【正文】 .....36 參考文獻 ......................................................37 致謝 ..........................................................39 附錄 1 ..........................................................5 附錄 2 ..........................................................6 附錄 3 ..........................................................7 附錄 4 .........................................................17 章及標題 1 第 1 章 緒論 課題背景 及意義 電力系統(tǒng)的任務是給用戶不間斷 地提供優(yōu)質電能，滿足各類負荷的需要。 負荷預測是在考慮各 種影響的條件下，利用一套系統(tǒng)地處理過去與未來負荷的數(shù)學方法，在滿足一定精度要求的條件下，確定未來某特定時刻的負荷值。 負荷預測按時間期限進行分類，通常分為長期、中期、短期、超短期負荷預測。 電力系統(tǒng)負荷預測是電力生產(chǎn)部門的重要工作之一，對于電力系統(tǒng)控制、運行和計劃的意義非常重要。負荷預測 的結果 對于機組啟停的安排 及新的發(fā)電機的安裝 ， 對于電網(wǎng)的增容和改建，對于 旋轉備用容量大小的安排 、檢修計劃安排的合理性 、 發(fā)電成本及經(jīng)濟效益都有重要影響 。未來時刻的電力系統(tǒng)調度安排取決于負荷預測的結果，因此其結果的準確性直接影響調度結果，進一步對電力系統(tǒng)的安全運行及其經(jīng)濟性帶來重要影響。 電力負荷變化受多方面影響 。在為解決電力壟斷而實行的市場化運營條件下，由于電力交易更加頻繁 及 經(jīng)營主體的差別，會出現(xiàn)各種不確定性因素，另外電價對于負荷變化的影響逐漸增強， 是的負荷預測更加困難 。 市場各方更加重視信息的獲取，準確的預測結果對于電力經(jīng)營主體的運行效益有直接影響，因而對負荷預測精度又提出更高要求。但目前的負荷預測是人工進行的，是調度人員根據(jù)經(jīng)驗尋找相似日直觀的預測，且僅限于提前一天的預測。因此需要一個自動的預測系統(tǒng)，以滿足機組調動及經(jīng)濟效益的需求 ，且 該系統(tǒng)要能減少對調度人員經(jīng)驗的依賴性并適應于不同的精度要求。 因此， 電力負荷預測水平成為衡量一個電力企業(yè)的管理是否走向現(xiàn)代化的標志之一，尤其在電力事業(yè)高度發(fā)展的今天，用電管理走向市場，電力負荷預測問題的解決也成為我們面臨的艱巨而重要的任務。 國內(nèi)外研究現(xiàn)狀 國內(nèi)外許多學者對此進行了研究， 發(fā)展至今，已 提出了許多測試方法，并在預測中應用最新的數(shù)學成果，預測水平得到迅速提高，預測研究取得了燕山大學本科生畢業(yè)設計（論文） 2 很大進展。 負荷預測的核心問題是預測的技術方法，即預測數(shù)學模型的建立。隨著現(xiàn)代科學技術的發(fā)展，預測理論技術得到了很大 改進，理論研究得到逐步深入。例如在國內(nèi) ， 華北電力大學的陳志業(yè)、牛東曉教授等先后對此進行了研究，開發(fā)了適合短、中、長期各類負荷預測的 應 用軟件包，分別通過了電力工業(yè)部和有關網(wǎng)省局的技術鑒定，鑒定認為負荷預測模型的 研究達到了國際先進水平，并已廣泛的應用于 華北電網(wǎng)各個地區(qū) [1]。 現(xiàn)已有的預測技術可分為定性的經(jīng)驗預測技術及依賴于數(shù)量模型、定量的預測技術。在實際應用中， 經(jīng)驗技術 方法的預測精度并不比定量方法的預測精度差，甚至比某些定量方法的預測精度更高，尤其是在 含有 天氣突變、重大事件等 不確定性因素的 特殊情況下。 經(jīng)驗技 術方法不是依靠模型分析，而主要是依靠專家的判斷，其結果只是給出一個方向性的結論，這個結論也可能是數(shù)值型的。常用經(jīng)驗技術 有專家預測法（通過召開專家會議，面對面討論問題或采用匿名方式獨立發(fā)表各自的意見） 、類比法（ 對類似事物作類比分析，通過已知事物預測未知事物 ） 、主觀概率預測法（綜合若干專家估計的特定事件發(fā)生地主觀概率 p=∑Q/N） 。 經(jīng)典技術包括：單耗法 （平均單位用電量 *該產(chǎn)品產(chǎn)量） 、 負荷密度法（某地區(qū)用電密度 *人口數(shù)或土地面積）、比例系數(shù)法（假定以后與過去有相同的電力負荷增長比例，用歷史數(shù)據(jù)求出比例系數(shù)，按比 例預測未來發(fā)展）、彈性系數(shù)法 [1]。 以下簡單介紹一下實際應用中的傳統(tǒng)技術方法。 （ 1） 平滑預測方法 平滑預測法是 對 收集到的負荷變化的 T 期數(shù)據(jù)，根據(jù)預測中“重近輕遠”的原則，加以不等權，加大新近數(shù)據(jù)的權系數(shù)，減小遠期數(shù)據(jù)的權數(shù)，以加強近期數(shù)據(jù)的作用，弱化遠期數(shù)據(jù)的影響。 （ 2）回歸模型 預測技術 電力負荷回歸模型預測技術就是根據(jù)負荷的歷史資料，用數(shù)理統(tǒng)計中的回歸分析方法，建立回歸模型，對觀測數(shù)據(jù)進行統(tǒng)計分析， 研究 隨機變量與可控量之間的關系，對未來負荷進行預測 。回歸預測包括 線性回歸與 非線性回歸。 由于在實際中， 負荷受多方面影響，分析變量間關系就要用到多元回歸。 章及標題 3 多元 線性 回歸模型的數(shù)學表達式： ? ?0 1 120,ppy b b x b xN???? ? ? ? ? ???? ?? （ 11） 其中12, , , px x x是線性可控量， 201, , , ,pb b b ? 是與可控量無關的未知參數(shù)， ? 是未知誤差。 模型經(jīng)參數(shù)估計與檢驗后，既可用于預測。 設定預測點 ? ?01 02 0, , , px x x，代入式（ 11）得觀察值為 0y ，其預測值為 0 0 1 0 1 0ppy b b x b x? ? ? ? （ 12）預測誤差為 0 0 0yy? ?? （ 13） 以上介紹的是線性 回歸 模型，但在實際中多是非線性的變量關系，有些特殊情況可以通過適當?shù)淖兞看鷵Q，轉換線性相關問題，以簡化研究過程 [2]。 回歸分析具有原理簡單，預測 速度快等特點，但其具有下述弱點，使其應用具有較大的局限性： 1） 要求大量的樣本； 2） 要求樣本有較好的分布規(guī)律與確定的發(fā)展趨勢； 3） 計算工作量大； 4） 可能出現(xiàn)量化結果與定性分析結果不符的現(xiàn)象。 此類方法實用于電力系統(tǒng)的中期負荷預測 [3]。 （ 3） 時間序列預測技術 一個隨著時間變量 t 變化的量 ??yt ，在不同時刻的觀察 ? ? ? ? ? ?12, , , ,ny t y t y t組成的離散有序集，稱為一個時間序列。電力 負荷的歷史數(shù)據(jù)即為有序集合， 這個集合就是一個時間序列，用這個 序列模型 分析負荷變化規(guī)律并對 該序列在未 來 時刻的變量 作出預報，就是負荷預測的時間序列法 [1]。在經(jīng)過模型識別、參數(shù)估計及模型檢驗后，該模型用于負荷預測。 該方法計算速度快，能反映負荷近期變化的連續(xù)性，但對模型的平穩(wěn)性要求較高，且沒有考慮天氣變化對負荷的影響。 燕山大學本科生畢業(yè)設計（論文） 4 （ 4）灰色預測技術 灰色預測是用灰色模型 GM(1， 1)、 GM(1， n)進行定量的分析?；疑?理論用累加生成、 累減生成、均值化生成、及比生成、灰數(shù)的白化函數(shù)生成等灰色系統(tǒng)生成方式把原始數(shù)據(jù)進行整理求 得隨機性化弱化、規(guī)律性強化了的生成數(shù)。用此生成數(shù)建立微分方程即為灰色建模。 對模型的精度和可信度進行校驗并修正后即可據(jù)此模型預測未來的負荷。此法適用于短、中、長三個時期的負荷預測。 灰色預測具有 要求負荷數(shù)據(jù)少、不考慮分布規(guī)律、不考慮變化趨勢、運算方便、短期預測精度高，易于檢驗 等優(yōu)點 。 但也存在 當數(shù)據(jù)離散程度越大 ， 即數(shù)據(jù)灰度越大，預測精度越差 這樣的缺點 。 因此其應用也存在一定的局限性。 為了解決這一問題，人們對灰色預測做了很多改進 ，希望這一技術成為研究負荷變化規(guī)律的新型有效技術 [5]。 隨著預測理論技術的不斷發(fā)展，新 的預測方法不斷出現(xiàn)， 以 下簡單介紹幾種預測技術的新方法。 （ 1）優(yōu)選組合預測技術 優(yōu)選組合預測 是預先選擇若干預測模型，計算每一種預測模型在近期的預測誤差 ，可采取一定的加權方式對這些誤差進行加權組合，也可在這些模型中選擇擬合優(yōu)度最佳或標準誤差最小的預測模型進行預測的方法 [4]。 常用組合技術有：等權平均組合預測法、方差 —協(xié)方差優(yōu)選組合預測法、回歸組合預測法、模型群優(yōu)選組合預測法。 在單個預測模型不能完全正確地描述預測量的變化規(guī)律 時采用組合預測方法，取各個預測模型之長而避其之短。因其 建立在最大信息利用的基礎上，最優(yōu) 組合了多種單一模型所包含的信息，從而改善預測效果。 但 優(yōu)選組合預測法在建立模型時也受到兩方面的限制：一是不可能將所有在未來起作用的因素全包含在模 型中；二是很難 確定眾多參數(shù)之間的精確關系。所以其預測 精度 的 提高 很受 限制。 （ 2） 專家系統(tǒng)預測技術 對于各種可能引起負荷變化的情況，還需要預測人員的經(jīng)驗與判斷 力。 專家系統(tǒng)預測是一個用基于知識的程序設計方法建立起來的計算章及標題 5 機系統(tǒng)，它擁有某個領域內(nèi)專家的知識和經(jīng)驗，并能像專家那樣運用這些知識，通過推理，在那個領域內(nèi)做出智能決策。一個完整的專家系統(tǒng)由四個部分組成：知識庫、推 理機、知識獲取部分和界面 ，其中 最重要的部分是知識庫。 專家系統(tǒng) 法 是將人類的不可量化的經(jīng)驗進行轉化的一種較好的方法， 從前述專家的觀點找出歷史負荷數(shù)據(jù)和溫度之間的對應關系，運用知識、經(jīng)驗和經(jīng)驗系統(tǒng)操作器的模擬推理負荷預測。 若能將它與其他方法有機地結合起來，構成預測系統(tǒng)，將可得到滿意的結果。 此方法能克服單一算法的片面性，且具有快速判斷的優(yōu)點。 但把專家知識和經(jīng)驗等準確的轉化為一系列規(guī)則是非常不易的，因此應用又不方便。 （ 3）小波分析預測技術 小波分析 （ Wavelet） 是本世紀數(shù)學研究中最杰出的代表，由于其在理論上 的完美性及在應用上的廣泛性，受到了科學界、工程界的高度重視。 小波分析是一種時域 頻域分析 方法 ，它在時域、頻域 內(nèi) 同時具有良好的局部化性 質，且能根據(jù)信號的頻率自動調節(jié)采樣疏密。它容易捕捉和分析微弱信號以及信號、圖像的任意細小部分。 以下優(yōu)點決定了小波分析可以有效地用于負荷預測的研究： 1） 能對不同的頻率成分采用逐漸精細的采樣步長，從而可以聚焦到信號的任意細節(jié)； 2） 對奇異信號很敏感，能很好地處理微弱或突變的信號 ； 3） 能將一個信號的信息轉化成小波系數(shù)，從而能方便地加以處理、存儲、傳遞、分析或用于重建原始信號 。 電力系統(tǒng)負荷具有周期性，即以天、周、年為周期發(fā)生波動，大周期中套有小周期。 由于 小波信號能將不同頻率的混合信號分解成不同頻帶上的塊信號， 因此對負荷序列進行小波變換將負荷序列投影到不同的尺度上，這樣各個尺度上的子序列代表了原序列中的不同‘頻域’分量，更清楚地表現(xiàn)了負荷序列的周期性。對不同的子序列進行預測，最后通過序列重組，得到完整的負荷預測結果，其精確性比直接用原負荷序列燕山大學本科生畢業(yè)設計（論文） 6 進行預測有一定改進 [6]。 （ 4）神經(jīng)網(wǎng)絡預測技術 負荷曲線是與很多因素相關的一個非線性函數(shù)，對于抽取和逼近這種非線性函數(shù)，神經(jīng)網(wǎng)絡是一種 合適的方法。 神經(jīng)網(wǎng)絡預測技術是剛剛興起的一種方式。它可以模擬人腦對各種信息進行智能化處理，具有學習和自適應功能，是以往算法和技術所不具備的。預測被當做人工神經(jīng)網(wǎng)絡 （ ANN） 最具潛力的應用領域之一。 利用人工神經(jīng)網(wǎng)絡 （ ANN） ，選取過去一段時間的負荷作為訓練樣本，構造適宜的網(wǎng)絡結構，用某種訓練算法對網(wǎng)絡進行訓練， 學習訓練數(shù)據(jù)中所蘊涵的規(guī)律，并將這種規(guī)律保存在自己的權值矩陣中， 滿足精度要求之后， 用于 負荷預測。 一般而言， ANN 應用于短期負荷預測要比應用于中長期負荷預測更為合適。 因為短期負荷變化可以認為是一個平穩(wěn) 隨機過程，而長期負荷預測與國家或地區(qū)的政治、經(jīng)濟 、 政策等因素密切相關，通常會有些大的波動，而并非是一個平穩(wěn)隨機過程 [7]。 人工神經(jīng)網(wǎng)絡在負荷預測中的應用 人工神經(jīng)元網(wǎng)絡 （ ANN） 適于解決時間序列的預測問題，尤其是平穩(wěn)隨機過程的預測。 其 在負荷預測中的應用理論上是可行的。 （ 1）首次采用 ANN 進行電力系統(tǒng)負荷預測采用的是 BP 模型，用不同的輸入預測不同的負荷。采用的模型結構比較簡單 ，且只限于預測日。 用于網(wǎng)絡訓練的樣本數(shù)據(jù)為歷史數(shù)據(jù)，但未做適當?shù)念A處理，訓練時間較長 。一些學者在此基礎上進行研究，提出了 BP 模型的自適應算法，適于解決樣本數(shù)據(jù)不太平穩(wěn)時的訓練問題且速度快，在短期負荷預測方面比標準算法有效。 （ 2） 對于樣本的選取，有關文獻提出了在歷史數(shù)據(jù)中選取與預測時間的特