电能本身具有不易存储的特点，因此在传统电力系统中需要保持发电侧与负荷侧的实时功率平衡。由于负荷侧的实际电能需求是一个受多种因素影响的动态变化过程，因此采用电力负荷预测技术来预测未来电量需求可以为制定发电计划提供数据支持，且有利于实现发电侧和负荷侧的优化调度和电网的经济运行。

随着智能电网技术的发展，各种可再生能源越来越多地接入电力系统中，构成各种不同渗透率、不同结构形式的智能微电网。为应对可再生能源所具有的随机性、波动性和周期性等特征对微电网的稳定运行所带来的负面影响，配置电能存储系统已成为一种重要的解决方案。

但是，受目前储能系统构建、维护成本、能量密度和使用寿命等因素的制约，在微电网实际应用领域中，需要采用先进的能量管理方法和控制策略来保证储能系统在充分发挥储能作用的同时确保整个微电网系统运行的安全性、经济型和可靠性。而对于配置储能系统的微电网能量管理和控制策略的设计和实现，电力负荷的准确预测也是一项必不可少的关键技术。

由此可见，不论是对传统电力系统还是对智能微电网系统而言，系统内部的能量管理均是一项复杂的任务，具体管理方法和策略的有效性及实施效果在很大程度上取决于未来电力负荷需求的预测结果。如果发电量不能满足需求则会导致电网故障，而供过于求又会导致能源和资源的浪费。因此，基于准确的电力系统负荷预测结果不仅可以减少不必要的发电量，从而降低资源浪费，实现节能使用；还可以为输配电规划、用电需求管理、能源市场中的智能化交易等提供重要数据支撑。

电力负荷预测根据预测时间尺度可以分为：长期预测（以年为单位）、中期预测（以月为单位）、短期预测（以日为单位）和超短期预测（以时、分为单位）。其中，短期电力负荷预测范围可从一天内每小时扩展到一周内每天的负荷，其预测结果对于发电单元的起停安排，提升可再生能源的渗透率及用电需求侧的有效管理等方面均具有重要作用。

影响短期电力负荷的因素主要有天气条件、假日安排和用户使用习惯等。这些因素的共同作用使得短期电力负荷数据呈现出强非线性、随机性和时变性等特征，这无疑增加了实现准确预测的难度。因此，高精度和高鲁棒性的短期电力负荷建模和预测方法一直是电力负荷预测领域的研究重点。国内外研究者的主要研究目标也大多聚焦于采用不同的建模和预测方法来提高短期电力负荷的预测精度。电力负荷预测精度越高，越有利于提高发电设备的利用率和经济调度的有效性。

目前，从建模和预测方法来看，短期电力负荷预测的实现手段主要有基于统计分析的时间序列分析方法和基于数据驱动的机器学习方法。时间序列分析法在处理平稳序列和学习数据的线性特征方面具有较好的性能，但对于数据的非线性特性处理较差；机器学习方法则具有较强的非线性学习能力，因此在处理具有强非线性和随机性等特征的短期电力负荷数据方面具有天然优势。

综上所述，短期电力负荷的预测精度与预测方法的选取和数据自身特点的关系较大。

基于此背景，东莞理工学院电子工程与智能化学院的研究人员首先将支持向量回归、高斯过程回归和前向神经网络等经典机器学习法应用于短期电力负荷预测的适用性和预测效果进行对比分析。然而，经典机器学习方法通常比较适合处理小样本数据，当样本数据量显著增大时通常会出现模型性能下降的问题。预测评价指标表明机器学习方法能够得到较高的预测精度，适用于处理含强非线性特征的短期电力负荷数据。

在此基础上，研究人员进一步提出一种基于时间卷积深度学习网络的短期电力负荷预测方法，该模型具有从大样本时间序列中提取特征和实现预测的能力，其模型架构能有效解决深层网络学习的退化问题。

他们通过对真实电力负荷数据进行预测建模并分析实验结果，得出以下主要结论：

1）所选用的各种机器学习方法在合理选择模型参数后，均可以对含有非线性特征的短期电力负荷数据取得较好的预测效果。因此，机器学习方法适用于解决短期电力负荷预测问题。

2）深度学习网络相比经典机器学习方法具有更好的特征提取能力，因此可以获得更高的预测精度。由于TCN网络的构建引入了扩大因果卷积和残差块，使得该深度学习网络模型具有更好的大样本时间序列处理能力和鲁棒性，实验结果也验证了该方法的有效性和高准确性。

研究人员指出，本课题的研究内容不仅为短期电力负荷预测的方法选择提供了参考依据和选择多样性，而且对于研究电力系统领域中的其他预测问题如风力、光伏发电功率预测、储能系统中储能元件的使用寿命预测等也具有很好的借鉴意义。

但是，深度学习方法通常主要适用于挖掘数据中的非线性特征，对于数据的线性特征的学习效果有时可能不如传统时间序列分析方法。而实际的电力负荷数据一般既包含线性成分又包含非线性成分，即电力负荷时间序列具有复合特征。

与此同时，其他因素如天气、假日安排和用户使用习惯等与负荷数据特征之间的关系，以及对模型预测效果的影响也是需要深入关注的内容。因此，未来研究工作将聚焦于设计一种可以更好地处理电力负荷数据复合特征的预测模型，以期进一步提高模型的预测精度。

本文编自2022年第5期《电工技术学报》，论文标题为“基于时间卷积网络的短期电力负荷预测”。论文第一作者和通讯作者为赵洋，1981年生，副教授，硕士生导师，研究方向为储能系统运行控制、系统建模与预测等。本课题得到了国家重点研发计划“智能电网技术与装备”重点专项资助的支持。