說明

本文的內容來自Tao Hong博士的Energy Forecasting: Past, Present and Future一文的翻譯和整理。

引入

• 能源預測包括了電力行業中有關預測的廣泛的內容，比方短期負荷預測、長期負荷預測、局部負荷預測、電價預測、需求響應預測還有可再生能源發電預測等。
• 因為電力存儲的限制和社會對於電力的需求造成了幾個能源預測的有趣性質，比方復雜的季節性模式、24/7的電網數據收集、對精確度的需求等。
• 高級的能源預測依賴於嚴格的測試數據集。對於商業需求的理解，從統計學、電子project、氣象科學等學科的學習和研究。

能源預測的起源

愛迪生發明電燈的那個年代。照明作為電力的主要消耗用途，能源預測比較直接簡單。電力公司通過計算電燈泡的安裝數目和計劃安裝的數量來粗略獲得晚上的電力負荷情況。這樣的古老的方法依然用於現代的電力系統計劃之中。針對路燈的負荷預測。

後來隨著用電器不斷的豐富，負荷預測問題變得越來越重要，尤其是一些特殊事件發生時，比如總統演講，千家萬戶通過收音機在同一時間進行收聽。導致負荷曲線出現尖峰情況。
20世紀40年代。人們發現因為空調設備的大量使用，電力需求受到氣候變化影響非常大。

下圖顯示了負荷和氣溫變化的曲線圖和散點圖，在冬季。因為供暖的需求。負荷和氣溫呈負相關。在夏季，因為制冷的需求。負荷和氣溫呈正相關。

沿用類似的方法。現代的負荷曲線依然使用類似氣溫情況和日期類型（工作日還是假期）的歷史數據作為參考。

能源預測的高速發展

區域的負荷預測

20世紀80年代，計算機應用蓬勃發展。大量研究的開展針對區域的長期負荷預測問題，主要關註負荷增長的時間、地點還有總量問題，預測的範圍從幾年延伸到幾十年，該預測廣泛應用在傳輸和配送電網線路的計劃上。這裏大多數方法可歸結為三類：趨勢分析、模擬仿真、混合方法。

趨勢分析方法試圖找到某個函數來擬合歷史的負荷增長模式來預計未來負荷。最經常使用的趨勢分析方法是用多項式回歸模型來擬合歷史數據。該方法的長處是簡單易用，多用於最近負荷增長的短程響應；但其對於長期負荷的預計easy出現過擬合的問題。
模擬仿真

依賴高質量的數據。該方法能夠做到短程預測的準確和長期預測的計劃參考；缺點是須要付出昂貴的開發代價和訓練代價。
混合方法結合了趨勢分析和模擬的長處。既能夠對最近負荷歷史做出較好的響應，又能夠對長期的預測具有一定的參考價值。不要求與用戶之間有太多的交互。

短期負荷預測

在上世紀末，電力工業經歷了重大的結構性變化，使得精確的短期負荷預測變得更為重要。人們開始嘗試應用諸如回歸分析、時間序列分析等統計技術來進行短期負荷預測。

後來人工智能技術成為了研究熱點。
基於人工智能技術的模型有人工神經網絡、模糊邏輯和支持向量機。這些方法都屬於黑盒模型，不須要人們去關註預測分析中的內部關系結構，而有些企業不喜歡黑盒方法，轉而開發諸如類似日的經典方法和多元線性回歸的統計技術。
以下給出了不同的短期負荷預測技術的比較：

電力價格預測

電力市場的全面啟動帶來的新的挑戰：電力價格預測。

負荷預測用來說明電力企業須要供應多少電力來平衡需求，價格預測用來幫助電力企業計算多少電力應該來買賣。

電價預測技術主要有模擬仿真、統計學和人工智能技術。
模擬仿真的方法須要針對電力市場、負荷預測、儲運損耗和電力中斷、市場參與者的競價投標等因素建立一個數學模型。

電價預測的精確度高度依賴輸入信息的質量。電力市場各個節點的負荷預測是電力價格預測的驅動器。
統計和人工智能方法不須要對市場運作有深入的理解，這類方法通過使用歷史價格、天氣狀況、斷點情況和負荷情況來預測未來電價。這樣的方法難以預測發覺價格峰值的情況，因為價格峰值主要受輸電線路的網絡堵塞情況影響，但這樣的因素在模擬仿真的方法中能夠被考慮在內。

智能電網時代

需求響應預測

過去十年間，電力企業開始進行智能電網化，安裝了非常多智能電表、傳感器和通信設備，智能電網技術為綠色環保和減少成本帶來了可能。實現該目標的一個重要方式就是需求響應（通過電價變化和激勵政策來改變終端用戶用電模式來響應電網變化）。

為了有效設計和實現需求響應項目。電力企業須要進行一系列的分析工作，比方預測電力價格、預測參與和不參與需求響應項目不同情況的負荷情況、依據以上事實來評估不同需求響應方案對於耗能行為的影響。

可再生能源發電預測

隨著風力渦輪機、屋頂太陽能電池板和太陽能農場各種形式的新能源發電形式，給能源預測帶來了新的生機。同一時候，新能源發電的波動性也對系統運營商和電力交易商提出了挑戰。

因為我國如今還以火電為主。在新能源發電方面缺乏主要應用，這裏暫不介紹。

經驗教訓

測試數據集

非常多的能源預測論文對於訓練數據有非常低的誤差，但實際情況不容樂觀。主要原因就是缺乏嚴格的測試數據。比方一個明顯的錯誤是使用一個含有1000+個參數的模型來擬合含有幾百個觀測的數據集。
還有還有一種不easy察覺的錯誤，舉個樣例。當我們使用回歸模型，將數據集分成兩部分，一部分用於參數預計。一部分用於驗證計算平均決定百分比誤差（Mean Absolute Percentage Error）；當計算得到的MAPE太高。我們將更換模型又一次計算MAPE，直到MAPE足夠小。上述方式驗證數據盡管沒實用於模型的擬合，可是當中的信息在構建模型的變量選擇時已經被使用了。在實際情況下。我們不可能使用未來的確切負荷數據來構建模型。窺探未來數據能夠得到非常好的結果。但在實際中是不可能的。

理解商業需求

比方，非常多電力企業不同意使用黑盒模型來進行長期預測。不論這樣的模型多麽好，可是它不適用於該商業模式。

各方面作用

在當前的動態市場環境下，全部類型的能源預測都是相互聯系的，短期負荷預測模型能夠通過添加宏觀經濟指標來擴展成長期預測模型；電價不再僅僅是受負荷驅動。新能源發電也會對電價產生重要影響；電價信號引發需求響應。反過來影響負荷。

轉載請註明作者Jason Ding及其出處
GitCafe博客主頁(http://jasonding1354.gitcafe.io/)
Github博客主頁(http://jasonding1354.github.io/)
CSDN博客(http://blog.csdn.net/jasonding1354)
簡書主頁(http://www.jianshu.com/users/2bd9b48f6ea8/latest_articles)
Google搜索jasonding1354進入我的博客主頁

【Energy Forecasting】能源預測的發展和展望