【正文】 協(xié)調(diào)、聯(lián)絡(luò)線交換功率、負荷經(jīng)濟分配、水庫調(diào)度和設(shè)備檢修等，對短期預(yù)測，需充分研究電網(wǎng)負荷變化規(guī)律，分析負荷變化相關(guān)因子，特別是天氣因素、日類型等和短期負荷變化的關(guān)系。電力負荷預(yù)測是一個過程，其一般程序可劃分為準備、實施、評價與提交預(yù)測報告四個階段。一般而言，預(yù)測范圍視研究問題所涉及的范圍而定，編制全國電力規(guī)劃，就要預(yù)測全國范圍內(nèi)的電力、電量需求量；編制大區(qū)網(wǎng)局或地方（省、地、縣）電力局的發(fā)展規(guī)劃，就要預(yù)測大區(qū)電網(wǎng)或地方電力局范圍內(nèi)的電力、電量需求量。資料是預(yù)測的基本依據(jù)，占有的資料的充裕程度及資料的可信度，對預(yù)測結(jié)果的可信度是至關(guān)重要的。因此，在調(diào)查搜集資料的過程中對搜集得到的資料應(yīng)進行鑒別，去粗取精，去偽存真，以保證預(yù)測中使用的資料翔實可靠。要根據(jù)資料的掌握情況及資料樣式，選擇相應(yīng)的預(yù)測方法，尋求預(yù)測量的演變規(guī)律或趨勢，建立預(yù)測模型。如果是采用定量預(yù)測方法來進行預(yù)測，就要根據(jù)建立的定量預(yù)測模型，帶入預(yù)測期的自變量目標值，就可以獲得預(yù)測期所要的預(yù)測變量值。（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。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。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。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。所以，對于基本正常負荷分量，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，為線性變化模型負荷分量；為周期變化模型負荷分量。針對短期負荷預(yù)測，將歷史上一段日負荷L按時序畫在一張圖上，將及每日平均負荷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。我們把這種反映一天24小時負荷循環(huán)變化規(guī)律的模型稱為日周期變化模型。以日負荷預(yù)測為例，給定過去若干天氣負荷記錄、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，時電熱負荷增加，其斜率為；，為冷氣臨界溫度和斜率，是冷氣負荷增加，其斜率為。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)。實際上，對于給定的過去一段時間的歷史負荷記錄，提取出基本負荷分量、天氣敏感負荷分量和特別事件負荷分量后，剩余的殘差即為各時刻的隨機負荷分量，可以看成是隨機時間序列。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。如果每個時間點的值都和超前T的（tT）值進行差分運算，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。線性變化模型用來描敘日平均負荷變化規(guī)律，將歷史上一段日平均負荷按時序畫在一張圖上，可以看出每日平均負荷有波動，總體趨勢是一條直線，可用線性模型表示。隨機負荷分量，一般由時間序列模型描述。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。2）回歸分析法回歸分析法就是根據(jù)負荷過去的歷史資料，建立可以分析的數(shù)學(xué)模型，對未來的負荷進行預(yù)測。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荷之間的非平衡暫態(tài)關(guān)系。這其中主要有灰色數(shù)學(xué)理論、專家系統(tǒng)方法、神經(jīng)網(wǎng)絡(luò)理論、模糊預(yù)測理論等?；疑到y(tǒng)理論是中國學(xué)者鄧聚龍教授1982年3月在國際上首先提出來的，在國際期刊《SYSTEMS AND CONTROL LETTER》刊物上發(fā)表，題為“Control Problems of Grey Systems”,引起了國際上的充分重視。鄧教授希望在可利用數(shù)據(jù)不多的情況下，找到了較長時期起作用的規(guī)律，于是進行了用少量數(shù)據(jù)做微分方程建模的研究。 2）專家系統(tǒng)方法專家系統(tǒng)方法是對于數(shù)據(jù)庫里存放的過去幾年的負荷數(shù)據(jù)和天氣數(shù)據(jù)等進行細致的分析，匯集有經(jīng)驗的負荷預(yù)測人員的知識，提取有關(guān)規(guī)則。專家系統(tǒng)方法總結(jié)了目前城網(wǎng)中長期負荷預(yù)測中的可行模型，針對目前方法存在的片面性，首次嘗試把專家系統(tǒng)技術(shù)應(yīng)用到負荷預(yù)測上，從而克服單一算法的片面性；同時，全過程的程序化，使得方法還具有快速決斷的優(yōu)點。3）神經(jīng)網(wǎng)絡(luò)理論運用神經(jīng)網(wǎng)絡(luò)技術(shù)進行電力負荷預(yù)測，其優(yōu)點是可以模仿人腦的智能化處理，對大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能，具有信息記憶、自主學(xué)習(xí)、知識推理和優(yōu)化計算的特點，特別的，其自學(xué)習(xí)和自適應(yīng)功能是常規(guī)算法和專家系統(tǒng)技術(shù)所不具備的。因此，我們可以將對電力負荷影響最大的幾種因素作為輸入，即當天的天氣溫度、天氣晴朗度（又稱為能見度）、風(fēng)向風(fēng)力、峰谷負荷及相關(guān)負荷等，爭取獲得較好的預(yù)測結(jié)果。它作為數(shù)學(xué)學(xué)科的一個分支，吸取了現(xiàn)代分析學(xué)中諸如泛函分析、數(shù)值分析、Fourier分析、樣條分析、調(diào)和分析等眾多分支的精華，并包羅了它們的特色。1981年Stromberg對Harr 系進行了改進，證明小波函數(shù)的存在。他為小波理論的形成和完善作出了重大貢獻，是小波理論的奠基人之一。這樣，小波分析的理論大廈就基本奠定了。目前，國內(nèi)外有關(guān)小波在電力系統(tǒng)中的應(yīng)用的文獻還很少，這個領(lǐng)域還是很少，然而，由于其獨特的分析方法，在電力系統(tǒng)負荷預(yù)測方面一定會有很好的前景。5）模糊負荷預(yù)測模糊負荷預(yù)測是近幾年比較熱門的研究方向。下面介紹模糊預(yù)測的一些基本方法。②基于神經(jīng)網(wǎng)絡(luò)集成的高木關(guān)野模糊預(yù)測算法：它是利用神經(jīng)網(wǎng)絡(luò)來求得條件的輸入變量的聯(lián)合隸屬函數(shù)。③改進的模糊神經(jīng)網(wǎng)絡(luò)模型的算法：模糊神經(jīng)網(wǎng)絡(luò)即全局逼近器。此種方法的模型物理意義明顯，精度高，收斂快，屬于改進型算法。萬能逼近定理表明一定存在這樣一個可以在任意精度逼近任意給定函數(shù)的高斯型模糊邏輯系統(tǒng)。下面敘述該辦法具體計算步驟：1）確定預(yù)測日類型是工作日還是休息日。5）計算預(yù)測日的最大負荷和最小負荷 （53） （54）其中，根據(jù)歷史負荷數(shù)據(jù)和歷史溫度記錄用最小二乘決定的系數(shù)。系數(shù)的選擇原則是越靠近預(yù)測日的天其對應(yīng)值越大，根據(jù)是同類型日相鄰越近負荷變化系數(shù)越近。用過去歷史負荷，各子區(qū)域溫度數(shù)據(jù)，通過最小二乘方法估計參數(shù)，然后，按下式求預(yù)測日最大負荷： （510）全網(wǎng)最小負荷的考慮同上。二維的簡單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓撲結(jié)構(gòu)可分為兩類:前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。反饋神經(jīng)網(wǎng)絡(luò)模型有很強的計算能力。即通過這些權(quán)值使神經(jīng)網(wǎng)絡(luò)具有了一定的記憶功能，可以對數(shù)據(jù)的規(guī)律進行記憶(信息保存在權(quán)值中)。這里所說的抽象是從數(shù)學(xué)角度而言，所謂模擬是對神經(jīng)元的結(jié)構(gòu)和功能而言，相當于一個多輸入單輸出的非線性闡值器件。分層網(wǎng)絡(luò)是將一個神經(jīng)元網(wǎng)絡(luò)模型中的所有神經(jīng)元按功能分為若干層，一般有輸入層、中間層和輸出層。學(xué)習(xí)是一個相對持久的變化過程，學(xué)習(xí)往往也是一個推理過程，例如通過經(jīng)驗也可以學(xué)習(xí)，學(xué)習(xí)是神經(jīng)元網(wǎng)絡(luò)最重要的能力。神經(jīng)元網(wǎng)絡(luò)的工作過程有許多種形式，比如回想和分類。3）閾值的修正 閾值也是變化值，在修正權(quán)值的同時也需要修正，原理同權(quán)值修正一樣。正向建模的結(jié)構(gòu)如圖所示，其中神經(jīng)網(wǎng)絡(luò)與待辨別的系統(tǒng)并聯(lián)，兩者的輸出誤差用做網(wǎng)絡(luò)的訓(xùn)練信號。（2）逆向建模建立動態(tài)系統(tǒng)的逆模型，在神經(jīng)網(wǎng)絡(luò)控制中起著關(guān)鍵的作用，并且得到了特別廣泛的應(yīng)用。由圖可見，擬預(yù)報的系統(tǒng)輸出作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)輸出與系統(tǒng)輸入比較，相應(yīng)的輸入誤差用于訓(xùn)練，因此網(wǎng)絡(luò)將通過學(xué)習(xí)建立系統(tǒng)的逆模型。但實際工作時的輸入信號很難事先給定，因為控制目標是使系統(tǒng)輸出具有期望的運動，對于未知控制系統(tǒng)期望輸入不可能給出。電力系統(tǒng)負荷變化受多方面的影響，一方面，負荷變化存在著由未知不確定的因素引起的隨機的波動；另一方面，又具有周期變化的規(guī)律性，這也使得負荷曲線具有相似性。眾所周知，負荷曲線是很多因素相關(guān)的一個非線性函數(shù)。近年來的研究表明，相對于前兩種方法，利用神經(jīng)網(wǎng)絡(luò)技術(shù)進行電力系統(tǒng)短期負荷預(yù)報可獲得更高的精度。本文采用第1種負荷劃分模式，將一周的7天分為工作日（星期一到星期五）和休息日（星期六和星期天）等兩種類型。此外，由于電力負荷還與環(huán)境因素有關(guān)，如最高和最低溫度等。顯而易見，目標向量就是預(yù)測日當天的24個負荷值，即一天中每個整點的電力負荷。由于這都是實際的測量值，因此，這些數(shù)據(jù)可以對網(wǎng)絡(luò)進行有效的訓(xùn)練?？傊?，樣本的選取過程需要注意代表性、均衡性和用電負荷的自身特點，從而選擇合理的訓(xùn)練樣本。 本文由于輸入向量有26個元素，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有26個，經(jīng)過多次訓(xùn)練網(wǎng)絡(luò)中間層的神經(jīng)元可以取53個。利用以下代碼創(chuàng)建一個滿足上述要求的BP網(wǎng)絡(luò)：threshold=[0 1。0 1。0 1。0 1。0 1。0 1。0 1。‘trainrp’表示設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainrp ,它采用BP算法進行網(wǎng)絡(luò)學(xué)習(xí)。訓(xùn)練次數(shù)訓(xùn)練目標學(xué)習(xí)速率1000訓(xùn)練代碼如下：=1000。 %P為輸入向量，T為目標向量休息日訓(xùn)練結(jié)果為：TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 17/1000, MSE , Gradient TRAINRP, Performance goal met.工作日訓(xùn)練結(jié)果為:TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 22/1000, MSE , Gradient TRAINRP, Performance goal met.可見，經(jīng)過次訓(xùn)練后，網(wǎng)絡(luò)誤差達到要求，(休息日訓(xùn)練結(jié)果)所示,(工作日訓(xùn)練結(jié)果)所示。工作日測試代碼如下：P_test=[ ]39。 (休息日)預(yù)報誤差 (工作日)預(yù)報誤差（5）結(jié)論分析電力負荷預(yù)測是電力調(diào)度、用電、計劃、規(guī)劃等部門的重要工作，國內(nèi)外關(guān)于短期負荷預(yù)測的文獻很多，但是由于電力負荷受諸多因素的影響和負荷本身的不確定性，使得迄今還沒有一種十分滿意的方法。結(jié)束語本文介紹的電力短期負荷預(yù)測的特點，即都是受多個影響因素共同影響，且各個因素之間有著比較復(fù)雜的關(guān)系，具有高度不確定的非線性系統(tǒng)，利用傳統(tǒng)的預(yù)測方法有著諸多限制，而采用神經(jīng)網(wǎng)絡(luò)方法則能較好地克服這些限制，實現(xiàn)精確的非線性預(yù)測。（3）針對BP算法中存在的收斂速度慢、易陷入局部最小值的問題，可采用附加動量法和自適應(yīng)學(xué)習(xí)速率法在一定程度上解決這些問題。老師淵博的知識、豐富的實踐經(jīng)驗和嚴謹?shù)目茖W(xué)作風(fēng)讓我十分敬佩，老師不辭辛勞，對每一個細節(jié)的詳細講解、指導(dǎo)和答疑解惑讓我們深受啟發(fā)，并深為感動。此外，我還要感謝我所列參考文獻的作者，正是他們的許多研究成果給了我很大的幫助，在此表示誠摯的謝意.39