【正文】 ）實施預(yù)測階段在進(jìn)行預(yù)測時，要依據(jù)選擇的預(yù)測方法來進(jìn)行預(yù)測。如果是采用定量預(yù)測方法來進(jìn)行預(yù)測，就要根據(jù)建立的定量預(yù)測模型，帶入預(yù)測期的自變量目標(biāo)值，就可以獲得預(yù)測期所要的預(yù)測變量值。如果是采用定性預(yù)測方法來進(jìn)行預(yù)測，就應(yīng)根據(jù)掌握的客觀資料進(jìn)行科學(xué)的邏輯推理，推斷出預(yù)測期的預(yù)測值。由于影響預(yù)測對象的諸因素可能會發(fā)生變化，從而可能使未來的實際結(jié)果與預(yù)測依據(jù)的歷史資料呈現(xiàn)的規(guī)律不相吻合，預(yù)測人員必須適時的對預(yù)測模型及預(yù)測結(jié)果加以修正。這種情況下，預(yù)測人員的經(jīng)驗、理論素養(yǎng)及分析判斷能力起重要的作用。（3）評價預(yù)測階段預(yù)測的主要成果是得到預(yù)測結(jié)果。預(yù)測結(jié)果應(yīng)該是明確的，可以被檢驗的。因此，在得到預(yù)測結(jié)果后必須對預(yù)測結(jié)果的準(zhǔn)確度和可靠性進(jìn)行評價。務(wù)使預(yù)測誤差處于可接受的范圍內(nèi)。若誤差太大，就失去了預(yù)測的意義，并從而導(dǎo)致電力規(guī)劃的失誤。（4）題出預(yù)測報告階段預(yù)測報告是預(yù)測結(jié)果的文字表述。預(yù)測報告一般包括題目、摘要、正文、結(jié)論、建議、和附錄等部分。預(yù)測題目主要反映預(yù)測目標(biāo)、預(yù)測對象、預(yù)測范圍和預(yù)測時限。摘要通常說明預(yù)測中的主要發(fā)現(xiàn)、預(yù)測的結(jié)果及提出的主要建議和意見。摘要與題目配合，可以引起有關(guān)方面的重視。正文包括分析及預(yù)測過程、預(yù)測模型及說明、有關(guān)計算方法、必要的圖表、預(yù)測的主要結(jié)論及對主要結(jié)論的評價。結(jié)論與建議是扼要地列出預(yù)測的主要結(jié)果，提出有關(guān)建議和意見。附錄主要包括說明正文的附表、資料，預(yù)測中采用的計算方法的推導(dǎo)和說明，以及正文中未列出的有價值的其他資料。電力負(fù)荷預(yù)測模型及基本算法、電力負(fù)荷預(yù)測模型針對影響系統(tǒng)負(fù)荷的因素，電力系統(tǒng)總負(fù)荷預(yù)測模型一般可以按四個分量模型描述為 L(t)=B(t)+W(t)+S(t)+V(t) （41）式中，L(t)為時刻t的系統(tǒng)總負(fù)荷；B(t)為時刻t的基本正常負(fù)荷分量；W(t)為時刻t的天氣敏感負(fù)荷分量；S(t)為時刻t的特別事件負(fù)荷分量；V(t)為時刻t的隨機負(fù)荷分量。（1） 基本正常負(fù)荷分量模型不同的預(yù)測周期，B(t)分量具有不同的內(nèi)涵。對于超短期負(fù)荷預(yù)測，B(t)近似線性變化，甚至是常數(shù)；對于短期負(fù)荷預(yù)測，B(t)一般呈周期性變化；而中長期負(fù)荷預(yù)測中，B(t)呈明顯增長趨勢的周期性變化。所以，對于基本正常負(fù)荷分量，可以用線性變化模型和周期變化模型描述，或用二者的合成共同描述，即 （42）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 （43）式中，a,b為線性方程的截距和斜率；為誤差。1）線性變化模型超短期負(fù)荷變化可以直接采用線性變化模型，將前面時刻的負(fù)荷描述成一條直線，其延長線即可預(yù)測下一時刻的負(fù)荷，如圖所示。短期負(fù)荷日均值接近于常數(shù)，長期負(fù)荷年均值增長較大，甚至需要用非線性模型（二次或指數(shù)函數(shù)）描述。針對短期負(fù)荷預(yù)測，將歷史上一段日負(fù)荷L按時序畫在一張圖上，將及每日平均負(fù)荷X畫在圖上，總體看來是一條斜率接近于零的直線，可用線性模型來描述。 負(fù)荷線性變化模型2）周期變化模型周期變化模型，是用來反映負(fù)荷有按日、按月、按年的周期變化特性。，其周期變化規(guī)律可以用日負(fù)荷變化系數(shù)表示： （44）其中，為一天中各小時的負(fù)荷；為當(dāng)天的日平均負(fù)荷。L12nn+181624816242424168 日負(fù)荷周期變化模型，其有明顯的周期性，即以24小時為周期循環(huán)變化。順序觀察每天同一時刻的負(fù)荷變化系數(shù)值，可以看出他們接近于一條水平線，這樣便可以用前幾天的同一時刻的負(fù)荷變化系統(tǒng)值的平均值預(yù)測以后的值。逐小時作出日負(fù)荷變化系數(shù)的平均值，連接起來就是一天總的周期變化曲線。我們把這種反映一天24小時負(fù)荷循環(huán)變化規(guī)律的模型稱為日周期變化模型。即 (t=1,2,...,24) （45）式中，n為過去日負(fù)荷的天數(shù)；為過去第天第t小時負(fù)荷變化系數(shù)。這樣，按線性模型預(yù)測B(t)的負(fù)荷均值X(t)，按周期變化模型預(yù)測B(t)的周期負(fù)荷變化系數(shù)Z(t)，用式（42）就可以得到基本負(fù)荷分量B(t)。（1） 天氣敏感負(fù)荷分量模型影響負(fù)荷的天氣因素，有溫度、濕度、風(fēng)力、陰晴等，這里以溫度為例說明天氣敏感負(fù)荷模型。以日負(fù)荷預(yù)測為例，給定過去若干天氣負(fù)荷記錄、溫度記錄，利用線性回歸或曲線擬合方法，可以用三段直線來描述天氣敏感負(fù)荷模型 （46）式中，t為預(yù)測溫度，可以是一日最高溫度、最低溫度、平均溫度或是某時點溫度；， 為電熱臨界溫度和斜率，時電熱負(fù)荷增加，其斜率為；，為冷氣臨界溫度和斜率，是冷氣負(fù)荷增加，其斜率為。在之間一段溫度上，電熱和冷氣均不開放，負(fù)荷和溫度沒什么關(guān)系。（3）特別事件負(fù)荷分量模型特別事件負(fù)荷分量指特別電視節(jié)目、重大政治活動等對負(fù)荷造成的影響。其特點是只有積累大量的事件記錄，才能從中分析出某些事件的出現(xiàn)對負(fù)荷的影響程度，從而作出特別事件對負(fù)荷的修正規(guī)則。這種分析可以用專家系統(tǒng)方法來實現(xiàn)，也可以簡單的用人工修正來實現(xiàn)。人工修正方法通常用因子模型來描述。因子模型又可以分為乘子模型和疊加模型兩種。乘子模型，是用一個乘子k來表示特別事件對負(fù)荷的影響程度，k一般接近于1，那么，特別事件負(fù)荷分量為 （47）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 （48）（4）隨機負(fù)荷分量模型上述各分量的數(shù)學(xué)模型，都不適應(yīng)于隨機負(fù)荷分量。實際上，對于給定的過去一段時間的歷史負(fù)荷記錄，提取出基本負(fù)荷分量、天氣敏感負(fù)荷分量和特別事件負(fù)荷分量后，剩余的殘差即為各時刻的隨機負(fù)荷分量，可以看成是隨機時間序列。目前，處理這樣問題的最有效辦法是BoxJenkins的時間序列法，其基本的時間序列模型有下述4種。1）自回歸模型一個自回歸模型（AR）描述的過程是它的現(xiàn)在值可以由本身的過去的有限項的加權(quán)和及一個干擾值a(t)（假設(shè)為白噪聲）來表示，即 （49）在自回歸模型中，模型的階數(shù)p和系數(shù)（=1，2，…,p）由過去值通過模型辨別和參數(shù)估計來決定。2）動平均模型動平均模型（MA）描述的過程是它的現(xiàn)在值V(t)可由其現(xiàn)在和過去的干擾值的有限項的加權(quán)和來表示，即 （410） 同樣，模型的階數(shù)q和系數(shù)（=1，2，…,q），由過去的歷史值通過模型辨別和參數(shù)估計決定。3）自回歸動平均模型自回歸動平均模型（ARMA）把它的現(xiàn)在值V(t)看作是它的過去值的有限項的加權(quán)和及其現(xiàn)在和過去干擾量的有限項加權(quán)的疊加，即 （411）4）累積式自回歸動平均模型非平穩(wěn)隨機過程多種多樣，一般常見的是含有趨勢項和周期項的非平穩(wěn)隨機過程。某些非平穩(wěn)隨機序列V(t)，例如均值不為0的非平穩(wěn)隨機過程，經(jīng)一階差分后得到的序列（1B）V(t)有可能是平穩(wěn)的。有趨勢變化的非平穩(wěn)隨機過程，有可能經(jīng)過若干次差分后才能平穩(wěn)化，即對V(t)作多次差分得到的是一個平穩(wěn)隨機過程，即 （412）式中，d為差分階數(shù)；B為后移算子。具有周期變化規(guī)律的非平穩(wěn)時間序列V(t)，它按固定的周期T呈現(xiàn)的規(guī)律變動。如果每個時間點的值都和超前T的（tT）值進(jìn)行差分運算，那么（1 ）V(t)就變成平穩(wěn)時間序列了，其中是周期為T的后移算子。所以，對于一個含有趨勢項的非平穩(wěn)隨機過程，可有下式來描述： （413）它即稱為ARIMA模型。本文研究的是某城市的某年某月某日的電力系統(tǒng)短期負(fù)荷預(yù)測，因此，影響系統(tǒng)負(fù)荷的因素包括上述的四種分量模型。短期負(fù)荷預(yù)測基本模型是指24小時的日負(fù)荷預(yù)測和168小時的周負(fù)荷預(yù)測，列舉其預(yù)測周期，知其基本變化規(guī)律可由線性變化模型和周期變化模型來描敘，日負(fù)荷至周負(fù)荷的變化，受特別事件影響明顯，對應(yīng)特別事件負(fù)荷分量模型，同附和隨機負(fù)荷分量。線性變化模型用來描敘日平均負(fù)荷變化規(guī)律，將歷史上一段日平均負(fù)荷按時序畫在一張圖上，可以看出每日平均負(fù)荷有波動，總體趨勢是一條直線，可用線性模型表示。周期模型用來描敘24小時為周期的變化規(guī)律，在分析日負(fù)荷曲線形狀時，除掉日平均負(fù)荷的變化因素，將連續(xù)幾天的日負(fù)荷變化畫在一張圖上，可以看出明顯的周期性，即以24小時為周期循環(huán)變化。特別事件（天氣）負(fù)荷分量，考慮時可把特別天氣或天氣變化看作是特別時間和其它如特別節(jié)目，重大紀(jì)念活動等合并作為特別事件考慮，也可以把有關(guān)天氣對負(fù)荷的影響和其他事件出現(xiàn)對負(fù)荷的影響分開考慮，負(fù)荷在一定程度上，受分量影響很大，進(jìn)一步提高負(fù)荷預(yù)測精度，關(guān)鍵是科學(xué)合理地預(yù)測特別事件負(fù)荷分量，但往往還不是一件容易的事情。詳細(xì)地考慮特別事件（天氣）負(fù)荷分量，是一件復(fù)雜的工作，可以專門用專家系統(tǒng)來做實際工作中一般做適當(dāng)簡化，目前，常把特別事件和天氣對負(fù)荷的影響分開考慮，特別事件用前已講過的乘子模型或疊加模型考慮；天氣變化對負(fù)荷的影響，一般主要考慮溫度影響，把負(fù)荷看作是溫度的函數(shù)，由歷史負(fù)荷數(shù)據(jù)和溫度記，通過線性同歸的辦法，來確定其關(guān)系。隨機負(fù)荷分量，一般由時間序列模型描述。、電力負(fù)荷預(yù)測基本算法電力負(fù)荷預(yù)測分為經(jīng)典預(yù)測方法和現(xiàn)代預(yù)測方法。 （1）經(jīng)典預(yù)測方法 1）時間序列法時間序列法是一種最為常見的短期負(fù)荷預(yù)測方法，它是針對整個觀測序列呈現(xiàn)出的某種隨機過程的特性，去建立和估計產(chǎn)生實際序列的隨機過程的模型，然后用這些模型去進(jìn)行預(yù)測。它利用了電力負(fù)荷變動的慣性特征和時間上的延續(xù)性，通過對歷史數(shù)據(jù)時間序列的分析處理，確定其基本特征和變化規(guī)律，預(yù)測未來負(fù)荷。時間序列預(yù)測方法可分為確定型和隨機性兩類，確定型時間序列作為模型殘差用于估計預(yù)測區(qū)間的大小。隨機型時間序列預(yù)測模型可以看作一個線性濾波器。根據(jù)線性濾波器的特性，時間序列可劃為自回歸(AR)、動平均(MA)、自回歸動平均(ARMA)、累計式自回歸動平均(ARIMA)、傳遞函數(shù)(TF)幾類模型，其負(fù)荷預(yù)測過程一般分為模型識別、模型參數(shù)估計、模型檢驗、負(fù)荷預(yù)測、精度檢驗預(yù)測值修正5個階段。時間列模型的缺點在于不能充分利用對負(fù)荷性能有很大影響的氣候信息和其他因素，導(dǎo)致了預(yù)報的不準(zhǔn)確和數(shù)據(jù)的不穩(wěn)定。2）回歸分析法回歸分析法就是根據(jù)負(fù)荷過去的歷史資料，建立可以分析的數(shù)學(xué)模型，對未來的負(fù)荷進(jìn)行預(yù)測。從數(shù)學(xué)上看，就是利用數(shù)理統(tǒng)計中的回歸分析方法，通過對變量的觀測數(shù)據(jù)進(jìn)行分析，確定變量之間的相互關(guān)系，從而實現(xiàn)預(yù)測目的?；貧w預(yù)測包括線性回歸和非線性回歸。回歸模型雖然考慮了氣象信息等因素，但需要事先知道負(fù)荷與氣象變量之間的函數(shù)關(guān)系，這是比較困難的。而且為了獲得比較精確的預(yù)報結(jié)果，需要大量的計算，這一方法不能處理氣候變量和負(fù)荷之間的非平衡暫態(tài)關(guān)系。雖然經(jīng)典的數(shù)學(xué)統(tǒng)計方法具有速度快的優(yōu)點，但是其預(yù)測模型比較簡單，很難準(zhǔn)確描述負(fù)荷預(yù)測的實際模型，所以其精度較差。隨著人工智能技術(shù)逐步被引入到短期負(fù)荷預(yù)測中，人們已經(jīng)提出了多種基于人工智能的預(yù)測方法，其中最為典型的為基于各種人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測方法，其中以神經(jīng)BP算