【正文】 testing case with data in the first quarter of 1991. Figure MAPE of testing result for the first quarter of 1991 Enhancement From our experience, we find that a system with ONLY traditional neural works is not sufficient to handle with various situations which utilities encounter quite often, For example, the system trained with regular data will not be able to produce good load forecast when there are some whether sudden changes. These problems can not be solved by simply adding similar historical data points into training data set since these points are not enough for the system to learn. We are adding two additional subsystems to our short term load forecasting system, namely, rulebased system and pattern recognition system. These two subsystems perform different task and are activated under certain situation such as those mentioned above. RuleBased System Neural works for pattern recognition, geic algorithms, and artificial neural work models of time series produce usable shortterm electric load forecasts. However, to obtain the minimum forecasting error with acceptable model plexity and training time requires tuning of the model parameters to the conditions of specific for regional forecasts,particular geographic regions and service areas may be more or less sensitive to factors such as tempearature and holidays,depending on whether the load is primarly industrial,mercial,or residential,on whether the load is summerpeaking or winterpeaking,etc. In ordr for a shortterm electrical load forecasting system to be successfully used by utility dispatchers and others with no background in artificial intelligence,while at the same time achieving the best performance,it is necessary to supply rules for setting the various parameters according to the local conditions. Pattern Recognition System One approach to daily forecasting used by many utilities,given a large database of hourly loads,is to locate a day in the record that is similar to the day to be forecasted, and use that day as a basis for a issue is how to select a similar day from the historical record. There are many possible ways to define similarity,one we used is the Mean Absolute Percentage Error(MAPE).We have concluded: (1) Neural works can be used to recognize patterns and to estminate the similarity matching. (2) These neural work forecasts should be bined with other,independent forecasts,such as obtained from time series(tapped delay line)methods,with weights based on the variances of the errors in each method. Conclusion In this paper, we consider a hybrid neural work based load forecasting system which consists of linear and nonlinear neural works. We have demonstrated that our system is ideal for utility and ready for mercial applications,We also describe two subsystems as the enhancement to our existing system to handle various unusual situations. 譯文： 人工神經(jīng)網(wǎng)絡在短期負荷預測中的應用 摘要： 在本文，我們將討論如何利用人工神經(jīng)網(wǎng)絡對短期負荷進行預測。我們的系統(tǒng)可以實現(xiàn)準確性高的短期負荷預測。 很多種電力系統(tǒng)負荷預測方法在學術界已經(jīng)報導了。 在本文中，我們把這網(wǎng)絡看作是建立在負荷預測系統(tǒng)上的混合神經(jīng)網(wǎng)絡。這種基于 ARMA 模型的神經(jīng)網(wǎng)絡主要用來捕獲負荷在很短時間期限內的變化。我們使用 Widrow 霍夫算法訓練線性神經(jīng)網(wǎng)絡。第五部分詳細介紹了負荷預測系統(tǒng)；第六部分給出了一些仿真結果；最后，第七部分介紹了系統(tǒng)的優(yōu)化處理。但是，工業(yè)區(qū)域對于經(jīng)濟因素較為敏感，如假期。我們常用線性神經(jīng)網(wǎng)絡來建立 ARMA 模型，這種基于 ARMA 模型的神經(jīng)網(wǎng)絡主要用來捕獲負荷在很短時間期限（一個小時）內的變化。這樣就減少了給定精度模型的大小和運算時間或是提高了給定規(guī)模大小的模型的精度。錯誤的是定義了輸出單元的計數(shù)值和實際值或理想值之間的偏差的平方，這個定義使函數(shù)在微分的時候發(fā)生錯誤。 所以，在傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡中，沒有自動消除無關輸入節(jié)點和隱含節(jié)點的功能。相反地，如果神經(jīng)網(wǎng)絡太大，它不僅可以容納基本信號，還可以容納訓練時的噪聲，這就是我們所知的“過擬合”現(xiàn)象。非線性神 經(jīng)網(wǎng)絡的大小可以通過檢查相關性系數(shù)或 是通過遺傳算法來選擇最優(yōu)的輸入變量來減小。減少訓練時間是我們希望達到的，不僅可以通過減少計算消耗，也可以通過研究考慮更多的可取的輸入變量來達到，從而達到優(yōu)化預測的精度。除了前 4 天，負荷的相關峰值下降到 外，第 7 天又上升了?？梢杂^測到，負荷變化與之前的負荷有很大影響，這就表明一個小時后的負荷預測將會變得簡單。然后兩根曲線被隨機選擇（與它們的 MAPEs 的概率成反比）。這些低適應能力的將會被丟棄，高適應能力的將會繁殖下一代。整個系統(tǒng)的結構如圖 示。 這兩個網(wǎng)絡組成的最初的網(wǎng)絡結構是基于統(tǒng)計分析和遺傳算法。例如，我們要預測明天上午 10 點的負荷值，顯然，我們擁有的明天上午 9 點的負荷值 不是實際值，我們只有明天上午 9 點的預測值。雖然 t 時刻的負荷受到 1?t 時刻的顯著影響，但是 1?t 時刻的負荷本身的準確度不足夠以至影響預測 t 時刻負荷的準確度。相似的，線性神經(jīng)網(wǎng)絡也有 24 個子網(wǎng)?？梢栽谔囟〞r間根據(jù)預測精度更新系統(tǒng) （ 4） 預測精度高 可以得出系統(tǒng)的這些優(yōu)點對于商業(yè)應用來說是很重要的。 圖 1991第一季度 MAPE的驗證結果 優(yōu)化處理 由經(jīng)驗可知，我們發(fā) 現(xiàn)只有一個傳統(tǒng)神經(jīng)網(wǎng)絡的系統(tǒng)不足夠處理我們往往遇到的那些具有多種變化情況的公共事業(yè)公司。這兩個字子系統(tǒng)在遇到上述的一些情況下會起不同的作用和完成不同的任務。 為了使公共事業(yè)單位或其他沒背景的公司能夠成功使用人工智能的短期負荷預測系統(tǒng)，當它達到最佳性能的時候，有必要提供根據(jù)當?shù)貤l件來設置變化參數(shù)的規(guī)則。 （ 2） 這些神經(jīng)網(wǎng)絡應該組合起來，如用時間序列法 (利用延遲線 ) 那樣單獨來預測，就存在每一種方法矛盾錯誤的權重。 。我們已經(jīng)論證了這個系統(tǒng)是理想的，可為公共事業(yè)或是商業(yè)應用服務的。這個系統(tǒng)的問題就是如何在歷史負荷數(shù)據(jù)記錄中找出相似的記錄。但是，為了獲得最小的預測誤差，且在可接受的復雜程度和訓練時間，需要知道使用這個網(wǎng)絡的特殊公共事業(yè)的使用范圍。當系統(tǒng)的歷史數(shù)據(jù)點不足夠系統(tǒng)來學習時，可以通過簡單地增加相似的歷史負荷點到訓練數(shù)據(jù)中來解決上述問題。在訓練和驗證期間，用到了未來的實際溫度。在任何時候，只有一個非線性子網(wǎng)和一個線性子網(wǎng)在工作（總共只有 2 個網(wǎng)）。我們用來仿真的數(shù)據(jù)是 1898， 1990和 1991年的每小時歷史負荷數(shù)據(jù)和當年的每小時的溫度數(shù)據(jù)。在我們這個系統(tǒng)中，線性神經(jīng)網(wǎng)絡（ ARMA 模型）是用來預測一個小時后的負荷值的。所以，準確地預測 1 小時后負荷的會提高短期負荷預測準確度。數(shù)據(jù)處理器的數(shù)據(jù)是從線性和非線性神經(jīng)網(wǎng)絡的歷史數(shù)據(jù)中提取出來的，分別地，線性神經(jīng)網(wǎng)絡的輸出作為反饋，輸入到非線性神經(jīng)網(wǎng)絡中。結果就是經(jīng)過多代的 繁殖過程，曲線具有高度的適應性（低 MAPE 值），這就是用電力負荷通過訓練后最好的預測值。這個過程中產(chǎn)生了新一代的曲線。 MAPE 就是平均絕對誤差百分比，它廣泛用于衡量負荷預測的準確度。這衡量去除了干擾變量 121 , ???? httt zzz ? 后 htz? 和 tz 之間的依賴關系。這個圖證實了常識經(jīng)驗，就是在任何時候的負荷與前幾天同一時刻的負荷有高度相關性。 用反向傳播來訓練大型的人工神經(jīng)網(wǎng)絡是很耗費時間的，很多用來減少訓練時間的方法已經(jīng)通過評估，已經(jīng)找到一個減少訓練時間的方法來取代使用最小二乘法來修改網(wǎng)絡權重而達到速下降搜索的技術。 非線性模型可以產(chǎn)生比線性規(guī)劃更高的準確度，但是要更長的訓練時間。如果神經(jīng)網(wǎng)絡太小（輸入端少或是隱含單元少），就不夠靈活來捕獲電力系統(tǒng)的動態(tài)需求變化。此外，在線性回歸模型中，如果輸入變量是無關的，那么它的回歸系數(shù)是零。輸出是每個單元的加權輸入的總和（包括