【正文】 業(yè)特點等有緊密的聯(lián)系。；（4）電力負荷預測的機理是一個數(shù)學模型的過程，不同的模型使用條件不同，有其各自的優(yōu)缺點；（5）預測時間較短，對計算時間有明確要求；（6）影響電力負荷預測的精度的因素復雜多樣、規(guī)律各異，包括經濟因素、時間因素、氣候因素、隨機干擾等，各因素影響的大小也因不同地區(qū)電力系統(tǒng)的不同而異；（7）相對中長期預測而言，短期負荷預測對預測精度要求較高。彈性系數(shù)法適用于兩個因素y和x之間有指數(shù)函數(shù)關系yt=αx的情況，式中α為比例系數(shù)，b為y對x的彈性系數(shù)。 線性回歸模型在一元線性回歸中，自變量是可控制或可以精確觀察的變量，用x表示，因變量是依賴于x的隨機變量，用y表示，假設x與y的關系為 ()式中：是除x之外，被忽略或無法考慮到的因素，它服從正態(tài)分布。給定一組觀測值{(x1, y1),( x2, y2),( xn, yn)}。對于有m個樣本數(shù)據(jù)的情況，殘差平方和為： ()式中：。指數(shù)平滑法的目標就是采用“修勻”歷史數(shù)據(jù)來區(qū)別基本數(shù)據(jù)模式和隨機變動。線性指數(shù)平滑法的計算過程共分五個步驟：1）計算t 時期的單指數(shù)平滑值Dt ()式中：是t 時期的觀測值，是t ?1時期的單指數(shù)平滑值，a是平滑常數(shù)；2）計算t 時期的雙指數(shù)平滑值Mt ()3）計算t 時期的水平值At ()4）計算t 時期的增量It ()5）預測m個時期以后，即(t + m)時期的數(shù)值 () 二次指數(shù)曲線平滑法有的時間序列雖然有增加或減少的趨勢，但不一定是線性的，可能按二次曲線的形狀增加或減少。這也是專家預測法相對于其它方法的優(yōu)越性。所謂模糊性，主要指客觀事物在差異的中間過渡時所呈現(xiàn)的“亦此亦彼”性。該方法要求擁有較多的歷史負荷資料和環(huán)境因素資料，并要對未來的環(huán)境因素作出正確的預計，這使是它的應用受到了一定的限制。因此灰色系統(tǒng)理論在電力負荷預測中得到了廣泛應用，并得到了較好的效果。設有變量為的原始數(shù)據(jù)序列： ()用1AGO生成一階累加生成序列： ()其中， ， ()由于序列具有指數(shù)增長規(guī)律，因此可以由一階微分線性方程來模擬其變化規(guī)律。近年來，我國在組合預測方法研究方面也取得了一系列的研究成果。其一：模型1對原始數(shù)據(jù)進行處理，然后由模型2根據(jù)處理后的數(shù)據(jù)進行預測；其二：模型1和模型2共同對負荷進行預測。 神經網絡法人工神經網絡是人工智能領域的又一個重要分支，也是人工智能技術用于短期負荷預測最普遍的方法。Hopfield網絡是由相同的神經元構成的單層，并且不具備學習功能的自聯(lián)想網絡，它需要對稱連接。它是典型的自組織神經網絡，這種網絡也稱為自組織特征映射網絡SOM。在ART網絡中，通常需要兩個功能互補的子系統(tǒng)相互作用?？偨Y歸納了已有方法的優(yōu)缺點、適用范圍和適用條件，這些都為后文的內容發(fā)展打下了鋪墊。如果產出了錯誤的預測，常常無法解釋出錯的原因，回歸分析之后，常常要進行經濟合理性檢驗，如判斷某些系數(shù)值符號的正確性，而對于神經網絡預測都無法進行類似檢驗?！　≡谶\算方面，利用神經網絡預測，每增加一個新的樣本，均要重新學習與訓練，花費大量的時間，其本身訓練與學習也十分緩慢，有時慢得令人難以忍受，變量選擇時更為嚴重，訓練函數(shù)及權值修正算法影響速度，且神經網絡預測用于長期預測有一定困難。我們知道，模型中包括不相關變量或略去重要變量均將對預測結果產生重要影響，且使結果失去可信。他認為現(xiàn)在的神經網絡的研究的成果集中，在認知領域中的“簡單的”的問題：大腦如何處理環(huán)境的刺激如何合成信息等等。展開了諸如量子聯(lián)想、并行學習、經驗分析等問題的討論，雖然這些只是處于理論分析階段，但是他們構筑了人工神經網絡中量子計算的基礎。主要探討的是計算過程中諸如自由能(free energy)、信息(informations)與可逆性(reversibility)之間的關系。休爾發(fā)現(xiàn)，如果使用量子計算機，再運用他提出的專用算法，這個論斷將不再成立。多層激活函數(shù)的量子神經網絡采用傳統(tǒng)的三層網絡拓撲結構。本文主要對該模型進行研究和改進。該模型是多個相似的網絡組件的疊加。學者Dan改進了Grover搜索算法[55]，提出了量子聯(lián)想記憶模型[56]。利用量子態(tài)疊加的思想；只是概念上引用量子計算。指數(shù)級的存儲容量，具有學習能力、聯(lián)想記憶。類似于bit，在量子計算理論中有Qubit，量子比特。通過神經網絡調節(jié)物理參數(shù)，控制量子器件中量子態(tài)的演化,達到量子計算的目的。多宇宙的QNN模型多種傳統(tǒng)神經網絡或網絡組件的疊加。聯(lián)想記憶就是通過搜索算法的么正變換作用于波函數(shù)，增大要查詢的信息的概率，從而使觀察者能以較大的概率觀測到需要的信息。其主要原因是，對于不同的輸入模式都有與之對應的網絡組件，在網絡訓練時僅需訓練這個對應的網絡組件，而不需要訓練其他組件，而且利用量子計算的并行性，各網絡組件的學習可并行進行，從而減少網絡學習時間。對量子態(tài)的相位的旋轉變換是通過網絡權值的作用進行的，激活函數(shù)的作用則是對相位進行可控非門操作。每個量子間隔對應不同的量子能級，可以分別對應不同的狀態(tài)，因此通過調整量子間隔，使不同類的數(shù)據(jù)映射到不同的量子能級上，使得分類具有更多的自由度。為了解決這個難題，拉夫雷門通過間接的測量方法，使得系統(tǒng)狀態(tài)信息得到安全而完整的保留。休爾。這些討論給量子理論與人工神經網絡理論的結合提供了有益的支持。1985年Deutsch提出第一個量子計算模型以來，量子計算(Quantum Computing)便迅速成為一個引人入勝的多學科領域，特別是近年來由Shor提出的質數(shù)分解算法和Grover提出的量子查詢算法，更是極大地推動了該領域的發(fā)展。首先，人工神經網絡的研究受到腦科學研究成果的限制。計量經濟聯(lián)立議方模型在宏觀預測中起著舉足輕重的作用，但它卻主要基于線性模型，解決非線性問題存在一系列困難。結果，這樣顯然用于預測顯然將產生大的偏差?！　o論外推模型還是因果模型，都基于統(tǒng)計學，有一整套的統(tǒng)計檢驗，具有顯著的統(tǒng)計意義，而這正是神經網絡預測的明顯不足，它無法給出預測值的區(qū)間。下面對上節(jié)介紹的9種短期負荷預測方法的特點和優(yōu)劣進行分析比較。4．ART網絡。它是一種多層前向網絡，采用最小均方差學習方式。根據(jù)網絡模型的特點，這些模型又可以分為前饋型人工神經網絡(如BP網絡、RBF網絡)、自組織競爭人工神經網絡(如ART網絡、Kohonen網絡)以及反饋型人工神經網絡(如Hopfield網絡)等。權重的分配方法不同，其預測結果值相差較遠。本文從組合預測模型中各單項模型的組織結構出發(fā)，將組合預測分為串聯(lián)型組合預測、并聯(lián)型組合預測以及混聯(lián)型組合預測三種形式。將所求得的、代回原來的微分方程，有： ()解之可得： ()寫成離散形式（令）得下式：， () 組合預測法所謂組合預測是指通過建立一個組合預測模型，把多種預測方法所獲得的預測結果進行綜合，以得到一個較窄的預測值取值范圍供系統(tǒng)分析或決策用。GM(1,1)模型是最常用的一種灰色模型，它是由一個只包含單變量的一階微分方程構成，是作為電力負荷預測的一種有效模型，是GM（1，n）模型的特例。在二十多年的時間里，該理論在社會、經濟、生態(tài)等領域得到了迅速發(fā)展。模糊聚類預測法的基本思想是通過對歷史數(shù)據(jù)進行加工處理，提煉出負荷變化的若干典型模式，進而由影響負荷變化的相關因素的未來狀態(tài)去判斷未來負荷變化屬于那一種模式，從而達到預測的目的。因此，負荷預測的專家系統(tǒng)難以取得確定的長期預測結果。先把這三部分從時間序列中分離出來，然后再結合起來進行預測。 單指數(shù)平滑法單指數(shù)平滑法實際上是從移動算術平均法演變而來的，它也只能用于平穩(wěn)時間序列，它的優(yōu)點是不需要保留較多的歷史數(shù)據(jù)，只要有最近的一期的實際觀測值和這期的預測誤差，就可以對未來時期進行預測。反復進行迭代，便得到的迭代序列。兩個變量x和y的關系可以寫成如下的一般形式 ()式中：Y是因變量，是待估計的對象；X是自變量，是影響因素；是未知常數(shù)(待求)；是除X之外，被忽略或無法考慮到的因素，它服從正態(tài)分布。如果依據(jù)上述樣本能估計出未知參數(shù)a、b，記估計值分別為，則稱下式 ()為y關于x的線性回歸方程。此外，彈性系數(shù)預測法的建模方法還包括： y 與K x 均取對數(shù)形式的模型、K x 取對數(shù)形式的模型、y 取對數(shù)形式， K x 取倒數(shù)形式的模型和線性函數(shù)形式的模型。彈性系數(shù)指材料長度變形的百分比同所施加力變化的百分比的比率。影響負荷預測的因素是多種多樣，選用不同的預測模型其結果也不盡相同。不同類型的負荷有不同的變化規(guī)律。中期負荷預測通常是對5年左右的電力負荷的發(fā)展變化情況所做的預測。最后，詳細分析了基于量子神經網絡的短期負荷預測方法在預測日負荷和小時負荷的預測流程；。第三章論述了常規(guī)人工神經網絡理論在短期負荷預測方面的局限性。短期負荷預測不僅時間間隔短，而且受節(jié)假日、天氣和溫度的影響負荷波動大；同時，短期負荷預測的精度要求較高，需要同時考慮多個影響因素。但是，由于電力系統(tǒng)的負荷要受到很多因素的影響：如負荷構成，負荷隨時間變化規(guī)律，氣象變化的影響及負荷隨機波動。文獻[39]提出了應用混合法進行RBF神經網絡的學習算法。人工神經網絡[2443]具有很強的學習和映射能力，可方便地擬合出任意復雜的非線性關系，很適合于電力系統(tǒng)的負荷預測問題，這一領域的國內外對這一領域研究都相當活躍，并已提出了不少模型和算法?；疑到y(tǒng)理論[2023]是研究解決灰色系統(tǒng)分析、建模預測、決策和控制的理論。模糊預測方法[1419]通過對相關歷史數(shù)據(jù)進行加工處理，提煉出負荷變化的若干種典型模式，進而由影響負荷變化的相關因素的未來狀態(tài)去判定未來負荷變化屬于哪種模式，從而做到負荷預測的目的。從60年代中期到現(xiàn)在，隨著計算機技術和新的智能算法的日新月異，人工智能技術的興起，負荷預測迅速進入了使用智能化負荷預測技術的階段。文獻[5]分析了負荷歷史數(shù)據(jù)，負荷預報模型以及預報誤差之間的關系，構建了一種基于統(tǒng)計分析的負荷規(guī)律性評價方法。它假定今后的電力負荷與過去有相同的增長比例，用歷史數(shù)據(jù)求出比例系數(shù)，按比例預測未來發(fā)展。(4) 為用戶提供安全、可靠、經濟、優(yōu)質的電能是電網運營企業(yè)的首要目標，如果電網運營商須沒有按規(guī)定完成網供電量、負荷預測和低谷電量比三大指標。以短期負荷預測和在線實時負荷預報為依據(jù)，系統(tǒng)才能有計劃地安排旋轉備用以及不同網間可能實現(xiàn)的功率交換，這是決定系統(tǒng)供電安全水平的重要因素。為降低這類事故出現(xiàn)的風險，往往通過配置較大比例的旋轉備用來滿足這些非預計負荷，大量的旋轉備用容量極大的浪費了電力系統(tǒng)的已有資源，使整個電網的經濟運行水平大大降低。 Neuron。最后詳細論述了基于量子神經網絡的短期負荷預測的具體步驟。合理而精準的負荷預測將直接影響到電力系統(tǒng)運行的安全性、經濟性和供電質量。除了文中特別加以標注引用的內容外，本論文不包含任何其他個人或集體已經發(fā)表或撰寫的成果作品。本學位論文屬于保密□，在______年解密后適用本授權書。對量子神經網絡的研究現(xiàn)狀進行了分析，論述了已有方法的優(yōu)勢和局限性。關鍵詞：電力系統(tǒng)；短期負荷預測；量子神經網絡；神經元；負荷特性基于量子神經網絡的短期電力負荷預測馬爾科夫理論在中長期負荷組合預測中的應用AbstractShort term load forecasting(STLF)is not only the basic tool of running and dispatching of power system, but also one of the most important daily contents of management and administration to power enterprise．Accurate short term load forecasting is the key to arrange Generator maintain plan and nergy development strategy. Reasonable and accurate STLF will directly affect the security, eomical and power supply quality of the power system.Firstly, we introduct the basis classification rules of the load forecasting, and the main features of the short term load forecasting is also disccused. And then we detailed description the remained short term load forecasting methods including their principles, puting proccessing, application scopes and basic haracteristics. Comparative analysis is also presented among the above methods. The limitations of artificial neural network theory(ANN) ap