《基于BP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究》16000字（論文）

---33-1前言1.1電力系統(tǒng)負(fù)荷預(yù)測(cè)簡(jiǎn)介電力系統(tǒng)的負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃和設(shè)計(jì)的基礎(chǔ)，是對(duì)于長(zhǎng)期規(guī)劃的重要組成部分，同時(shí)也決定電力系統(tǒng)的平穩(wěn)運(yùn)行。電力系統(tǒng)的組成主要包括發(fā)、輸、變等五個(gè)環(huán)節(jié)。但是因?yàn)殡娔鼙仨毐ＷC用戶和發(fā)電之間的平衡且難以儲(chǔ)存的特點(diǎn)，為避免出現(xiàn)電能的過(guò)剩以及需求不足的情況發(fā)生。為解決此問題，需要了解用電量的規(guī)律，因此需要對(duì)電力系統(tǒng)負(fù)荷進(jìn)行預(yù)測(cè)也是解決供需問題的關(guān)鍵。電力系統(tǒng)負(fù)荷預(yù)測(cè)時(shí)考慮的因素主要有金融貿(mào)易流通情況、每平方公里人口居住數(shù)量以及天氣、溫度等條件，預(yù)測(cè)未來(lái)用戶對(duì)電量的需求。運(yùn)用適當(dāng)?shù)臄?shù)學(xué)模型以及計(jì)算軟件完成對(duì)數(shù)據(jù)的處理和分析。從而得到預(yù)測(cè)數(shù)據(jù)的規(guī)律。電力系統(tǒng)是維護(hù)系統(tǒng)合理穩(wěn)定運(yùn)行的關(guān)鍵，電網(wǎng)中用戶合理地被分配電能依據(jù)負(fù)荷預(yù)測(cè)。目前電力系統(tǒng)負(fù)荷預(yù)測(cè)按照預(yù)測(cè)周期的長(zhǎng)短可劃分為短期、中期以及長(zhǎng)期。（1）超短期負(fù)荷預(yù)測(cè)在電力系統(tǒng)中規(guī)定以每小時(shí)為單位的電力系統(tǒng)負(fù)荷變化的趨勢(shì)，根據(jù)變化處理其中的供需關(guān)系，平衡用戶和系統(tǒng)發(fā)出的功率。由于預(yù)測(cè)時(shí)間很短暫不考慮氣候和天氣的影響，可偶爾加入溫度的變化修正模型。（2）短期負(fù)荷預(yù)測(cè)電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)是以小時(shí)或者天以及周為時(shí)間單位，根據(jù)電力負(fù)荷變化以及用戶對(duì)電能質(zhì)量的要求。在短期負(fù)荷預(yù)測(cè)中要考慮天氣變化的影響。（3）中期負(fù)荷預(yù)測(cè)電力系統(tǒng)中期負(fù)荷預(yù)測(cè)是以年和月為時(shí)間單位對(duì)電力系統(tǒng)負(fù)荷的變化規(guī)律進(jìn)行分析并進(jìn)行統(tǒng)計(jì)學(xué)計(jì)算。由于預(yù)測(cè)周期相對(duì)于短期和超短期負(fù)荷時(shí)間長(zhǎng)，因此要考慮天氣氣候、溫度以及金融貿(mào)易流通狀態(tài)等參數(shù)對(duì)負(fù)荷的影響。中期負(fù)荷預(yù)測(cè)一般被用于電力系統(tǒng)中火電廠的發(fā)電計(jì)劃和周期性檢修等工作。（4）長(zhǎng)期負(fù)荷預(yù)測(cè)電力系統(tǒng)長(zhǎng)期負(fù)荷預(yù)測(cè)一般考慮未來(lái)5-10年內(nèi)電力系統(tǒng)變化的情況。由于預(yù)測(cè)的周期長(zhǎng)，受各種因素的影響隨之增大，預(yù)測(cè)的難度也相應(yīng)的增大。1.2電力系統(tǒng)負(fù)荷預(yù)測(cè)的基本原則電力系統(tǒng)預(yù)測(cè)中常用的方法主要有反饋、類推以及規(guī)律預(yù)測(cè)等相關(guān)方法。（1）反饋原則電力系統(tǒng)預(yù)測(cè)的準(zhǔn)確程度取決于預(yù)測(cè)對(duì)象有用信息的數(shù)量以及完整性和可靠性，預(yù)測(cè)信息數(shù)量越多可靠性越高，則預(yù)測(cè)得到的精度越高預(yù)測(cè)的誤差越小。無(wú)效或者不可靠的數(shù)據(jù)可導(dǎo)致預(yù)測(cè)記過(guò)出現(xiàn)較大的偏差，無(wú)效的信息越多，最后得到預(yù)測(cè)的偏差與實(shí)際的數(shù)據(jù)差的越大。反饋原則的使用可將所有信息中的無(wú)效數(shù)據(jù)剔除，用來(lái)提高預(yù)測(cè)結(jié)果的準(zhǔn)確性。（2）類推原則事件的發(fā)展是存在著固定的規(guī)律，因此類似的事件都可以進(jìn)行類比原則進(jìn)行推理?？蓪⒆罱臍v史發(fā)展規(guī)律和未來(lái)事件的規(guī)律。因此用類推原則，用歷年可考的數(shù)據(jù)對(duì)今年的數(shù)據(jù)高峰值進(jìn)行預(yù)測(cè)。（3）概率推測(cè)原則往往事件的發(fā)展不一定是按照規(guī)律進(jìn)行，而是具有很大的隨機(jī)性，而且目前在對(duì)于隨機(jī)事件處理的算法方面還不是很成熟，由于隨機(jī)事件的發(fā)展規(guī)律以及影響的因素不能用數(shù)學(xué)公式進(jìn)行表達(dá)，導(dǎo)致負(fù)荷預(yù)測(cè)的結(jié)果不能滿足電力系統(tǒng)負(fù)荷預(yù)測(cè)的需求。但是可以通過(guò)對(duì)這些影響因素進(jìn)行統(tǒng)計(jì)學(xué)的檢驗(yàn)，所以預(yù)測(cè)人員可通過(guò)對(duì)電力系統(tǒng)的諸多因素進(jìn)行負(fù)荷分析，利用統(tǒng)計(jì)學(xué)中概率的原理對(duì)負(fù)荷進(jìn)行準(zhǔn)確的預(yù)測(cè)，實(shí)現(xiàn)概率推斷。統(tǒng)計(jì)學(xué)和概率方法是概率推測(cè)模型的理論基礎(chǔ)。（4）相關(guān)原則任何事物之間的發(fā)展都是有聯(lián)系的，其中存在著因果關(guān)系。例如在社會(huì)經(jīng)濟(jì)快速發(fā)展的情況，天氣的原因?qū)е码娏ο到y(tǒng)中用戶的用電量增加。具有相關(guān)性的事物在發(fā)展的過(guò)程中存在著相互的影響，可通過(guò)相關(guān)原則實(shí)現(xiàn)對(duì)電力系統(tǒng)可行性的分析。（5）連續(xù)原則事物的發(fā)展規(guī)律往往和過(guò)去的行為之間存在著連貫性，即過(guò)去的事件影響未來(lái)事件的發(fā)展。在事件的發(fā)展過(guò)程中保持各種因素保持不變，未來(lái)的電力系統(tǒng)負(fù)荷的變化可通過(guò)過(guò)去事件的規(guī)律進(jìn)行預(yù)測(cè)?；谶B續(xù)性的原則可實(shí)現(xiàn)對(duì)負(fù)荷的電量和需求進(jìn)行理論上的預(yù)測(cè)，在數(shù)據(jù)中挑出與預(yù)測(cè)精度和歷史相關(guān)的數(shù)據(jù)。1.3電力系統(tǒng)負(fù)荷預(yù)測(cè)的目的和意義電力系統(tǒng)的預(yù)測(cè)主要是在根據(jù)當(dāng)?shù)氐臍v史用電量、氣候和經(jīng)濟(jì)總量等各個(gè)方面的歷史數(shù)據(jù)建立電力系統(tǒng)的負(fù)荷要求與影響函數(shù)之間的函數(shù)關(guān)系。電力系統(tǒng)的負(fù)荷精度以及等級(jí)越高，電力系統(tǒng)中規(guī)劃的成本適當(dāng)降低，對(duì)未來(lái)階段電力系統(tǒng)的參考價(jià)值就越大，系統(tǒng)運(yùn)行的可靠性也越高。對(duì)于電力系統(tǒng)中長(zhǎng)期的負(fù)荷預(yù)測(cè)，由于其預(yù)測(cè)的周期長(zhǎng)，且需要考慮外界環(huán)境的影響因素多，很多因素又難以用數(shù)學(xué)公式量化表示，對(duì)中長(zhǎng)期的負(fù)荷預(yù)測(cè)難以達(dá)到預(yù)期的預(yù)測(cè)精度。當(dāng)負(fù)荷預(yù)測(cè)的精度偏低時(shí)，電網(wǎng)中的供需關(guān)系難以平衡，會(huì)出現(xiàn)系統(tǒng)中負(fù)荷供不應(yīng)求的現(xiàn)象發(fā)生。因此提高中長(zhǎng)期負(fù)荷預(yù)測(cè)的精度，建立一個(gè)可提高反映電力系統(tǒng)負(fù)荷變化數(shù)據(jù)模型是十分重要。1.4國(guó)內(nèi)外的研究現(xiàn)狀隨著電力系統(tǒng)的快速發(fā)展以及負(fù)荷需求的增加，電力系統(tǒng)負(fù)荷預(yù)測(cè)在電力生產(chǎn)以及分配過(guò)程有著決定性的作用。隨著時(shí)間的不斷推移，電力系統(tǒng)負(fù)荷預(yù)測(cè)技術(shù)的不斷發(fā)展與成熟，現(xiàn)今已經(jīng)成為電力系統(tǒng)中一個(gè)綜合性的研究學(xué)科，隨著電力系統(tǒng)負(fù)荷預(yù)測(cè)學(xué)科的發(fā)展，現(xiàn)在電力系統(tǒng)負(fù)荷預(yù)測(cè)可分為經(jīng)典預(yù)測(cè)、傳統(tǒng)預(yù)測(cè)以及現(xiàn)代負(fù)荷預(yù)測(cè)等方法。1.4.1經(jīng)典預(yù)測(cè)方法經(jīng)典電力負(fù)荷預(yù)測(cè)方法主要是由電力系統(tǒng)專家將電力系統(tǒng)參數(shù)變量聯(lián)系一起，對(duì)未來(lái)階段內(nèi)電力負(fù)荷預(yù)測(cè)的方法，雖然經(jīng)典預(yù)測(cè)方法在幾種預(yù)測(cè)中比較簡(jiǎn)單，得到的計(jì)算結(jié)果也很快，但是預(yù)測(cè)的精度很難達(dá)到預(yù)期的要求。經(jīng)典預(yù)測(cè)方法主要包括產(chǎn)值單耗、負(fù)荷密度以及電力彈性系數(shù)等預(yù)測(cè)方法。產(chǎn)值單耗法也被稱為單位產(chǎn)品耗電法，該方法是通過(guò)對(duì)每一個(gè)每一產(chǎn)品單位耗電產(chǎn)生的經(jīng)濟(jì)效益，結(jié)合當(dāng)?shù)氐慕?jīng)濟(jì)指標(biāo)以及效益，進(jìn)行推演得到商業(yè)用電量與居民用電量進(jìn)行疊加得到當(dāng)?shù)氐慕?jīng)濟(jì)總量。此時(shí)這種方法對(duì)商業(yè)用電能得到準(zhǔn)確的預(yù)測(cè)結(jié)果，但是在數(shù)據(jù)的處理和計(jì)算過(guò)程非常的復(fù)雜。負(fù)荷密度法通過(guò)進(jìn)在某段時(shí)間內(nèi)對(duì)當(dāng)?shù)氐碾娏ω?fù)荷進(jìn)行測(cè)量，進(jìn)而得出整個(gè)地區(qū)的電力系統(tǒng)的負(fù)荷趨勢(shì)。將當(dāng)?shù)氐挠秒娯?fù)荷按照區(qū)域進(jìn)行理性的劃分，而對(duì)整個(gè)地區(qū)的電力負(fù)荷進(jìn)行預(yù)測(cè)，最終在各個(gè)地區(qū)的預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)，最終得到地區(qū)的負(fù)荷預(yù)測(cè)的值。1.4.2傳統(tǒng)預(yù)測(cè)方法為解決傳統(tǒng)電力負(fù)荷運(yùn)算中預(yù)測(cè)方法給統(tǒng)計(jì)工作帶來(lái)的計(jì)算工作量大，數(shù)據(jù)要求高等問題，提出傳統(tǒng)預(yù)測(cè)方法，現(xiàn)今傳統(tǒng)預(yù)測(cè)方法已經(jīng)被廣泛應(yīng)用在電力系統(tǒng)的預(yù)測(cè)中。在工程中常用的傳統(tǒng)預(yù)測(cè)方法有線性外推法以及回歸分析等。（1）線性外推法主要是基于負(fù)荷類型，相同的數(shù)據(jù)類型之間的日負(fù)荷曲線十分相似，不同類型的日負(fù)荷差異較大，首先通過(guò)對(duì)預(yù)測(cè)時(shí)間進(jìn)行預(yù)先判斷，將預(yù)測(cè)實(shí)時(shí)負(fù)荷類型相同的電力系統(tǒng)負(fù)荷預(yù)測(cè)的實(shí)時(shí)數(shù)據(jù)信息進(jìn)行歸一化處理。以日電力負(fù)荷的平均系數(shù)為例即：（1-1）如圖1-1所示為線性外推法流程圖。圖1-1線性外推法思維圖1.4.3現(xiàn)代預(yù)測(cè)方法傳統(tǒng)預(yù)測(cè)方法精度不高且計(jì)算量大，在此基礎(chǔ)上發(fā)展現(xiàn)代預(yù)測(cè)方法。通過(guò)計(jì)算機(jī)輔助的現(xiàn)代化手段實(shí)現(xiàn)電力系統(tǒng)的階段性負(fù)荷的預(yù)測(cè)。現(xiàn)代電力系統(tǒng)預(yù)測(cè)中使用頻率最高的有模糊控制以及人工網(wǎng)絡(luò)等模型。（1）模糊控制預(yù)測(cè)模型是基于模糊理論發(fā)展的一種電力系統(tǒng)負(fù)荷預(yù)測(cè)的方法。在處理電力系統(tǒng)中一些不確定的問題，模糊控制將發(fā)揮巨大的優(yōu)勢(shì)。模糊預(yù)測(cè)法依據(jù)電力系統(tǒng)數(shù)據(jù)的連續(xù)原則，通過(guò)歷史數(shù)據(jù)的相關(guān)性對(duì)未來(lái)階段的數(shù)據(jù)進(jìn)行建模分析，其預(yù)測(cè)的成本比較低。但是對(duì)于中長(zhǎng)期的負(fù)荷預(yù)測(cè)預(yù)測(cè)精度不高，只適用于短期的負(fù)荷預(yù)測(cè)。（2）1982年國(guó)內(nèi)鄧聚龍教授提出灰色系統(tǒng)預(yù)測(cè)法，這種方法對(duì)于信息量少的樣本。通過(guò)少量的信息進(jìn)行反復(fù)的累加以及迭代和逐層遞減的方法，得到部分有效數(shù)據(jù)。此方法需要的樣本空間較少，且不用考慮由于分布規(guī)律帶來(lái)的影響。（3）人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法通過(guò)模擬生物的大腦神經(jīng)網(wǎng)絡(luò)的活動(dòng)以及機(jī)構(gòu)，實(shí)現(xiàn)對(duì)復(fù)雜的數(shù)據(jù)和模型進(jìn)行準(zhǔn)確、快速的求解。人工神經(jīng)網(wǎng)絡(luò)是一種具有求解算法良好的數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)近年的發(fā)展，其種類眾多，目前較常用的神經(jīng)網(wǎng)絡(luò)是反向神經(jīng)網(wǎng)絡(luò)模型。1.5本文的主要內(nèi)容本文主要為討論和研究電力系統(tǒng)負(fù)荷預(yù)測(cè)和計(jì)算的方法。綜合近年來(lái)哈爾濱市歷年電力系統(tǒng)中用戶的負(fù)荷以及誤差等因素。對(duì)未來(lái)短期的負(fù)荷進(jìn)行預(yù)測(cè)本文的主要工作如下：（1）本文首先介紹電力系統(tǒng)預(yù)測(cè)的基本方法與原則，總結(jié)國(guó)內(nèi)外電力系統(tǒng)預(yù)測(cè)的方法，對(duì)目前常用的方法進(jìn)行介紹與總結(jié)。（2）詳細(xì)討論電力系統(tǒng)負(fù)荷分類的標(biāo)準(zhǔn)，以及影響因素，并對(duì)誤差的分析方法進(jìn)行討論。（3）通過(guò)學(xué)習(xí)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與特點(diǎn)、學(xué)習(xí)規(guī)律、最終查閱相關(guān)的文獻(xiàn)，詳細(xì)介紹BP神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的步驟和程序。（4）結(jié)合哈爾濱市近期負(fù)荷數(shù)據(jù)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)哈爾濱市的電力負(fù)荷進(jìn)行預(yù)測(cè)。（5）最后對(duì)得到的預(yù)測(cè)結(jié)果進(jìn)行綜合的評(píng)定與分析，通過(guò)分析單點(diǎn)誤差與均方根誤差等，盡可能最大精度的求取預(yù)測(cè)值。

2電力負(fù)荷預(yù)測(cè)的理論電力系統(tǒng)負(fù)荷預(yù)測(cè)需要綜合考慮當(dāng)?shù)氐慕?jīng)濟(jì)狀況、運(yùn)行的特征、氣候條件等多種影響因素在內(nèi)的模型預(yù)測(cè)方法。通過(guò)一種可靠的數(shù)學(xué)模型將所有的因素連接起來(lái)，在于其的誤差范圍內(nèi)對(duì)地區(qū)未來(lái)的負(fù)荷驚醒預(yù)測(cè)，得到負(fù)荷預(yù)期的數(shù)值。隨著電力系統(tǒng)這門學(xué)科的快速發(fā)展，電力負(fù)荷已經(jīng)預(yù)測(cè)已經(jīng)成為電力系統(tǒng)中一個(gè)重要的分支，在實(shí)際的電網(wǎng)規(guī)劃和建設(shè)的過(guò)程中，電力系統(tǒng)負(fù)荷預(yù)測(cè)具有重大的意義與實(shí)際價(jià)值。本章主要介紹電力預(yù)測(cè)的組成和影響負(fù)荷變化的因素，電力系統(tǒng)負(fù)荷的基本特性，以及電力系統(tǒng)負(fù)荷預(yù)測(cè)基本的方法以及對(duì)負(fù)荷預(yù)測(cè)得出的結(jié)果的誤差分析。2.1電力系統(tǒng)負(fù)荷預(yù)測(cè)組成、影響因素及特點(diǎn)電力系統(tǒng)中負(fù)荷的成分相對(duì)復(fù)雜，除基本負(fù)荷以外還包括由于天氣導(dǎo)致的負(fù)荷變化、偶然性負(fù)荷以及突發(fā)性的電力系統(tǒng)的負(fù)荷。從電力系統(tǒng)中用戶，上述的包括基本負(fù)荷以及復(fù)雜性的負(fù)荷都是電力系統(tǒng)中的二復(fù)合。電力系統(tǒng)中用電功率的預(yù)測(cè)以及用電量的預(yù)測(cè)都是電力系統(tǒng)負(fù)荷的基本要求。本文對(duì)哈爾濱市的電力系統(tǒng)負(fù)荷以及用電量以及用電需求進(jìn)行預(yù)測(cè)。2.1.1電力系統(tǒng)負(fù)荷分類電力系統(tǒng)負(fù)荷的影響因素比較多，由于存在一定的周期性波動(dòng)以及較大的變化。目前為分析電力系統(tǒng)負(fù)荷預(yù)測(cè)的規(guī)律，在滿足精度的基礎(chǔ)上對(duì)預(yù)測(cè)精度進(jìn)行提高，首先對(duì)電力系統(tǒng)負(fù)荷進(jìn)行分類：（1）按照負(fù)荷作用的時(shí)間可將負(fù)荷大致分成四種類型，其中包括長(zhǎng)期負(fù)荷、中期負(fù)荷以及近期負(fù)荷。本文的主要內(nèi)容是對(duì)中長(zhǎng)期的負(fù)荷進(jìn)行預(yù)測(cè)，分析哈爾濱市未來(lái)一段時(shí)間的電力系統(tǒng)負(fù)荷的變化趨勢(shì)（2）根據(jù)電力系統(tǒng)負(fù)荷數(shù)量等級(jí)的大小進(jìn)行纖細(xì)的分為，可大致將其分成平均負(fù)荷和最大負(fù)荷等。根據(jù)一段時(shí)間內(nèi)得出電力系統(tǒng)負(fù)荷在這一階段內(nèi)的平均值即為電力系統(tǒng)的平均負(fù)荷。根據(jù)電力負(fù)荷作用時(shí)間的進(jìn)行分類，按照時(shí)間長(zhǎng)短分成日平均負(fù)荷、月平均負(fù)荷以及年平均負(fù)荷等。電力系統(tǒng)中負(fù)荷的峰值和低谷值分別為最小負(fù)荷以及最大負(fù)荷等，和平均負(fù)荷的分類方法相同。根據(jù)時(shí)間為單位進(jìn)行劃分對(duì)電網(wǎng)的預(yù)測(cè)進(jìn)行規(guī)劃。2.1.2電力系統(tǒng)負(fù)荷預(yù)測(cè)的特點(diǎn)通過(guò)對(duì)歷史性電力系統(tǒng)的數(shù)值進(jìn)行統(tǒng)計(jì)學(xué)分析，通過(guò)歷史性的規(guī)律對(duì)電力系統(tǒng)的負(fù)荷進(jìn)行預(yù)測(cè)，由于電力系統(tǒng)中的負(fù)荷具有不可預(yù)測(cè)性和隨機(jī)性的特點(diǎn)，所以在分析電力系統(tǒng)預(yù)測(cè)需要借助電力系統(tǒng)負(fù)荷分類以及規(guī)律，使得建立的數(shù)學(xué)模型更加準(zhǔn)確合理。最終獲得準(zhǔn)確的數(shù)學(xué)模型得出精確的結(jié)果。電力系統(tǒng)最主要的特性是具有時(shí)間性、隨機(jī)性以及地域之間的差異性。電力系統(tǒng)負(fù)荷其中一個(gè)重要特性是時(shí)間性，只有通過(guò)準(zhǔn)確的時(shí)間才可保證預(yù)測(cè)結(jié)果精確度以及時(shí)效性，由于采用的預(yù)測(cè)方法的不同，最后得到預(yù)測(cè)的時(shí)間結(jié)果也不盡相同，預(yù)測(cè)的時(shí)間以及所采用的方法都是影響預(yù)測(cè)結(jié)果地域的不同導(dǎo)致預(yù)測(cè)的重要因素。電力系統(tǒng)的預(yù)測(cè)具有地域差異性，地區(qū)的特性是電力系統(tǒng)負(fù)荷的重要比例成分。當(dāng)一個(gè)地區(qū)負(fù)荷比重很大時(shí)，地區(qū)負(fù)荷變化具有強(qiáng)烈的周期性以及波動(dòng)，這種情況下預(yù)測(cè)的精確程度將大規(guī)模的提高，該地區(qū)系統(tǒng)負(fù)荷比例過(guò)小，將導(dǎo)致負(fù)荷不具備強(qiáng)烈的規(guī)律性，數(shù)據(jù)分析和整理將很困難，預(yù)測(cè)得到的精度較差。2.1.3電氣系統(tǒng)負(fù)荷預(yù)測(cè)影響因素電力系統(tǒng)預(yù)測(cè)的精度取決于電力系統(tǒng)中負(fù)荷的有效信息對(duì)全部影響因素的考慮是否全面。其中影響負(fù)荷準(zhǔn)確程度的因素有，天氣以及氣候、地理環(huán)境等因素。除此之外還有當(dāng)?shù)氐慕?jīng)濟(jì)、人均用電量等因素有關(guān)。（1）當(dāng)?shù)氐慕?jīng)濟(jì)因素：由于電力系統(tǒng)預(yù)測(cè)是對(duì)地區(qū)未來(lái)的電網(wǎng)的負(fù)荷進(jìn)行規(guī)劃和設(shè)計(jì)，所以當(dāng)?shù)氐慕?jīng)濟(jì)因素以及電力系統(tǒng)的結(jié)構(gòu)都是影響電力系統(tǒng)負(fù)荷預(yù)測(cè)的一種重要指標(biāo)。隨著近年來(lái)哈爾濱市經(jīng)濟(jì)的快速發(fā)展以及用電結(jié)構(gòu)和人均消費(fèi)水平發(fā)生改變，本地區(qū)的負(fù)荷的負(fù)荷需求始終處于上升的趨勢(shì)。（2）時(shí)間因素：某一特定的時(shí)期，電力系統(tǒng)中的負(fù)荷會(huì)呈現(xiàn)劇烈的上升或者下降的情況，對(duì)于這個(gè)時(shí)間段內(nèi)，我們需要通過(guò)不同的方法對(duì)這段時(shí)間的電力負(fù)荷進(jìn)行處理。節(jié)假期和季節(jié)的變化是影響負(fù)荷預(yù)測(cè)時(shí)間的主要因素。對(duì)于春節(jié)期間，春節(jié)前后的一段時(shí)間內(nèi)負(fù)荷的峰值會(huì)高于春節(jié)的高峰。在北方地區(qū)由于受季節(jié)因素的影響比較明顯。由于冬季氣候原因等需要大規(guī)模的供暖以及生產(chǎn)的中斷，，導(dǎo)致季節(jié)的電力負(fù)荷發(fā)生劇烈的變化。（3）意外因素：由于意外因素的影響，會(huì)造成電力系統(tǒng)負(fù)荷分布的布均勻。導(dǎo)致意外發(fā)生的因素比較多，影響極其復(fù)雜。故意外因素也是電力系統(tǒng)負(fù)荷預(yù)測(cè)的一個(gè)急需解決的問題。（4）天氣、溫度因素：電力系統(tǒng)負(fù)荷受天氣的影響也很大。在特殊的天氣中，受到寒冷以及洪水等天氣、溫度條件的影響，個(gè)人用電量以及系統(tǒng)中負(fù)荷會(huì)造成劇烈的波動(dòng)。在電力系統(tǒng)的預(yù)測(cè)中，考慮的因素越多，將較多的影響因素考慮進(jìn)去，得到的預(yù)測(cè)結(jié)果就會(huì)越精確。2.2電力系統(tǒng)負(fù)荷的基本要求考慮上述的所有因素后，在電力系統(tǒng)預(yù)測(cè)的過(guò)程中需要滿足如下的需求：（1）保證電力系統(tǒng)基礎(chǔ)數(shù)據(jù)的真實(shí)性：電力系統(tǒng)負(fù)荷預(yù)測(cè)的基礎(chǔ)是保證電力系統(tǒng)負(fù)荷數(shù)據(jù)的真實(shí)，通過(guò)借助已有的歷年數(shù)據(jù)進(jìn)行篩選，通過(guò)建立合適的數(shù)學(xué)模型對(duì)未來(lái)的數(shù)據(jù)過(guò)程進(jìn)行預(yù)測(cè)。錯(cuò)誤的數(shù)據(jù)無(wú)法建立數(shù)學(xué)模型，因此為進(jìn)行電力系統(tǒng)負(fù)荷預(yù)測(cè)，需要保證數(shù)據(jù)的準(zhǔn)確性。（2）電力系統(tǒng)資料的可用性：在上一步中資料的真是可靠的情況下，進(jìn)一步需要考慮數(shù)據(jù)的可用性。。得到的歷史性的電力系統(tǒng)負(fù)荷數(shù)據(jù)不一定完全負(fù)荷預(yù)測(cè)的規(guī)律，因此在上一步中得到數(shù)據(jù)的基礎(chǔ)，需要對(duì)數(shù)據(jù)進(jìn)行分析和處理，對(duì)其中的可用性數(shù)據(jù)和壞值進(jìn)行篩選，如果系統(tǒng)中的不可用數(shù)據(jù)較多將影響預(yù)測(cè)的結(jié)果，導(dǎo)致預(yù)測(cè)的精度下降。2.3電力系統(tǒng)負(fù)荷預(yù)測(cè)步驟電力系統(tǒng)中負(fù)荷預(yù)測(cè)的第一步是收集電力系統(tǒng)的數(shù)據(jù)，分析收集到的數(shù)據(jù)選擇一個(gè)負(fù)荷變化的規(guī)模和適當(dāng)?shù)念A(yù)測(cè)方法，進(jìn)行試驗(yàn)分析。對(duì)模型進(jìn)行適當(dāng)?shù)脑u(píng)價(jià)與改寫。讓模型能更負(fù)荷電力變化的需要。使得最終的精確更高，曲線最后能精確反省負(fù)荷變化的規(guī)律，具體的預(yù)測(cè)步驟如下：（1）首先明確電力系統(tǒng)預(yù)測(cè)的目的：電力系統(tǒng)負(fù)荷的目標(biāo)是為確定未來(lái)一段時(shí)間的電力系統(tǒng)的負(fù)荷需求，以便電網(wǎng)可以對(duì)未來(lái)的發(fā)展及時(shí)作出規(guī)劃，制定預(yù)測(cè)的指標(biāo)以及負(fù)荷預(yù)測(cè)的計(jì)劃。（2）對(duì)當(dāng)?shù)氐臉颖緮?shù)據(jù)進(jìn)行實(shí)地調(diào)查和分析：負(fù)荷預(yù)測(cè)過(guò)程是對(duì)歷史的數(shù)據(jù)是全方位研究和分析過(guò)程，故需要過(guò)去全部的真實(shí)性和可靠性數(shù)據(jù)。數(shù)據(jù)的篩選主要從三個(gè)角度進(jìn)行：首先歷史性的數(shù)據(jù)要與負(fù)荷具有強(qiáng)烈的相關(guān)性，剔除預(yù)測(cè)過(guò)程中不相關(guān)的無(wú)效數(shù)據(jù)，對(duì)負(fù)荷預(yù)測(cè)沒有作用的數(shù)據(jù)要?jiǎng)h除，保證數(shù)據(jù)的嚴(yán)謹(jǐn)與可靠，要保證數(shù)據(jù)為最新的實(shí)時(shí)數(shù)據(jù)。（3）分析和處理結(jié)果：這步為讓數(shù)據(jù)更加有序的進(jìn)行分析，為提高電力系統(tǒng)負(fù)荷預(yù)測(cè)的精確度和分析的準(zhǔn)確性。首先篩選出數(shù)據(jù)中的突變值和轉(zhuǎn)折點(diǎn)，對(duì)于樣本中的突變值，本文歷史數(shù)據(jù)定義為：、、。當(dāng)歷史數(shù)據(jù)滿足：（2-1）則實(shí)際值?。?-2）如果（2-3）則實(shí)際值?。?-4）式中：（2-5）將歷史的數(shù)據(jù)中突變的數(shù)值進(jìn)行處理和歸一化處理，歸一化處理后將數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行分析。（4）最關(guān)鍵的一步就是建立準(zhǔn)確的負(fù)荷預(yù)測(cè)模型，在電力系統(tǒng)負(fù)荷預(yù)測(cè)中最重要的一個(gè)步驟，建立一個(gè)負(fù)荷歷史數(shù)據(jù)和未來(lái)負(fù)荷變化趨勢(shì)的模型，在此基礎(chǔ)上提高負(fù)荷等級(jí)的精度要求。（5）對(duì)預(yù)測(cè)后的數(shù)據(jù)進(jìn)行誤差分析，準(zhǔn)確的預(yù)測(cè)結(jié)果是否能滿足要求。假如得到的負(fù)荷精度不能夠滿足預(yù)測(cè)的要求，需要對(duì)預(yù)測(cè)的誤差進(jìn)行分析，并判斷誤差的來(lái)源，根據(jù)預(yù)測(cè)的結(jié)果判斷是否要重新選取數(shù)學(xué)模型。目前誤差分析的方法常用的有單點(diǎn)誤差、均方根誤差以及平均絕對(duì)誤差的等多種誤差分析方法。電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的流程圖如圖2-1所示圖2-1電力系統(tǒng)短期負(fù)荷預(yù)測(cè)流程圖2.4誤差的分析方法分能夠便于分析電力系統(tǒng)預(yù)測(cè)的誤差，首先假設(shè)實(shí)際的電力系統(tǒng)負(fù)荷為,預(yù)測(cè)得到的電力系統(tǒng)負(fù)荷為，實(shí)際與電力系統(tǒng)的差值為。（1）單點(diǎn)誤差分析：即通過(guò)預(yù)測(cè)值和實(shí)際值做差比較：（2-6）（2）均方誤差分析：誤差分析的主要目的是保證系統(tǒng)的正誤差與副誤差不發(fā)生疊加。（2-7）其中是第i個(gè)實(shí)際負(fù)荷值，是第i個(gè)預(yù)測(cè)負(fù)荷值。（3）均方根誤差：系統(tǒng)的預(yù)測(cè)值與真實(shí)值之間的差值進(jìn)行對(duì)誤差的值求平方根運(yùn)算，然后與觀察結(jié)果次數(shù)比較，再進(jìn)行開方最后得到計(jì)算結(jié)果，表示式為：（2-8）（4）平均絕對(duì)誤差平均誤差是在單點(diǎn)誤差的基礎(chǔ)上對(duì)誤差求絕對(duì)值，并且通過(guò)觀察次數(shù)求出百分比，計(jì)算的結(jié)果為：（2-9）

3BP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測(cè)3.1短期負(fù)荷預(yù)測(cè)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)根據(jù)歷史性的負(fù)荷變化規(guī)律，對(duì)未來(lái)的負(fù)荷進(jìn)行分析和預(yù)測(cè)，針對(duì)未來(lái)一天以至于一周時(shí)間內(nèi)的電力系統(tǒng)負(fù)荷進(jìn)行分析。通過(guò)短期預(yù)測(cè)能提高電力部門對(duì)于調(diào)度的計(jì)劃以及工作效率。能夠有效地制定調(diào)度計(jì)劃，能夠進(jìn)一步提高經(jīng)濟(jì)性。3.1.1短期負(fù)荷預(yù)測(cè)的特點(diǎn)電力系統(tǒng)中短期預(yù)測(cè)是根據(jù)短期歷史分析數(shù)據(jù)變化的趨勢(shì)預(yù)測(cè)未來(lái)負(fù)荷，短期的電力系統(tǒng)負(fù)荷具有條件性，連續(xù)性以及周期性的特點(diǎn)，因此短期負(fù)荷預(yù)測(cè)具有如下的特點(diǎn)：（1）可知性：短期負(fù)荷的變化規(guī)律以及趨勢(shì)是可知的，短期負(fù)荷隨工業(yè)生產(chǎn)。假期以及人民生活規(guī)律等因素的變化而發(fā)生相應(yīng)的改變。上述說(shuō)明負(fù)荷的變化規(guī)律是能被認(rèn)知的，具有明顯的連貫性。時(shí)間上表示有延續(xù)的特點(diǎn)，在總結(jié)歷史的短期負(fù)荷的特點(diǎn)以及發(fā)展趨勢(shì)，進(jìn)而推測(cè)未來(lái)的負(fù)荷值。（2）不確定性：短期負(fù)荷的數(shù)值受電力用戶需求決定，在正常的情況下。而電力系統(tǒng)中用戶的用電量需求受著多種可變的復(fù)雜因素的影響。其中包括可控性和不可控性。不可控性決定短期負(fù)荷發(fā)展趨勢(shì)的隨機(jī)性，導(dǎo)致最終負(fù)荷預(yù)測(cè)具有諸多不確定的因素，預(yù)測(cè)的結(jié)果不完全準(zhǔn)確。（3）條件性：電力系統(tǒng)負(fù)荷的影響因素較多，因此電力系統(tǒng)中短期負(fù)荷預(yù)測(cè)模型只有在已知特定的情況下進(jìn)行預(yù)測(cè)，其中包括包括已知的確定的條件和假設(shè)條件。（4）時(shí)間性：電力系統(tǒng)中短期負(fù)荷預(yù)測(cè)實(shí)質(zhì)上是預(yù)測(cè)未來(lái)一周或者一天內(nèi)的負(fù)荷變化趨勢(shì)，不同的預(yù)測(cè)目的則使用的預(yù)測(cè)方法不同，能夠推測(cè)出相應(yīng)時(shí)間范圍內(nèi)不同的預(yù)測(cè)結(jié)果，超出預(yù)測(cè)范圍的限制將導(dǎo)致準(zhǔn)確性下降。（5）多方案性：影響電力系統(tǒng)負(fù)荷變化的因素眾多，但是根據(jù)預(yù)測(cè)目的的不同，需要掌握活并且重點(diǎn)處理不同的已知因素，來(lái)推測(cè)負(fù)荷在不同的方案下的發(fā)展趨勢(shì)，從未得到不同的負(fù)荷預(yù)測(cè)模型，保證預(yù)測(cè)的全面和準(zhǔn)確性。3.1.2影響短期負(fù)荷預(yù)測(cè)的因素電力系統(tǒng)中短期負(fù)荷預(yù)測(cè)來(lái)說(shuō)，電力系統(tǒng)的負(fù)荷變化不僅受到自身時(shí)間序列的影響還受到諸多外部因素的影響。為得到準(zhǔn)確短期電力系統(tǒng)的預(yù)測(cè)結(jié)果，就必須對(duì)影響短期電力負(fù)荷相關(guān)的因素進(jìn)行綜合評(píng)估。本文在查閱相關(guān)文獻(xiàn)的基礎(chǔ)上，總結(jié)出影響電力系統(tǒng)負(fù)荷變化的幾個(gè)主要的因素：（1）天氣、溫度因素在短期的負(fù)荷預(yù)測(cè)中，氣候?qū)Χ唐谪?fù)荷的影響占據(jù)著主要的作用。例如氣溫、溫度以及空氣濕度等都會(huì)造成電力系統(tǒng)的負(fù)荷突變，而其中溫度對(duì)于負(fù)荷特性的影響是最重要的因素，它直接影響空調(diào)用電量的變化，通常情況下，根據(jù)電力行業(yè)調(diào)度的經(jīng)驗(yàn)值，利用權(quán)值表示對(duì)電力短期負(fù)荷的影響程度，讓系統(tǒng)的準(zhǔn)確度和可靠性更高。（2）時(shí)間因素其中另一個(gè)重要的因素是時(shí)間，時(shí)間同時(shí)也是影響電力系統(tǒng)負(fù)荷的另一個(gè)重要因素，對(duì)電力系統(tǒng)短期負(fù)荷的影響主要分為以下三個(gè)方面：第一季節(jié)性的影響，不用季節(jié)由于晝夜長(zhǎng)短以及一天中氣溫的變化不同，電力系統(tǒng)的短期負(fù)荷也隨之發(fā)生不同程度的波動(dòng)。另一發(fā)面是周期性的影響，主要是由于每日和每周內(nèi)的影響。對(duì)于每日而言負(fù)荷最低出現(xiàn)在凌晨時(shí)分、負(fù)荷的最高值出現(xiàn)在黃昏；對(duì)于一周內(nèi)的周期性波動(dòng)，工作日的負(fù)荷明顯高于休息日的負(fù)荷。最后就是節(jié)假日對(duì)負(fù)荷的影響，節(jié)假日的時(shí)間越長(zhǎng)，其對(duì)負(fù)荷的值也相應(yīng)的升高。（3）電價(jià)因素國(guó)內(nèi)正在逐步發(fā)展推動(dòng)電力市場(chǎng)的深化改革，電價(jià)的水平和結(jié)構(gòu)對(duì)負(fù)荷的影響左右也十分的突出。電價(jià)的高低主要影響電力用戶對(duì)于電價(jià)的承受能力，電價(jià)制定的過(guò)高，人們對(duì)于用電量就會(huì)相對(duì)減少。如果電價(jià)定制的鍋底，人們的用電量就會(huì)相應(yīng)的增加。電價(jià)結(jié)果對(duì)于負(fù)荷的影響主要在電價(jià)的的峰谷值，以及階梯性價(jià)格。3.1.3短期負(fù)荷預(yù)測(cè)基本步驟想要得到科學(xué)并且合理的負(fù)荷預(yù)測(cè)結(jié)果，除考慮短期負(fù)荷預(yù)測(cè)特點(diǎn)和相關(guān)的影響因素外還需要按照如下的幾個(gè)步驟進(jìn)行計(jì)算：（1）明確電力系統(tǒng)短期負(fù)荷的預(yù)測(cè)要求和預(yù)期的目標(biāo)，制定合理的預(yù)測(cè)計(jì)劃。由于電網(wǎng)的類型不停以及預(yù)測(cè)的要求也各異，因此在進(jìn)行電力系統(tǒng)的短期負(fù)荷必須明確短期負(fù)荷預(yù)期的目標(biāo)和內(nèi)容，因此根據(jù)計(jì)劃的不同。（2）充分調(diào)查相關(guān)的資料，整理分析得到有效的數(shù)據(jù)，根據(jù)全面可靠的分析，并從中得到具有預(yù)測(cè)價(jià)值的資料，其中包括當(dāng)?shù)氐臍v史性負(fù)荷、溫度等外部的環(huán)境相關(guān)信息，為模型預(yù)測(cè)提供真實(shí)有效的數(shù)據(jù)支撐。（3）建立短期負(fù)荷預(yù)測(cè)模型，確定模型的初始化數(shù)據(jù)，根據(jù)所確定的預(yù)測(cè)內(nèi)容以及要求，結(jié)合預(yù)測(cè)對(duì)象運(yùn)行情況合理構(gòu)造預(yù)測(cè)模型。（4）根據(jù)的到的數(shù)據(jù)，訓(xùn)練并學(xué)習(xí)修正網(wǎng)絡(luò)模型，依據(jù)預(yù)測(cè)結(jié)果和實(shí)際結(jié)果的偏差，不斷迭代修正模型參數(shù)，最后達(dá)到預(yù)期的優(yōu)化目標(biāo)。3.2人工神經(jīng)網(wǎng)絡(luò)3.2.1人工神經(jīng)網(wǎng)絡(luò)概述20世紀(jì)80年代人工神經(jīng)網(wǎng)絡(luò)模型逐步地開始使用，并在應(yīng)用中達(dá)到快速的發(fā)展，同時(shí)也是將人工智能算法運(yùn)用到STLF的應(yīng)用中重要的應(yīng)用。ANN是根據(jù)人類神經(jīng)的活動(dòng)特點(diǎn)進(jìn)行模擬得到輸出，即對(duì)人類大腦神經(jīng)傳播的過(guò)程進(jìn)行數(shù)學(xué)上的抽象和化簡(jiǎn)。通過(guò)等效成一個(gè)復(fù)雜網(wǎng)絡(luò)特點(diǎn)得到，通過(guò)對(duì)生物大腦過(guò)程抽象得到簡(jiǎn)化的模型，因?yàn)槠渑c人腦的信息處理方式累死，故ANN模型具有很強(qiáng)的非線性映射以及優(yōu)化計(jì)算等能力。在計(jì)算機(jī)控制、機(jī)器人等領(lǐng)域有著重要的應(yīng)用。ANN預(yù)測(cè)模型由于高度的非線性以及自主學(xué)習(xí)能力和適應(yīng)性等要求，在電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)中展現(xiàn)巨大的優(yōu)勢(shì)和良好的誤差特性。如圖3-1所示為神經(jīng)元模型的結(jié)構(gòu)圖。。。。。。。。。。。。。圖3-1神經(jīng)元模型結(jié)構(gòu)如圖3-1所示，神經(jīng)元的基本工作原理是由多個(gè)輸入端和多個(gè)輸出端組成，后經(jīng)過(guò)權(quán)值和閾值不斷地疊加，最后經(jīng)過(guò)激勵(lì)函數(shù)得到相應(yīng)的輸出結(jié)果。具體過(guò)程為：（3-1）其中，輸入向量為，權(quán)值向量表示各個(gè)輸入量所占的比重，為神經(jīng)元閾值，輸入量、權(quán)值這兩個(gè)值的乘積與閾值的和決定著神經(jīng)元激活或者抑制的程度，為神經(jīng)元的激勵(lì)函數(shù)，一般為sigmoid、purelin等函數(shù)。3.2.2人工神經(jīng)網(wǎng)絡(luò)分類及應(yīng)用ANN的種類繁多，通常可按照網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、學(xué)習(xí)方式、網(wǎng)絡(luò)性能等規(guī)則將ANN分類，具體分類情況。如圖3-2所示為人工網(wǎng)絡(luò)的分類情況。圖3-2人工神經(jīng)網(wǎng)絡(luò)的分類在電力系統(tǒng)短期的負(fù)荷預(yù)測(cè)中，首先對(duì)ANN模型進(jìn)行設(shè)計(jì)，往往根據(jù)ANN模型的特點(diǎn)和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行考慮，目前主要采用如下的三種模型：（1）前饋神經(jīng)網(wǎng)絡(luò)ANN神經(jīng)網(wǎng)絡(luò)中結(jié)構(gòu)最簡(jiǎn)單的是前饋神經(jīng)網(wǎng)絡(luò)，如圖3-3所示的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。將模型分為輸入層和輸出層以及隱藏層三個(gè)次序進(jìn)行排列，并且前層和后層的神經(jīng)元之間存在連接，呈現(xiàn)發(fā)射裝的連接狀態(tài)，此種連接方式可利于不同信息直接的傳遞。FNN輸入層收到外城輸入數(shù)據(jù)后，通過(guò)神經(jīng)元內(nèi)激勵(lì)函數(shù)的作用轉(zhuǎn)化為改變數(shù)據(jù)狀態(tài)，最后經(jīng)過(guò)隱含層得到期望的輸出值。目前常用的神經(jīng)網(wǎng)絡(luò)模型有反向傳播和徑向基函數(shù)等神經(jīng)網(wǎng)絡(luò)模型。隱含層輸出層輸入層隱含層輸出層輸入層圖3-3前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖（2）反饋神經(jīng)網(wǎng)絡(luò)目前常用的反饋神經(jīng)網(wǎng)絡(luò)模型主要有Hopfield神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)等，反饋神經(jīng)網(wǎng)絡(luò)是包含時(shí)間動(dòng)態(tài)變化的隱狀態(tài)時(shí)間網(wǎng)絡(luò)，通過(guò)將歷史輸出狀態(tài)進(jìn)行記憶，并將歷史記憶作為動(dòng)力學(xué)體系實(shí)現(xiàn)反饋信息的調(diào)節(jié)輸出。與前一節(jié)的FNN模型相比，反饋神經(jīng)網(wǎng)絡(luò)存在反饋機(jī)制，相比FNN還存在能夠反向輸入或者前一層神經(jīng)元的概率，如圖3-4所示為簡(jiǎn)單的反饋神經(jīng)網(wǎng)絡(luò)模型。輸入層輸出層隱含層輸入層輸出層隱含層圖3-4反饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖（3）自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)在基于生理學(xué)和腦科學(xué)的最新研究成果提出自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)，是目前最接近人類大腦活動(dòng)的人工神經(jīng)模型網(wǎng)絡(luò)，其能夠自動(dòng)識(shí)別尋找數(shù)據(jù)輸入控制中本質(zhì)的規(guī)律以及固有的屬性，在無(wú)監(jiān)督以及檢查的情況下。能夠自發(fā)組織、自適應(yīng)地改變網(wǎng)絡(luò)學(xué)習(xí)過(guò)程和參數(shù)。競(jìng)爭(zhēng)層中通過(guò)對(duì)輸入模式進(jìn)行響應(yīng)，讓輸入的數(shù)據(jù)形成競(jìng)爭(zhēng)機(jī)制，最終通過(guò)競(jìng)爭(zhēng)只有一個(gè)神經(jīng)網(wǎng)絡(luò)能夠勝出，最后勝出神經(jīng)元按照輸入代表以及輸入模式進(jìn)行分類。通過(guò)不斷調(diào)整獲勝神經(jīng)元之間的權(quán)值，更有利于加強(qiáng)自身競(jìng)爭(zhēng)能力的方向調(diào)整，增強(qiáng)在下一輪競(jìng)爭(zhēng)的能力，提高獲勝的概率。如圖3-5所示為兩層神經(jīng)元自競(jìng)爭(zhēng)結(jié)構(gòu)，在網(wǎng)絡(luò)上自競(jìng)爭(zhēng)網(wǎng)絡(luò)通過(guò)輸入層與自競(jìng)爭(zhēng)層兩部分組成。輸入層競(jìng)爭(zhēng)層輸入層競(jìng)爭(zhēng)層圖3-5自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖目前人工神經(jīng)網(wǎng)絡(luò)已經(jīng)在各個(gè)學(xué)科和工程領(lǐng)域取得大規(guī)模的應(yīng)用和研究，特別是在電力系統(tǒng)的負(fù)荷預(yù)測(cè)的研究過(guò)程中，由于人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能非線性逼近的能力等特性，使得在電力系統(tǒng)的負(fù)荷預(yù)測(cè)過(guò)程中起到至關(guān)重要的作用。目前這種方法電力系統(tǒng)中常用的方法，在電力系統(tǒng)的預(yù)測(cè)過(guò)程中，預(yù)測(cè)的流程為；首先對(duì)歷史負(fù)荷數(shù)據(jù)和相關(guān)的影響因子進(jìn)行歸一化的處理，將得到的結(jié)果作為樣本的訓(xùn)練空間，確定合理的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，并采用優(yōu)化算法反復(fù)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)模型參數(shù)進(jìn)行優(yōu)化；3.3BP神經(jīng)網(wǎng)絡(luò)Rumelhart等人在1986年研究分布式信息的基礎(chǔ)上提出一種基于誤差反向傳播算的簡(jiǎn)單網(wǎng)絡(luò)模型，即BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛、效果最好的一種前饋型的神經(jīng)網(wǎng)絡(luò)，通過(guò)誤差反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。理論上，BP神經(jīng)網(wǎng)絡(luò)可求解非線性以及復(fù)雜的函數(shù)模型，根據(jù)誤差的反向算法對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，在此基礎(chǔ)上能很好地解決輸入以及輸出的問題，將訓(xùn)練好的網(wǎng)絡(luò)模型視為是對(duì)復(fù)雜函數(shù)的描述，而不需要對(duì)求解出的表達(dá)式就可得到需要的預(yù)測(cè)結(jié)果。BP神經(jīng)網(wǎng)絡(luò)不但具有良好的穩(wěn)定性和逼近性。因此形成電力系統(tǒng)短期預(yù)測(cè)領(lǐng)域中應(yīng)用最廣泛的智能化的算法。常見的BP神經(jīng)網(wǎng)絡(luò)模型通常有輸入層、隱含層以及輸出層三層結(jié)構(gòu)組成，并且每一個(gè)平層之間沒有直接的聯(lián)系，層與層之間的神經(jīng)元是通過(guò)連接，如圖3-6所示為BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。其中輸入層與直接輸入層數(shù)據(jù)直接相連，模型中神經(jīng)元的個(gè)數(shù)根據(jù)具體對(duì)象決定；其中隱藏層在整個(gè)網(wǎng)絡(luò)中有著至關(guān)重要的作用，輸出層表達(dá)整個(gè)網(wǎng)絡(luò)的輸出。輸出層隱含層輸入層輸出層隱含層輸入層圖3-6BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖3.3.1BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程執(zhí)行以下步驟：（1)首先對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行初始化，連接各神經(jīng)元所取的權(quán)值，隨機(jī)選取非零的數(shù)值,,。（2）確定BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，定義變量為,K為訓(xùn)練的樣本數(shù)。并規(guī)定第N次計(jì)算后輸出的實(shí)際值為。并定義一個(gè)神經(jīng)元期望輸出量，選擇神經(jīng)元的輸入信息，將數(shù)據(jù)導(dǎo)入，則可以計(jì)算出所有神經(jīng)網(wǎng)絡(luò)神經(jīng)元的輸出值。（3）通過(guò)數(shù)據(jù)對(duì)期望輸出值和實(shí)際輸出值進(jìn)行比較，計(jì)算出樣本的誤差分析。（4）通過(guò)誤差，將輸出數(shù)值反饋給隱含層，將減少誤差作為第一準(zhǔn)則，對(duì)其中的閾值和權(quán)值進(jìn)行調(diào)整，以判斷是否結(jié)束訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程流程圖如圖3-7所示圖3-7BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程圖3.3.2BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法BP神經(jīng)網(wǎng)絡(luò)是一種監(jiān)督學(xué)習(xí)的算法，其中模型的訓(xùn)練主要存在數(shù)據(jù)的正向傳播以及誤差的反向傳播過(guò)程兩個(gè)過(guò)程。BP神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)從輸入層輸入，經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)將權(quán)值以及神經(jīng)元的閾值函數(shù)和激勵(lì)函數(shù)共同的作用和轉(zhuǎn)化下，最終通過(guò)輸出層將最后的結(jié)果進(jìn)行輸出，這個(gè)過(guò)程就是數(shù)據(jù)的正向傳播過(guò)程。輸入數(shù)據(jù)為m維度的輸入量，和分別為輸入層與隱含層、隱含層與輸出層之間的連接權(quán)值為n維輸出向量。假設(shè)BP神經(jīng)網(wǎng)絡(luò)中隱藏層中神經(jīng)元的個(gè)數(shù)為q，則過(guò)程中正向傳遞信息過(guò)程可概括為：對(duì)于輸入矩陣中一個(gè)特定的變量，輸入層到隱藏層第j神經(jīng)元傳遞的信息為：（3-2）則隱含層第j個(gè)神經(jīng)元的輸出為：（3-3）其中為j個(gè)神經(jīng)元內(nèi)的閾值，為隱含層神經(jīng)元的激勵(lì)函數(shù)，采用S形的sigmoid函數(shù)，其輸出為0至1之間的連續(xù)的數(shù)值，可以使網(wǎng)絡(luò)實(shí)現(xiàn)從輸入到輸出的任意非線性映射。從隱含層到輸出層第k個(gè)神經(jīng)元的傳遞信息為：（3-4）則輸出層k個(gè)神經(jīng)元的輸出為：（3-5)其輸出誤差表達(dá)式為：(3-6)其中表示第p個(gè)訓(xùn)練樣本中第k個(gè)負(fù)荷真實(shí)值，表示第p個(gè)訓(xùn)練樣本中第k個(gè)負(fù)荷預(yù)測(cè)值，P為訓(xùn)練空間樣本個(gè)數(shù)。4基于BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)4.1數(shù)據(jù)預(yù)處理在電力系統(tǒng)的負(fù)荷預(yù)測(cè)中，經(jīng)常存在著這些影響因素影響最終電力負(fù)荷預(yù)測(cè)結(jié)果精度的情況，比如時(shí)間和氣候。同時(shí)，也存在著一些隨機(jī)因素帶來(lái)的影響，比如一些用電設(shè)備的故障引起的負(fù)荷減小等情況。時(shí)間因素主要是指對(duì)負(fù)荷使用有影響的時(shí)間節(jié)點(diǎn)，比如節(jié)假日或者周末工廠停工，負(fù)荷使用較少。氣候因素主要是指夏季或者冬季天氣極端，使用制冷或者保暖設(shè)備較多，會(huì)造成用電負(fù)荷較大的情況發(fā)生等。因?yàn)檫@些影響因素會(huì)對(duì)模型的訓(xùn)練產(chǎn)生影響，繼而影響預(yù)測(cè)結(jié)果，所以為了減少這種影響，首先應(yīng)對(duì)輸入數(shù)據(jù)進(jìn)行處理，這種處理常用的就是將輸入數(shù)據(jù)歸一化，當(dāng)模型輸出的時(shí)候，再對(duì)輸出結(jié)果進(jìn)行反向的歸一化處理，處理的公式如下：(4-1)式中：x為歸一化之后的數(shù)據(jù)，xin為沒有歸一化之前的輸入數(shù)據(jù)，xmin為輸入數(shù)據(jù)中的最小值，xmax為輸入數(shù)據(jù)中的最大值，xout為初始的輸出結(jié)果，y則為反向歸一化之后輸出的數(shù)據(jù)，帶入公式將數(shù)據(jù)處理之后，反向歸一化的輸出數(shù)據(jù)y的范圍為0至1之間的數(shù)。BP神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)進(jìn)行樣本訓(xùn)練，當(dāng)大量樣本的輸入輸出具有某一種統(tǒng)一的規(guī)律的時(shí)候，證明該系統(tǒng)就具有這種規(guī)律，因此再進(jìn)行預(yù)測(cè)的時(shí)候給定輸入，得到的輸出就與真實(shí)值比較接近。查閱資料，得知經(jīng)過(guò)長(zhǎng)期的觀察以及記錄，溫度等因素對(duì)電力系統(tǒng)負(fù)荷的影響比較大，本文輸入的環(huán)境因素選取為與負(fù)荷相關(guān)度較大的“溫度”、“濕度”，以及“氣壓”。將歷史數(shù)據(jù)的“溫度”、“濕度”、“氣壓”作為輸入，對(duì)應(yīng)時(shí)刻的“電力系統(tǒng)負(fù)荷”作為輸出，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，用以獲得BP神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)的預(yù)測(cè)模型。4.2短期電力系統(tǒng)負(fù)荷預(yù)測(cè)流程運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行短期電力系統(tǒng)負(fù)荷預(yù)測(cè)流程如圖4-1所示。圖4-1基于BP神經(jīng)網(wǎng)絡(luò)的短期電力系統(tǒng)負(fù)荷預(yù)測(cè)流程圖運(yùn)用上述流程圖對(duì)輸入數(shù)據(jù)進(jìn)行訓(xùn)練，可以求得固定的權(quán)值，也就是BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的參數(shù)，在需要預(yù)測(cè)的時(shí)候，輸入相應(yīng)的環(huán)境因素后可以得出對(duì)應(yīng)時(shí)間的負(fù)荷預(yù)測(cè)結(jié)果。4.3基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測(cè)分析本預(yù)測(cè)在MATLAB環(huán)境下，調(diào)用程序包進(jìn)行預(yù)測(cè)。在MATLAB中，可以方便的進(jìn)行數(shù)據(jù)計(jì)算以及結(jié)果的可視化處理，使用神經(jīng)網(wǎng)絡(luò)工具箱可以方便高效的完成預(yù)測(cè)任務(wù)。本文中的電力系統(tǒng)負(fù)荷預(yù)測(cè)時(shí)間尺度為10分鐘，一天24小時(shí)，共144個(gè)數(shù)據(jù)。模型輸入的環(huán)境因素有三個(gè)，分別為：溫度、濕度、氣壓，同時(shí)以該時(shí)刻的電力系統(tǒng)負(fù)荷為輸出。利用30天的數(shù)據(jù)作為模型的訓(xùn)練集，共計(jì)4320個(gè)訓(xùn)練樣本（30246=4320），每個(gè)樣本為三個(gè)輸入變量，所以訓(xùn)練樣本的維度為12960（43203=12960）。本文中，選取預(yù)測(cè)日為一天，共計(jì)144個(gè)點(diǎn)作為測(cè)試集（246=144）。利用訓(xùn)練樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，因?yàn)檩斎氲沫h(huán)境因素有三個(gè)，輸出的結(jié)果為一個(gè)負(fù)荷，所以模型有三個(gè)輸入和一個(gè)輸出。本文中，選取BP神經(jīng)網(wǎng)絡(luò)的最大收斂次數(shù)為100次，收斂誤差為0.0001，學(xué)習(xí)率為0.1。利用訓(xùn)練完畢的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行電力系統(tǒng)負(fù)荷的預(yù)測(cè)，圖4.2為BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)訓(xùn)練的過(guò)程圖，可以從圖中看出本文中BP神經(jīng)網(wǎng)絡(luò)的隱含層設(shè)置為5層。圖4-2BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖經(jīng)過(guò)30天數(shù)據(jù)的訓(xùn)練，得到BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，在得到的神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，輸入第31天的溫度、濕度，以及氣壓數(shù)據(jù)作為輸入數(shù)據(jù)，得到BP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測(cè)結(jié)果(144個(gè)點(diǎn))。計(jì)算結(jié)果為表4-1所示。表4-1BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)對(duì)比表序號(hào)123456789101112output_test12.93013.59014.38014.30014.69017.73017.29018.17018.34017.68019.14020.190BP_output13.17213.88313.48414.25314.45615.61517.07017.03417.37016.89817.71718.125序號(hào)131415161718192021222324output_test19.14018.96018.52019.40018.26017.38017.16018.87018.43019.18017.60017.860BP_output17.91617.82717.56917.76016.90317.03017.11717.38517.32218.00917.18217.127序號(hào)252627282930313233343536output_test18.92017.86018.12018.96019.0906.95018.83018.56019.14018.92017.90018.040BP_output17.89417.56617.18417.71717.8823.55217.42117.88517.96117.59216.88317.419序號(hào)373839404142434445464748output_test17.73019.05018.83019.27020.59019.80019.66019.40018.96019.18018.65019.220BP_output16.55817.57417.68017.73317.73617.97117.69917.93517.45217.88317.78217.920序號(hào)495051525354555657585960output_test17.77016.85017.42017.64016.94016.50017.02017.11016.89017.07017.11016.980BP_output17.03817.04217.00617.07815.74216.06016.43416.76516.85616.43116.95717.163序號(hào)616263646566676869707172output_test16.98016.94015.40016.06015.66017.51016.41016.45016.36015.88015.04014.910BP_output16.48416.01915.06415.54315.59316.13015.70416.59916.50715.99515.68215.628序號(hào)737475767778798081828384output_test14.91014.08014.65014.30012.98013.02012.36012.23012.62012.54013.11012.890BP_output14.76213.32515.21314.42712.79212.21112.39512.06512.83112.18913.25313.108序號(hào)858687888990919293949596output_test13.24012.45012.71012.36011.96012.10011.92012.27012.10011.61013.20012.710BP_output13.05812.41412.74512.38511.86011.59311.30011.78212.52711.81012.18112.220序號(hào)979899100101102103104105106107108output_test12.76012.71013.20013.28013.24013.02014.03013.99013.90014.25012.84013.940BP_output12.40312.26112.57012.77113.15013.27513.40313.92413.91413.77713.27013.672序號(hào)109110111112113114115116117118119120output_test13.28013.28013.42014.16013.72013.77013.46013.72012.67012.67012.14011.790BP_output13.41512.71613.38513.73212.92213.40112.78913.16212.83412.05711.62311.729序號(hào)121122123124125126127128129130131132output_test11.83011.48011.48011.48010.42011.48010.60011.04011.17011.88012.14011.920BP_output11.11111.12311.13311.19810.82311.36110.74310.93110.84311.97612.19913.062序號(hào)133134135136137138139140141142143144output_test12.45012.05012.93011.96012.62012.76012.76012.05012.49013.68013.33013.370BP_output13.47612.64013.50211.97013.43512.55912.60012.38011.48914.28413.75613.971將預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)在統(tǒng)一坐標(biāo)軸中對(duì)比，如圖4-3所示：圖4-3BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出由圖4-3可以看出，預(yù)測(cè)數(shù)據(jù)基本上和實(shí)際數(shù)據(jù)吻合，除了個(gè)別點(diǎn)數(shù)據(jù)誤差較大以外，基本上數(shù)據(jù)變化趨勢(shì)一致，具有較好的相似性。由此表明，基于BP神經(jīng)網(wǎng)絡(luò)的短期電力系統(tǒng)負(fù)荷功率預(yù)測(cè)結(jié)果與實(shí)際結(jié)果十分相近。4.4預(yù)測(cè)誤差分析對(duì)于電力系統(tǒng)負(fù)荷預(yù)測(cè)誤差的分析，可以有不同的分析方法，常見的有單點(diǎn)誤差、均方根誤差、平均絕對(duì)誤差等。本文分別從這三個(gè)方面對(duì)本次基于BP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測(cè)結(jié)果進(jìn)行分析。單點(diǎn)誤差，指預(yù)測(cè)值與實(shí)際值的差，其公式表達(dá)式(4-2)(4-2)式中：為預(yù)測(cè)絕對(duì)誤差，yout為預(yù)測(cè)的輸出值，ytest為實(shí)際值。圖4-4為單點(diǎn)誤差圖。圖4-4BP神經(jīng)網(wǎng)絡(luò)單點(diǎn)誤差值圖由圖4-4中可以看出，預(yù)測(cè)的單點(diǎn)誤差基本上維持在零上下，最大誤差絕對(duì)值也不超過(guò)4，畢竟預(yù)測(cè)過(guò)程中有一些隨機(jī)因素的影響，很難每個(gè)點(diǎn)都保持在很小的誤差之內(nèi)，總體判斷本次預(yù)測(cè)較為準(zhǔn)確。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)單點(diǎn)誤差百分比計(jì)算公式為：(4-3)式中：yout為預(yù)測(cè)的輸出值，ytest為實(shí)際值。單點(diǎn)預(yù)測(cè)誤差百分比更能反映出來(lái)預(yù)測(cè)誤差在預(yù)測(cè)結(jié)果中所占有的比例，能直觀的反映出來(lái)預(yù)測(cè)的準(zhǔn)確性，由圖4-5可知，本次預(yù)測(cè)除個(gè)別點(diǎn)的預(yù)測(cè)誤差稍大以外，均誤差較小。圖4-5BP神經(jīng)網(wǎng)絡(luò)絕對(duì)誤差百分比均方根誤差RMSE均方根誤差的計(jì)算是通過(guò)預(yù)測(cè)結(jié)果與真實(shí)情況的差值求平方，然后與觀察次數(shù)求比值，再進(jìn)行開方，所計(jì)算的結(jié)果，其表達(dá)式如下(4-4)式中：N為輸出點(diǎn)的個(gè)數(shù)，在本文中取144，為預(yù)測(cè)輸出值，為實(shí)際值，帶入數(shù)據(jù)求出本預(yù)測(cè)結(jié)果的RMSE為0.8645。平均絕對(duì)誤差MAE平均絕對(duì)誤差是在單點(diǎn)誤差的基礎(chǔ)上求其絕對(duì)值，并且與觀察次數(shù)求比值所計(jì)算出來(lái)的百分比，計(jì)算公式如下：(4-5)式中為預(yù)測(cè)值，為真實(shí)值，本文求得結(jié)果為0.651。綜合三種誤差分析結(jié)果，可以看出，BP神經(jīng)網(wǎng)絡(luò)可以有效的跟蹤和擬合電力系統(tǒng)負(fù)荷的變化，具有較高的預(yù)測(cè)精度，有較強(qiáng)的實(shí)用價(jià)值。

5結(jié)論隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展以及經(jīng)濟(jì)水平的不斷提高，電能在人們生產(chǎn)過(guò)程中和能源的利用中起到重要的作用。因此電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)研究成為國(guó)內(nèi)外學(xué)者關(guān)注的熱點(diǎn)和中點(diǎn)，電力系統(tǒng)負(fù)荷預(yù)測(cè)作為電力系統(tǒng)中一個(gè)重要的學(xué)科，在電力的調(diào)度過(guò)程中發(fā)揮著重要作用。經(jīng)過(guò)半年的設(shè)計(jì)現(xiàn)將本文的工作總結(jié)如下：（1）論文首先研究電力系統(tǒng)短期負(fù)荷的研究背景，明確本文的研究意義，在研究國(guó)內(nèi)外研究現(xiàn)狀基礎(chǔ)上確定本文多用的方法。（2）論文在介紹三種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，對(duì)傳統(tǒng)前饋型和反饋型神經(jīng)網(wǎng)絡(luò)原理進(jìn)行詳細(xì)分析，并確實(shí)本文選用BP神經(jīng)網(wǎng)絡(luò)。（3）最后對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)步驟進(jìn)行詳細(xì)分析，建立數(shù)學(xué)模型，最終得到第31天各個(gè)時(shí)段的電力系統(tǒng)負(fù)荷，通過(guò)使用單點(diǎn)誤差值圖顯示本次結(jié)果預(yù)測(cè)單點(diǎn)誤差最大不超過(guò)4，較為精確。通過(guò)均方根誤差分析法，得出本次預(yù)測(cè)結(jié)果RMSE為0.8645，平均絕對(duì)誤差為0.651。由這三種誤差分析法可知本次預(yù)測(cè)有較高的精確程度。最終驗(yàn)證本文的提出算法的正確性以及準(zhǔn)確性。

參考文獻(xiàn)于爾鏗，韓放，謝開，曹叻．電力市場(chǎng)[M]．北京：中國(guó)電力出版社，1999.朱向陽(yáng)，電力系統(tǒng)短期負(fù)荷預(yù)測(cè)及其應(yīng)用系統(tǒng)[J]．南京：東南大學(xué)，2004.張倩，電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J]．北京：華北電力大學(xué)，2013.牛東曉，曹樹華，盧建昌，等，電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用[M]，第二版，北京，中國(guó)電力版社，2009.董秀成，李芹，許強(qiáng)，BP算法在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用[M]，儀器儀表學(xué)報(bào)，2003.張文哲，陳剛．電力市場(chǎng)下負(fù)荷預(yù)測(cè)綜述[J]，渝西學(xué)院學(xué)報(bào)(自然科學(xué)版)，2003，2(3)：71-74.張智晟，基于多元理論融合的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的研究[J]，天津，天津大學(xué)，2004.