西南交大網(wǎng)絡(luò)教育畢業(yè)論文(電氣工程和自動(dòng)化)(電力機(jī)車)

..西南交通大學(xué)網(wǎng)絡(luò)教育學(xué)院畢業(yè)設(shè)計(jì)〔論文專業(yè)〔__12級(jí)電氣工程及自動(dòng)化〔電力機(jī)車專升本指導(dǎo)教師：學(xué)生姓名：學(xué)號(hào)：設(shè)計(jì)題目：電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的研究畢業(yè)設(shè)計(jì)成績(jī)?cè)u(píng)議表學(xué)生姓名班級(jí)指導(dǎo)教師姓名職稱

審閱人評(píng)語(yǔ)

審閱人：年月日答辯委員會(huì)綜合評(píng)語(yǔ)

主席：年月日論文成績(jī)

評(píng)語(yǔ)內(nèi)容包括：〔學(xué)術(shù)思想、方案選擇、設(shè)計(jì)〔論文達(dá)到的水平、設(shè)計(jì)〔論證有無(wú)錯(cuò)誤等。畢業(yè)設(shè)計(jì)〔論文任務(wù)書__12級(jí)電氣工程及自動(dòng)化〔電力機(jī)車學(xué)生__指導(dǎo)設(shè)計(jì)〔論文題目電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的研究主要研究?jī)?nèi)容隨著我國(guó)區(qū)域性電力市場(chǎng)的逐步建立和完善,短期負(fù)荷預(yù)測(cè)工作將在電力市場(chǎng)運(yùn)營(yíng)中占據(jù)十分重要的地位。國(guó)內(nèi)外的許多專家、學(xué)者在預(yù)測(cè)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(cè)的方法很多,可以分為經(jīng)典預(yù)測(cè)方法、傳統(tǒng)預(yù)測(cè)方法和智能預(yù)測(cè)方法等。經(jīng)典方法有回歸分析法和時(shí)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(cè)法、小波分析法；智能預(yù)測(cè)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(jì)劃是在一個(gè)調(diào)度周期內(nèi),根據(jù)負(fù)荷預(yù)報(bào),在滿足負(fù)荷需求和機(jī)組安全、啟停機(jī)限制的約束條件下,優(yōu)化選定各時(shí)段參加運(yùn)行的機(jī)組,決定機(jī)組開(kāi)停時(shí)間及其出力情況,使整個(gè)機(jī)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(jì)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(jì)任務(wù)并完成開(kāi)題報(bào)告；2、201..——.根據(jù)資料設(shè)計(jì)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(bào)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(cè).北京:中國(guó)電力出版社,2007趙希正.中國(guó)電力負(fù)荷特性分析與預(yù)測(cè).北京:中國(guó)電力出版社.2001肖國(guó)泉王春張福偉.電力負(fù)荷預(yù)測(cè).北京:中國(guó)電力出版社.2001蕭國(guó)泉徐繩均.電力規(guī)劃.北京:水利電力出版社,1993牛東曉曹樹(shù)華趙磊張文文.電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用.北京:中國(guó)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(yùn)行—模型與方法.XX大學(xué)出版社,1989開(kāi)題報(bào)告__學(xué)生__指導(dǎo)設(shè)計(jì)〔論文題目：電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的研究一、文獻(xiàn)綜述隨著我國(guó)區(qū)域性電力市場(chǎng)的逐步建立和完善,短期負(fù)荷預(yù)測(cè)工作將在電力市場(chǎng)運(yùn)營(yíng)中占據(jù)十分重要的地位。國(guó)內(nèi)外的許多專家、學(xué)者在預(yù)測(cè)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(cè)的方法很多,可以分為經(jīng)典預(yù)測(cè)方法、傳統(tǒng)預(yù)測(cè)方法和智能預(yù)測(cè)方法等。經(jīng)典方法有回歸分析法和時(shí)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(cè)法、小波分析法；智能預(yù)測(cè)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(jì)劃是在一個(gè)調(diào)度周期內(nèi),根據(jù)負(fù)荷預(yù)報(bào),在滿足負(fù)荷需求和機(jī)組安全、啟停機(jī)限制的約束條件下,優(yōu)化選定各時(shí)段參加運(yùn)行的機(jī)組,決定機(jī)組開(kāi)停時(shí)間及其出力情況,使整個(gè)機(jī)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(cè)主要用于電力系統(tǒng)規(guī)劃和制定發(fā)電計(jì)劃,還可以用于進(jìn)行系統(tǒng)充裕性評(píng)估、發(fā)電合同制定、合同電量分配、電價(jià)預(yù)測(cè)、預(yù)調(diào)度和實(shí)時(shí)調(diào)度等工作,從而提高系統(tǒng)運(yùn)行的經(jīng)濟(jì)性和可靠性。三、重點(diǎn)研究?jī)?nèi)容電力負(fù)荷預(yù)測(cè)是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,在滿足一定精度要求的意義下,確定未來(lái)某特定時(shí)刻的負(fù)荷數(shù)值。它包括對(duì)未來(lái)需求量的預(yù)測(cè)和未來(lái)用電量的預(yù)測(cè),基本預(yù)測(cè)方法主要有四種：長(zhǎng)期負(fù)荷預(yù)測(cè)、中期負(fù)荷預(yù)測(cè)、短期負(fù)荷預(yù)測(cè)、超短期負(fù)荷預(yù)測(cè)。由于負(fù)荷預(yù)測(cè)是根據(jù)電力負(fù)荷的過(guò)去和現(xiàn)在推測(cè)它的未來(lái)數(shù)值,所以負(fù)荷預(yù)測(cè)工作所研究的對(duì)象是不肯定事件。四、教師意見(jiàn)指導(dǎo)年月日中期報(bào)告__學(xué)生__指導(dǎo)設(shè)計(jì)〔論文題目電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的研究一、總體設(shè)計(jì)：短期負(fù)荷預(yù)測(cè)是負(fù)荷預(yù)測(cè)的重要組成部分,它主要用于預(yù)報(bào)未來(lái)幾小時(shí)、一天至幾天的電力負(fù)荷,對(duì)于調(diào)度安排開(kāi)停機(jī)計(jì)劃、機(jī)組最優(yōu)組合、最優(yōu)潮流、電力市場(chǎng)交易有著重要的意義。負(fù)荷預(yù)測(cè)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(cè)的核心問(wèn)題是預(yù)測(cè)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(cè)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(jì)算快的負(fù)荷預(yù)測(cè)方法,許多人在理論和實(shí)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(shí)踐中應(yīng)根據(jù)實(shí)際情況采用適當(dāng)?shù)呢?fù)荷預(yù)測(cè)方法。二、詳細(xì)設(shè)計(jì)：對(duì)電力負(fù)荷進(jìn)行科學(xué)短期預(yù)測(cè),基本程序如下：1.確定負(fù)荷預(yù)測(cè)目的,制訂預(yù)測(cè)計(jì)劃2.調(diào)查資料和選擇資料3.資料整理4.對(duì)資料的初步分析5.建立預(yù)測(cè)模型6.綜合分析,確定預(yù)測(cè)結(jié)果7.編寫預(yù)測(cè)報(bào)告,交付使用8.負(fù)荷預(yù)測(cè)管理三、設(shè)計(jì)完成情況設(shè)計(jì)已按要求完成。四、教師意見(jiàn)

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

指導(dǎo)教師評(píng)分〔優(yōu)、良、中、及格、不及格：

教師__年月日摘要隨著我國(guó)區(qū)域性電力市場(chǎng)的逐步建立和完善,短期負(fù)荷預(yù)測(cè)工作將在電力市場(chǎng)運(yùn)營(yíng)中占據(jù)十分重要的地位。國(guó)內(nèi)外的許多專家、學(xué)者在預(yù)測(cè)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(cè)的方法很多,可以分為經(jīng)典預(yù)測(cè)方法、傳統(tǒng)預(yù)測(cè)方法和智能預(yù)測(cè)方法等。經(jīng)典方法有回歸分析法和時(shí)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(cè)法、小波分析法；智能預(yù)測(cè)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(jì)劃是在一個(gè)調(diào)度周期內(nèi),根據(jù)負(fù)荷預(yù)報(bào),在滿足負(fù)荷需求和機(jī)組安全、啟停機(jī)限制的約束條件下,優(yōu)化選定各時(shí)段參加運(yùn)行的機(jī)組,決定機(jī)組開(kāi)停時(shí)間及其出力情況,使整個(gè)機(jī)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(cè)；機(jī)組組合；最優(yōu)潮流；回歸分析；時(shí)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(cè)綜述…………….........…………….91.1電力負(fù)荷預(yù)測(cè)的含義…………91.2電力負(fù)荷預(yù)測(cè)的意義……………102、電力負(fù)荷分析……………………….103、電力負(fù)荷預(yù)測(cè)的內(nèi)容及程序…………113.1電力負(fù)荷預(yù)測(cè)的內(nèi)容……………113.2電力負(fù)荷預(yù)測(cè)的程序……………134、電力負(fù)荷預(yù)測(cè)模型及基本算法………134.1電力負(fù)荷預(yù)測(cè)模型………………134.2電力負(fù)荷預(yù)測(cè)基本算法…………185、電力短期負(fù)荷預(yù)測(cè)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(cè)………………246、電力系統(tǒng)短期負(fù)荷預(yù)測(cè)建模及MATLAB實(shí)現(xiàn)…………286.1基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)原理…………………….286.2電力系統(tǒng)短期負(fù)荷預(yù)測(cè)建模及MATLAB實(shí)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(cè)對(duì)未來(lái)1日至1周的負(fù)荷進(jìn)行預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)是隨著電力系統(tǒng)EMS的逐步發(fā)展而發(fā)展起來(lái)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(yùn)行所必需的手段之一。隨著電力市場(chǎng)的建立和發(fā)展,對(duì)短期負(fù)荷預(yù)測(cè)提出了更高的要求,短期負(fù)荷預(yù)測(cè)不再僅僅是EMS的關(guān)鍵部分,同時(shí)也是制定電力市場(chǎng)交易計(jì)劃的基礎(chǔ)。電力系統(tǒng)負(fù)荷預(yù)測(cè)為這一地區(qū)電力規(guī)劃奠定了一定的基礎(chǔ),同時(shí)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(cè)是一項(xiàng)十分重要的工作,它對(duì)于保證電力工業(yè)的健康發(fā)展,乃至對(duì)于整個(gè)國(guó)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(cè)技術(shù)經(jīng)過(guò)幾十年的發(fā)展,人們提出了許多的預(yù)測(cè)方法?，F(xiàn)有的預(yù)測(cè)方法大體可以分為2類：經(jīng)典的數(shù)學(xué)統(tǒng)計(jì)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(jì)方法包括線性外推法、多元線性回歸法、時(shí)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(duì)大量歷史負(fù)荷數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析的基礎(chǔ)上,根據(jù)電力負(fù)荷的特點(diǎn),在考慮天氣溫度、日類型、實(shí)際歷史負(fù)荷等因素對(duì)預(yù)測(cè)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(cè)方法。其中首先根據(jù)實(shí)際經(jīng)驗(yàn)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(cè)負(fù)荷歸一化系數(shù)；最后通過(guò)最小二乘法預(yù)測(cè)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(duì)未來(lái)24小時(shí)負(fù)荷進(jìn)行短期預(yù)測(cè),該方法充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)處理非線性問(wèn)題的能力和。實(shí)際算例表明,這種方法應(yīng)用在短期負(fù)荷預(yù)測(cè)方面有較高的精度。1、電力負(fù)荷預(yù)測(cè)綜述1.1電力負(fù)荷預(yù)測(cè)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(duì)象,包括使用電力的部門、機(jī)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(cè)中的負(fù)荷概念是指國(guó)民經(jīng)濟(jì)整體或部門或地區(qū)對(duì)電力和電量消費(fèi)的歷史情況及未來(lái)的變化發(fā)展趨勢(shì)。電力負(fù)荷預(yù)測(cè)就是在正確的理論指導(dǎo)下,在調(diào)查研究掌握大量翔實(shí)資料的基礎(chǔ)上,運(yùn)用可靠的方法和手段對(duì)電力負(fù)荷的發(fā)展趨勢(shì)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(cè)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(gè)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(shí)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(shí)點(diǎn)的具體負(fù)荷。較高的預(yù)測(cè)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(cè)的意義電力用戶是電力工業(yè)的服務(wù)對(duì)象,電力負(fù)荷的不斷增長(zhǎng)是電力工業(yè)發(fā)展的根據(jù)。正確地預(yù)測(cè)電力負(fù)荷,既是為了保證無(wú)條件供應(yīng)國(guó)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(cè)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(guó)性的電力負(fù)荷預(yù)測(cè),為編制全國(guó)電力規(guī)劃提供依據(jù),它規(guī)定了全國(guó)電力工業(yè)的發(fā)展水平、發(fā)展速度、源動(dòng)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(duì)人力資源的需求量。本文運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)某市某年某月某日進(jìn)行電力負(fù)荷的短期預(yù)測(cè),它為這一地區(qū)電力規(guī)劃奠定了一定的基礎(chǔ),同時(shí)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(cè)是一項(xiàng)十分重要的工作,它對(duì)于保證電力工業(yè)的健康發(fā)展,乃至對(duì)于整個(gè)國(guó)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(duì)某市進(jìn)行電力短期負(fù)荷預(yù)測(cè),電力負(fù)荷的構(gòu)成與特點(diǎn)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(diǎn)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(zhǎng)的趨勢(shì),以及明顯的季節(jié)性波動(dòng)特點(diǎn),而且民用負(fù)荷的特點(diǎn)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(dòng)力等用電負(fù)荷,覆蓋面積大,且用電增長(zhǎng)平穩(wěn),商業(yè)負(fù)荷同樣具有季節(jié)性波動(dòng)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(shí)段。此外,商業(yè)部門由于商業(yè)行為在節(jié)假日會(huì)增加營(yíng)業(yè)時(shí)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(diǎn)、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(diǎn)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(shí)間與城市工業(yè)負(fù)荷高峰時(shí)間有差別,所以對(duì)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(diǎn)是經(jīng)常變化的,不但按小時(shí)變、按日變,而且按周變,按年變,同時(shí)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(guò)程,一般不會(huì)出現(xiàn)大的躍變,但電力負(fù)荷對(duì)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(huì)對(duì)負(fù)荷造成明顯的影響。3、電力負(fù)荷預(yù)測(cè)的內(nèi)容及程序3.1電力負(fù)荷預(yù)測(cè)的內(nèi)容電力負(fù)荷預(yù)測(cè)的內(nèi)容是指需要測(cè)算些什么量〔或參數(shù),歸納起來(lái)有以下一些參數(shù)需要測(cè)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(jī)規(guī)模的基礎(chǔ)數(shù)據(jù),換句話說(shuō)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(jī)容量。有功負(fù)荷的分布是輸電線路設(shè)計(jì)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(diǎn)是輸變電規(guī)劃和配電規(guī)劃的主要依據(jù)?！?無(wú)功負(fù)荷及其分布。無(wú)功負(fù)荷的大小及分布是確定電力系統(tǒng)無(wú)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(yùn)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(shí)間上的分布特征,對(duì)電力規(guī)劃及電力系統(tǒng)運(yùn)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(yùn)行方式及能源平衡的主要依據(jù)。負(fù)荷預(yù)測(cè)根據(jù)目的的不同可以分為超短期、短期、中期和長(zhǎng)期：①超短期負(fù)荷預(yù)測(cè)是指未來(lái)1h以內(nèi)的負(fù)荷預(yù)測(cè),在安全監(jiān)視狀態(tài)下,需要5～10s或1～5min的預(yù)測(cè)值,預(yù)防性控制和緊急狀態(tài)處理需要10min至1h的預(yù)測(cè)值。②短期負(fù)荷預(yù)測(cè)是指日負(fù)荷預(yù)測(cè)和周負(fù)荷預(yù)測(cè),分別用于安排日調(diào)度計(jì)劃和周調(diào)度計(jì)劃,包括確定機(jī)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(kù)調(diào)度和設(shè)備檢修等,對(duì)短期預(yù)測(cè),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(cè)是指月至年的負(fù)荷預(yù)測(cè),主要是確定機(jī)組運(yùn)行方式和設(shè)備大修計(jì)劃等。④長(zhǎng)期負(fù)荷預(yù)測(cè)是指未來(lái)3～5年甚至更長(zhǎng)時(shí)間段內(nèi)的負(fù)荷預(yù)測(cè),主要是電網(wǎng)規(guī)劃部門根據(jù)國(guó)民經(jīng)濟(jì)的發(fā)展和對(duì)電力負(fù)荷的需求,所作的電網(wǎng)改造和擴(kuò)建工作的遠(yuǎn)景規(guī)劃。對(duì)中、長(zhǎng)期負(fù)荷預(yù)測(cè),要特別研究國(guó)民經(jīng)濟(jì)發(fā)展、國(guó)家政策等的影響。3.2電力負(fù)荷預(yù)測(cè)的程序電力負(fù)荷預(yù)測(cè)是一個(gè)過(guò)程,其一般程序可劃分為準(zhǔn)備、實(shí)施、評(píng)價(jià)與提交預(yù)測(cè)報(bào)告四個(gè)階段。準(zhǔn)備階段準(zhǔn)備階段的工作是由確定預(yù)測(cè)目標(biāo)、落實(shí)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(cè)目標(biāo)。確定目標(biāo)就是要在明確預(yù)測(cè)目的前提下,規(guī)定預(yù)測(cè)對(duì)象的范圍、內(nèi)容和預(yù)測(cè)期限。一般而言,預(yù)測(cè)范圍視研究問(wèn)題所涉及的范圍而定,編制全國(guó)電力規(guī)劃,就要預(yù)測(cè)全國(guó)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(cè)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(cè)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(shí)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(cè)期限是指預(yù)測(cè)的時(shí)間長(zhǎng)短,一般電力規(guī)劃中負(fù)荷預(yù)測(cè)期限有短期預(yù)測(cè)〔即5年期預(yù)測(cè),中期預(yù)測(cè)〔即5—10年期預(yù)測(cè),及長(zhǎng)期預(yù)測(cè)〔即15年以上的預(yù)測(cè)。2搜集與整理資料。資料是預(yù)測(cè)的基本依據(jù),占有的資料的充裕程度及資料的可信度,對(duì)預(yù)測(cè)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(cè)時(shí)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(guó)民生產(chǎn)總值、國(guó)民收入等；國(guó)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(shì)；人口預(yù)測(cè)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(guó)外參考國(guó)家的上述類似歷史資料。這些資料的主要來(lái)源有兩種途徑：一是各國(guó)政府、研究機(jī)構(gòu)等定期或不定期發(fā)表的報(bào)刊、資料、文獻(xiàn)、和其他出版物；二是預(yù)測(cè)人員通過(guò)調(diào)查所獲得的資料。資料的來(lái)源統(tǒng)計(jì)計(jì)算口徑及調(diào)查方法不同,都有對(duì)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(guò)程中對(duì)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(cè)中使用的資料翔實(shí)可靠。3分析資料,選擇預(yù)測(cè)方法。對(duì)經(jīng)過(guò)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(cè)中常用的分析方法有多種,如時(shí)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(cè)方法,尋求預(yù)測(cè)量的演變規(guī)律或趨勢(shì),建立預(yù)測(cè)模型。沒(méi)有一種方法在任何預(yù)測(cè)場(chǎng)合下均可以保證獲得滿意的結(jié)果。因此,必須根據(jù)對(duì)資料的占有情況,以及預(yù)測(cè)目標(biāo)、預(yù)測(cè)期限,預(yù)測(cè)環(huán)境、預(yù)測(cè)結(jié)果的精確度,同時(shí)考慮預(yù)測(cè)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(shí)施預(yù)測(cè)階段在進(jìn)行預(yù)測(cè)時(shí),要依據(jù)選擇的預(yù)測(cè)方法來(lái)進(jìn)行預(yù)測(cè)。如果是采用定量預(yù)測(cè)方法來(lái)進(jìn)行預(yù)測(cè),就要根據(jù)建立的定量預(yù)測(cè)模型,帶入預(yù)測(cè)期的自變量目標(biāo)值,就可以獲得預(yù)測(cè)期所要的預(yù)測(cè)變量值。如果是采用定性預(yù)測(cè)方法來(lái)進(jìn)行預(yù)測(cè),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(cè)期的預(yù)測(cè)值。由于影響預(yù)測(cè)對(duì)象的諸因素可能會(huì)發(fā)生變化,從而可能使未來(lái)的實(shí)際結(jié)果與預(yù)測(cè)依據(jù)的歷史資料呈現(xiàn)的規(guī)律不相吻合,預(yù)測(cè)人員必須適時(shí)的對(duì)預(yù)測(cè)模型及預(yù)測(cè)結(jié)果加以修正。這種情況下,預(yù)測(cè)人員的經(jīng)驗(yàn)、理論素養(yǎng)及分析判斷能力起重要的作用?！?評(píng)價(jià)預(yù)測(cè)階段預(yù)測(cè)的主要成果是得到預(yù)測(cè)結(jié)果。預(yù)測(cè)結(jié)果應(yīng)該是明確的,可以被檢驗(yàn)的。因此,在得到預(yù)測(cè)結(jié)果后必須對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確度和可靠性進(jìn)行評(píng)價(jià)。務(wù)使預(yù)測(cè)誤差處于可接受的范圍內(nèi)。若誤差太大,就失去了預(yù)測(cè)的意義,并從而導(dǎo)致電力規(guī)劃的失誤。〔4題出預(yù)測(cè)報(bào)告階段預(yù)測(cè)報(bào)告是預(yù)測(cè)結(jié)果的文字表述。預(yù)測(cè)報(bào)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(cè)題目主要反映預(yù)測(cè)目標(biāo)、預(yù)測(cè)對(duì)象、預(yù)測(cè)范圍和預(yù)測(cè)時(shí)限。摘要通常說(shuō)明預(yù)測(cè)中的主要發(fā)現(xiàn)、預(yù)測(cè)的結(jié)果及提出的主要建議和意見(jiàn)。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(cè)過(guò)程、預(yù)測(cè)模型及說(shuō)明、有關(guān)計(jì)算方法、必要的圖表、預(yù)測(cè)的主要結(jié)論及對(duì)主要結(jié)論的評(píng)價(jià)。結(jié)論與建議是扼要地列出預(yù)測(cè)的主要結(jié)果,提出有關(guān)建議和意見(jiàn)。附錄主要包括說(shuō)明正文的附表、資料,預(yù)測(cè)中采用的計(jì)算方法的推導(dǎo)和說(shuō)明,以及正文中未列出的有價(jià)值的其他資料。4、電力負(fù)荷預(yù)測(cè)模型及基本算法4.1電力負(fù)荷預(yù)測(cè)模型針對(duì)影響系統(tǒng)負(fù)荷的因素,電力系統(tǒng)總負(fù)荷預(yù)測(cè)模型一般可以按四個(gè)分量模型描述為L(zhǎng)<t>=B<t>+W<t>+S<t>+V<t>〔4-1式中,L<t>為時(shí)刻t的系統(tǒng)總負(fù)荷；B<t>為時(shí)刻t的基本正常負(fù)荷分量；W<t>為時(shí)刻t的天氣敏感負(fù)荷分量；S<t>為時(shí)刻t的特別事件負(fù)荷分量；V<t>為時(shí)刻t的隨機(jī)負(fù)荷分量?；菊Ｘ?fù)荷分量模型不同的預(yù)測(cè)周期,B<t>分量具有不同的內(nèi)涵。對(duì)于超短期負(fù)荷預(yù)測(cè),B<t>近似線性變化,甚至是常數(shù)；對(duì)于短期負(fù)荷預(yù)測(cè),B<t>一般呈周期性變化；而中長(zhǎng)期負(fù)荷預(yù)測(cè)中,B<t>呈明顯增長(zhǎng)趨勢(shì)的周期性變化。所以,對(duì)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(shí)刻的負(fù)荷描述成一條直線,其延長(zhǎng)線即可預(yù)測(cè)下一時(shí)刻的負(fù)荷,如圖所示。短期負(fù)荷日均值接近于常數(shù),長(zhǎng)期負(fù)荷年均值增長(zhǎng)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(duì)短期負(fù)荷預(yù)測(cè),將歷史上一段日負(fù)荷L按時(shí)序畫在一張圖上,見(jiàn)圖4.1所示,將及每日平均負(fù)荷X畫在圖上,總體看來(lái)是一條斜率接近于零的直線,可用線性模型來(lái)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(lái)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(shí)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(shí)為周期循環(huán)變化。順序觀察每天同一時(shí)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(shí)刻的負(fù)荷變化系統(tǒng)值的平均值預(yù)測(cè)以后的值。逐小時(shí)作出日負(fù)荷變化系數(shù)的平均值,連接起來(lái)就是一天總的周期變化曲線。我們把這種反映一天24小時(shí)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(guò)去日負(fù)荷的天數(shù)；為過(guò)去第天第t小時(shí)負(fù)荷變化系數(shù)。這樣,按線性模型預(yù)測(cè)B<t>的負(fù)荷均值X<t>,按周期變化模型預(yù)測(cè)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(shuō)明天氣敏感負(fù)荷模型。以日負(fù)荷預(yù)測(cè)為例,給定過(guò)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(lái)描述天氣敏感負(fù)荷模型〔4-6式中,t為預(yù)測(cè)溫度,可以是一日最高溫度、最低溫度、平均溫度或是某時(shí)點(diǎn)溫度；,為電熱臨界溫度和斜率,時(shí)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(kāi)放,負(fù)荷和溫度沒(méi)什么關(guān)系?！?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(dòng)等對(duì)負(fù)荷造成的影響。其特點(diǎn)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(duì)負(fù)荷的影響程度,從而作出特別事件對(duì)負(fù)荷的修正規(guī)則。這種分析可以用專家系統(tǒng)方法來(lái)實(shí)現(xiàn),也可以簡(jiǎn)單的用人工修正來(lái)實(shí)現(xiàn)。人工修正方法通常用因子模型來(lái)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(gè)乘子k來(lái)表示特別事件對(duì)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(jī)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(jī)負(fù)荷分量。實(shí)際上,對(duì)于給定的過(guò)去一段時(shí)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(shí)刻的隨機(jī)負(fù)荷分量,可以看成是隨機(jī)時(shí)間序列。目前,處理這樣問(wèn)題的最有效辦法是Box-Jenkins的時(shí)間序列法,其基本的時(shí)間序列模型有下述4種。1自回歸模型一個(gè)自回歸模型〔AR描述的過(guò)程是它的現(xiàn)在值可以由本身的過(guò)去的有限項(xiàng)的加權(quán)和及一個(gè)干擾值a<t>〔假設(shè)為白噪聲來(lái)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(guò)去值通過(guò)模型辨別和參數(shù)估計(jì)來(lái)決定。2動(dòng)平均模型動(dòng)平均模型〔MA描述的過(guò)程是它的現(xiàn)在值V<t>可由其現(xiàn)在和過(guò)去的干擾值的有限項(xiàng)的加權(quán)和來(lái)表示,即〔4-10同樣,模型的階數(shù)q和系數(shù)〔=1,2,…,q,由過(guò)去的歷史值通過(guò)模型辨別和參數(shù)估計(jì)決定。3自回歸動(dòng)平均模型自回歸動(dòng)平均模型〔ARMA把它的現(xiàn)在值V<t>看作是它的過(guò)去值的有限項(xiàng)的加權(quán)和及其現(xiàn)在和過(guò)去干擾量的有限項(xiàng)加權(quán)的疊加,即〔4-114累積式自回歸動(dòng)平均模型非平穩(wěn)隨機(jī)過(guò)程多種多樣,一般常見(jiàn)的是含有趨勢(shì)項(xiàng)和周期項(xiàng)的非平穩(wěn)隨機(jī)過(guò)程。某些非平穩(wěn)隨機(jī)序列V<t>,例如均值不為0的非平穩(wěn)隨機(jī)過(guò)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(shì)變化的非平穩(wěn)隨機(jī)過(guò)程,有可能經(jīng)過(guò)若干次差分后才能平穩(wěn)化,即對(duì)V<t>作多次差分得到的是一個(gè)平穩(wěn)隨機(jī)過(guò)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(shí)間序列V<t>,它按固定的周期T呈現(xiàn)的規(guī)律變動(dòng)。如果每個(gè)時(shí)間點(diǎn)的值都和超前T的〔t-T值進(jìn)行差分運(yùn)算,那么〔1-V<t>就變成平穩(wěn)時(shí)間序列了,其中是周期為T的后移算子。所以,對(duì)于一個(gè)含有趨勢(shì)項(xiàng)的非平穩(wěn)隨機(jī)過(guò)程,可有下式來(lái)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(cè),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(cè)基本模型是指24小時(shí)的日負(fù)荷預(yù)測(cè)和168小時(shí)的周負(fù)荷預(yù)測(cè),列舉其預(yù)測(cè)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(lái)描敘,日負(fù)荷至周負(fù)荷的變化,受特別事件影響明顯,對(duì)應(yīng)特別事件負(fù)荷分量模型,同附和隨機(jī)負(fù)荷分量。線性變化模型用來(lái)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(shí)序畫在一張圖上,可以看出每日平均負(fù)荷有波動(dòng),總體趨勢(shì)是一條直線,可用線性模型表示。周期模型用來(lái)描敘24小時(shí)為周期的變化規(guī)律,在分析日負(fù)荷曲線形狀時(shí),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(shí)為周期循環(huán)變化。特別事件〔天氣負(fù)荷分量,考慮時(shí)可把特別天氣或天氣變化看作是特別時(shí)間和其它如特別節(jié)目,重大紀(jì)念活動(dòng)等合并作為特別事件考慮,也可以把有關(guān)天氣對(duì)負(fù)荷的影響和其他事件出現(xiàn)對(duì)負(fù)荷的影響分開(kāi)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(cè)精度,關(guān)鍵是科學(xué)合理地預(yù)測(cè)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(lái)做實(shí)際工作中一般做適當(dāng)簡(jiǎn)化,目前,常把特別事件和天氣對(duì)負(fù)荷的影響分開(kāi)考慮,特別事件用前已講過(guò)的乘子模型或疊加模型考慮；天氣變化對(duì)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(guò)線性同歸的辦法,來(lái)確定其關(guān)系。隨機(jī)負(fù)荷分量,一般由時(shí)間序列模型描述。4.2電力負(fù)荷預(yù)測(cè)基本算法電力負(fù)荷預(yù)測(cè)分為經(jīng)典預(yù)測(cè)方法和現(xiàn)代預(yù)測(cè)方法?！?經(jīng)典預(yù)測(cè)方法1時(shí)間序列法時(shí)間序列法是一種最為常見(jiàn)的短期負(fù)荷預(yù)測(cè)方法,它是針對(duì)整個(gè)觀測(cè)序列呈現(xiàn)出的某種隨機(jī)過(guò)程的特性,去建立和估計(jì)產(chǎn)生實(shí)際序列的隨機(jī)過(guò)程的模型,然后用這些模型去進(jìn)行預(yù)測(cè)。它利用了電力負(fù)荷變動(dòng)的慣性特征和時(shí)間上的延續(xù)性,通過(guò)對(duì)歷史數(shù)據(jù)時(shí)間序列的分析處理,確定其基本特征和變化規(guī)律,預(yù)測(cè)未來(lái)負(fù)荷。時(shí)間序列預(yù)測(cè)方法可分為確定型和隨機(jī)性兩類,確定型時(shí)間序列作為模型殘差用于估計(jì)預(yù)測(cè)區(qū)間的大小。隨機(jī)型時(shí)間序列預(yù)測(cè)模型可以看作一個(gè)線性濾波器。根據(jù)線性濾波器的特性,時(shí)間序列可劃為自回歸<AR>、動(dòng)平均<MA>、自回歸-動(dòng)平均<ARMA>、累計(jì)式自回歸-動(dòng)平均<ARIMA>、傳遞函數(shù)<TF>幾類模型,其負(fù)荷預(yù)測(cè)過(guò)程一般分為模型識(shí)別、模型參數(shù)估計(jì)、模型檢驗(yàn)、負(fù)荷預(yù)測(cè)、精度檢驗(yàn)預(yù)測(cè)值修正5個(gè)階段。時(shí)間列模型的缺點(diǎn)在于不能充分利用對(duì)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(bào)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(guò)去的歷史資料,建立可以分析的數(shù)學(xué)模型,對(duì)未來(lái)的負(fù)荷進(jìn)行預(yù)測(cè)。從數(shù)學(xué)上看,就是利用數(shù)理統(tǒng)計(jì)中的回歸分析方法,通過(guò)對(duì)變量的觀測(cè)數(shù)據(jù)進(jìn)行分析,確定變量之間的相互關(guān)系,從而實(shí)現(xiàn)預(yù)測(cè)目的?；貧w預(yù)測(cè)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(bào)結(jié)果,需要大量的計(jì)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(jì)方法具有速度快的優(yōu)點(diǎn),但是其預(yù)測(cè)模型比較簡(jiǎn)單,很難準(zhǔn)確描述負(fù)荷預(yù)測(cè)的實(shí)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(cè)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(cè)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(cè)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(shí)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(guò)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(cè)?；疑到y(tǒng)理論是中國(guó)學(xué)者鄧聚龍教授1982年3月在國(guó)際上首先提出來(lái)的,在國(guó)際期刊《SYSTEMSANDCONTROLLETTER》刊物上發(fā)表,題為"ControlProblemsofGreySystems",引起了國(guó)際上的充分重視?；疑到y(tǒng)理論的形成是有過(guò)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(lái),他接受了全國(guó)糧食預(yù)測(cè)的課題,為了搞好預(yù)測(cè)工作,他研究了概率統(tǒng)計(jì)追求大樣本量,必須先知道分布規(guī)律、發(fā)展趨勢(shì),而時(shí)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(zhǎng)時(shí)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(kāi)始并不順利,一時(shí)建立不起可供應(yīng)的模型。后來(lái),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(zhǎng)曲線,而指數(shù)增長(zhǎng)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(wèn)題,同時(shí)也考慮了有限和無(wú)限的相對(duì)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(wèn)題。2專家系統(tǒng)方法專家系統(tǒng)方法是對(duì)于數(shù)據(jù)庫(kù)里存放的過(guò)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(yàn)的負(fù)荷預(yù)測(cè)人員的知識(shí),提取有關(guān)規(guī)則。借助專家系統(tǒng),負(fù)荷預(yù)測(cè)人員能識(shí)別預(yù)測(cè)日所屬的類型,考慮天氣因素對(duì)負(fù)荷預(yù)測(cè)的影響,按照一定的推理進(jìn)行負(fù)荷預(yù)測(cè)。專家系統(tǒng)是一個(gè)用基于知識(shí)的程序設(shè)計(jì)方法建立起來(lái)的計(jì)算機(jī)系統(tǒng)〔在現(xiàn)階段主要表現(xiàn)為計(jì)算機(jī)系統(tǒng),它擁有某個(gè)特殊領(lǐng)域內(nèi)專家的知識(shí)和經(jīng)驗(yàn),并能像專家那樣運(yùn)用這些知識(shí),通過(guò)推理,在那個(gè)領(lǐng)域內(nèi)作出智能決策。所以,一個(gè)完整的專家系統(tǒng)是有四部分組成的,即知識(shí)庫(kù)、推理機(jī)、知識(shí)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(zhǎng)期負(fù)荷預(yù)測(cè)中的可行模型,針對(duì)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(cè)上,從而克服單一算法的片面性；同時(shí),全過(guò)程的程序化,使得方法還具有快速?zèng)Q斷的優(yōu)點(diǎn)。負(fù)荷預(yù)測(cè)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(cè)過(guò)程容易出現(xiàn)人為差錯(cuò)及預(yù)測(cè)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(yàn)知識(shí)和推理規(guī)則,使得假日或重大活動(dòng)日子的負(fù)荷預(yù)報(bào)精度得到了提高。但是,把專家知識(shí)和經(jīng)驗(yàn)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(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電力負(fù)荷預(yù)測(cè),其優(yōu)點(diǎn)是可以模仿人腦的智能化處理,對(duì)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(shí)推理和優(yōu)化計(jì)算的特點(diǎn),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(cè)被當(dāng)作人工神經(jīng)網(wǎng)絡(luò)〔簡(jiǎn)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(shí)間序列預(yù)測(cè)。誤差反向傳播算法又稱為BP法,提出一個(gè)簡(jiǎn)單的三層人工神經(jīng)網(wǎng)絡(luò)模型,就能實(shí)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(duì)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(jiàn)度、風(fēng)向風(fēng)力、峰谷負(fù)荷及相關(guān)負(fù)荷等,爭(zhēng)取獲得較好的預(yù)測(cè)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(jì)算機(jī)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(cè)未來(lái)負(fù)荷。由于該方法具有很強(qiáng)的魯棒性、記憶能力、非線性映射能力以及強(qiáng)大的自學(xué)習(xí)能力,因此有很大的應(yīng)用市場(chǎng),但其缺點(diǎn)是學(xué)習(xí)收斂速度慢,可能收斂到局部最小點(diǎn)；并且知識(shí)表達(dá)困難,難以充分利用調(diào)度人員經(jīng)驗(yàn)中存在的模糊知識(shí)。4小波分析預(yù)測(cè)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(gè)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(hào)處理、圖象處理、模式識(shí)別、地震預(yù)報(bào)、故障診斷、狀態(tài)監(jiān)視、CT成象、語(yǔ)言識(shí)別、雷達(dá)等十幾個(gè)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(duì)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(duì)Harr系進(jìn)行了改進(jìn),證明小波函數(shù)的存在。1984年法國(guó)地球物理學(xué)家Morlet在分析地震波的局部性時(shí),把小波運(yùn)用于對(duì)信號(hào)分解,取得了滿意的分析結(jié)果。隨后,理論物理學(xué)家Grossman對(duì)Morlet的這種信號(hào)方法進(jìn)行了理論研究,這無(wú)疑為小波分析的形成奠定了基礎(chǔ)。1986年,法國(guó)數(shù)學(xué)家Mayer創(chuàng)造性地構(gòu)造出了一個(gè)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(shí)現(xiàn)了信號(hào)在時(shí)頻空間同時(shí)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(jì)算機(jī)視覺(jué)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(hào)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(jì)算量,使小波分析具有工程實(shí)用價(jià)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(hào)的小波分解過(guò)程中提供有限的從而更實(shí)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(guó)作了10次小波講座,把小波介紹到工程界中,"小波熱"就開(kāi)始了。此后,中國(guó)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(hào)的最佳時(shí)頻分解。目前,國(guó)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(gè)領(lǐng)域還是很少,然而,由于其獨(dú)特的分析方法,在電力系統(tǒng)負(fù)荷預(yù)測(cè)方面一定會(huì)有很好的前景。小波分析是一種時(shí)域——頻域分析方法,它在時(shí)域和頻域上同時(shí)具有良好的局部化性質(zhì),并且能根據(jù)信號(hào)頻率高低自動(dòng)調(diào)節(jié)采樣的疏密,它容易捕捉和分析微弱信號(hào)以及信號(hào)、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(duì)不同的頻率成分采用逐漸精細(xì)的采樣步長(zhǎng),從而可以聚焦到信號(hào)的任意細(xì)節(jié),尤其是對(duì)奇異信號(hào)很敏感,能很好的處理微弱或突變的信號(hào),其目標(biāo)是將一個(gè)信號(hào)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(chǔ)、傳遞、分析或被用于重建原始信號(hào)。這些優(yōu)點(diǎn)決定了小波分析可以有效地應(yīng)用于負(fù)荷預(yù)測(cè)問(wèn)題的研究。5模糊負(fù)荷預(yù)測(cè)模糊負(fù)荷預(yù)測(cè)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(duì)一些無(wú)法構(gòu)造數(shù)學(xué)模型的被控過(guò)程進(jìn)行有效控制。模糊系統(tǒng)不管其是如何進(jìn)行計(jì)算的,從輸入輸出的角度講它是一個(gè)非線性函數(shù)。模糊系統(tǒng)對(duì)于任意一個(gè)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(gè)解模糊方法,使得設(shè)計(jì)出的模糊系統(tǒng)能夠任意逼近這個(gè)非線性函數(shù)。下面介紹模糊預(yù)測(cè)的一些基本方法。①表格查尋法：表格法是一種相對(duì)簡(jiǎn)單明了的算法。這個(gè)方法的基本思想是從已知輸入—輸出數(shù)據(jù)對(duì)中產(chǎn)生模糊規(guī)則,形成一個(gè)模糊規(guī)則庫(kù),最終的模糊邏輯系統(tǒng)將從組合模糊規(guī)則庫(kù)中產(chǎn)生。這是一種簡(jiǎn)單易行的易于理解的算法,因?yàn)樗莻€(gè)順序生成過(guò)程,無(wú)需反復(fù)學(xué)習(xí),因此,這個(gè)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(diǎn),即構(gòu)造起來(lái)既簡(jiǎn)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(cè)算法：它是利用神經(jīng)網(wǎng)絡(luò)來(lái)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(lái)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(cè)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(cè)效果,但是它對(duì)輸入變量的要求較高等缺點(diǎn),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(shí)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(hào)和模糊權(quán)。對(duì)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(diǎn)是模型精度不高,訓(xùn)練時(shí)間太長(zhǎng)。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(gè)致密集上的非線性函數(shù),其優(yōu)勢(shì)在于它有能夠系統(tǒng)而有效地利用語(yǔ)言信息的能力。萬(wàn)能逼近定理表明一定存在這樣一個(gè)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(lái)確定高斯型模糊邏輯系統(tǒng)的參數(shù),經(jīng)過(guò)辨識(shí)的模型能夠很好的逼近真實(shí)系統(tǒng),進(jìn)而達(dá)到提高預(yù)測(cè)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(shí)間太長(zhǎng),收斂較慢等缺點(diǎn)。5、電力短期負(fù)荷預(yù)測(cè)研究5.1基于溫度準(zhǔn)則的外推方法對(duì)于日負(fù)荷預(yù)測(cè)來(lái)說(shuō),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(duì)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(guò)去數(shù)個(gè)同類型日得出預(yù)測(cè)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(gè)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(cè)到預(yù)測(cè)日最高溫度和最低溫度出情況下,預(yù)測(cè)出預(yù)測(cè)日的最大負(fù)荷和最小負(fù)荷,再由預(yù)測(cè)日的負(fù)荷變化系數(shù),最終求出預(yù)測(cè)日的各點(diǎn)負(fù)荷預(yù)測(cè)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(cè)方法原理圖下面敘述該辦法具體計(jì)算步驟：1確定預(yù)測(cè)日類型是工作日還是休息日。2取和預(yù)測(cè)日同類型的過(guò)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(shí)負(fù)荷數(shù)據(jù)的歸一化值；為第k日第小時(shí)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(cè)日的日負(fù)荷變化系數(shù)〔5-2其中為該類型日第小時(shí)負(fù)荷系數(shù)。4讀取預(yù)測(cè)地區(qū)該預(yù)測(cè)日的最高溫度和最低溫度。5計(jì)算預(yù)測(cè)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(guò)去幾天的最大負(fù)荷和最小負(fù)荷記錄及對(duì)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(jì)算預(yù)測(cè)的每小時(shí)負(fù)荷〔5-7其中為第小時(shí)預(yù)測(cè)負(fù)荷<=1,2,…,24>。上面計(jì)算日負(fù)荷變化系數(shù),是選擇最近幾個(gè)同類型日,然后取平均值來(lái)求得,實(shí)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(cè)日的天其對(duì)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(lái)考慮對(duì)負(fù)荷的影響,實(shí)際應(yīng)用中,對(duì)應(yīng)一小的電網(wǎng),或某一集中地區(qū)的負(fù)荷預(yù)測(cè),有其合理性和可操作性,同時(shí)將帶來(lái)預(yù)測(cè)精度的提高。而對(duì)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(gè)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(guò)去歷史負(fù)荷,各子區(qū)域溫度數(shù)據(jù),通過(guò)最小二乘方法估計(jì)參數(shù),然后,按下式求預(yù)測(cè)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(cè)〔1人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介及其原理1神經(jīng)網(wǎng)絡(luò)簡(jiǎn)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(shí)現(xiàn)的系統(tǒng)來(lái)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(guó)際著名的神經(jīng)網(wǎng)絡(luò)專家,第一家神經(jīng)計(jì)算機(jī)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(gè)以有向圖為拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)系統(tǒng),它通過(guò)對(duì)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(lái)的十分熱門的交叉學(xué)科,它涉及生物、電子、計(jì)算機(jī)、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(duì)日前和末來(lái)的科學(xué)技術(shù)的發(fā)展有重要的影響。二維的簡(jiǎn)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(dòng)力學(xué)系統(tǒng),它具有極復(fù)雜的動(dòng)力學(xué)特性。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無(wú)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(qiáng)的計(jì)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(duì)電力系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測(cè)。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(shí),各個(gè)神經(jīng)元通過(guò)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(méi)有經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的權(quán)值是沒(méi)有任何意義的,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程就是通過(guò)已知數(shù)據(jù)確定權(quán)值的過(guò)程。即通過(guò)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(duì)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(cè)。從已知數(shù)據(jù)確定權(quán)值是一個(gè)無(wú)約束最優(yōu)化問(wèn)題,典型的算法是BP法,對(duì)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(shuō)的抽象是從數(shù)學(xué)角度而言,所謂模擬是對(duì)神經(jīng)元的結(jié)構(gòu)和功能而言,相當(dāng)于一個(gè)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(guò)一定的結(jié)構(gòu)組織起來(lái),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(gè)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(gè)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(guò)程模仿人的學(xué)習(xí)過(guò)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(wú)導(dǎo)師學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。學(xué)習(xí)是一個(gè)相對(duì)持久的變化過(guò)程,學(xué)習(xí)往往也是一個(gè)推理過(guò)程,例如通過(guò)經(jīng)驗(yàn)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(guò)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(jī)<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(guò)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(lái)分析數(shù)據(jù)和處理問(wèn)題。神經(jīng)元網(wǎng)絡(luò)的工作過(guò)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(duì)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(guò)程。假設(shè)三層BP網(wǎng)絡(luò),輸入節(jié)點(diǎn),隱層節(jié)點(diǎn),輸出節(jié)點(diǎn).輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為,隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為.當(dāng)輸出節(jié)點(diǎn)的期望值為時(shí),模型的計(jì)算公式如下:隱層節(jié)點(diǎn)的輸出〔5-12其中〔5-13輸出節(jié)點(diǎn)的計(jì)算輸出〔5-14其中〔5-15輸出節(jié)點(diǎn)的誤差〔5-16誤差函數(shù)對(duì)輸出節(jié)點(diǎn)求導(dǎo)〔5-17E是多個(gè)的函數(shù).但有一個(gè)與有關(guān),各間相互獨(dú)立,其中〔5-18〔5-19則〔5-20設(shè)輸入節(jié)點(diǎn)誤差為〔5-21則〔5-222誤差函數(shù)對(duì)隱層節(jié)點(diǎn)求導(dǎo)〔5-23E是多個(gè)的函數(shù),針對(duì)某一個(gè),對(duì)應(yīng)一個(gè),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(diǎn)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(diǎn)誤差中的表示輸出節(jié)點(diǎn)的的誤差通過(guò)權(quán)值向節(jié)點(diǎn)反向傳播成為隱層節(jié)點(diǎn)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(shí)也需要修正,原理同權(quán)值修正一樣。誤差函數(shù)對(duì)輸出節(jié)點(diǎn)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(duì)隱層節(jié)點(diǎn)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(duì)輸出節(jié)點(diǎn)〔5-51〔5-52對(duì)輸出節(jié)點(diǎn)〔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(gè)輸入樣本,重新計(jì)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(jì)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(cè)建模及MATLAB實(shí)現(xiàn)6.1基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)原理〔1正向建模正向建模是訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)表達(dá)系統(tǒng)正向動(dòng)態(tài)的過(guò)程,這一過(guò)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(hào)。顯然,這是一個(gè)典型的有教師學(xué)習(xí)問(wèn)題,實(shí)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(duì)象或傳統(tǒng)控制器時(shí),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(píng)價(jià)器時(shí),則可選擇再勵(lì)學(xué)習(xí)算法,這時(shí)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(dòng)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(jiǎn)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(shuō),這是一種最簡(jiǎn)單的方法。由圖可見(jiàn),擬預(yù)報(bào)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(guò)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(gè)不正確的逆模型。因此,在建立系統(tǒng)逆模型時(shí),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(dòng)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(shí)際運(yùn)行范圍更大。但實(shí)際工作時(shí)的輸入信號(hào)很難事先給定,因?yàn)榭刂颇繕?biāo)是使系統(tǒng)輸出具有期望的運(yùn)動(dòng),對(duì)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(bào)中,為保證參數(shù)估計(jì)算法的一致收斂,必須使用一定的持續(xù)激勵(lì)的輸入信號(hào)。對(duì)于神經(jīng)網(wǎng)絡(luò),這是一個(gè)仍有待于進(jìn)一步研究的問(wèn)題。6.2電力系統(tǒng)短期負(fù)荷預(yù)測(cè)建模及MATLAB實(shí)現(xiàn)負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)控制、運(yùn)行和計(jì)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(jī)的波動(dòng)；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(shí),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(qiáng)的非線性映射等特性,它常被用于負(fù)荷預(yù)測(cè)。本文采用MATLAB軟件編程、仿真,具體過(guò)程如下所示：<1>問(wèn)題描述電力系統(tǒng)負(fù)荷短期預(yù)報(bào)問(wèn)題的解決辦法和方式可以分為統(tǒng)計(jì)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(gè)非線性函數(shù)。對(duì)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(diǎn)在于它具有模擬多變量而不需要對(duì)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(yàn),只利用觀察到的數(shù)據(jù),可以從訓(xùn)練過(guò)程中通過(guò)學(xué)習(xí)來(lái)抽樣和逼近隱含的輸入/輸出非線性的關(guān)系。近年來(lái)的研究表明,相對(duì)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(bào)可獲得更高的精度。在對(duì)短期負(fù)荷進(jìn)行預(yù)報(bào)前,一個(gè)特別重要的問(wèn)題是如何劃分負(fù)荷類型或日期類型。縱觀已經(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(jì)在預(yù)測(cè)日的前一天中,每1個(gè)小時(shí)對(duì)電力負(fù)荷進(jìn)行一次測(cè)量,這樣一來(lái),一天共測(cè)得24組負(fù)荷數(shù)據(jù)。由于負(fù)荷值曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變,因此后一時(shí)刻的值必然和前一時(shí)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(shí)時(shí)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(guò)天氣預(yù)報(bào)等手段獲得預(yù)測(cè)日的最高和最低溫度。這里將電力負(fù)荷預(yù)測(cè)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(gè)26維的向量。顯而易見(jiàn),目標(biāo)向量就是預(yù)測(cè)日當(dāng)天的24個(gè)負(fù)荷值,即一天中每個(gè)整點(diǎn)的電力負(fù)荷。這樣一來(lái),輸出變量就成為一個(gè)24維的向量。獲得輸入和輸出變量后,要對(duì)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(cè)日前天的電力實(shí)際負(fù)荷數(shù)據(jù),目標(biāo)向量是預(yù)測(cè)日當(dāng)天的電力負(fù)荷。由于這都是實(shí)際的測(cè)量值,因此,這些數(shù)據(jù)可以對(duì)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(cè)量點(diǎn),或者把預(yù)測(cè)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(méi)有通用的方法,一般認(rèn)為樣本過(guò)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(guò)多可能會(huì)出現(xiàn)樣本冗長(zhǎng)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(guò)剩使得網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象?？傊?樣本的選取過(guò)程需要注意代表性、均衡性和用電負(fù)荷的自身特點(diǎn),從而選擇合理的訓(xùn)練樣本。<3>BP網(wǎng)絡(luò)的設(shè)計(jì)本文依據(jù)人工神經(jīng)網(wǎng)絡(luò)來(lái)建模,根據(jù)BP網(wǎng)絡(luò)來(lái)預(yù)測(cè)24點(diǎn)負(fù)荷。如圖6.3預(yù)測(cè)24點(diǎn)負(fù)荷的BP網(wǎng)絡(luò)?！ぁぁぁぁぁぁぁぁぁぁぁぁ?23824n1224輸出層隱層輸入層圖6.3預(yù)測(cè)24點(diǎn)負(fù)荷的BP網(wǎng)絡(luò)BP網(wǎng)絡(luò)是系統(tǒng)預(yù)測(cè)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(duì)負(fù)荷值進(jìn)行預(yù)報(bào)。根據(jù)BP網(wǎng)絡(luò)來(lái)設(shè)計(jì)網(wǎng)絡(luò),一般的預(yù)測(cè)問(wèn)題都可以通過(guò)單隱層的BP網(wǎng)絡(luò)實(shí)現(xiàn)。本文由于輸入向量有26個(gè)元素,所以網(wǎng)絡(luò)輸入層的神經(jīng)元有26個(gè),經(jīng)過(guò)多次訓(xùn)練網(wǎng)絡(luò)中間層的神經(jīng)元可以取53個(gè)。而輸出向量有24個(gè),所以輸出層中的神經(jīng)元應(yīng)該有24個(gè)。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(duì)數(shù)函數(shù)logsig。這是因?yàn)楹瘮?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(gè)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(jì)算出預(yù)測(cè)日24點(diǎn)的歸一化系數(shù)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后才可以用于電力負(fù)荷預(yù)測(cè)的實(shí)際應(yīng)用?？紤]到網(wǎng)絡(luò)的結(jié)構(gòu)比較復(fù)雜,神經(jīng)元個(gè)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(jiàn),經(jīng)過(guò)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(cè)試才可以判定是否可以投入實(shí)際應(yīng)用。休息日測(cè)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(cè)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(lái)計(jì)算網(wǎng)絡(luò)的輸出。預(yù)報(bào)誤差曲線如圖6.6<休息日預(yù)報(bào)誤差曲線>所示,圖6.7<工作日預(yù)報(bào)誤差曲線>所示。圖6.6<休息日>預(yù)報(bào)誤差5結(jié)論分析電力負(fù)荷預(yù)測(cè)是電力調(diào)度、用電、計(jì)劃、規(guī)劃等部門的重要工作,國(guó)內(nèi)外關(guān)于短期負(fù)荷預(yù)測(cè)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(méi)有一種十分滿意的方法。本文