基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法

譚風(fēng)雷， 張 軍， 馬宏忠

(1.國網(wǎng)江蘇省電力有限公司檢修分公司，江蘇 南京 211102； 2.河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100)

0 引 言

隨著我國用電量逐年增加，為了滿足社會(huì)經(jīng)濟(jì)的快速增長，電力事業(yè)得以空前發(fā)展，電力系統(tǒng)逐漸建成了“以特高壓電網(wǎng)為骨干網(wǎng)架，各級(jí)電網(wǎng)協(xié)調(diào)發(fā)展的堅(jiān)強(qiáng)電網(wǎng)”[1-2]。隨著全社會(huì)大量電能的需求，電力負(fù)荷預(yù)測(cè)變得格外重要，是我國電力企業(yè)(國家電網(wǎng)有限公司和中國南方電網(wǎng)有限責(zé)任公司)的重要工作之一，準(zhǔn)確的負(fù)荷預(yù)測(cè)，能夠合理安排電力系統(tǒng)發(fā)電機(jī)組的啟停和輸變電設(shè)備檢修計(jì)劃，在滿足社會(huì)用電需求的同時(shí)，減少不必要的電能浪費(fèi)，降低發(fā)電成本，提高經(jīng)濟(jì)社會(huì)效益，已成為衡量電力企業(yè)管理走向現(xiàn)代化的顯著標(biāo)志，尤其在用電管理走向市場(chǎng)的情況下，電力負(fù)荷預(yù)測(cè)變得更加重要[3]。

電力負(fù)荷預(yù)測(cè)是一門涉及數(shù)學(xué)分析、經(jīng)濟(jì)增長、人文科學(xué)等的綜合學(xué)科，其受到諸多因素的影響，主要包括地域、環(huán)境、時(shí)間、經(jīng)濟(jì)、政治等因素，由于進(jìn)行電力負(fù)荷預(yù)測(cè)時(shí)，難以綜合考慮到多種因素，使得電力負(fù)荷預(yù)測(cè)精度不易提高，這樣研究一種簡(jiǎn)單且精度較高的電力負(fù)荷預(yù)測(cè)方法就成為了諸多專家學(xué)者的研究重點(diǎn)。目前，針對(duì)電力負(fù)荷預(yù)測(cè)的方法有很多，也比較成熟，主要集中在多元線性回歸法、時(shí)間序列法、BP神經(jīng)網(wǎng)絡(luò)、灰色理論等方法[4-6]。文獻(xiàn)[7]提出了一種基于溫濕度因子的多元線性回歸法，并基于積溫效益對(duì)溫度因子進(jìn)行了修正，提高了算法的準(zhǔn)確性。文獻(xiàn)[8]提出了一種基于支持向量機(jī)的電力負(fù)荷預(yù)測(cè)方法，該方法基于最小二乘法的思想計(jì)算得到了支持向量機(jī)的最優(yōu)參數(shù)，最后通過算例表明該方法運(yùn)算速度快，預(yù)測(cè)精度高。文獻(xiàn)[9]提出了一種基于指數(shù)平滑法預(yù)測(cè)電力負(fù)荷的方法，該方法基于模糊理論對(duì)天氣狀況進(jìn)行了量化處理，并修正了模型參數(shù)，有效提高了預(yù)測(cè)精度。上述文獻(xiàn)大多未考慮電力負(fù)荷變化曲線存在“三峰三谷”[10-11]變化特性，且使用的預(yù)測(cè)方法較為單一。實(shí)際上，由于電力負(fù)荷變化曲線存在“三峰三谷”變化特性，使得各時(shí)段變化趨勢(shì)不同，只有各時(shí)段單獨(dú)考慮，單獨(dú)使用預(yù)測(cè)方法才能提高預(yù)測(cè)精度。另外，預(yù)測(cè)方法單一時(shí)，必然存在一定缺陷，可利用加權(quán)組合思想[12-14]，充分結(jié)合各種預(yù)測(cè)方法的優(yōu)點(diǎn)，提高算法優(yōu)勢(shì)?；谏鲜龇治隹芍?，為進(jìn)一步提高電力負(fù)荷預(yù)測(cè)精度，需充分考慮電力負(fù)荷變化曲線的“三峰三谷”變化特性和加權(quán)組合預(yù)測(cè)思想。

針對(duì)上述問題，本文以蘇北某地區(qū)的歷史電力負(fù)荷數(shù)據(jù)作為研究對(duì)象，分析該地區(qū)電力負(fù)荷“三峰三谷”變化特性，并基于連續(xù)性原理，按照趨勢(shì)變化將電力負(fù)荷變化曲線劃分為6個(gè)時(shí)間段。同時(shí)基于加權(quán)組合的思想，每個(gè)時(shí)間段均采用線性回歸法、趨勢(shì)變化法、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的加權(quán)組合預(yù)測(cè)方式，借助最小二乘法的思想，求解得到組合預(yù)測(cè)模型的最優(yōu)參數(shù)。最后借助實(shí)際算例驗(yàn)證了該算法的可行性。

1 電力負(fù)荷變化趨勢(shì)分析與時(shí)段劃分

1.1 基于電力負(fù)荷平均變化率的時(shí)段劃分方法

電力負(fù)荷存在區(qū)域性、時(shí)間性等特性，不同地域不同時(shí)間對(duì)應(yīng)的電力負(fù)荷變化趨勢(shì)各不相同，本文以蘇北某地區(qū)夏季50個(gè)工作日對(duì)應(yīng)的電力負(fù)荷數(shù)據(jù)作為研究對(duì)象，首先來分析電力負(fù)荷變化趨勢(shì)。

圖1為該地區(qū)典型日電力負(fù)荷曲線，顯然該地區(qū)電力負(fù)荷變化曲線呈現(xiàn)三個(gè)峰值和三個(gè)谷值，一般稱作“三峰三谷”現(xiàn)象，所謂“三峰”是指早高峰、午高峰和晚高峰，而“三谷”是指早低谷、午低谷和晚低谷。

圖1 典型日電力負(fù)荷曲線Fig.1 Typical daily power load

由于典型日電力負(fù)荷曲線存在獨(dú)特性，不能完全代表該地區(qū)電力負(fù)荷曲線，因此在分析“三峰三谷”現(xiàn)象時(shí)，文中又繪制了該地區(qū)平均電力負(fù)荷變化曲線如圖2所示。顯然，平均電力負(fù)荷曲線仍然存在“三峰三谷”現(xiàn)象，其中早高峰時(shí)間為10時(shí)45分，午高峰時(shí)間為14時(shí)45分，晚高峰時(shí)間為21時(shí)15分，三個(gè)高峰時(shí)間均為上班用電、居民用電的高峰時(shí)期；早低谷時(shí)間為3時(shí)45分，午低谷時(shí)間為12時(shí)，晚低谷時(shí)間為18時(shí)45分， 三個(gè)低谷時(shí)間均為休息用電的低谷時(shí)期，與社會(huì)實(shí)際用電情況相符。

圖2 平均電力負(fù)荷曲線Fig.2 Average power load

根據(jù)電力負(fù)荷的“三峰三谷”特性，則電力負(fù)荷曲線就可以分為6個(gè)時(shí)間段。“三峰三谷”時(shí)刻確定后，現(xiàn)利用電力負(fù)荷變化率曲線(如圖3所示)來確定“三峰三谷”對(duì)應(yīng)的時(shí)間段。

圖3 電力負(fù)荷變化率曲線Fig.3 Change rate of power load

文中假設(shè)“三峰三谷”對(duì)應(yīng)的時(shí)間段確認(rèn)原則如下：

(1)任意時(shí)間段內(nèi)電力負(fù)荷變化率應(yīng)遵循連續(xù)性原理，不存在較大階躍值；

(2)原則上任意時(shí)間段內(nèi)電力負(fù)荷變化率連續(xù)波動(dòng)有且只有1次，其中最大電力負(fù)荷變化率與最小電力負(fù)荷變化率之差應(yīng)大于0.05；

(3)如果任意時(shí)間段內(nèi)電力負(fù)荷變化率連續(xù)出現(xiàn)2次及以上波動(dòng)時(shí)，其最大電力負(fù)荷變化率與最小電力負(fù)荷變化率之差可以不大于0.05。

基于上述三個(gè)原則，“三峰三谷”對(duì)應(yīng)的時(shí)間段劃分情況如表1所示：

表1 “三峰三谷”對(duì)應(yīng)的時(shí)間段劃分情況

1.2 基于K-means聚類的時(shí)段劃分方法

考慮到基于電力負(fù)荷平均變化率的時(shí)段劃分方法是基于平均電力負(fù)荷曲線，未充分考慮各樣本的特點(diǎn)，使得時(shí)段劃分不夠準(zhǔn)確，因此本文采用了基于K-means聚類的時(shí)段劃分方法[15]，具體步驟如下：

步驟1：選擇蘇北某地區(qū)夏季50個(gè)工作日的電力負(fù)荷數(shù)據(jù)作為樣本集，設(shè)聚類數(shù)為2，迭代次數(shù)為R。

步驟2：選取日峰負(fù)荷和日谷負(fù)荷作為原始聚類中心Cij，式中i=1、2，j=1、2、3…R。

步驟3：計(jì)算各時(shí)刻電力負(fù)荷與原始聚類中心的距離Dk，表達(dá)式如下：

Dk=(Lk-Cij)2

(1)

式中：Lk表示某日第k時(shí)刻的電力負(fù)荷值。

步驟4：計(jì)算新的聚類中心，表達(dá)式如下：

(2)

式中：Nij表示第i種聚類第j次迭代后所包含的樣本點(diǎn)數(shù)；Lij表示第i種聚類第j次迭代后所對(duì)應(yīng)的樣本點(diǎn)負(fù)荷。

步驟5：每次迭代后，構(gòu)造誤差平方和準(zhǔn)則函數(shù)，表達(dá)式如下：

(3)

當(dāng)?shù)趈次迭代后Jj取得最小值，這時(shí)對(duì)應(yīng)的聚類結(jié)果即為最優(yōu)結(jié)果，根據(jù)此結(jié)果就可以進(jìn)行“三峰三谷”劃分，否則重新進(jìn)行迭代。

步驟6：對(duì)50個(gè)樣本都采用K-means聚類，統(tǒng)計(jì)出96個(gè)時(shí)刻分別被劃分到6個(gè)時(shí)段的天數(shù)。

步驟7：利用最大天數(shù)原則，當(dāng)某時(shí)刻被劃分到某時(shí)段的天數(shù)最大，此時(shí)刻就屬于此時(shí)段。

基于K-means聚類原理，本文對(duì)“三峰三谷”時(shí)段劃分情況進(jìn)行了修正，結(jié)果如表2所示。

表2 “三峰三谷”時(shí)段劃分修正結(jié)果

Tab.2 Correction results for the time division of “three peaks and three valleys”

“三峰”早高峰午高峰晚高峰時(shí)間段09:30-11:4513:15-18:0020:30-22:00“三谷”早低谷午低谷晚低谷時(shí)間段22:00-09:3011:45-13:1518:00-20:30

2 基于趨勢(shì)變化分段的電力負(fù)荷預(yù)測(cè)方法

根據(jù)“三峰三谷”變化趨勢(shì)可知，電力負(fù)荷曲線可以劃分為6個(gè)時(shí)間段，每個(gè)時(shí)間段所對(duì)應(yīng)的變化趨勢(shì)不同，若每個(gè)時(shí)間段都采用相同的預(yù)測(cè)方法，必然影響到預(yù)測(cè)精度，因此本文考慮在不同時(shí)段應(yīng)用不同的預(yù)測(cè)方法來提高預(yù)測(cè)精度。

目前，電力負(fù)荷預(yù)測(cè)方法有很多，主要包括線性回歸法、趨勢(shì)變化法、時(shí)間序列法、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)和模糊理論等方法[16-17]，本文主要研究線性回歸法、趨勢(shì)變化法、神經(jīng)網(wǎng)絡(luò)及SVM四種常用的電力負(fù)荷預(yù)測(cè)方法，以蘇北某地區(qū)夏季前40個(gè)工作日對(duì)應(yīng)的電力負(fù)荷數(shù)據(jù)作為歷史負(fù)荷數(shù)據(jù)(如圖4所示)，后10個(gè)工作日對(duì)應(yīng)的電力負(fù)荷數(shù)據(jù)作為預(yù)測(cè)負(fù)荷數(shù)據(jù)。

圖4 歷史負(fù)荷曲線Fig.4 Historical load

分析線性回歸法、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)前，先研究電力負(fù)荷的影響因素，針對(duì)夏季負(fù)荷，文中重點(diǎn)研究電力負(fù)荷與溫濕度與的相關(guān)性，如圖5和6所示，顯然電力負(fù)荷與溫濕度具有一定相關(guān)性，與溫度呈正相關(guān)，與濕度呈負(fù)相關(guān)。因此文中研究線性回歸法、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)時(shí)，主要考慮基于環(huán)境溫度與濕度因子，而趨勢(shì)變化預(yù)測(cè)法是基于負(fù)荷趨勢(shì)變化因子。

圖5 負(fù)荷與溫度相關(guān)性Fig.5 Correlation of load and temperature

圖6 負(fù)荷與濕度相關(guān)性Fig.6 Correlation of load and humidity

基于上述四種方法的預(yù)測(cè)結(jié)果如表3所示，其中線性回歸法簡(jiǎn)稱為MR，趨勢(shì)變化預(yù)測(cè)法簡(jiǎn)稱為MT，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法簡(jiǎn)稱為MB，支持向量機(jī)預(yù)測(cè)法簡(jiǎn)稱為MS。其中采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法和支持向量機(jī)預(yù)測(cè)法預(yù)測(cè)電力負(fù)荷時(shí)，需對(duì)電力負(fù)荷和溫濕度因子進(jìn)行歸一化處理[18]，處理原則為

(4)

式中：Li(t)表示第i天t時(shí)刻對(duì)應(yīng)的電力負(fù)荷、溫濕度因子實(shí)際值；Lmaxt表示第t時(shí)刻對(duì)應(yīng)的電力負(fù)荷、溫濕度因子最大值；Lmint表示第t時(shí)刻對(duì)應(yīng)的電力負(fù)荷、溫濕度因子最小值；L1i(t)表示第i天t時(shí)刻對(duì)應(yīng)的電力負(fù)荷、溫濕度因子歸一化值；C表示歸一化系數(shù)，當(dāng)對(duì)電力負(fù)荷歸一化處理時(shí)，C取值為100 MW，當(dāng)對(duì)溫度歸一化處理時(shí)，C取值為1 ℃，當(dāng)對(duì)濕度歸一化處理時(shí)，C取值為10%。

針對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法，訓(xùn)練函數(shù)設(shè)置為“trainlm”，神經(jīng)元2層，第一層設(shè)置6個(gè)神經(jīng)元，傳遞函數(shù)設(shè)置為“purelin”，第二層設(shè)置1個(gè)神經(jīng)元，傳遞函數(shù)設(shè)置為“tansig”，最大訓(xùn)練次數(shù)設(shè)置為3 000，訓(xùn)練要求精度設(shè)置為0.001，學(xué)習(xí)率設(shè)置為0.000 1，最小梯度要求設(shè)置為1e-12，u的初始值設(shè)置為1e-12；針對(duì)支持向量機(jī)預(yù)測(cè)法，核函數(shù)設(shè)置為“l(fā)inear”，損失函數(shù)設(shè)置為“einsensitive”。

表3 四種方法的預(yù)測(cè)結(jié)果

分析表3可知：早低谷時(shí)段，趨勢(shì)變化預(yù)測(cè)法(MT)預(yù)測(cè)精度最高；早高峰時(shí)段，支持向量機(jī)預(yù)測(cè)法(MS)預(yù)測(cè)精度最高；午低谷時(shí)段，線性回歸法(MR)預(yù)測(cè)精度最高；午高峰時(shí)段，線性回歸法(MR)預(yù)測(cè)精度最高；晚低谷時(shí)段，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法(MB)預(yù)測(cè)精度最高；晚高峰時(shí)段，支持向量機(jī)預(yù)測(cè)法(MS)預(yù)測(cè)精度最高。若每個(gè)時(shí)段均采用預(yù)測(cè)精度較高的方法，預(yù)測(cè)精度必然得以提高，則基于趨勢(shì)變化分段的電力負(fù)荷預(yù)測(cè)方法為MR、MT、MB和MS的組合預(yù)測(cè)方法，其六個(gè)時(shí)段對(duì)應(yīng)的方法如表4所示。

表4 六個(gè)時(shí)段對(duì)應(yīng)的預(yù)測(cè)方法

分析表4可知：采用基于趨勢(shì)變化分段的電力負(fù)荷預(yù)測(cè)方法，綜合了MR、MT、MB和MS四種預(yù)測(cè)方法的優(yōu)勢(shì)，使得平均相對(duì)誤差降低至3.30%，預(yù)測(cè)精度得以大幅度提高。

圖7 整體預(yù)測(cè)效果Fig.7 Overall prediction and actual load

為了進(jìn)一步分析預(yù)測(cè)效果，又繪制了整體預(yù)測(cè)效果(圖7)和10個(gè)工作日的相對(duì)誤差圖(圖8)，顯然采用基于趨勢(shì)變化分段的電力負(fù)荷預(yù)測(cè)方法后，最大相對(duì)誤差為7.54%，最小相對(duì)誤差為1.89%，相對(duì)誤差小于等于3%的天數(shù)為5個(gè)，占比50%，相對(duì)誤差小于等于5%的天數(shù)為9個(gè)，占比90%，可見該方法具有較高的預(yù)測(cè)精度，從而也驗(yàn)證了方法的有效性與可行性。

圖8 預(yù)測(cè)相對(duì)誤差圖Fig.8 Predictive relative error rate

3 基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法

根據(jù)前面的分析可知，基于趨勢(shì)變化分段的電力負(fù)荷預(yù)測(cè)方法在每個(gè)時(shí)段分別采用單一不同的預(yù)測(cè)方法，可有效提高電力負(fù)荷預(yù)測(cè)精度。為進(jìn)一步提高預(yù)測(cè)精度，考慮在每個(gè)時(shí)段分別采用多種預(yù)測(cè)方法加權(quán)組合方式，這種方法稱為基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法。早低谷時(shí)段，線性回歸法、趨勢(shì)變化預(yù)測(cè)法和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法預(yù)測(cè)誤差相對(duì)較低，故該時(shí)段采用上述三種方法加權(quán)組合，同理可得到其他五個(gè)時(shí)段的組合方式，如表5所示。

表5 六個(gè)時(shí)段對(duì)應(yīng)的組合方式

根據(jù)表5，采用加權(quán)組合方式可得基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法的數(shù)學(xué)模型，其中P1表示早低谷時(shí)段預(yù)測(cè)模型，a11和a12表示早低谷預(yù)測(cè)模型加權(quán)系數(shù)；P2表示早高峰時(shí)段預(yù)測(cè)模型，a21和a22表示早高峰預(yù)測(cè)模型加權(quán)系數(shù)；P3表示午低谷時(shí)段預(yù)測(cè)模型，a31和a32表示午低谷預(yù)測(cè)模型加權(quán)系數(shù)；P4表示午高峰時(shí)段預(yù)測(cè)模型，a41和a42表示午高峰預(yù)測(cè)模型加權(quán)系數(shù)；P5表示晚低谷時(shí)段預(yù)測(cè)模型，a51和a52表示晚低谷預(yù)測(cè)模型加權(quán)系數(shù)；P6表示晚高峰時(shí)段預(yù)測(cè)模型，a61和a62表示晚高峰預(yù)測(cè)模型加權(quán)系數(shù)；PMR表示線性回歸法預(yù)測(cè)結(jié)果，PMT表示趨勢(shì)變化預(yù)測(cè)法預(yù)測(cè)結(jié)果，PMB表示BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法預(yù)測(cè)結(jié)果，PMS表示支持向量機(jī)預(yù)測(cè)法預(yù)測(cè)結(jié)果。

(5)

基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法的數(shù)學(xué)模型建立后，預(yù)測(cè)電力負(fù)荷前，需要求解模型參數(shù)。本文基于最小二乘法的思想，利用該地區(qū)40個(gè)工作日的歷史負(fù)荷數(shù)據(jù)訓(xùn)練數(shù)學(xué)模型，從而得到最優(yōu)參數(shù)，求解步驟如下，以早低谷時(shí)段為例進(jìn)行說明：

步驟1：確定基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法的數(shù)學(xué)模型的參數(shù)取值范圍和計(jì)算步長?；诩訖?quán)組合原理，所有參數(shù)的取值范圍為[0,1]；考慮到計(jì)算步長過小時(shí)，計(jì)算時(shí)間較長，而計(jì)算步長過大時(shí)，預(yù)測(cè)精度較低，因此文中將計(jì)算步長設(shè)置為0.01。

步驟2：根據(jù)參數(shù)取值變化，計(jì)算各時(shí)段預(yù)測(cè)結(jié)果。早低谷時(shí)段預(yù)測(cè)模型加權(quán)系數(shù)a11和a12取值范圍均為[0∶0.01∶1]，即a11和a12各要101種取值結(jié)果，則a11和a12共有10 201種組合方式，將a11和a12代入式(2)，則早低谷時(shí)段預(yù)測(cè)模型P1有10 201種結(jié)果。

步驟3：計(jì)算各時(shí)段對(duì)應(yīng)的電力負(fù)荷實(shí)際值減去預(yù)測(cè)值的差值。將步驟2中得到的10 201種早低谷時(shí)段預(yù)測(cè)結(jié)果P1與該時(shí)段實(shí)際電力負(fù)荷作差，求取誤差。

步驟4：求取最優(yōu)參數(shù)。求解步驟3中誤差最小值，該值對(duì)應(yīng)的模型加權(quán)系數(shù)a11和a12，即為模型最優(yōu)參數(shù)。

根據(jù)上述步驟，求解得到了基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法的數(shù)學(xué)模型的最優(yōu)參數(shù)，如表6所示。

表6 模型最優(yōu)參數(shù)

將表6中模型最優(yōu)參數(shù)代入式(5)，即可實(shí)現(xiàn)電力負(fù)荷的預(yù)測(cè)，其各時(shí)段預(yù)測(cè)精度如表7所示，整體預(yù)測(cè)效果如圖9所示，顯然相對(duì)于基于趨勢(shì)變化分段的電力負(fù)荷預(yù)測(cè)方法，基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法各時(shí)段預(yù)測(cè)精度都有所提高，整體預(yù)測(cè)精度達(dá)到了2.83%。

表7 各時(shí)段的預(yù)測(cè)精度

圖9 整體預(yù)測(cè)效果Fig.9 Overall prediction

為了進(jìn)一步分析預(yù)測(cè)效果，又繪制了10個(gè)工作日的相對(duì)誤差圖，如圖10所示，顯然采用基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法后，最大相對(duì)誤差為4.70%，最小相對(duì)誤差為1.80%，相對(duì)誤差小于等于3%的天數(shù)為7個(gè)，占比70%，相對(duì)誤差小于等于5%的天數(shù)為10個(gè)，占比100%，可見該方法可大幅度提高電力負(fù)荷預(yù)測(cè)精度，在電力系統(tǒng)中具有廣闊的應(yīng)用前景。

圖10 預(yù)測(cè)相對(duì)誤差Fig.10 Predictive relative error rate

4 結(jié) 論

(1)本文以蘇北某地區(qū)電力負(fù)荷數(shù)據(jù)作為研究對(duì)象，分析了電力負(fù)荷的“三峰三谷”變化趨勢(shì)，并基于連續(xù)性原理，將電力負(fù)荷變化曲線劃分為六個(gè)時(shí)段。

(2)在充分研究線性回歸法、趨勢(shì)變化法、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)四種電力負(fù)荷預(yù)測(cè)方法的基礎(chǔ)上，基于電力負(fù)荷“三峰三谷”變化特性，提出了基于趨勢(shì)變化分段的電力負(fù)荷預(yù)測(cè)方法。

(3)基于加權(quán)組合思想，提出了基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法，同時(shí)借助最小二乘法求解得到了模型最優(yōu)參數(shù)，最后通過算例驗(yàn)證了方法的有效性與可行性。