★ 国网江苏省电力有限公司镇江供电分公司 陆天，丁瑾

关键词：调度自动化；电网负荷预测；人工智能；智能调度优化

电网负荷预测是调度自动化系统的重要组成部分，其预测结果直接影响发电计划安排、机组出力调整以及电网运行方式改进。传统方法依靠历史负荷数据以及人工经验来判断负荷变化，在新能源接入比例增加、用户用电行为变化、气象条件波动等繁复的运行场景中，对负荷变化规律的适应能力较差。当电网运行状态发生变化或负荷波动频率增加时，传统方法的预测结果易出现偏差，进而影响调度系统对电网实时运行状态的判断能力^[1]。

针对上述问题，本文提出了一种面向调度自动化的电网负荷预测人工智能技术研究与应用方法，对负荷运行状态和影响因素变化特征进行分析。该方法建立了电网负荷数据采集体系，对历史负荷、气象条件、时间特征以及电网运行状态等信息进行处理，并结合负荷特征提取与人工智能预测方法分析负荷变化规律。通过研究不同运行条件下负荷的变化规律，可以提升预测模型对复杂电网运行环境的适应能力。

1   电网负荷自动化调度运行需求分析

电网自动化调度通过获取负荷变化信息，融合电网运行状态完成发电计划调整、设备运行方式切换与潮流控制。随着新能源发电比例升高，负荷变化受历史负荷、气象条件、用户用电行为、电网运行方式等多种因素影响，负荷曲线波动越来越频繁，传统方法根据历史经验制定调度方案难以满足自动化调度对实时性、准确性的要求^[2]。自动化调度系统依靠人工智能技术建立负荷预测机制，在运行数据不断更新时能够及时修正预测结果。

为保证预测模型能够准确反映负荷变化规律，本文对采集的数据进行分析，识别影响负荷变化的关键特征，减少无效信息进入模型，提高预测结果与实际运行状态的一致性。本文通过公式（1）计算最大信息系数，定量评价各影响因素与负荷之间的非线性关联程度。

式中，MIC表示最大信息系数， D表示负荷数据集，G表示网格划分结果， x表示横向网格划分数量， y表示纵向网格划分数量，xy<B(n)表示网格数量约束函数，表示样本数量。根据不同网格划分方式统计各影响因素与负荷之间的信息分布，计算对应的互信息。比较各影响因素的最大信息系数后，筛选关联程度较高的历史负荷、气温、湿度、节假日信息以及电网运行状态等特征，作为人工智能模型输入，提高输入数据对负荷变化规律的表达能力。

完成输入特征筛选后，需要评价各影响因素对负荷变化的贡献程度，使人工智能模型优先学习与当前运行状态关联较高的特征。不同运行参数对负荷变化的影响存在差异，仅依据单一特征难以全面反映负荷变化规律， 引入公式（2）计算影响因素与负荷之间的灰色关联度。

式中，R_i表示第i个影响因素与负荷之间的灰色关联度，N表示参与计算的数据点数量，Δ_i(k)表示第i个影响因素在第k个数据点与负荷之间的差值， Δ_min表示所有数据点中的最小差值，ρΔ_max表示所有数据点中的最大差值，表示分辨系数，取值范围为0至1。通过各影响因素与负荷序列在每个采样时刻的变化差异计算关联程度，结合全时段差异结果求取综合关联值。变化差异越小，证明影响因素与负荷变化一致，关联度高，对负荷变化的影响明显。引入最大差异和最小差异进行修正后，可减小局部异常数据对计算结果的影响，使不同影响因素之间的关联程度具有可比性。

完成灰色关联度计算后，根据关联度大小确定各输入特征的重要程度，保留关联度较高的特征参与人工智能模型训练，降低关联度较低的特征对预测结果造成的影响。自动化调度系统在运行过程中持续接收实时负荷数据和运行状态数据，并按照相同方式更新特征关联结果，保证输入特征能够反映当前电网运行状态^[3]。经过特征筛选和关联评价后的输入数据能够描述负荷变化特征，同时满足自动化调度对预测结果实时更新和快速响应的运行需求。

2   面向调度运行需求的人工智能负荷预测

2.1   调度运行的负荷特征提取

完成关键影响因素识别后，下一步确定负荷预测的数据来源。自动化调度需要关注负荷数值变化，掌握负荷在连续运行过程中的变化规律。负荷受运行方式调整、气象条件变化以及用户用电行为变化等多因素共同作用，各影响因素在时间维度上的变化具有连续性^[4]。单一时刻的数据只能反映当前运行状态，难以体现负荷演化过程。负荷特征提取需要建立连续时间上的关系，将离散运行数据转换为反映负荷变化规律的时序特征。自动化调度平台按照统一采样周期接收历史负荷、气象数据、日期类型以及电网运行状态数据，并对不同来源数据的时间进行同步处理，按照时间顺序构建连续负荷序列，数据类型如图1所示。

图1 不同数据类型采集图

由图1可知，负荷变化具有连续性，需要利用相邻时刻负荷变化情况描述负荷演化过程。结合负荷变化特征，通过公式（3）计算连续时刻负荷变化率。

式中，V_t表示时刻t的负荷变化速度， P_t表示时刻t的负荷值，P_t-1表示时刻t-1的负荷值， Δt表示相邻两个采样时刻之间的时间间隔。根据相邻时刻负荷值的变化情况计算单位时间内的负荷变化速度，利用变化速度的大小和方向描述负荷演变过程。变化速度为正表示负荷持续增长，变化速度为负表示负荷持续下降，变化速度绝对值越大说明负荷变化越快。连续计算各采样时刻负荷变化速度后，形成完整的负荷动态变化序列。

完成负荷动态特征构建后，将不同来源的运行信息进行统一整合，形成人工智能模型输入特征。采用负荷特征组合方式，通过公式（4）构建调度运行负荷。

式中，F_t表示时刻t的调度运行负荷特征，P_t表示时刻t的负荷值，V_t表示时刻t的负荷变化速度，W_t表示时刻t的气象运行特征，C_t表示时刻t的时间特征，S_t表示时刻的电网运行状态特征。本文将负荷水平与负荷变化速度共同作为负荷特征，并引入气象环境和电网运行状态信息构建统一特征数据。该特征体系不仅能够反映负荷当前运行水平、体现负荷变化趋势，还能表征外部环境和运行工况对负荷变化的影响，使负荷特征表达完整。完成各类特征组合后，自动化调度平台按照数据更新周期持续更新各类运行信息，同步生成新的负荷特征集，确保模型输入反映当前运行状态变化。人工智能模型利用连续负荷特征学习负荷随时间演化的规律，建立了当前运行状态与未来负荷的对应关系。

2.2   基于人工智能的负荷变化趋势分析

完成调度运行负荷特征提取后，本文建立了负荷特征与未来负荷之间的映射关系，实现了负荷变化趋势分析。自动化调度要求预测结果能够准确反映负荷变化方向和变化幅度，并可随运行数据更新持续修正预测结果。负荷变化具有明显的时序相关性，当前时刻负荷受到实时运行状态影响，与前一阶段负荷变化过程存在连续关系。人工智能模型根据连续负荷特征学习负荷变化规律，建立了历史运行状态与未来负荷间的对应关系，提高了预测结果对动态运行工况的适应能力^[5]。模型训练过程中，将调度运行负荷特征集作为输入，通过循环状态更新提取连续时间上的变化信息，并利用公式（5）计算当前时刻隐藏状态。

式中， H_t表示时刻t的隐藏状态，F_t表示时刻t的调度运行负荷特征向量， W_f表示输入特征权重矩阵，Wh表示隐藏状态权重矩阵，H_t-1表示时刻t - 1的隐藏状态，B_h表示隐藏层偏置向量，tanh表示双曲正切激活函数。模型接收当前时刻负荷特征，结合上一时刻隐藏状态进行状态更新，使历史运行信息在连续时间内保存。随着调度运行数据输入，隐藏状态更新，模型学习负荷变化规律，融合不同时间尺度的运行特征参与负荷变化趋势分析，增加了模型对电网连续运行状态的表达能力。

模型利用当前时刻负荷特征和历史运行信息更新隐藏状态，使隐藏状态保留负荷变化过程中的时序特征和历史关联信息。将更新后的隐藏状态输入输出层进行计算，得到下一时刻负荷预测结果。完成隐藏状态更新后，利用当前时刻隐藏状态，引入公式（6）计算未来负荷预测结果。

式中，表示时刻t+1的预测负荷值， W₀表示输出层权重矩阵， H_t表示时刻t的隐藏状态， b₀表示输出层偏置向量。模型利用连续更新后的隐藏状态提取当前时刻负荷变化特征，经输出层计算生成未来时刻负荷预测结果。运行数据输入模型时，隐藏状态同步更新，历史信息和最新运行状态融合，每次预测均以最新特征为依据重新计算，保证预测结果可及时反映负荷变化和电网运行状态的动态变化。预测结果输出后，自动化调度平台结合实时负荷需求完成发电计划调整、机组出力分配以及潮流优化控制，提高了调度方案对负荷波动的响应能力。同时，人工智能模型可持续学习电网运行过程中产生的新数据，并对负荷变化规律进行动态更新，使预测结果保持较高的准确性。

3   应用研究

3.1   应用场景

为验证面向调度自动化的人工智能负荷预测方法在实际电网运行中的应用效果，本文选取某地区电网调度中心实际运行数据进行实验。实验区域配置220kV变电站18座、110kV变电站56座、10kV配电线路312条，负荷类型涵盖工业负荷、商业负荷与居民负荷。调度自动化系统依靠智能电表、变电站监控终端、气象采集设备采集运行数据。

实验采集该地区一年的电网运行数据，数据采样间隔设置为15min，每日获得96个负荷采样点，全年累计形成35136组有效负荷数据。对原始运行数据进行预处理，按照特征筛选方法计算不同影响因素与负荷变化之间的关联程度。实验结果表明，历史负荷、温度、湿度、日期类型以及电网运行状态与区域负荷变化具有关联性。其中，历史负荷关联程度最高；温度变化对夏季高峰负荷影响最为明显；日期类型对工作日和节假日期间负荷变化具有区分作用。

3.2   调度运行优化对比分析

本文采用平均绝对百分比误差和平均绝对误差作为评价指标，对不同预测方法的负荷预测效果进行分析，实验结果如表1和图2所示。

表1 不同负荷预测方法性能对比

由表1结果可知， 传统支持向量机预测方法的平均绝对百分比误差为4.12%，平均绝对误差达到286MW；长短期记忆网络模型能够利用历史时序信息进行预测，平均绝对百分比误差降低至3.26%，平均绝对误差下降至221MW；卷积神经网络与长短期记忆网络组合模型进一步提高了特征提取能力，平均绝对百分比误差降低至2.91%，平均绝对误差为198MW；本文方法利用调度运行负荷特征和连续状态信息进行预测，平均绝对百分比误差仅为2.34%，平均绝对误差降低至156MW。

图2 15天平均负荷跟踪偏差对比

完成负荷预测后，将预测结果应用于调度运行优化。实验选取15天作为应用测试周期，分别采用传统调度方式和人工智能预测调度方式进行对比测试。传统调度方式主要依据历史同期负荷曲线制定发电计划，人工智能预测调度方式根据未来24h负荷变化趋势动态调整机组出力。由图2结果可知， 传统调度方式平均负荷跟踪偏差为312MW， 采用人工智能预测调度后平均负荷跟踪偏差降低至148MW，下降幅度达52.56%；在晚高峰运行阶段，传统调度方式存在负荷响应滞后问题，最大负荷偏差高达342MW。采用人工智能预测结果辅助调度后，系统提前调整发电计划，最大负荷偏差降低至98MW，降低幅度高达71.35%。

实验结果表明，面向调度自动化的人工智能负荷预测方法能够有效提取影响负荷变化的关键特征、提高负荷趋势预测的准确性。预测结果应用于调度运行后，能够改善负荷跟踪能力、优化发电资源配置、提高自动化调度系统对负荷波动的响应水平。

4   结束语

针对调度自动化运行过程中负荷变化规律复杂、传统预测方法对动态变化适应能力不足、预测结果难以满足实时调度需求等问题，本文提出了一种面向调度自动化的电网负荷预测人工智能技术。该方法对调度运行数据以及负荷变化特征展开分析，并根据不同的运行状态所对应的负荷变化规律建立人工智能预测模型，实现对未来负荷趋势的动态精准预测。改进后的预测模型可实时更新负荷变化，增加了负荷变化识别能力。

实验结果表明，面向调度自动化的人工智能负荷预测方法可有效增加负荷预测的精度，增强了预测结果对复杂运行环境的适应能力，降低了传统方法由于数据单一造成的预测偏差。将预测结果应用于调度运行后，可提前发现负荷变化趋势，改善电网资源分配，加快调度系统对负荷波动的反应速度。

作者简介：

陆   天（1998-），男，内蒙古呼和浩特人，硕士，现就职于国网江苏省电力有限公司镇江供电分公司，研究方向为电力系统优化。

丁   瑾（1985-），女，江苏徐州人，硕士，现就职于国网江苏省电力有限公司镇江供电分公司，研究方向为电网调度自动化。

参考文献：

[1] 高欣, 任昺, 张浩, 等. 基于信息差异图模型的电力调度自动化系统组件故障溯源方法[J]. 电网技术, 2021, 45 (12) : 4808 - 4817.

[2] 武子科, 潘攀, 彭诚, 等. 自动化仪表检测中的车间调度问题优化与仿真[J]. 计算机工程与设计, 2022, 43 (3) : 814 - 820.

[3] 韩璟琳, 胡平, 韩天华, 等. 考虑多能互动的农村区域电网负荷预测方法[J]. 电力系统及其自动化学报, 2024, 36 (1) : 152 - 158.

[4] 贾巍, 黄裕春. 基于小样本数据差分扩容的微电网负荷预测方法[J]. 中国电力, 2023, 56 (8) : 151 - 156.

[5] 韩富佳, 王晓辉, 乔骥, 等. 基于人工智能技术的新型电力系统负荷预测研究综述[J]. 中国电机工程学报, 2023, 43 (22) : 8569 - 8591.

摘自《自动化博览》2026年9月刊