灰色理论在负荷预测中的应用

气象因素一直是影响负荷的主要因素，特别是对短期负荷预测的影响尤为重要，不同的气象因素影响程度又随用户类别而异，作为可估计的随机事件，气象预报的不准确会造成预测结果的双重误差。
2．特殊事件的不确定性将造成负荷预测的较大误差，当今特殊事件的出现趋于频繁，给预测带来了难度。
3．反映负荷周期性、趋势性及与影响因素之间关系的样本数目难以确定。
4．随机负荷部分并非平稳的随机序列。
5．网省级大电网负荷变化有较强的统计规律性，预测结果较准确。而地区级电网的统计规律不甚明显，不能稳定地指导负荷预测。
任何一种算法都不能保证在所有情况下精度很高，要想提高负荷预测的精度，我们还需要做大量的工作。
三、提高负荷预测精度的措施
（一）原始数据的预处理
我们都知道，任何负荷预测都是基于原始数据的，因此，原始数据的正确与否决定预测结果的精度。而原始数据往往都是从EMS系统实时采集的，由于动态的数据采集有时会出现通道故障、拥堵等现象，相应的数据采集程序就会中断，造成了原始数据的错误与不真实。所以，在程序设计中，首先应针对原始的各种不真实现象进行预处理，力求将设备造成的随机的影响据之于预测过程之外。
（二）随机因素（冲击负荷）捕捉
大家都知道，在负荷的构成中有许多类似于电炉、轧钢等冲击性的负荷，这种负荷的特点是起停快、持续时间短、随机性强、数值较大，而负荷预测的精度要求在2％以内。因此处理好冲击负荷的影响对于提高精度有很大的影响。所以在原始数据的处理中必须考虑到冲击负荷。我们使用的方法是有效值法，通过对冲击负荷的分析和处理，得到其有效值，然后叠加到平滑后的负荷曲线上，这样的处理结果便可以应用于负荷预测中了。
（三）提高影响因素的预测精度以及影响因素的量化处理
负荷预测不仅仅要使用历史数据，还要考虑各种对负荷有较大影响的因素，如气象因素、政治因素、重大活动等。这些因素都会与历史数据一样作为预测程序的输入值。因此，这些因素的准确度直接会对负荷预测结果造成影响。因此，必须对这一类数据必须进行适当的量化处理：一是依靠经验值，并且调试后不断改进，力求准确，二是由程序识别，通过回归等方法动态赋值。前一种方法比较简单，但很难准确，后一种方法虽然理论上比较成熟，但由于模型不确定，实现起来很困难，具体应用哪一种方法，要视实际情况而定。
（四）比较预测模式，寻求最优方案
对于中国目前的电力结构，在一个网省调下面有许多供电区域，往往是以地域划分的。而实际需要的结果却是一个整体的负荷。因此便产生了单独预测和整体预测两种模式，究竟哪一种模式比较好，则需要从实践中去试验。
从电网的负荷预测实践来看，单独预测后叠加与整体预测各有优缺点。由于各类影响因素的分布区域不同，单独预测时可以通过细化考虑的因素比较真实，以气象因素为例，电网的地区气象条件不同，可以各自考虑，应该说更准确些，但这样做也有缺陷，一方面是一般都采用一种方法进行预测，其误差方向比较一致，这样叠加后产生更大的误差，另一方面各供电区域的预测叠加后并非是我们所需求的用于发电安排的负荷，还要通过换算，考虑到厂用电情况，而厂用电率一般并不是一个精确的数值，如此势必带来误差。若采用整体预测，原始数据便是我们用于安排发电计划的数据，各种因素虽然不能直接使用，但可以通过负荷比例进行等值拟合后作为整体预测的输入量，这样只会有一次误差。从实践中看，后一种方式虽比较模糊，但由于大电网效应，精度较前一种方式高。
当然，具体采用哪一种方式要根据实践的检验而定，前一种模式在理论上比较成熟，但在算法的选择上不能单一。我们都知道，任何一种算法都无法在所有情况下达到较高的精度，这与负荷结构以及负荷特性有直接的关系。
（五）做好负荷日的类型分析
在做负荷预测的时候，对于历史数据的选择很有学问，力求使用与预测日同类型的历史负荷数据。这样不但可以去除好多非同类型日数据的干扰，而且可以提高迭代收敛速度，简单计算。但是，对负荷日进行精确分类是相当困难的，需要大量的经验和比较。目前最简单的分类是休息日和工作日，这样的划分太粗糙，不能满足实际的需要，真正实用化的分类还需要大量的判据。负荷日类型一般可以根据以下几个方面科学分类：负荷特性，一般指负荷曲线轮廓；负荷值大小；气象等有关因素；工作日、休息日、节假日。在这几个方面中最重要的是负荷特性和负荷值，但这个判据比较难于归纳分析，而后两种判据易于判别。因此，实际中主要根据后两种判据进行分类。