【正文】 協(xié)調(diào)、聯(lián)絡(luò)線交換功率、負(fù)荷經(jīng)濟(jì)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(fù)荷變化規(guī)律，分析負(fù)荷變化相關(guān)因子，特別是天氣因素、日類型等和短期負(fù)荷變化的關(guān)系。電力負(fù)荷預(yù)測是一個(gè)過程，其一般程序可劃分為準(zhǔn)備、實(shí)施、評價(jià)與提交預(yù)測報(bào)告四個(gè)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(jìn)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(shí)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(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。（3）評價(jià)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(jì)算方法的推導(dǎo)和說明，以及正文中未列出的有價(jià)值的其他資料。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。針對短期負(fù)荷預(yù)測，將歷史上一段日負(fù)荷L按時(shí)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。我們把這種反映一天24小時(shí)負(fù)荷循環(huán)變化規(guī)律的模型稱為日周期變化模型。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(shí)點(diǎn)溫度；， 為電熱臨界溫度和斜率，時(shí)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。這種分析可以用專家系統(tǒng)方法來實(shí)現(xiàn)，也可以簡單的用人工修正來實(shí)現(xiàn)。實(shí)際上，對于給定的過去一段時(shí)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(shí)刻的隨機(jī)負(fù)荷分量，可以看成是隨機(jī)時(shí)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(xiàng)的加權(quán)和及其現(xiàn)在和過去干擾量的有限項(xiàng)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(jī)過程多種多樣，一般常見的是含有趨勢項(xiàng)和周期項(xiàng)的非平穩(wěn)隨機(jī)過程。如果每個(gè)時(shí)間點(diǎn)的值都和超前T的（tT）值進(jìn)行差分運(yùn)算，那么（1 ）V(t)就變成平穩(wěn)時(shí)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(fù)荷變化規(guī)律，將歷史上一段日平均負(fù)荷按時(shí)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。隨機(jī)負(fù)荷分量，一般由時(shí)間序列模型描述。時(shí)間序列預(yù)測方法可分為確定型和隨機(jī)性兩類，確定型時(shí)間序列作為模型殘差用于估計(jì)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(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。而且為了獲得比較精確的預(yù)報(bào)結(jié)果，需要大量的計(jì)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。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(shí)期起作用的規(guī)律，于是進(jìn)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(fù)荷數(shù)據(jù)和天氣數(shù)據(jù)等進(jìn)行細(xì)致的分析，匯集有經(jīng)驗(yàn)的負(fù)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(fù)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(fù)荷預(yù)測上，從而克服單一算法的片面性；同時(shí)，全過程的程序化，使得方法還具有快速決斷的優(yōu)點(diǎn)。3）神經(jīng)網(wǎng)絡(luò)理論運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電力負(fù)荷預(yù)測，其優(yōu)點(diǎn)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(jì)算的特點(diǎn)，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(fù)荷影響最大的幾種因素作為輸入，即當(dāng)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(fù)荷及相關(guān)負(fù)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(gè)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(jìn)行了改進(jìn)，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(xiàn)，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(xiàn)還很少，這個(gè)領(lǐng)域還是很少，然而，由于其獨(dú)特的分析方法，在電力系統(tǒng)負(fù)荷預(yù)測方面一定會有很好的前景。5）模糊負(fù)荷預(yù)測模糊負(fù)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(jìn)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(jìn)型算法。萬能逼近定理表明一定存在這樣一個(gè)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(jì)算步驟：1）確定預(yù)測日類型是工作日還是休息日。5）計(jì)算預(yù)測日的最大負(fù)荷和最小負(fù)荷 （53） （54）其中，根據(jù)歷史負(fù)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(fù)荷變化系數(shù)越近。用過去歷史負(fù)荷，各子區(qū)域溫度數(shù)據(jù)，通過最小二乘方法估計(jì)參數(shù)，然后，按下式求預(yù)測日最大負(fù)荷： （510）全網(wǎng)最小負(fù)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?fù)浣Y(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(qiáng)的計(jì)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(jìn)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(dāng)于一個(gè)多輸入單輸出的非線性闡值器件。分層網(wǎng)絡(luò)是將一個(gè)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(gè)相對持久的變化過程，學(xué)習(xí)往往也是一個(gè)推理過程，例如通過經(jīng)驗(yàn)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(shí)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(bào)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(shí)際工作時(shí)的輸入信號很難事先給定，因?yàn)榭刂颇繕?biāo)是使系統(tǒng)輸出具有期望的運(yùn)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(fù)荷變化受多方面的影響，一方面，負(fù)荷變化存在著由未知不確定的因素引起的隨機(jī)的波動；另一方面，又具有周期變化的規(guī)律性，這也使得負(fù)荷曲線具有相似性。眾所周知，負(fù)荷曲線是很多因素相關(guān)的一個(gè)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(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)報(bào)可獲得更高的精度。本文采用第1種負(fù)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(fù)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(biāo)向量就是預(yù)測日當(dāng)天的24個(gè)負(fù)荷值，即一天中每個(gè)整點(diǎn)的電力負(fù)荷。由于這都是實(shí)際的測量值，因此，這些數(shù)據(jù)可以對網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練?？傊瑯颖镜倪x取過程需要注意代表性、均衡性和用電負(fù)荷的自身特點(diǎn)，從而選擇合理的訓(xùn)練樣本。 本文由于輸入向量有26個(gè)元素，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有26個(gè)，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(gè)。利用以下代碼創(chuàng)建一個(gè)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?！畉rainrp’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(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。訓(xùn)練次數(shù)訓(xùn)練目標(biāo)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(biāo)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(dá)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(bào)誤差 (工作日)預(yù)報(bào)誤差（5）結(jié)論分析電力負(fù)荷預(yù)測是電力調(diào)度、用電、計(jì)劃、規(guī)劃等部門的重要工作，國內(nèi)外關(guān)于短期負(fù)荷預(yù)測的文獻(xiàn)很多，但是由于電力負(fù)荷受諸多因素的影響和負(fù)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(fù)荷預(yù)測的特點(diǎn)，即都是受多個(gè)影響因素共同影響，且各個(gè)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(shí)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(shí)踐經(jīng)驗(yàn)和嚴(yán)謹(jǐn)?shù)目茖W(xué)作風(fēng)讓我十分敬佩，老師不辭辛勞，對每一個(gè)細(xì)節(jié)的詳細(xì)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(xiàn)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