【正文】 316） 求得； 3 二次指數(shù)平滑值 )2(tS ，由式 （ 318） 求得； 4 系數(shù) ta ，由式（ 322） 求得； 5 系數(shù) tb ，由式 （ 323） 求得； 6 預(yù)測值 mtF? ，由式 （ 321） 求得； 整個(gè)計(jì)算中，平滑系數(shù)取 。因此式 （ 313）（ 314） 可以改寫為 )1( 1)1( )1( ???? ttt saaxs （ 316） ? ?)1( 1)1( 1)1( ?? ??? tttt sxass （ 317） 將 t=1,2,…… ， n 的所有一次指數(shù)平滑值 )1(ts 作為新的時(shí)間序列，再次進(jìn)行指數(shù)平滑，我們就得到了原時(shí)間序列的二次指數(shù)平滑 )3( 1)1()2( )1( ???? ttt saass （ 318） 同理，如以 )2(ts （ 1， 2， …… ， n） 做為新的時(shí)間序列進(jìn)行指數(shù)平滑，又可得到三次指數(shù)平滑值 )3( 1)2()3( )1( ???? ttt saass （ 319） 依此類推。其優(yōu)點(diǎn)是計(jì)算簡單，缺點(diǎn)是： 1 要保存的歷史數(shù)據(jù)比較多，如預(yù)測的項(xiàng)目很多就要保存大量歷史數(shù)據(jù)； 2 它對所有數(shù)據(jù)都同等對待，而從直觀和經(jīng)驗(yàn)上看，我們在預(yù)測時(shí)應(yīng)該對離目前越近的數(shù)據(jù)越重視； 3 它只能用于水平趨勢的時(shí)間序列，當(dāng)時(shí)間序列有某種明顯的增加或減少的趨勢時(shí)，移動(dòng)算術(shù)平均法不能很快適應(yīng)這種變化。由此可得到 m+1 個(gè)方程式 本科畢業(yè)設(shè)計(jì)說明書（論文） 第 12 頁 共 41 頁 ? ? 0)(2 1 10 ?????? ?? kjmj mjmjj xxaxaaxf ? （ K=0， 1， 2， … ， m） （ 35） 整理上式可得 ??? ??? ?? ???? mj kjjmkjmmj kjmj kj xyxaxaxa 11 1110 ? （ K=0， 1， 2， … ， m） （ 36） 式中 )( jj xfy ? ，為簡單起見，令 ??? mj kjk xS 1 （ 37） ??? mj kjjk xy1? （ 38） 這樣，式中 （ 36） 可展開為 ???????????????????????????????????????21032102112110???????????aaaaSSSSSSSSSmmmmm （ 39） 式 （ 39） 的系數(shù)矩陣顯然為對稱矩陣。當(dāng)某一量的增長率接近常數(shù)時(shí)，其增長趨勢常用指數(shù)曲線來擬合。從幾何上講，就是希望根據(jù)表中所列的一組離散點(diǎn) （ 1， ），（ 2， ）， …… ，（ 10， ）求函數(shù) y=f(x)圖像的一條擬合曲線。正文包括分析及預(yù)測過程、預(yù)測模型及說明、有關(guān)計(jì)算方法、必要的圖表、預(yù)測的主要結(jié)論及對主要結(jié)論的評價(jià)。因此，在得到預(yù)測結(jié)果后必須對預(yù)測結(jié)果的準(zhǔn)確度和可靠性進(jìn)行評價(jià)。因此，必須根據(jù)對資料的占有情況，以及預(yù)測目標(biāo)、預(yù)測期限，預(yù)測環(huán)境、預(yù)測結(jié)果 本科畢業(yè)設(shè)計(jì)說明書（論文） 第 9 頁 共 41 頁 的精確度，同時(shí) 考慮預(yù)測本身的效益成本分析等進(jìn)行權(quán)衡，以便作出合理的選擇。這些資料的主要來源有兩種途徑：一是各國政府、研究機(jī)構(gòu)等定期或不定期發(fā)表的報(bào)刊、資料、文獻(xiàn)、和其他出版物；二是預(yù)測人員通過調(diào)查所獲得的資料。 準(zhǔn)備 階段 準(zhǔn)備階段的工作是由確定預(yù)測目標(biāo)、落實(shí)組織工作、搜集資料、分析資料和選擇方法等工作組成。電力負(fù)荷大小及其在時(shí)間上的分布特征，對電力規(guī)劃及電力系統(tǒng)運(yùn)行是至關(guān)重要的。最大有功負(fù)荷的大小是確定電力系統(tǒng)裝機(jī)規(guī)模的基礎(chǔ)數(shù)據(jù)，換句話說是電源規(guī)劃的依據(jù)。 本文主要的研究工作 通過本次畢業(yè)設(shè)計(jì)，我們要對所學(xué)知識得以鞏固與加強(qiáng)； 了解目前負(fù)荷預(yù)測的概況，弄清負(fù)荷預(yù)測的常用方法方法，完成電力負(fù)荷預(yù)測；培養(yǎng)運(yùn)用所學(xué)知識分析和解決問題的能力，鍛煉和提高學(xué)生的綜合素質(zhì) 本設(shè)計(jì)主要是學(xué)習(xí)負(fù)荷預(yù)測的一般方法，在此基礎(chǔ)上，結(jié)合某地區(qū)的實(shí)際負(fù)荷，將所研究方法應(yīng)用到負(fù)荷預(yù)測上，完成相應(yīng)的負(fù)荷預(yù)測計(jì)算和分析。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[10]。 1986 年，法國數(shù)學(xué)家 Mayer 創(chuàng)造性地構(gòu)造出了一個(gè)具有一定衰減特性的光滑函數(shù)，它的二進(jìn)制伸縮和平移系構(gòu)成 L（ R） 的規(guī)范正交基，實(shí)現(xiàn)了信號在時(shí)頻空間同時(shí)局部化的正交分解。 （ 4） 小波分析預(yù)測技術(shù) 小波分析（ Wavelet） 是本世紀(jì)數(shù)學(xué)研究成果中最杰出的代表 [9]。借助專家系統(tǒng)，負(fù)荷預(yù)測人員能識別預(yù)測日所屬的類型，考慮天氣因素對負(fù)荷預(yù)測的影響，按照一定的推理進(jìn)行負(fù)荷預(yù)測。 灰色系統(tǒng)理論的形成是有過程的。 雖然經(jīng)典的數(shù)學(xué)統(tǒng)計(jì)方法具有速度快的優(yōu)點(diǎn)， 但是其預(yù)測模型比較簡單，很難準(zhǔn)確描述負(fù)荷預(yù)測的實(shí)際模型，所以其精度較差。因此，電力負(fù)荷預(yù)測是一項(xiàng)十分重要的工作，它對于保證電力工業(yè)的健康發(fā)展，乃至對于整個(gè)國民經(jīng)濟(jì)的發(fā)展均有著十分重要的意義。 電力負(fù)荷預(yù)測就是在正確的理論指導(dǎo)下，在調(diào)查研究掌握大量翔實(shí)資料的基礎(chǔ)上，運(yùn)用可靠的方法和手段對電力負(fù)荷的發(fā)展趨勢作出科學(xué)合理的推斷。人工智能方法包括人工神經(jīng)網(wǎng)絡(luò)法、專家系統(tǒng)方法和模糊推理方法、小波分析等。所以正確的電力負(fù)荷預(yù)測既可以為國民經(jīng)濟(jì)的發(fā)展提供充足的電力，也可以為電力系統(tǒng)自身的發(fā)展提供幫助，特別是對于電力系統(tǒng)規(guī)劃而言，準(zhǔn)確的負(fù)荷預(yù)測是整個(gè)規(guī)劃工作的基礎(chǔ)和前提。電力系統(tǒng)負(fù)荷預(yù)測為這一地區(qū)電力規(guī)劃奠定了一定的基礎(chǔ)，同時(shí)也為這一地區(qū)電力工業(yè)布局、能源資源平衡、電力余缺調(diào)劑，以及電網(wǎng)資金和人力資源的需求與平衡提供可靠的依據(jù)。利用相應(yīng)的 BP 神經(jīng)網(wǎng)絡(luò)方法 對未來 24 小時(shí)負(fù)荷進(jìn)行短期預(yù)測 [2]，該方法充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)處理非線性問題的能力和人工神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)的優(yōu)點(diǎn)。 電力用戶是電力工業(yè)的服務(wù)對象，電力負(fù)荷的不 斷增長是電力工業(yè)發(fā)展的根據(jù)。它利用了電力負(fù)荷變動(dòng)的 慣性特征和時(shí)間上的延續(xù)性，通過對歷史數(shù)據(jù)時(shí)間序列的分析處理，確定其基本特征和變化規(guī)律，預(yù)測未來負(fù)荷。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。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。 （ 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 [8]。小波分析為本世紀(jì)現(xiàn)代分析學(xué)作了完美的總結(jié)。它在數(shù)學(xué)信號的小波 分解過程中提供有限的從而更實(shí)際、更具體的數(shù)字濾波器。這些優(yōu)點(diǎn)決定了小波分 析可以有效地應(yīng)用于負(fù)荷預(yù)測問題的研究。 (3) 深入研究最小二乘法、指數(shù)平滑法和人工神經(jīng)網(wǎng)絡(luò)法的預(yù) 測方法 (4) 建立電力負(fù)荷預(yù)測的模型，對預(yù)測某地區(qū)的發(fā)電量。 （ 2） 無功負(fù)荷及其分布。 ② 短期負(fù)荷預(yù)測是指日負(fù)荷預(yù)測和周負(fù)荷預(yù)測，分別用于安排日調(diào)度計(jì)劃和周調(diào)度計(jì)劃，包括確定機(jī)組起停、水火電協(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。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。 （ 3） 分析資料，選擇預(yù)測方法。如果是采用定性預(yù)測方法來進(jìn)行預(yù)測，就應(yīng)根據(jù)掌握的客觀資料進(jìn)行科學(xué)的邏輯推理，推斷出預(yù)測期的預(yù)測值。 題出預(yù)測報(bào)告階段 預(yù)測報(bào)告是預(yù)測結(jié)果的文字表述。 本科畢業(yè)設(shè)計(jì)說明書（論文） 第 10 頁 共 41 頁 3 電力負(fù)荷預(yù)測方法的研究 基于最小二乘法的預(yù)測研究及算例分析 在實(shí)踐中，我們往往需要從一組實(shí)測數(shù)據(jù) （ ii yx, ）（ i=1， 2， …… ， n） 中尋找變量 x 與 y 間函數(shù)關(guān)系的某種近似表達(dá)式。因此通常歸結(jié)為要求在各點(diǎn)的誤差和為最小。這就是最小二乘法的核心。根據(jù) 式 （ 37）（ 38） ，對表 的原始數(shù)據(jù)可按下表進(jìn)行處理 表 最小二乘法的計(jì)算表格 0x 1x 2x 3x 4x y xy yx2 1 1 1 1 1 1 1 1 1 2 4 8 16 1 3 9 27 81 1 4 16 64 256 1 5 25 125 625 1 6 36 216 1296 1 7 49 343 2401 1 8 64 512 4096 1 9 81 729 6561 本科畢業(yè)設(shè)計(jì)說明書（論文） 第 13 頁 共 41 頁 1 10 100 1000 10000 194 0S 1S 2S 3S 4S 0? 1? 2? 10 55 385 3025 25333 根據(jù)式 39 可得到線性方程 ??????????????????????????????? 2 22 5 3 33 0 2 53 8 53 0 2 53 8 5553 8 55510210aaa 解之得 210???aaa 即擬合曲線的表達(dá)式為 20 0 7 1 2 0 4 )( xxx ???? 根據(jù)此方程式即可利用外推法對未來負(fù)荷電量進(jìn)行預(yù)測。和移動(dòng)算術(shù)平均法相比，它有以下幾個(gè)優(yōu)點(diǎn)： (1) 不需要儲存過去 n 個(gè)時(shí) 刻的歷史數(shù)據(jù)。 當(dāng)時(shí)間序列具有不斷增大（或減?。┑内厔輹r(shí)，用一次指數(shù)平滑法預(yù)測的結(jié)果往往出現(xiàn)明顯的滯后現(xiàn)象，誤差較大。但是當(dāng) t=1 時(shí)這個(gè)值并不存在，因此需要在計(jì)算前給定出定值，最簡單的方法就是使 )2()1( , tt SS 在開始時(shí)都等于 Xt,或者都等于前幾個(gè) Xt 的平均值。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無向圖表示，代表性的模型包括 。從已知數(shù)據(jù)確定權(quán)值是一個(gè)無約束最優(yōu)化問題，典型的算法是 BP 法，對于前饋神經(jīng)網(wǎng)絡(luò)模型還有很多其他權(quán)值修正法。 ②神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)過程模仿人的學(xué)習(xí)過程，人們提出了多種神經(jīng)元網(wǎng)絡(luò)。 下面介紹 BP 算法的推倒過程。而當(dāng)系統(tǒng)為性能評價(jià)器時(shí)，則可選擇再勵(lì)學(xué)習(xí)算法 [16]。 圖 逆向建模結(jié)構(gòu) 為了獲得良好的逆動(dòng)力學(xué)特性，應(yīng)妥善選擇網(wǎng)絡(luò)訓(xùn)練所需的樣本集，使其比未知系統(tǒng)的實(shí)際運(yùn)行范圍更大。 本文采用 MATLAB 軟件編程、仿真，具體過程如下所示： (1) 問題描述 電力系統(tǒng)負(fù)荷短期預(yù)報(bào)問題的解決辦法和方式可以分為統(tǒng)計(jì)技術(shù)、專家系統(tǒng)法和神經(jīng)網(wǎng)絡(luò)法等。 c 將一周的 7 天每天都看做一種類型，共有 7 種類型。因此，輸入變量就是一個(gè) 26 維的向量。目前，訓(xùn)練樣本數(shù)目的確定沒有通用的方法，一般認(rèn)為樣本過少可能使得網(wǎng)絡(luò)的表達(dá)不夠充分，從而導(dǎo)致網(wǎng)絡(luò)外推能力不夠；而樣本過多可能會出現(xiàn)樣本冗長現(xiàn)象，既增加了網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)，也可能出現(xiàn)信息量過剩使得網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象。網(wǎng)絡(luò)中間層的神經(jīng)元傳輸函數(shù)采用 S 型正切函數(shù) tansig，輸出層神經(jīng)元傳遞函數(shù)采用 S 型對數(shù)函數(shù) logsig。0 1。0 1。0 1?？紤]到網(wǎng)絡(luò)的結(jié)構(gòu)比較復(fù)雜，神經(jīng)元個(gè)數(shù)比較多，需要適當(dāng)增大訓(xùn)練次數(shù)和學(xué) 習(xí)速率。 =。 這里利用仿真函數(shù) sim 來計(jì)算網(wǎng)絡(luò)的輸出。 為了進(jìn)一步提高網(wǎng)絡(luò)的預(yù)測精度，需要從以下幾個(gè)方面展開研究： （ 1） 網(wǎng)絡(luò)的訓(xùn)練過程是從給定的樣本數(shù)據(jù)中歸納出輸入、輸出之間的復(fù)雜規(guī)律，為了能夠更加精確地對系統(tǒng)進(jìn)行預(yù)測，樣本數(shù)據(jù)應(yīng)該盡可能準(zhǔn)確。如果沒有老師的悉心指導(dǎo)，老師的督促， 本論文也不可能完成得如此順利 。 。 。 。