西南交大網(wǎng)絡(luò)教育畢業(yè)論文(電氣工程和自動化)(電力機車)

..西南交通大學(xué)網(wǎng)絡(luò)教育學(xué)院畢業(yè)設(shè)計〔論文專業(yè)〔__12級電氣工程及自動化〔電力機車專升本指導(dǎo)教師：學(xué)生姓名：學(xué)號：設(shè)計題目：電力系統(tǒng)短期負(fù)荷預(yù)測的研究畢業(yè)設(shè)計成績評議表學(xué)生姓名班級指導(dǎo)教師姓名職稱

審閱人評語

審閱人：年月日答辯委員會綜合評語

主席：年月日論文成績

評語內(nèi)容包括：〔學(xué)術(shù)思想、方案選擇、設(shè)計〔論文達(dá)到的水平、設(shè)計〔論證有無錯誤等。畢業(yè)設(shè)計〔論文任務(wù)書__12級電氣工程及自動化〔電力機車學(xué)生__指導(dǎo)設(shè)計〔論文題目電力系統(tǒng)短期負(fù)荷預(yù)測的研究主要研究內(nèi)容隨著我國區(qū)域性電力市場的逐步建立和完善,短期負(fù)荷預(yù)測工作將在電力市場運營中占據(jù)十分重要的地位。國內(nèi)外的許多專家、學(xué)者在預(yù)測理論和方法方面做了大量的研究工作,取得了很多卓有成效的進(jìn)展。目前用于短期負(fù)荷預(yù)測的方法很多,可以分為經(jīng)典預(yù)測方法、傳統(tǒng)預(yù)測方法和智能預(yù)測方法等。經(jīng)典方法有回歸分析法和時間序列法；傳統(tǒng)方法有卡爾曼濾波法、指數(shù)平滑法、灰色預(yù)測法、小波分析法；智能預(yù)測法有專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法。電力系統(tǒng)短期發(fā)電計劃是在一個調(diào)度周期內(nèi),根據(jù)負(fù)荷預(yù)報,在滿足負(fù)荷需求和機組安全、啟停機限制的約束條件下,優(yōu)化選定各時段參加運行的機組,決定機組開停時間及其出力情況,使整個機組在周期內(nèi)的總消耗為最小。關(guān)鍵環(huán)節(jié)1、確定論文題目2、搜集、整理資料3、編寫提綱4、撰寫初稿5、改寫初稿6、定稿計劃進(jìn)度1、201..——查詢資料,熟悉課本內(nèi)容,熟悉應(yīng)用軟件,分析設(shè)計任務(wù)并完成開題報告；2、201..——.根據(jù)資料設(shè)計初稿并完成相關(guān)的英文翻譯3、201..——修改初稿,定稿并完成相關(guān)的圖紙文件進(jìn)；4、201..——撰寫論文,完善論文,打印論文；5、201..——畢業(yè)答辯。參考資料參考文獻(xiàn)劉晨暉.電力系統(tǒng)負(fù)荷預(yù)報理論與方法.XX工業(yè)大學(xué)出版社.1987康XX夏清.電力系統(tǒng)負(fù)荷預(yù)測.北京:中國電力出版社,2007趙希正.中國電力負(fù)荷特性分析與預(yù)測.北京:中國電力出版社.2001肖國泉王春張福偉.電力負(fù)荷預(yù)測.北京:中國電力出版社.2001蕭國泉徐繩均.電力規(guī)劃.北京:水利電力出版社,1993牛東曉曹樹華趙磊張文文.電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用.北京:中國電力出版社,1999于爾鏗.能量管理系統(tǒng).科學(xué)出版社.1998李文沅.電力系統(tǒng)安全經(jīng)濟(jì)運行—模型與方法.XX大學(xué)出版社,1989開題報告__學(xué)生__指導(dǎo)設(shè)計〔論文題目：電力系統(tǒng)短期負(fù)荷預(yù)測的研究一、文獻(xiàn)綜述隨著我國區(qū)域性電力市場的逐步建立和完善,短期負(fù)荷預(yù)測工作將在電力市場運營中占據(jù)十分重要的地位。國內(nèi)外的許多專家、學(xué)者在預(yù)測理論和方法方面做了大量的研究工作,取得了很多卓有成效的進(jìn)展。目前用于短期負(fù)荷預(yù)測的方法很多,可以分為經(jīng)典預(yù)測方法、傳統(tǒng)預(yù)測方法和智能預(yù)測方法等。經(jīng)典方法有回歸分析法和時間序列法；傳統(tǒng)方法有卡爾曼濾波法、指數(shù)平滑法、灰色預(yù)測法、小波分析法；智能預(yù)測法有專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法。電力系統(tǒng)短期發(fā)電計劃是在一個調(diào)度周期內(nèi),根據(jù)負(fù)荷預(yù)報,在滿足負(fù)荷需求和機組安全、啟停機限制的約束條件下,優(yōu)化選定各時段參加運行的機組,決定機組開停時間及其出力情況,使整個機組在周期內(nèi)的總消耗為最小。二、選題的目的及意義電力系統(tǒng)負(fù)荷預(yù)測主要用于電力系統(tǒng)規(guī)劃和制定發(fā)電計劃,還可以用于進(jìn)行系統(tǒng)充裕性評估、發(fā)電合同制定、合同電量分配、電價預(yù)測、預(yù)調(diào)度和實時調(diào)度等工作,從而提高系統(tǒng)運行的經(jīng)濟(jì)性和可靠性。三、重點研究內(nèi)容電力負(fù)荷預(yù)測是在充分考慮一些重要的系統(tǒng)運行特性、增容決策、自然條件與社會影響的條件下,研究或利用一套系統(tǒng)地處理過去與未來負(fù)荷的數(shù)學(xué)方法,在滿足一定精度要求的意義下,確定未來某特定時刻的負(fù)荷數(shù)值。它包括對未來需求量的預(yù)測和未來用電量的預(yù)測,基本預(yù)測方法主要有四種：長期負(fù)荷預(yù)測、中期負(fù)荷預(yù)測、短期負(fù)荷預(yù)測、超短期負(fù)荷預(yù)測。由于負(fù)荷預(yù)測是根據(jù)電力負(fù)荷的過去和現(xiàn)在推測它的未來數(shù)值,所以負(fù)荷預(yù)測工作所研究的對象是不肯定事件。四、教師意見指導(dǎo)年月日中期報告__學(xué)生__指導(dǎo)設(shè)計〔論文題目電力系統(tǒng)短期負(fù)荷預(yù)測的研究一、總體設(shè)計：短期負(fù)荷預(yù)測是負(fù)荷預(yù)測的重要組成部分,它主要用于預(yù)報未來幾小時、一天至幾天的電力負(fù)荷,對于調(diào)度安排開停機計劃、機組最優(yōu)組合、最優(yōu)潮流、電力市場交易有著重要的意義。負(fù)荷預(yù)測精度越高,越有利于提高發(fā)電設(shè)備的利用率和經(jīng)濟(jì)調(diào)度的有效性。負(fù)荷預(yù)測的核心問題是預(yù)測的數(shù)學(xué)模型,隨著現(xiàn)代科學(xué)技術(shù)的不斷進(jìn)步,負(fù)荷預(yù)測理論技術(shù)得到很大發(fā)展,理論研究逐步深入,為了找到使用方便、準(zhǔn)確度高、計算快的負(fù)荷預(yù)測方法,許多人在理論和實踐上進(jìn)行了廣泛的研究和探討。如各種基于神經(jīng)網(wǎng)絡(luò)、灰色理論、分形的方法。不同地區(qū)的負(fù)荷特性不盡相同,因此,生產(chǎn)實踐中應(yīng)根據(jù)實際情況采用適當(dāng)?shù)呢?fù)荷預(yù)測方法。二、詳細(xì)設(shè)計：對電力負(fù)荷進(jìn)行科學(xué)短期預(yù)測,基本程序如下：1.確定負(fù)荷預(yù)測目的,制訂預(yù)測計劃2.調(diào)查資料和選擇資料3.資料整理4.對資料的初步分析5.建立預(yù)測模型6.綜合分析,確定預(yù)測結(jié)果7.編寫預(yù)測報告,交付使用8.負(fù)荷預(yù)測管理三、設(shè)計完成情況設(shè)計已按要求完成。四、教師意見

教師__年月日結(jié)題驗收班級:學(xué)生姓名:設(shè)計〔論文題目電力系統(tǒng)短期負(fù)荷預(yù)測的研究結(jié)題驗收申請：根據(jù)《畢業(yè)設(shè)計任務(wù)書》要求,畢業(yè)設(shè)計〔論文已全部完成,請老師審閱。指導(dǎo)教師評語：

指導(dǎo)教師評分〔優(yōu)、良、中、及格、不及格：

教師__年月日摘要隨著我國區(qū)域性電力市場的逐步建立和完善,短期負(fù)荷預(yù)測工作將在電力市場運營中占據(jù)十分重要的地位。國內(nèi)外的許多專家、學(xué)者在預(yù)測理論和方法方面做了大量的研究工作,取得了很多卓有成效的進(jìn)展。目前用于短期負(fù)荷預(yù)測的方法很多,可以分為經(jīng)典預(yù)測方法、傳統(tǒng)預(yù)測方法和智能預(yù)測方法等。經(jīng)典方法有回歸分析法和時間序列法；傳統(tǒng)方法有卡爾曼濾波法、指數(shù)平滑法、灰色預(yù)測法、小波分析法；智能預(yù)測法有專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法。電力系統(tǒng)短期發(fā)電計劃是在一個調(diào)度周期內(nèi),根據(jù)負(fù)荷預(yù)報,在滿足負(fù)荷需求和機組安全、啟停機限制的約束條件下,優(yōu)化選定各時段參加運行的機組,決定機組開停時間及其出力情況,使整個機組在周期內(nèi)的總消耗為最小。關(guān)鍵字：短期負(fù)荷預(yù)測；機組組合；最優(yōu)潮流；回歸分析；時間序列分析；人工神經(jīng)元網(wǎng)絡(luò)AbstractAsChina'sregionalelectricitymarketandgraduallyestablishandimproveshort-termloadforceastinginelectricitymarketoperationtooccupyaveryimportantposition.Manydomesticandforeignnexpertsandscholarsinthepredictiontheoryandmethodhasdonealotofresearchwork,made??alotoffruitfulprogress.Currentlyusedforshort-termloadforecastinginmanyways,canbedividedintoclassicalforecastingmethods,thetraditionalforecastingmethodsandintelligentforecastingmethods.Classicalmethodsandtime-seriesregressionanalysismethod,Kalmanfilteringmethodwiththetraditionalmethod,exponentialsmoothing,graypredictionmethod,waveletanalysismethod;intelligentpredictionmethodhasexpertsystems,artificealneuralnetwork.Powersystemshort-termpowerplanisaschedulingperiod,accordingtotheloadforecasting,tomeettheloaddemandandcrewsafety,limitingdowntimeKaiconstraints,optimizationoftheselectedoperatingunittoparticipateineachperiod,thedecisiontoopentheunittostoptimeandcontributesituation,theentireunitintheperiodtothetotalconsumptiontoaminimum.Keywords:shorttermloadforecasting;unitcommitment;OPF;regretssionanalysis;,timeseriesanalysis;,artificialneuralnetwork

目錄引言…..…………..................................91、電力負(fù)荷預(yù)測綜述…………….........…………….91.1電力負(fù)荷預(yù)測的含義…………91.2電力負(fù)荷預(yù)測的意義……………102、電力負(fù)荷分析……………………….103、電力負(fù)荷預(yù)測的內(nèi)容及程序…………113.1電力負(fù)荷預(yù)測的內(nèi)容……………113.2電力負(fù)荷預(yù)測的程序……………134、電力負(fù)荷預(yù)測模型及基本算法………134.1電力負(fù)荷預(yù)測模型………………134.2電力負(fù)荷預(yù)測基本算法…………185、電力短期負(fù)荷預(yù)測研究………………225.1基于溫度準(zhǔn)則的外推方法……………………225.2基于人工神經(jīng)網(wǎng)絡(luò)日負(fù)荷預(yù)測………………246、電力系統(tǒng)短期負(fù)荷預(yù)測建模及MATLAB實現(xiàn)…………286.1基于神經(jīng)網(wǎng)絡(luò)的預(yù)測原理…………………….286.2電力系統(tǒng)短期負(fù)荷預(yù)測建模及MATLAB實現(xiàn)………………….29結(jié)論…………………36致謝………………………37參考文獻(xiàn)………………38引言電力系統(tǒng)短期負(fù)荷預(yù)測對未來1日至1周的負(fù)荷進(jìn)行預(yù)測。短期負(fù)荷預(yù)測是隨著電力系統(tǒng)EMS的逐步發(fā)展而發(fā)展起來的,現(xiàn)已經(jīng)成為EMS必不可少的一部分和為確保電力系統(tǒng)安全經(jīng)濟(jì)運行所必需的手段之一。隨著電力市場的建立和發(fā)展,對短期負(fù)荷預(yù)測提出了更高的要求,短期負(fù)荷預(yù)測不再僅僅是EMS的關(guān)鍵部分,同時也是制定電力市場交易計劃的基礎(chǔ)。電力系統(tǒng)負(fù)荷預(yù)測為這一地區(qū)電力規(guī)劃奠定了一定的基礎(chǔ),同時也為這一地區(qū)電力工業(yè)布局、能源資源平衡、電力余缺調(diào)劑,以及電網(wǎng)資金和人力資源的需求與平衡提供可靠的依據(jù)。因此,電力負(fù)荷預(yù)測是一項十分重要的工作,它對于保證電力工業(yè)的健康發(fā)展,乃至對于整個國民經(jīng)濟(jì)的發(fā)展均有著十分重要的意義。短期負(fù)荷預(yù)測技術(shù)經(jīng)過幾十年的發(fā)展,人們提出了許多的預(yù)測方法?，F(xiàn)有的預(yù)測方法大體可以分為2類：經(jīng)典的數(shù)學(xué)統(tǒng)計方法以及上世紀(jì)90年代興起的各種人工智能方法。經(jīng)典的數(shù)學(xué)統(tǒng)計方法包括線性外推法、多元線性回歸法、時間序列法和狀態(tài)空間法等。人工智能方法包括人工神經(jīng)網(wǎng)絡(luò)法、專家系統(tǒng)方法和模糊推理方法、小波分析等。在對大量歷史負(fù)荷數(shù)據(jù)進(jìn)行統(tǒng)計分析的基礎(chǔ)上,根據(jù)電力負(fù)荷的特點,在考慮天氣溫度、日類型、實際歷史負(fù)荷等因素對預(yù)測負(fù)荷影響的基礎(chǔ)上,本文介紹了一種基于BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法。其中首先根據(jù)實際經(jīng)驗將一周的7天分為工作日〔星期一到星期五和休息日〔星期六和星期天等兩種類型；然后建立相應(yīng)的人工神經(jīng)網(wǎng)絡(luò)模型用以預(yù)測負(fù)荷歸一化系數(shù)；最后通過最小二乘法預(yù)測日最大負(fù)荷和日最小負(fù)荷。利用相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)方法對未來24小時負(fù)荷進(jìn)行短期預(yù)測,該方法充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)處理非線性問題的能力和。實際算例表明,這種方法應(yīng)用在短期負(fù)荷預(yù)測方面有較高的精度。1、電力負(fù)荷預(yù)測綜述1.1電力負(fù)荷預(yù)測的含義電力負(fù)荷有兩方面的含義：一方面是指電力工業(yè)的服務(wù)對象,包括使用電力的部門、機關(guān)、企事業(yè)單位、工廠、農(nóng)村、車間、學(xué)校以及各種各樣的用電設(shè)備；另一方面是指上述各用電單位、用電部門或用電設(shè)備使用電力和電量的具體數(shù)量。電力負(fù)荷預(yù)測中的負(fù)荷概念是指國民經(jīng)濟(jì)整體或部門或地區(qū)對電力和電量消費的歷史情況及未來的變化發(fā)展趨勢。電力負(fù)荷預(yù)測就是在正確的理論指導(dǎo)下,在調(diào)查研究掌握大量翔實資料的基礎(chǔ)上,運用可靠的方法和手段對電力負(fù)荷的發(fā)展趨勢作出科學(xué)合理的推斷。本文基于神經(jīng)網(wǎng)絡(luò)的電力短期負(fù)荷預(yù)測就是在大量有關(guān)電力短期負(fù)荷研究和神經(jīng)網(wǎng)絡(luò)理論的指導(dǎo)下,在充分調(diào)查研究處理了某市某年某月一個月700多組數(shù)據(jù)后,應(yīng)用了神經(jīng)網(wǎng)絡(luò)理論與MATLAB的實現(xiàn)方式,進(jìn)行了編程仿真,得出了月底某工作日和某休息日兩天的各小時點的具體負(fù)荷。較高的預(yù)測精度充分表明了它的科學(xué)合理性。1.2電力負(fù)荷預(yù)測的意義電力用戶是電力工業(yè)的服務(wù)對象,電力負(fù)荷的不斷增長是電力工業(yè)發(fā)展的根據(jù)。正確地預(yù)測電力負(fù)荷,既是為了保證無條件供應(yīng)國民經(jīng)濟(jì)各部門及人民生活以充足的電力的需要,也是電力工業(yè)自身健康發(fā)展的需要。電力負(fù)荷預(yù)測工作既是電力規(guī)劃工作的重要組成部分,也是電力規(guī)劃的基礎(chǔ)。全國性的電力負(fù)荷預(yù)測,為編制全國電力規(guī)劃提供依據(jù),它規(guī)定了全國電力工業(yè)的發(fā)展水平、發(fā)展速度、源動力資源的需求量,電力工業(yè)發(fā)展的資金需求量,以及電力工業(yè)發(fā)展對人力資源的需求量。本文運用神經(jīng)網(wǎng)絡(luò)對某市某年某月某日進(jìn)行電力負(fù)荷的短期預(yù)測,它為這一地區(qū)電力規(guī)劃奠定了一定的基礎(chǔ),同時也為這一地區(qū)電力工業(yè)布局、能源資源平衡、電力余缺調(diào)劑,以及電網(wǎng)資金和人力資源的需求與平衡提供可靠的依據(jù)。因此,電力負(fù)荷預(yù)測是一項十分重要的工作,它對于保證電力工業(yè)的健康發(fā)展,乃至對于整個國民經(jīng)濟(jì)的發(fā)展均有著十分重要的意義。2、電力負(fù)荷分析本文對某市進(jìn)行電力短期負(fù)荷預(yù)測,電力負(fù)荷的構(gòu)成與特點如下：電力系統(tǒng)負(fù)荷一般可以分為城市民用負(fù)荷、商業(yè)負(fù)荷、農(nóng)村負(fù)荷、工業(yè)負(fù)荷以及其他負(fù)荷等,不同類型的負(fù)荷具有不同的特點和規(guī)律。城市民用負(fù)荷主要是城市居民的家用電器,它具有年年增長的趨勢,以及明顯的季節(jié)性波動特點,而且民用負(fù)荷的特點還與居民的日常生活和工作的規(guī)律緊密相關(guān)。商業(yè)負(fù)荷,主要是指商業(yè)部門的照明、空調(diào)、動力等用電負(fù)荷,覆蓋面積大,且用電增長平穩(wěn),商業(yè)負(fù)荷同樣具有季節(jié)性波動的特性。雖然商業(yè)負(fù)荷在電力負(fù)荷中所占比重不及工業(yè)負(fù)荷和民用負(fù)荷,但商業(yè)負(fù)荷中的照明類負(fù)荷占用電力系統(tǒng)高峰時段。此外,商業(yè)部門由于商業(yè)行為在節(jié)假日會增加營業(yè)時間,從而成為節(jié)假日中影響電力負(fù)荷的重要因素之一。工業(yè)負(fù)荷是指用于工業(yè)生產(chǎn)的用電,一般工業(yè)負(fù)荷的比重在用電構(gòu)成中居于首位,它不僅取決于工業(yè)用戶的工作方式<包括設(shè)備利用情況、企業(yè)的工作班制等>,而且與各行業(yè)的行業(yè)特點、季節(jié)因素都有緊密的聯(lián)系,一般負(fù)荷是比較恒定的。農(nóng)村負(fù)荷則是指農(nóng)村居民用電和農(nóng)業(yè)生產(chǎn)用電。此類負(fù)荷與工業(yè)負(fù)荷相比,受氣候、季節(jié)等自然條件的影響很大,這是由農(nóng)業(yè)生產(chǎn)的特點所決定的。農(nóng)業(yè)用電負(fù)荷也受農(nóng)作物種類、耕作習(xí)慣的影響,但就電網(wǎng)而言,由于農(nóng)業(yè)用電負(fù)荷集中的時間與城市工業(yè)負(fù)荷高峰時間有差別,所以對提高電網(wǎng)負(fù)荷率有好處。從以上分析可知電力負(fù)荷的特點是經(jīng)常變化的,不但按小時變、按日變,而且按周變,按年變,同時負(fù)荷又是以天為單位不斷起伏的,具有較大的周期性,負(fù)荷變化是連續(xù)的過程,一般不會出現(xiàn)大的躍變,但電力負(fù)荷對季節(jié)、溫度、天氣等是敏感的,不同的季節(jié),不同地區(qū)的氣候,以及溫度的變化都會對負(fù)荷造成明顯的影響。3、電力負(fù)荷預(yù)測的內(nèi)容及程序3.1電力負(fù)荷預(yù)測的內(nèi)容電力負(fù)荷預(yù)測的內(nèi)容是指需要測算些什么量〔或參數(shù),歸納起來有以下一些參數(shù)需要測算。〔1最大有功負(fù)荷及其分布。最大有功負(fù)荷的大小是確定電力系統(tǒng)裝機規(guī)模的基礎(chǔ)數(shù)據(jù),換句話說是電源規(guī)劃的依據(jù)。有功負(fù)荷,加上電網(wǎng)中損失的有功和發(fā)電廠自用有功量,再加上適量的備用容量,就等于電力系統(tǒng)的裝機容量。有功負(fù)荷的分布是輸電線路設(shè)計的基礎(chǔ),也是變電所配置的基礎(chǔ),即有功負(fù)荷的地區(qū)分布特點是輸變電規(guī)劃和配電規(guī)劃的主要依據(jù)?！?無功負(fù)荷及其分布。無功負(fù)荷的大小及分布是確定電力系統(tǒng)無功電源規(guī)劃的基礎(chǔ),也是影響電力系統(tǒng)安全經(jīng)濟(jì)運行的重要因素?！?需電量。它是進(jìn)行能源供需平衡的主要依據(jù)?！?電力負(fù)荷曲線及其特征值。電力負(fù)荷大小及其在時間上的分布特征,對電力規(guī)劃及電力系統(tǒng)運行是至關(guān)重要的。它是確定電力系統(tǒng)中電源結(jié)構(gòu)、調(diào)峰容量需求、運行方式及能源平衡的主要依據(jù)。負(fù)荷預(yù)測根據(jù)目的的不同可以分為超短期、短期、中期和長期：①超短期負(fù)荷預(yù)測是指未來1h以內(nèi)的負(fù)荷預(yù)測,在安全監(jiān)視狀態(tài)下,需要5～10s或1～5min的預(yù)測值,預(yù)防性控制和緊急狀態(tài)處理需要10min至1h的預(yù)測值。②短期負(fù)荷預(yù)測是指日負(fù)荷預(yù)測和周負(fù)荷預(yù)測,分別用于安排日調(diào)度計劃和周調(diào)度計劃,包括確定機組起停、水火電協(xié)調(diào)、聯(lián)絡(luò)線交換功率、負(fù)荷經(jīng)濟(jì)分配、水庫調(diào)度和設(shè)備檢修等,對短期預(yù)測,需充分研究電網(wǎng)負(fù)荷變化規(guī)律,分析負(fù)荷變化相關(guān)因子,特別是天氣因素、日類型等和短期負(fù)荷變化的關(guān)系。③中期負(fù)荷預(yù)測是指月至年的負(fù)荷預(yù)測,主要是確定機組運行方式和設(shè)備大修計劃等。④長期負(fù)荷預(yù)測是指未來3～5年甚至更長時間段內(nèi)的負(fù)荷預(yù)測,主要是電網(wǎng)規(guī)劃部門根據(jù)國民經(jīng)濟(jì)的發(fā)展和對電力負(fù)荷的需求,所作的電網(wǎng)改造和擴建工作的遠(yuǎn)景規(guī)劃。對中、長期負(fù)荷預(yù)測,要特別研究國民經(jīng)濟(jì)發(fā)展、國家政策等的影響。3.2電力負(fù)荷預(yù)測的程序電力負(fù)荷預(yù)測是一個過程,其一般程序可劃分為準(zhǔn)備、實施、評價與提交預(yù)測報告四個階段。準(zhǔn)備階段準(zhǔn)備階段的工作是由確定預(yù)測目標(biāo)、落實組織工作、搜集資料、分析資料和選擇方法等工作組成。1確定預(yù)測目標(biāo)。確定目標(biāo)就是要在明確預(yù)測目的前提下,規(guī)定預(yù)測對象的范圍、內(nèi)容和預(yù)測期限。一般而言,預(yù)測范圍視研究問題所涉及的范圍而定,編制全國電力規(guī)劃,就要預(yù)測全國范圍內(nèi)的電力、電量需求量；編制大區(qū)網(wǎng)局或地方〔省、地、縣電力局的發(fā)展規(guī)劃,就要預(yù)測大區(qū)電網(wǎng)或地方電力局范圍內(nèi)的電力、電量需求量。預(yù)測內(nèi)容是指包括電力、電量、電力負(fù)荷的地區(qū)分布,電力負(fù)荷隨時間的變化規(guī)律,以及電力負(fù)荷曲線特征及負(fù)荷曲線等。預(yù)測期限是指預(yù)測的時間長短,一般電力規(guī)劃中負(fù)荷預(yù)測期限有短期預(yù)測〔即5年期預(yù)測,中期預(yù)測〔即5—10年期預(yù)測,及長期預(yù)測〔即15年以上的預(yù)測。2搜集與整理資料。資料是預(yù)測的基本依據(jù),占有的資料的充裕程度及資料的可信度,對預(yù)測結(jié)果的可信度是至關(guān)重要的。一般在做電力負(fù)荷預(yù)測時需要搜集與整理的資料主要有：電力系統(tǒng)歷年用電負(fù)荷、用電量、用電構(gòu)成；經(jīng)濟(jì)發(fā)展目標(biāo)〔如國民生產(chǎn)總值、國民收入等；國民經(jīng)濟(jì)結(jié)構(gòu)的歷史、現(xiàn)狀及可能的變化發(fā)展趨勢；人口預(yù)測資料及人均收入水平；能源利用效率及用電比重的變化；工業(yè)布局及用戶的用電水平指標(biāo)；以及國外參考國家的上述類似歷史資料。這些資料的主要來源有兩種途徑：一是各國政府、研究機構(gòu)等定期或不定期發(fā)表的報刊、資料、文獻(xiàn)、和其他出版物；二是預(yù)測人員通過調(diào)查所獲得的資料。資料的來源統(tǒng)計計算口徑及調(diào)查方法不同,都有對資料的可信度產(chǎn)生不同的影響。因此,在調(diào)查搜集資料的過程中對搜集得到的資料應(yīng)進(jìn)行鑒別,去粗取精,去偽存真,以保證預(yù)測中使用的資料翔實可靠。3分析資料,選擇預(yù)測方法。對經(jīng)過鑒別整理后的資料要進(jìn)行分析,以尋求其規(guī)律。在預(yù)測中常用的分析方法有多種,如時間序列分析、因果關(guān)系分析等方法。要根據(jù)資料的掌握情況及資料樣式,選擇相應(yīng)的預(yù)測方法,尋求預(yù)測量的演變規(guī)律或趨勢,建立預(yù)測模型。沒有一種方法在任何預(yù)測場合下均可以保證獲得滿意的結(jié)果。因此,必須根據(jù)對資料的占有情況,以及預(yù)測目標(biāo)、預(yù)測期限,預(yù)測環(huán)境、預(yù)測結(jié)果的精確度,同時考慮預(yù)測本身的效益成本分析等進(jìn)行權(quán)衡,以便作出合理的選擇?！?實施預(yù)測階段在進(jìn)行預(yù)測時,要依據(jù)選擇的預(yù)測方法來進(jìn)行預(yù)測。如果是采用定量預(yù)測方法來進(jìn)行預(yù)測,就要根據(jù)建立的定量預(yù)測模型,帶入預(yù)測期的自變量目標(biāo)值,就可以獲得預(yù)測期所要的預(yù)測變量值。如果是采用定性預(yù)測方法來進(jìn)行預(yù)測,就應(yīng)根據(jù)掌握的客觀資料進(jìn)行科學(xué)的邏輯推理,推斷出預(yù)測期的預(yù)測值。由于影響預(yù)測對象的諸因素可能會發(fā)生變化,從而可能使未來的實際結(jié)果與預(yù)測依據(jù)的歷史資料呈現(xiàn)的規(guī)律不相吻合,預(yù)測人員必須適時的對預(yù)測模型及預(yù)測結(jié)果加以修正。這種情況下,預(yù)測人員的經(jīng)驗、理論素養(yǎng)及分析判斷能力起重要的作用?！?評價預(yù)測階段預(yù)測的主要成果是得到預(yù)測結(jié)果。預(yù)測結(jié)果應(yīng)該是明確的,可以被檢驗的。因此,在得到預(yù)測結(jié)果后必須對預(yù)測結(jié)果的準(zhǔn)確度和可靠性進(jìn)行評價。務(wù)使預(yù)測誤差處于可接受的范圍內(nèi)。若誤差太大,就失去了預(yù)測的意義,并從而導(dǎo)致電力規(guī)劃的失誤?！?題出預(yù)測報告階段預(yù)測報告是預(yù)測結(jié)果的文字表述。預(yù)測報告一般包括題目、摘要、正文、結(jié)論、建議、和附錄等部分。預(yù)測題目主要反映預(yù)測目標(biāo)、預(yù)測對象、預(yù)測范圍和預(yù)測時限。摘要通常說明預(yù)測中的主要發(fā)現(xiàn)、預(yù)測的結(jié)果及提出的主要建議和意見。摘要與題目配合,可以引起有關(guān)方面的重視。正文包括分析及預(yù)測過程、預(yù)測模型及說明、有關(guān)計算方法、必要的圖表、預(yù)測的主要結(jié)論及對主要結(jié)論的評價。結(jié)論與建議是扼要地列出預(yù)測的主要結(jié)果,提出有關(guān)建議和意見。附錄主要包括說明正文的附表、資料,預(yù)測中采用的計算方法的推導(dǎo)和說明,以及正文中未列出的有價值的其他資料。4、電力負(fù)荷預(yù)測模型及基本算法4.1電力負(fù)荷預(yù)測模型針對影響系統(tǒng)負(fù)荷的因素,電力系統(tǒng)總負(fù)荷預(yù)測模型一般可以按四個分量模型描述為L<t>=B<t>+W<t>+S<t>+V<t>〔4-1式中,L<t>為時刻t的系統(tǒng)總負(fù)荷；B<t>為時刻t的基本正常負(fù)荷分量；W<t>為時刻t的天氣敏感負(fù)荷分量；S<t>為時刻t的特別事件負(fù)荷分量；V<t>為時刻t的隨機負(fù)荷分量?；菊Ｘ?fù)荷分量模型不同的預(yù)測周期,B<t>分量具有不同的內(nèi)涵。對于超短期負(fù)荷預(yù)測,B<t>近似線性變化,甚至是常數(shù)；對于短期負(fù)荷預(yù)測,B<t>一般呈周期性變化；而中長期負(fù)荷預(yù)測中,B<t>呈明顯增長趨勢的周期性變化。所以,對于基本正常負(fù)荷分量,可以用線性變化模型和周期變化模型描述,或用二者的合成共同描述,即〔4-2式中,為線性變化模型負(fù)荷分量；為周期變化模型負(fù)荷分量。線性變化模型可以表示為〔4-3式中,a,b為線性方程的截距和斜率；為誤差。1線性變化模型超短期負(fù)荷變化可以直接采用線性變化模型,將前面時刻的負(fù)荷描述成一條直線,其延長線即可預(yù)測下一時刻的負(fù)荷,如圖所示。短期負(fù)荷日均值接近于常數(shù),長期負(fù)荷年均值增長較大,甚至需要用非線性模型〔二次或指數(shù)函數(shù)描述。針對短期負(fù)荷預(yù)測,將歷史上一段日負(fù)荷L按時序畫在一張圖上,見圖4.1所示,將及每日平均負(fù)荷X畫在圖上,總體看來是一條斜率接近于零的直線,可用線性模型來描述。圖4.1負(fù)荷線性變化模型2周期變化模型周期變化模型,是用來反映負(fù)荷有按日、按月、按年的周期變化特性。如圖4.2所示給出了日負(fù)荷曲線,其周期變化規(guī)律可以用日負(fù)荷變化系數(shù)表示：〔4-4其中,為一天中各小時的負(fù)荷；為當(dāng)天的日平均負(fù)荷。LL12nn+1······81624816242424168圖4.2日負(fù)荷周期變化模型圖4.2給出連續(xù)幾天的日負(fù)荷變化系數(shù)曲線,其有明顯的周期性,即以24小時為周期循環(huán)變化。順序觀察每天同一時刻的負(fù)荷變化系數(shù)值,可以看出他們接近于一條水平線,這樣便可以用前幾天的同一時刻的負(fù)荷變化系統(tǒng)值的平均值預(yù)測以后的值。逐小時作出日負(fù)荷變化系數(shù)的平均值,連接起來就是一天總的周期變化曲線。我們把這種反映一天24小時負(fù)荷循環(huán)變化規(guī)律的模型稱為日周期變化模型。即<t=1,2,...,24>〔4-5式中,n為過去日負(fù)荷的天數(shù)；為過去第天第t小時負(fù)荷變化系數(shù)。這樣,按線性模型預(yù)測B<t>的負(fù)荷均值X<t>,按周期變化模型預(yù)測B<t>的周期負(fù)荷變化系數(shù)Z<t>,用式〔4-2就可以得到基本負(fù)荷分量B<t>。天氣敏感負(fù)荷分量模型影響負(fù)荷的天氣因素,有溫度、濕度、風(fēng)力、陰晴等,這里以溫度為例說明天氣敏感負(fù)荷模型。以日負(fù)荷預(yù)測為例,給定過去若干天氣負(fù)荷記錄、溫度記錄,利用線性回歸或曲線擬合方法,可以用三段直線來描述天氣敏感負(fù)荷模型〔4-6式中,t為預(yù)測溫度,可以是一日最高溫度、最低溫度、平均溫度或是某時點溫度；,為電熱臨界溫度和斜率,時電熱負(fù)荷增加,其斜率為；,為冷氣臨界溫度和斜率,是冷氣負(fù)荷增加,其斜率為。在之間一段溫度上,電熱和冷氣均不開放,負(fù)荷和溫度沒什么關(guān)系。〔3特別事件負(fù)荷分量模型特別事件負(fù)荷分量指特別電視節(jié)目、重大政治活動等對負(fù)荷造成的影響。其特點是只有積累大量的事件記錄,才能從中分析出某些事件的出現(xiàn)對負(fù)荷的影響程度,從而作出特別事件對負(fù)荷的修正規(guī)則。這種分析可以用專家系統(tǒng)方法來實現(xiàn),也可以簡單的用人工修正來實現(xiàn)。人工修正方法通常用因子模型來描述。因子模型又可以分為乘子模型和疊加模型兩種。乘子模型,是用一個乘子k來表示特別事件對負(fù)荷的影響程度,k一般接近于1,那么,特別事件負(fù)荷分量為〔4-7疊加模型,是直接把特別事件引起的負(fù)荷變化值當(dāng)成特別事件負(fù)荷分量,即〔4-8〔4隨機負(fù)荷分量模型上述各分量的數(shù)學(xué)模型,都不適應(yīng)于隨機負(fù)荷分量。實際上,對于給定的過去一段時間的歷史負(fù)荷記錄,提取出基本負(fù)荷分量、天氣敏感負(fù)荷分量和特別事件負(fù)荷分量后,剩余的殘差即為各時刻的隨機負(fù)荷分量,可以看成是隨機時間序列。目前,處理這樣問題的最有效辦法是Box-Jenkins的時間序列法,其基本的時間序列模型有下述4種。1自回歸模型一個自回歸模型〔AR描述的過程是它的現(xiàn)在值可以由本身的過去的有限項的加權(quán)和及一個干擾值a<t>〔假設(shè)為白噪聲來表示,即〔4-9在自回歸模型中,模型的階數(shù)p和系數(shù)〔=1,2,…,p由過去值通過模型辨別和參數(shù)估計來決定。2動平均模型動平均模型〔MA描述的過程是它的現(xiàn)在值V<t>可由其現(xiàn)在和過去的干擾值的有限項的加權(quán)和來表示,即〔4-10同樣,模型的階數(shù)q和系數(shù)〔=1,2,…,q,由過去的歷史值通過模型辨別和參數(shù)估計決定。3自回歸動平均模型自回歸動平均模型〔ARMA把它的現(xiàn)在值V<t>看作是它的過去值的有限項的加權(quán)和及其現(xiàn)在和過去干擾量的有限項加權(quán)的疊加,即〔4-114累積式自回歸動平均模型非平穩(wěn)隨機過程多種多樣,一般常見的是含有趨勢項和周期項的非平穩(wěn)隨機過程。某些非平穩(wěn)隨機序列V<t>,例如均值不為0的非平穩(wěn)隨機過程,經(jīng)一階差分后得到的序列〔1-BV<t>有可能是平穩(wěn)的。有趨勢變化的非平穩(wěn)隨機過程,有可能經(jīng)過若干次差分后才能平穩(wěn)化,即對V<t>作多次差分得到的是一個平穩(wěn)隨機過程,即〔4-12式中,d為差分階數(shù)；B為后移算子。具有周期變化規(guī)律的非平穩(wěn)時間序列V<t>,它按固定的周期T呈現(xiàn)的規(guī)律變動。如果每個時間點的值都和超前T的〔t-T值進(jìn)行差分運算,那么〔1-V<t>就變成平穩(wěn)時間序列了,其中是周期為T的后移算子。所以,對于一個含有趨勢項的非平穩(wěn)隨機過程,可有下式來描述：〔4-13它即稱為ARIMA模型。本文研究的是某城市的某年某月某日的電力系統(tǒng)短期負(fù)荷預(yù)測,因此,影響系統(tǒng)負(fù)荷的因素包括上述的四種分量模型。短期負(fù)荷預(yù)測基本模型是指24小時的日負(fù)荷預(yù)測和168小時的周負(fù)荷預(yù)測,列舉其預(yù)測周期,知其基本變化規(guī)律可由線性變化模型和周期變化模型來描敘,日負(fù)荷至周負(fù)荷的變化,受特別事件影響明顯,對應(yīng)特別事件負(fù)荷分量模型,同附和隨機負(fù)荷分量。線性變化模型用來描敘日平均負(fù)荷變化規(guī)律,將歷史上一段日平均負(fù)荷按時序畫在一張圖上,可以看出每日平均負(fù)荷有波動,總體趨勢是一條直線,可用線性模型表示。周期模型用來描敘24小時為周期的變化規(guī)律,在分析日負(fù)荷曲線形狀時,除掉日平均負(fù)荷的變化因素,將連續(xù)幾天的日負(fù)荷變化畫在一張圖上,可以看出明顯的周期性,即以24小時為周期循環(huán)變化。特別事件〔天氣負(fù)荷分量,考慮時可把特別天氣或天氣變化看作是特別時間和其它如特別節(jié)目,重大紀(jì)念活動等合并作為特別事件考慮,也可以把有關(guān)天氣對負(fù)荷的影響和其他事件出現(xiàn)對負(fù)荷的影響分開考慮,負(fù)荷在一定程度上,受分量影響很大,進(jìn)一步提高負(fù)荷預(yù)測精度,關(guān)鍵是科學(xué)合理地預(yù)測特別事件負(fù)荷分量,但往往還不是一件容易的事情。詳細(xì)地考慮特別事件〔天氣負(fù)荷分量,是一件復(fù)雜的工作,可以專門用專家系統(tǒng)來做實際工作中一般做適當(dāng)簡化,目前,常把特別事件和天氣對負(fù)荷的影響分開考慮,特別事件用前已講過的乘子模型或疊加模型考慮；天氣變化對負(fù)荷的影響,一般主要考慮溫度影響,把負(fù)荷看作是溫度的函數(shù),由歷史負(fù)荷數(shù)據(jù)和溫度記,通過線性同歸的辦法,來確定其關(guān)系。隨機負(fù)荷分量,一般由時間序列模型描述。4.2電力負(fù)荷預(yù)測基本算法電力負(fù)荷預(yù)測分為經(jīng)典預(yù)測方法和現(xiàn)代預(yù)測方法?！?經(jīng)典預(yù)測方法1時間序列法時間序列法是一種最為常見的短期負(fù)荷預(yù)測方法,它是針對整個觀測序列呈現(xiàn)出的某種隨機過程的特性,去建立和估計產(chǎn)生實際序列的隨機過程的模型,然后用這些模型去進(jìn)行預(yù)測。它利用了電力負(fù)荷變動的慣性特征和時間上的延續(xù)性,通過對歷史數(shù)據(jù)時間序列的分析處理,確定其基本特征和變化規(guī)律,預(yù)測未來負(fù)荷。時間序列預(yù)測方法可分為確定型和隨機性兩類,確定型時間序列作為模型殘差用于估計預(yù)測區(qū)間的大小。隨機型時間序列預(yù)測模型可以看作一個線性濾波器。根據(jù)線性濾波器的特性,時間序列可劃為自回歸<AR>、動平均<MA>、自回歸-動平均<ARMA>、累計式自回歸-動平均<ARIMA>、傳遞函數(shù)<TF>幾類模型,其負(fù)荷預(yù)測過程一般分為模型識別、模型參數(shù)估計、模型檢驗、負(fù)荷預(yù)測、精度檢驗預(yù)測值修正5個階段。時間列模型的缺點在于不能充分利用對負(fù)荷性能有很大影響的氣候信息和其他因素,導(dǎo)致了預(yù)報的不準(zhǔn)確和數(shù)據(jù)的不穩(wěn)定。2回歸分析法回歸分析法就是根據(jù)負(fù)荷過去的歷史資料,建立可以分析的數(shù)學(xué)模型,對未來的負(fù)荷進(jìn)行預(yù)測。從數(shù)學(xué)上看,就是利用數(shù)理統(tǒng)計中的回歸分析方法,通過對變量的觀測數(shù)據(jù)進(jìn)行分析,確定變量之間的相互關(guān)系,從而實現(xiàn)預(yù)測目的?；貧w預(yù)測包括線性回歸和非線性回歸?；貧w模型雖然考慮了氣象信息等因素,但需要事先知道負(fù)荷與氣象變量之間的函數(shù)關(guān)系,這是比較困難的。而且為了獲得比較精確的預(yù)報結(jié)果,需要大量的計算,這一方法不能處理氣候變量和負(fù)荷之間的非平衡暫態(tài)關(guān)系。雖然經(jīng)典的數(shù)學(xué)統(tǒng)計方法具有速度快的優(yōu)點,但是其預(yù)測模型比較簡單,很難準(zhǔn)確描述負(fù)荷預(yù)測的實際模型,所以其精度較差。隨著人工智能技術(shù),其中以神經(jīng)BP算法為代表?！?現(xiàn)代負(fù)荷預(yù)測方法20世紀(jì)80年代后期,一些基于新興學(xué)科理論的現(xiàn)代預(yù)測方法逐漸得到了成功應(yīng)用。這其中主要有灰色數(shù)學(xué)理論、專家系統(tǒng)方法、神經(jīng)網(wǎng)絡(luò)理論、模糊預(yù)測理論等。1>灰色數(shù)學(xué)理論灰色數(shù)學(xué)理論是把負(fù)荷序列看作一真實的系統(tǒng)輸出,它是眾多影響因子的綜合作用結(jié)果。這些眾多因子的未知性和不確定性,成為系統(tǒng)的灰色特性?；疑到y(tǒng)理論把負(fù)荷序列通過生成變換,使其變化為有規(guī)律的生成數(shù)列再建模,用于負(fù)荷預(yù)測。灰色系統(tǒng)理論是中國學(xué)者鄧聚龍教授1982年3月在國際上首先提出來的,在國際期刊《SYSTEMSANDCONTROLLETTER》刊物上發(fā)表,題為"ControlProblemsofGreySystems",引起了國際上的充分重視。灰色系統(tǒng)理論的形成是有過程的。早年鄧教授從事控制理論和模糊系統(tǒng)的研究,取得了許多成果。后來,他接受了全國糧食預(yù)測的課題,為了搞好預(yù)測工作,他研究了概率統(tǒng)計追求大樣本量,必須先知道分布規(guī)律、發(fā)展趨勢,而時間序列法只致力于數(shù)據(jù)的擬合,不注重規(guī)律的發(fā)展。鄧教授希望在可利用數(shù)據(jù)不多的情況下,找到了較長時期起作用的規(guī)律,于是進(jìn)行了用少量數(shù)據(jù)做微分方程建模的研究。這一工作開始并不順利,一時建立不起可供應(yīng)的模型。后來,他將歷史數(shù)據(jù)作了各種處理,找到了累加生成,發(fā)現(xiàn)累加生成曲線是近似的指數(shù)增長曲線,而指數(shù)增長正符合微分方程解的形式。在此基礎(chǔ)上,進(jìn)一步研究了離散函數(shù)光滑性,微分方程背景值、平射性等一些基本問題,同時也考慮了有限和無限的相對性,定義了指標(biāo)集拓?fù)淇臻g的灰導(dǎo)數(shù),最后解決了微分方程的建模問題。2專家系統(tǒng)方法專家系統(tǒng)方法是對于數(shù)據(jù)庫里存放的過去幾年的負(fù)荷數(shù)據(jù)和天氣數(shù)據(jù)等進(jìn)行細(xì)致的分析,匯集有經(jīng)驗的負(fù)荷預(yù)測人員的知識,提取有關(guān)規(guī)則。借助專家系統(tǒng),負(fù)荷預(yù)測人員能識別預(yù)測日所屬的類型,考慮天氣因素對負(fù)荷預(yù)測的影響,按照一定的推理進(jìn)行負(fù)荷預(yù)測。專家系統(tǒng)是一個用基于知識的程序設(shè)計方法建立起來的計算機系統(tǒng)〔在現(xiàn)階段主要表現(xiàn)為計算機系統(tǒng),它擁有某個特殊領(lǐng)域內(nèi)專家的知識和經(jīng)驗,并能像專家那樣運用這些知識,通過推理,在那個領(lǐng)域內(nèi)作出智能決策。所以,一個完整的專家系統(tǒng)是有四部分組成的,即知識庫、推理機、知識獲取部分和解釋界面。專家系統(tǒng)方法總結(jié)了目前城網(wǎng)中長期負(fù)荷預(yù)測中的可行模型,針對目前方法存在的片面性,首次嘗試把專家系統(tǒng)技術(shù)應(yīng)用到負(fù)荷預(yù)測上,從而克服單一算法的片面性；同時,全過程的程序化,使得方法還具有快速決斷的優(yōu)點。負(fù)荷預(yù)測是城網(wǎng)規(guī)劃部門所面臨的較難處理的基礎(chǔ)工作,還由于預(yù)測過程容易出現(xiàn)人為差錯及預(yù)測專家比較缺乏,使本方法具有較為廣泛的使用前景。專家系統(tǒng)法利用了專家的經(jīng)驗知識和推理規(guī)則,使得假日或重大活動日子的負(fù)荷預(yù)報精度得到了提高。但是,把專家知識和經(jīng)驗等準(zhǔn)確地轉(zhuǎn)化為一系列規(guī)則是非常不容易的。3神經(jīng)網(wǎng)絡(luò)理論運用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電力負(fù)荷預(yù)測,其優(yōu)點是可以模仿人腦的智能化處理,對大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能,具有信息記憶、自主學(xué)習(xí)、知識推理和優(yōu)化計算的特點,特別的,其自學(xué)習(xí)和自適應(yīng)功能是常規(guī)算法和專家系統(tǒng)技術(shù)所不具備的。因此,預(yù)測被當(dāng)作人工神經(jīng)網(wǎng)絡(luò)〔簡記為ANN最有潛力的應(yīng)用領(lǐng)域之一,許多人都試圖應(yīng)用反傳學(xué)習(xí)算法訓(xùn)練ANN。以用作時間序列預(yù)測。誤差反向傳播算法又稱為BP法,提出一個簡單的三層人工神經(jīng)網(wǎng)絡(luò)模型,就能實現(xiàn)從輸入到輸出間非線性映射任何復(fù)雜函數(shù)關(guān)系。因此,我們可以將對電力負(fù)荷影響最大的幾種因素作為輸入,即當(dāng)天的天氣溫度、天氣晴朗度〔又稱為能見度、風(fēng)向風(fēng)力、峰谷負(fù)荷及相關(guān)負(fù)荷等,爭取獲得較好的預(yù)測結(jié)果。神經(jīng)網(wǎng)絡(luò)理論是利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能,讓計算機學(xué)習(xí)包含在歷史負(fù)荷數(shù)據(jù)中的映射關(guān)系,再利用這種映射關(guān)系預(yù)測未來負(fù)荷。由于該方法具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學(xué)習(xí)能力,因此有很大的應(yīng)用市場,但其缺點是學(xué)習(xí)收斂速度慢,可能收斂到局部最小點；并且知識表達(dá)困難,難以充分利用調(diào)度人員經(jīng)驗中存在的模糊知識。4小波分析預(yù)測技術(shù)小波分析〔Wavelet是本世紀(jì)數(shù)學(xué)研究成果中最杰出的代表。它作為數(shù)學(xué)學(xué)科的一個分支,吸取了現(xiàn)代分析學(xué)中諸如泛函分析、數(shù)值分析、Fourier分析、樣條分析、調(diào)和分析等眾多分支的精華,并包羅了它們的特色。由于小波分析在理論上的完美性以及在應(yīng)用上的廣泛性,在短短的幾年中,受到了科學(xué)界、工程界的高度重視,并且在信號處理、圖象處理、模式識別、地震預(yù)報、故障診斷、狀態(tài)監(jiān)視、CT成象、語言識別、雷達(dá)等十幾個科學(xué)領(lǐng)域中得到應(yīng)用。小波分析為本世紀(jì)現(xiàn)代分析學(xué)作了完美的總結(jié)。小波分析方法的提出,可以追溯到1910年Harr提出的"小波"規(guī)范正交基及1938年Littlewood-Paley對Fourier變換的相位變化本質(zhì)上不影響函數(shù)的L-P理論。1981年Stromberg對Harr系進(jìn)行了改進(jìn),證明小波函數(shù)的存在。1984年法國地球物理學(xué)家Morlet在分析地震波的局部性時,把小波運用于對信號分解,取得了滿意的分析結(jié)果。隨后,理論物理學(xué)家Grossman對Morlet的這種信號方法進(jìn)行了理論研究,這無疑為小波分析的形成奠定了基礎(chǔ)。1986年,法國數(shù)學(xué)家Mayer創(chuàng)造性地構(gòu)造出了一個具有一定衰減特性的光滑函數(shù),它的二進(jìn)制伸縮和平移系構(gòu)成L〔R的規(guī)范正交基,實現(xiàn)了信號在時頻空間同時局部化的正交分解。他為小波理論的形成和完善作出了重大貢獻(xiàn),是小波理論的奠基人之一。1987年,Mallat巧妙地將計算機視覺領(lǐng)域內(nèi)的多尺度分析的思想引入到小波分析中小波函數(shù)的構(gòu)成及信號按小波變換的分解及重組,從而成功地統(tǒng)一了此前的各種具體小波函數(shù)的構(gòu)造,并研究了小波變換的離散化情形,得到相應(yīng)的Mallat金字塔式算法,顯著地減少了計算量,使小波分析具有工程實用價值。1988年,Daubechies構(gòu)成出了具有有限支撐的正交小波基。它在數(shù)學(xué)信號的小波分解過程中提供有限的從而更實際、更具體的數(shù)字濾波器。這樣,小波分析的理論大廈就基本奠定了。1990年,Daubechies在美國作了10次小波講座,把小波介紹到工程界中,"小波熱"就開始了。此后,中國學(xué)者崔錦泰和王建忠構(gòu)成了基于樣條函數(shù)的單正交小波函數(shù),并討論了具有最好局部化性質(zhì)的尺度函數(shù)與小波函數(shù)。而Wicherhanseer等將Mallat算法進(jìn)一步深化,提出了小波包算法,取得了信號的最佳時頻分解。目前,國內(nèi)外有關(guān)小波在電力系統(tǒng)中的應(yīng)用的文獻(xiàn)還很少,這個領(lǐng)域還是很少,然而,由于其獨特的分析方法,在電力系統(tǒng)負(fù)荷預(yù)測方面一定會有很好的前景。小波分析是一種時域——頻域分析方法,它在時域和頻域上同時具有良好的局部化性質(zhì),并且能根據(jù)信號頻率高低自動調(diào)節(jié)采樣的疏密,它容易捕捉和分析微弱信號以及信號、圖象的任意細(xì)小部分。其優(yōu)于傳統(tǒng)的Fourier分析的主要之處在于：能對不同的頻率成分采用逐漸精細(xì)的采樣步長,從而可以聚焦到信號的任意細(xì)節(jié),尤其是對奇異信號很敏感,能很好的處理微弱或突變的信號,其目標(biāo)是將一個信號的信息轉(zhuǎn)化成小波系數(shù),從而能夠方便地加以處理、存儲、傳遞、分析或被用于重建原始信號。這些優(yōu)點決定了小波分析可以有效地應(yīng)用于負(fù)荷預(yù)測問題的研究。5模糊負(fù)荷預(yù)測模糊負(fù)荷預(yù)測是近幾年比較熱門的研究方向。模糊控制是在所采用的控制方法上應(yīng)用了模糊數(shù)學(xué)理論,使其進(jìn)行確定性的工作,對一些無法構(gòu)造數(shù)學(xué)模型的被控過程進(jìn)行有效控制。模糊系統(tǒng)不管其是如何進(jìn)行計算的,從輸入輸出的角度講它是一個非線性函數(shù)。模糊系統(tǒng)對于任意一個非線性連續(xù)函數(shù),就是找出一類隸屬函數(shù),一種推理規(guī)則,一個解模糊方法,使得設(shè)計出的模糊系統(tǒng)能夠任意逼近這個非線性函數(shù)。下面介紹模糊預(yù)測的一些基本方法。①表格查尋法：表格法是一種相對簡單明了的算法。這個方法的基本思想是從已知輸入—輸出數(shù)據(jù)對中產(chǎn)生模糊規(guī)則,形成一個模糊規(guī)則庫,最終的模糊邏輯系統(tǒng)將從組合模糊規(guī)則庫中產(chǎn)生。這是一種簡單易行的易于理解的算法,因為它是個順序生成過程,無需反復(fù)學(xué)習(xí),因此,這個方法同樣具有模糊系統(tǒng)優(yōu)于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的一大優(yōu)點,即構(gòu)造起來既簡單又快速。②基于神經(jīng)網(wǎng)絡(luò)集成的高木-關(guān)野模糊預(yù)測算法：它是利用神經(jīng)網(wǎng)絡(luò)來求得條件的輸入變量的聯(lián)合隸屬函數(shù)。結(jié)論部的函數(shù)f<X>也可以用神經(jīng)網(wǎng)絡(luò)來表示。神經(jīng)網(wǎng)絡(luò)均采用前向型的BP網(wǎng)絡(luò)。高木-關(guān)野模糊預(yù)測算法雖然已得到了很大的應(yīng)用,適用于各種復(fù)雜的建模,取得了較好的預(yù)測效果,但是它對輸入變量的要求較高等缺點,這必然限制了它的應(yīng)用。③改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)模型的算法：模糊神經(jīng)網(wǎng)絡(luò)即全局逼近器。模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)似乎有著天然的聯(lián)系,模糊神經(jīng)網(wǎng)絡(luò)在本質(zhì)上是模糊系統(tǒng)的實現(xiàn),就是將常規(guī)的神經(jīng)網(wǎng)絡(luò)<如前向反饋神經(jīng)網(wǎng)絡(luò),HoPfield神經(jīng)網(wǎng)絡(luò)>賦予模糊輸入信號和模糊權(quán)。對于復(fù)雜的系統(tǒng)建模,已經(jīng)有了許多方法,并已取得良好的應(yīng)用效果。但主要缺點是模型精度不高,訓(xùn)練時間太長。此種方法的模型物理意義明顯,精度高,收斂快,屬于改進(jìn)型算法。④反向傳播學(xué)習(xí)算法：模糊邏輯系統(tǒng)應(yīng)用主要在于它能夠作為非線性系統(tǒng)的模型,包括含有人工操作員的非線性系統(tǒng)的模型。因此,從函數(shù)逼近意義上考慮,研究模糊邏輯系統(tǒng)的非線性映射能力顯得非常重要。函數(shù)逼近就是模糊邏輯系統(tǒng)可以在任意精度上,一致逼近任何定義在一個致密集上的非線性函數(shù),其優(yōu)勢在于它有能夠系統(tǒng)而有效地利用語言信息的能力。萬能逼近定理表明一定存在這樣一個可以在任意精度逼近任意給定函數(shù)的高斯型模糊邏輯系統(tǒng)。反向傳播BP學(xué)習(xí)算法用來確定高斯型模糊邏輯系統(tǒng)的參數(shù),經(jīng)過辨識的模型能夠很好的逼近真實系統(tǒng),進(jìn)而達(dá)到提高預(yù)測精度的目的。因此,這種方法的模型有較高的精度,但是它的訓(xùn)練時間太長,收斂較慢等缺點。5、電力短期負(fù)荷預(yù)測研究5.1基于溫度準(zhǔn)則的外推方法對于日負(fù)荷預(yù)測來說,工作日和休假日負(fù)荷曲線差別明顯,其次,天氣因素,特別是溫度對負(fù)荷有較大的影響,由此,采用基于溫度準(zhǔn)則的外推方法,首先根據(jù)過去數(shù)個同類型日得出預(yù)測日的負(fù)荷變化系數(shù),認(rèn)為同類型的負(fù)荷變化規(guī)律相近,其次,假定每個同類型日負(fù)荷數(shù)據(jù)和溫度數(shù)據(jù),求出其相關(guān)系數(shù),最后,在預(yù)測到預(yù)測日最高溫度和最低溫度出情況下,預(yù)測出預(yù)測日的最大負(fù)荷和最小負(fù)荷,再由預(yù)測日的負(fù)荷變化系數(shù),最終求出預(yù)測日的各點負(fù)荷預(yù)測值。圖5.1給出了其原理框圖。圖5.1基于溫度準(zhǔn)則的外推日負(fù)荷預(yù)測方法原理圖下面敘述該辦法具體計算步驟：1確定預(yù)測日類型是工作日還是休息日。2取和預(yù)測日同類型的過去幾天負(fù)荷并分別歸一化,歸一化如下：〔5-1其中,為第k日第小時負(fù)荷數(shù)據(jù)的歸一化值；為第k日第小時負(fù)荷數(shù)據(jù)；為第k日最小負(fù)荷數(shù)據(jù)；為第k日最大負(fù)荷數(shù)據(jù)。3把上面取得的幾天負(fù)荷歸一化系數(shù)平均,得到該類型預(yù)測日的日負(fù)荷變化系數(shù)〔5-2其中為該類型日第小時負(fù)荷系數(shù)。4讀取預(yù)測地區(qū)該預(yù)測日的最高溫度和最低溫度。5計算預(yù)測日的最大負(fù)荷和最小負(fù)荷〔5-3〔5-4其中,,,,根據(jù)歷史負(fù)荷數(shù)據(jù)和歷史溫度記錄用最小二乘決定的系數(shù)。方法是,假定每天最大負(fù)荷是每天最高溫度的函數(shù)〔5-5每天最小負(fù)荷是每天最低溫度的函數(shù)〔5-6然后根據(jù)過去幾天的最大負(fù)荷和最小負(fù)荷記錄及對應(yīng)的最高溫度和最低溫度記錄,用最小二乘方法決定系數(shù),,,。6計算預(yù)測的每小時負(fù)荷〔5-7其中為第小時預(yù)測負(fù)荷<=1,2,…,24>。上面計算日負(fù)荷變化系數(shù),是選擇最近幾個同類型日,然后取平均值來求得,實際上可作如下改進(jìn)〔5-8這里,為權(quán)重系數(shù),滿足。系數(shù)的選擇原則是越靠近預(yù)測日的天其對應(yīng)值越大,根據(jù)是同類型日相鄰越近負(fù)荷變化系數(shù)越近。上述主要以溫度為天氣因素來考慮對負(fù)荷的影響,實際應(yīng)用中,對應(yīng)一小的電網(wǎng),或某一集中地區(qū)的負(fù)荷預(yù)測,有其合理性和可操作性,同時將帶來預(yù)測精度的提高。而對應(yīng)區(qū)域大的地區(qū),那么應(yīng)把該地區(qū)按負(fù)荷中心分成m個子區(qū)域,分別取其每天的最高、最低溫度。假設(shè)每天全網(wǎng)最大負(fù)荷是各子區(qū)域最高溫度的函數(shù)〔5-9其中,為各子區(qū)域某一天最高溫度；為參數(shù)。用過去歷史負(fù)荷,各子區(qū)域溫度數(shù)據(jù),通過最小二乘方法估計參數(shù),然后,按下式求預(yù)測日最大負(fù)荷：〔5-10全網(wǎng)最小負(fù)荷的考慮同上。5.2基于人工神經(jīng)網(wǎng)絡(luò)日負(fù)荷預(yù)測〔1人工神經(jīng)網(wǎng)絡(luò)簡介及其原理1神經(jīng)網(wǎng)絡(luò)簡介人工神經(jīng)網(wǎng)絡(luò)的英文名稱是ArtificialNeuralNetworks<ANN>是一種"采用物理可實現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的系統(tǒng)。"當(dāng)前國際著名的神經(jīng)網(wǎng)絡(luò)專家,第一家神經(jīng)計算機公司的創(chuàng)始人和神經(jīng)網(wǎng)絡(luò)技術(shù)研究的領(lǐng)導(dǎo)人HechtNielson給神經(jīng)網(wǎng)絡(luò)的定義是:"神經(jīng)網(wǎng)絡(luò)是一個以有向圖為拓?fù)浣Y(jié)構(gòu)的動態(tài)系統(tǒng),它通過對連續(xù)或斷連續(xù)的輸入作狀態(tài)響應(yīng)而進(jìn)行信息處理。"人工神經(jīng)網(wǎng)絡(luò)是最近發(fā)展起來的十分熱門的交叉學(xué)科,它涉及生物、電子、計算機、數(shù)學(xué)和物理學(xué)科,有著非常廣泛的應(yīng)用背景,這門學(xué)科的發(fā)展對日前和末來的科學(xué)技術(shù)的發(fā)展有重要的影響。二維的簡單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可分為兩類:前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。反饋型網(wǎng)絡(luò)模型是一種反饋動力學(xué)系統(tǒng),它具有極復(fù)雜的動力學(xué)特性。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無向圖表示,代表性的模型包括;Hopfield網(wǎng)絡(luò)模型和Hamming網(wǎng)絡(luò)模型。反饋神經(jīng)網(wǎng)絡(luò)模型有很強的計算能力。前饋神經(jīng)網(wǎng)絡(luò)模型是指那些在網(wǎng)絡(luò)中各處理單元之間的連接都是單向的,而且總是指向網(wǎng)絡(luò)輸出方向的網(wǎng)絡(luò)模型。本文中采用前饋型網(wǎng)絡(luò)對電力系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測。前饋型神經(jīng)網(wǎng)絡(luò)的基本原理是:神經(jīng)網(wǎng)絡(luò)在組成時,各個神經(jīng)元通過一定權(quán)值相連,神經(jīng)網(wǎng)絡(luò)在使用之前必須確定這些權(quán)值,而沒有經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的權(quán)值是沒有任何意義的,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程就是通過已知數(shù)據(jù)確定權(quán)值的過程。即通過這些權(quán)值使神經(jīng)網(wǎng)絡(luò)具有了一定的記憶功能,可以對數(shù)據(jù)的規(guī)律進(jìn)行記憶<信息保存在權(quán)值中>。從而可以用于以后的預(yù)測。從已知數(shù)據(jù)確定權(quán)值是一個無約束最優(yōu)化問題,典型的算法是BP法,對于前饋神經(jīng)網(wǎng)絡(luò)模型還有很多其他權(quán)值修正法。2人工神經(jīng)元基本原理人工神經(jīng)元模型是生物神經(jīng)元的模擬與抽象。這里所說的抽象是從數(shù)學(xué)角度而言,所謂模擬是對神經(jīng)元的結(jié)構(gòu)和功能而言,相當(dāng)于一個多輸入單輸出的非線性闡值器件。激活函數(shù)有許多種類型,其中比較常用的激活函數(shù)可歸結(jié)為三種形式:閩值型,S型和線性型。①人工神經(jīng)元網(wǎng)絡(luò)模型將前面介紹的神經(jīng)元通過一定的結(jié)構(gòu)組織起來,就可構(gòu)成人工神經(jīng)元網(wǎng)絡(luò)。按照神經(jīng)元連接的拓?fù)浣Y(jié)構(gòu)不同,可分為分層網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)。分層網(wǎng)絡(luò)是將一個神經(jīng)元網(wǎng)絡(luò)模型中的所有神經(jīng)元按功能分為若干層,一般有輸入層、中間層和輸出層。相互連接型網(wǎng)絡(luò)是指網(wǎng)絡(luò)中任意兩個單元之間都可以相互連接。②神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)過程模仿人的學(xué)習(xí)過程,人們提出了多種神經(jīng)元網(wǎng)絡(luò)。人工神經(jīng)元模型的學(xué)習(xí)方式,其中主要三種:有導(dǎo)師學(xué)習(xí)、無導(dǎo)師學(xué)習(xí)和強化學(xué)習(xí)。學(xué)習(xí)是一個相對持久的變化過程,學(xué)習(xí)往往也是一個推理過程,例如通過經(jīng)驗也可以學(xué)習(xí),學(xué)習(xí)是神經(jīng)元網(wǎng)絡(luò)最重要的能力。③神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則在學(xué)習(xí)過程中主要是網(wǎng)絡(luò)的連接權(quán)的值發(fā)生了改變,學(xué)習(xí)到的內(nèi)容也是記憶在連接權(quán)之中。學(xué)習(xí)規(guī)則有:Hebb學(xué)習(xí)規(guī)則、感知機<Perception>學(xué)習(xí)規(guī)則、Delta學(xué)習(xí)規(guī)則等等。④神經(jīng)元網(wǎng)絡(luò)的工作過程當(dāng)網(wǎng)絡(luò)訓(xùn)練好了以后,就可以正常進(jìn)行工作,可以用來分析數(shù)據(jù)和處理問題。神經(jīng)元網(wǎng)絡(luò)的工作過程有許多種形式,比如回想和分類?！?BP網(wǎng)絡(luò)本文采用BP網(wǎng)絡(luò),BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的指導(dǎo)思想:對網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向-負(fù)梯度方向.〔5-11其中是當(dāng)前的權(quán)值和閾值矩陣,是當(dāng)前表現(xiàn)函數(shù)的梯度,是學(xué)習(xí)速度。下面介紹BP算法的推倒過程。假設(shè)三層BP網(wǎng)絡(luò),輸入節(jié)點,隱層節(jié)點,輸出節(jié)點.輸入節(jié)點與隱層節(jié)點間的網(wǎng)絡(luò)權(quán)值為,隱層節(jié)點與輸出節(jié)點間的網(wǎng)絡(luò)權(quán)值為.當(dāng)輸出節(jié)點的期望值為時,模型的計算公式如下:隱層節(jié)點的輸出〔5-12其中〔5-13輸出節(jié)點的計算輸出〔5-14其中〔5-15輸出節(jié)點的誤差〔5-16誤差函數(shù)對輸出節(jié)點求導(dǎo)〔5-17E是多個的函數(shù).但有一個與有關(guān),各間相互獨立,其中〔5-18〔5-19則〔5-20設(shè)輸入節(jié)點誤差為〔5-21則〔5-222誤差函數(shù)對隱層節(jié)點求導(dǎo)〔5-23E是多個的函數(shù),針對某一個,對應(yīng)一個,它與所有有關(guān),其中〔5-24〔5-25〔5-26則〔5-27設(shè)隱層節(jié)點誤差為〔5-28則〔5-29由于權(quán)值的修正,正比于誤差函數(shù)沿梯度下降,則有〔5-30〔5-31〔5-32〔5-33〔5-34〔5-35其中隱層節(jié)點誤差中的表示輸出節(jié)點的的誤差通過權(quán)值向節(jié)點反向傳播成為隱層節(jié)點的誤差。3閾值的修正閾值也是變化值,在修正權(quán)值的同時也需要修正,原理同權(quán)值修正一樣。誤差函數(shù)對輸出節(jié)點閾值求導(dǎo)〔5-36其中〔5-37〔5-38則〔5-39閾值修正〔5-40〔5-41誤差函數(shù)對隱層節(jié)點閾值求導(dǎo)〔5-42其中〔5-43〔5-44〔5-45則〔5-46閾值修正〔5-47〔5-48傳遞函數(shù)f<x>的導(dǎo)數(shù)S型函數(shù)則〔5-49〔5-50對輸出節(jié)點〔5-51〔5-52對輸出節(jié)點〔5-53〔5-54求函數(shù)梯度有兩種方法：遞增和批處理。遞增模式,就是每增加一個輸入樣本,重新計算一次梯度并調(diào)整權(quán)值；批處理模式,就是利用所有的輸入樣本計算梯度,然后調(diào)整權(quán)值。6、電力系統(tǒng)短期負(fù)荷預(yù)測建模及MATLAB實現(xiàn)6.1基于神經(jīng)網(wǎng)絡(luò)的預(yù)測原理〔1正向建模正向建模是訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)表達(dá)系統(tǒng)正向動態(tài)的過程,這一過程建立的神經(jīng)網(wǎng)絡(luò)模型稱為正向建模。正向建模的結(jié)構(gòu)如圖所示,其中神經(jīng)網(wǎng)絡(luò)與待辨別的系統(tǒng)并聯(lián),兩者的輸出誤差用做網(wǎng)絡(luò)的訓(xùn)練信號。顯然,這是一個典型的有教師學(xué)習(xí)問題,實際系統(tǒng)作為教師,向神經(jīng)網(wǎng)絡(luò)提供算法所需的期望輸出。當(dāng)系統(tǒng)是被控對象或傳統(tǒng)控制器時,神經(jīng)網(wǎng)絡(luò)多采用多層前向網(wǎng)絡(luò)的形式,可直接選用BP網(wǎng)絡(luò)或它的各種變形。而當(dāng)系統(tǒng)為性能評價器時,則可選擇再勵學(xué)習(xí)算法,這時網(wǎng)絡(luò)既可以采用具有全局逼近能力的網(wǎng)絡(luò),如多層感知器,也可選具有局部逼近能力的網(wǎng)絡(luò),如小腦模型關(guān)節(jié)控制器等。圖6.1正向建模結(jié)構(gòu)〔2逆向建模建立動態(tài)系統(tǒng)的逆模型,在神經(jīng)網(wǎng)絡(luò)控制中起著關(guān)鍵的作用,并且得到了特別廣泛的應(yīng)用。下面介紹其中一種比較簡單的直接逆向建模法。直接逆向建模也稱為廣義逆學(xué)習(xí),如圖6.2所示。從原理上說,這是一種最簡單的方法。由圖可見,擬預(yù)報的系統(tǒng)輸出作為網(wǎng)絡(luò)的輸入,網(wǎng)絡(luò)輸出與系統(tǒng)輸入比較,相應(yīng)的輸入誤差用于訓(xùn)練,因此網(wǎng)絡(luò)將通過學(xué)習(xí)建立系統(tǒng)的逆模型。但是如果所辨別的非線性系統(tǒng)是不可逆的,利用上述方法,將得到一個不正確的逆模型。因此,在建立系統(tǒng)逆模型時,可逆性應(yīng)該事先有所保證。圖6.2逆向建模結(jié)構(gòu)為了獲得良好的逆動力學(xué)特性,應(yīng)妥善選擇網(wǎng)絡(luò)訓(xùn)練所需的樣本集,使其比未知系統(tǒng)的實際運行范圍更大。但實際工作時的輸入信號很難事先給定,因為控制目標(biāo)是使系統(tǒng)輸出具有期望的運動,對于未知控制系統(tǒng)期望輸入不可能給出。另一方面,在系統(tǒng)預(yù)報中,為保證參數(shù)估計算法的一致收斂,必須使用一定的持續(xù)激勵的輸入信號。對于神經(jīng)網(wǎng)絡(luò),這是一個仍有待于進(jìn)一步研究的問題。6.2電力系統(tǒng)短期負(fù)荷預(yù)測建模及MATLAB實現(xiàn)負(fù)荷預(yù)測對電力系統(tǒng)控制、運行和計劃都有著重要的意義。電力系統(tǒng)負(fù)荷變化受多方面的影響,一方面,負(fù)荷變化存在著由未知不確定的因素引起的隨機的波動；另一方面,又具有周期變化的規(guī)律性,這也使得負(fù)荷曲線具有相似性。同時,由于受天氣、節(jié)假日等特殊情況的影響,又使負(fù)荷變化出現(xiàn)差異。由于神經(jīng)網(wǎng)絡(luò)所具有的較強的非線性映射等特性,它常被用于負(fù)荷預(yù)測。本文采用MATLAB軟件編程、仿真,具體過程如下所示：<1>問題描述電力系統(tǒng)負(fù)荷短期預(yù)報問題的解決辦法和方式可以分為統(tǒng)計技術(shù)、專家系統(tǒng)法和神經(jīng)網(wǎng)絡(luò)法等。眾所周知,負(fù)荷曲線是很多因素相關(guān)的一個非線性函數(shù)。對于抽樣和逼近這種非線性函數(shù),神經(jīng)網(wǎng)絡(luò)是一種合適的方法。神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于它具有模擬多變量而不需要對輸入變量做復(fù)雜的相關(guān)假設(shè)的能力。它不依靠專家經(jīng)驗,只利用觀察到的數(shù)據(jù),可以從訓(xùn)練過程中通過學(xué)習(xí)來抽樣和逼近隱含的輸入/輸出非線性的關(guān)系。近年來的研究表明,相對于前兩種方法,利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)報可獲得更高的精度。在對短期負(fù)荷進(jìn)行預(yù)報前,一個特別重要的問題是如何劃分負(fù)荷類型或日期類型?？v觀已經(jīng)發(fā)表的文獻(xiàn)資料,大體有以下幾種劃分模式：1將一周的7天分為工作日〔星期一到星期五和休息日〔星期六和星期天等兩種類型；2將一周分為星期一、星期二到星期四、星期五、星期六、星期天等5種類型。3將一周的7天每天都看做一種類型,共有7種類型。本文采用第1種負(fù)荷劃分模式,將一周的7天分為工作日〔星期一到星期五和休息日〔星期六和星期天等兩種類型。<2>輸入/輸出向量設(shè)計在預(yù)測日的前一天中,每1個小時對電力負(fù)荷進(jìn)行一次測量,這樣一來,一天共測得24組負(fù)荷數(shù)據(jù)。由于負(fù)荷值曲線相鄰的點之間不會發(fā)生突變,因此后一時刻的值必然和前一時刻的值有關(guān),除非出現(xiàn)重大事故等特殊情況。所以這里將前一天的實時負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。此外,由于電力負(fù)荷還與環(huán)境因素有關(guān),如最高和最低溫度等。因此,還需要通過天氣預(yù)報等手段獲得預(yù)測日的最高和最低溫度。這里將電力負(fù)荷預(yù)測日當(dāng)日的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入變量。因此,輸入變量就是一個26維的向量。顯而易見,目標(biāo)向量就是預(yù)測日當(dāng)天的24個負(fù)荷值,即一天中每個整點的電力負(fù)荷。這樣一來,輸出變量就成為一個24維的向量。獲得輸入和輸出變量后,要對其進(jìn)行歸一化處理,將數(shù)據(jù)處理為區(qū)間[0,1]之間的數(shù)據(jù)。歸一化方法有許多種形式,這里采用如下公式：〔6-1在樣本中,輸入向量為預(yù)測日前天的電力實際負(fù)荷數(shù)據(jù),目標(biāo)向量是預(yù)測日當(dāng)天的電力負(fù)荷。由于這都是實際的測量值,因此,這些數(shù)據(jù)可以對網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。如果從提高網(wǎng)絡(luò)精度的角度出發(fā),一方面可以增加網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)目,另一方面還可以增加輸入向量的維數(shù)。即,或者增加每日的測量點,或者把預(yù)測日前幾天的負(fù)荷數(shù)據(jù)作為輸入向量。目前,訓(xùn)練樣本數(shù)目的確定沒有通用的方法,一般認(rèn)為樣本過少可能使得網(wǎng)絡(luò)的表達(dá)不夠充分,從而導(dǎo)致網(wǎng)絡(luò)外推能力不夠；而樣本過多可能會出現(xiàn)樣本冗長現(xiàn)象,既增加了網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān),也可能出現(xiàn)信息量過剩使得網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象?？傊?樣本的選取過程需要注意代表性、均衡性和用電負(fù)荷的自身特點,從而選擇合理的訓(xùn)練樣本。<3>BP網(wǎng)絡(luò)的設(shè)計本文依據(jù)人工神經(jīng)網(wǎng)絡(luò)來建模,根據(jù)BP網(wǎng)絡(luò)來預(yù)測24點負(fù)荷。如圖6.3預(yù)測24點負(fù)荷的BP網(wǎng)絡(luò)。·············123824n1224輸出層隱層輸入層圖6.3預(yù)測24點負(fù)荷的BP網(wǎng)絡(luò)BP網(wǎng)絡(luò)是系統(tǒng)預(yù)測中應(yīng)用特別廣泛的一種網(wǎng)絡(luò)形式,因此,本文采用BP網(wǎng)絡(luò)對負(fù)荷值進(jìn)行預(yù)報。根據(jù)BP網(wǎng)絡(luò)來設(shè)計網(wǎng)絡(luò),一般的預(yù)測問題都可以通過單隱層的BP網(wǎng)絡(luò)實現(xiàn)。本文由于輸入向量有26個元素,所以網(wǎng)絡(luò)輸入層的神經(jīng)元有26個,經(jīng)過多次訓(xùn)練網(wǎng)絡(luò)中間層的神經(jīng)元可以取53個。而輸出向量有24個,所以輸出層中的神經(jīng)元應(yīng)該有24個。網(wǎng)絡(luò)中間層的神經(jīng)元傳輸函數(shù)采用S型正切函數(shù)tansig,輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig。這是因為函數(shù)的輸出位于區(qū)間[0,1]中,正好滿足網(wǎng)絡(luò)輸出的要求。利用以下代碼創(chuàng)建一個滿足上述要求的BP網(wǎng)絡(luò)：threshold=[01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01];net=newff<threshold,[53,24],{‘tansig’,’logsig’},’trainrp’>;其中,變量threshold用于規(guī)定輸入向量的最大值最小值,規(guī)定了網(wǎng)絡(luò)輸入向量的最大值為1,最小值為0?！畉rainrp’表示設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainrp,它采用BP算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)?！?網(wǎng)絡(luò)訓(xùn)練計算出預(yù)測日24點的歸一化系數(shù)網(wǎng)絡(luò)經(jīng)過訓(xùn)練后才可以用于電力負(fù)荷預(yù)測的實際應(yīng)用。考慮到網(wǎng)絡(luò)的結(jié)構(gòu)比較復(fù)雜,神經(jīng)元個數(shù)比較多,需要適當(dāng)增大訓(xùn)練次數(shù)和學(xué)習(xí)速率。訓(xùn)練參數(shù)的設(shè)定如表所示。表6.1訓(xùn)練參數(shù)訓(xùn)練次數(shù)訓(xùn)練目標(biāo)學(xué)習(xí)速率10000.010.1訓(xùn)練代碼如下：net.trainParam.epochs=1000;net.trainParam.goal=0.01;LP.lr=0.1;net=train<net,P,T>;%P為輸入向量,T為目標(biāo)向量休息日訓(xùn)練結(jié)果為：TRAINRP,Epoch0/1000,MSE0.22531/0.01,Gradient0.0874257/1e-006TRAINRP,Epoch17/1000,MSE0.00941281/0.01,Gradient0.00530143/1e-006TRAINRP,Performancegoalmet.工作日訓(xùn)練結(jié)果為:TRAINRP,Epoch0/1000,MSE0.255465/0.01,Gradient0.0755527/1e-006TRAINRP,Epoch22/1000,MSE0.00933507/0.01,Gradient0.00624565/1e-006TRAINRP,Performancegoalmet.可見,經(jīng)過次訓(xùn)練后,網(wǎng)絡(luò)誤差達(dá)到要求,結(jié)果如圖6.4<休息日訓(xùn)練結(jié)果>所示,圖6.5<工作日訓(xùn)練結(jié)果>所示。圖6.4<休息日>訓(xùn)練結(jié)果圖6.5<工作日>訓(xùn)練結(jié)果訓(xùn)練好的網(wǎng)絡(luò)還需要進(jìn)行測試才可以判定是否可以投入實際應(yīng)用。休息日測試代碼如下：P_test=[0.00000.01820.00000.00000.09750.56510.04560.35010.27100.00000.00000.00000.17960.00000.00000.00000.62840.57140.44690.38610.24280.01200.00000.01970.33060.0075]';Out=sim<net,P_test>;工作日測試代碼如下：P_test=[0.20620.13380.06000.04930.18380.05910.04280.46820.54790.33210.33610.30800.17220.26730.16600.18340.08730.55330.19410.51820.13810.15110.00000.24770.14510.2805]';Out=sim<net,P_test>;這里利用仿真函數(shù)sim來計算網(wǎng)絡(luò)的輸出。預(yù)報誤差曲線如圖6.6<休息日預(yù)報誤差曲線>所示,圖6.7<工作日預(yù)報誤差曲線>所示。圖6.6<休息日>預(yù)報誤差5結(jié)論分析電力負(fù)荷預(yù)測是電力調(diào)度、用電、計劃、規(guī)劃等部門的重要工作,國內(nèi)外關(guān)于短期負(fù)荷預(yù)測的文獻(xiàn)很多,但是由于電力負(fù)荷受諸多因素的影響和負(fù)荷本身的不確定性,使得迄今還沒有一種十分滿意的方法。本文