【正文】 都會對負荷造成明顯的影響。（1）最大有功負荷及其分布。有功負荷，加上電網(wǎng)中損失的有功和發(fā)電廠自用有功量，再加上適量的備用容量，就等于電力系統(tǒng)的裝機容量。（2）無功負荷及其分布。（3）需電量。（4）電力負荷曲線及其特征值。它是確定電力系統(tǒng)中電源結(jié)構(gòu)、調(diào)峰容量需求、運行方式及能源平衡的主要依據(jù)。②短期負荷預(yù)測是指日負荷預(yù)測和周負荷預(yù)測，分別用于安排日調(diào)度計劃和周調(diào)度計劃，包括確定機組起停、水火電協(xié)調(diào)、聯(lián)絡(luò)線交換功率、負荷經(jīng)濟分配、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)負荷變化規(guī)律，分析負荷變化相關(guān)因子，特別是天氣因素、日類型等和短期負荷變化的關(guān)系。④長期負荷預(yù)測是指未來3～5年甚至更長時間段內(nèi)的負荷預(yù)測，主要是電網(wǎng)規(guī)劃部門根據(jù)國民經(jīng)濟的發(fā)展和對電力負荷的需求，所作的電網(wǎng)改造和擴建工作的遠景規(guī)劃。電力負荷預(yù)測是一個過程，其一般程序可劃分為準備、實施、評價與提交預(yù)測報告四個階段。1）確定預(yù)測目標。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。預(yù)測期限是指預(yù)測的時間長短，一般電力規(guī)劃中負荷預(yù)測期限有短期預(yù)測（即5年期預(yù)測），中期預(yù)測（即5—10年期預(yù)測），及長期預(yù)測（即15年以上的預(yù)測）。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。這些資料的主要來源有兩種途徑：一是各國政府、研究機構(gòu)等定期或不定期發(fā)表的報刊、資料、文獻、和其他出版物；二是預(yù)測人員通過調(diào)查所獲得的資料。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可靠。對經(jīng)過鑒別整理后的資料要進行分析，以尋求其規(guī)律。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。因此，必須根據(jù)對資料的占有情況，以及預(yù)測目標、預(yù)測期限，預(yù)測環(huán)境、預(yù)測結(jié)果的精確度，同時考慮預(yù)測本身的效益成本分析等進行權(quán)衡，以便作出合理的選擇。如果是采用定量預(yù)測方法來進行預(yù)測，就要根據(jù)建立的定量預(yù)測模型，帶入預(yù)測期的自變量目標值，就可以獲得預(yù)測期所要的預(yù)測變量值。由于影響預(yù)測對象的諸因素可能會發(fā)生變化，從而可能使未來的實際結(jié)果與預(yù)測依據(jù)的歷史資料呈現(xiàn)的規(guī)律不相吻合，預(yù)測人員必須適時的對預(yù)測模型及預(yù)測結(jié)果加以修正。（3）評價預(yù)測階段預(yù)測的主要成果是得到預(yù)測結(jié)果。因此，在得到預(yù)測結(jié)果后必須對預(yù)測結(jié)果的準確度和可靠性進行評價。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。預(yù)測報告一般包括題目、摘要、正文、結(jié)論、建議、和附錄等部分。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。正文包括分析及預(yù)測過程、預(yù)測模型及說明、有關(guān)計算方法、必要的圖表、預(yù)測的主要結(jié)論及對主要結(jié)論的評價。附錄主要包括說明正文的附表、資料，預(yù)測中采用的計算方法的推導(dǎo)和說明，以及正文中未列出的有價值的其他資料。（1） 基本正常負荷分量模型不同的預(yù)測周期，B(t)分量具有不同的內(nèi)涵。所以，對于基本正常負荷分量，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，為線性變化模型負荷分量；為周期變化模型負荷分量。1）線性變化模型超短期負荷變化可以直接采用線性變化模型，將前面時刻的負荷描述成一條直線，其延長線即可預(yù)測下一時刻的負荷，如圖所示。針對短期負荷預(yù)測，將歷史上一段日負荷L按時序畫在一張圖上，將及每日平均負荷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。其周期變化規(guī)律可以用日負荷變化系數(shù)表示： （44）其中，為一天中各小時的負荷；為當天的日平均負荷。順序觀察每天同一時刻的負荷變化系數(shù)值，可以看出他們接近于一條水平線，這樣便可以用前幾天的同一時刻的負荷變化系統(tǒng)值的平均值預(yù)測以后的值。我們把這種反映一天24小時負荷循環(huán)變化規(guī)律的模型稱為日周期變化模型。這樣，按線性模型預(yù)測B(t)的負荷均值X(t)，按周期變化模型預(yù)測B(t)的周期負荷變化系數(shù)Z(t)，用式（42）就可以得到基本負荷分量B(t)。以日負荷預(yù)測為例，給定過去若干天氣負荷記錄、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、平均溫度或是某時點溫度；， 為電熱臨界溫度和斜率，時電熱負荷增加，其斜率為；，為冷氣臨界溫度和斜率，是冷氣負荷增加，其斜率為。（3）特別事件負荷分量模型特別事件負荷分量指特別電視節(jié)目、重大政治活動等對負荷造成的影響。這種分析可以用專家系統(tǒng)方法來實現(xiàn)，也可以簡單的用人工修正來實現(xiàn)。因子模型又可以分為乘子模型和疊加模型兩種。實際上，對于給定的過去一段時間的歷史負荷記錄，提取出基本負荷分量、天氣敏感負荷分量和特別事件負荷分量后，剩余的殘差即為各時刻的隨機負荷分量，可以看成是隨機時間序列。1）自回歸模型一個自回歸模型（AR）描述的過程是它的現(xiàn)在值可以由本身的過去的有限項的加權(quán)和及一個干擾值a(t)（假設(shè)為白噪聲）來表示，即 （49）在自回歸模型中，模型的階數(shù)p和系數(shù)（=1，2，…,p）由過去值通過模型辨別和參數(shù)估計來決定。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的加權(quán)和及其現(xiàn)在和過去干擾量的有限項加權(quán)的疊加，即 （411）4）累積式自回歸動平均模型非平穩(wěn)隨機過程多種多樣，一般常見的是含有趨勢項和周期項的非平穩(wěn)隨機過程。有趨勢變化的非平穩(wěn)隨機過程，有可能經(jīng)過若干次差分后才能平穩(wěn)化，即對V(t)作多次差分得到的是一個平穩(wěn)隨機過程，即 （412）式中，d為差分階數(shù)；B為后移算子。如果每個時間點的值都和超前T的（tT）值進行差分運算，那么（1 ）V(t)就變成平穩(wěn)時間序列了，其中是周期為T的后移算子。本文研究的是某城市的某年某月某日的電力系統(tǒng)短期負荷預(yù)測，因此，影響系統(tǒng)負荷的因素包括上述的四種分量模型。線性變化模型用來描敘日平均負荷變化規(guī)律，將歷史上一段日平均負荷按時序畫在一張圖上，可以看出每日平均負荷有波動，總體趨勢是一條直線，可用線性模型表示。特別事件（天氣）負荷分量，考慮時可把特別天氣或天氣變化看作是特別時間和其它如特別節(jié)目，重大紀念活動等合并作為特別事件考慮，也可以把有關(guān)天氣對負荷的影響和其他事件出現(xiàn)對負荷的影響分開考慮，負荷在一定程度上，受分量影響很大，進一步提高負荷預(yù)測精度，關(guān)鍵是科學合理地預(yù)測特別事件負荷分量，但往往還不是一件容易的事情。隨機負荷分量，一般由時間序列模型描述。 （1）經(jīng)典預(yù)測方法 1）時間序列法時間序列法是一種最為常見的短期負荷預(yù)測方法，它是針對整個觀測序列呈現(xiàn)出的某種隨機過程的特性，去建立和估計產(chǎn)生實際序列的隨機過程的模型，然后用這些模型去進行預(yù)測。時間序列預(yù)測方法可分為確定型和隨機性兩類，確定型時間序列作為模型殘差用于估計預(yù)測區(qū)間的大小。根據(jù)線性濾波器的特性，時間序列可劃為自回歸(AR)、動平均(MA)、自回歸動平均(ARMA)、累計式自回歸動平均(ARIMA)、傳遞函數(shù)(TF)幾類模型，其負荷預(yù)測過程一般分為模型識別、模型參數(shù)估計、模型檢驗、負荷預(yù)測、精度檢驗預(yù)測值修正5個階段。2）回歸分析法回歸分析法就是根據(jù)負荷過去的歷史資料，建立可以分析的數(shù)學模型，對未來的負荷進行預(yù)測?；貧w預(yù)測包括線性回歸和非線性回歸。而且為了獲得比較精確的預(yù)報結(jié)果，需要大量的計算，這一方法不能處理氣候變量和負荷之間的非平衡暫態(tài)關(guān)系。隨著人工智能技術(shù)逐步被引入到短期負荷預(yù)測中，人們已經(jīng)提出了多種基于人工智能的預(yù)測方法，其中最為典型的為基于各種人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測方法，其中以神經(jīng)BP算法為代表。這其中主要有灰色數(shù)學理論、專家系統(tǒng)方法、神經(jīng)網(wǎng)絡(luò)理論、模糊預(yù)測理論等。這些眾多因子的未知性和不確定性，成為系統(tǒng)的灰色特性?；疑到y(tǒng)理論是中國學者鄧聚龍教授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。早年鄧教授從事控制理論和模糊系統(tǒng)的研究，取得了許多成果。鄧教授希望在可利用數(shù)據(jù)不多的情況下，找到了較長時期起作用的規(guī)律，于是進行了用少量數(shù)據(jù)做微分方程建模的研究。后來，他將歷史數(shù)據(jù)作了各種處理，找到了累加生成，發(fā)現(xiàn)累加生成曲線是近似的指數(shù)增長曲線，而指數(shù)增長正符合微分方程解的形式。 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荷數(shù)據(jù)和天氣數(shù)據(jù)等進行細致的分析，匯集有經(jīng)驗的負荷預(yù)測人員的知識，提取有關(guān)規(guī)則。專家系統(tǒng)是一個用基于知識的程序設(shè)計方法建立起來的計算機系統(tǒng)（在現(xiàn)階段主要表現(xiàn)為計算機系統(tǒng)），它擁有某個特殊領(lǐng)域內(nèi)專家的知識和經(jīng)驗，并能像專家那樣運用這些知識，通過推理，在那個領(lǐng)域內(nèi)作出智能決策。專家系統(tǒng)方法總結(jié)了目前城網(wǎng)中長期負荷預(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)用到負荷預(yù)測上，從而克服單一算法的片面性；同時，全過程的程序化，使得方法還具有快速決斷的優(yōu)點。專家系統(tǒng)法利用了專家的經(jīng)驗知識和推理規(guī)則，使得假日或重大活動日子的負荷預(yù)報精度得到了提高。3）神經(jīng)網(wǎng)絡(luò)理論運用神經(jīng)網(wǎng)絡(luò)技術(shù)進行電力負荷預(yù)測，其優(yōu)點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、自主學習、知識推理和優(yōu)化計算的特點，特別的，其自學習和自適應(yīng)功能是常規(guī)算法和專家系統(tǒng)技術(shù)所不具備的。以用作時間序列預(yù)測。因此，我們可以將對電力負荷影響最大的幾種因素作為輸入，即當天的天氣溫度、天氣晴朗度（又稱為能見度）、風向風力、峰谷負荷及相關(guān)負荷等，爭取獲得較好的預(yù)測結(jié)果。由于該方法具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學習能力，因此有很大的應(yīng)用市場，但其缺點是學習收斂速度慢，可能收斂到局部最小點；并且知識表達困難，難以充分利用調(diào)度人員經(jīng)驗中存在的模糊知識。它作為數(shù)學學科的一個分支，吸取了現(xiàn)代分析學中諸如泛函分析、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。小波分析為本世紀現(xiàn)代分析學作了完美的總結(jié)。1981年Stromberg對Harr 系進行了改進，證明小波函數(shù)的存在。隨后，理論物理學家Grossman對Morlet的這種信號方法進行了理論研究，這無疑為小波分析的形成奠定了基礎(chǔ)。他為小波理論的形成和完善作出了重大貢獻，是小波理論的奠基人之一。1988年，Daubechies構(gòu)成出了具有有限支撐的正交小波基。這樣，小波分析的理論大廈就基本奠定了。此后，中國學者崔錦泰和王建忠構(gòu)成了基于樣條函數(shù)的單正交小波函數(shù)，并討論了具有最好局部化性質(zhì)的尺度函數(shù)與小波函數(shù)。目前，國內(nèi)外有關(guān)小波在電力系統(tǒng)中的應(yīng)用的文獻還很少，這個領(lǐng)域還是很少，然而，由于其獨特的分析方法，在電力系統(tǒng)負荷預(yù)測方面一定會有很好的前景