電力負荷預測畢業(yè)論文

1、<p><b>　　編號：</b></p><p>　　中國農業(yè)大學現(xiàn)代遠程教育</p><p><b>　　畢業(yè)論文（設計）</b></p><p><b>　　電力負荷預測</b></p><p>　　學 生 </p&

2、gt;<p>　　指導教師 </p><p>　　專 業(yè) 水利水電工程 </p><p>　　層 次 專升 本 </p><p>　　批 次 082 </p><p>　　學 號 w130208082177 <

3、/p><p>　　學習中心 </p><p>　　工作單位 </p><p>　　2014年 7 月 </p><p>　　中國農業(yè)大學網絡教育學院制</p><p><b>　　論文格式要求</b></p><p&

4、gt;　　論文開本大?。篈4紙；</p><p>　　頁面設置：左邊距：30mm，右邊距：25mm；上邊距：30mm，下邊距：25mm。</p><p>　　封面：論文題目小于25個字，隸書、二號、加粗，其他項為隸書、三號； </p><p>　　摘要：300字左右，宋體、小四；</p><p>　　關鍵詞：3～5個，宋體、小四、各關鍵詞間距

5、3個空格；</p><p>　　目錄：內容為宋體、四號；</p><p>　　正文：宋體、五號，行間距18磅； </p><p>　　正文字數(shù)：本科至少6000字，專科至少4000字</p><p>　　一級標題：宋體、三號、加粗，段前段后間距為一行、左對齊、單列一行，</p><p>　　如：1 優(yōu)秀畢業(yè)論文 ；&l

6、t;/p><p>　　二級標題：宋體、四號、加粗，段前段后間距為一行、左對齊、單列一行，</p><p>　　如：1.1優(yōu)秀畢業(yè)論文 ；</p><p>　　三級標題：宋體、小四號、加粗，段前段后間距為一行、左對齊、單列一行，</p><p>　　如：1.1.1優(yōu)秀畢業(yè)論文 ；</p><p>　　參考文獻：本科至少 15

7、篇，?？浦辽?0篇，宋體、五號，書寫格式應嚴格按照規(guī)范要求書寫；</p><p>　　摘要、目錄、后記、參考文獻、附錄：作為標題要居中，其他格式同正文一級標題。</p><p>　　圖（表）：標題宋體、小五號、加粗，內容宋體、小五號，表注為宋體、六號；</p><p>　　特殊說明：論文正文第一部分內容必須包括本文研究背景、研究現(xiàn)狀、研究目的和意義。</p&g

8、t;<p>　　其他具體細則見《中國農業(yè)大學現(xiàn)代遠程教育畢業(yè)論文寫作要求和格式規(guī)范》，要求學生的畢業(yè)論文稿件嚴格按上述規(guī)定進行整理，以符合規(guī)范要求。</p><p><b>　　獨 創(chuàng) 性 聲 明</b></p><p>　　本人聲明所呈交的畢業(yè)論文（設計）是我個人進行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標注和致謝的地方外，論文（設計）

9、中不包含其他人已經發(fā)表或撰寫過的研究成果，也不包含為獲得中國農業(yè)大學或其它教育機構的學位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻均已在畢業(yè)論文（設計）中作了明確的說明并表示了謝意。</p><p>　　學生簽名： 時間： 年 月 日</p><p>　　關于論文（設計）使用授權的說明</p>&

10、lt;p>　　本人完全了解《中國農業(yè)大學網絡教育學院本、?？飘厴I(yè)論文（設計）工作條例（暫行規(guī)定）》對：“成績?yōu)閮?yōu)秀畢業(yè)論文（設計），網絡教育學院將有權選取部分論文（設計）全文匯編成集或者在網上公開發(fā)布。如因著作權發(fā)生糾紛，由學生本人負責” 完全認可，并同意中國農業(yè)大學網絡教育學院可以以不同方式在不同媒體上發(fā)表、傳播畢業(yè)論文（設計）的全部或部分內容。中國農業(yè)大學網絡教育學院有權保留送交論文（設計）的復印件和磁盤，允許論文（設計）被查

11、閱和借閱，可以采用影印、縮印或掃描等復制手段保存、匯編論文（設計）。</p><p>　　[保密的畢業(yè)論文（設計）在解密后應遵守此協(xié)議]</p><p>　　學生簽名： 時間： 年 月 日</p><p>　　密級：（請注明密級及保密期限） </p><

12、p><b>　　摘  要</b></p><p>　　電力系統(tǒng)負荷預測的研究已經有一段時間的歷史，隨著計算機技術的發(fā)展和電網對負荷預測精度要求的提高，對這一課題的研究也在不斷深入，并且更具現(xiàn)實意義。電力系統(tǒng)短期負荷預測是電力系統(tǒng)運行調度的基礎，關系到整個電力系統(tǒng)的效率、效益和安全。特別是隨著電力市場改革的深入，它已經成為電力市場技術支持系統(tǒng)的重要組成部分，是電力交易市場的主要

13、數(shù)據(jù)來源，其預測精度對電力系統(tǒng)有著非常重要的意義。因此如何提高預測精度特別是短期負荷預測的精度這一問題的重要性和迫切性將越來越明顯。</p><p>　　由于學歷的限制，本文對某些方面知識的闡述可能還比較生硬。負荷預測是個長久的課題，本文主要就電力負荷預測的含義，意義等開始闡述，以及電力負荷預測的一些方法，針對一些容易出現(xiàn)誤差的提出了自己的見解。當然本文還有很多不足，希望在將來的學習電力的日子里對它加以完善。&l

14、t;/p><p>　　關鍵詞： 電力負荷 預測方法 小波分析</p><p><b>　　目 錄</b></p><p><b>　　1前言1</b></p><p>　　1.1論文研究的背景1</p><p>　　1.2論文研究的現(xiàn)狀1</p>&l

15、t;p>　　1.3論文研究的目的和意義2</p><p>　　2電力負荷預測相關理論知識3</p><p>　　2.1電力負荷預測的定義3</p><p>　　2.2電力負荷預測的分類4</p><p>　　3 電力負荷預測的方法5</p><p>　　3.1傳統(tǒng)預測方法5</p>&l

16、t;p>　　3.1.1外推法5</p><p>　　3.1.2回歸分析法6</p><p>　　3.1.3時間序列法6</p><p>　　3.1.4小波分析方法6</p><p>　　3.1.5卡爾曼（Kalman）濾波方法6</p><p>　　3.1.6灰色預測法6</p><

17、;p>　　3.2人工智能方法7</p><p>　　3.2.1人工神經網絡法7</p><p>　　3.2.2專家系統(tǒng)方法8</p><p>　　3.2.3模糊控制法8</p><p>　　4電力負荷預測存在的問題及解決方法9</p><p>　　4.1電力負荷預測存在的問題9</p>

18、<p>　　4.1.1負荷歷史數(shù)據(jù)的壞數(shù)據(jù)處理9</p><p>　　4.1.2節(jié)假日的負荷預測9</p><p>　　4.1.3氣象因素的影響9</p><p>　　4.1.4電力市場環(huán)境下，負荷的變化還與電價有關。9</p><p>　　4.1.5隨機因素。9</p><p>　　4.2針對上述

19、問題的解決方法10</p><p>　　4.2.1定量分析與定性分析相結合的問題10</p><p>　　4.2.2原始數(shù)據(jù)的收集和篩選10</p><p>　　4.2.3電力負荷預測的依據(jù)10</p><p><b>　　5結語11</b></p><p><b>　　后 記

20、12</b></p><p><b>　　參考文獻13</b></p><p><b>　　1前言</b></p><p>　　1.1論文研究的背景</p><p>　　負荷預測的研究已有幾十年的歷史，國內關于負荷預測的研究已出現(xiàn)了許多種方法，目前，國內發(fā)表的電力系統(tǒng)短期負荷預測的文

21、獻較多，所采用的預報方法和到達的預報精度也各有不同。綜合起來主要可分為以下三類。</p><p>　　1）傳統(tǒng)統(tǒng)計模型法。這是一種二十世紀九十年代以前常用的方法。主要包括時間序列法和回歸分析法。這種方法的優(yōu)點是計算簡單、要求的歷史數(shù)據(jù)少。由于是基于統(tǒng)計模型，不易全面地考慮天氣因素、突發(fā)事件等對于負荷的影響，因此預測精度低。</p><p>　　2）專家系統(tǒng)法。即充分利用有經驗的運行人員的知

22、識、經驗和推斷規(guī)則來進行負荷預測，然而，把專家的知識和經驗等精確地表達并轉化為一系列規(guī)則，則往往是很困難的，而且建立專家系統(tǒng)的工作量要比一般預報算法大得多。</p><p>　　3）人工神經網絡法。人工神經網絡具有任意逼近非線性函數(shù)的特性，負荷變化是與諸多因素有關的一個非線性函數(shù)，用人工神經網絡對負荷歷史數(shù)據(jù)進行學習，是抽取和逼近負荷變化曲線并進行負荷預報的有效方法。近十年來，國外報道的相關文獻主要是用神經網絡方

23、法圍繞提高或改善負荷預報的精度來進行負荷預報研究。最具代表性的是美國研制的人工神經網絡短期負荷預報器，它包含有兩部分預測：一部分預測基本負荷；而另一部分預測負荷變化，這部分考慮了短期內氣候條件（溫度、濕度）。兩部分的自適應組合便是最終的預報結果。該預報器具有較好的自組織自適應特性，已在美國，加拿大的35家電力公司采用。</p><p>　　于是，有學者開始將各種智能化算法，如人工神經網絡法、遺傳算法、最小絕對值濾

24、波算法等用于在受到諸如氣象變化、經濟環(huán)境變化等隨機因素干擾情況下的電力系統(tǒng)負荷預測。由于電力系統(tǒng)的負荷受眾多不確定因素的影響，是典型的灰色系統(tǒng)，運用灰色系統(tǒng)來分析眾多不確定因素與電力負荷預測的關聯(lián)度已經運用廣泛，但如何準確定量描述，以何種準則來進行不確定因素的人工修整仍是一個難題，所以，通常很多地區(qū)很大程度上依靠預測人員的經驗進行預測。</p><p>　　1.2論文研究的現(xiàn)狀</p><p&

25、gt;　　西方發(fā)達國家如美國、英國隨著電力市場的日益成熟，電力供應商為了獲取最大利潤，十分重視電力負荷預測工作。為此，科研工作者一直在研究電力負荷預測的新方法以提高預測精度。自從1991年美國學者Park等人提出使用神經網絡預測電力負荷以來，人們對此表現(xiàn)出廣泛的關注。在此基礎上，美國的Khotanzad博士領導的科研小組經過幾年的艱苦研究，提出了人工神經網絡電力負荷短期預測系統(tǒng)(ANNSTLF)。這個系統(tǒng)己經在實用化方面取得了空前的成功

26、。北美洲有35個大發(fā)電系統(tǒng)(公司)，根據(jù)天氣預報、工業(yè)和居民用電統(tǒng)計資料，利用ANNSTLF系統(tǒng)預測發(fā)電站必須提供的發(fā)電量，大大提高了電站的經濟效益和安全運轉系數(shù)。但該系統(tǒng)有一個弱點，即不能處理不確定性信息，且需要大量的歷史數(shù)據(jù)進行訓練和學習。我國的負荷數(shù)據(jù)近些年才開始系統(tǒng)收集，采用ANNSTLF系統(tǒng)不太適合我國的國情。Hiroyuki教授等人則在電力負荷短期預測中運用了自適應模糊推理，Srinivasan博士采用了模糊神經計算進行需求

27、預測。這些方法主要是針對工業(yè)化發(fā)達國家實際情況提出的，而我國的國情復雜，地區(qū)之間的差距很大，生搬硬套上述方法，很難取得成功[7]。</p><p>　　當前國內電力短期負荷預測研究備受矚目，很多學者提出自己的看法。東南大學的單淵達教授采用徑向基函數(shù)(RBF)為神經網絡預測系統(tǒng)前向網絡的學習提供了一種新穎而有效的手段。RBF網絡具有良好的推理能力，而且在學習方面比誤差反向傳播(BP)方法快得多。華北電力大學的牛東曉

28、教授則引入了小波神經元網絡電力負荷預測模型。它以非線性小波基為神經元函數(shù)，通過伸縮因子和平移因子計算小波基函數(shù)合成的小波網絡，從而到達全局最優(yōu)的逼近效果。清華大學張伯明教授采用共共軛梯度法訓練預測系統(tǒng)的神經網絡，在學習算法上有所突破。國內著名人工智能學者蔡自興教授則結合多層感知神經網絡和多分辨率遺傳算法來進行電力負荷預。華南理工大學的吳捷教授運用模糊邏輯和時序特性來進行最優(yōu)模糊邏輯推理匯，該系統(tǒng)的輸入量通過對歷史數(shù)據(jù)的自相關分析而建立，

29、再通過最近鄰聚類法對歷史數(shù)據(jù)的學習得到若干數(shù)據(jù)對，進一步由最優(yōu)模糊邏輯系統(tǒng)建立短期電力負荷的預測模型。國家電力科學研究院的胡兆光老師將AI推理和模糊系統(tǒng)結合起來，建立AI規(guī)則庫對電力負荷進行預側，也取得了較好的效果。</p><p>　　1.3論文研究的目的和意義</p><p>　　電力工業(yè)是國民經濟的基礎產業(yè)，在整個國民經濟的發(fā)展起著舉足輕重的作用。多年的實踐經驗告訴我們，如果電力工業(yè)

30、的發(fā)展速度能夠滿足國民經濟建設的需要，就會促進經濟的高速發(fā)展；否則，就會產生嚴重的供需矛盾，阻礙國民經濟的發(fā)展。隨著現(xiàn)代工業(yè)和農業(yè)的不斷發(fā)展及人民生活水平的日益提高，社會對電力的需求量越來越大。為了滿足日益增大的電力需求，必須不斷擴大電力系統(tǒng)的規(guī)模。由于電力工業(yè)的發(fā)展不僅需要消耗巨大的投資和一次能源，而且對國民經濟的其它部門也會產生巨大的影響，合理的進行電力系統(tǒng)規(guī)劃不僅可以獲得巨大的經濟效益，也會獲得巨大的社會效益。相反，電力系統(tǒng)規(guī)劃的

31、失誤會給國家建設帶來不可彌補的損失。因此，對電力系統(tǒng)規(guī)劃問題進行研究，以求最大限度地提高規(guī)劃質量，具有重大的現(xiàn)實意義，而實現(xiàn)這一目標的第一步就是要做好負荷預測。</p><p>　　負荷預測是電力系統(tǒng)規(guī)劃建設的依據(jù)。負荷預測的準確程度將直接影響到投資、網絡布局和運行的合理性，因此，負荷預測在規(guī)劃中顯得尤其重要。若負荷及電量預測不足，電網的發(fā)展便不能適應實際發(fā)展的需要，無法滿足用戶正常用電需求，甚至還可能缺電。另一

32、方面，若負荷及電量預測過高，則又會導致一些過多而不能充分利用的設備，從而引起投資的浪費?？傊摵深A測的精度高低直接關系到各方利益，電力負荷預測工作的水平已成為衡量一個電力企業(yè)的管理是否走向現(xiàn)代化的顯著標志之一，尤其在我國電力事業(yè)空前發(fā)展的今天，用電管理走向市場，電力負荷預測問題的解決已經成為電力行業(yè)人員面臨的重要而艱巨的任務。</p><p>　　電力系統(tǒng)負荷預測是以準確的歷史數(shù)據(jù)和調查資料為依據(jù)，從用電量的歷

33、史和現(xiàn)狀出發(fā)，用科學的方法預測未來電力系統(tǒng)負荷的發(fā)展趨勢和變化規(guī)律的科學。根據(jù)預測的時間跨度，一般將負荷預測分為長期、中期和短期負荷預測。短期負荷預測主要指預測未來一天或一周內各個整點的負荷曲線，主要用于制定系統(tǒng)的生產計劃，安排系統(tǒng)的短期運行方式、進行電力調度以及離線安全分析等。</p><p>　　傳統(tǒng)的負荷預測都是人工完成的。預測人員通過歷史負荷數(shù)據(jù)，采用一定的預測算法加以計算，得到預測結果后，結合自己.的經

34、驗加以修正，形成最后發(fā)布的預側數(shù)據(jù)。在整個過程中，歷史數(shù)據(jù)的選擇，預測算法的選用和預測人員的經驗，都會對預測結果產生很大的影響，預測的精度難以保證。因此，電力企業(yè)迫切需要建立自己電力負荷預測系統(tǒng).這種系統(tǒng)必須能夠結合企業(yè)現(xiàn)有的資源，能夠克服人工預測的各種弊端，不僅要有較高的預測精度，還要有自動化和智能化的特性</p><p>　　它不僅可以盡量降低電力短缺所帶來的危害，還能為電力企業(yè)帶來更大的經濟效益。因此，本文

35、的研究具有重要的理論和現(xiàn)實意義。</p><p>　　2電力負荷預測相關理論知識</p><p>　　2.1電力負荷預測的定義</p><p>　　所謂的負荷預測是指，在充分考慮一些重要的系統(tǒng)運行特性、增容決策、自然條件與社會影響的條件下研究或利用一套系統(tǒng)地處理過去與未來負荷的數(shù)學方法，在滿足一定精度要求的前提下，確定未來某特定時刻的負荷數(shù)值。負荷可指電力需求量或者

36、用電量，而需求量是指能量的時間變化率，即功率。也可以說，負荷時指發(fā)電廠、供電地區(qū)或電網在某一瞬間所承擔的工作負荷。對用戶來說，用電負荷是指連接在電網的用戶所有用電設備在某一瞬間所消耗功率之和[11]。</p><p>　　隨著我國電力系統(tǒng)的發(fā)展，電網管理的日趨現(xiàn)代化，負荷預測問題的研究也越來越引起人們的注意，并已成為現(xiàn)代電力系統(tǒng)科學中的一個重要的領域，因為整個社會是一個復雜的整體，它的用戶成千上萬每個用戶的要求也

37、各部相同，因此，整個社會的用電需求既有一定的統(tǒng)計規(guī)律性，又具有大量的隨機影響因素，具有不確定性電力系統(tǒng)負荷預測是電網規(guī)劃和經濟運行的重要一環(huán)。負荷預測對電力系統(tǒng)控制、運行和計劃都是非常重要的，提高負荷預測的精度既能增強電力系統(tǒng)運行的安全性，又能改善電力系統(tǒng)運行的經濟性。因此，在實踐中，無論是制定電力系統(tǒng)規(guī)劃或是實現(xiàn)電力系統(tǒng)運行自動化，進行相應的負荷預測都是必不可少的[12]。</p><p>　　電力負荷預測主要

38、是預測一下三個方面：</p><p>　　未來電力需求量（功率），也就是確定電力系統(tǒng)發(fā)點設備和輸送容量。</p><p>　　未來用電量（能量），主要是用來選擇機組，確定電源結構和原料計劃等。</p><p>　　負荷曲線，它是為電力的峰值、電站容量、設備協(xié)調運行提供數(shù)據(jù)支持。</p><p>　　2.2電力負荷預測的分類</p>

39、<p>　　負荷預測從預測的時間范圍上可以分為長期、中期、短期和超短期預測（如圖2.1）。長期預測一般指十年以上并以年為單位的預測，中期預測指在五年左右以年為單位的預測，中長期負荷預測主要是用于指定電力系統(tǒng)的擴建規(guī)劃，包括裝機容量的大小、形式、地點、時間和電網的增容擴建，它為所在地區(qū)或電網的電力發(fā)展速度、電力建設規(guī)模、電力工業(yè)布局、能源資源平衡、地區(qū)間的電力余缺調劑、電網資金和人力資源的需求平衡提供了可靠的依據(jù)；短期預測指

40、一年內以月為單位的負荷預測，還指以周、天、小時為單位的負荷預測，通常預測未來一個月、未來一周、未來一天的負荷指標，也預測未來一天每小時的負荷，短期負荷預測對電力企業(yè)的日常運營起到指導和調節(jié)作用，有利于合理安排電力日生產計劃；超短期負荷預測指未來1h、0.5h，甚至10min的預測，其意義在于對電網進行計算機在線控制，實現(xiàn)發(fā)電容量的合理調度，滿足給定的運行要求，同時使發(fā)電成本最小。</p><p>　　圖2.1 負

41、荷預測分類圖</p><p>　　負荷預測從用途上又可以分為發(fā)電部門預測和供電部門預測。前者從整體上預測負荷的變化，根據(jù)負荷特性和負荷趨勢來進行預測，稱為趨勢預測；而后者則往往利用由底向上的方法，根據(jù)負荷的結構和特性分別預測、統(tǒng)一匯總，稱為因子預測。從目前電力部門對負荷的掌握情況來看，負荷結構還沒有一個比較確切、定量的模型，預測時無法考慮全面，預測偏差也比較大?，F(xiàn)在常用的是根據(jù)整體負荷進行預測，通過對各種因素的修

42、正而得到預測結果，實際運作的結果表明這種方法比較實用和有效。</p><p>　　按照系統(tǒng)負荷構成可以將其劃分為：城市民用負荷、商業(yè)負荷、工業(yè)負荷、農業(yè)負荷及其它負荷等模型（如圖2.2）。不同類型的負荷有著不同的變化規(guī)律，例如隨家用電器的普及，城市居民負荷年增長率提高、季節(jié)波動增大，尤其是空調設備的迅速擴展，使系統(tǒng)峰荷受氣溫影響越來越大；商業(yè)負荷主要影響晚高峰，而且隨季節(jié)而變化；工業(yè)負荷受氣象影響較小，但大企業(yè)成

43、分下降，使夜間低估增長緩慢；農業(yè)負荷季節(jié)變化強，而且與降水情況關系密切。一個地區(qū)負荷往往含有幾種類型的負荷，比例不同[14]。</p><p>　　圖2.2 某地區(qū)負荷構成圖</p><p>　　電力系統(tǒng)負荷預測是實現(xiàn)電力系統(tǒng)安全、經濟運行的基礎，對一個電力系統(tǒng)而言，提高電網運行的安全性和經濟性，改善電能質量，都依賴于準確的負荷預測。因此，負荷預測的關鍵是提高準確度。</p>

44、<p>　　3 電力負荷預測的方法</p><p>　　短期負荷預測技術發(fā)展至今己有幾十年，隨著數(shù)學統(tǒng)計理論和人工智能技術的相繼發(fā)展，人們提出各種各樣的預測方法。迄今為止，短期負荷預測方法大致可以分為兩類：即傳統(tǒng)預測方法和人工智能方法。傳統(tǒng)預測方法有：外推法、回歸分析法、時間序列法、卡爾曼濾波、灰色預測等；基于智能原理的方法：人工神經網絡、專家系統(tǒng)、模糊理論等。</p><p>

45、;<b>　　3.1傳統(tǒng)預測方法</b></p><p><b>　　3.1.1外推法</b></p><p>　　根據(jù)已知的歷史資料來擬合一條曲線，使得曲線能反映負荷本身增長趨勢；然后按曲線對未來預測求得某一點，從曲線估計該時刻的負荷值。常用曲線有直線、指數(shù)曲線、冪函數(shù)曲線，S型曲線等。外推法的原理簡單，使用方便，但由于負荷變化趨勢多種多樣，簡

46、單的線性擬合難以實現(xiàn)準確性；多項式擬合的冪指數(shù)又難以確定，且指數(shù)越高公式越復雜化；有限的幾個增長模型不能囊括負荷趨勢變化，各種隨機因素也是影響提高預測精度難點。趨勢外推法一般僅用于長期預測[15]。</p><p>　　3.1.2回歸分析法</p><p>　　回歸分析法是一種曲線擬合法，即對過去的具有隨機特性的負荷記錄進行擬合，得到一條確定的曲線，然后將此曲線外延到適當時刻，就得到了該時

47、刻的負荷預測值。這種方法是研究變量和變量之間依存關系的一種數(shù)學方法。由于影響負荷的因素錯綜復雜或相關因素數(shù)據(jù)資料無法得到，在預測模型中，很難準確、詳細、全面的描述影響預測對象的各種負荷因素，回歸分析法很難適應；另外有時影響因素之間的高度相關，違背了回歸分析的基本假設，也會導致一系列錯誤，則模型就不能用于預測。這些都使得回歸分析法的應用受到了很大的限制，預測精度也較差，因而不是理想的預測方法[16]。</p><p&g

48、t;　　3.1.3時間序列法</p><p>　　用時間來代替影響負荷的因素，依據(jù)負荷過去的統(tǒng)計數(shù)據(jù)，找到其隨時間變化的規(guī)律，建立時序模型，以推斷未來負荷數(shù)值。其基本假設是：負荷過去的變化規(guī)律會持續(xù)到將來，即未來是過去的延續(xù)。其主要數(shù)學模型有自回歸(AR)模型、滑動平均（MA）模型和自回歸－滑動平均（ARMA）模型等。但時序法無論采用哪種模型都沒有考慮不同時刻負荷之間的相關性和其它因素（比如天氣因素）對負荷的影響

49、，預測精度較差，因此時序法存在著預測不準確的問題[17]。</p><p>　　3.1.4小波分析方法</p><p>　　小波分析是近年來數(shù)學研究成果中杰出的代表。它是一種時域-頻域分析，在時域、頻域同時具有良好的局部化性質。小波分析汲取了現(xiàn)代分析學中諸如泛函分析、調和分析、樣條分析等眾多數(shù)學分支的精華。小波變換能將交織在一起的不同頻率組成的混合信號分解成不同頻帶上的塊信號，對負荷序列進

50、行小波變換，可以將負荷序列投影到不同的尺度上，而各個尺度可近似地看作各個不同的“頻帶”，這樣各個尺度上的子序列分別代表了原序列中不同“頻域”的分量，它們可以清楚的表現(xiàn)出負荷序列的周期性。在此基礎上，分別對各個尺度上變換得到的子序列進行預測，最后利用各個尺度上的預測結果進行信號重構，就得到了完整的預測結果[18]。</p><p>　　3.1.5卡爾曼（Kalman）濾波方法</p><p>

51、;　　是建立狀態(tài)空間模型，把負荷作為狀態(tài)變量，用狀態(tài)方程和量測方程來描述?？柭鼮V波算法遞推地進行計算，適用于在線負荷預測。這是在假定噪聲的統(tǒng)計特性已知的情況下得出的，實際上，該方法的難點是對噪聲統(tǒng)計特性的估計[19]。</p><p>　　3.1.6灰色預測法</p><p>　　灰色預測理論其顯著特征就是用少量的數(shù)據(jù)做微分方程建立起預測的模型。在將一定范圍內變化的歷史數(shù)據(jù)列進行累加，使

52、其變成具有指數(shù)增長規(guī)律的上升形狀數(shù)列，可以對生成的這個形狀數(shù)列建立起GM(GREY MODEL)模型。GM(1，n)也就是對n個變量用一階微分方程建立的灰色模型。GM(1，1)模型是灰色理論中最廣泛地用于電力負荷預測的一種有效模型，它屬于動態(tài)建模，采用微分擬合方程的方法來描述事物的發(fā)展變化規(guī)律?；疑A測具有要求負荷數(shù)據(jù)少、不考慮分布規(guī)律、不考慮變化趨勢、運算方便、短期預測精度高、易于檢驗等優(yōu)點，因此得到了廣泛應有，并取得了令人滿意的效果

53、。但是，它和其他預測方法對比，也存在一定的局限性。一是當數(shù)據(jù)離散程度越大，即數(shù)據(jù)灰度越大，則預測精度越差；二是不太適合于電力系統(tǒng)的長期后推若干年的負荷預測。傳統(tǒng)方法的原理比較簡單，理論比較成熟，因此至今仍有應用。但是這些方法采用的數(shù)學模型過于簡單，其參數(shù)難以及時、準確地進行估計和調整，而且不能反映負荷的突然變化，因此它們不能適應用較精確的數(shù)學模型來描述負荷的變化規(guī)律及其它因素對負荷的影響，從而使這些方法難以獲得較高預測精度[20]。&l

54、t;/p><p>　　傳統(tǒng)預測方法的原理比較簡單，理論比較成熟，因此至今仍有應用。但是這些方法采用的數(shù)學模型過于簡單，其參數(shù)難以及時、準確地進行估計和調整，而且不能反映負荷的突然變化，因此它們不能適應用較精確的數(shù)學模型來描述負荷的變化規(guī)律及其它因素對負荷的影響，從而使這些方法難以獲得較高預測精度。</p><p><b>　　3.2人工智能方法</b></p>

55、<p>　　3.2.1人工神經網絡法</p><p>　　人工神經網絡(ARTIFICIAL NEURAL NETWORKS)是一種以人類大腦神經網絡為模擬對象的仿生系統(tǒng)。它是在深入研究人腦神經網絡的基礎上，人工構造的、能夠實現(xiàn)某種特定功能的網絡，是理論化的人腦神經網絡的數(shù)學模型，是模仿大腦神經網絡結構和功能而建立的一種信息處理系統(tǒng)。它是由大量的簡單元件相互連接而成的復雜網絡，是具有高度非線性處理能

56、力，能夠進行復雜的邏輯操作和非線性關系實現(xiàn)的系統(tǒng)。經過半個多世紀的發(fā)展，人工神經網絡技術已逐漸成熟，并成功的應用于模式識別、最優(yōu)化問題求解、信息的智能化處理、復雜控制和信號處理等領域，取得了很好的效果。</p><p>　　由于吸取了生物神經網絡的許多優(yōu)點，相對于傳統(tǒng)的信息處理系統(tǒng)來說，人工神經網絡具有以下的特點：</p><p>　　(1)高度的非線性。人生神經網絡特別是多層次、非線性全

57、連接的網絡，其輸入輸出表現(xiàn)出非常顯著的外部非線性關系。經證明，只要有足夠數(shù)目的神經元，任何非線性連續(xù)函數(shù)都可以由一個三層網絡以任意精度來近似表達。這種強大的非線性逼近能力，是神經網絡最重要的性質之一。</p><p>　　(2)良好的自學習和自適應性。人工神經網絡能夠通過學習和訓練來適應環(huán)境的變化。當外界環(huán)境發(fā)生變化時，經過一段時間的訓練與學習，人工神經網絡能自動調整網絡結構和連接模式，使得對于特定輸入能夠產生期

58、望的輸出。</p><p>　　(3)良好的容錯性和聯(lián)想記憶能力。人工神經網絡通過自身的網絡結構，能夠實現(xiàn)對信息的記憶。而所記憶的信息是存儲在神經元之間的權值中，是一種分布式的存儲方式。即使部分信息丟失或模糊，也不會從根本上影響網絡的整體性能龜，從而表現(xiàn)出良好的容錯性、很強的抗噪音能力和聯(lián)想推廣能力。網絡一經訓練成功，就可以正確的處理和訓練樣本集相似的數(shù)據(jù)，在一定的誤差范圍內，還可以處理非完全數(shù)據(jù)，由局部聯(lián)想到整

59、體，表現(xiàn)出聯(lián)想記憶的特征，適宜于處理知識背景不清楚、推理規(guī)則不明確的問題。</p><p>　　(4)高度的并行性。人工神經網絡是由許多相同的簡單處理單元組合而成，雖然每個單元的功能簡單，但大量簡單處理單元的并行活動，卻能夠形成驚人的信息處理能力[21]。</p><p>　　3.2.2專家系統(tǒng)方法</p><p>　　專家系統(tǒng)是人工智能領域的一個重要分支，它是一種

60、基于知識推理的系統(tǒng)，它通過獲取大量的領域內專家知識并在此基礎上進行推理從而得到問題的解答。專家系統(tǒng)適用于專業(yè)范圍明確，沒有完整的、精確的理論的領域，專家系統(tǒng)是對人類的不可量化的經驗進行轉化的一種較好的方法，若能將它與其他方法有機地結合起來構成預測系統(tǒng)，將可得到滿意的結果[22]。</p><p>　　3.2.3模糊控制法</p><p>　　模糊集合和模糊推理是專門用來處理不確定性問題的理

61、論。模糊集合將經典集合的絕對隸屬關系(非A即B)模糊化(既A又B)，典型的隸屬度函數(shù)有三角函數(shù)、梯形函數(shù)、正態(tài)分布函數(shù)、S形分布函數(shù)和Z形分布函數(shù)。模糊推理基于模糊規(guī)則，模糊規(guī)則以IF-THEN的形式來表達模糊集合間的關系。電力負荷預測是利用以往的數(shù)據(jù)資料找出負荷的變化規(guī)律，從而預測出電力負荷在未來時期的變化趨勢及狀態(tài)。實際預測時，常常需要在歷史負荷及影響其變化的相關環(huán)境因素數(shù)據(jù)不確定的情況下進行預測，模糊數(shù)學為處理此類問題提供了有效手

62、段。模糊理論是將操作人員的經驗以規(guī)則的形式表達出來，并轉換成可以在計算機上運行的算法。它在電力系統(tǒng)的許多領域中得到了應用。近年來出現(xiàn)了模糊回歸分析法、模糊聚類識別預測法、模糊與神經網絡結合應用等方法。由于模糊推理可以利用有限的規(guī)則近似任意的函數(shù)關系，將這一理論應用于負荷預測是不錯的選擇。最新資料顯示，模糊系統(tǒng)和其他方法結合的負荷預測的精度要明顯優(yōu)于其他負荷預測方法[23]。</p><p>　　綜上所述，相對于其

63、它的預測方法來說，人工神經網絡法被認為是一種簡單而有效的負荷預測技術，非常適合用來進行電力系統(tǒng)短期負荷預測。不同的預測方法有各自的優(yōu)點和缺點，為了發(fā)揮不同方法的優(yōu)點，避開其不足，人們在負荷預測過程中將不同的預測方法加以組合，形成了許多種組合方法，在一定條件下能夠有效的改善模型的擬合能力和提高預測的精度。</p><p>　　4電力負荷預測存在的問題及解決方法</p><p>　　4.1電力

64、負荷預測存在的問題</p><p>　　經典的負荷預測是根據(jù)電網的歷史數(shù)據(jù)，找出負荷隨各種因素變化的規(guī)律，在一定的假設下，建立適當?shù)臄?shù)學模型，預測未來的某一時刻負荷。但依靠數(shù)學建模進行預測對上述的隨機性、周期性及表現(xiàn)人的判斷顯得無能為力，所以我們把負荷預測方法中存在的問題歸結為：</p><p>　　4.1.1負荷歷史數(shù)據(jù)的壞數(shù)據(jù)處理</p><p>　　負荷的歷史

65、數(shù)據(jù)一般來源于SCADA數(shù)據(jù)庫，由于系統(tǒng)中各種終端讀表的各種誤差，數(shù)據(jù)庫中的數(shù)據(jù)經常會受到污染。常見的有毛刺、某一段數(shù)據(jù)突然變大或變小、和數(shù)據(jù)的不正常波動等。而沖擊負荷比較大的地區(qū)，負荷數(shù)據(jù)的過分波動不利于掌握負荷的變化趨勢，增加了負荷分析的難度。因此在用歷史數(shù)據(jù)進行訓練和預測前，壞數(shù)據(jù)的辨識與修正是必須要做的工作。即確定某條曲線中存在壞數(shù)據(jù)，然后找出壞數(shù)據(jù)在曲線中的位置，將其剔除掉并進行修正。</p><p>

66、　　4.1.2節(jié)假日的負荷預測</p><p>　　在國家法定節(jié)假日（元旦、春節(jié)、五一和國慶）期間負荷與平時相比明顯降低，尤其是春節(jié)更是持續(xù)長時間、大幅度的曲線下降和變形。節(jié)假日負荷一般要求提前半個月到一個月左右做出預測，節(jié)假日的預測一直是負荷預測的難點之所在。由于數(shù)據(jù)量較少，參考上一節(jié)假日相隔時間又長達一年，無法形成足夠有效的樣本集使得神經網絡方法不能使用于節(jié)假日預測中，需要結合傳統(tǒng)的多種方法另找途徑。<

67、/p><p>　　4.1.3氣象因素的影響</p><p>　　研究表明，氣象因素對負荷預測精度的影響不可忽視，傳統(tǒng)的預測方法不能考慮氣象或者考慮氣象不充分，導致預測結果不夠理想。需要結合多種方法，如模糊聚類法法將氣象因素（溫度、濕度、天氣狀況等）考慮在內。</p><p>　　4.1.4電力市場環(huán)境下，負荷的變化還與電價有關。</p><p>

68、　　4.1.5隨機因素。</p><p>　　其他大量引起負荷變化的隨機因素也經常存在，例如大負荷用戶的用電調整以及重大的政治經濟活動等。</p><p>　　4.2針對上述問題的解決方法</p><p>　　電力負荷預測的難點在于影響因素眾多，它包含有內外部的隨機因素，特別是許多非負荷因素的影響。這些影響因素與預測值之間形成復雜的非線性關系。影響負荷預測的主要因素

69、如下[28]：</p><p>　　4.2.1定量分析與定性分析相結合的問題</p><p>　　影響電力負荷的因素很多，在以往的負荷預測中，我們往往只重視定量的分析，而忽略了定性的分析，這是一個值得注意的問題。定性分析包括在進行定量分析之前，對某些基本數(shù)據(jù)進行必要的分析，如對負荷數(shù)據(jù)特性的分析等。</p><p>　　4.2.2原始數(shù)據(jù)的收集和篩選</p&g

70、t;<p>　　近年來我國的電力負荷預測的研究，對于模型的建立比較重視，而不去深入分析和收集原始數(shù)據(jù)，以至造成有時原始數(shù)據(jù)的篩選分析與模型不配套的弊端。要成功地進行預測，必需要把握以下四大環(huán)節(jié)：</p><p>　　(1)要收集盡可能全面的信息。如果信息面過窄，就極難得到恰當?shù)念A測。</p><p>　　(2)要使用正確的篩選手段與方法，有用的真實信息常常淹沒在大量的干擾信號

71、之中，只有使用正確的篩選手段與方法，才能去偽存真。</p><p>　　(3)應使邏輯運算的假設盡可能地符合實際，任何一種模型或邏輯運算，都是以假設為前提的，如果假設離前提太遠，那就不可能獲得成功地預測結果。</p><p>　　4.2.3電力負荷預測的依據(jù)</p><p>　　首先，要明確電力負荷預測的依據(jù)，從實際出發(fā)，選擇正確的預測方法。電力負荷預測既要依據(jù)調度

72、專家成功可靠的經驗，更要依據(jù)符合的歷史數(shù)據(jù)。</p><p>　　其次，電力系統(tǒng)負荷變化具有顯著地周期性。通過對實際負荷記錄的分析發(fā)現(xiàn)，按小時觀測的負荷具有以24小時或7天變化的周期，這種周期性變化的規(guī)律是電力負荷變化的又一本質特征。在預測方法中，如何體現(xiàn)其變化的周期性，從而使預測結果更符合實際，也是負荷預測中面臨的實際問題。</p><p><b>　　5結語</b>

73、;</p><p>　　近幾年來負荷預測的方法越來越多，本文針對實際應用過程中遇到的問題提出有針對性的方法并加以改進。但是，由于時間和精力有限，這些方法仍存在一定的不足之處，有很多地方還有待完善。希望在以后的學習和工作中將更多的理論和實際知識結合起來，并將其進一步優(yōu)化，得到一個非常實用的短期負荷預測模型。</p><p><b>　　后 記</b></p>

74、<p>　　歲月如流水，從報考網校到現(xiàn)在已經2年了，感覺自己真不再是個孩子了。對待一些事情總是缺乏嚴謹認真的態(tài)度，希望安老師這次能夠原諒我這次的簡單到我自己都不能原諒自己的錯誤 。至此論文完成之際，謹向我尊敬的導師安老師你致以誠摯的謝意和崇高的敬意。非常幸運能夠成為您的學生，聆聽著您孜孜不倦的教誨，感受著您嚴謹進取的治學精神和樂觀向上的生學會了許多做人的道理。以后一定，嚴謹再嚴謹，同時，祝您工作順利，合家歡樂，身體健康，一

75、切安好！</p><p><b>　　參考文獻</b></p><p>　　[1]陳浩．基于人工神經網絡的電力短期負荷預測系統(tǒng)研究．昆明理工大學碩士學位論文，2005．1-6．</p><p>　　[2]楊爭林，宋燕敏，曹榮章等．短期負荷預測在發(fā)電市場中的應用電力系統(tǒng)自動化，2000，24(1)：14-17．</p><p&

76、gt;　　[3]Moghram I，Rah man S. Analysis and evaluation of five short-term load forecasting techniques．IEEE Trans. On POWRS，1989，4(4)：1484-1491．</p><p>　　[4]招海丹，余得偉.模糊專家系統(tǒng)用于短期負荷預測修正的初步探討.華東電力，2000(5).</p>

77、<p>　　[5]歐建平，李麗娟.人工神經網絡在電力系統(tǒng)短期負荷預測中的應用.廣東電力，1999(4).</p><p>　　[6]劉晨輝，電力系統(tǒng)負荷預報理論與方法.哈爾濱，哈爾濱工業(yè)大學出版社，1987.</p><p>　　[7]Shimon S.Gad A，“Neural Networks for Decision Support：Problems and Oppo

78、rtunities”，Decision Support Systems，1994(12)：393-414.</p><p>　　[8]孫目清，分布式分層BP算法在短期負荷預測中的應用；電力自動化設備，1996 (5).</p><p>　　[9]王曉文，梁志珊.應用模糊神經網絡的短期負荷預測.東北電力技術，1999(2).</p><p>　　[10]馬濤．基于模糊

79、控制RBF神經網絡短期負荷預測的研究．西安科技大學碩士學位論文，2009，2-5．</p><p>　　[11]林清，王辛.電力系統(tǒng)負荷預報的神經網絡LBP算法.電工電能新技術，1999 (1).</p><p>　　[12]陶小虎，黃民翔．一種基于模糊規(guī)則和神經網絡的負荷預測方法．電力系統(tǒng)及其自動化學報，2000，32(10)．</p><p>　　[13]趙璐．