【正文】 為負(fù)荷預(yù)測(cè)中的不良數(shù)據(jù)，所以使用之前，有必要對(duì)其進(jìn)行處理。必要時(shí)，還可同時(shí)采用幾種數(shù)學(xué)模型進(jìn)行運(yùn)算，以便對(duì)比、選擇。一天24小時(shí)使用24個(gè)神經(jīng)網(wǎng)絡(luò)，每個(gè)神經(jīng)網(wǎng)絡(luò)都需要訓(xùn)練，所以就有24個(gè)訓(xùn)練過程圖，在此就不列出。對(duì)于有限樣本的學(xué)習(xí)，傳統(tǒng)方法基本上是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則,在訓(xùn)練數(shù)據(jù)上最小化訓(xùn)練錯(cuò)誤，即最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)，并用這個(gè)最小的經(jīng)驗(yàn)風(fēng)險(xiǎn)來代替最小期望風(fēng)險(xiǎn)。支持向量機(jī)方法主要有以下幾個(gè)優(yōu)點(diǎn)：（1）支持向量機(jī)是針對(duì)有限樣本情況的，目標(biāo)是獲得已知的有限樣本信息下的最優(yōu)解，而不僅僅是樣本趨于無窮大時(shí)的最優(yōu)解。表現(xiàn)在訓(xùn)練過程上就是支持向量機(jī)自動(dòng)產(chǎn)生所有的模型結(jié)構(gòu)，而神經(jīng)網(wǎng)絡(luò)僅產(chǎn)生權(quán)重。平衡因子為權(quán)重系數(shù)。支持向量機(jī)回歸方法和神經(jīng)網(wǎng)絡(luò)回歸相比有較成熟的理論基礎(chǔ)，雖然其還需要進(jìn)一步完善和發(fā)展，但己經(jīng)表現(xiàn)出許多特有的優(yōu)勢(shì)。輸入量包括歷史負(fù)荷數(shù)據(jù)，氣象數(shù)據(jù)，日期類型。使用2000年3月的歷史數(shù)據(jù)及相應(yīng)的天氣氣溫情況作為原始數(shù)據(jù)，從月初開始20天的負(fù)荷及天氣、日期數(shù)據(jù)作為訓(xùn)練樣本，生成樣本后計(jì)算參數(shù)，得到回歸方程。表41 3月21日與3月22日預(yù)測(cè)結(jié)果小時(shí)（21日）實(shí)際負(fù)荷(MW)預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）小時(shí)（22日）實(shí)際負(fù)荷（MW）預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）0011223344556677889910101111121213131414151516161717181819192020212122222323(a)21日 (b)22日?qǐng)D41 3月21日（a）與3月22日（b）預(yù)測(cè)結(jié)果 表42 3月23日與3月24日預(yù)測(cè)結(jié)果小時(shí)（23日）實(shí)際負(fù)荷(MW)預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）小時(shí)（24日）實(shí)際負(fù)荷（MW）預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）0011223344556677889910101111121213131414151516161717181819192020212122222323(a)23日 (b)24日?qǐng)D42 3月23日（a）與3月24日（b）預(yù)測(cè)結(jié)果表43 3月25日與3月26日預(yù)測(cè)結(jié)果小時(shí)（25日）實(shí)際負(fù)荷(MW)預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）小時(shí)（26日）實(shí)際負(fù)荷（MW）預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）0011223344556677889910101111121213131414151516161717181819192020212122222323(a)25日 (b)26日?qǐng)D43 3月25日（a）與3月26日（b）預(yù)測(cè)結(jié)果表44 3月27日預(yù)測(cè)結(jié)果小時(shí)（27日）實(shí)際負(fù)荷（MW）預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）01234567891011121314151617181920212223圖44 3月27日預(yù)測(cè)結(jié)果表45 七天平均相對(duì)誤差日期3月21日3月22日3月23日3月24日3月25日3月26日3月27日神經(jīng)網(wǎng)絡(luò)法平均相對(duì)誤差（%）支持向量機(jī)平均相對(duì)誤差（%）由上表可知，支持向量機(jī)預(yù)測(cè)方法能很好的預(yù)測(cè)未來的負(fù)荷，它比神經(jīng)網(wǎng)絡(luò)有更高的預(yù)測(cè)精度。而基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的支持向量機(jī)方法避免了人工神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生的問題。for i=4:23if t2pin(:,k)=[A(i1,t2),A(i1,t1),A(i1,t),A(i2,t2),A(i2,t1),A(i2,t),A(i,t2),A(i,t1),A(i,25),A(i,26),A(i,27)]39。k=k+1。=1000。endout=sim(net,pin_test)。39。for i=4:26if t2pin(k,:)=[A(i1,t2),A(i1,t1),A(i1,t),A(i2,t2),A(i2,t1),A(i2,t),A(i,t2),A(i,t1),A(i,25),A(i,26),A(i,27)]。k=k+1。f39。},[],...39。model=trainlssvm(model)。D(1,t)=y。 Leung, .摘要：一種新穎的基于神經(jīng)網(wǎng)絡(luò)原理包含天氣因素的電力負(fù)荷預(yù)測(cè)技術(shù)正呈現(xiàn)于面前。它被用來確立發(fā)電廠操作方案及單元操作方案，發(fā)電和能量交換熱備用方案。這種模型不適合那些季節(jié)不明確的地方，例如香港。在上述基于預(yù)測(cè)技術(shù)的神經(jīng)網(wǎng)絡(luò)中，他們大部分可以歸納為非線性時(shí)間序列方式，假設(shè)負(fù)荷可以被分解為兩部分，是天氣依賴因素和天氣獨(dú)立因素。非線性函數(shù)h是人工神經(jīng)網(wǎng)絡(luò)的非線性近似。這個(gè)模型利用人工神經(jīng)網(wǎng)絡(luò)完全的動(dòng)態(tài)變化且它是一個(gè)用于不固定時(shí)間序列的非線性模型。模型被稱為ARIMA模型，同時(shí)等式6的解落在單位圓的外部。很多的時(shí)間序列預(yù)測(cè)中，時(shí)間序列模型總基于非線性自回歸模型[20]如 （11）神經(jīng)系統(tǒng)的短期負(fù)荷預(yù)測(cè)模型可以被認(rèn)為是一個(gè)改良的非線性自回歸模型如 （12）而未知的光滑函數(shù)h用前饋神經(jīng)網(wǎng)絡(luò)非線性的近似。為了得到一個(gè)精確的負(fù)荷預(yù)測(cè)，我們必須確定最適合的模型一致于負(fù)荷消費(fèi)的規(guī)律。系統(tǒng)負(fù)荷對(duì)溫度變化很敏感。它直接影響空調(diào)負(fù)荷和照明負(fù)荷因?yàn)橄鄬?duì)濕度和云層覆蓋都與降水有關(guān)。在術(shù)語上簡(jiǎn)單化，非線性自回歸模型表示非線性自回歸神經(jīng)網(wǎng)絡(luò)模型且完整非線性自回歸模型表示完整非線性自回歸神經(jīng)網(wǎng)絡(luò)模型。而復(fù)數(shù)的值直接取決于和之間的相關(guān)性，因?yàn)槿绻拖嚓P(guān)性很好則值將很小。在我們的研究中，平日從1992年三月12號(hào)到八月26號(hào)的負(fù)荷需要被用來測(cè)試同時(shí)1991年的平日負(fù)荷需要被用來訓(xùn)練。和的分散圖可以找到兩個(gè)變量之間的相關(guān)性。有81個(gè)隱含層神經(jīng)元的相同結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)將應(yīng)用于這兩種負(fù)荷模型提供超前一天每小時(shí)負(fù)荷預(yù)測(cè)。我們提議的神經(jīng)網(wǎng)絡(luò)模型體系圖是插圖2。最近一天：24小時(shí)的相對(duì)濕度。在我們研究中，一個(gè)改良的完整非線性自回歸模型如等式10b適合短期負(fù)荷預(yù)測(cè)。矢量包含t時(shí)刻可利用的天氣信息。最佳預(yù)測(cè)有最小的方差，是期望條件 （9）這個(gè)預(yù)報(bào)器有一個(gè)平均方差。離線仿真在香港島電力負(fù)荷圖形上做了，它由香港電力公司提供。實(shí)際上我們負(fù)荷預(yù)測(cè)的目標(biāo)是針對(duì)偏差的預(yù)報(bào)而不是負(fù)荷。天氣依賴因素負(fù)荷經(jīng)常通過天氣變量如溫度，相關(guān)濕度和風(fēng)速等來估計(jì)。把一個(gè)專家的知識(shí)轉(zhuǎn)換成數(shù)學(xué)規(guī)則非常的困難。過去幾十年大量各種技術(shù)用于短期負(fù)荷預(yù)測(cè)[13]。完整自回歸非線性模型被認(rèn)為是最適合用于進(jìn)行包含天氣因素的短期負(fù)荷預(yù)測(cè)的模型。B(t,:)=fh。if t2pin_test=[A(i1,t2),A(i1,t1),A(i1,t),A(i2,t2),A(i2,t1),A(i2,t),A(i,t2),A(i,t1),A(i,25),A(i,26),A(i,27)]。,{},39。RBF_kernel39。xu2=windowize(pin,1:delays+1)。k=k+1。支持向量機(jī)模型：clear。y=x*()+。=。tansig39。k=k+1。支持向量機(jī)方法有著顯著的優(yōu)越性，被認(rèn)為是人工神經(jīng)網(wǎng)絡(luò)方法的替代方法。第五章 結(jié)論電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力系統(tǒng)安全和經(jīng)濟(jì)運(yùn)行的重要環(huán)節(jié)，影響到發(fā)電、輸電和電能分配等方面的合理安排。根據(jù)模型選取樣本，每個(gè)小模型使用18組樣本。后3個(gè)輸入量為預(yù)測(cè)日的最高溫度、最低溫度及日期類型。（2）支持向量機(jī)通過核函數(shù)，將低維輸入空間映射到髙維特征空間,得到全局最優(yōu)解?？梢酝ㄟ^引入拉格朗日乘子，建立拉格朗日函數(shù)。支持向量機(jī)回歸理論是建立在分類問題基礎(chǔ)上的，對(duì)于訓(xùn)練樣本集T，為輸入向量，為目標(biāo)輸出。（3）算法將實(shí)際問題通過非線性變換到高維的特征空間，再通過構(gòu)造線性判別函數(shù)實(shí)現(xiàn)原空間中的非線性判別函數(shù)，而且其算法復(fù)雜度與樣本維數(shù)無關(guān)。與處理大量樣本的經(jīng)典方法顯著不同，統(tǒng)計(jì)學(xué)習(xí)理論是一種專門研究有限樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論，針對(duì)有限樣本統(tǒng)計(jì)問題建立了一套新的理論體系，在這種體系下的統(tǒng)計(jì)推理規(guī)則不僅考慮了對(duì)推廣能力的要求，而且追求在現(xiàn)有有限信息的條件下得到最優(yōu)結(jié)果。表33 3月21日與3月22日預(yù)測(cè)結(jié)果小時(shí)（21日）實(shí)際負(fù)荷(MW)預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）小時(shí)（22日）實(shí)際負(fù)荷（MW）預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）0011223344556677889910101111121213131414151516161717181819192020212122222323(a)21日 (b)22日?qǐng)D33 3月21日（a）與3月22日（b）預(yù)測(cè)結(jié)果表34 3月23日與3月24日預(yù)測(cè)結(jié)果小時(shí)（23日）實(shí)際負(fù)荷(MW)預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）小時(shí)（24日）實(shí)際負(fù)荷（MW）預(yù)測(cè)負(fù)荷（MW）相對(duì)誤差（%）0