【正文】 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)。 國內(nèi)外電力負荷預測研究的現(xiàn)狀電力負荷預測分為經(jīng)典預測方法和現(xiàn)代預測方法[6]。它利用了電力負荷變動的慣性特征和時間上的延續(xù)性，通過對歷史數(shù)據(jù)時間序列的分析處理，確定其基本特征和變化規(guī)律，預測未來負荷。（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測?；貧w預測包括線性回歸和非線性回歸。隨著人工智能技術(shù)逐步被引入到短期負荷預測中，人們已經(jīng)提出了多種基于人工智能的預測方法，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。（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，其自學習和自適應功能是常規(guī)算法和專家系統(tǒng)技術(shù)所不具備的[8]。以用作時間序列預測。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，爭取獲得較好的預測結(jié)果。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。它在數(shù)學信號的小波分解過程中提供有限的從而更實際、更具體的數(shù)字濾波器。1990年，Daubechies在美國作了10次小波講座，把小波介紹到工程界中，“小波熱”就開始了。而Wicherhanseer等將Mallat算法進一步深化，提出了小波包算法，取得了信號的最佳時頻分解。小波分析是一種時域——頻域分析方法，它在時域和頻域上同時具有良好的局部化性質(zhì)，并且能根據(jù)信號頻率高低自動調(diào)節(jié)采樣的疏密，它容易捕捉和分析微弱信號以及信號、圖象的任意細小部分。這些優(yōu)點決定了小波分析可以有效地應用于負荷預測問題的研究。模糊控制是在所采用的控制方法上應用了模糊數(shù)學理論，使其進行確定性的工作，對一些無法構(gòu)造數(shù)學模型的被控過程進行有效控制。模糊系統(tǒng)對于任意一個非線性連續(xù)函數(shù)，就是找出一類隸屬函數(shù)，一種推理規(guī)則，一個解模糊方法，使得設(shè)計出的模糊系統(tǒng)能夠任意逼近這個非線性函數(shù)。通過這一段時間的學習和研究主要工作為以下幾個方面的內(nèi)容和要求：(1) 廣泛閱讀有關(guān)電力系統(tǒng)負荷預測方面的書籍和文獻資料，分析并整理有關(guān)資料。(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)法的預測方法(4) 建立電力負荷預測的模型，對預測某地區(qū)的發(fā)電量。(6) 完成畢業(yè)設(shè)計論文的撰寫和畢業(yè)答辯任務(wù)。（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短期負荷預測是指日負荷預測和周負荷預測，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長期負荷預測是指未來3～5年甚至更長時間段內(nèi)的負荷預測，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。 電力負荷預測的程序電力負荷預測是一個過程，其一般程序可劃分為準備、實施、評價與提交預測報告四個階段。（1） 確定預測目標。一般而言，預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。（2） 搜集與整理資料。一般在做電力負荷預測時需要搜集與整理的資料主要有：電力系統(tǒng)歷年用電負荷、用電量、用電構(gòu)成；經(jīng)濟發(fā)展目標（如國民生產(chǎn)總值、國民收入等）；國民經(jīng)濟結(jié)構(gòu)的歷史、現(xiàn)狀及可能的變化發(fā)展趨勢；人口預測資料及人均收入水平；能源利用效率及用電比重的變化；工業(yè)布局及用戶的用電水平指標；以及國外參考國家的上述類似歷史資料。資料的來源統(tǒng)計計算口徑及調(diào)查方法不同，都有對資料的可信度產(chǎn)生不同的影響。（3） 分析資料，選擇預測方法。在預測中常用的分析方法有多種，如時間序列分析、因果關(guān)系分析等方法。沒有一種方法在任何預測場合下均可以保證獲得滿意的結(jié)果。 實施預測階段在進行預測時，要依據(jù)選擇的預測方法來進行預測。如果是采用定性預測方法來進行預測，就應根據(jù)掌握的客觀資料進行科學的邏輯推理，推斷出預測期的預測值。這種情況下，預測人員的經(jīng)驗、理論素養(yǎng)及分析判斷能力起重要的作用。預測結(jié)果應該是明確的，可以被檢驗的。務(wù)使預測誤差處于可接受的范圍內(nèi)。 題出預測報告階段預測報告是預測結(jié)果的文字表述。預測題目主要反映預測目標、預測對象、預測范圍和預測時限。摘要與題目配合，可以引起有關(guān)方面的重視。結(jié)論與建議是扼要地列出預測的主要結(jié)果，提出有關(guān)建議和意見。3 電力負荷預測方法的研究 基于最小二乘法的預測研究及算例分析在實踐中，我們往往需要從一組實測數(shù)據(jù)（）（i=1，2，……，n）中尋找變量x與y間函數(shù)關(guān)系的某種近似表達式。 我國某地區(qū)發(fā)電量的增長情況序 號123456789101年 份19831984198519861987198819891990199119921983發(fā)電量11在表中，發(fā)電量取的是標么值，以1983年的發(fā)電量為基準。為了用外推法預測今后的發(fā)電量，我們需要尋求y=f(x)的一個近似表達式。假定我們選定函數(shù)來逼近f(x)，則兩者之間的誤差應越小越好。因此通常歸結(jié)為要求在各點的誤差和為最小。利用最小二乘法進行曲線擬合時，首先要選定一個函數(shù)的類型。前三種曲線都屬于多項式類型，比較簡單。選擇合適的曲線類型主要是根據(jù)經(jīng)驗，或把離散點畫在坐標紙上，進行觀察分析，找到一個比較接近的曲線類型。這就是最小二乘法的核心。設(shè)有一個具有n對值的函數(shù)及一個m次多項式 （33）其中mn。我們按通常的方法來求S對的偏導數(shù)，并使這些導數(shù)等于零。可以證明，該矩陣為非奇異矩陣，故式（39）有唯一解[13]。根據(jù)式（37）（38）， 最小二乘法的計算表格1111111112481613927811416642561525125625163621612961749343240118645124096198172965611101001000100001941055385302525333根據(jù)式39可得到線性方程解之得即擬合曲線的表達式為根據(jù)此方程式即可利用外推法對未來負荷電量進行預測。在確定擬合曲線的表達式后，往往我們需要檢驗下擬合的誤差，以便確認所選擬合曲線是否理想，在此研究中。對于時間上有序的一組觀測數(shù)據(jù)可以用對連續(xù)n個時期的觀測值計算出的平均數(shù)作為對下一時期，即t+1時期的預測值，即表示 （310）這種預測方法稱為移動算術(shù)平均法。指數(shù)平滑法是從移動算術(shù)平均法演變而來的。和移動算術(shù)平均法相比，它有以下幾個優(yōu)點：(1) 不需要儲存過去n個時刻的歷史數(shù)據(jù)。順次將……的表達式帶入式可得 （315）由上式可見，的權(quán)是a(1a)……，由于01a1，這些權(quán)數(shù)的增加而逐漸趨于零。在實屬平滑法中，t+1時刻的預測值式（313）（314）叫t時刻的一次指數(shù)平滑，用表示。一般來說，一次指數(shù)平滑法和移動算術(shù)平均法一樣只適用于具有水平趨勢的時間序列。當時間序列具有不斷增大（或減小）的趨勢時，用一次指數(shù)平滑法預測的結(jié)果往往出現(xiàn)明顯的滯后現(xiàn)象，誤差較大。指數(shù)平滑法的基本理論斷言[14]，當時間序列具有多項式趨勢時 （320）式中系數(shù)可以由x在t時刻的前N+1階指數(shù)平滑的線性組合表示。試用線性指數(shù)平滑法對今后半年的用電量進行預測。下面我們以根據(jù)t=23時段用電量預計t=24時段用電量為例說明我們的研究的具體步驟。但是當t=1時這個值并不存在，因此需要在計算前給定出定值，最簡單的方法就是使在開始時都等于Xt,或者都等于前幾個Xt的平均值。如果平滑系數(shù)a取值不接近于零值，則預測幾步后，初值的影響會組建減弱，假如a的取值接近于零，從式（315）中我們可以看出初值對未來的影響較大，因此最好給定初值時比較慎重?！碑斍皣H著名的神經(jīng)網(wǎng)絡(luò)專家，第一家神經(jīng)計算機公司的創(chuàng)始人和神經(jīng)網(wǎng)絡(luò)技術(shù)研究的領(lǐng)導人Hecht Nielson給神經(jīng)網(wǎng)絡(luò)的定義是:“神經(jīng)網(wǎng)絡(luò)是一個以有向圖為拓撲結(jié)構(gòu)的動態(tài)系統(tǒng)，它通過對連續(xù)或斷連續(xù)的輸入作狀態(tài)響應而進行信息處理。二維的簡單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓撲結(jié)構(gòu)可分為兩類:前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。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。反饋神經(jīng)網(wǎng)絡(luò)模型有很強的計算能力。本文中采用前饋型網(wǎng)絡(luò)對電力系統(tǒng)短期負荷進行預測。即通過這些權(quán)值使神經(jīng)網(wǎng)絡(luò)具有了一定的記憶功能，可以對數(shù)據(jù)的規(guī)律進行記憶(信息保存在權(quán)值中)。從已知數(shù)據(jù)確定權(quán)值是一個無約束最優(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。從數(shù)學角度而言，所謂模擬是對神經(jīng)元的結(jié)構(gòu)和功能而言，相當于一個多輸入單輸出的非線性闡值器件。①人工神經(jīng)元網(wǎng)絡(luò)模型將前面介紹的神經(jīng)元通過一定的結(jié)構(gòu)組織起來，就可構(gòu)成人工神經(jīng)元網(wǎng)絡(luò)。分層網(wǎng)絡(luò)是將一個神經(jīng)元網(wǎng)絡(luò)模型中的所有神經(jīng)元按功能分為若干層，一般有輸入層、中間層和輸出層。②神經(jīng)元網(wǎng)絡(luò)的學習過程模仿人的學習過程，人們提出了多種神經(jīng)元網(wǎng)絡(luò)。學習是一個相對持久的變化過程，學習往往也是一個推理過程，例如通過經(jīng)驗也可以學習，學習是神經(jīng)元網(wǎng)絡(luò)最重要的能力。學習規(guī)則有:Hebb學習規(guī)則、感知機(Perception)學習規(guī)則、Delta學習規(guī)則等等。神經(jīng)元網(wǎng)絡(luò)的工作過程有許多種形式，比如回想和分類。