由清華大學電力市場研究團隊創辦的《淺談電力市場》聚焦電力市場的產業政策、行業資訊、科學前沿，促進電力市場相關知識、經驗、趨勢的分享，助您面對習深化電力市場改革下的新挑戰
歡迎大家關注姓名***，獲取每日最新資訊。
總結：電力負荷**結果為電力系統未來電力基礎設施建設和發展規劃決策提供重要參考。 然而，提供準確的電力負荷資料**並非易事，而電力市場的多樣性使其更加困難。 隨著大資料時代的到來和人工智慧技術的進一步發展，與傳統方法相比，人工智慧在電力負荷領域已經嶄露頭角。
編輯指南
用電負荷**是指利用各種技術和方法，估算乙個地區在未來某個時間的用電量。 這對電力系統來說很有意義。 然而，電力市場包含多種負荷資源，這增加了負荷的不確定性，增加了負荷的難度**。 本文主要闡述了荷載的重要性、荷載的型別和荷載的方法。
01 - 負載的重要性**
電力負荷**結果對未來電力基礎設施建設和電力系統發電能力布局的決策具有重要的參考價值。 電力行業的整體安全、合理規劃的制定、日常運營決策的制定、人力物力資源浪費的有效減少，都取決於準確執行電力負荷的能力。
規劃和優化：負載**對於電力系統的規劃和優化至關重要。 它可以幫助公用事業公司準確估計未來一段時間的電力需求，從而合理規劃發電和輸電資源，確保系統的高效執行。
資源分配：負載**還有助於適當分配發電資源，避免不必要的浪費，並確保有足夠的電力**來滿足使用者需求。
供電可靠性：通過了解未來的負載情況，電力系統可以更好地應對高峰期和特殊條件，提高供電可靠性。
02 - 負載型別**
1.按負載型別劃分
根據電力負荷的定義，負荷所在的區域、時間段和負荷型別對最終結果有很大影響。 舉個簡單的例子，對於供暖行業來說，夏秋兩季的負荷與春冬季節的負荷完全不同，空調等負荷則相反。 可以看出，不同種類的載荷具有不同的外部特徵，在執行載荷時不能一概而論，這會增加任務的難度，降低結果的準確性。 根據行業分類，負荷可分為：農業負荷**、城市居民負荷**、工業負荷**、商業負荷**和其他負荷**。
1）農業負荷**是指農村地區的全部負荷，包括農業生產用電、農村居民用電和商業用電。
2）城鎮居民負荷**主要指日常照明、空調等家用電器裝置的負荷**。
3）工業負荷主要是指社會工業生產中使用的總負荷。
4）商業負荷是指商業服務活動中使用的總負荷。
5）其他負載範圍廣，包括辦公、公共運輸、市政電力等負載。
2.按時間刻度劃分
所需負載**結果的時間範圍因情況而異。 例如，某電力公司在規劃某一區域的配電設施時，主要考慮目標區域幾年內的負荷變化，屬於中長期負荷**。 這種負載**技術主要針對大粒度、長時間範圍的需求，並不關心一天內負載的變化，而是更關心按年、月、日計算的負載累計結果。 此外，還有短期負荷**、超短時負荷**等。
短期電力負荷**是指一周或幾天的負荷**，比超短期負荷**略長。 短時負荷的主要目的是合理安排燃油計畫，經濟合理地安排機組的啟停，合理安排維修時間。 在電力市場中，短期負荷**極為重要。 例如，在前一交易日，如果市場主體能夠準確增加次日負荷需求，則可以相應地調整其在電力市場的競價行為，在需求較高時增加負荷需求，獲得更多利潤。 對於新能源發電機來說，準確的日用**可以最大限度地降低偏差評估的成本。
1 小時內負載的波動是超短期負載的目標**。 超短時負荷**的意義主要在於對電力系統的控制，對潛在事故風險的實時監測和防範，以及制定合理的發電計畫。
一般來說，根據時間尺度的不同，負荷可分為中長期負荷、短期負荷和超短期負荷。
03-Load** 技術
一、負載技術發展概況
電力負荷問題一直是國內外眾多專家學者關注的問題，一直是研究的熱點，國內外專家學者在提高負荷精度方面也做了大量的研究。 這些研究可以分為兩個方面：傳統方法和人工智慧方法。 傳統方法主要包括：回歸分析和時間序列分析、自回歸移動平均模型、灰色模型等。 本文重點介紹人工智慧方法。
2. 基於人工智慧的負載技術
隨著大資料時代的到來和裝置效能的提高，人工智慧技術在負載領域得到了快速發展。 與傳統方法相比，AI在資料樣本更大、資料特徵更多、問題更複雜等應用場景中具有明顯優勢。 人工智慧技術將根據輸入資料自動**載入目標期間的資料：歷史負載資料、歷史溫度資料等。
通過 AI 技術實現工作負載大致可以分為以下幾個步驟：選擇原始資料、特徵工程、構建模型以及訓練和測試模型。
1.原始資料的選擇：原始資料的選擇對準確性至關重要，需要保證所選的原始資料與載入資料具有較強的相關性。 因此，在選擇資料之前，可以檢查原始資料與荷載資料之間的相關性，在相關性達到一定閾值後，可以作為原始資料的替代。常見的原始資料一般有：歷史負荷資料、歷史溫度資料、歷史假期資料等。
2.特徵工程：選擇原始資料後，可以進行一定的處理，以方便後續模型的學習和習。 例如，對於隨季節變化較大的負荷，可以根據歷史負荷提取季度負荷資料。 此外，還需要對資料進行歸一化，常用的方法有：max-min歸一化、高斯歸一化等。 那麼為什麼要做規範化呢？對於神經元，輸出 y 和輸入 x 之間的關係如下：
其中 a 和 b 分別是神經元的權重和偏差引數，將在訓練期間更新。 如果不進行歸一化，如果輸入x過大，那麼權重引數a的小幅更新可能會導致輸出y的較大變化，不利於**模型收斂到穩態。
3.構建模型：根據任務特點，常見的神經網路模型包括全連線神經網路、一維卷積神經網路和迴圈神經網路。
4.訓練和測試模型：通過特徵工程獲得的資料集按照7：2：1分為訓練集、測試集和驗證集。 訓練集用於訓練模型，而測試集和驗證集用於驗證模型的效能。 常用的效能指標是均方根誤差 （RMSE） 和平均絕對百分比誤差 （MAPE）。
總結
人工智慧（AI）在電力系統負載領域顯示出巨大的潛力**。 通過利用深度學習習等技術，人工智慧能夠更準確地捕捉電力系統中的負載模式和趨勢，為能源規劃和排程提供強大的工具。