增效提供技术指导工作；③检测供电质量，为提高电压合格率提供数据；④能够及时判断电力故障，提高供电抢修的速度；⑤可落实和执行避峰、限电等电力需求侧管理措施和方案。

2.3营销分析与决策分析支持功能

集抄管理系统与电力营销网连接实现数据共享，为电力营销管理决策提供技术数据支持。能够对各种行业的用电特性进行分析，作出行业负荷预测；对每个时段的电量动态监测，决策峰谷负荷；为售电量、线损等报表分析提供数据基础；为电力线路的负荷平衡和发展提供必要的电量分析结果。集抄管理系统的选择

选择集抄管理系统就是选择数据通讯网络，也就是两个信道的选择。在采集通讯系统中上行和下行信道，可以相同也可以完全不同，不同的组合能够形成不同的集抄系统。每个模式都有优点和缺点，怎么选择在于各地区的实际情况来考虑。如太原市用户数量较大分散均匀，且移动和联通无线通讯覆盖面较广，于是下行信道采用全电子多功能表通过RS485总线和多表终端采集器就地连接；上行信道采用终端采集器通过GPRS／CDMN无线通讯和中心主站连接。这样，下行信道虽然使用了较多的采集器，但就地连接安全可靠、数据采集完整，并减少了施工布线和运行维护的工作量。上行信道租赁无线机站或号段，极大地减少了投资成本，只需支付短信流量费用，但在信号减弱的地方或信息高峰时。数据不易传输。无论选择什么样的组合方式，通讯信道的可靠性是采集通讯系统技术中的关键。结束语

油田电力系统长期负荷预测方法 篇3

【关键词】油田电力系统；长期负荷预测；分析；安全运行

引言

在考虑外界的因素和自然条件基础上，进行油田电力系统未来的负荷预测，对整个电力系统中网节点的分布以及油田电力系统的拓展有着巨大的作用，不仅可提高供电的可靠性和安全性，同时能带来巨大的社会效益和经济效益。

一、油田电力系统长期负荷预测特点

（一）不确定性

对于油田电力系统来说，由于系统收到诸多复杂因素的影响，并且各种因素也在不断发生变化，对于电力系统的影响也不是一层不变的。尤其是对于复杂线路来说，不仅仅存在随机因素，也会存在一些突发因素，这些因素对于电力系统的影响是很难确定的，这就带来油田电力系统长期负荷预测的不确定性。

（二）条件性

油田电力系统长期负荷预测是在一定条件下进行的。在进行预测时，结合相关的数据资料，对于不确定的参数进行假设，如假设未来一段时间内油田电力系统用电量不会发生大范围的波动，无大的自然灾害发生，石油行业的整体发展形式良好等，最终根据假设结果对于整体系统进行计算。当然进行假设的前提是必须遵循客观事实，不能够凭空想象，随意假设，要根据调查分结果，利用概率论的相关知识进行假设。

（三）时间性

油田电力系统长期负荷预测具有时效性，即预测结果只能对一定时间范围内油田电力系统起效。这主要是由于油田电力系统负荷的发展规律只存续于特点时间范围内，而不是固定不变的，因此在进行油田电力系统长期负荷预测时选取的历史数据要限制在特定的时间限度内，所预测的对象也只能是在某一时间范围内的。

（四）方案不唯一性

根据可能性原理，油田电力系统负荷在未来存在多种可能性，并且这些可能性之间相互独立，甚至是存在非常大的差距。因为为了保证油田电力系统长期负荷预测的准确性，应该充分考虑在多种条件作用下，油田电力系统负荷可能出现的所有状况，从而得到不同条件下的油田电力系统长期负荷预测方案。

二、油田电力系统长期负荷预测方法

（一）基于MAS的分布协调与自适应控制

信息化技术推动了电力系统长期负荷预测技术的发展，智能Agent技术就是基于这一技术发展起来的。通常将Agent技术定义为一种集成度高、智能化程度高，能够在一定权限范围内进行自动化控制。通过将多个Agent技术个体组合在一起就形成了MAS系统，这样的系统不仅可以实现单个Agent技术个体的功能或者任务，同时多个Agent技术个体进行协作、组合，使得控制系统高度模块化与多元化。MAS系统可以充分发挥出单个控制单元的作用，从而有效解决传统控制系统中存在的故障隐藏、安全性低、抗干扰能力弱等问题。因此基于MAS的分布协调与自适应控制是未来电力系统长期负荷预测发展的重要方向。基于MAS协调的分布协调与自适应控制处理平台的协作关系，能够充分整合各方面的资源，实现数据库和知识库共享，利用多种方法实现长期负荷预测的准确性和可靠性。

（二）大数据技术

随着大数据技术的不断发展，油田电力系统规划业务覆盖范围将会进一步得到拓宽。充分利用大数据技术可以实现以下三面的规划应用价值：①用电量预测。整合分析地区历年用电量变化、规划区域面积、经济发展水平、用电结构变化等数据资料，实现对用电量的有效预测，进而为油田电力系统的优化设计提供参考；②空间负荷预测。从油田电力系统建设面积、用地类型、容积率、占地面积负荷密度，目标年占地面积、总负荷值、行业负荷值等方面入手，收集相关的数据并进行及时有效的分析，可以实现对电力系统空间负荷的有效预测，促进电力网点合理化设置，促进电力资源的高效化利用；③多指标关联分析。通过大数据技術抓取所需数据的时间一致性切片，实现对GIS，PMS，OMS等多个外部指标得联动分析，实现油田电力系统规划设计的合理性与高效性；④未来时刻断面预测。实现电力设备的数据存储、调取，实现迅速快捷的设备状态以及设备使用历史数据查询。在历史时刻查询以及设备数据质量分析的基础上，自动收集涉及设备状态变化的计划类信息，实现智能化演算，推测出未来某段时期内调度操作历程，最终预测电网在某一时刻的设备断面。

（三）参数化方法

参数化方法包括粒子群优化算法、灰色理论等方法。粒子群优化算法用来最小化模型参数的误差，预测电力系统高峰的负荷。通过采用最小二乘误差法，结合实际情况进行相关参数的计算，最终估计的优化模型参数用来预测油田电力系统的高峰负荷需求。根据负荷预测的结果制定规划和运营模式，以保证电力系统良性运行。灰色理论采用指数模型，结合油田电力系统负荷历史数据建立相关的指数预测函数。灰色系统理论提供了一个有效的工具来处理影响负荷的不确定因素，从中找到规律并建立相应的预测模型，旨在找到灰色差分方程中的最优参数。

参考文献

[1]黄文，王磊.油田电力系统中长期负荷预测方法[J].油气田地面工程，2013，32（2）：61-62.

[2]谢传胜，贾晓希，侯文甜.基于方法组合创新思想的电力系统长期负荷预测[J].水电能源科学，2011（10）：207-209.

电力系统负荷预测技术 篇4

21世纪, 电力系统负荷预测技术成为越来越重要的研究领域。科学的预测是正确决策的依据和保证。电力系统负荷预测实际上是对电力市场需求的预测。在商业化运行体制下, 电力系统负荷预测更加成为越来越重要的研究领域。电力负荷系统准确的预测有利于压低峰荷、增加谷荷, 沟通了供电商到用户的信息通道, 实现了数据实时采集、存储、计算、统计、分析自动化, 提高了从发电、供电到用电的经济效益和供电可靠性, 可以挖掘发、供、用电设备潜力, 可以延缓建设投资, 是城网改造中通过小投入换取大收入的示例, 是通过内涵发展生产的典型。总之, 电力负荷管理信息系统的应用建设具有显著的经济和社会效益。

1.1 电力系统负荷预测的组成特点和作用

电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等, 不同类型的负荷具有不同的特点和规律。

城市民用负荷主要来自城市居民家用电器的用电负荷, 它具有年年增长的趋势, 以及明显的季节性波动特点, 而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。

商业负荷, 主要是指商业部门的照明、空调、动力等用电负荷, 覆盖面积大, 且用电增长平稳, 商业负荷同样具有季节性波动的特性。虽然商业负荷在电力负荷中所占比重不及工业负荷和民用负荷, 但商业负荷中的照明类负荷占用电力系统高峰时段。此外, 商业部门由于商业行为在节假日会增加营业时间, 从而成为节假日中影响电力负荷的重要因素之一。

工业负荷是指用于工业生产的用电, 一般工业负荷的比重在用电构成中居于首位, 它不仅取决于工业用户的工作方式 (包括设备利用情况、企业的工作班制等) , 而且与各行业的行业特点、季节因素都有紧密的联系, 一般负荷是比较恒定的。

农村负荷则是指农村居民用电和农业生产用电。此类负荷与工业负荷相比, 受气候、季节等自然条件的影响很大, 这是由农业生产的特点所决定的。农业用电负荷也受农作物种类、耕作习惯的影响, 但就电网而言, 由于农业用电负荷集中的时间与城市工业负荷高峰时间有差别, 所以对提高电网负荷率有好处。

从以上分析可知电力负荷的特点是经常变化的, 不但按小时变、按日变, 而且按周变, 按年变, 同时负荷又是以天为单位不断起伏的, 具有较大的周期性, 负荷变化是连续的过程, 一般不会出现大的跃变, 但电力负荷对季节、温度、天气等是敏感的, 不同的季节, 不同地区的气候, 以及温度的变化都会对负荷造成明显的影响。

负荷预测的目的就是提供负荷发展状况及水平, 同时确定各供电区规划年供用电量, 供用最大负荷和规划地区的总负荷发展水平, 确定各规划年用电负荷构成。它为经济合理地安排电网内部机组的启停与检修, 保持电网运行的安全稳定性, 电网的发展速度, 电力建设规模, 电力工业布局, 能源资源平衡, 电力余缺调剂以及电网资金和人力资源的需求与平衡等方面提供了可靠的依据。

1.2 电力系统负荷预测的基本要求

1.2.1 负荷预测的特点

由于负荷预测是根据电力负荷的过去和现在推测它的未来数值, 所以负荷预测研究的对象是不肯定事件, 从而使得负荷预测具有以下特点:a.不确定性。由于电力负荷未来的变化趋势要受多种复杂因素的影响, 而且影响因素也是不断变化的, 有的能够预先估计, 有些很难预先估计, 这就决定了负荷预测的结果具有不确定性或不完全确定性。b.条件性。负荷预测是在一定假设条件下做出的。假设条件不能凭空假设, 应根据研究分析, 综合各种因素而得到。给预测结果加预测的前提条件, 便于预测结果的使用。c.时间性。由于负荷预测属于科学预测的范畴, 因此负荷预测有一定的时间范围, 需要确切地指明预测的时间, 这也叫预测期限。d.多方案性。由于负荷预测的不确定性和条件性, 所以负荷预测一般都是在各种情况可能的发展状况下进行预测的, 从而就会得到各种条件下不同的预测方案。

1.2.2 电力系统负荷预测的基本过程

电力系统负荷预测技术的第一关键就是收集工作, 而负荷预测工作的关键在于收集大量的历史数据, 建立科学有效的预测模型, 采用有效的算法, 以历史数据为基础, 进行大量试验性研究, 总结经验, 不断修正模型和算法, 以真正反映负荷变化规律。其基本过程如下:a.调查和选择历史负荷数据资料。多方面调查收集资料, 包括电力企业内部资料和外部资料, 从众多的资料中挑选出有用的一小部分, 即把资料浓缩到最小量。挑选资料时的标准要直接、可靠并且是最新的资料。如果资料的收集和选择得不好, 会直接影响负荷预测的质量。b.历史资料的整理。一般来说, 由于预测的质量不会超过所用资料的质量, 所以要对所收集的与负荷有关的统计资料进行审核和必要的加工整理, 来保证资料的质量, 从而为保证预测质量打下基础, 即要注意资料的完整无缺, 数字准确无误, 反映的都是正常状态下的水平, 资料中没有异常的“分离项”, 还要注意资料的补缺, 并对不可靠的资料加以核实调整。c.对负荷数据的预处理。在经过初步整理之后, 还要对所用资料进行数据分析预处理, 即对历史资料中的异常值的平稳化以及缺失数据的补遗, 针对异常数据, 主要采用水平处理、垂直处理方法。数据的水平处理即在进行分析数据时, 将前后两个时间的负荷数据作为基准, 设定待处理数据的最大变动范围, 当待处理数据超过这个范围, 就视为不良数据, 采用平均值的方法平稳其变化;数据的垂直处理即在负荷数据预处理时考虑其24h的小周期, 即认为不同日期的同一时刻的负荷应该具有相似性, 同时刻的负荷值应维持在一定的范围内, 对于超出范围的不良数据修正, 为待处理数据的最近几天该时刻的负荷平均值。d.建立负荷预测模型。负荷预测模型是统计资料轨迹的概括, 预测模型是多种多样的, 因此, 对于具体资料要选择恰当的预测模型, 这是负荷预测过程中至关重要的一步。当由于模型选择不当而造成预测误差过大时, 就需要改换模型, 必要时, 还可同时采用几种数学模型进行运算, 以便对比、选择。在选择适当的预测技术后, 建立负荷预测数学模型, 进行预测工作。由于从已掌握的发展变化规律, 并不能代表将来的变化规律, 所以要对影响预测对象的新因素进行分析, 对预测模型进行恰当的修正后确定预测值。

2 电力系统负荷预测的方法

2.1 电力系统负荷预测的基本原理和分类

2.1.1 负荷预测的基本原理

负荷预测工作是根据电力负荷的发展变化规律, 预计或判断其未来发展趋势和状况的活动, 因此必须科学地总结出预测工作的基本原理, 用于指导负荷预测工作。

2.1.2 负荷预测的分类

负荷预测按时间分类:长期负荷预测, 中期负荷预测, 短期负荷预测, 超短期负荷预测。

负荷预测按行业分类:负荷预测按行业分类可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷的负荷预测。

2.1.3 负荷预测技术方法

电力负荷预测的方法种类繁多有主要依靠专家或专家组的判断, 而不依靠数学模型的经验预测技术, 还有经典预测技术和现代预测技术。

2.2 电力系统负荷预测的基本方法

负荷预测是从已知的用电需求出发, 考虑政治、经济、气候等相关因素, 对未来的用电需求做出的预测。电力需求量的预测决定发电、输电、配电系统新增容量的大小;电能预测决定发电设备的类型。负荷预测的目的就是提供负荷发展状况及水平, 同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平, 确定各规划年用电负荷构成。传统数学模型预测方法主要有回归模型、时间序列模型、灰色预测法、指数平滑模型等。现代负荷预测方法主要包括神经网络、模糊理论、专家系统、支持向量机等。

3 结论

电力需求预测及负荷特性研究报告 篇5

（1）目前，我国工业化进程基本过半，已处于建设全面小康社会的关键时期。近年来，我国全社会用电量保持了较快增长态势，其中主要拉动力来自工业用电量的快速增长。分地区来看，华东、华北电网地区用电量比重大、增长快，是我国用电增长的领头者。

（2）“十二五”期间，我国经济仍将保持较快增长，但较“十一五”期间年均增速有所回落。第一产业比重进一步下降，第二产业比重先升后降，2015年回复到目前水平，第三产业稳步提高。全国整体进入工业化后期，华北和华东电网地区工业化进程快于全国。

（3）“十二五”期间，我国电力需求仍将保持较快增长，但较“十一五”期间年均增速有所回落。预计2015年，全国全社会用电量将达到5.97万亿千瓦时，“十二五”期间年均增长8.4%，较“十一五”期间年均增速回落1.6个百分点。人均用电量将稳步提高，2015年达到4260千瓦时/人年。电力消费弹性系数同“十一五”期间基本持平，仍在1以下。2015年产值单耗将达到1300千瓦时/万元，较2010年有所下降。第二产业用电量仍在全社会用电量中占主导地位；发电用能占一次能源比重较快上升，将达到49%左右，电能占终端能源消费比重上升到25%左右；中西部加快发展，东部地区仍为负荷中心。

（4）“十二五”期间，最大用电负荷的增长速度将放缓，负荷率将有所上升。预计2015年，公司经营区的全社会最高用电负荷将达到8.17亿千瓦，年均增长8.3%，略低于同期用电量增速0.2个百分点；预计2015年的平均负荷率和最小负荷率将分别上升到0.895和0.771。

（5）2018年前后，我国将基本完成工业化，逐步进入后工业化阶段。2015～2030年，全国经济增长、电力需求增速进一步回落，电力消费弹性系数继续下降；2020、2030年，全国全社会用电量将分别达到7.67和10.37万亿千瓦时，“十三五”期间和2021～2030年年均增速分别为5.1%和3.1%；第二产业用电量仍在全社会用电量中占主导地位；电气化水平进一步上升；2020、2030年，公司经营区的全社会最高用电负荷将分别达到10.63和14.42亿千瓦，“十三五”期间和2021～2030年年均增速分别为5.4%和3.1%；负荷率基本稳定；中西部地区继续加快发展，东部地区仍为负荷中心。

电力需求预测系统 篇6

摘 要：BP算法较强的自学习能力使之可对短期电力负荷进行预测，将一种改进的BP神经网络学习算法应用于短期电力负荷预测中，该算法由于加入动量项修正权值阈值提高了BP神经网络本身的精度，使得预测结果具有更高的精度，算例验证了该算法处理短期电力系统负荷预测的高效性。

关键词：神经网络；短期负荷预测；BP算法；动量项

1 概述

电力系统负荷预测实质是对电力市场需求的预测，短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等，其中智能预测中最典型的就是人工神经网络。

人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义，能通过学习已存在的历史负荷数据，来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响，所以可以把神经网络算法引用到负荷预测中来，提高电力负荷的预测精度。本文针对短期电力负荷预测的问题，采用了一种增加动量项改进BP算法的负荷预测方法，并对某城市的有功负荷进行短期负荷预测仿真。

2 传统BP算法及其改进

2.1 传统BP模型及其学习过程

传统BP算法的实质是求均方误差函数的最小值问题，常选择Sigmoid型函数作为激励函数。如图2-1所示即为典型的三层BP神经网络的结构图，从左至右依次为输入层、隐含层、输出层。一般情况下，输入层单元数与输出层相等，隐含层比输入层多，一般多取2n-1，其中n为输入层单元数。

[图2-1 三层BP神经网络结构图]

令输入模式向量为Xk=（x，x，…，x）T，（k=1，2，…，m），m是学习模式对的个数，n为输入层单元数；对应输入模式的期望输出模式向量为Yk=（y，y，…，y）T，q为输出层单元数；中间隐含层的净输入向量为Sk=（S，S，…，S）T，输出向量为Bk=（b，b，…，b）T，p为隐含层单元数；输出层净输入向量为Lk=（l，l，…，l）T，实际输出向量为Ck=（c，c，…，c）T；输入层至隐含层的连接权值为W={wij}（i=1，2，…，n，j=1，2，…，p），隐含层到输出层的连接权值为V={vjt}，（j=1，2，…，p，t=1，2，…，q）；隐含层各个单元的阈值为θ={θj}（j=1，2，…，p），输出层各个单元的阈值为γ={γt}（t=1，2，…，q）。

中间隐含层各个神经元的净输入和输出：

S=wijs-θj j=1，2，…，p b=f（s） j=1，2，…，p

输出层各个神经元的净输入和实际输出：

l=vjtb-γt t=1，2，…，q c=f（l） j=1，2，…，q

依据给定的期望输出值，得到输出层各个神经元的校正误差：

d=（y-c）f′（l） t=1，2，…，q；隐含层各个神经元的校正误差：

e=[vjtd]f′（S） j=1，2，…，p修正隐含层和输出层神经元之间的阈值γ，其中α为学习速率，0<α<1：

Δvjt=αdd i=1，2，…，p，t=1，2，…，q Δvjt=αdb i=1，2，…，p，t=1，2，…，q

Δγt=αd t=1，2，…，q

修正输入层与隐含层的连接权值和隐含层神经元的阈值θ，其中β为学习速率，0<β<1：

Δwij=βex i=1，2，…，n，j=1，2，…，p Δθj=βe j=1，2，…，p

直到全部m个学习模式对训练完毕，然后判断该神经网络的全局误差E是否满足训练精度要求。

2.2 BP算法的改进

传统BP算法在调整连接权值时，只考虑了此次调整的误差梯度下降方向，因而经常会使训练过程发生振荡，收敛速度缓慢。本文通过增加动量项调整连接权值来改进传统BP算法，进而克服这些缺点。

为了提高神经网络的训练速度，可以在对连接权值进行调整时，以一定的比例加上前一次学习时的调整量，即动量项，带有动量项的连接权值调整公式为：

Δwij（n）=-β+ηΔwij（n-1）

其中ηΔwij（n-1）為动量项，n为学习次数，η为动量系数，0<η<1。加入动量项的实质，就是使其学习速率在训练过程中不再是一个恒定的值。动量项对于n时刻的权值调整起着阻尼作用。在引入动量项后，向同一方向来进行连接权值的调整，即使两次连接权值调整的方向不一样，也可以减小训练过程中的振荡趋势，提高训练速度，加快网络的收敛。

3 基于BP算法的短期电力系统负荷预测及其仿真分析

3.1 负荷预测的基本思想

利用BP神经网络预测未来时日的数据，主要思想是以过去的历史数据作为网络的训练数据，当网络训练完毕，就可通过输入新的时序数据来预测未来数据。因各种因素都会对短期负荷造成一定影响，于是便可建立如图3-1所示的电力系统负荷预测的模型。

3.2 BP神经网络的设计

将一星期内的每一天看成是相同的负荷类型，每隔两小时对电力负荷进行一次测量，得12组整点测量的负荷数据，记为输入变量，输出变量为预测日当天的12个整点的电力负荷值，中间层取神经元位数为25。网络中间层和输出层神经元的激励函数均采用S型函数。

3.3 实例分析

参考文献[2]中的数据，以某城市2009年6月13日到6月23日的12个整点电力负荷值，作为该网络的样本数据，预测6月24日的电力负荷值。分别采用传统和改进的BP算法对这些数据用matlab进行编程仿真，预测结果如表1所示，预测结果仿真图及误差曲线图分别如图3-2、3-3所示。

由以上仿真结果可知，传统BP算法电力负荷预测的最大误差为0.4857%，平均绝对值相对误差为0.0760%；改进BP算法电力负荷预测的最大误差为0.0548%，平均绝对值相对误差为0.0213%。综合图3-2和3-3的比较可得，加入动量项改进后的BP算法在预测精度上明显优于传统BP神经网络算法，故该神经网络满足应用要求。

4 结语

电力系统短期负荷预测对供输电以及电力系统安全分析具有重要的意义。本文在传统BP神经网络的基础上，提出了加入动量项改进BP算法，克服了传统BP算法的一些缺点和不足之处。仿真结果表明，该方法具有较高的预测精度，可以为电力系统提供有效的决策依据。

参考文献：

[1]马锐.人工神经网络原理[M].北京：机械工业出版社.2010：45-57.

[2]米阳，朱旺青，李正辉.改进的BP算法在短期负荷预测中的应用[J].上海电力学院学报，2011，27（1）：14-18.

[3]潘雪涛.基于改进BP神经网络算法的短期负荷预测[J].上海电力学院学报，2012，28（4）：388-391.

[4]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社.2007：43-53.

[5]王小川，史峰，郁磊等.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2011：4-9.

作者简介：

浅论电力系统负荷预测方法 篇7

关键词：电力系统,负荷,预测

1 前言

负荷指电力需求量或用电量。负荷预测是从已知的用电需求出发, 考虑政治、经济、气候等相关因素[1], 对未来的用电需求做出的预测, 从而调整相应的输电和配电容量。随着现代科学技术的迅猛发展, 各种各样的电力系统负荷预测方法不断涌现。电力系统负荷具有不可控性和一定相似性, 即可按天、按季、按月以及按年的周期性变化, 而负荷预测的影响因素很多, 想用某单一理论去研究是很困难的, 所以需要大量研究各种负荷预测方法。

2 影响电力负荷预测的因素

电力负荷预测的影响因素有: (1) 自然灾害。若发生洪涝、大旱、雪灾等自然灾害, 会造成电力负荷的大幅度波动。 (2) 国家政策。国家政策的变化会引起电力需求的相应变化。 (3) 虚报负荷。有些地区提供的数据与实际情况相距甚远, 虚报负荷增长率, 导致系统出力短期内出现较大幅度的变化。 (4) 预测方法。各预测方法有其各自的优缺点以及适用范围, 需要分析并根据场合使用, 否则会导致预测结果出现较大的偏差。

3 电力负荷预测的有关方法

3.1 时间序列法

负荷时间序列预测方法是根据一段时间的历史负荷记录, 建立描述电力负荷随时间变化的数学模型, 在此模型的基础上确立负荷预测的数学表达式, 对未来负荷进行预测。时间序列法是目前电力系统中比较成熟的短期负荷预测方法, 可分为自回归 (AR) 、滑动平均 (MA) 和自回归滑动平均 (ARMA) 等, 具有所需历史数据少, 工作量小和计算速度快的优点, 缺点是没有考虑负荷变化因素, 只致力于数据的拟合, 对规律性的处理不足, 限制了其预测精度的提高, 只适用于负荷变化比较均匀的短期预测。

3.2 回归分析法

回归预测[2]是根据负荷过去的历史资料以及一些影响负荷变化的外在因素, 建立可以进行数学分析的数学模型, 用数理统计中的回归分析方法实现对未来的负荷进行预测。回归分析法包括一元线性回归、多元线性回归、非线性回归等。回归分析法的优点是预测速度快、精度高, 外推性能好, 适用于中、短期负荷预测。存在的不足在于对历史数据要求较高, 无法详细描述各种影响负荷的因素, 不能真实的反映出负荷与影响因素之间的变化关系。

3.3 灰色预测法

灰色预测法将一切随机变化量看作是在一定范围内变化的灰色量, 常用累加或累减生成的方法, 将原始负荷数据整理成规律性较强的生成数据列, 并采用灰色模型的微分方程作为电力系统负荷的预测时, 求解微分方程的时间响应函数表达式即为所求的灰色预测模型。对模型的精度和可信度进行校验并修正后, 即可预测未来的负荷。灰色预测法的优点是要求负荷数据少、不考虑分布规律与变化趋势、运算方便、短期预测精度高、易于检验;不足之处是当数据离散程度越大, 预测精度越差, 不大适合于电力系统的长期预测。

3.4 专家系统法

专家系统法[3]是对数据库里存放的过去几年的, 每小时的负荷和天气数据进行细致的分析, 从而汇集有经验的负荷预测人员的知识, 提取有关规则, 按照一定的规则推理进行负荷预测。专家系统是对人类的不可量化的经验进行转化的一种较好的方法, 专家系统可以克服单一算法的片面性, 能够同时综合考虑多个影响因素, 该方法全过程程序化, 具有建模简单和快速决断的优点, 且不受时间和空间的限制而广泛使用。不足之处在于在预测过程中容易出现人为差错, 并且由于各地区负荷具有不同特征, 开发的专家系统无法直接应用于其他系统。

3.5 神经网络法

神经网络法利用人工神经网络选取过去一段时间的负荷作为训练样本, 然后构造适合的网络结构, 用某种训练算法对网络进行训练, 使其满足精度要求之后, 再用神经网络作负荷预测。一般而言, 神经网络应用于短期负荷预测要比应用于中长期负荷预测更为适宜。神经网络法的优点在于不需任何负荷模型, 具有很好的函数逼近能力, 较好地解决了天气和温度等因素与负荷的对应关系;不足之处是训练时间长, 易陷于局部极小状态等。

3.6 小波分析法

小波分析法在负荷预测中, 通过选择合适的小波, 对不同性质的负荷进行分类, 从而可以针对某种性质的负荷, 根据其规律采用相应的预测方法, 对分解出的序列分别进行预测, 再将预测得到的序列进行重构, 得到负荷的预测结果。其优点是能对不同的频率成分采用逐渐精细的采样步长, 从而可以聚集到信号的任意细节, 尤其是对奇异信号很敏感, 能很好的处理微弱或突变的信号。

本文将目前的电力系统负荷预测方法作了一个综合的比较和分析, 指出了各种负荷预测模型的优缺点, 未来的预测工作有待加强对历史数据的处理, 准确估计预测模型中的参数, 并可采用组合预测技术来改善预测效果, 在实际应用中应根据具体情况采用合适的预测方法。

参考文献

[1]郭华安, 加玛力汗?库马什, 常喜强, 等.电力系统短期负荷预测精度研究[J].科技资讯, 2011 (21) :132-133.[1]郭华安, 加玛力汗?库马什, 常喜强, 等.电力系统短期负荷预测精度研究[J].科技资讯, 2011 (21) :132-133.

[2]胡杰, 文闪闪, 胡导福, 等.电力负荷预测常用方法的分析比较与应用[J].湖北电力, 2008, 32 (2) :13-15.[2]胡杰, 文闪闪, 胡导福, 等.电力负荷预测常用方法的分析比较与应用[J].湖北电力, 2008, 32 (2) :13-15.

浅谈电力需求侧管理系统 篇8

1 分析需求侧管理系统三个子系统

1.1 介绍负荷管理子系统

目前, 负荷管理子系统逐渐应用自动控制技术、计算机以及通信等其他先进技术, 是一个针对电力负荷实行管理及监控工作的综合性系统, 其是电力企业营销工作的一个重要构成。负荷管理系统目前不仅拥有监控功能, 还包括了电费催收、预付费购电以及远程抄表等功能。这一子系统监控对象均是200kVA及以上的中型、大型专变用户。

1.2 分析用电现场服务子系统情况

这一子系统监控对象都是一些200kVA以下小型、中型专变用户, 主要是为低压居民用户以及低压商业用户服务的一种公用配变。其能采用几种通信方法帮助定时采集信息并及时展示全网每一条馈线无功、总功以及峰功等电量参数值。另外还显示电力最大需求量、无功负荷以及电流等相关用电数据。并且还能将一年内每0.5h的统计数据, 然后进行年统计、月统计以及日统计计算等。其还能查看并设置和现场智能终端的各个电表参数以及相关的通信参数, 还可以查看、设置统计量的计算结果、曲线显示方式及其数据来源等。用电现场服务系统在应用中不受到地域限制、网络限制以及时间限制, 可以为用户提供欠费提示、无功管理以及停电预告等信息, 还能将工作差错以及窃电嫌疑等异常信息实施传输给这一系统的管理人。

1.3 介绍集中抄表子系统

这一字系统菜综合应用了用电技术、计算机技术以及计量技术、通信技术, 其具有抄表同时性好、计算精确度非常高以及抄收速度比较快的特点。选用低压用户集中抄表系统能有效减少抄表工作人员的工作量, 降低人为原因导致的抄表误差情况发生, 另外还能在短时间内统计低压实时线损情况。

2 分析电力需求侧管理系统的相关功能

2.1 分析供用电可靠性

定期对用户供电可靠性进行统计, 在进行可靠性分析过程中应提供相应的指标信息:1) 在停电状态下的供电可靠性统计指标数据;2) 由于检修而导致停电情况的供电可靠性统计指标信息;3) 不计限电因素的可靠性统计指标;4) 由于故障问题而造成停电的供电可靠性统计指标信息。

2.2 统计及分析线损

其中线损实现统计分析功能的前提是全部计量表都能进行远方抄表。其中远方抄表数据主要来自于调度SCADA系统、变电站电能量采集系统以及需求侧技术支持系统等其他系统。如果条件允许, 可以每年、每月以及每天定时进行线损统计分析。

2.3 分析负荷预测功能

该系统能帮助准确收集并保存典型电力用户分时电量、负荷曲线以及最低、最高负荷等重要数据, 其能反映典型电力用户随经济状况、原材料价格以及市场状况等多种因素而造成的用电改变的情况。其还能帮助反映节假日、天气变化以及季节改变对于用电情况的影响。在拥有足够可靠、真实的用电数据信息, 然后综合行业用电量相关数据来做分析, 能在很大程度上帮助提高负荷预测准确度。

2.4 分析异常用电情况

将交流采样装置安装在重要电力用户, 不仅能实现计量回路比较, 为计量工作提供参考依据, 帮助及时发现问题及异常情况, 还能合理使用采集的电压以及电流等情况, 帮助及时发现电力用户在用电时存在的问题, 从而完全发挥负荷管理智能化具有的管理作用。在出现异常时, 终端可以自动记录异常出现前1分钟的电量、功率以及发生时间, 然后在整点巡测过程中把异常标志传送给主站系统。

2.5 分析行业及客户用电情况

通过系统采集回来的所有记录以及数据都能用来进行统计分析以及打印、查询, 另外还能在服务器中进行数据采集以及备份记录, 然后定时提示操作工作人员使用刻录机将数据进行异地备份处理。可以针对电量数据、电流以及功率等各种属性数据, 任意选择电压等级、线路以及全体终端等相关属性统计分析对象, 以及不同时段进行对比、统计, 然后采用柱状图、报表以及曲线等多种方式打印或显示。其还能提供相应曲线报表工具, 方便工作人员按照实际情况制作不同图表, 从而更直观的了解各个指标数据。

2.6 分析该系统与其他系统的连接

收集的各种统计结果、各种数据都可与营销管理信息系统、调度SCADA系统以及局MIS系统进行联网, 从而实现数据共享以及信息双向交流, 还能利用局MIS系统来帮助与省局MIS系统进行联网。然后把省局所需数据按照省局相关技术需求传输给省局, 方便统计分析全省用电情况。

3 小结

总而言之, 电力需求侧管理系统是有三个子系统构成, 其分别是集中抄表子系统、现场服务子系统以及负荷管理子系统。在实际应用中能提供用电控制指标、采集用电相关数据等相关信息, 还能为电力用户提供预付费购电、电费催收等服务功能。电力需求侧管理系统的应用确保了供电企业需求侧管理质量, 提高了需求侧管理水平, 同时还确保了电力用户用电安全, 从而实现用电高效节能的工作目的。

参考文献

[1]张文远.智能电网在电力系统中的应用分析[J].电子世界.2012, (12) :42.

[2]陈谧.电力需求侧管理系统构成及其功能探讨[J].广东科技.2009 (12) :86-87.

电力系统负荷预测方法的比较 篇9

关键词：负荷预测,回归分析模型,灰色系统,趋势外推,组合预测

0 引言

电力负荷预测作为电力规划工作的重要组成部分,已经成为一个地区或电网的电力发展速度、电力建设规模、能源资源平衡的标志,也为地区或电网间的电力余缺调剂、电力工业布局以及地区或电网的资金和人力资源的需求与平衡提供可靠的依据,它对于保证电力工业的健康发展,乃至对于国民经济的发展都有着十分重要的意义[1,2,3]。电力负荷预测的方法分为经典预测技术、传统预测技术、现代预测技术和组合预测技术,每一种不同的预测方法对应于不同的负荷预测周期。本文在对回归分析模型、灰色系统预测法和趋势外推法有一定了解的基础上,研究结合以上三种方法的组合预测法,并将组合预测法的预测结果与单一预测方法的预测结果进行分析对比,得出最后的结论。

1 传统负荷预测方法简述

本文主要研究传统预测方法中的回归分析模型法、灰色系统法和趋势外推法,在上述三种单一预测方法的基础上,进一步研究综合以上三种方法的组合预测方法。

回归分析模型预测用数理统计中的回归分析方法对数据进行统计分析,从历史数据的变化规律寻找自变量(影响预测目标的因素)和因变量(预测目标)之间的回归方程,通过对影响因子和用电量的历史数据进行分析,确定用电量和影响因子之间的函数关系,进而确定模型的参数,对未来的负荷进行预测[4,5,6,7]。在解决负荷预测的实际问题时,需要根据负荷的历史资料,用假设检验的方法检验求得的回归方程是否具有实用价值。一般用相关系数法进行检验,在研究因变量y与自变量x相关关系时,定义它们的相关系数为:

相关系数介于-1和1之间,当相关系数越接近于1时,说明因变量和自变量之间的相关关系越显著;相关系数越接近于-1时,说明因变量和自变量之间的负相关关系越显著。一般来说,回归分析模型的重点在于统计规律的研究和描述,适合在大样本的情况下使用。

灰色系统理论将无规律的原始数据进行累加生成,得到规律性较强的生成数列后再重新建模,由生成模型得到的数据再通过累减生成得到还原模型,由还原模型作为预测模型进行负荷预测[8]。灰色系统预测法可以保持原来系统的特征,且所需要的信息较少,适合于无规律或者服从任何分布的任意光滑离散的原始序列[9,10,11]。

当电力负荷随着时间的变化呈现某种上升或下降的趋势,并且没有明显的季节波动,如果能找到一条合适的函数曲线反映这种变化趋势时,就可以用时间t为自变量,时序数值y为因变量,建立趋势模型y=f(t)。假设这种趋势能够延伸到未来某一时刻,赋予变量t所需要的值,可以得到相应时刻的时间序列的预测值,这就是趋势外推法的原理[1]。趋势外推法的原理较为简单,适合用于负荷变化规律性较强而随机因素影响较弱的极少数电力系统。本文在趋势外推法的众多模型中选择二阶自适应系数模型进行重点研究。

2 组合预测方法的概述

组合预测方法是通过建立一个组合模型,把多种单一的预测方法得到的预测结果进行综合。使用组合预测方法可以避免单一预测方法的局限性,扩大了适用范围,提高了预测精度。本文研究了组合预测方法中两种确定权系数的方法:一是误差平方和最小法,二是等权法。

使用平方和误差最小法进行预测时,回归分析模型法、灰色系统预测法、趋势外推法在组合预测方法中所占的权重分别为k1、k2、k3[12]:

其中,yt是组合预测的值,分别是回归分析模型法、灰色系统预测法和趋势外推法的预测值,et是组合预测的误差,Yt是预测模型的实际值。利用拉格朗日乘子法求解之后可以得到:

其中,e1t、e2t、e3t分别是回归分析模型法、灰色系统预测法和趋势外推法的预测误差。

使用等权法组合预测即每种单一预测方法在组合预测中所占的权重都相等,即

3 算例分析

使用广东中山地区1992~1997年的历史数据进行预测,历史数据如表1所示。

运用一元线性回归分析模型预测时首先要根据相关系数来判断该模型是否有用,运行求解相关系数的程序后得到的结果如下:

(1)负荷随国民生产总值的变化相关系数为0.995 4。

(2)负荷随第一产业总值的变化相关系数为0.990 9。

比较程序运行后得到的两个相关系数,选择相关系数较大的国民生产总值进行预测,即y=0.130 228x+3.312 764,用该公式对1992~1997年的年用电量进行预测,分别代入每年的国民生产总值,计算出每年的预测用电量,并根据实际的用电量计算出预测的相对误差。

随后运用灰色系统和趋势外推法中的二阶自适应系数模型进行预测,三种单一预测方法的预测结果的相对误差百分比的比较如表2所示。

%

由表2数据可知,回归分析模型预测的相对误差百分比在-2.00%~3.00%之间,对历史时刻的拟合程度较好;灰色预测的相对误差百分比在-1.00%~1.05%之间,对历史时刻的拟合程度更好;二阶自适应系数法的相对误差百分比最高达到了-11.20%,这是因为在1993年时,二阶自适应系数法还没有开始进行预测,当年的预测值还是为上一年的值,当二阶自适应系数模型开始预测后,对误差百分比保持在-4.00%~1.00%之间,对历时刻的拟合程度较好。在单一预测方法的基础上写了一个组合预测的程序,运行程序得到的预测与单一预测方法的预测结果比较如表3所示。

%

综合分析误差可知,使用组合预测方法后并不是每一年的预测误差都比单一的预测方法小。例如1997年,使用灰色系统预测的相对误差是-0.10%,而使用误差平方和最小法和等权法的相对误差是0.18%和2.14%。这是由于线性组合预测方法是每一种单一的预测方法乘以权系数的组合:当各种预测方法均为正或是均为负时,只能保证组合预测的最大误差小于单一预测方法的最大误差,但不一定比任意单一的预测方法的误差小;而当各种预测方法的预测误差有正有负时,才可能使组合预测方法的预测误差比任意一种单一的预测方法的误差小。

4 结语

总的来说,使用组合预测方法可以有效避免单一预测方法的局限性,能够提高负荷预测精度和准确程度。

不同的负荷预测方法适合在不同的场合下使用,选择合适的方法能够减小预测的误差。各种预测方法都具有各自的优点、缺点和适用范围,在实际的应用中,应该从预测的目标、预测范围、精确度和预测花费等方面考虑,选择合理的预测方法。

电力系统负荷预测不仅受历史数据影响,还受各种经济因素、气象因素、政治因素等影响,其中经济因素和政治因素都是人为活动,一般有预先的安排和估计,在此基础上的负荷预测会相对比较准确;而气象因素等本身就是不确定的预测值,在实际应用中应该对这一类数据进行预处理,以降低误差。

参考文献

[1]牛东晓,曹树华,赵磊,张文文.电力负荷预测技术及其应用[M].北京:中国电力出版社,1998.

[2]康重庆,夏清,刘梅.电力系统负荷预测[M].北京:中国电力出版社,2007.

[3]原媛.电力负荷特性分析及中长期负荷预测方法研究[D].上海:上海交通大学,2008.

[4]Barakat E E,Al-Rasher S A.Long Range Peak Demand Forecasting Under Conditions of High Growth[J].IEEE Transactions on Power Systems,1992,7(4):1483-1486.

[5]Kandil M S,El-Debeiky S M,Hasanien N E.Overview and Comparison of Long-term Forecasting Techniques for a Fast Developing Utility[J].Electric Power Systems Research,2001,58(1):11-17.

[6]尚金成,黄永皓,夏清.电力市场理论研究与应用[M].北京:中国电力出版社,2002.

[7]甄利玲.中长期电力负荷预测的回归模型及其应用[J].雁北师范学院学报,2002,18(5):54-56.

[8]吴熳红,杨继旺.几种电力负荷预测方法及其比较[J].广东电力,2004,17(1):17-21.

[9]王学萌,张继忠,王荣.灰色系统分析及实用计算程序[M].武汉:华中科技大学出版社,2001.

[10]邓聚龙.灰理论基础[M].武汉:华中科技大学出版社,2002.

[11]邓聚龙.灰预测与灰决策[M].武汉:华中科技大学出版社,2002.

电力系统短期负荷预测精度研究 篇10

短期负荷预测精度的不断提高, 不但为电力系统的安全、经济运行提供可靠保障, 而且为市场环境下合理安排调度计划、供电计划、交易计划提供了依据[2]。因此, 短期负荷预测已经成为现代电力系统运行和管理中的一个重要研究课题。本文正是基于这一目的, 紧紧围绕提高短期负荷预测精度[3]这一目标, 对短期负荷预测的特点和影响电力系统短期负荷预测精度的因素进行了全面的分析和总结, 接着提出了提高负荷预测精度的措施, 最后对未来负荷预测的工作进行了展望。

1 短期负荷预测的特点和影响负荷预测精度的因素

1.1 短期负荷预测的特点

短期负荷预测是对未来的负荷曲线提出预告, 以便根据预测的结果对电力系统的检修计划、发电计划以及机组起停计划等做出安全、经济、全面、高效的安排。但是, 电力系统工作人员在预测过程中, 由于受经济, 政治, 气象, 时间等多种随机性因素的影响, 使短期负荷呈现随机性和不确定性。总的来说, 短期负荷预测具有以下明显特点。

(1) 条件性。

未来负荷发展的不确定性, 导致条件无法确定, 因此就需要一些假定条件对负荷进行预测。

(2) 周期性。

由于人们在长期的社会活动过程中形成了特定的生产和生活方式, 使负荷变化具有了一定的规律性, 其中最典型的是年周期性、周周期性、日周期性, 其中日周期性是日短期负荷预测和超短期负荷预测的依据和基础。

(3) 时间性。

精确的负荷预测, 要求有比较确切的数量关系和概念, 在预测过程中, 工作人员要指明预测和历史样本的起止时间。

(4) 不确定性。

电力负荷受多种复杂因素的影响, 且这些影响因素有时难以准确确定, 这就会导致负荷预测结果的不准确。

(5) 多方案性[4]。

不同地区的负荷情况所采用的预测方案是不一样的, 我们需要对各种情况下可能的负荷发展状况进行预测, 这样短期负荷预测就具有多方案性。

(6) 连续性。

短期电力负荷是连续的, 在负荷变化过程中, 无论是负荷增加还是减少都要求负荷变化量在一定的范围之内, 其外在表现就是负荷的连续性。

(7) 相似性。

在实际的负荷预测过程中, 负荷预测结果在相对应的阶段呈现相近的情况, 事实上, 我们在负荷预测过程中使用类推法和历史类比法, 就是基于这个特点。

(8) 非线性。

短期负荷的变化与其影响因素基本上不存在正比关系, 这样在短期负荷预测中应用线性模型进行预测效果就会比较差。

1.2 影响负荷预测精度的因素

精度是负荷预测最重要的指标。在电力系统短期负荷预测中, 影响短期负荷预测精度的因素是多方面的, 但主要是以下几方面。

(1) 历史数据。

历史负荷数据在很大程度上决定了未来预测负荷的水平, 然而负荷预测所需的大量历史资料并不能保证其绝对准确可靠, 在一定程度上必然会带来一些预测误差。

(2) 经济因素。

经济环境的好坏和经济发展状况对负荷预测是有重要影响的。一般来说, 经济发展比较好的情况下, 负荷水平就提升的比较快;反之, 负荷水平就会下降。

(3) 政治因素。

例如军事冲突等, 此类事件出现的概率很小, 但是一旦出现就会对负荷造成重大影响。

(4) 气象因素。

影响负荷的天气因素很多, 在进行负荷预测时, 往往预测模型只考虑研究对象的主要因素, 而忽略了许多次要的因素, 另外, 再加上气象预报本身的不准确, 会造成双重误差。

(5) 时间因素。

时间的周期性和季节性变化、节假日等时间因素使负荷曲线在不同的时间范围内呈现出不同的特征。

(6) 样本因素。

影响短期电力负荷预测的样本因素包括样本数量、样本质量和样本范围。在进行短期电力负荷预测时, 不能仅仅考虑时间、历史数据因素, 应该综合考虑影响负荷的各种因素, 同时对各个因素进行定量和定性的分析, 进而选择最佳样本, 使预测更加准确。

(7) 预测模型。

不同负荷预测模型所得出来的预测结果有时是有较大差别的, 我们应根据地区实际和特点, 选择精确的负荷预测模型。

(8) 其他因素。

在确保电力市场经济性的的情况下, 执行峰谷分时电价, 在一定程度上对负荷曲线产生了影响;难以确定反映负荷周期性、趋势性以及与影响因素之间关系的样本数;有些突发事件, 如拉闸限电、冲击负荷、停电检修和重大活动等都可能会对系统负荷产生很大的影响;大电网 (网、省级) 负荷变化一般都有较强的统计规律性, 预测结果比较准确, 而地区级电网的统计规律则不是很明显, 不能有效地指导负荷预测等, 上述情况都会对进行精确的负荷预测产生不同程度的干扰。

2 提高电力系统短期负荷预测精度的措施

2.1 电力系统短期负荷预测基本流程图

负荷预测所有工作的中心是围绕如何提高负荷预测准确率展开的, 图1为短期负荷预测的基本流程图。

2.2 提高短期负荷预测[5,6,7,8,9,10,11,12,13]精度的几条措施

根据短期负荷预测的特点以及影响负荷预测精度的因素, 结合短期负荷预测的基本流程图, 我们应在以下几个方面来提高短期负荷预测的精度。

(1) 历史数据的正确与否在一定程度上决定了预测结果的精确度, 有效的利用高质量的样本数据既是非常基础也是非常重要的工作。

(2) 加强对运行人员的培训力度, 增强运行人员的理论修养和经验知识的积累。

(3) 预测部门工作人员要加强与非统调之外电厂 (站) 的沟通与协调, 掌握准确的负荷信息, 对提高负荷预测精度将产生重要意义。

(4) 加强与气象预报部门的沟通, 提高天气预测的准确率, 它是提高负荷预测准确率的前提和基础。

(5) 建立电力负荷的大用户中心, 实时掌握大客户的负荷调整信息, 这样就能缓解在特殊情况下对负荷预测造成的不利影响, 提高预测精度。

(6) 加大对负荷预测研究工作的资金投入力度, 不断尝试用新理论和新技术对负荷进行预测, 建立完整的负荷预测体系。

(7) 针对预测地区的负荷特性分析和负荷特点, 选择精确的预测模型。

(8) 加强各地区电网的管理和协调, 实现信息共享, 建立特殊情况下的应急体系, 及时调整负荷预测的工作进度和工作方法。

3 结语

短期负荷预测是电力系统调度运营部门一项重要的基础工作, 预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量。作者认为未来的负荷预测工作, 在加强对基础数据进行处理的同时, 要运用科学的技术手段不断完善负荷预测模型, 并积极探索负荷预测的新思路和新方法, 在实际中, 有针对性的对特定地区和特定情况选用特定的负荷预测模型, 建立全面的和不断更新的负荷预测数据库, 不断提高负荷预测精度和负荷预测工作水平。

摘要：电力系统短期负荷预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量, 特别是随着我国电力市场的建立和不断完善, 短期负荷预测在电力系统调度运营部门中的作用越来越重要。本文首先对影响电力系统负荷预测精度的因素进行了深入的分析, 然后提出了提高负荷预测精度的几项措施, 并对未来需要进行的工作进行了展望。

电力需求预测系统 篇11

关键词：电力系统；负荷预测；序列预测方法

中图分类号：TM715 文献标识码：A 文章编号：1009-2374（2013）29-0117-02

负荷预测对于研究电力系统的运行发展状况起着十分重要的作用，是正确决策的根本保证。电力系统负荷预测指的是对已知的电力系统、社会、经济和气象等数据进行整定，经过进一步的分析和研究，从而探索出各个事物之间存在的内在联系以及相应的变化规律，对电力系统负荷数值做出正确的预测。负荷预测能够对电力系统中的规划、用电以及调度等部门起到关键性的作用，而国内外很多学者也对各种预测方法进行了不断研究。现今电力系统的预测领域变得更加广泛，出现了更多复杂的专业性理论，本文就针对这些问题进行了探讨，通过对年度负荷预测、月度负荷预测以及短期负荷预测等方面对电力系统负荷预测中的显著特点、使用方法以及各种问题的解决方案进行了研究。此外，本文还结合国内外电力系统负荷预测的经验和建议对符合预测进行了专业性的分析。

1 负荷预测的作用和要求

提高负荷预测的精准度是电力系统正常规划和运行的必然要求，对电力系统的各个部门都起着十分重要的作用。诸如电力企业制定的中长期负荷预测是电力系统实施燃料计划的前提，而短期负荷预测则是制定发电计划的基础，通过符合预测能够更加准确地分析电力系统的经济性，并且还能预测电力系统的潜在运行风险，其目的就是为了提高负荷预测的准确性，进而为电力系统的安全性与经济性提供可靠保障。

关于负荷预测的具体分类存在有很多种分法，按照预测期限的不同可以将其分为长期预测、中期预测以及短期预测，其相对应的方式为年度预测、月度预测等。从国外的一些负荷预测发展趋势可以得知，其长期预测研究比重远远高于短期预测。无论在哪一种期限类别负荷预测中，其内容通常包括负荷曲线以及电量的预测。

2 年度负荷预测

年度负荷预测会将年度用电需求指标中的用电量和电力运行情况作为预测内容，它是电力系统稳定发展的保障，对推动我国的电源、电网建设，促进国民经济增长以及人民生活质量有着非常重要的作用。通常用到的年度负荷预测方法有专家调查法、产值单耗法、弹性系数法、年最大负荷利用小时数等传统而简单实用的预测方法，此外还有一种实用性很强的预测方法—序列预测法，它同时也是月度预测和短期预测的基础。序列预测模型的抽象表达公式为：，X为m种相关因素组成的向量；t为时间序号；y表示待预测量；S表示预测模型的参数总量，如果不考虑其他因素的线性预测模型，其公式为。当想要获取相关数值时，可以在某一历史时段从电力系统以外的其他部门来获取，可以通过这一时段的对其参数总量S进行预测估计，经过预测后的公式可以表示为：，，因而在对其预测时段后得到的拟合残差平方和用公式表示为最小为目标，就是所说的最小二乘估计公式测量法。

在使用上述公式进行年度预测时，最好选用十年以内的历史数据，这样才能提高负荷预测的准确度，具有更高的参考价值。而如果仅仅依靠自身规律进行预测，由于其运行规律本身具有一定的单调性，这就使得预测数据可能出现一定的差误，将这种预测方法和灰色预测方法以及各种数学曲线回归分析模型法相结合能够在更大程度上提高预测的准确性。此外，在对电力系统进行预测时，可以适当引用传统的弹性系数法，从而对我国的国民经济发展进行更加准确地把握。从整体上而言，年度预测不适合人工神经网络（ANN）这种预测方法，因为年度预测拥有较少的数据序列值，而ANN需要较大数量的样本数值。

3 月度负荷预测

月度预测是以月作为预测手段来对电力系统运行负荷进行预测的，它预测内容包括有每月的用电需求指标，如月度电力和电量。月度预测是电力计划部门和用电营销部门的重要工作内容，通过科学合理的预测能够使电力系统更加优良地运行，从而减少投入运行成本，提高供电质量和可靠性。如果按照年度预测的基本思路以及时间序列法进行月度预测也能够提高准确值，然而由于数据本身存在多样性以及规律上的复杂性，使得月度预测有着一些不同的地方，应该根据特殊的物理量变化规律，构造出一种特殊的预测方法。在绘制月度测量图表时，可以以年份作为X轴、月份作为Y轴、月度物理量作为Z轴来作图，进而更加直观地看到每月的电量类数据以及相对应的发电量，还能看到负荷类数据。通过观察月度量的年度发展序列点可以体现出国家国民经济的发展水平，并呈现出一定的规律。然而，这种预测方法也存在着不足的地方，比如，不能在最大程度上利用最新数据值，如果目前是2013年1月，已经获得了从2006年5月至今的相关电量数据，如果对2013年进行预测，那么其所使用的原始数据只有前几年中的历史数据，而没有2012年10月到2013年1月的最新数据。此外，还可以利用周期性预测方法进行预测，这样可以利用最新的月度数据。在使用月度预测法时，最好使用5～10年以内的历史数据，有鉴于序列预测方法具有一定的单调性，因而可以结合灰色预测以及回归分析法进行预测，对待那些影响性特别大的数据，要采取特殊的处理方法。

4 短期负荷预测

短期负荷预测的主要用途是对未来几小时甚至是几天的电力运行负荷进行预测，能够对电力系统起到优化资源配置的作用，能够对现代电力市场的发展起到积极的意义。我国已经进行了多年的短期负荷预测研究，并且在预测理论方面作出了突出的贡献，通过对负荷预测精度的调整在极大程度上提高了发电设备的利用率以及电力调度的有效性。此外，由于受到诸多非线性因素的制约，促进了新技术新理论的不断研发，使得短期负荷预测呈现出了明显的周期性。短期负荷预测所呈现的规律特征和各种环境因素有着十分密切的联系，会受到气候因素、设备故障因素以及重大活动的制约。短期预测中最主要的方法是ANN法，其最主要的特征就是对非结构性、非精确性规律具有很强的适应性，进而突出知识推理和自主学习的特点，能够将非线性函数进行很好地拟合，对预测模型结构进行更加准确的预测。在使用短期负荷预测时，对非节假日的预测样本数据要以能够反映季节更迭的为主，可以利用ANN预测法对受气象因素影响严重的负荷变化进行预测，并建立适当的模型。

5 结语

随着电力市场研究条件的不断多样化以及相关理论研究的不断扩展，关于负荷预测本身的规律研究也要突出更多的电力系统特色，而不能仅仅强调数学方法的使用价值，因而电力负荷预测和所处的经济、社会、气象以及经济产量等因素有着十分密切的联系，因而要从电力系统预测的角度出发，注重负荷发展的潜在规律，采用多样化的统计、管理方法对负荷数值进行正确预测。

参考文献

[1] 肖燕.对中长期负荷预测方法的综述[J].经营管理

者，2010，（23）.

[2] 陈国栋，姚建刚，钱卫华，龙立波.基于误差预测修

正的负荷预测研究[J].现代电力，2009，（3）.

[3] 陈景阳，白永峰.电力系统短期负荷预测的静态分析

[J].青海电力，2008，（4）.

电力行业预测分析系统及解决方案 篇12

该信息分析系统是俄罗斯“预测”公司针对中国电力行业而开发的, 由俄罗斯经济发展部创新发展司推荐。

它基于中国电力行业及相关地方经济主要指标数据库, 利用相关分析和预测工具, 为相关政府管理者、专家、电力领域的企业经营管理人员提供电力行业的预测与分析支持。

借助该信息系统, 可帮助用户对电力行业产值、不同形式发电产能、主要能耗产业的电力消费、电力行业投资和能源开采投资等方面进行分析, 在考虑经济部门和普通居民对电力消耗的需求前提下, 对电力行业主要指标、投资需求、政策影响等进行预测, 并对不同情景假设的预测结果进行比较分析。