電力負(fù)荷預(yù)測(cè)畢業(yè)論文

1、<p><b>　　編號(hào)：</b></p><p>　　中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代遠(yuǎn)程教育</p><p><b>　　畢業(yè)論文（設(shè)計(jì)）</b></p><p><b>　　電力負(fù)荷預(yù)測(cè)</b></p><p>　　學(xué) 生 </p&

2、gt;<p>　　指導(dǎo)教師 </p><p>　　專 業(yè) 水利水電工程 </p><p>　　層 次 專升 本 </p><p>　　批 次 082 </p><p>　　學(xué) 號(hào) w130208082177 <

3、/p><p>　　學(xué)習(xí)中心 </p><p>　　工作單位 </p><p>　　2014年 7 月 </p><p>　　中國(guó)農(nóng)業(yè)大學(xué)網(wǎng)絡(luò)教育學(xué)院制</p><p><b>　　論文格式要求</b></p><p&

4、gt;　　論文開本大?。篈4紙；</p><p>　　頁(yè)面設(shè)置：左邊距：30mm，右邊距：25mm；上邊距：30mm，下邊距：25mm。</p><p>　　封面：論文題目小于25個(gè)字，隸書、二號(hào)、加粗，其他項(xiàng)為隸書、三號(hào)； </p><p>　　摘要：300字左右，宋體、小四；</p><p>　　關(guān)鍵詞：3～5個(gè)，宋體、小四、各關(guān)鍵詞間距

5、3個(gè)空格；</p><p>　　目錄：內(nèi)容為宋體、四號(hào)；</p><p>　　正文：宋體、五號(hào)，行間距18磅； </p><p>　　正文字?jǐn)?shù)：本科至少6000字，?？浦辽?000字</p><p>　　一級(jí)標(biāo)題：宋體、三號(hào)、加粗，段前段后間距為一行、左對(duì)齊、單列一行，</p><p>　　如：1 優(yōu)秀畢業(yè)論文 ；&l

6、t;/p><p>　　二級(jí)標(biāo)題：宋體、四號(hào)、加粗，段前段后間距為一行、左對(duì)齊、單列一行，</p><p>　　如：1.1優(yōu)秀畢業(yè)論文 ；</p><p>　　三級(jí)標(biāo)題：宋體、小四號(hào)、加粗，段前段后間距為一行、左對(duì)齊、單列一行，</p><p>　　如：1.1.1優(yōu)秀畢業(yè)論文 ；</p><p>　　參考文獻(xiàn)：本科至少 15

7、篇，?？浦辽?0篇，宋體、五號(hào)，書寫格式應(yīng)嚴(yán)格按照規(guī)范要求書寫；</p><p>　　摘要、目錄、后記、參考文獻(xiàn)、附錄：作為標(biāo)題要居中，其他格式同正文一級(jí)標(biāo)題。</p><p>　　圖（表）：標(biāo)題宋體、小五號(hào)、加粗，內(nèi)容宋體、小五號(hào)，表注為宋體、六號(hào)；</p><p>　　特殊說明：論文正文第一部分內(nèi)容必須包括本文研究背景、研究現(xiàn)狀、研究目的和意義。</p&g

8、t;<p>　　其他具體細(xì)則見《中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代遠(yuǎn)程教育畢業(yè)論文寫作要求和格式規(guī)范》，要求學(xué)生的畢業(yè)論文稿件嚴(yán)格按上述規(guī)定進(jìn)行整理，以符合規(guī)范要求。</p><p><b>　　獨(dú) 創(chuàng) 性 聲 明</b></p><p>　　本人聲明所呈交的畢業(yè)論文（設(shè)計(jì)）是我個(gè)人進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝的地方外，論文（設(shè)計(jì)）

9、中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得中國(guó)農(nóng)業(yè)大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在畢業(yè)論文（設(shè)計(jì)）中作了明確的說明并表示了謝意。</p><p>　　學(xué)生簽名： 時(shí)間： 年 月 日</p><p>　　關(guān)于論文（設(shè)計(jì)）使用授權(quán)的說明</p>&

10、lt;p>　　本人完全了解《中國(guó)農(nóng)業(yè)大學(xué)網(wǎng)絡(luò)教育學(xué)院本、?？飘厴I(yè)論文（設(shè)計(jì)）工作條例（暫行規(guī)定）》對(duì)：“成績(jī)?yōu)閮?yōu)秀畢業(yè)論文（設(shè)計(jì)），網(wǎng)絡(luò)教育學(xué)院將有權(quán)選取部分論文（設(shè)計(jì)）全文匯編成集或者在網(wǎng)上公開發(fā)布。如因著作權(quán)發(fā)生糾紛，由學(xué)生本人負(fù)責(zé)” 完全認(rèn)可，并同意中國(guó)農(nóng)業(yè)大學(xué)網(wǎng)絡(luò)教育學(xué)院可以以不同方式在不同媒體上發(fā)表、傳播畢業(yè)論文（設(shè)計(jì)）的全部或部分內(nèi)容。中國(guó)農(nóng)業(yè)大學(xué)網(wǎng)絡(luò)教育學(xué)院有權(quán)保留送交論文（設(shè)計(jì)）的復(fù)印件和磁盤，允許論文（設(shè)計(jì)）被查

11、閱和借閱，可以采用影印、縮印或掃描等復(fù)制手段保存、匯編論文（設(shè)計(jì)）。</p><p>　　[保密的畢業(yè)論文（設(shè)計(jì)）在解密后應(yīng)遵守此協(xié)議]</p><p>　　學(xué)生簽名： 時(shí)間： 年 月 日</p><p>　　密級(jí)：（請(qǐng)注明密級(jí)及保密期限） </p><

12、p><b>　　摘  要</b></p><p>　　電力系統(tǒng)負(fù)荷預(yù)測(cè)的研究已經(jīng)有一段時(shí)間的歷史，隨著計(jì)算機(jī)技術(shù)的發(fā)展和電網(wǎng)對(duì)負(fù)荷預(yù)測(cè)精度要求的提高，對(duì)這一課題的研究也在不斷深入，并且更具現(xiàn)實(shí)意義。電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)運(yùn)行調(diào)度的基礎(chǔ)，關(guān)系到整個(gè)電力系統(tǒng)的效率、效益和安全。特別是隨著電力市場(chǎng)改革的深入，它已經(jīng)成為電力市場(chǎng)技術(shù)支持系統(tǒng)的重要組成部分，是電力交易市場(chǎng)的主要

13、數(shù)據(jù)來源，其預(yù)測(cè)精度對(duì)電力系統(tǒng)有著非常重要的意義。因此如何提高預(yù)測(cè)精度特別是短期負(fù)荷預(yù)測(cè)的精度這一問題的重要性和迫切性將越來越明顯。</p><p>　　由于學(xué)歷的限制，本文對(duì)某些方面知識(shí)的闡述可能還比較生硬。負(fù)荷預(yù)測(cè)是個(gè)長(zhǎng)久的課題，本文主要就電力負(fù)荷預(yù)測(cè)的含義，意義等開始闡述，以及電力負(fù)荷預(yù)測(cè)的一些方法，針對(duì)一些容易出現(xiàn)誤差的提出了自己的見解。當(dāng)然本文還有很多不足，希望在將來的學(xué)習(xí)電力的日子里對(duì)它加以完善。&l

14、t;/p><p>　　關(guān)鍵詞： 電力負(fù)荷 預(yù)測(cè)方法 小波分析</p><p><b>　　目 錄</b></p><p><b>　　1前言1</b></p><p>　　1.1論文研究的背景1</p><p>　　1.2論文研究的現(xiàn)狀1</p>&l

15、t;p>　　1.3論文研究的目的和意義2</p><p>　　2電力負(fù)荷預(yù)測(cè)相關(guān)理論知識(shí)3</p><p>　　2.1電力負(fù)荷預(yù)測(cè)的定義3</p><p>　　2.2電力負(fù)荷預(yù)測(cè)的分類4</p><p>　　3 電力負(fù)荷預(yù)測(cè)的方法5</p><p>　　3.1傳統(tǒng)預(yù)測(cè)方法5</p>&l

16、t;p>　　3.1.1外推法5</p><p>　　3.1.2回歸分析法6</p><p>　　3.1.3時(shí)間序列法6</p><p>　　3.1.4小波分析方法6</p><p>　　3.1.5卡爾曼（Kalman）濾波方法6</p><p>　　3.1.6灰色預(yù)測(cè)法6</p><

17、;p>　　3.2人工智能方法7</p><p>　　3.2.1人工神經(jīng)網(wǎng)絡(luò)法7</p><p>　　3.2.2專家系統(tǒng)方法8</p><p>　　3.2.3模糊控制法8</p><p>　　4電力負(fù)荷預(yù)測(cè)存在的問題及解決方法9</p><p>　　4.1電力負(fù)荷預(yù)測(cè)存在的問題9</p>

18、<p>　　4.1.1負(fù)荷歷史數(shù)據(jù)的壞數(shù)據(jù)處理9</p><p>　　4.1.2節(jié)假日的負(fù)荷預(yù)測(cè)9</p><p>　　4.1.3氣象因素的影響9</p><p>　　4.1.4電力市場(chǎng)環(huán)境下，負(fù)荷的變化還與電價(jià)有關(guān)。9</p><p>　　4.1.5隨機(jī)因素。9</p><p>　　4.2針對(duì)上述

19、問題的解決方法10</p><p>　　4.2.1定量分析與定性分析相結(jié)合的問題10</p><p>　　4.2.2原始數(shù)據(jù)的收集和篩選10</p><p>　　4.2.3電力負(fù)荷預(yù)測(cè)的依據(jù)10</p><p><b>　　5結(jié)語(yǔ)11</b></p><p><b>　　后 記

20、12</b></p><p><b>　　參考文獻(xiàn)13</b></p><p><b>　　1前言</b></p><p>　　1.1論文研究的背景</p><p>　　負(fù)荷預(yù)測(cè)的研究已有幾十年的歷史，國(guó)內(nèi)關(guān)于負(fù)荷預(yù)測(cè)的研究已出現(xiàn)了許多種方法，目前，國(guó)內(nèi)發(fā)表的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的文

21、獻(xiàn)較多，所采用的預(yù)報(bào)方法和到達(dá)的預(yù)報(bào)精度也各有不同。綜合起來主要可分為以下三類。</p><p>　　1）傳統(tǒng)統(tǒng)計(jì)模型法。這是一種二十世紀(jì)九十年代以前常用的方法。主要包括時(shí)間序列法和回歸分析法。這種方法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單、要求的歷史數(shù)據(jù)少。由于是基于統(tǒng)計(jì)模型，不易全面地考慮天氣因素、突發(fā)事件等對(duì)于負(fù)荷的影響，因此預(yù)測(cè)精度低。</p><p>　　2）專家系統(tǒng)法。即充分利用有經(jīng)驗(yàn)的運(yùn)行人員的知

22、識(shí)、經(jīng)驗(yàn)和推斷規(guī)則來進(jìn)行負(fù)荷預(yù)測(cè)，然而，把專家的知識(shí)和經(jīng)驗(yàn)等精確地表達(dá)并轉(zhuǎn)化為一系列規(guī)則，則往往是很困難的，而且建立專家系統(tǒng)的工作量要比一般預(yù)報(bào)算法大得多。</p><p>　　3）人工神經(jīng)網(wǎng)絡(luò)法。人工神經(jīng)網(wǎng)絡(luò)具有任意逼近非線性函數(shù)的特性，負(fù)荷變化是與諸多因素有關(guān)的一個(gè)非線性函數(shù)，用人工神經(jīng)網(wǎng)絡(luò)對(duì)負(fù)荷歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)，是抽取和逼近負(fù)荷變化曲線并進(jìn)行負(fù)荷預(yù)報(bào)的有效方法。近十年來，國(guó)外報(bào)道的相關(guān)文獻(xiàn)主要是用神經(jīng)網(wǎng)絡(luò)方

23、法圍繞提高或改善負(fù)荷預(yù)報(bào)的精度來進(jìn)行負(fù)荷預(yù)報(bào)研究。最具代表性的是美國(guó)研制的人工神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)報(bào)器，它包含有兩部分預(yù)測(cè)：一部分預(yù)測(cè)基本負(fù)荷；而另一部分預(yù)測(cè)負(fù)荷變化，這部分考慮了短期內(nèi)氣候條件（溫度、濕度）。兩部分的自適應(yīng)組合便是最終的預(yù)報(bào)結(jié)果。該預(yù)報(bào)器具有較好的自組織自適應(yīng)特性，已在美國(guó)，加拿大的35家電力公司采用。</p><p>　　于是，有學(xué)者開始將各種智能化算法，如人工神經(jīng)網(wǎng)絡(luò)法、遺傳算法、最小絕對(duì)值濾

24、波算法等用于在受到諸如氣象變化、經(jīng)濟(jì)環(huán)境變化等隨機(jī)因素干擾情況下的電力系統(tǒng)負(fù)荷預(yù)測(cè)。由于電力系統(tǒng)的負(fù)荷受眾多不確定因素的影響，是典型的灰色系統(tǒng)，運(yùn)用灰色系統(tǒng)來分析眾多不確定因素與電力負(fù)荷預(yù)測(cè)的關(guān)聯(lián)度已經(jīng)運(yùn)用廣泛，但如何準(zhǔn)確定量描述，以何種準(zhǔn)則來進(jìn)行不確定因素的人工修整仍是一個(gè)難題，所以，通常很多地區(qū)很大程度上依靠預(yù)測(cè)人員的經(jīng)驗(yàn)進(jìn)行預(yù)測(cè)。</p><p>　　1.2論文研究的現(xiàn)狀</p><p&

25、gt;　　西方發(fā)達(dá)國(guó)家如美國(guó)、英國(guó)隨著電力市場(chǎng)的日益成熟，電力供應(yīng)商為了獲取最大利潤(rùn)，十分重視電力負(fù)荷預(yù)測(cè)工作。為此，科研工作者一直在研究電力負(fù)荷預(yù)測(cè)的新方法以提高預(yù)測(cè)精度。自從1991年美國(guó)學(xué)者Park等人提出使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)電力負(fù)荷以來，人們對(duì)此表現(xiàn)出廣泛的關(guān)注。在此基礎(chǔ)上，美國(guó)的Khotanzad博士領(lǐng)導(dǎo)的科研小組經(jīng)過幾年的艱苦研究，提出了人工神經(jīng)網(wǎng)絡(luò)電力負(fù)荷短期預(yù)測(cè)系統(tǒng)(ANNSTLF)。這個(gè)系統(tǒng)己經(jīng)在實(shí)用化方面取得了空前的成功

26、。北美洲有35個(gè)大發(fā)電系統(tǒng)(公司)，根據(jù)天氣預(yù)報(bào)、工業(yè)和居民用電統(tǒng)計(jì)資料，利用ANNSTLF系統(tǒng)預(yù)測(cè)發(fā)電站必須提供的發(fā)電量，大大提高了電站的經(jīng)濟(jì)效益和安全運(yùn)轉(zhuǎn)系數(shù)。但該系統(tǒng)有一個(gè)弱點(diǎn)，即不能處理不確定性信息，且需要大量的歷史數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)。我國(guó)的負(fù)荷數(shù)據(jù)近些年才開始系統(tǒng)收集，采用ANNSTLF系統(tǒng)不太適合我國(guó)的國(guó)情。Hiroyuki教授等人則在電力負(fù)荷短期預(yù)測(cè)中運(yùn)用了自適應(yīng)模糊推理，Srinivasan博士采用了模糊神經(jīng)計(jì)算進(jìn)行需求

27、預(yù)測(cè)。這些方法主要是針對(duì)工業(yè)化發(fā)達(dá)國(guó)家實(shí)際情況提出的，而我國(guó)的國(guó)情復(fù)雜，地區(qū)之間的差距很大，生搬硬套上述方法，很難取得成功[7]。</p><p>　　當(dāng)前國(guó)內(nèi)電力短期負(fù)荷預(yù)測(cè)研究備受矚目，很多學(xué)者提出自己的看法。東南大學(xué)的單淵達(dá)教授采用徑向基函數(shù)(RBF)為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)前向網(wǎng)絡(luò)的學(xué)習(xí)提供了一種新穎而有效的手段。RBF網(wǎng)絡(luò)具有良好的推理能力，而且在學(xué)習(xí)方面比誤差反向傳播(BP)方法快得多。華北電力大學(xué)的牛東曉

28、教授則引入了小波神經(jīng)元網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)模型。它以非線性小波基為神經(jīng)元函數(shù)，通過伸縮因子和平移因子計(jì)算小波基函數(shù)合成的小波網(wǎng)絡(luò)，從而到達(dá)全局最優(yōu)的逼近效果。清華大學(xué)張伯明教授采用共共軛梯度法訓(xùn)練預(yù)測(cè)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)，在學(xué)習(xí)算法上有所突破。國(guó)內(nèi)著名人工智能學(xué)者蔡自興教授則結(jié)合多層感知神經(jīng)網(wǎng)絡(luò)和多分辨率遺傳算法來進(jìn)行電力負(fù)荷預(yù)。華南理工大學(xué)的吳捷教授運(yùn)用模糊邏輯和時(shí)序特性來進(jìn)行最優(yōu)模糊邏輯推理匯，該系統(tǒng)的輸入量通過對(duì)歷史數(shù)據(jù)的自相關(guān)分析而建立，

29、再通過最近鄰聚類法對(duì)歷史數(shù)據(jù)的學(xué)習(xí)得到若干數(shù)據(jù)對(duì)，進(jìn)一步由最優(yōu)模糊邏輯系統(tǒng)建立短期電力負(fù)荷的預(yù)測(cè)模型。國(guó)家電力科學(xué)研究院的胡兆光老師將AI推理和模糊系統(tǒng)結(jié)合起來，建立AI規(guī)則庫(kù)對(duì)電力負(fù)荷進(jìn)行預(yù)側(cè)，也取得了較好的效果。</p><p>　　1.3論文研究的目的和意義</p><p>　　電力工業(yè)是國(guó)民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，在整個(gè)國(guó)民經(jīng)濟(jì)的發(fā)展起著舉足輕重的作用。多年的實(shí)踐經(jīng)驗(yàn)告訴我們，如果電力工業(yè)

30、的發(fā)展速度能夠滿足國(guó)民經(jīng)濟(jì)建設(shè)的需要，就會(huì)促進(jìn)經(jīng)濟(jì)的高速發(fā)展；否則，就會(huì)產(chǎn)生嚴(yán)重的供需矛盾，阻礙國(guó)民經(jīng)濟(jì)的發(fā)展。隨著現(xiàn)代工業(yè)和農(nóng)業(yè)的不斷發(fā)展及人民生活水平的日益提高，社會(huì)對(duì)電力的需求量越來越大。為了滿足日益增大的電力需求，必須不斷擴(kuò)大電力系統(tǒng)的規(guī)模。由于電力工業(yè)的發(fā)展不僅需要消耗巨大的投資和一次能源，而且對(duì)國(guó)民經(jīng)濟(jì)的其它部門也會(huì)產(chǎn)生巨大的影響，合理的進(jìn)行電力系統(tǒng)規(guī)劃不僅可以獲得巨大的經(jīng)濟(jì)效益，也會(huì)獲得巨大的社會(huì)效益。相反，電力系統(tǒng)規(guī)劃的

31、失誤會(huì)給國(guó)家建設(shè)帶來不可彌補(bǔ)的損失。因此，對(duì)電力系統(tǒng)規(guī)劃問題進(jìn)行研究，以求最大限度地提高規(guī)劃質(zhì)量，具有重大的現(xiàn)實(shí)意義，而實(shí)現(xiàn)這一目標(biāo)的第一步就是要做好負(fù)荷預(yù)測(cè)。</p><p>　　負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃建設(shè)的依據(jù)。負(fù)荷預(yù)測(cè)的準(zhǔn)確程度將直接影響到投資、網(wǎng)絡(luò)布局和運(yùn)行的合理性，因此，負(fù)荷預(yù)測(cè)在規(guī)劃中顯得尤其重要。若負(fù)荷及電量預(yù)測(cè)不足，電網(wǎng)的發(fā)展便不能適應(yīng)實(shí)際發(fā)展的需要，無法滿足用戶正常用電需求，甚至還可能缺電。另一

32、方面，若負(fù)荷及電量預(yù)測(cè)過高，則又會(huì)導(dǎo)致一些過多而不能充分利用的設(shè)備，從而引起投資的浪費(fèi)?？傊?，負(fù)荷預(yù)測(cè)的精度高低直接關(guān)系到各方利益，電力負(fù)荷預(yù)測(cè)工作的水平已成為衡量一個(gè)電力企業(yè)的管理是否走向現(xiàn)代化的顯著標(biāo)志之一，尤其在我國(guó)電力事業(yè)空前發(fā)展的今天，用電管理走向市場(chǎng)，電力負(fù)荷預(yù)測(cè)問題的解決已經(jīng)成為電力行業(yè)人員面臨的重要而艱巨的任務(wù)。</p><p>　　電力系統(tǒng)負(fù)荷預(yù)測(cè)是以準(zhǔn)確的歷史數(shù)據(jù)和調(diào)查資料為依據(jù)，從用電量的歷

33、史和現(xiàn)狀出發(fā)，用科學(xué)的方法預(yù)測(cè)未來電力系統(tǒng)負(fù)荷的發(fā)展趨勢(shì)和變化規(guī)律的科學(xué)。根據(jù)預(yù)測(cè)的時(shí)間跨度，一般將負(fù)荷預(yù)測(cè)分為長(zhǎng)期、中期和短期負(fù)荷預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)主要指預(yù)測(cè)未來一天或一周內(nèi)各個(gè)整點(diǎn)的負(fù)荷曲線，主要用于制定系統(tǒng)的生產(chǎn)計(jì)劃，安排系統(tǒng)的短期運(yùn)行方式、進(jìn)行電力調(diào)度以及離線安全分析等。</p><p>　　傳統(tǒng)的負(fù)荷預(yù)測(cè)都是人工完成的。預(yù)測(cè)人員通過歷史負(fù)荷數(shù)據(jù)，采用一定的預(yù)測(cè)算法加以計(jì)算，得到預(yù)測(cè)結(jié)果后，結(jié)合自己.的經(jīng)

34、驗(yàn)加以修正，形成最后發(fā)布的預(yù)側(cè)數(shù)據(jù)。在整個(gè)過程中，歷史數(shù)據(jù)的選擇，預(yù)測(cè)算法的選用和預(yù)測(cè)人員的經(jīng)驗(yàn)，都會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生很大的影響，預(yù)測(cè)的精度難以保證。因此，電力企業(yè)迫切需要建立自己電力負(fù)荷預(yù)測(cè)系統(tǒng).這種系統(tǒng)必須能夠結(jié)合企業(yè)現(xiàn)有的資源，能夠克服人工預(yù)測(cè)的各種弊端，不僅要有較高的預(yù)測(cè)精度，還要有自動(dòng)化和智能化的特性</p><p>　　它不僅可以盡量降低電力短缺所帶來的危害，還能為電力企業(yè)帶來更大的經(jīng)濟(jì)效益。因此，本文

35、的研究具有重要的理論和現(xiàn)實(shí)意義。</p><p>　　2電力負(fù)荷預(yù)測(cè)相關(guān)理論知識(shí)</p><p>　　2.1電力負(fù)荷預(yù)測(cè)的定義</p><p>　　所謂的負(fù)荷預(yù)測(cè)是指，在充分考慮一些重要的系統(tǒng)運(yùn)行特性、增容決策、自然條件與社會(huì)影響的條件下研究或利用一套系統(tǒng)地處理過去與未來負(fù)荷的數(shù)學(xué)方法，在滿足一定精度要求的前提下，確定未來某特定時(shí)刻的負(fù)荷數(shù)值。負(fù)荷可指電力需求量或者

36、用電量，而需求量是指能量的時(shí)間變化率，即功率。也可以說，負(fù)荷時(shí)指發(fā)電廠、供電地區(qū)或電網(wǎng)在某一瞬間所承擔(dān)的工作負(fù)荷。對(duì)用戶來說，用電負(fù)荷是指連接在電網(wǎng)的用戶所有用電設(shè)備在某一瞬間所消耗功率之和[11]。</p><p>　　隨著我國(guó)電力系統(tǒng)的發(fā)展，電網(wǎng)管理的日趨現(xiàn)代化，負(fù)荷預(yù)測(cè)問題的研究也越來越引起人們的注意，并已成為現(xiàn)代電力系統(tǒng)科學(xué)中的一個(gè)重要的領(lǐng)域，因?yàn)檎麄€(gè)社會(huì)是一個(gè)復(fù)雜的整體，它的用戶成千上萬每個(gè)用戶的要求也

37、各部相同，因此，整個(gè)社會(huì)的用電需求既有一定的統(tǒng)計(jì)規(guī)律性，又具有大量的隨機(jī)影響因素，具有不確定性電力系統(tǒng)負(fù)荷預(yù)測(cè)是電網(wǎng)規(guī)劃和經(jīng)濟(jì)運(yùn)行的重要一環(huán)。負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)控制、運(yùn)行和計(jì)劃都是非常重要的，提高負(fù)荷預(yù)測(cè)的精度既能增強(qiáng)電力系統(tǒng)運(yùn)行的安全性，又能改善電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性。因此，在實(shí)踐中，無論是制定電力系統(tǒng)規(guī)劃或是實(shí)現(xiàn)電力系統(tǒng)運(yùn)行自動(dòng)化，進(jìn)行相應(yīng)的負(fù)荷預(yù)測(cè)都是必不可少的[12]。</p><p>　　電力負(fù)荷預(yù)測(cè)主要

38、是預(yù)測(cè)一下三個(gè)方面：</p><p>　　未來電力需求量（功率），也就是確定電力系統(tǒng)發(fā)點(diǎn)設(shè)備和輸送容量。</p><p>　　未來用電量（能量），主要是用來選擇機(jī)組，確定電源結(jié)構(gòu)和原料計(jì)劃等。</p><p>　　負(fù)荷曲線，它是為電力的峰值、電站容量、設(shè)備協(xié)調(diào)運(yùn)行提供數(shù)據(jù)支持。</p><p>　　2.2電力負(fù)荷預(yù)測(cè)的分類</p>

39、<p>　　負(fù)荷預(yù)測(cè)從預(yù)測(cè)的時(shí)間范圍上可以分為長(zhǎng)期、中期、短期和超短期預(yù)測(cè)（如圖2.1）。長(zhǎng)期預(yù)測(cè)一般指十年以上并以年為單位的預(yù)測(cè)，中期預(yù)測(cè)指在五年左右以年為單位的預(yù)測(cè)，中長(zhǎng)期負(fù)荷預(yù)測(cè)主要是用于指定電力系統(tǒng)的擴(kuò)建規(guī)劃，包括裝機(jī)容量的大小、形式、地點(diǎn)、時(shí)間和電網(wǎng)的增容擴(kuò)建，它為所在地區(qū)或電網(wǎng)的電力發(fā)展速度、電力建設(shè)規(guī)模、電力工業(yè)布局、能源資源平衡、地區(qū)間的電力余缺調(diào)劑、電網(wǎng)資金和人力資源的需求平衡提供了可靠的依據(jù)；短期預(yù)測(cè)指

40、一年內(nèi)以月為單位的負(fù)荷預(yù)測(cè)，還指以周、天、小時(shí)為單位的負(fù)荷預(yù)測(cè)，通常預(yù)測(cè)未來一個(gè)月、未來一周、未來一天的負(fù)荷指標(biāo)，也預(yù)測(cè)未來一天每小時(shí)的負(fù)荷，短期負(fù)荷預(yù)測(cè)對(duì)電力企業(yè)的日常運(yùn)營(yíng)起到指導(dǎo)和調(diào)節(jié)作用，有利于合理安排電力日生產(chǎn)計(jì)劃；超短期負(fù)荷預(yù)測(cè)指未來1h、0.5h，甚至10min的預(yù)測(cè)，其意義在于對(duì)電網(wǎng)進(jìn)行計(jì)算機(jī)在線控制，實(shí)現(xiàn)發(fā)電容量的合理調(diào)度，滿足給定的運(yùn)行要求，同時(shí)使發(fā)電成本最小。</p><p>　　圖2.1 負(fù)

41、荷預(yù)測(cè)分類圖</p><p>　　負(fù)荷預(yù)測(cè)從用途上又可以分為發(fā)電部門預(yù)測(cè)和供電部門預(yù)測(cè)。前者從整體上預(yù)測(cè)負(fù)荷的變化，根據(jù)負(fù)荷特性和負(fù)荷趨勢(shì)來進(jìn)行預(yù)測(cè)，稱為趨勢(shì)預(yù)測(cè)；而后者則往往利用由底向上的方法，根據(jù)負(fù)荷的結(jié)構(gòu)和特性分別預(yù)測(cè)、統(tǒng)一匯總，稱為因子預(yù)測(cè)。從目前電力部門對(duì)負(fù)荷的掌握情況來看，負(fù)荷結(jié)構(gòu)還沒有一個(gè)比較確切、定量的模型，預(yù)測(cè)時(shí)無法考慮全面，預(yù)測(cè)偏差也比較大?，F(xiàn)在常用的是根據(jù)整體負(fù)荷進(jìn)行預(yù)測(cè)，通過對(duì)各種因素的修

42、正而得到預(yù)測(cè)結(jié)果，實(shí)際運(yùn)作的結(jié)果表明這種方法比較實(shí)用和有效。</p><p>　　按照系統(tǒng)負(fù)荷構(gòu)成可以將其劃分為：城市民用負(fù)荷、商業(yè)負(fù)荷、工業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷及其它負(fù)荷等模型（如圖2.2）。不同類型的負(fù)荷有著不同的變化規(guī)律，例如隨家用電器的普及，城市居民負(fù)荷年增長(zhǎng)率提高、季節(jié)波動(dòng)增大，尤其是空調(diào)設(shè)備的迅速擴(kuò)展，使系統(tǒng)峰荷受氣溫影響越來越大；商業(yè)負(fù)荷主要影響晚高峰，而且隨季節(jié)而變化；工業(yè)負(fù)荷受氣象影響較小，但大企業(yè)成

43、分下降，使夜間低估增長(zhǎng)緩慢；農(nóng)業(yè)負(fù)荷季節(jié)變化強(qiáng)，而且與降水情況關(guān)系密切。一個(gè)地區(qū)負(fù)荷往往含有幾種類型的負(fù)荷，比例不同[14]。</p><p>　　圖2.2 某地區(qū)負(fù)荷構(gòu)成圖</p><p>　　電力系統(tǒng)負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)安全、經(jīng)濟(jì)運(yùn)行的基礎(chǔ)，對(duì)一個(gè)電力系統(tǒng)而言，提高電網(wǎng)運(yùn)行的安全性和經(jīng)濟(jì)性，改善電能質(zhì)量，都依賴于準(zhǔn)確的負(fù)荷預(yù)測(cè)。因此，負(fù)荷預(yù)測(cè)的關(guān)鍵是提高準(zhǔn)確度。</p>

44、<p>　　3 電力負(fù)荷預(yù)測(cè)的方法</p><p>　　短期負(fù)荷預(yù)測(cè)技術(shù)發(fā)展至今己有幾十年，隨著數(shù)學(xué)統(tǒng)計(jì)理論和人工智能技術(shù)的相繼發(fā)展，人們提出各種各樣的預(yù)測(cè)方法。迄今為止，短期負(fù)荷預(yù)測(cè)方法大致可以分為兩類：即傳統(tǒng)預(yù)測(cè)方法和人工智能方法。傳統(tǒng)預(yù)測(cè)方法有：外推法、回歸分析法、時(shí)間序列法、卡爾曼濾波、灰色預(yù)測(cè)等；基于智能原理的方法：人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、模糊理論等。</p><p>

45、;<b>　　3.1傳統(tǒng)預(yù)測(cè)方法</b></p><p><b>　　3.1.1外推法</b></p><p>　　根據(jù)已知的歷史資料來擬合一條曲線，使得曲線能反映負(fù)荷本身增長(zhǎng)趨勢(shì)；然后按曲線對(duì)未來預(yù)測(cè)求得某一點(diǎn)，從曲線估計(jì)該時(shí)刻的負(fù)荷值。常用曲線有直線、指數(shù)曲線、冪函數(shù)曲線，S型曲線等。外推法的原理簡(jiǎn)單，使用方便，但由于負(fù)荷變化趨勢(shì)多種多樣，簡(jiǎn)

46、單的線性擬合難以實(shí)現(xiàn)準(zhǔn)確性；多項(xiàng)式擬合的冪指數(shù)又難以確定，且指數(shù)越高公式越復(fù)雜化；有限的幾個(gè)增長(zhǎng)模型不能囊括負(fù)荷趨勢(shì)變化，各種隨機(jī)因素也是影響提高預(yù)測(cè)精度難點(diǎn)。趨勢(shì)外推法一般僅用于長(zhǎng)期預(yù)測(cè)[15]。</p><p>　　3.1.2回歸分析法</p><p>　　回歸分析法是一種曲線擬合法，即對(duì)過去的具有隨機(jī)特性的負(fù)荷記錄進(jìn)行擬合，得到一條確定的曲線，然后將此曲線外延到適當(dāng)時(shí)刻，就得到了該時(shí)

47、刻的負(fù)荷預(yù)測(cè)值。這種方法是研究變量和變量之間依存關(guān)系的一種數(shù)學(xué)方法。由于影響負(fù)荷的因素錯(cuò)綜復(fù)雜或相關(guān)因素?cái)?shù)據(jù)資料無法得到，在預(yù)測(cè)模型中，很難準(zhǔn)確、詳細(xì)、全面的描述影響預(yù)測(cè)對(duì)象的各種負(fù)荷因素，回歸分析法很難適應(yīng)；另外有時(shí)影響因素之間的高度相關(guān)，違背了回歸分析的基本假設(shè)，也會(huì)導(dǎo)致一系列錯(cuò)誤，則模型就不能用于預(yù)測(cè)。這些都使得回歸分析法的應(yīng)用受到了很大的限制，預(yù)測(cè)精度也較差，因而不是理想的預(yù)測(cè)方法[16]。</p><p&g

48、t;　　3.1.3時(shí)間序列法</p><p>　　用時(shí)間來代替影響負(fù)荷的因素，依據(jù)負(fù)荷過去的統(tǒng)計(jì)數(shù)據(jù)，找到其隨時(shí)間變化的規(guī)律，建立時(shí)序模型，以推斷未來負(fù)荷數(shù)值。其基本假設(shè)是：負(fù)荷過去的變化規(guī)律會(huì)持續(xù)到將來，即未來是過去的延續(xù)。其主要數(shù)學(xué)模型有自回歸(AR)模型、滑動(dòng)平均（MA）模型和自回歸－滑動(dòng)平均（ARMA）模型等。但時(shí)序法無論采用哪種模型都沒有考慮不同時(shí)刻負(fù)荷之間的相關(guān)性和其它因素（比如天氣因素）對(duì)負(fù)荷的影響

49、，預(yù)測(cè)精度較差，因此時(shí)序法存在著預(yù)測(cè)不準(zhǔn)確的問題[17]。</p><p>　　3.1.4小波分析方法</p><p>　　小波分析是近年來數(shù)學(xué)研究成果中杰出的代表。它是一種時(shí)域-頻域分析，在時(shí)域、頻域同時(shí)具有良好的局部化性質(zhì)。小波分析汲取了現(xiàn)代分析學(xué)中諸如泛函分析、調(diào)和分析、樣條分析等眾多數(shù)學(xué)分支的精華。小波變換能將交織在一起的不同頻率組成的混合信號(hào)分解成不同頻帶上的塊信號(hào)，對(duì)負(fù)荷序列進(jìn)

50、行小波變換，可以將負(fù)荷序列投影到不同的尺度上，而各個(gè)尺度可近似地看作各個(gè)不同的“頻帶”，這樣各個(gè)尺度上的子序列分別代表了原序列中不同“頻域”的分量，它們可以清楚的表現(xiàn)出負(fù)荷序列的周期性。在此基礎(chǔ)上，分別對(duì)各個(gè)尺度上變換得到的子序列進(jìn)行預(yù)測(cè)，最后利用各個(gè)尺度上的預(yù)測(cè)結(jié)果進(jìn)行信號(hào)重構(gòu)，就得到了完整的預(yù)測(cè)結(jié)果[18]。</p><p>　　3.1.5卡爾曼（Kalman）濾波方法</p><p>

51、;　　是建立狀態(tài)空間模型，把負(fù)荷作為狀態(tài)變量，用狀態(tài)方程和量測(cè)方程來描述。卡爾曼濾波算法遞推地進(jìn)行計(jì)算，適用于在線負(fù)荷預(yù)測(cè)。這是在假定噪聲的統(tǒng)計(jì)特性已知的情況下得出的，實(shí)際上，該方法的難點(diǎn)是對(duì)噪聲統(tǒng)計(jì)特性的估計(jì)[19]。</p><p>　　3.1.6灰色預(yù)測(cè)法</p><p>　　灰色預(yù)測(cè)理論其顯著特征就是用少量的數(shù)據(jù)做微分方程建立起預(yù)測(cè)的模型。在將一定范圍內(nèi)變化的歷史數(shù)據(jù)列進(jìn)行累加，使

52、其變成具有指數(shù)增長(zhǎng)規(guī)律的上升形狀數(shù)列，可以對(duì)生成的這個(gè)形狀數(shù)列建立起GM(GREY MODEL)模型。GM(1，n)也就是對(duì)n個(gè)變量用一階微分方程建立的灰色模型。GM(1，1)模型是灰色理論中最廣泛地用于電力負(fù)荷預(yù)測(cè)的一種有效模型，它屬于動(dòng)態(tài)建模，采用微分?jǐn)M合方程的方法來描述事物的發(fā)展變化規(guī)律?；疑A(yù)測(cè)具有要求負(fù)荷數(shù)據(jù)少、不考慮分布規(guī)律、不考慮變化趨勢(shì)、運(yùn)算方便、短期預(yù)測(cè)精度高、易于檢驗(yàn)等優(yōu)點(diǎn)，因此得到了廣泛應(yīng)有，并取得了令人滿意的效果

53、。但是，它和其他預(yù)測(cè)方法對(duì)比，也存在一定的局限性。一是當(dāng)數(shù)據(jù)離散程度越大，即數(shù)據(jù)灰度越大，則預(yù)測(cè)精度越差；二是不太適合于電力系統(tǒng)的長(zhǎng)期后推若干年的負(fù)荷預(yù)測(cè)。傳統(tǒng)方法的原理比較簡(jiǎn)單，理論比較成熟，因此至今仍有應(yīng)用。但是這些方法采用的數(shù)學(xué)模型過于簡(jiǎn)單，其參數(shù)難以及時(shí)、準(zhǔn)確地進(jìn)行估計(jì)和調(diào)整，而且不能反映負(fù)荷的突然變化，因此它們不能適應(yīng)用較精確的數(shù)學(xué)模型來描述負(fù)荷的變化規(guī)律及其它因素對(duì)負(fù)荷的影響，從而使這些方法難以獲得較高預(yù)測(cè)精度[20]。&l

54、t;/p><p>　　傳統(tǒng)預(yù)測(cè)方法的原理比較簡(jiǎn)單，理論比較成熟，因此至今仍有應(yīng)用。但是這些方法采用的數(shù)學(xué)模型過于簡(jiǎn)單，其參數(shù)難以及時(shí)、準(zhǔn)確地進(jìn)行估計(jì)和調(diào)整，而且不能反映負(fù)荷的突然變化，因此它們不能適應(yīng)用較精確的數(shù)學(xué)模型來描述負(fù)荷的變化規(guī)律及其它因素對(duì)負(fù)荷的影響，從而使這些方法難以獲得較高預(yù)測(cè)精度。</p><p><b>　　3.2人工智能方法</b></p>

55、<p>　　3.2.1人工神經(jīng)網(wǎng)絡(luò)法</p><p>　　人工神經(jīng)網(wǎng)絡(luò)(ARTIFICIAL NEURAL NETWORKS)是一種以人類大腦神經(jīng)網(wǎng)絡(luò)為模擬對(duì)象的仿生系統(tǒng)。它是在深入研究人腦神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，人工構(gòu)造的、能夠?qū)崿F(xiàn)某種特定功能的網(wǎng)絡(luò)，是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它是由大量的簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，是具有高度非線性處理能

56、力，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)。經(jīng)過半個(gè)多世紀(jì)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已逐漸成熟，并成功的應(yīng)用于模式識(shí)別、最優(yōu)化問題求解、信息的智能化處理、復(fù)雜控制和信號(hào)處理等領(lǐng)域，取得了很好的效果。</p><p>　　由于吸取了生物神經(jīng)網(wǎng)絡(luò)的許多優(yōu)點(diǎn)，相對(duì)于傳統(tǒng)的信息處理系統(tǒng)來說，人工神經(jīng)網(wǎng)絡(luò)具有以下的特點(diǎn)：</p><p>　　(1)高度的非線性。人生神經(jīng)網(wǎng)絡(luò)特別是多層次、非線性全

57、連接的網(wǎng)絡(luò)，其輸入輸出表現(xiàn)出非常顯著的外部非線性關(guān)系。經(jīng)證明，只要有足夠數(shù)目的神經(jīng)元，任何非線性連續(xù)函數(shù)都可以由一個(gè)三層網(wǎng)絡(luò)以任意精度來近似表達(dá)。這種強(qiáng)大的非線性逼近能力，是神經(jīng)網(wǎng)絡(luò)最重要的性質(zhì)之一。</p><p>　　(2)良好的自學(xué)習(xí)和自適應(yīng)性。人工神經(jīng)網(wǎng)絡(luò)能夠通過學(xué)習(xí)和訓(xùn)練來適應(yīng)環(huán)境的變化。當(dāng)外界環(huán)境發(fā)生變化時(shí)，經(jīng)過一段時(shí)間的訓(xùn)練與學(xué)習(xí)，人工神經(jīng)網(wǎng)絡(luò)能自動(dòng)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和連接模式，使得對(duì)于特定輸入能夠產(chǎn)生期

58、望的輸出。</p><p>　　(3)良好的容錯(cuò)性和聯(lián)想記憶能力。人工神經(jīng)網(wǎng)絡(luò)通過自身的網(wǎng)絡(luò)結(jié)構(gòu)，能夠?qū)崿F(xiàn)對(duì)信息的記憶。而所記憶的信息是存儲(chǔ)在神經(jīng)元之間的權(quán)值中，是一種分布式的存儲(chǔ)方式。即使部分信息丟失或模糊，也不會(huì)從根本上影響網(wǎng)絡(luò)的整體性能龜，從而表現(xiàn)出良好的容錯(cuò)性、很強(qiáng)的抗噪音能力和聯(lián)想推廣能力。網(wǎng)絡(luò)一經(jīng)訓(xùn)練成功，就可以正確的處理和訓(xùn)練樣本集相似的數(shù)據(jù)，在一定的誤差范圍內(nèi)，還可以處理非完全數(shù)據(jù)，由局部聯(lián)想到整

59、體，表現(xiàn)出聯(lián)想記憶的特征，適宜于處理知識(shí)背景不清楚、推理規(guī)則不明確的問題。</p><p>　　(4)高度的并行性。人工神經(jīng)網(wǎng)絡(luò)是由許多相同的簡(jiǎn)單處理單元組合而成，雖然每個(gè)單元的功能簡(jiǎn)單，但大量簡(jiǎn)單處理單元的并行活動(dòng)，卻能夠形成驚人的信息處理能力[21]。</p><p>　　3.2.2專家系統(tǒng)方法</p><p>　　專家系統(tǒng)是人工智能領(lǐng)域的一個(gè)重要分支，它是一種

60、基于知識(shí)推理的系統(tǒng)，它通過獲取大量的領(lǐng)域內(nèi)專家知識(shí)并在此基礎(chǔ)上進(jìn)行推理從而得到問題的解答。專家系統(tǒng)適用于專業(yè)范圍明確，沒有完整的、精確的理論的領(lǐng)域，專家系統(tǒng)是對(duì)人類的不可量化的經(jīng)驗(yàn)進(jìn)行轉(zhuǎn)化的一種較好的方法，若能將它與其他方法有機(jī)地結(jié)合起來構(gòu)成預(yù)測(cè)系統(tǒng)，將可得到滿意的結(jié)果[22]。</p><p>　　3.2.3模糊控制法</p><p>　　模糊集合和模糊推理是專門用來處理不確定性問題的理

61、論。模糊集合將經(jīng)典集合的絕對(duì)隸屬關(guān)系(非A即B)模糊化(既A又B)，典型的隸屬度函數(shù)有三角函數(shù)、梯形函數(shù)、正態(tài)分布函數(shù)、S形分布函數(shù)和Z形分布函數(shù)。模糊推理基于模糊規(guī)則，模糊規(guī)則以IF-THEN的形式來表達(dá)模糊集合間的關(guān)系。電力負(fù)荷預(yù)測(cè)是利用以往的數(shù)據(jù)資料找出負(fù)荷的變化規(guī)律，從而預(yù)測(cè)出電力負(fù)荷在未來時(shí)期的變化趨勢(shì)及狀態(tài)。實(shí)際預(yù)測(cè)時(shí)，常常需要在歷史負(fù)荷及影響其變化的相關(guān)環(huán)境因素?cái)?shù)據(jù)不確定的情況下進(jìn)行預(yù)測(cè)，模糊數(shù)學(xué)為處理此類問題提供了有效手

62、段。模糊理論是將操作人員的經(jīng)驗(yàn)以規(guī)則的形式表達(dá)出來，并轉(zhuǎn)換成可以在計(jì)算機(jī)上運(yùn)行的算法。它在電力系統(tǒng)的許多領(lǐng)域中得到了應(yīng)用。近年來出現(xiàn)了模糊回歸分析法、模糊聚類識(shí)別預(yù)測(cè)法、模糊與神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用等方法。由于模糊推理可以利用有限的規(guī)則近似任意的函數(shù)關(guān)系，將這一理論應(yīng)用于負(fù)荷預(yù)測(cè)是不錯(cuò)的選擇。最新資料顯示，模糊系統(tǒng)和其他方法結(jié)合的負(fù)荷預(yù)測(cè)的精度要明顯優(yōu)于其他負(fù)荷預(yù)測(cè)方法[23]。</p><p>　　綜上所述，相對(duì)于其

63、它的預(yù)測(cè)方法來說，人工神經(jīng)網(wǎng)絡(luò)法被認(rèn)為是一種簡(jiǎn)單而有效的負(fù)荷預(yù)測(cè)技術(shù)，非常適合用來進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè)。不同的預(yù)測(cè)方法有各自的優(yōu)點(diǎn)和缺點(diǎn)，為了發(fā)揮不同方法的優(yōu)點(diǎn)，避開其不足，人們?cè)谪?fù)荷預(yù)測(cè)過程中將不同的預(yù)測(cè)方法加以組合，形成了許多種組合方法，在一定條件下能夠有效的改善模型的擬合能力和提高預(yù)測(cè)的精度。</p><p>　　4電力負(fù)荷預(yù)測(cè)存在的問題及解決方法</p><p>　　4.1電力

64、負(fù)荷預(yù)測(cè)存在的問題</p><p>　　經(jīng)典的負(fù)荷預(yù)測(cè)是根據(jù)電網(wǎng)的歷史數(shù)據(jù)，找出負(fù)荷隨各種因素變化的規(guī)律，在一定的假設(shè)下，建立適當(dāng)?shù)臄?shù)學(xué)模型，預(yù)測(cè)未來的某一時(shí)刻負(fù)荷。但依靠數(shù)學(xué)建模進(jìn)行預(yù)測(cè)對(duì)上述的隨機(jī)性、周期性及表現(xiàn)人的判斷顯得無能為力，所以我們把負(fù)荷預(yù)測(cè)方法中存在的問題歸結(jié)為：</p><p>　　4.1.1負(fù)荷歷史數(shù)據(jù)的壞數(shù)據(jù)處理</p><p>　　負(fù)荷的歷史

65、數(shù)據(jù)一般來源于SCADA數(shù)據(jù)庫(kù)，由于系統(tǒng)中各種終端讀表的各種誤差，數(shù)據(jù)庫(kù)中的數(shù)據(jù)經(jīng)常會(huì)受到污染。常見的有毛刺、某一段數(shù)據(jù)突然變大或變小、和數(shù)據(jù)的不正常波動(dòng)等。而沖擊負(fù)荷比較大的地區(qū)，負(fù)荷數(shù)據(jù)的過分波動(dòng)不利于掌握負(fù)荷的變化趨勢(shì)，增加了負(fù)荷分析的難度。因此在用歷史數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)前，壞數(shù)據(jù)的辨識(shí)與修正是必須要做的工作。即確定某條曲線中存在壞數(shù)據(jù)，然后找出壞數(shù)據(jù)在曲線中的位置，將其剔除掉并進(jìn)行修正。</p><p>

66、　　4.1.2節(jié)假日的負(fù)荷預(yù)測(cè)</p><p>　　在國(guó)家法定節(jié)假日（元旦、春節(jié)、五一和國(guó)慶）期間負(fù)荷與平時(shí)相比明顯降低，尤其是春節(jié)更是持續(xù)長(zhǎng)時(shí)間、大幅度的曲線下降和變形。節(jié)假日負(fù)荷一般要求提前半個(gè)月到一個(gè)月左右做出預(yù)測(cè)，節(jié)假日的預(yù)測(cè)一直是負(fù)荷預(yù)測(cè)的難點(diǎn)之所在。由于數(shù)據(jù)量較少，參考上一節(jié)假日相隔時(shí)間又長(zhǎng)達(dá)一年，無法形成足夠有效的樣本集使得神經(jīng)網(wǎng)絡(luò)方法不能使用于節(jié)假日預(yù)測(cè)中，需要結(jié)合傳統(tǒng)的多種方法另找途徑。<

67、/p><p>　　4.1.3氣象因素的影響</p><p>　　研究表明，氣象因素對(duì)負(fù)荷預(yù)測(cè)精度的影響不可忽視，傳統(tǒng)的預(yù)測(cè)方法不能考慮氣象或者考慮氣象不充分，導(dǎo)致預(yù)測(cè)結(jié)果不夠理想。需要結(jié)合多種方法，如模糊聚類法法將氣象因素（溫度、濕度、天氣狀況等）考慮在內(nèi)。</p><p>　　4.1.4電力市場(chǎng)環(huán)境下，負(fù)荷的變化還與電價(jià)有關(guān)。</p><p>

68、　　4.1.5隨機(jī)因素。</p><p>　　其他大量引起負(fù)荷變化的隨機(jī)因素也經(jīng)常存在，例如大負(fù)荷用戶的用電調(diào)整以及重大的政治經(jīng)濟(jì)活動(dòng)等。</p><p>　　4.2針對(duì)上述問題的解決方法</p><p>　　電力負(fù)荷預(yù)測(cè)的難點(diǎn)在于影響因素眾多，它包含有內(nèi)外部的隨機(jī)因素，特別是許多非負(fù)荷因素的影響。這些影響因素與預(yù)測(cè)值之間形成復(fù)雜的非線性關(guān)系。影響負(fù)荷預(yù)測(cè)的主要因素

69、如下[28]：</p><p>　　4.2.1定量分析與定性分析相結(jié)合的問題</p><p>　　影響電力負(fù)荷的因素很多，在以往的負(fù)荷預(yù)測(cè)中，我們往往只重視定量的分析，而忽略了定性的分析，這是一個(gè)值得注意的問題。定性分析包括在進(jìn)行定量分析之前，對(duì)某些基本數(shù)據(jù)進(jìn)行必要的分析，如對(duì)負(fù)荷數(shù)據(jù)特性的分析等。</p><p>　　4.2.2原始數(shù)據(jù)的收集和篩選</p&g

70、t;<p>　　近年來我國(guó)的電力負(fù)荷預(yù)測(cè)的研究，對(duì)于模型的建立比較重視，而不去深入分析和收集原始數(shù)據(jù)，以至造成有時(shí)原始數(shù)據(jù)的篩選分析與模型不配套的弊端。要成功地進(jìn)行預(yù)測(cè)，必需要把握以下四大環(huán)節(jié)：</p><p>　　(1)要收集盡可能全面的信息。如果信息面過窄，就極難得到恰當(dāng)?shù)念A(yù)測(cè)。</p><p>　　(2)要使用正確的篩選手段與方法，有用的真實(shí)信息常常淹沒在大量的干擾信號(hào)

71、之中，只有使用正確的篩選手段與方法，才能去偽存真。</p><p>　　(3)應(yīng)使邏輯運(yùn)算的假設(shè)盡可能地符合實(shí)際，任何一種模型或邏輯運(yùn)算，都是以假設(shè)為前提的，如果假設(shè)離前提太遠(yuǎn)，那就不可能獲得成功地預(yù)測(cè)結(jié)果。</p><p>　　4.2.3電力負(fù)荷預(yù)測(cè)的依據(jù)</p><p>　　首先，要明確電力負(fù)荷預(yù)測(cè)的依據(jù)，從實(shí)際出發(fā)，選擇正確的預(yù)測(cè)方法。電力負(fù)荷預(yù)測(cè)既要依據(jù)調(diào)度

72、專家成功可靠的經(jīng)驗(yàn)，更要依據(jù)符合的歷史數(shù)據(jù)。</p><p>　　其次，電力系統(tǒng)負(fù)荷變化具有顯著地周期性。通過對(duì)實(shí)際負(fù)荷記錄的分析發(fā)現(xiàn)，按小時(shí)觀測(cè)的負(fù)荷具有以24小時(shí)或7天變化的周期，這種周期性變化的規(guī)律是電力負(fù)荷變化的又一本質(zhì)特征。在預(yù)測(cè)方法中，如何體現(xiàn)其變化的周期性，從而使預(yù)測(cè)結(jié)果更符合實(shí)際，也是負(fù)荷預(yù)測(cè)中面臨的實(shí)際問題。</p><p><b>　　5結(jié)語(yǔ)</b>

73、;</p><p>　　近幾年來負(fù)荷預(yù)測(cè)的方法越來越多，本文針對(duì)實(shí)際應(yīng)用過程中遇到的問題提出有針對(duì)性的方法并加以改進(jìn)。但是，由于時(shí)間和精力有限，這些方法仍存在一定的不足之處，有很多地方還有待完善。希望在以后的學(xué)習(xí)和工作中將更多的理論和實(shí)際知識(shí)結(jié)合起來，并將其進(jìn)一步優(yōu)化，得到一個(gè)非常實(shí)用的短期負(fù)荷預(yù)測(cè)模型。</p><p><b>　　后 記</b></p>

74、<p>　　歲月如流水，從報(bào)考網(wǎng)校到現(xiàn)在已經(jīng)2年了，感覺自己真不再是個(gè)孩子了。對(duì)待一些事情總是缺乏嚴(yán)謹(jǐn)認(rèn)真的態(tài)度，希望安老師這次能夠原諒我這次的簡(jiǎn)單到我自己都不能原諒自己的錯(cuò)誤 。至此論文完成之際，謹(jǐn)向我尊敬的導(dǎo)師安老師你致以誠(chéng)摯的謝意和崇高的敬意。非常幸運(yùn)能夠成為您的學(xué)生，聆聽著您孜孜不倦的教誨，感受著您嚴(yán)謹(jǐn)進(jìn)取的治學(xué)精神和樂觀向上的生學(xué)會(huì)了許多做人的道理。以后一定，嚴(yán)謹(jǐn)再嚴(yán)謹(jǐn)，同時(shí)，祝您工作順利，合家歡樂，身體健康，一

75、切安好！</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1]陳浩．基于人工神經(jīng)網(wǎng)絡(luò)的電力短期負(fù)荷預(yù)測(cè)系統(tǒng)研究．昆明理工大學(xué)碩士學(xué)位論文，2005．1-6．</p><p>　　[2]楊爭(zhēng)林，宋燕敏，曹榮章等．短期負(fù)荷預(yù)測(cè)在發(fā)電市場(chǎng)中的應(yīng)用電力系統(tǒng)自動(dòng)化，2000，24(1)：14-17．</p><p&

76、gt;　　[3]Moghram I，Rah man S. Analysis and evaluation of five short-term load forecasting techniques．IEEE Trans. On POWRS，1989，4(4)：1484-1491．</p><p>　　[4]招海丹，余得偉.模糊專家系統(tǒng)用于短期負(fù)荷預(yù)測(cè)修正的初步探討.華東電力，2000(5).</p>

77、<p>　　[5]歐建平，李麗娟.人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用.廣東電力，1999(4).</p><p>　　[6]劉晨輝，電力系統(tǒng)負(fù)荷預(yù)報(bào)理論與方法.哈爾濱，哈爾濱工業(yè)大學(xué)出版社，1987.</p><p>　　[7]Shimon S.Gad A，“Neural Networks for Decision Support：Problems and Oppo

78、rtunities”，Decision Support Systems，1994(12)：393-414.</p><p>　　[8]孫目清，分布式分層BP算法在短期負(fù)荷預(yù)測(cè)中的應(yīng)用；電力自動(dòng)化設(shè)備，1996 (5).</p><p>　　[9]王曉文，梁志珊.應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè).東北電力技術(shù)，1999(2).</p><p>　　[10]馬濤．基于模糊

79、控制RBF神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)的研究．西安科技大學(xué)碩士學(xué)位論文，2009，2-5．</p><p>　　[11]林清，王辛.電力系統(tǒng)負(fù)荷預(yù)報(bào)的神經(jīng)網(wǎng)絡(luò)LBP算法.電工電能新技術(shù)，1999 (1).</p><p>　　[12]陶小虎，黃民翔．一種基于模糊規(guī)則和神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)方法．電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2000，32(10)．</p><p>　　[13]趙璐．