高比例可再生能源并网条件下隐马尔科夫短期负荷预测

中图分类号：TM714 文献标识码：A

Hidden Markov Short term Load Forecasting under High Proportion Renewable Energy Grid Connection Conditions

Abstract： In the process of short-term load forecasting for high proportion renewable energy grid connection， the input variable of load forecasting is taken as the direct variable， and the forecasting constraints established from this are difficult to capture hidden load changes. Due to the influence of hidden sequences， the predicted value of grid connected load deviates from the true value， and the short-term load forecasting effect is poor. Therefore， a hidden Markov short-term load forecasting method was designed under the condition of high proportion renewable energy grid connection. Normalize the input variables for high proportion renewable energy grid connected load forecasting， provide short-term load forecasting constraints for high proportion renewable energy grid connected， and capture load changes in hidden states. Establish a five tuple hidden Markov model to represent short-term load forecasting for grid connection， and construct a constraint hidden sequence for grid connection load forecasting under the conditions of the hidden Markov model. Using hidden sequences as input conditions， predict the equivalent load of short-term renewable energy grid connected sequences， thereby achieving accurate prediction of short-term load of high proportion renewable energy grid connected sequences. The final load forecasting results show that the grid connected load varies within the range of 50MW～80MW， and the predicted value approaches the true value infinitely. The short-term load forecasting effect is good， which plays an important role in the subsequent scheduling of high proportion renewable energy grid connection.

eywords： High proportion of renewable energy grid connection; Hidden Markov; Short term load; Prediction methods; Hidden sequenc

0 引言

高比例可再生能源并网是电力系统的一种并网模式，将太阳能、风能等可再生能源接入电网中，提升可再生能源在电力系统中的比例，降低对化石能源的依赖，从而满足电力系统的经济性运行需求[1]。短期负荷是电力系统在未来较短时间内，需要的电力需求值，反映用户在不同时间段的电力消耗情况。在可再生能源并网时，受到能源负荷的不确定性影响，并网负荷波动较大，影响并网稳定性。针对此类问题，研究人员研发了多种负荷预测方法。

孟玲玲等提出了基于 ICEEMDAN-IGJO-BiLSTM 组合模型的并网短期负荷预测方法[2]，对原始负荷数据进行 ICEEMDAN 分解，通过混沌映射和自适应权重优化 IGJO算 法 ， 提 升 预 测 方 法 的 寻 优 能 力 ， 并 进 一 步 优 化 BiLSTM 。 通 过ICEEMDAN-IGJO-BiLSTM 组合模型，实现并网短期负荷预测。但是，该方法中隐藏层神经元数量、学习率等参数均需要合理设置，且无法将负荷序列分解为有效的分量，导致并网负荷预测值偏离真实值，从而降低了短期负荷预测效果。

林滔等提出了基于 Holt-Winters-HPO-LSTM 的并网短期负荷预测方法[3]，利用Holt-Winters 模型对负荷时间序列进行分解，引入 HPO 算法优化 LSTM 模型，通过Holt-Winters-HPO-LSTM 的超参数调优，对并网负荷进行全局搜索与优化，确保并网短期负荷预测的有效性。但是，该方法需要对众多超参数进行搜索优化，微小的参数变化均可能导致预测性能的波动，使得并网负荷预测值与真实值不符，短期负荷预测效果不佳。

邱欢等提出了基于蚁群优化双向长短期记忆神经网络的并网短期负荷预测方法[4]，利用蚁群算法在神经网络上参数调优能力，建立双向长短期记忆神经网络，不仅提升了学习效率，还增强了负荷峰值特性的捕捉能力，预测出不同尖峰负荷的短期变化。但是，该方法收集的数据对噪声较为敏感，导致优化方向出现偏差，并网负荷预测值偏离实际需求，从而影响短期负荷预测效果。

韩林等提出了基于改进 LSTM 的并网短期负荷预测方法[5]，在 LSTM 的基础上引入注意力机制，优化特征提取过程，并通过鲸鱼优化算法，优化预测模型参数，从 LSTM网络过渡到 BiLSTM 的过程中，提取出并网短期负荷的变化特征，为并网负荷提供了稳定的预测模式。但是，该方法在训练数据有限的情况下，改进的 LSTM 模型存在过拟合问题，导致并网负荷预测值与真实值不符，从而降低了短期负荷预测精度。

隐马尔科夫模型是一种统计模型，描述一个含有未知参数的马尔科夫过程，通过隐藏状态、可观测状态的分析，提升预测精度[6]。将隐马尔科夫应用到高比例可再生能源并网短期负荷预测方法中，捕捉负荷的短期时序变化特征与潜在的隐藏状态，充分考虑并网波动对负荷预测的影响，通过可再生能源并网的不确定性建模，从而提升负荷短期预测精度。

1 基于隐马尔科夫的高比例可再生能源并网短期负荷预测方法设计

1.1 给定高比例可再生能源并网短期负荷预测约束

在电力系统中，设定 X 为预测日同类日数据集；Y 为预测时刻同时刻从而实现高比例可再生能源并网短期负荷的精准预测[7]。影响可再生能源并网负荷的强相关性因素为太阳辐射强度、大气温度、相对湿度。由此得到高比例可再生能源并网负荷预测的输入变量，如下表 1 所示。

表 1 预测输入变量表

如表 1 所示，将训练的样本根据天气类型分为三份，预测日属于哪一种天气类型就用相应天气类型下的样本，即与 Δ_X 进行预测。相邻日期同时刻的输出功率值具有一定的关联，通过 Matlab 中的 mapminmax 函数，实现 X、Y 的归一化处理，公式如下：

（X，Y）=mapminmax（x，0，1）

式（1）中， 为输入变量，包含 X1、X2、X3、X4、X5、X6、X7、 ∇X8 。经过归一化处理之后， （X，Y） 中的数据均映射到[0，1]的范围内，能够确保后续负荷预测的一致性。负荷预测的约束条件包括电源出力、功率平衡等方面，公式如下：

P_min（X，Y）≤P_i（X，Y）≤P_max（X，Y）

式（2-3）中， P_min（X，Y） 、 P_max（X，Y） 为分布式电源出力的最小值、最大值；P_l（X，Y） 为功率平衡约束条件，表示短期内系统的总负荷； P_n（t） 为 t 时段内主网与微网的交换功率； P_p（t） 为 t 时段内光伏并网功率； P_w（t） 为 t 时段内风电并网功率；P_c（t） 为 t 时段内可控电源的并网功率； P_b（t） 为 ρ_t 时段内蓄电池组的出力。将P_min（X，Y） 、 P_max（X，Y） 、 P_l（X，Y） 作为预测约束，在隐马尔科夫的条件下，构造隐藏的序列，捕捉隐藏状态下的负荷变化。

1.2 基于隐马尔科夫的构造并网负荷预测约束隐藏序列

在并网短期负荷预测问题中，预测事件并不是与状态一一对应的，预测结果由概率函数决定[8]。通过隐马尔科夫的马尔科夫链、隐藏状态两个随机过程，分别描述隐藏状态的转移、隐藏状态与预测值之间的对应关系，能够充分考虑到可再生能源并网的不确定性条件，确保并网负荷预测精度。并网短期负荷预测的隐马尔科夫模型用一个五元组 γ 表示， γ=（S，O，A，B，Π）∘ 。其中，S 作为隐藏状态集合，包含 P_min（X，Y） 、P_max（X，Y） 、 P_l（X，Y） 等预测约束指标。O 作为观察状态集合，表示并网负荷预测历史数据中的观察状态数据。A 作为状态转移概率矩阵，描述马尔科夫链中隐藏状态之间的转移概率。B 作为输出矩阵，表示在隐藏状态下输出观察状态的概率。∏作为初始状态概率矩阵，表示 X1、X2、X3、X4、X5、X6、X7、X8 等变量在初始时刻的概率分布。定义前向概率为给定隐马尔科夫模型 γ ，O 中的观察序列处于状态 i 的概率为：

式（4）中， α_t（i） 为 O 中的观察序列在 σ_t 时段内处于状态 i 的概率； P 为概率值；ΔO₁ 、 O₂ 、…、 Ω_Ot 为 O 中的观察序列； q_t 为隐藏状态。通过递推公式，构造并网负荷预测约束隐藏序列，公式如下：

1≤t≤T-1，1≤j≤M

式（8）中， u 为可再生能源并网短期序列等效负荷的预测值； w 为短期序列等效负荷的实际值；d 为对角矩阵；  为注入功率； p，q 为对角线元素，二者互为倒数关系；J 为线性化的负荷元素赋值。当 v≈_W 时， P（O|γ） 、 γ 无限小，通过调整  ，达到预测精度需求，从而实现高比例可再生能源并网短期负荷的精准预测。

2 实验

本文利用 IEEE33 节点作为配电网，在节点 11、12、13、15、16、19、20、21、26、28、30、32 处接入一个 PV，节点 14、23、24、29、31 处接入一个 WT，验证高比例可再生能源并网条件下隐马尔科夫短期负荷预测方法的有效性。

2.1 实验过程

节点 11、12、15、16、26、32 位置的 PV 容量为 300kVA ，节点 13、19、20、21、27 位置的 PV 容量为 500kVA，节点 30 位置的 PV 容量为 750kVA。WT 的容量均为800kVA 在并网的过程中，逆变器侧额定电流为 30% ，在 100μs 的条件下，设定并网相关参数，如下表 2 所示。

表 2 并网相关参数表

如表 2 所示，在并网开始时，电感为 1.4mH 处的输出波形存在畸变，电压发生振荡，并网电流振荡严重，并网电流 THD 大小为 7.9% ，不符合并网电流需求。在自适应控制的条件下，并网区域谐振现象被抑制，输出波形质量良好，并网电流 THD 值为2.71‰ 。通过分析不同条件下的并网情况，预测并网后的短期负荷变化，为配电网提供稳定运行支撑。

2.2 实验结果

本次实验从 PV、WT 处收集历史负荷数据、可再生能源发电数据，风力发电、太阳能发电的功率输出，温度、湿度、风速、光照强度等气象数据，均收集到数据集中，根据数据特点与需求，选择隐马尔科夫链训练数据集，生成短期负荷预测曲线，如下图 1 所示。

如图 1 所示，同时展现了历史实际负荷曲线与预测负荷曲线，通过直观的视觉对比，可以清晰地看出二者的吻合程度较高。历史实际负荷曲线与预测负荷曲线的走势接近，能够较好地捕捉短期负荷的变化规律，表明短期负荷预测效果良好。在此条件下，对并网负荷进行预测，预测结果如下图 2 所示。

如图 2 所示，本文利用隐马尔科夫模型，通过隐藏状态刻画潜在的负荷变化模式，学习历史负荷数据中的隐藏状态转移规律，更好地捕捉负荷的时序动态变化，在并网不确定性条件下，提升并网短期负荷预测精度。最终的负荷预测结果显示，并网负荷在 50MW～80MW 的范围内变化，预测值无限趋近于真实值，短期负荷预测效果良好。由此可见，使用本文设计的方法，能够应对高比例可再生能源不确定性影响，将不确定性发电状态作为隐藏状态的一部分，通过隐藏状态间接建立预测模型，充分利用各种信息提升预测精度，对于提升并网稳定性具有重要作用。

图 1 短期负荷预测可视化界面图

图 2 并网负荷预测结果图

结束语

本文设计的高比例可再生能源并网条件下隐马尔科夫短期负荷预测方法，将历史负荷数据、可再生能源发电数据、气象数据集成到数据集中，根据隐马尔科夫模型确定隐藏状态、运行状态概率向量，构造相应的预测约束。结合约束条件构造隐藏序列，反映并网过程汇总的不确定性。根据隐藏状态序列，预测未来隐藏状态的概率矩阵，生成短期时段的可观测状态预测值（即等效负荷预测值），有效提升了并网短期负荷预测精度，为并网稳定调整提供数据支撑。

参考文献

[1]刘锦涛，孙玉芹，郭子涛，等.基于 Attention-GAT-LSTM 的算法模型在新型电力系统中的应用探索[J].南方电网技术，2025，19（06）：95-104.

[2]孟玲玲，杨春兰，王强.基于 ICEEMDAN-IGJO-BiLSTM 组合模型的短期电力负荷预测[J].兰州文理学院学报（自然科学版），2025，39（04）：27-35.

[3]林滔，黄俊翔，王祎鎏，等.基于 Holt-Winters-HPO-LSTM 的电力系统短期负荷预测[J].自动化应用，2025，66（12）：149-153.

[4]邱欢，郭俊杉，王浩，等.基于蚁群优化双向长短期记忆神经网络的中长期电网尖峰负荷预测[J].电网与清洁能源，2025，41（06）：137-143.

[5]韩林，陈聪磊，任旭洋，等.基于改进LSTM 的短期负荷预测及其调峰优化模型研究[J].自动化与仪器仪表，2025，（06）：300-304.

[6]龚文杰，程宗平，张春艳，等.基于 BiLSTM-AdaBoost 的集中供热换热站短期热负荷预测研究[J].区域供热，2025，（03）：55-63.

[7]王泽煜，郭俊明，李宝龙，等.一种改进自编码器的短期天然气用户负荷预测技术研究[J].北京石油化工学院学报，2025，33（02）：49-56.

[8]王金玉，李任武，孙佳怡.基于 FSA 优化 CEEMDAN-VMD-BILSTM 组合模型的短期负荷预测[J].化工自动化及仪表，2025，52（03）：421-427.