【Energy Forecasting】能源预测的发展和展望

说明

本文的内容来自Tao Hong博士的Energy Forecasting: Past, Present and Future一文的翻译和整理。

引入

能源预测包含了电力行业中有关预测的广泛的内容，比如短期负荷预测、长期负荷预测、局部负荷预测、电价预测、需求响应预测还有可再生能源发电预测等。

由于电力存储的限制和社会对于电力的需求造成了几个能源预测的有趣性质，比如复杂的季节性模式、24/7的电网数据收集、对准确度的需求等。

高级的能源预测依赖于严格的测试数据集，对于商业需求的理解，从统计学、电子工程、气象科学等学科的学习和研究。

能源预测的起源

爱迪生发明电灯的那个年代，照明作为电力的主要消耗用途，能源预测比较直接简单。电力公司通过计算电灯泡的安装数目和计划安装的数量来粗略获得晚上的电力负荷情况。这种古老的方法依然用于现代的电力系统计划之中，针对路灯的负荷预测。

后来随着用电器不断的丰富，负荷预测问题变得越来越重要，尤其是一些特殊事件发生时，例如总统演讲，千家万户通过收音机在同一时间进行收听，导致负荷曲线出现尖峰情况。

20世纪40年代，人们发现由于空调设备的大量使用，电力需求受到气候变化影响很大。下图显示了负荷和气温变化的曲线图和散点图，在冬季，由于供暖的需求，负荷和气温呈负相关；在夏季，由于制冷的需求，负荷和气温呈正相关。




在当时，还没有统计功能的软件，工程方法是通过图表的方式进行人工的预测。沿用类似的方法，现代的负荷曲线依旧使用相似气温情况和日期类型（工作日还是假期）的历史数据作为参考。

能源预测的快速发展

区域的负荷预测

20世纪80年代，计算机应用蓬勃发展，大量研究的开展针对区域的长期负荷预测问题，主要关注负荷增长的时间、地点还有总量问题，预测的范围从几年延伸到几十年，该预测广泛应用在传输和配送电网线路的计划上。这里大多数方法可归结为三类：趋势分析、模拟仿真、混合方法。

趋势分析方法试图找到某个函数来拟合历史的负荷增长模式来估计未来负荷。最常用的趋势分析方法是用多项式回归模型来拟合历史数据，该方法的优点是简单易用，多用于近期负荷增长的短程响应；但其对于长期负荷的估计容易出现过拟合的问题。

模拟仿真试图对负荷变化过程建模，再现负荷历史，同时确定时间、空间和未来负荷增长的幅度信息。可以通过来自政府的土地利用信息、来自电力企业的客户类型信息和耗能模式的负荷曲线模型来建立城市发展过程的模型。依赖高质量的数据，该方法可以做到短程预测的准确和长期预测的计划参考；缺点是需要付出昂贵的开发代价和训练代价。

混合方法结合了趋势分析和模拟的优点，既可以对近期负荷历史做出较好的响应，又可以对长期的预测具有一定的参考价值，不要求与用户之间有太多的交互。

短期负荷预测

在上世纪末，电力工业经历了重大的结构性变化，使得精确的短期负荷预测变得更为重要。人们开始尝试应用诸如回归分析、时间序列分析等统计技术来进行短期负荷预测。后来人工智能技术成为了研究热点。

基于人工智能技术的模型有人工神经网络、模糊逻辑和支持向量机，这些方法都属于黑盒模型，不需要人们去关注预测分析中的内部关系结构，而有些企业不喜欢黑盒方法，转而开发诸如相似日的经典方法和多元线性回归的统计技术。

下面给出了不同的短期负荷预测技术的比较：

电力价格预测

电力市场的全面启动带来的新的挑战：电力价格预测。负荷预测用来说明电力企业需要供应多少电力来平衡需求，价格预测用来帮助电力企业计算多少电力应该来买卖。电价预测技术主要有模拟仿真、统计学和人工智能技术。

模拟仿真的方法需要针对电力市场、负荷预测、储运损耗和电力中断、市场参与者的竞价投标等因素建立一个数学模型。电价预测的准确度高度依赖输入信息的质量，电力市场各个节点的负荷预测是电力价格预测的驱动器。

统计和人工智能方法不需要对市场运作有深入的理解，这类方法通过使用历史价格、天气状况、断点情况和负荷情况来预测未来电价。这种方法难以预测发觉价格峰值的情况，因为价格峰值主要受输电线路的网络阻塞情况影响，但这种因素在模拟仿真的方法中可以被考虑在内。

智能电网时代

需求响应预测

过去十年间，电力企业开始进行智能电网化，安装了很多智能电表、传感器和通信设备，智能电网技术为绿色环保和降低成本带来了可能。实现该目标的一个重要方式就是需求响应（通过电价变化和激励政策来改变终端用户用电模式来响应电网变化）。

为了有效设计和实现需求响应项目，电力企业需要进行一系列的分析工作，比如预测电力价格、预测参与和不参与需求响应项目不同情况的负荷情况、根据以上事实来评估不同需求响应方案对于耗能行为的影响。

可再生能源发电预测

随着风力涡轮机、屋顶太阳能电池板和太阳能农场各种形式的新能源发电形式，给能源预测带来了新的生机。同时，新能源发电的波动性也对系统运营商和电力交易商提出了挑战。

由于我国现在还以火电为主，在新能源发电方面缺乏主要应用，这里暂不介绍。

经验教训

测试数据集

很多的能源预测论文对于训练数据有很低的误差，但实际情况不容乐观。主要原因就是缺乏严格的测试数据。比如一个明显的错误是使用一个含有1000+个参数的模型来拟合含有几百个观测的数据集。

还有另一种不容易察觉的错误，举个例子，当我们使用回归模型，将数据集分成两部分，一部分用于参数估计，一部分用于验证计算平均决定百分比误差（Mean Absolute Percentage Error）；当计算得到的MAPE太高，我们将更换模型重新计算MAPE，直到MAPE足够小。上述方式验证数据虽然没有用于模型的拟合，但是其中的信息在构建模型的变量选择时已经被使用了。在实际情况下，我们不可能使用未来的确切负荷数据来构建模型。窥探未来数据可以得到很好的结果，但在实际中是不可能的。

理解商业需求

比如，很多电力企业不允许使用黑盒模型来进行长期预测，不论这种模型多么好，但是它不适用于该商业模式。

各方面作用

在当前的动态市场环境下，所有类型的能源预测都是相互联系的，短期负荷预测模型可以通过增加宏观经济指标来扩展成长期预测模型；电价不再只是受负荷驱动，新能源发电也会对电价产生重要影响；电价信号引发需求响应，反过来影响负荷。

转载请注明作者Jason Ding及其出处

GitCafe博客主页(http://jasonding1354.gitcafe.io/)

Github博客主页(http://jasonding1354.github.io/)

CSDN博客(http://blog.csdn.net/jasonding1354)

简书主页(http://www.jianshu.com/users/2bd9b48f6ea8/latest_articles)

Google搜索jasonding1354进入我的博客主页