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
- 能源预測包括了电力行业中有关预測的广泛的内容，比方短期负荷预測、长期负荷预測、局部负荷预測、电价预測、需求响应预測还有可再生能源发电预測等。
- 因为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測的有趣性质，比方复杂的季节性模式、24/7的电网数据收集、对精确度的需求等。
- 高级的能源预測依赖于严格的測试数据集。对于商业需求的理解，从统计学、电子project、气象科学等学科的学习和研究。
能源预測的起源
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，能源预測比較直接简单。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。这样的古老的方法依然用于现代的电力系统计划之中。针对路灯的负荷预測。
后来随着用电器不断的丰富，负荷预測问题变得越来越重要，尤其是一些特殊事件发生时，比如总统演讲，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。人们发现因为空调设备的大量使用，电力需求受到气候变化影响非常大。
下图显示了负荷和气温变化的曲线图和散点图，在冬季。因为供暖的需求。负荷和气温呈负相关。在夏季，因为制冷的需求。负荷和气温呈正相关。
在当时，还没有统计功能的软件，project方法是通过图表的方式进行人工的预測。
沿用类似的方法。现代的负荷曲线依然使用类似气温情况和日期类型（工作日还是假期）的历史数据作为參考。
能源预測的高速发展
区域的负荷预測
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測问题，主要关注负荷增长的时间、地点还有总量问题，预測的范围从几年延伸到几十年，该预測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预计未来负荷。最经常使用的趋势分析方法是用多项式回归模型来拟合历史数据。该方法的长处是简单易用，多用于最近负荷增长的短程响应；但其对于长期负荷的预计easy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。同一时候确定时间、空间和未来负荷增长的幅度信息。能够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。该方法能够做到短程预測的准确和长期预測的计划參考；缺点是须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长处。既能够对最近负荷历史做出较好的响应，又能够对长期的预測具有一定的參考价值。不要求与用户之间有太多的交互。
短期负荷预測
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測变得更为重要。人们開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測。
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，不须要人们去关注预測分析中的内部关系结构，而有些企业不喜欢黑盒方法，转而开发诸如类似日的经典方法和多元线性回归的统计技术。
以下给出了不同的短期负荷预測技术的比較：
电力价格预測
电力市场的全面启动带来的新的挑战：电力价格预測。
负荷预測用来说明电力企业须要供应多少电力来平衡需求，价格预測用来帮助电力企业计算多少电力应该来买卖。
电价预測技术主要有模拟仿真、统计学和人工智能技术。
模拟仿真的方法须要针对电力市场、负荷预測、储运损耗和电力中断、市场參与者的竞价投标等因素建立一个数学模型。
电价预測的精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測是电力价格预測的驱动器。
统计和人工智能方法不须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測未来电价。这样的方法难以预測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堵塞情况影响，但这样的因素在模拟仿真的方法中能够被考虑在内。
智能电网时代
需求响应预測
过去十年间，电力企业開始进行智能电网化，安装了非常多智能电表、传感器和通信设备，智能电网技术为绿色环保和减少成本带来了可能。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。电力企业须要进行一系列的分析工作，比方预測电力价格、预測參与和不參与需求响应项目不同情况的负荷情况、依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。
可再生能源发电预測
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，给能源预測带来了新的生机。同一时候，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。
因为我国如今还以火电为主。在新能源发电方面缺乏主要应用，这里暂不介绍。
经验教训
測试数据集
非常多的能源预測论文对于训练数据有非常低的误差，但实际情况不容乐观。主要原因就是缺乏严格的測试数据。比方一个明显的错误是使用一个含有1000+个參数的模型来拟合含有几百个观測的数据集。
还有还有一种不easy察觉的错误，举个样例。当我们使用回归模型，将数据集分成两部分，一部分用于參数预计。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。我们将更换模型又一次计算MAPE，直到MAPE足够小。上述方式验证数据尽管没实用于模型的拟合，可是当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。窥探未来数据能够得到非常好的结果。但在实际中是不可能的。
理解商业需求
比方，非常多电力企业不同意使用黑盒模型来进行长期预測。不论这样的模型多么好，可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，全部类型的能源预測都是相互联系的，短期负荷预測模型能够通过添加宏观经济指标来扩展成长期预測模型；电价不再仅仅是受负荷驱动。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