電力負(fù)荷預(yù)測(cè)畢業(yè)論文

1、 編號(hào)：中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代遠(yuǎn)程教育中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代遠(yuǎn)程教育畢業(yè)論文（設(shè)計(jì)）畢業(yè)論文（設(shè)計(jì)）電力負(fù)荷預(yù)測(cè)電力負(fù)荷預(yù)測(cè)學(xué) 生 指導(dǎo)教師 專(zhuān) 業(yè) 水利水電工程 層 次 專(zhuān)升 本 批 次 082 學(xué) 號(hào) w130208082177 學(xué)習(xí)中心 工作單位 2014 年 7 月 中國(guó)農(nóng)業(yè)大學(xué)網(wǎng)絡(luò)教育學(xué)院制中國(guó)農(nóng)業(yè)大學(xué)網(wǎng)絡(luò)教育學(xué)院制論文格式要求論文格式要求論文開(kāi)本大小論文開(kāi)本大?。篈4 紙；頁(yè)面設(shè)置：頁(yè)面設(shè)置：左邊距：30mm，右邊距：25mm；上邊距：30mm，下邊距：25mm。封面封面：論文題目小于 25 個(gè)字，隸書(shū)、二號(hào)、加粗，其他項(xiàng)為隸書(shū)、三號(hào)； 摘要摘要：300 字左右，宋體、小四；關(guān)鍵詞關(guān)鍵詞：35

2、 個(gè)，宋體、小四、各關(guān)鍵詞間距 3 個(gè)空格；目錄目錄：內(nèi)容為宋體、四號(hào)；正文正文：宋體、五號(hào)，行間距 18 磅； 正文字?jǐn)?shù)：正文字?jǐn)?shù)：本科至少 6000 字，專(zhuān)科至少 4000 字一級(jí)標(biāo)題一級(jí)標(biāo)題：宋體、三號(hào)、加粗，段前段后間距為一行、左對(duì)齊、單列一行，如：1 優(yōu)秀畢業(yè)論文 ；二級(jí)標(biāo)題二級(jí)標(biāo)題：宋體、四號(hào)、加粗，段前段后間距為一行、左對(duì)齊、單列一行，如：1.1 優(yōu)秀畢業(yè)論文 ；三級(jí)標(biāo)題三級(jí)標(biāo)題：宋體、小四號(hào)、加粗，段前段后間距為一行、左對(duì)齊、單列一行，如：1.1.1 優(yōu)秀畢業(yè)論文 ；參考文獻(xiàn)參考文獻(xiàn)：本科至少 15 篇，專(zhuān)科至少 10 篇，宋體、五號(hào)，書(shū)寫(xiě)格式應(yīng)嚴(yán)格按照規(guī)范要求書(shū)寫(xiě)；摘要、目錄

3、、后記、參考文獻(xiàn)、附錄：摘要、目錄、后記、參考文獻(xiàn)、附錄：作為標(biāo)題要居中，其他格式同正文一級(jí)標(biāo)題。圖（表）圖（表）：標(biāo)題宋體、小五號(hào)、加粗，內(nèi)容宋體、小五號(hào)，表注為宋體、六號(hào)；特殊說(shuō)明：特殊說(shuō)明：論文正文第一部分內(nèi)容必須包括本文研究背景、研究現(xiàn)狀、研究目的和意義。其他具體細(xì)則見(jiàn)中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代遠(yuǎn)程教育畢業(yè)論文寫(xiě)作要求和格式規(guī)范 ，要求學(xué)生的畢業(yè)論文稿件嚴(yán)格按上述規(guī)定進(jìn)行整理，以符合規(guī)范要求。獨(dú) 創(chuàng) 性 聲 明本人聲明所呈交的畢業(yè)論文（設(shè)計(jì)）是我個(gè)人進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝的地方外，論文（設(shè)計(jì)）中不包含其他人已經(jīng)發(fā)表或撰寫(xiě)過(guò)的研究成果，也不包含為獲得中

4、國(guó)農(nóng)業(yè)大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書(shū)而使用過(guò)的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在畢業(yè)論文（設(shè)計(jì)）中作了明確的說(shuō)明并表示了謝意。學(xué)生簽名： 時(shí)間： 年 月 日關(guān)于論文（設(shè)計(jì)）使用授權(quán)的說(shuō)明本人完全了解中國(guó)農(nóng)業(yè)大學(xué)網(wǎng)絡(luò)教育學(xué)院本、專(zhuān)科畢業(yè)論文（設(shè)計(jì)）工作條例（暫行規(guī)定） 對(duì)：“成績(jī)?yōu)閮?yōu)秀畢業(yè)論文（設(shè)計(jì)） ，網(wǎng)絡(luò)教育學(xué)院將有權(quán)選取部分論文（設(shè)計(jì)）全文匯編成集或者在網(wǎng)上公開(kāi)發(fā)布。如因著作權(quán)發(fā)生糾紛，由學(xué)生本人負(fù)責(zé)” 完全認(rèn)可，并同意中國(guó)農(nóng)業(yè)大學(xué)網(wǎng)絡(luò)教育學(xué)院可以以不同方式在不同媒體上發(fā)表、傳播畢業(yè)論文（設(shè)計(jì)）的全部或部分內(nèi)容。中國(guó)農(nóng)業(yè)大學(xué)網(wǎng)絡(luò)教育學(xué)院有權(quán)保留送交論文（設(shè)計(jì)）的復(fù)印件和磁

5、盤(pán)，允許論文（設(shè)計(jì)）被查閱和借閱，可以采用影印、縮印或掃描等復(fù)制手段保存、匯編論文（設(shè)計(jì)） 。保密的畢業(yè)論文（設(shè)計(jì)）在解密后應(yīng)遵守此協(xié)議學(xué)生簽名： 時(shí)間： 年 月 日 密級(jí)：（請(qǐng)注明密級(jí)及保密期限） 摘摘 要要電力系統(tǒng)負(fù)荷預(yù)測(cè)的研究已經(jīng)有一段時(shí)間的歷史，隨著計(jì)算機(jī)技術(shù)的發(fā)展和電網(wǎng)對(duì)負(fù)荷預(yù)測(cè)精度要求的提高，對(duì)這一課題的研究也在不斷深入，并且更具現(xiàn)實(shí)意義。電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)運(yùn)行調(diào)度的基礎(chǔ)，關(guān)系到整個(gè)電力系統(tǒng)的效率、效益和安全。特別是隨著電力市場(chǎng)改革的深入，它已經(jīng)成為電力市場(chǎng)技術(shù)支持系統(tǒng)的重要組成部分，是電力交易市場(chǎng)的主要數(shù)據(jù)來(lái)源，其預(yù)測(cè)精度對(duì)電力系統(tǒng)有著非常重要的意義。因此如何提高預(yù)測(cè)

6、精度特別是短期負(fù)荷預(yù)測(cè)的精度這一問(wèn)題的重要性和迫切性將越來(lái)越明顯。由于學(xué)歷的限制，本文對(duì)某些方面知識(shí)的闡述可能還比較生硬。負(fù)荷預(yù)測(cè)是個(gè)長(zhǎng)久的課題，本文主要就電力負(fù)荷預(yù)測(cè)的含義，意義等開(kāi)始闡述，以及電力負(fù)荷預(yù)測(cè)的一些方法，針對(duì)一些容易出現(xiàn)誤差的提出了自己的見(jiàn)解。當(dāng)然本文還有很多不足，希望在將來(lái)的學(xué)習(xí)電力的日子里對(duì)它加以完善。關(guān)鍵詞：關(guān)鍵詞： 電力負(fù)荷 預(yù)測(cè)方法 小波分析 目目 錄錄1 前言.11.1 論文研究的背景.11.2 論文研究的現(xiàn)狀.11.3 論文研究的目的和意義.22 電力負(fù)荷預(yù)測(cè)相關(guān)理論知識(shí).32.1 電力負(fù)荷預(yù)測(cè)的定義.32.2 電力負(fù)荷預(yù)測(cè)的分類(lèi).43 電力負(fù)荷預(yù)測(cè)的方法 .53

7、.1 傳統(tǒng)預(yù)測(cè)方法 .53.1.1 外推法 .53.1.2 回歸分析法 .63.1.3 時(shí)間序列法 .63.1.4 小波分析方法 .63.1.5 卡爾曼（KALMAN）濾波方法 .63.1.6 灰色預(yù)測(cè)法 .63.2 人工智能方法 .73.2.1 人工神經(jīng)網(wǎng)絡(luò)法 .73.2.2 專(zhuān)家系統(tǒng)方法 .83.2.3 模糊控制法 .84 電力負(fù)荷預(yù)測(cè)存在的問(wèn)題及解決方法.94.1 電力負(fù)荷預(yù)測(cè)存在的問(wèn)題 .94.1.1 負(fù)荷歷史數(shù)據(jù)的壞數(shù)據(jù)處理 .94.1.2 節(jié)假日的負(fù)荷預(yù)測(cè) .94.1.3 氣象因素的影響 .94.1.4 電力市場(chǎng)環(huán)境下，負(fù)荷的變化還與電價(jià)有關(guān)。 .94.1.5 隨機(jī)因素。 .94.

8、2 針對(duì)上述問(wèn)題的解決方法 .104.2.1 定量分析與定性分析相結(jié)合的問(wèn)題 .104.2.2 原始數(shù)據(jù)的收集和篩選 .104.2.3 電力負(fù)荷預(yù)測(cè)的依據(jù) .105 結(jié)語(yǔ).11后 記 .12參考文獻(xiàn) .1311 1 前言前言1.11.1 論文研究的背景論文研究的背景負(fù)荷預(yù)測(cè)的研究已有幾十年的歷史，國(guó)內(nèi)關(guān)于負(fù)荷預(yù)測(cè)的研究已出現(xiàn)了許多種方法，目前，國(guó)內(nèi)發(fā)表的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的文獻(xiàn)較多，所采用的預(yù)報(bào)方法和到達(dá)的預(yù)報(bào)精度也各有不同。綜合起來(lái)主要可分為以下三類(lèi)。1）傳統(tǒng)統(tǒng)計(jì)模型法。這是一種二十世紀(jì)九十年代以前常用的方法。主要包括時(shí)間序列法和回歸分析法。這種方法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單、要求的歷史數(shù)據(jù)少。由于

9、是基于統(tǒng)計(jì)模型，不易全面地考慮天氣因素、突發(fā)事件等對(duì)于負(fù)荷的影響，因此預(yù)測(cè)精度低。2）專(zhuān)家系統(tǒng)法。即充分利用有經(jīng)驗(yàn)的運(yùn)行人員的知識(shí)、經(jīng)驗(yàn)和推斷規(guī)則來(lái)進(jìn)行負(fù)荷預(yù)測(cè)，然而，把專(zhuān)家的知識(shí)和經(jīng)驗(yàn)等精確地表達(dá)并轉(zhuǎn)化為一系列規(guī)則，則往往是很困難的，而且建立專(zhuān)家系統(tǒng)的工作量要比一般預(yù)報(bào)算法大得多。3）人工神經(jīng)網(wǎng)絡(luò)法。人工神經(jīng)網(wǎng)絡(luò)具有任意逼近非線(xiàn)性函數(shù)的特性，負(fù)荷變化是與諸多因素有關(guān)的一個(gè)非線(xiàn)性函數(shù)，用人工神經(jīng)網(wǎng)絡(luò)對(duì)負(fù)荷歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)，是抽取和逼近負(fù)荷變化曲線(xiàn)并進(jìn)行負(fù)荷預(yù)報(bào)的有效方法。近十年來(lái)，國(guó)外報(bào)道的相關(guān)文獻(xiàn)主要是用神經(jīng)網(wǎng)絡(luò)方法圍繞提高或改善負(fù)荷預(yù)報(bào)的精度來(lái)進(jìn)行負(fù)荷預(yù)報(bào)研究。最具代表性的是美國(guó)研制的人工

10、神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)報(bào)器，它包含有兩部分預(yù)測(cè)：一部分預(yù)測(cè)基本負(fù)荷；而另一部分預(yù)測(cè)負(fù)荷變化，這部分考慮了短期內(nèi)氣候條件（溫度、濕度） 。兩部分的自適應(yīng)組合便是最終的預(yù)報(bào)結(jié)果。該預(yù)報(bào)器具有較好的自組織自適應(yīng)特性，已在美國(guó)，加拿大的 35 家電力公司采用。于是，有學(xué)者開(kāi)始將各種智能化算法，如人工神經(jīng)網(wǎng)絡(luò)法、遺傳算法、最小絕對(duì)值濾波算法等用于在受到諸如氣象變化、經(jīng)濟(jì)環(huán)境變化等隨機(jī)因素干擾情況下的電力系統(tǒng)負(fù)荷預(yù)測(cè)。由于電力系統(tǒng)的負(fù)荷受眾多不確定因素的影響，是典型的灰色系統(tǒng)，運(yùn)用灰色系統(tǒng)來(lái)分析眾多不確定因素與電力負(fù)荷預(yù)測(cè)的關(guān)聯(lián)度已經(jīng)運(yùn)用廣泛，但如何準(zhǔn)確定量描述，以何種準(zhǔn)則來(lái)進(jìn)行不確定因素的人工修整仍是一個(gè)難

11、題，所以，通常很多地區(qū)很大程度上依靠預(yù)測(cè)人員的經(jīng)驗(yàn)進(jìn)行預(yù)測(cè)。1.21.2 論文研究的現(xiàn)狀論文研究的現(xiàn)狀西方發(fā)達(dá)國(guó)家如美國(guó)、英國(guó)隨著電力市場(chǎng)的日益成熟，電力供應(yīng)商為了獲取最大利潤(rùn)，十分重視電力負(fù)荷預(yù)測(cè)工作。為此，科研工作者一直在研究電力負(fù)荷預(yù)測(cè)的新方法以提高預(yù)測(cè)精度。自從 1991 年美國(guó)學(xué)者 Park 等人提出使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)電力負(fù)荷以來(lái)，人們對(duì)此表現(xiàn)出廣泛的關(guān)注。在此基礎(chǔ)上，美國(guó)的 Khotanzad 博士領(lǐng)導(dǎo)的科研小組經(jīng)過(guò)幾年的艱苦研究，提出了人工神經(jīng)網(wǎng)絡(luò)電力負(fù)荷短期預(yù)測(cè)系統(tǒng)(ANNSTLF)。這個(gè)系統(tǒng)己經(jīng)在實(shí)用化方面取得了空前的成功。北美洲有 35 個(gè)大發(fā)電系統(tǒng)(公司)，根據(jù)天氣預(yù)報(bào)、工

12、業(yè)和居民用電統(tǒng)計(jì)資料，利用 ANNSTLF 系統(tǒng)預(yù)測(cè)發(fā)電站必須提供的發(fā)電量，大大提高了電站的經(jīng)濟(jì)效益和安全運(yùn)轉(zhuǎn)系數(shù)。但該系統(tǒng)有一個(gè)弱點(diǎn)，即不能處理不確定性信息，且需要大量的歷史數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)。我國(guó)的負(fù)荷數(shù)據(jù)近些年才開(kāi)始系統(tǒng)收集，采用 ANNSTLF 系統(tǒng)不太適合我國(guó)的國(guó)情。Hiroyuki 教授等人則在電力2負(fù)荷短期預(yù)測(cè)中運(yùn)用了自適應(yīng)模糊推理，Srinivasan 博士采用了模糊神經(jīng)計(jì)算進(jìn)行需求預(yù)測(cè)。這些方法主要是針對(duì)工業(yè)化發(fā)達(dá)國(guó)家實(shí)際情況提出的，而我國(guó)的國(guó)情復(fù)雜，地區(qū)之間的差距很大，生搬硬套上述方法，很難取得成功7。當(dāng)前國(guó)內(nèi)電力短期負(fù)荷預(yù)測(cè)研究備受矚目，很多學(xué)者提出自己的看法。東南大學(xué)的

13、單淵達(dá)教授采用徑向基函數(shù)(RBF)為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)前向網(wǎng)絡(luò)的學(xué)習(xí)提供了一種新穎而有效的手段。RBF 網(wǎng)絡(luò)具有良好的推理能力，而且在學(xué)習(xí)方面比誤差反向傳播(BP)方法快得多。華北電力大學(xué)的牛東曉教授則引入了小波神經(jīng)元網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)模型。它以非線(xiàn)性小波基為神經(jīng)元函數(shù)，通過(guò)伸縮因子和平移因子計(jì)算小波基函數(shù)合成的小波網(wǎng)絡(luò)，從而到達(dá)全局最優(yōu)的逼近效果。清華大學(xué)張伯明教授采用共共軛梯度法訓(xùn)練預(yù)測(cè)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)，在學(xué)習(xí)算法上有所突破。國(guó)內(nèi)著名人工智能學(xué)者蔡自興教授則結(jié)合多層感知神經(jīng)網(wǎng)絡(luò)和多分辨率遺傳算法來(lái)進(jìn)行電力負(fù)荷預(yù)。華南理工大學(xué)的吳捷教授運(yùn)用模糊邏輯和時(shí)序特性來(lái)進(jìn)行最優(yōu)模糊邏輯推理匯，該系統(tǒng)的輸入量

14、通過(guò)對(duì)歷史數(shù)據(jù)的自相關(guān)分析而建立，再通過(guò)最近鄰聚類(lèi)法對(duì)歷史數(shù)據(jù)的學(xué)習(xí)得到若干數(shù)據(jù)對(duì)，進(jìn)一步由最優(yōu)模糊邏輯系統(tǒng)建立短期電力負(fù)荷的預(yù)測(cè)模型。國(guó)家電力科學(xué)研究院的胡兆光老師將 AI 推理和模糊系統(tǒng)結(jié)合起來(lái)，建立 AI 規(guī)則庫(kù)對(duì)電力負(fù)荷進(jìn)行預(yù)側(cè)，也取得了較好的效果。1.31.3 論文研究的目的和意義論文研究的目的和意義電力工業(yè)是國(guó)民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，在整個(gè)國(guó)民經(jīng)濟(jì)的發(fā)展起著舉足輕重的作用。多年的實(shí)踐經(jīng)驗(yàn)告訴我們，如果電力工業(yè)的發(fā)展速度能夠滿(mǎn)足國(guó)民經(jīng)濟(jì)建設(shè)的需要，就會(huì)促進(jìn)經(jīng)濟(jì)的高速發(fā)展；否則，就會(huì)產(chǎn)生嚴(yán)重的供需矛盾，阻礙國(guó)民經(jīng)濟(jì)的發(fā)展。隨著現(xiàn)代工業(yè)和農(nóng)業(yè)的不斷發(fā)展及人民生活水平的日益提高，社會(huì)對(duì)電力的需求

15、量越來(lái)越大。為了滿(mǎn)足日益增大的電力需求，必須不斷擴(kuò)大電力系統(tǒng)的規(guī)模。由于電力工業(yè)的發(fā)展不僅需要消耗巨大的投資和一次能源，而且對(duì)國(guó)民經(jīng)濟(jì)的其它部門(mén)也會(huì)產(chǎn)生巨大的影響，合理的進(jìn)行電力系統(tǒng)規(guī)劃不僅可以獲得巨大的經(jīng)濟(jì)效益，也會(huì)獲得巨大的社會(huì)效益。相反，電力系統(tǒng)規(guī)劃的失誤會(huì)給國(guó)家建設(shè)帶來(lái)不可彌補(bǔ)的損失。因此，對(duì)電力系統(tǒng)規(guī)劃問(wèn)題進(jìn)行研究，以求最大限度地提高規(guī)劃質(zhì)量，具有重大的現(xiàn)實(shí)意義，而實(shí)現(xiàn)這一目標(biāo)的第一步就是要做好負(fù)荷預(yù)測(cè)。負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃建設(shè)的依據(jù)。負(fù)荷預(yù)測(cè)的準(zhǔn)確程度將直接影響到投資、網(wǎng)絡(luò)布局和運(yùn)行的合理性，因此，負(fù)荷預(yù)測(cè)在規(guī)劃中顯得尤其重要。若負(fù)荷及電量預(yù)測(cè)不足，電網(wǎng)的發(fā)展便不能適應(yīng)實(shí)際發(fā)展的

16、需要，無(wú)法滿(mǎn)足用戶(hù)正常用電需求，甚至還可能缺電。另一方面，若負(fù)荷及電量預(yù)測(cè)過(guò)高，則又會(huì)導(dǎo)致一些過(guò)多而不能充分利用的設(shè)備，從而引起投資的浪費(fèi)?？傊?，負(fù)荷預(yù)測(cè)的精度高低直接關(guān)系到各方利益，電力負(fù)荷預(yù)測(cè)工作的水平已成為衡量一個(gè)電力企業(yè)的管理是否走向現(xiàn)代化的顯著標(biāo)志之一，尤其在我國(guó)電力事業(yè)空前發(fā)展的今天，用電管理走向市場(chǎng)，電力負(fù)荷預(yù)測(cè)問(wèn)題的解決已經(jīng)成為電力行業(yè)人員面臨的重要而艱巨的任務(wù)。電力系統(tǒng)負(fù)荷預(yù)測(cè)是以準(zhǔn)確的歷史數(shù)據(jù)和調(diào)查資料為依據(jù)，從用電量的歷史和現(xiàn)狀出發(fā)，用科學(xué)的方法預(yù)測(cè)未來(lái)電力系統(tǒng)負(fù)荷的發(fā)展趨勢(shì)和變化規(guī)律的科學(xué)。根據(jù)預(yù)測(cè)的時(shí)間跨度，一般將負(fù)荷預(yù)測(cè)分為長(zhǎng)期、中期和短期負(fù)荷預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)主要

17、指預(yù)測(cè)未來(lái)一天或一周內(nèi)各個(gè)整點(diǎn)的負(fù)荷曲線(xiàn)，主要用于制定系統(tǒng)的生產(chǎn)計(jì)劃，安排系統(tǒng)的短期運(yùn)行方式、進(jìn)行電力調(diào)度3以及離線(xiàn)安全分析等。傳統(tǒng)的負(fù)荷預(yù)測(cè)都是人工完成的。預(yù)測(cè)人員通過(guò)歷史負(fù)荷數(shù)據(jù)，采用一定的預(yù)測(cè)算法加以計(jì)算，得到預(yù)測(cè)結(jié)果后，結(jié)合自己.的經(jīng)驗(yàn)加以修正，形成最后發(fā)布的預(yù)側(cè)數(shù)據(jù)。在整個(gè)過(guò)程中，歷史數(shù)據(jù)的選擇，預(yù)測(cè)算法的選用和預(yù)測(cè)人員的經(jīng)驗(yàn)，都會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生很大的影響，預(yù)測(cè)的精度難以保證。因此，電力企業(yè)迫切需要建立自己電力負(fù)荷預(yù)測(cè)系統(tǒng).這種系統(tǒng)必須能夠結(jié)合企業(yè)現(xiàn)有的資源，能夠克服人工預(yù)測(cè)的各種弊端，不僅要有較高的預(yù)測(cè)精度，還要有自動(dòng)化和智能化的特性它不僅可以盡量降低電力短缺所帶來(lái)的危害，還能為電

18、力企業(yè)帶來(lái)更大的經(jīng)濟(jì)效益。因此，本文的研究具有重要的理論和現(xiàn)實(shí)意義。2 2 電力負(fù)荷預(yù)測(cè)相關(guān)理論知識(shí)電力負(fù)荷預(yù)測(cè)相關(guān)理論知識(shí)2.12.1 電力負(fù)荷預(yù)測(cè)的定義電力負(fù)荷預(yù)測(cè)的定義所謂的負(fù)荷預(yù)測(cè)是指，在充分考慮一些重要的系統(tǒng)運(yùn)行特性、增容決策、自然條件與社會(huì)影響的條件下研究或利用一套系統(tǒng)地處理過(guò)去與未來(lái)負(fù)荷的數(shù)學(xué)方法，在滿(mǎn)足一定精度要求的前提下，確定未來(lái)某特定時(shí)刻的負(fù)荷數(shù)值。負(fù)荷可指電力需求量或者用電量，而需求量是指能量的時(shí)間變化率，即功率。也可以說(shuō)，負(fù)荷時(shí)指發(fā)電廠(chǎng)、供電地區(qū)或電網(wǎng)在某一瞬間所承擔(dān)的工作負(fù)荷。對(duì)用戶(hù)來(lái)說(shuō)，用電負(fù)荷是指連接在電網(wǎng)的用戶(hù)所有用電設(shè)備在某一瞬間所消耗功率之和11。隨著我國(guó)電

19、力系統(tǒng)的發(fā)展，電網(wǎng)管理的日趨現(xiàn)代化，負(fù)荷預(yù)測(cè)問(wèn)題的研究也越來(lái)越引起人們的注意，并已成為現(xiàn)代電力系統(tǒng)科學(xué)中的一個(gè)重要的領(lǐng)域，因?yàn)檎麄€(gè)社會(huì)是一個(gè)復(fù)雜的整體，它的用戶(hù)成千上萬(wàn)每個(gè)用戶(hù)的要求也各部相同，因此，整個(gè)社會(huì)的用電需求既有一定的統(tǒng)計(jì)規(guī)律性，又具有大量的隨機(jī)影響因素，具有不確定性電力系統(tǒng)負(fù)荷預(yù)測(cè)是電網(wǎng)規(guī)劃和經(jīng)濟(jì)運(yùn)行的重要一環(huán)。負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)控制、運(yùn)行和計(jì)劃都是非常重要的，提高負(fù)荷預(yù)測(cè)的精度既能增強(qiáng)電力系統(tǒng)運(yùn)行的安全性，又能改善電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性。因此，在實(shí)踐中，無(wú)論是制定電力系統(tǒng)規(guī)劃或是實(shí)現(xiàn)電力系統(tǒng)運(yùn)行自動(dòng)化，進(jìn)行相應(yīng)的負(fù)荷預(yù)測(cè)都是必不可少的12。電力負(fù)荷預(yù)測(cè)主要是預(yù)測(cè)一下三個(gè)方面：未來(lái)電

20、力需求量（功率） ，也就是確定電力系統(tǒng)發(fā)點(diǎn)設(shè)備和輸送容量。未來(lái)用電量（能量） ，主要是用來(lái)選擇機(jī)組，確定電源結(jié)構(gòu)和原料計(jì)劃等。負(fù)荷曲線(xiàn)，它是為電力的峰值、電站容量、設(shè)備協(xié)調(diào)運(yùn)行提供數(shù)據(jù)支持。42.22.2 電力負(fù)荷預(yù)測(cè)的分類(lèi)電力負(fù)荷預(yù)測(cè)的分類(lèi)負(fù)荷預(yù)測(cè)從預(yù)測(cè)的時(shí)間范圍上可以分為長(zhǎng)期、中期、短期和超短期預(yù)測(cè)（如圖 2.1） 。長(zhǎng)期預(yù)測(cè)一般指十年以上并以年為單位的預(yù)測(cè)，中期預(yù)測(cè)指在五年左右以年為單位的預(yù)測(cè)，中長(zhǎng)期負(fù)荷預(yù)測(cè)主要是用于指定電力系統(tǒng)的擴(kuò)建規(guī)劃，包括裝機(jī)容量的大小、形式、地點(diǎn)、時(shí)間和電網(wǎng)的增容擴(kuò)建，它為所在地區(qū)或電網(wǎng)的電力發(fā)展速度、電力建設(shè)規(guī)模、電力工業(yè)布局、能源資源平衡、地區(qū)間的電力余缺調(diào)

21、劑、電網(wǎng)資金和人力資源的需求平衡提供了可靠的依據(jù)；短期預(yù)測(cè)指一年內(nèi)以月為單位的負(fù)荷預(yù)測(cè)，還指以周、天、小時(shí)為單位的負(fù)荷預(yù)測(cè)，通常預(yù)測(cè)未來(lái)一個(gè)月、未來(lái)一周、未來(lái)一天的負(fù)荷指標(biāo)，也預(yù)測(cè)未來(lái)一天每小時(shí)的負(fù)荷，短期負(fù)荷預(yù)測(cè)對(duì)電力企業(yè)的日常運(yùn)營(yíng)起到指導(dǎo)和調(diào)節(jié)作用，有利于合理安排電力日生產(chǎn)計(jì)劃；超短期負(fù)荷預(yù)測(cè)指未來(lái) 1h、0.5h，甚至 10min 的預(yù)測(cè)，其意義在于對(duì)電網(wǎng)進(jìn)行計(jì)算機(jī)在線(xiàn)控制，實(shí)現(xiàn)發(fā)電容量的合理調(diào)度，滿(mǎn)足給定的運(yùn)行要求，同時(shí)使發(fā)電成本最小。負(fù)荷預(yù)測(cè)超短期負(fù)荷預(yù)測(cè)（1 小時(shí)以?xún)?nèi)）短期負(fù)荷預(yù)測(cè)（1 年以?xún)?nèi)）中期負(fù)荷預(yù)測(cè)（5 年以?xún)?nèi)）長(zhǎng)期負(fù)荷預(yù)測(cè)（10 年以上）圖2.1 負(fù)荷預(yù)測(cè)分類(lèi)圖負(fù)荷預(yù)測(cè)從

22、用途上又可以分為發(fā)電部門(mén)預(yù)測(cè)和供電部門(mén)預(yù)測(cè)。前者從整體上預(yù)測(cè)負(fù)荷的變化，根據(jù)負(fù)荷特性和負(fù)荷趨勢(shì)來(lái)進(jìn)行預(yù)測(cè)，稱(chēng)為趨勢(shì)預(yù)測(cè)；而后者則往往利用由底向上的方法，根據(jù)負(fù)荷的結(jié)構(gòu)和特性分別預(yù)測(cè)、統(tǒng)一匯總，稱(chēng)為因子預(yù)測(cè)。從目前電力部門(mén)對(duì)負(fù)荷的掌握情況來(lái)看，負(fù)荷結(jié)構(gòu)還沒(méi)有一個(gè)比較確切、定量的模型，預(yù)測(cè)時(shí)無(wú)法考慮全面，預(yù)測(cè)偏差也比較大?，F(xiàn)在常用的是根據(jù)整體負(fù)荷進(jìn)行預(yù)測(cè)，通過(guò)對(duì)各種因素的修正而得到預(yù)測(cè)結(jié)果，實(shí)際運(yùn)作的結(jié)果表明這種方法比較實(shí)用和有效。按照系統(tǒng)負(fù)荷構(gòu)成可以將其劃分為：城市民用負(fù)荷、商業(yè)負(fù)荷、工業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷及其它負(fù)荷等模型（如圖 2.2） 。不同類(lèi)型的負(fù)荷有著不同的變化規(guī)律，例如隨家用電器的普及，城

23、市居民負(fù)荷年增長(zhǎng)率提高、季節(jié)波動(dòng)增大，尤其是空調(diào)設(shè)備的迅速擴(kuò)展，使系統(tǒng)峰荷受氣溫影響越來(lái)越大；商業(yè)負(fù)荷主要影響晚高峰，而且隨季節(jié)而變化；工業(yè)負(fù)荷受氣象影響較小，但大企業(yè)成分下降，使夜間低估增長(zhǎng)緩慢；農(nóng)業(yè)負(fù)荷季節(jié)變化強(qiáng)，而且與降水情況關(guān)系密切。一個(gè)5地區(qū)負(fù)荷往往含有幾種類(lèi)型的負(fù)荷，比例不同14。工業(yè)負(fù)荷（40%）系統(tǒng)負(fù)荷（100%）農(nóng)業(yè)負(fù)荷（15%）城市民用負(fù)荷（10%）其他符合（15%）商業(yè)負(fù)荷（20%）圖2.2 某地區(qū)負(fù)荷構(gòu)成圖電力系統(tǒng)負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)安全、經(jīng)濟(jì)運(yùn)行的基礎(chǔ)，對(duì)一個(gè)電力系統(tǒng)而言，提高電網(wǎng)運(yùn)行的安全性和經(jīng)濟(jì)性，改善電能質(zhì)量，都依賴(lài)于準(zhǔn)確的負(fù)荷預(yù)測(cè)。因此，負(fù)荷預(yù)測(cè)的關(guān)鍵是提高

24、準(zhǔn)確度。3 3 電力負(fù)荷預(yù)測(cè)的方法電力負(fù)荷預(yù)測(cè)的方法短期負(fù)荷預(yù)測(cè)技術(shù)發(fā)展至今己有幾十年，隨著數(shù)學(xué)統(tǒng)計(jì)理論和人工智能技術(shù)的相繼發(fā)展，人們提出各種各樣的預(yù)測(cè)方法。迄今為止，短期負(fù)荷預(yù)測(cè)方法大致可以分為兩類(lèi)：即傳統(tǒng)預(yù)測(cè)方法和人工智能方法。傳統(tǒng)預(yù)測(cè)方法有：外推法、回歸分析法、時(shí)間序列法、卡爾曼濾波、灰色預(yù)測(cè)等；基于智能原理的方法：人工神經(jīng)網(wǎng)絡(luò)、專(zhuān)家系統(tǒng)、模糊理論等。3.13.1 傳統(tǒng)預(yù)測(cè)方法傳統(tǒng)預(yù)測(cè)方法3.1.13.1.1 外推法外推法根據(jù)已知的歷史資料來(lái)擬合一條曲線(xiàn)，使得曲線(xiàn)能反映負(fù)荷本身增長(zhǎng)趨勢(shì)；然后按曲線(xiàn)對(duì)未來(lái)預(yù)測(cè)求得某一點(diǎn)，從曲線(xiàn)估計(jì)該時(shí)刻的負(fù)荷值。常用曲線(xiàn)有直線(xiàn)、指數(shù)曲線(xiàn)、冪函數(shù)曲線(xiàn)，S 型

25、曲線(xiàn)等。外推法的原理簡(jiǎn)單，使用方便，但由于負(fù)荷變化趨勢(shì)多種多樣，簡(jiǎn)單的線(xiàn)性擬合難以實(shí)現(xiàn)準(zhǔn)確性；多項(xiàng)式擬合的冪指數(shù)又難以確定，且指數(shù)越高公式越復(fù)雜化；有限的幾個(gè)增長(zhǎng)模型不能囊括負(fù)荷趨勢(shì)變化，各種隨機(jī)因素也是影響提高預(yù)測(cè)精度難點(diǎn)。趨勢(shì)外推法一般僅用于長(zhǎng)期預(yù)測(cè)15。63.1.23.1.2 回歸分析法回歸分析法回歸分析法是一種曲線(xiàn)擬合法，即對(duì)過(guò)去的具有隨機(jī)特性的負(fù)荷記錄進(jìn)行擬合，得到一條確定的曲線(xiàn)，然后將此曲線(xiàn)外延到適當(dāng)時(shí)刻，就得到了該時(shí)刻的負(fù)荷預(yù)測(cè)值。這種方法是研究變量和變量之間依存關(guān)系的一種數(shù)學(xué)方法。由于影響負(fù)荷的因素錯(cuò)綜復(fù)雜或相關(guān)因素?cái)?shù)據(jù)資料無(wú)法得到，在預(yù)測(cè)模型中，很難準(zhǔn)確、詳細(xì)、全面的描述影響

26、預(yù)測(cè)對(duì)象的各種負(fù)荷因素，回歸分析法很難適應(yīng)；另外有時(shí)影響因素之間的高度相關(guān)，違背了回歸分析的基本假設(shè)，也會(huì)導(dǎo)致一系列錯(cuò)誤，則模型就不能用于預(yù)測(cè)。這些都使得回歸分析法的應(yīng)用受到了很大的限制，預(yù)測(cè)精度也較差，因而不是理想的預(yù)測(cè)方法16。3.1.33.1.3 時(shí)間序列法時(shí)間序列法用時(shí)間來(lái)代替影響負(fù)荷的因素，依據(jù)負(fù)荷過(guò)去的統(tǒng)計(jì)數(shù)據(jù)，找到其隨時(shí)間變化的規(guī)律，建立時(shí)序模型，以推斷未來(lái)負(fù)荷數(shù)值。其基本假設(shè)是：負(fù)荷過(guò)去的變化規(guī)律會(huì)持續(xù)到將來(lái)，即未來(lái)是過(guò)去的延續(xù)。其主要數(shù)學(xué)模型有自回歸(AR)模型、滑動(dòng)平均（MA）模型和自回歸滑動(dòng)平均（ARMA）模型等。但時(shí)序法無(wú)論采用哪種模型都沒(méi)有考慮不同時(shí)刻負(fù)荷之間的相關(guān)性

27、和其它因素（比如天氣因素）對(duì)負(fù)荷的影響，預(yù)測(cè)精度較差，因此時(shí)序法存在著預(yù)測(cè)不準(zhǔn)確的問(wèn)題17。3.1.43.1.4 小波分析方法小波分析方法小波分析是近年來(lái)數(shù)學(xué)研究成果中杰出的代表。它是一種時(shí)域-頻域分析，在時(shí)域、頻域同時(shí)具有良好的局部化性質(zhì)。小波分析汲取了現(xiàn)代分析學(xué)中諸如泛函分析、調(diào)和分析、樣條分析等眾多數(shù)學(xué)分支的精華。小波變換能將交織在一起的不同頻率組成的混合信號(hào)分解成不同頻帶上的塊信號(hào)，對(duì)負(fù)荷序列進(jìn)行小波變換，可以將負(fù)荷序列投影到不同的尺度上，而各個(gè)尺度可近似地看作各個(gè)不同的“頻帶” ，這樣各個(gè)尺度上的子序列分別代表了原序列中不同“頻域”的分量，它們可以清楚的表現(xiàn)出負(fù)荷序列的周期性。在此基

28、礎(chǔ)上，分別對(duì)各個(gè)尺度上變換得到的子序列進(jìn)行預(yù)測(cè)，最后利用各個(gè)尺度上的預(yù)測(cè)結(jié)果進(jìn)行信號(hào)重構(gòu)，就得到了完整的預(yù)測(cè)結(jié)果18。3.1.53.1.5 卡爾曼（卡爾曼（KalmanKalman）濾波方法）濾波方法是建立狀態(tài)空間模型，把負(fù)荷作為狀態(tài)變量，用狀態(tài)方程和量測(cè)方程來(lái)描述?？柭鼮V波算法遞推地進(jìn)行計(jì)算，適用于在線(xiàn)負(fù)荷預(yù)測(cè)。這是在假定噪聲的統(tǒng)計(jì)特性已知的情況下得出的，實(shí)際上，該方法的難點(diǎn)是對(duì)噪聲統(tǒng)計(jì)特性的估計(jì)19。3.1.63.1.6 灰色預(yù)測(cè)法灰色預(yù)測(cè)法灰色預(yù)測(cè)理論其顯著特征就是用少量的數(shù)據(jù)做微分方程建立起預(yù)測(cè)的模型。在將一定范圍7內(nèi)變化的歷史數(shù)據(jù)列進(jìn)行累加，使其變成具有指數(shù)增長(zhǎng)規(guī)律的上升形狀數(shù)列，

29、可以對(duì)生成的這個(gè)形狀數(shù)列建立起 GM(GREY MODEL)模型。GM(1，n)也就是對(duì) n 個(gè)變量用一階微分方程建立的灰色模型。GM(1，1)模型是灰色理論中最廣泛地用于電力負(fù)荷預(yù)測(cè)的一種有效模型，它屬于動(dòng)態(tài)建模，采用微分?jǐn)M合方程的方法來(lái)描述事物的發(fā)展變化規(guī)律?；疑A(yù)測(cè)具有要求負(fù)荷數(shù)據(jù)少、不考慮分布規(guī)律、不考慮變化趨勢(shì)、運(yùn)算方便、短期預(yù)測(cè)精度高、易于檢驗(yàn)等優(yōu)點(diǎn)，因此得到了廣泛應(yīng)有，并取得了令人滿(mǎn)意的效果。但是，它和其他預(yù)測(cè)方法對(duì)比，也存在一定的局限性。一是當(dāng)數(shù)據(jù)離散程度越大，即數(shù)據(jù)灰度越大，則預(yù)測(cè)精度越差；二是不太適合于電力系統(tǒng)的長(zhǎng)期后推若干年的負(fù)荷預(yù)測(cè)。傳統(tǒng)方法的原理比較簡(jiǎn)單，理論比較成熟

30、，因此至今仍有應(yīng)用。但是這些方法采用的數(shù)學(xué)模型過(guò)于簡(jiǎn)單，其參數(shù)難以及時(shí)、準(zhǔn)確地進(jìn)行估計(jì)和調(diào)整，而且不能反映負(fù)荷的突然變化，因此它們不能適應(yīng)用較精確的數(shù)學(xué)模型來(lái)描述負(fù)荷的變化規(guī)律及其它因素對(duì)負(fù)荷的影響，從而使這些方法難以獲得較高預(yù)測(cè)精度20。傳統(tǒng)預(yù)測(cè)方法的原理比較簡(jiǎn)單，理論比較成熟，因此至今仍有應(yīng)用。但是這些方法采用的數(shù)學(xué)模型過(guò)于簡(jiǎn)單，其參數(shù)難以及時(shí)、準(zhǔn)確地進(jìn)行估計(jì)和調(diào)整，而且不能反映負(fù)荷的突然變化，因此它們不能適應(yīng)用較精確的數(shù)學(xué)模型來(lái)描述負(fù)荷的變化規(guī)律及其它因素對(duì)負(fù)荷的影響，從而使這些方法難以獲得較高預(yù)測(cè)精度。3.23.2 人工智能方法人工智能方法3.2.13.2.1 人工神經(jīng)網(wǎng)絡(luò)法人工神經(jīng)網(wǎng)

31、絡(luò)法人工神經(jīng)網(wǎng)絡(luò)(ARTIFICIAL NEURAL NETWORKS)是一種以人類(lèi)大腦神經(jīng)網(wǎng)絡(luò)為模擬對(duì)象的仿生系統(tǒng)。它是在深入研究人腦神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，人工構(gòu)造的、能夠?qū)崿F(xiàn)某種特定功能的網(wǎng)絡(luò)，是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它是由大量的簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，是具有高度非線(xiàn)性處理能力，能夠進(jìn)行復(fù)雜的邏輯操作和非線(xiàn)性關(guān)系實(shí)現(xiàn)的系統(tǒng)。經(jīng)過(guò)半個(gè)多世紀(jì)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已逐漸成熟，并成功的應(yīng)用于模式識(shí)別、最優(yōu)化問(wèn)題求解、信息的智能化處理、復(fù)雜控制和信號(hào)處理等領(lǐng)域，取得了很好的效果。由于吸取了生物神經(jīng)網(wǎng)絡(luò)的許多優(yōu)點(diǎn)，相對(duì)于傳統(tǒng)的信息

32、處理系統(tǒng)來(lái)說(shuō)，人工神經(jīng)網(wǎng)絡(luò)具有以下的特點(diǎn)：(1)高度的非線(xiàn)性。人生神經(jīng)網(wǎng)絡(luò)特別是多層次、非線(xiàn)性全連接的網(wǎng)絡(luò)，其輸入輸出表現(xiàn)出非常顯著的外部非線(xiàn)性關(guān)系。經(jīng)證明，只要有足夠數(shù)目的神經(jīng)元，任何非線(xiàn)性連續(xù)函數(shù)都可以由一個(gè)三層網(wǎng)絡(luò)以任意精度來(lái)近似表達(dá)。這種強(qiáng)大的非線(xiàn)性逼近能力，是神經(jīng)網(wǎng)絡(luò)最重要的性質(zhì)之一。(2)良好的自學(xué)習(xí)和自適應(yīng)性。人工神經(jīng)網(wǎng)絡(luò)能夠通過(guò)學(xué)習(xí)和訓(xùn)練來(lái)適應(yīng)環(huán)境的變化。當(dāng)外界環(huán)境發(fā)生變化時(shí)，經(jīng)過(guò)一段時(shí)間的訓(xùn)練與學(xué)習(xí)，人工神經(jīng)網(wǎng)絡(luò)能自動(dòng)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和連接模式，使得對(duì)于特定輸入能夠產(chǎn)生期望的輸出。(3)良好的容錯(cuò)性和聯(lián)想記憶能力。人工神經(jīng)網(wǎng)絡(luò)通過(guò)自身的網(wǎng)絡(luò)結(jié)構(gòu)，能夠?qū)崿F(xiàn)對(duì)信息的記憶。而所記憶的信

33、息是存儲(chǔ)在神經(jīng)元之間的權(quán)值中，是一種分布式的存儲(chǔ)方式。即使部分信8息丟失或模糊，也不會(huì)從根本上影響網(wǎng)絡(luò)的整體性能龜，從而表現(xiàn)出良好的容錯(cuò)性、很強(qiáng)的抗噪音能力和聯(lián)想推廣能力。網(wǎng)絡(luò)一經(jīng)訓(xùn)練成功，就可以正確的處理和訓(xùn)練樣本集相似的數(shù)據(jù)，在一定的誤差范圍內(nèi)，還可以處理非完全數(shù)據(jù)，由局部聯(lián)想到整體，表現(xiàn)出聯(lián)想記憶的特征，適宜于處理知識(shí)背景不清楚、推理規(guī)則不明確的問(wèn)題。(4)高度的并行性。人工神經(jīng)網(wǎng)絡(luò)是由許多相同的簡(jiǎn)單處理單元組合而成，雖然每個(gè)單元的功能簡(jiǎn)單，但大量簡(jiǎn)單處理單元的并行活動(dòng)，卻能夠形成驚人的信息處理能力21。3.2.23.2.2 專(zhuān)家系統(tǒng)方法專(zhuān)家系統(tǒng)方法專(zhuān)家系統(tǒng)是人工智能領(lǐng)域的一個(gè)重要分支，

34、它是一種基于知識(shí)推理的系統(tǒng)，它通過(guò)獲取大量的領(lǐng)域內(nèi)專(zhuān)家知識(shí)并在此基礎(chǔ)上進(jìn)行推理從而得到問(wèn)題的解答。專(zhuān)家系統(tǒng)適用于專(zhuān)業(yè)范圍明確，沒(méi)有完整的、精確的理論的領(lǐng)域，專(zhuān)家系統(tǒng)是對(duì)人類(lèi)的不可量化的經(jīng)驗(yàn)進(jìn)行轉(zhuǎn)化的一種較好的方法，若能將它與其他方法有機(jī)地結(jié)合起來(lái)構(gòu)成預(yù)測(cè)系統(tǒng)，將可得到滿(mǎn)意的結(jié)果22。3.2.33.2.3 模糊控制法模糊控制法模糊集合和模糊推理是專(zhuān)門(mén)用來(lái)處理不確定性問(wèn)題的理論。模糊集合將經(jīng)典集合的絕對(duì)隸屬關(guān)系(非 A 即 B)模糊化(既 A 又 B)，典型的隸屬度函數(shù)有三角函數(shù)、梯形函數(shù)、正態(tài)分布函數(shù)、S 形分布函數(shù)和 Z 形分布函數(shù)。模糊推理基于模糊規(guī)則，模糊規(guī)則以 IF-THEN 的形式來(lái)表

35、達(dá)模糊集合間的關(guān)系。電力負(fù)荷預(yù)測(cè)是利用以往的數(shù)據(jù)資料找出負(fù)荷的變化規(guī)律，從而預(yù)測(cè)出電力負(fù)荷在未來(lái)時(shí)期的變化趨勢(shì)及狀態(tài)。實(shí)際預(yù)測(cè)時(shí)，常常需要在歷史負(fù)荷及影響其變化的相關(guān)環(huán)境因素?cái)?shù)據(jù)不確定的情況下進(jìn)行預(yù)測(cè)，模糊數(shù)學(xué)為處理此類(lèi)問(wèn)題提供了有效手段。模糊理論是將操作人員的經(jīng)驗(yàn)以規(guī)則的形式表達(dá)出來(lái)，并轉(zhuǎn)換成可以在計(jì)算機(jī)上運(yùn)行的算法。它在電力系統(tǒng)的許多領(lǐng)域中得到了應(yīng)用。近年來(lái)出現(xiàn)了模糊回歸分析法、模糊聚類(lèi)識(shí)別預(yù)測(cè)法、模糊與神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用等方法。由于模糊推理可以利用有限的規(guī)則近似任意的函數(shù)關(guān)系，將這一理論應(yīng)用于負(fù)荷預(yù)測(cè)是不錯(cuò)的選擇。最新資料顯示，模糊系統(tǒng)和其他方法結(jié)合的負(fù)荷預(yù)測(cè)的精度要明顯優(yōu)于其他負(fù)荷預(yù)測(cè)方

36、法23。綜上所述，相對(duì)于其它的預(yù)測(cè)方法來(lái)說(shuō)，人工神經(jīng)網(wǎng)絡(luò)法被認(rèn)為是一種簡(jiǎn)單而有效的負(fù)荷預(yù)測(cè)技術(shù)，非常適合用來(lái)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè)。不同的預(yù)測(cè)方法有各自的優(yōu)點(diǎn)和缺點(diǎn)，為了發(fā)揮不同方法的優(yōu)點(diǎn)，避開(kāi)其不足，人們?cè)谪?fù)荷預(yù)測(cè)過(guò)程中將不同的預(yù)測(cè)方法加以組合，形成了許多種組合方法，在一定條件下能夠有效的改善模型的擬合能力和提高預(yù)測(cè)的精度。94 4 電力負(fù)荷預(yù)測(cè)存在的問(wèn)題及解決方法電力負(fù)荷預(yù)測(cè)存在的問(wèn)題及解決方法4.14.1 電力負(fù)荷預(yù)測(cè)存在的問(wèn)題電力負(fù)荷預(yù)測(cè)存在的問(wèn)題經(jīng)典的負(fù)荷預(yù)測(cè)是根據(jù)電網(wǎng)的歷史數(shù)據(jù)，找出負(fù)荷隨各種因素變化的規(guī)律，在一定的假設(shè)下，建立適當(dāng)?shù)臄?shù)學(xué)模型，預(yù)測(cè)未來(lái)的某一時(shí)刻負(fù)荷。但依靠數(shù)學(xué)建

37、模進(jìn)行預(yù)測(cè)對(duì)上述的隨機(jī)性、周期性及表現(xiàn)人的判斷顯得無(wú)能為力，所以我們把負(fù)荷預(yù)測(cè)方法中存在的問(wèn)題歸結(jié)為：4.1.14.1.1 負(fù)荷歷史數(shù)據(jù)的壞數(shù)據(jù)處理負(fù)荷歷史數(shù)據(jù)的壞數(shù)據(jù)處理負(fù)荷的歷史數(shù)據(jù)一般來(lái)源于 SCADA 數(shù)據(jù)庫(kù)，由于系統(tǒng)中各種終端讀表的各種誤差，數(shù)據(jù)庫(kù)中的數(shù)據(jù)經(jīng)常會(huì)受到污染。常見(jiàn)的有毛刺、某一段數(shù)據(jù)突然變大或變小、和數(shù)據(jù)的不正常波動(dòng)等。而沖擊負(fù)荷比較大的地區(qū)，負(fù)荷數(shù)據(jù)的過(guò)分波動(dòng)不利于掌握負(fù)荷的變化趨勢(shì)，增加了負(fù)荷分析的難度。因此在用歷史數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)前，壞數(shù)據(jù)的辨識(shí)與修正是必須要做的工作。即確定某條曲線(xiàn)中存在壞數(shù)據(jù)，然后找出壞數(shù)據(jù)在曲線(xiàn)中的位置，將其剔除掉并進(jìn)行修正。4.1.24.1

38、.2 節(jié)假日的負(fù)荷預(yù)測(cè)節(jié)假日的負(fù)荷預(yù)測(cè)在國(guó)家法定節(jié)假日（元旦、春節(jié)、五一和國(guó)慶）期間負(fù)荷與平時(shí)相比明顯降低，尤其是春節(jié)更是持續(xù)長(zhǎng)時(shí)間、大幅度的曲線(xiàn)下降和變形。節(jié)假日負(fù)荷一般要求提前半個(gè)月到一個(gè)月左右做出預(yù)測(cè)，節(jié)假日的預(yù)測(cè)一直是負(fù)荷預(yù)測(cè)的難點(diǎn)之所在。由于數(shù)據(jù)量較少，參考上一節(jié)假日相隔時(shí)間又長(zhǎng)達(dá)一年，無(wú)法形成足夠有效的樣本集使得神經(jīng)網(wǎng)絡(luò)方法不能使用于節(jié)假日預(yù)測(cè)中，需要結(jié)合傳統(tǒng)的多種方法另找途徑。4.1.34.1.3 氣象因素的影響氣象因素的影響研究表明，氣象因素對(duì)負(fù)荷預(yù)測(cè)精度的影響不可忽視，傳統(tǒng)的預(yù)測(cè)方法不能考慮氣象或者考慮氣象不充分，導(dǎo)致預(yù)測(cè)結(jié)果不夠理想。需要結(jié)合多種方法，如模糊聚類(lèi)法法將氣象因

39、素（溫度、濕度、天氣狀況等）考慮在內(nèi)。4.1.44.1.4 電力市場(chǎng)環(huán)境下，負(fù)荷的變化還與電價(jià)有關(guān)。電力市場(chǎng)環(huán)境下，負(fù)荷的變化還與電價(jià)有關(guān)。4.1.54.1.5 隨機(jī)因素。隨機(jī)因素。其他大量引起負(fù)荷變化的隨機(jī)因素也經(jīng)常存在，例如大負(fù)荷用戶(hù)的用電調(diào)整以及重大的政治經(jīng)濟(jì)活動(dòng)等。104.24.2 針對(duì)上述問(wèn)題的解決方法針對(duì)上述問(wèn)題的解決方法電力負(fù)荷預(yù)測(cè)的難點(diǎn)在于影響因素眾多，它包含有內(nèi)外部的隨機(jī)因素，特別是許多非負(fù)荷因素的影響。這些影響因素與預(yù)測(cè)值之間形成復(fù)雜的非線(xiàn)性關(guān)系。影響負(fù)荷預(yù)測(cè)的主要因素如下28：4.2.14.2.1 定量分析與定性分析相結(jié)合的問(wèn)題定量分析與定性分析相結(jié)合的問(wèn)題影響電力負(fù)荷的

40、因素很多，在以往的負(fù)荷預(yù)測(cè)中，我們往往只重視定量的分析，而忽略了定性的分析，這是一個(gè)值得注意的問(wèn)題。定性分析包括在進(jìn)行定量分析之前，對(duì)某些基本數(shù)據(jù)進(jìn)行必要的分析，如對(duì)負(fù)荷數(shù)據(jù)特性的分析等。4.2.24.2.2 原始數(shù)據(jù)的收集和篩選原始數(shù)據(jù)的收集和篩選近年來(lái)我國(guó)的電力負(fù)荷預(yù)測(cè)的研究，對(duì)于模型的建立比較重視，而不去深入分析和收集原始數(shù)據(jù)，以至造成有時(shí)原始數(shù)據(jù)的篩選分析與模型不配套的弊端。要成功地進(jìn)行預(yù)測(cè)，必需要把握以下四大環(huán)節(jié)：(1)要收集盡可能全面的信息。如果信息面過(guò)窄，就極難得到恰當(dāng)?shù)念A(yù)測(cè)。(2)要使用正確的篩選手段與方法，有用的真實(shí)信息常常淹沒(méi)在大量的干擾信號(hào)之中，只有使用正確的篩選手段與方法，才能去偽存真。(3)應(yīng)使邏輯運(yùn)算的假設(shè)盡可能地符合實(shí)際，任何一種模型或邏輯運(yùn)算，都是以假設(shè)為前提的，如果假設(shè)離前提太遠(yuǎn)，那就不可能獲得成功地預(yù)測(cè)結(jié)果。4.2.34.2.3 電力負(fù)荷預(yù)測(cè)的依據(jù)電力負(fù)荷預(yù)測(cè)的依據(jù)首先，要明確電力負(fù)荷預(yù)測(cè)的依據(jù)，從實(shí)際出發(fā)，選擇正確的預(yù)測(cè)方法。電力負(fù)荷預(yù)測(cè)既要依據(jù)調(diào)度專(zhuān)家成功可靠的經(jīng)驗(yàn)，更要依據(jù)符合