【導(dǎo)讀】設(shè)計(jì)(論文)題目類型理論設(shè)計(jì)起止時(shí)間~負(fù)荷預(yù)測(cè)依其運(yùn)用領(lǐng)域可分為：運(yùn)轉(zhuǎn)規(guī)劃、電源開(kāi)發(fā)及電力系統(tǒng)規(guī)劃等三。種，其不同應(yīng)用領(lǐng)域所需負(fù)荷預(yù)測(cè)之內(nèi)容亦不盡相同。因此，負(fù)荷預(yù)測(cè)的模式及其所。使用的數(shù)學(xué)模式與公式，皆隨各電力事業(yè)不同背景與環(huán)境的條件而有相當(dāng)大的差異。差分方程；灰色系統(tǒng)建模則是用原始數(shù)據(jù)序列作生成數(shù)后建立微分方程。色數(shù)列，或者灰色過(guò)程，對(duì)灰色過(guò)程建立模型，便成為灰色模型。灰色系統(tǒng)理論研究的是貧信息下建模,提供了貧信息下解決系統(tǒng)問(wèn)題的新途徑.的原始數(shù)據(jù)整理成規(guī)律性強(qiáng)的生成序列再作研究.突變的情況，預(yù)測(cè)準(zhǔn)確率也會(huì)下降。對(duì)此，我們決定：根據(jù)氣候溫度的突變程度分。每相差2℃為一檔。

　　

【正文】 中 包括所謂的同類天 法 ， 就像 回歸模型，時(shí)間序列，神經(jīng)網(wǎng)絡(luò)，統(tǒng)計(jì)學(xué)習(xí)算法，模糊邏輯，專家系統(tǒng) 一樣 已 被 短期預(yù)報(bào) 而開(kāi)發(fā) 。 正如我們 所見(jiàn) ，大量的數(shù)學(xué)方法和思路已用于負(fù)荷預(yù)測(cè)。發(fā)展和改善適當(dāng)?shù)臄?shù)學(xué)工具，將 促使 開(kāi)發(fā)更準(zhǔn)確 的負(fù)荷預(yù)測(cè)技術(shù)。 負(fù)荷預(yù)測(cè) 的精度 不僅取決于負(fù)荷預(yù)測(cè)技術(shù)，而且 取決于 預(yù)測(cè)天氣的情況。氣象預(yù)報(bào)是一個(gè)重要話題， 也是外界對(duì)本章 議論 的 內(nèi)容 。 這里 我們只是提了在發(fā)展計(jì)算機(jī)化的氣象預(yù)報(bào)系統(tǒng) 中的重大進(jìn)展 ，其中包括 由大學(xué)開(kāi)發(fā)和支持的 中尺度模式 MM5。 2 重要因素預(yù)測(cè) 短期負(fù)荷預(yù)測(cè)的幾個(gè)因素應(yīng)予以考慮，例如時(shí)間因素，氣象數(shù)據(jù)，并盡可能 了解 客戶 等級(jí)。 中期和長(zhǎng)期預(yù)測(cè) 應(yīng) 顧及歷史負(fù)荷和天氣數(shù)據(jù)，在家電領(lǐng)域不同類別 的 用戶數(shù)目 及其特點(diǎn)，包括年齡，經(jīng)濟(jì)和人口統(tǒng)計(jì)數(shù)據(jù)，以及他們的預(yù)測(cè)，家電 銷售數(shù)據(jù) ，和其他因素 都要予以考慮。時(shí)間因素 ，包括 這一年里，一周的 某 一天， 某 一小時(shí) 。 在 平日和周末 ，負(fù)荷之間有重大差別 。平時(shí)的 負(fù)載也可以有所不同。舉例來(lái)說(shuō) 吧 ，在星期一和星期五， 被周末隔開(kāi)的兩天 ， 負(fù)荷是不同的。而且由 周二 到 周四 也可能有很大的不同 。 在今年夏天 的時(shí)候尤為如此 。假期比非假期更難預(yù)測(cè)，因?yàn)樗麄兿鄬?duì) 顯得不規(guī)則 。 氣象條件影響負(fù)荷。事實(shí)上， 預(yù)測(cè)天氣的參數(shù)是最重要的，在短期負(fù)荷 預(yù)測(cè) .各種 天氣變數(shù) 應(yīng) 考慮 進(jìn)來(lái) 。溫度和濕度是最常用的負(fù)荷預(yù)測(cè)因子。一個(gè)電力負(fù)荷預(yù)測(cè)調(diào)查表示， 13 個(gè)利用溫度 ，而 只有 3 個(gè) 利用了溫度和濕度， 3 個(gè) 利用額外的氣象參數(shù)， 3 個(gè) 只用于負(fù)荷 .在以上列舉的 天氣變數(shù) 中， 兩種復(fù)合天氣變函數(shù)， thi （溫度，濕度指數(shù)） 和 wci （風(fēng)寒冷指數(shù)） ，已廣泛用于公用事業(yè)公司。 thi 是衡量酷暑 的熱度 ，而 相反 wci 是 衡量 冬季 冷 度 。 大部分電力客戶提供服務(wù)的 類型 不同 ，如住宅，商業(yè)及工業(yè)生產(chǎn)等 對(duì) 不同 類別 的 客戶 ， 電力的使用模式不同， 對(duì)同 一個(gè)階層 的客戶是 一樣 。因此，大部分公用事業(yè)按階級(jí)基礎(chǔ)區(qū)分負(fù)荷是否為 一類 。 3 。預(yù)測(cè)方法 在過(guò)去的幾十年中 ， 一些預(yù)報(bào)方法已經(jīng)開(kāi)發(fā)出來(lái)。 有 兩個(gè)方法，即所謂的最終用途 法 和計(jì)量經(jīng)濟(jì)學(xué)法 ，它們都已 廣泛用于中期和長(zhǎng)期預(yù)測(cè) ，而且 采取 了 多種 方式，其中包括所謂的同類天 法， 像 各 回歸模型，時(shí)間序列，神經(jīng)網(wǎng)絡(luò)，專家系統(tǒng)，模糊邏輯，統(tǒng)計(jì)學(xué)習(xí)算法 都 是用于短期預(yù)測(cè) 的 。開(kāi)發(fā)，改進(jìn)，并深入調(diào)查適當(dāng)?shù)臄?shù)學(xué)工具，將 促使 發(fā)展 更準(zhǔn)確的 負(fù)荷預(yù)測(cè) 技術(shù) .統(tǒng)計(jì) 辦法通常需要一個(gè)數(shù)學(xué)模型 來(lái)表示。負(fù)荷 由于功能不同的因素，如時(shí)間，天氣， 以及 顧客階層。 共有 兩個(gè)重要的類別，如數(shù)學(xué)模型，分別是：加模型和乘法模型。他們 對(duì) 是否 為 負(fù)荷總和（添加劑）的一些組件或產(chǎn)品（乘）的若干 因素 各有不同的預(yù)測(cè) . 例如， Chen等。介紹了一種添加劑的模式，采取的形式 為 預(yù)測(cè)負(fù)荷作為函數(shù)的四個(gè)組成部分： L = Ln + Lw + Ls + Lr, 其中 L是總負(fù)荷， LN代表 正常 的一部分負(fù)荷，這是一套標(biāo)準(zhǔn)化的負(fù)荷形狀 來(lái)衡量 每一個(gè) 型 ，已被確定為發(fā)生在整個(gè)一年中 任一天 ， Ls代表著天氣敏感的部分負(fù)載， LS是一項(xiàng)特別活動(dòng)的組成部分，創(chuàng)造偏離了正常負(fù)荷 的 可觀模式，及 LR ，是 一個(gè)隨機(jī)參數(shù) .chen等人。還建議電價(jià)可以作為一項(xiàng)額外的 方法 列入 這種模式 。當(dāng)然，價(jià)格跌幅 /增加影響用電。大成本敏感的工業(yè)和體制荷載能 對(duì) 負(fù)荷有重大影響。這項(xiàng)研究 [ 4 ]用賓夕法尼亞 新澤西 馬里蘭（ pjm ）現(xiàn)貨價(jià)格數(shù)據(jù)（因?yàn)樗c安大略水電 負(fù)荷） ，作為神經(jīng)網(wǎng)絡(luò)的輸入。作者報(bào)告說(shuō)，準(zhǔn)確的估算 的 取得 收益于 價(jià)格 數(shù)據(jù) .乘法模型，可采取 這 種形式 L = Ln Fw Fs Fr, LN 是正常的（ 基本 ）的負(fù)荷 ， FW， Fs 是 校正因子， Fr 是一個(gè)確定的常數(shù) 可以增加或減少總的 負(fù)荷。這些更正是基于當(dāng)前的天氣（ Fw），特殊事件（ Fs），以及隨機(jī)波動(dòng)（ Fr）。 像 電價(jià)（ Fp）和負(fù)荷增長(zhǎng)（ Fg） 這些因素 也可以被包括在內(nèi)。拉赫曼介紹了 一種 用乘法模型 基于理論的 預(yù)測(cè) 方法 。天氣 變化 和基本負(fù)荷與惡劣天氣的 測(cè)量將 包括在 此 模型 中 。 中期和長(zhǎng)期負(fù)荷預(yù)測(cè)方法 最終建模 法 ，經(jīng)濟(jì)計(jì)量模型 法 ，以及他們的組合 在 中期和長(zhǎng)期負(fù)荷 預(yù)測(cè)中 是最常用的 。 電器用戶使用的房子大小，新裝備 的 年齡，新技術(shù)的變化，客戶行為，種群動(dòng)態(tài)，通常包括在統(tǒng)計(jì)和模擬模型 中，它是基于 所謂的最終用途 法。此外，經(jīng)濟(jì)因素，如人均收入，就業(yè)水平， 和電價(jià) 是包括在計(jì)量經(jīng)濟(jì)模型 中的 。這些模型 經(jīng)常 結(jié)合最終建模 法 。長(zhǎng)期預(yù)測(cè)包括人口變化，經(jīng)濟(jì)發(fā)展，產(chǎn)業(yè)建設(shè)，科技的發(fā)展 的預(yù)測(cè) 。 最終使用 法，直接估計(jì)能源消耗，利用 從 最終用途和最終用戶 得到的 廣泛的信息，如家電，顧客使用，年齡，房子 的 大小 等等 .客戶的 統(tǒng)計(jì) 信息，隨著動(dòng)態(tài)變化 是預(yù)測(cè)的基礎(chǔ) .最終 利用模式側(cè)重于電力在住宅，商業(yè)和工業(yè)部門 的 各種用途 。這些模式是根據(jù)以下原則，即電力需求的增長(zhǎng)是 基于 顧客 對(duì)光 ，制冷，制熱，制冷等的需求 。 從而最終使用的模式解釋對(duì)能源的需求 時(shí) ， 將其 作為一個(gè)電器在市場(chǎng)上數(shù)目 的 函數(shù)。理想的 說(shuō) ，這種做法是十分正確的。但是，它 對(duì) 最終用途數(shù)據(jù)數(shù)量和質(zhì)量 是非常敏感的 。舉例來(lái)說(shuō) 吧 ，在此方法中的分布設(shè)備年齡 對(duì) 特定類型的設(shè)備是很重要的。最終用途預(yù)測(cè)需要較少的歷史數(shù)據(jù)，但 需要很多 有關(guān)客戶和裝備的信息。 計(jì)量經(jīng)濟(jì)模型。計(jì)量經(jīng)濟(jì)學(xué)的方法 將經(jīng)濟(jì)學(xué)理論 和統(tǒng)計(jì)技術(shù)結(jié)合起來(lái)預(yù)測(cè)電力需求。該辦法估計(jì)能源消耗（依 變數(shù)）和影響消費(fèi) 的 因素之間的關(guān)系。 這種 關(guān)系由最小二乘法或時(shí)間序列方法來(lái) 估計(jì) 。 在這個(gè)框架內(nèi)， 其中一種選擇 是集料的計(jì)量方式，在不同的部門（住宅，商業(yè)，工業(yè)等）消費(fèi)時(shí)， 將作 為一個(gè)天氣，經(jīng)濟(jì)和其他變量函數(shù)的計(jì)算公式，然后用最近的歷史數(shù)據(jù) 來(lái) 估計(jì)。一體化的經(jīng)濟(jì)計(jì)量方法納入最終使用的方法 把 行為組件 和 終端使用方程 等價(jià)起來(lái) 。 統(tǒng)計(jì)模型為基礎(chǔ)的學(xué)習(xí)。最終用途和 電子方法 ，需要大量家電，顧客，經(jīng)濟(jì)學(xué)等的相關(guān)資料，其應(yīng)用 比較 復(fù)雜 ，需要 人的參與。此外，這類信息往往是不符合有關(guān)的特定客戶及公用事業(yè) ，并 保持和 支持 平均 客戶或 對(duì) 不同類型的 客戶 采取平均的做法 。如果公用事業(yè)要進(jìn)行下一期的預(yù)測(cè) 并 分領(lǐng)域，問(wèn)題 就 出現(xiàn) 了 ，它通常被稱為負(fù)載的口袋。在這種情況下， 大量 的工作 將隨著 人數(shù)負(fù)荷的口袋 增加而 增加比例 。此外， 對(duì) 不同負(fù)載的口袋最終使用概況和計(jì)量 數(shù)據(jù) 通常是不同的。 對(duì) 特定領(lǐng)域 ，與 公用事業(yè) 的 平均 特點(diǎn) 可能有所不同 ， 所以 未必 有用。 為了簡(jiǎn)化中期預(yù)測(cè)，使之更加準(zhǔn)確，并避免使用 沒(méi)用的 資料， feinberg 等人制定了一個(gè)統(tǒng)計(jì)模型， 從 歷史數(shù)據(jù)汲取負(fù)荷模型 的方法 。 feinberg等人，研究了由在美國(guó)東北部 的 公用事業(yè)公司提供的負(fù)載 數(shù)據(jù)集 。研究的重點(diǎn)是夏季數(shù)據(jù)。我們幾個(gè)比 較負(fù)荷模型，并得出結(jié)論，認(rèn)為下列乘法模型 是 最準(zhǔn)確 的。 L(t) = F(d(t), h(t)) f(w(t)) + R(t), 其中 L（ t） 是 實(shí)際負(fù)荷， d(t)是一周的 某 一天， h(t)是一天 的某個(gè)小時(shí) ， F(d, h)是每天和每小時(shí)的組成部分， w(t)的天氣資料，包括溫度和濕度， f(w)是氣象因素，與 r（ t）是一個(gè)隨機(jī) 變量 .i事實(shí)上， w(t)是一個(gè)向量 由 當(dāng)前和滯后天氣許多變數(shù) 構(gòu)成 。這反映出一個(gè)事實(shí)，就是電力負(fù)荷不僅取決于目前的天氣狀況，而且還取決于在過(guò)去幾小時(shí)或幾天 的 天氣 。特別 的， 著名的 效應(yīng) 即所謂熱浪說(shuō)， 在 天氣炎熱 時(shí) 使用冷氣機(jī) ，持續(xù)數(shù) 天來(lái) 估計(jì)氣象因子 f(w)時(shí)，我們采用了回歸模型 f(w) = β 0 +_β jXj , XJ 是目前和以往的氣象參數(shù) 非線性 功能 的 解釋性變量 ， β0， βj是回歸系數(shù) .模型參數(shù) 可以反復(fù) 被 計(jì)算出。我們 用 F =1 開(kāi)始。然后，我們使用上述回歸模型來(lái)估計(jì) f， 然后，我們估計(jì) F等等 .描述算法表現(xiàn)出歷史每小時(shí)的負(fù)荷和天氣數(shù)據(jù) 的 快速收斂。我們已應(yīng)用到許多領(lǐng)域，用戶在 5萬(wàn)和 25萬(wàn)之間 。圖 給出的一個(gè)例子，一個(gè)散步圖謀，比較模型與實(shí)際參數(shù)。圖 顯示了實(shí)際負(fù)荷和模型迭代過(guò)程 的 收斂的相關(guān)性。圖 顯示了收斂的線性回歸程序 算法。 圖 。散布圖的實(shí)際負(fù)荷與示范。 軟件，即采用描 述的方法，知道了該模型的參數(shù)，并 基于 過(guò)去 2530年的數(shù)據(jù) 提出未來(lái)一年的預(yù)測(cè)模型 。雖然歷史負(fù)荷可能 沒(méi)用， 該軟件適用于過(guò)去一年模式，以歷史氣象資料 來(lái) 估計(jì)明年的峰值分布。 圖 。相關(guān)關(guān)系，實(shí)際負(fù)荷和示范。 圖 。收斂的 R2 對(duì) 實(shí)際負(fù)荷與示范。 該軟件生成的幾個(gè)重要特點(diǎn)。舉例來(lái)說(shuō)，對(duì)于每個(gè)負(fù)荷 包和 系統(tǒng)，它計(jì)算出天氣正?；囊蛩?，是一個(gè)高峰負(fù)荷向?qū)?在 平均峰值條件觀察 的 負(fù)荷 的比例 。它還為下一年 的高峰 產(chǎn) 生 概率分布 。 描述的方法可以應(yīng)用到 中期和長(zhǎng)期預(yù)測(cè)。然而，長(zhǎng)期預(yù)測(cè)應(yīng)納入經(jīng)濟(jì)和人口動(dòng)態(tài)預(yù)測(cè)，作為輸入?yún)?shù)。 短期負(fù)荷預(yù)測(cè)方法 對(duì) 于短期負(fù)荷預(yù)測(cè) 大量統(tǒng)計(jì)和人工智能技術(shù)已經(jīng)開(kāi)發(fā)出來(lái) 。 類似天的 方 法。這種方法是基于尋找 在 一，二，或三年 與 所預(yù)測(cè)的一天具有類似特點(diǎn) 的歷史資料 。相似的特點(diǎn)，包括天氣， 一周中的某一天 。負(fù)載 類似的一天被認(rèn)為是一個(gè)預(yù)測(cè)。而不是一個(gè)單一的同類日負(fù)荷，預(yù)測(cè)可以是一個(gè)線性組合或回歸程序， 也 可以包括幾個(gè)類似的療程趨勢(shì)系數(shù)，可用于在過(guò)去幾年 的 類似的日子 。 4 未來(lái)的研究方向 在這一章中我們已經(jīng)討論 過(guò)幾個(gè)統(tǒng)計(jì)與人工智能技術(shù)已經(jīng)開(kāi)發(fā)出來(lái)用于短期，中期和長(zhǎng)期電力負(fù)荷預(yù)測(cè)。幾個(gè)統(tǒng)計(jì)模型和算法 雖然 已被開(kāi)發(fā)，但經(jīng)營(yíng)專案。如果 有人 研究 這些 統(tǒng)計(jì)模型并 發(fā)展數(shù)學(xué)理論， 以至于能 解釋 這些 算法， 預(yù)測(cè)的準(zhǔn)確性 就 可以得到改進(jìn) 。研究人員 也應(yīng)調(diào)查適用于發(fā)達(dá)的模型和算法的范圍。至目前為止，沒(méi)有一個(gè) 單一的模式或算法是優(yōu)于一切事業(yè) 的， 原因是公用事業(yè)的服務(wù)范圍 隨著 不同的混合的工業(yè)，商業(yè)和住宅用戶 而變化 。他們也各有不同的地理，氣候，經(jīng)濟(jì)，社會(huì)等方面的特點(diǎn)。 為了能 選擇最合適的算法， 公用事業(yè)部門可以 去 測(cè)試算法實(shí)時(shí)數(shù)據(jù)。事實(shí)上， 一些公用事業(yè)公司都使 用幾種負(fù)荷預(yù)測(cè)方法 。 據(jù)我們所知，沒(méi)有 一個(gè) 眾所周知的先驗(yàn)條件，可以偵測(cè)可預(yù)測(cè)的方法更適合于某一特定的負(fù)荷區(qū) 的 。一個(gè)重要的問(wèn)題，是調(diào)查負(fù)荷預(yù)測(cè) 算法和模式 對(duì) 顧客人數(shù)，地區(qū)的特點(diǎn)，能源價(jià)格，和其他因素 的敏感性 .如上所述，天氣是一個(gè)影響負(fù)載 的 重要因素。通常的做法 是 短期負(fù)荷預(yù)測(cè)的用途 將 預(yù)測(cè)天氣的情況作為輸入。不過(guò)，在氣象預(yù)報(bào) 中最重要的 是 最近的事態(tài)發(fā)展 ，就是所謂合奏的方式， 它由 多運(yùn)算的預(yù)測(cè) 組成 。那么概率度量衡可以分配到這些 預(yù)測(cè)中。 單一的天氣預(yù)報(bào)可 由 多投入負(fù)荷預(yù)測(cè) 來(lái)代替，并作為其輸出 。這些投入產(chǎn)生多種負(fù)荷預(yù)測(cè)。在最近的論文 中 ，作者描述合奏負(fù)荷預(yù)測(cè)，根據(jù)天氣預(yù)報(bào)樂(lè)隊(duì)和各種統(tǒng)計(jì)預(yù)報(bào)方法。有負(fù)荷預(yù)測(cè)有兩個(gè)好處： 用 概率的形式：（一）能不能 達(dá) 到一個(gè)更準(zhǔn)確的預(yù)測(cè)，每小時(shí)所得采用多種自由組合，例如， 將他們平均 。（二） 用 概率描述 未來(lái)的負(fù)荷，可作為一項(xiàng)投入，決策支持系統(tǒng) 作出 采購(gòu)和交換的決定。總的來(lái)說(shuō)，這是眾所周知的 。 從適當(dāng)?shù)臄?shù)學(xué)模型，即知識(shí)的需求分布來(lái)產(chǎn)生 比知識(shí)預(yù)期的需求 更多的成本效益 。在更廣泛的規(guī)模，我們認(rèn)為，重要的研究和發(fā)展方向是： （一）結(jié)合天氣和負(fù)荷預(yù)測(cè)及（二）將負(fù)荷預(yù)測(cè) 包含到 各種決策支持系統(tǒng) 中 。 5 。結(jié)論 準(zhǔn)確的負(fù)荷預(yù)測(cè) 對(duì) 在充滿競(jìng) 爭(zhēng)的環(huán)境中所造成的電力行業(yè) 不正常 是非常重要 的。 本文我們回顧一些統(tǒng)計(jì)和人工智能技術(shù)， 都 是用于電力負(fù)荷預(yù)測(cè) 的 。我們還討論了影響預(yù)測(cè)的準(zhǔn)確性 的因素 ，如氣象資料，時(shí)間因素，顧客 等級(jí) ，以及經(jīng)濟(jì)和終端使用的因素。負(fù)荷預(yù)測(cè)方法，利用先進(jìn)的數(shù)學(xué)模型。在電力負(fù)荷預(yù)測(cè)及其在工業(yè)應(yīng)用中可以通過(guò)提供短期負(fù)荷預(yù)測(cè)，在概率分布 的 形式 下 ，而不是預(yù)測(cè)的號(hào)碼 來(lái) 實(shí)現(xiàn) 并取得 更多進(jìn)展 。舉例說(shuō)那些所謂合奏的方式都可以使用。我們相信，這方面的工作進(jìn)展，在電力負(fù)荷預(yù)測(cè)將實(shí)現(xiàn)兩個(gè)方向： （一）基礎(chǔ)研究統(tǒng)計(jì)與人工智能及（二）更好地以實(shí)施適當(dāng)?shù)哪Ｊ?了解有關(guān)負(fù) 荷動(dòng)力學(xué)及其統(tǒng)計(jì)特性 。 目錄 引言 ...................................................................................................... 19 .......................................................................................... 19 ...