（信号与信息处理专业论文）基于神经网络集成的短期负荷预测方法研究.pdf

摘要 摘要 短期负荷预测是电力系统运行中一项重要的基本工作，是制定发 电计划的依据。电力市场形势下，短期负荷预测对于电网的经济运行 有着重要意义。 人工神经网络已经被应用到短期电力负荷预测中来，较之传统的 预测方法预测精度有了一定的提高。但是，神经网络还存在着一些问 题，如网络模型的结构设定需要经过大量的实验摸索和一定的先验知 识。由于神经网络集成弥补了人工神经网络的上述缺点，因此本文采 用神经网络集成方法来建立目负荷预测模型，进行日负荷预测。 神经网络集成自提出以来，无论是应用上还是理论上都有了很大 的发展，涌现了如b o o s t b a g 舀n 岛c v c ，e v o l ，c e l s 等集成方法。本 文在日负荷预测模型中采用了前三种集成方法。 由于日负荷具有自身的规律性，同类型日负荷衄线又非常接近， 同时日负荷又受到季节、天气、节日等因素的影响，故本文在考虑了 上述影响因素的基础上建立了两种日负荷预测类型。在第一类预测模 型中，分别采用了3 和8 个个体网络进行集成，实验结果表明，无论 3 网络集成还是8 网络集成，预测精度较之传统人工神经网络方法都 有了明显的提高，且8 网络集成比3 网络集成时预测效果更好，第二 类预测模型考虑了第一类模型中负荷和温度输入变量的差异及其对 预测效果的影响，将第一类预测模型中的温度输入变量独立出来，由 此得到了改进的日负荷预测模型：日负荷归一化曲线预测子模型和日 最高最低负荷预测子模型。实验数据表明，采用同样子网数目进行集 成时，第二类预测模型能够取得比第一类预测模型更好的预测效果， 并在提高预测精度的同时减少了模型训练所需的时间。 关键词：人工神经网络，神经网络集成，短期负荷预测，日负荷预测 模 a b s l f a c t a b s t r a c t s h o r t t e n i ll o a df b r e c a s t i n g ，o nw h j c ht h ep o w e rg c n e r a t i o np l a l li s b a s e d ，i sf i l n d a m e m a lt 0 t h eo p e r a t i o no fp o w e rs y s t e m u n d e rt l l e e l e “c i t ym a r k e t ，s h o n - t e r m1 0 a df o r e c a s t i n gh a ss i g n i f i c a n c e t 0t h e e c o n o m i co p e r a t i o no ft h eg r i d a r t m c i a ln c u r a ln e t w o r ku s e d 协s h o r t t e 锄l o a df o r e c a s t i n gh 嬲 h i g h e ra c c u r a c y 蝴1 p a r e dw i t ht i a d i t i o n a lf o r e c 诣t i n gm e t h o d s h a w e v e r 也e f ei ss t ms o n l e t i l i n gw t o n gw i t hi t ，s u c ha sd c t e m i l l i n gt h es t n l c t i l r eo f e 噼o r kr e q u i n gal o to fp f a c t i c e 强ds o m ee x p e t i e n t i a ll 【i l o w l e d g e ni s t h a tb e c a u s en e u r a ln e h ，o r ke s e m b l ec a nm a k eu pf o rm ea b o v e s h o r t c o m i n go fa r t i f i c i a l n e u r a ln e t 、o r k ，n e l l r a ln e t w o r ke n s e m b i ei s a p p l i e dt os h o r t t e 珊l o a df o r e c a s t i n gi nt h et h e s i s s i n c en e u r a ln e 似o r ke n s e m b l eh a sb e e np u tf b 哪a r d ，t h e f ei sm u c h d c v e l o p m e n ti nb o t l la p p l i c a t i o na n dt h e o 哆m a n ye n s e m b l em c t l l o d sl i k c b 0 0 s t ，b a g 百n g ，c v c ，e v o la n dc e l sc o m eu p n ef i r s tt h f e em e t h o d s a r ea d o p t e di nl h et h e s i s d a y 1 0 a db a si t so w nr e g u l a t i o na n dp r o f i l e so f t h es a m ed a yt y p ea r e s i m i l a rt oe 8 c ho t h e i b e s i d e st h i s ，d a yl o a di sa l s oa f 诧c t c db y a s o n ， w e a t h e r ，f e s t i v a la n do t h e rf a c i o r s ，r w ok i n d so fd a y1 0 a df o r e c a s t i n g m o d e la r es e tu di nt | l et h e s i sb a s e do na l lt h ea b o v ec o n s i d e r a t i o n i l lt h e f i r s tm o d e i3 孤d8n e t w o r k sa r er c s p e c t i v e l yu s e dt oe n s e m b l c t 1 l et e s t f e s u l ts h o w st h a tf o r e c a s t 协ga c c l l r a c yi so b v i o u s l yi m p r o v e dc o m p a r e d a b s t r a c t w i t ht r a d i t i o n a la n i f i c i a ln e u r a ln e t w o r km e t h o dn 0m a t t e r3o r8n e 锕o r k s u s e dj nt i ee n s e m b l e a n di ti sn o t i c e dt h a tf o f e c a s t i n ga c c u r a c yj sb e t l i 玎 w i t h8n e t w o r l 【st h a nw i t h3n e t w o r k s i nv i e w0 ft h ed i f ! e r e n c eb e t w e e n t t l el o a di p u t sa n dt e m p e r a t u r ei 印u t si n f i u e n c i i l go nt h eo u t p u t ，t h e t e m p e m t l l r ei n p u t sa r es e p a r a t e d 仃o mt h ef i r s tm o d e l t h e nw eg e tt h e i m p r o v e dd a y l o a d f o r e c a s t i n g m o d e l w h i c hc o n t a i n s d a y l o a d n o 1 a l i z a t i o np r o f i l ef o r e c a s t i n gs u b m o d e la n dd a yp e a ka n dv a u e y1 0 a d f o r e c a s t i n gs u b m o d e l t h er e s u l ti n d i c a t e st h a tt i l el a t t e rm o d e lw i t l ll e s s n e t w o f k sj ne n s e m b l ec a na t t a i nb e t t e ra c c u r a c yt l l a nt h ef o 珊e rm o d e l a n dc a na l s os a v et i m ef o rt r a i n i n g k e y w o r d s ：a r t i f i d a l n e l l r a ln e t w o r k ，n e u r a ln e t w o r ke n s e m b l c ， s h o n t e r ll 0 a df 0 r c c a s t i n g ，d a yl 0 a df 0 r e c a s t i n gm o d e l 独创性声明 y8 7 9 5 2 2 本人声明，所呈交的学位论文是我个人在导师指导 下进行的研究工作及取得的研究成果。尽本人所知，除 了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得北 京交通大学或其他教学机构的学位或证书而使用过的 材料。与我一起工作的同志对本研究所做的任何贡献已 在论文中作了明确的说明并表示了谢意。 本人签名： 日期：垒型年立月量日 关于论文使用授权的说明 本人完全了解北京交通大学有关保留、使用学位论 文的规定，即：学校有权保留送交论文的复印件，允许 论文被查阅和借阅；学校可以公布论文的全部或部分内 容，可以采用影印、缩印或其他复制手段保存论文。论 文中所有创新和成果归北京交通大学计算机与信息技 术学院所有。未经许可，任何单位和个人不得拷贝。版 权所有，违者必究。 本人签名：堡叠 日期：上堑年月j 妇 绪论 1 绪论 1 1 电力负荷预测的意义 电力系统的任务是给广大用户不问断提供优质电能，满足各类负 荷的需求。电力负荷预测是电力系统管理部门的基础工作，是今后进 行电网商业化运营所必需的基本内容，其重要性已经越来越被人们所 认识。同时，电力负荷预测又是一项工作量大，需要反复进行的复杂 工作。随着国家经济的发展，电力企业走向市场的形势对电力负荷预 测提出了新的要求，如何使预测手段及预测结果满足市场经济化的电 力发展是预测人员所面临的新课题。 在电力市场中，参与市场交易的发电企业、电网经营企业、供电 企业( 含独立配售电企业) 、经核准的用户以及市场运营机构( 即电 网调度交易中心) ，都通过市场分析与预测系统，可以提前获得市场 未来的发电预期目标、负荷预测、交易价格趋势、输电网络可用传输 能力及系统安全水平，便于交易决策和组织交易。 准确的负荷预测，可以经济合理地安排电网内部发电机组的启 停，保持电网运行的安全稳定，减少不必要的储备容量，合理安排机 组检修计划，保证社会的正常生产和生活，有效地降低发电成本，提 高经济效益和组织交易。 为了适应电网管理现代化、科学化的要求：为了减轻电力负荷预 测工程师经常进行的数据整理、加工和计算工作：为了保证数据的可 继承性和做到与其他部门信息共享；为了使计算机技术在电力负荷预 北京交通大学硕士学位论文 测中发挥重要作用；为适应新的电力市场需求，必须开发新一代的复 合预测模块。为此，需要充分应用最先进的科学预测理论，运用当今 计算机技术手段，做出符合市场需求，贴近电力市场短期与中长期的 科学预测。 从整个系统来说，电力系统长期负荷预测对电源的设计安排有决 定性的指导意义，中期负荷预测会对发电设备的检修维护计划产生影 响，而短期负荷预测对于发电机组单元优化组合、燃料分配等是必需 的。在过去计划经济体制下，发电计划决定用电计划，发多少用多少， 始终存在瓶颈效应和人为干预的情况。随着我国电源建设的逐步完 善，电力走入市场经济，在提高运行效率、效益的目标下，发电计划 将越来越依赖于市场的需求。电力作为一种商品竞价上网，合同预购 已是大势所趋，需求侧( 用户侧) 的短期预测将成为这一转变中的重 要一环。所有经营电力商品的企业必须对区内用户短期需求有较准确 的预测。 电力系统负荷预测“是指从已知的经济、社会发展和电力系统需 求情况出发，在正确理论的指导下，通过调查研究掌握大量翔实的历 史数据并加以分析的基础上，运用可靠的方法与手段，探索事物间的 内在联系和发展规律，以未来年份经济、社会发展情况的预测结果为 依据，对电力负荷的发展趋势做出科学合理的估计和预测。负荷预测 的目的是得到合理的电力负荷预测结果，核心是根据预测对象的历史 资料，建立数学模型来表达其发展变化的规律。 1 2 神经网络集成的提出 神经网络已经在很多领域得到了成功的应用，但由于缺乏严密理 2 论体系的指导，其应用效果完全取决于使用者的经验。虽然h 0 f n i k 等 人证明“1 ，仅有一个非线性隐层的前馈网络就能以任意精度逼近任意 复杂度的函数，但一些研究者指出，对网络的配置和训练是n p 问题。 在实际应用中，由于缺乏问题的先验知识，往往需要经过大量费力耗 时的实验摸索才能确定合适的神经网络模型、算法以及参数设置，其 应用效果完全取决于使用者的经验。即使采用同样的方法解决同样的 问题，由于操作者不同，其结果也很可能大相径庭。在实际应用中， 操作者往往是缺乏神经计算经验的普通工程技术人员，如果没有易于 使用的工程化神经计算方法，神经网络技术的应用效果将很难得到保 证。 1 9 9 0 年，h a n s e n 和s a l a m o o ”开创性地提出了神经网络集成( n c u m l n e m o r ke n s e m b l e l 方法。他们证明，可以简单地通过训练多个神经网 络并将其结果进行合成，显著地提高神经网络系统的泛化能力。由于 该方法易于使用且效果明显，即使是缺乏神经计算经验的普通技术人 员也可以从中受益，因此他被视为一种非常有效的工程化神经计算方 法。 1 9 9 6 年，s o l l i c h 和k r o g h 州为神经网络下了一个定义，即“神经网 络集成是用有限个神经网络对同一个问题进行学习，集成在某输入示 例下的输出由构成集成的各神经网络在浚示例下的输出共同决定”。目 前这个定义已被广泛接受，如图1 1 所示。但是，也有一些研究者认 为，神经网络集成指的是多个独立训练的神经网络进行学习并共同决 定最终输出结果，并不要求集成中的网络对同一个( 子) 问题进行学 习。符合后一定义的研究至少可以上溯到1 9 7 2 年诺贝尔物理奖获得 者c 0 0 p e r 州及其同事和学生于2 0 世纪8 0 年代中后期在n e s t o r 系统中 北京交通大学硕士学位论文 的工作，但是，目前一般认为神经网络集成的研究始于h 锄s e n 和 s a l 锄o n 在1 9 9 0 年的工作。 集成 jj 黄蒋。蛰 图1 1 神经网络集成结构图 由于认识到享孛经网络集成所蕴涵的巨大潜力和应用前景，在 h 蛆s c n 和s a l a m o n 之后，很多研究者都进行了这方面的研究。但当时 的研究工作主要集中在如何将神经网络集成技术用于具体的应用领 域。从2 0 世纪9 0 年代中期开始，有关神经网络集成的理论研究受到 了极大的重视，大量研究者涌入该领域，理论和应用成果不断涌现， 4 绪论 使得神经网络集成成为目前国际机器学习和神经计算界的一个相当 活跃的研究热点。 1 3 国内外研究现状 长期以来，国内外对电力的预测工作进行了长期研究。产生了许 多电力负荷预测的理论和方法。一类是电力弹性系数、综合电耗法、 产值单耗法和增长速度法。另一类是一元相关法、多元相关法、回归 分析法和灰色系统法等。 如果使用前一类方法，则需要先预测出产值、产量和增长速度等 数据。目前我国经济正处于转型时期，很多数据无法测出或无法测准。 而且己有的用电系数、用电定额等如今也会发生变化，用两种准确度 不高的数据来计算，得到的预测值也不会很准确。 如果使用后一类方法，首先要用统计分析方法找出用电量、负荷 与时间、各行业总产值、国内生产总值等数值之间的关系和变化的规 律，从而建立数学模型，然后用数学模型来进行预测。整个预测的过 程也是对数学模型不断进行校验和调整的过程。这个过程一般来说也 不是短时间就可以完成的。 有些学者己开始将各种智能化算法，如遗传算法、最小绝对值滤 波算法等用于在受到诸如气象变化、经济环境变化等随机因素干扰情 况下的电力系统负荷准确预测。由于电力系统的负荷受众多不确定因 素的影响，是典型的灰色系统，运用灰色系统来分析众多不确定因素 与电力负荷预测的关联度已经运用广泛，但如何准确定量描述，以何 种准则来进行不确定因素的人工修正仍是较为困难。 在负荷预测模型的选用方面，至今为止，用于负荷预测方法有很 北京交通大学硕士学位论文 多种，到底哪一种方法适合于多长时期、什么行业、什么地区，并没 有一个确切的规定。所以，通常很多地区很大程度上依靠预测人员的 经验进行预测。 同时，科学家们正在研究新的预测方法，最有代表性的方法有： 模糊预测技术和利用人工神经网络的预测方法。国内外关于此类方法 发表的论文很多。但对这些方法人们还尚未获得统一认识，还没有形 成公认的预测数学模型，所以，在生产实际中推广应用还有一定的距 离。然而，它们的发展前景却是不可估量的。 目前一些发达国家采用分析论的方法，把用户分成几十种类型， 根据其不同的特点构造出不同的模型，最后把各种类型的结果进行叠 加，得出预测值。 如果使用分析论方法，需要大量的数据在各种数学模型上进行复 杂的计算。目前不易取得大量的历史数据，而且要很快制定出各行各 业的数据模型也很困难。 国内有一些学者按照传统的行业分法，根据不同行业的特性分别 对行业用电量建立相应模型，并得出全社会用电量。尽管这些模型的 科学性很难得到验证，分行业建立数据模型较传统预测方法的准确性 是一大进步。 同时，基于经济主导行业的终端用户需求预测法是目前发展方向 之一。电力企业掌握用户的生产预知变化，形成从上到下的实时预测 网络，充分利用电力负荷管理系统及时收集用户的生产预知变化，把 握一定比例用户的生产变化情况，使负荷预测变为部分负荷预知。对 电力市场做出准确的短期负荷预测。 绪论 1 4 论文主要研究内容 论文的主要研究任务是根据电网的历史负荷数据，分析地区电力 负荷的特性，然后建立神经网络集成预测模型，并用历史数据对神经 网络模型进行训练和测试评估。 对于电力负荷预测模型来说，最重要的评价指标是预测的精度， 模型的精度指标直接影响到模型的实际应用前景。要提高负荷预测的 精度，就必须考虑到影响负荷的各种因素。从实际的研究来看，同样 的模型运用在不同地区时，精度上可能会有较大的差别，原因在于各 地负荷的工业水平、居民的消费水平和消费习惯、气候条件等千差万 别，所以在针对特定地区进行负荷预测研究时，需要对当地的负荷特 性进行深入的分析，这是提高预测精度的前提。 影响负荷预测精度的因素很多，如：当前负荷状况、节假日、天 气、季节、重大经济、政治事件以及一些随机因素等。本文仅考虑一 些确定性因素，如：当前的负荷状况、日类型、天气、季节等。 至于神经网络的结构，如输入输出的选择、隐层数、隐层节点数 等，这些问题也将在后面章节中探讨。 样本的选择对于训练后的模型的精度也有非常重要的影响，因此 要在训练时剔除一些质量比较差的样本。 本文采用m a l l a b 进行仿真实验，首先根据对历史数据的分析确定 单个神经网络模型的参数，比如输入、输出及隐层数等，然后应用不 同的集成方法进行集成，而后通过实验结果对集成后的模型与一般神 经网络模型进行比较，从而得出结论：神经网络集成方法较之单个神 经网络可以明显提高短期负荷预测精度。 托京交通大学硕士学位论文 2 短期电力负荷预测理论与方法 短期负荷预测是能量管理系统饵m s ) 的一个重要模块，在近几年 中成为了负荷预测的主要内容，它所提供的未来的数据，对近期输变 电建设、运行和计划都非常重要，它在电力系统实时控制和保证系统 经济、安全、可靠运行方面都起着重要作用。随着当今世界范围内的 电力工业逐步由垄断走向市场，电力短期负荷预测的精确性越来越受 到电力部门的重视。 与长期负荷预测相比，短期负荷预测模型的建立要考虑应能反映 负荷随着季节、星期及一天2 4 h 周期性波动的特点，能反映气温、目 照等气象因素的影响。随着市场经济的发展，经验预测已经越来越不 能满足电力部门的要求，而必须寻求更好的预测方法。因此，根据实 际的生产需要，近些年来涌现了很多短期预测的方法，应用于生产实 践中。 2 1电力负荷预测概论 负荷的大小与特性。无论是对于电力系统设计还是对于运行研究 而言，都是极为重要的因素。所以，对负荷的变化与特性，有一个事 先的估计，是电力系统发展与运行研究的重要内容。电力系统负荷预 测理论就是因此而发展起来的，在现代电力系统工程科学中，它已经 成为占有重要地位的研究领域，是电力系统自动化领域中的一项重要 内容。 8 短期电力负荷预测理论与方法 2 1 1 负荷的概念及分类 负荷可指电力需求量或者用电量，而需求量是指能量的时间变化 率，即功率。也可以说，负荷是指发电厂、供电地区或电网在某一瞬 间所承担的供电负荷。对用户来说，用电负荷是指连接在电网的用户 所有用电设备在某一瞬间所消耗的功率之和。 负荷按物理性能分为有功负荷和无功负荷；负荷按电能的产、供、 销生产过程分为发电负荷、供电负荷和用电负荷；负荷按时间划分为 年、月、日、时、分负荷。 2 1 2电力负荷预测的基本理论 ( 1 ) 电力负荷预测的概念及分类 电力负荷预测就是在正确的理论指导下，在调查研究掌握大量翔 实资料的基础上，运用可靠的方法和手段对电力负荷的发展趋势做出 科学合理的推断。目前，从不同的角度，电力负荷预测可以作如下分 类： 电力负荷预测按时间分类 电力系统负荷预测按时间期限，可以分为超短期、短期、中期和 长期负荷预测。 超短期负荷预测用于质量控制，需5 。1 0 s 的负荷值；用于安全监视， 需1 5 m i n 负荷值；用于预防控制和紧急状态处理，需1 0 一6 0 m i i l 负荷值， 使用对象是调度员。 短期负荷预测主要用于火电分配、水火电协调、机组经济组合和 交换功率计划，需要1 日一1 周的负荷值，使用对象是编制调度计划的 9 北京交通大学硕士学位论文 工程师。 中期负荷预测主要用于水库调度、机组检修、交换计划和燃料计 划，需要1 月。1 年的负荷值，使用对象是编制中长期运行计划的工程 师。 长期负荷预测用于电源和网络发展，需要数年至数十年的负荷 值，使用对象是规划工程师。 电力负荷预测按行业分类 电力负荷预测按行业分类，可以分为城市民用负荷、商业负荷、 农业负荷、工业负荷以及其他负荷的负荷预测。 城市民用负荷预测主要指城市居民的家用负荷预测；商业负荷预 测和工业负荷预测是指对各自为商业与工业服务的负荷进行预测。 农村负荷预测是指广大农村所有负荷( 包括农村居民用电、生产 与排灌用电以及商业用电等) 的预测：而其他负荷预测则包括市政用 电( 如街道照明等) 、公用事业、政府办公、铁路与电车、军用等等 负荷的预测。 负荷预测按特性分类 根据负荷预测表示的不同特性，常常又分为最高负荷、最低负荷、 平均负荷、负荷峰谷差、高峰负荷平均、低谷负荷平均、平峰负荷平 均、全网负荷、母线负荷、负荷率等类型的负荷预测。 f 2 1 电力负荷预测的特点 由于负荷预测是根据电力负荷的过去和现在来推测它的未来数 值，所以，负荷预测工作所研究的对象是不肯定事件。只有不肯定事 件、随机事件，才需要人们采用适当的预测技术，推知负荷的发展趋 势和可能达到的状况，这就使负荷预测具有以下明显的特点。 预测结果不准确性。 短期电力负荷预测理论与方法 电力负荷的未来发展受到各种复杂因索的影响，而且各种因素也 是变化的，如社会经济发展、人口增长、全球气候变化、新技术发展、 能源产业政策等，对有些因素能预先估计，有些则不能或很难准确预 测。同时，科学的预测方法与理论的不断更新，将影响到预测精度。 预测的条件性。 各种电力负荷预测都是在一定条件下做出的。这些条件有必然条 件和假设条件，按必然条件作出的负荷预测往往是可靠的，按假设条 件作出的预测准确性显然具有条件性。 预测的时间性。 各种负荷预测都有一定的时间范围，因为负荷预测属于科学预测 的范畴，因此，要求有比较确切的数量概念，往往需要确切地指明预 测的时间。 预测的多方案性。 由于负荷预测具有精度总是受一定预测条件的制约，预测手段及 理论数学模型必然有多样性，使预测的结果并非是唯一的。 ( 3 ) 电力负荷预测的基本原理”1 电力负荷预测工作是根据电力负荷的发展变化规律，预计或判断 其未来发展趋势和状况的活动，因此必须科学地总结出预测工作的基 本原理。通常，预测工作是基于以下几条原理来指导负荷预测工作的。 可知性原理 客观世界是可以被认识的，人们不但可以认识它的过去和现在， 而且可以通过总结它的过去和现在推测其未来。这是人们进行预测活 动的基本依据。 可能性原理 北京交通大学硕士学位论文 因为事物的发展变化是在内因和外因共同作用下进行的。内因的 变化及外因作用力大小不同，会使事物发展变化有多种可能性。所以， 对某一具体指标的预测，往往是按照其发展变化的多种可能性，进行 多方案预测的。 连续性原理 又称惯性原理，是指预测对象的发展是一个连续统一的过程，其 未来发展是这个过程的继续。它强调了预测对象总是从过去发展到现 在，再从现在发展到未来。电力系统的发展变化同样存在着惯性，如 某些负荷指标会以原有的趋势和变化率发展下去。这种惯性正是我们 进行负荷预测的主要依据。 相似性原理 尽管客观世界中各种事物的发展各不相同，但一些事物发展之间 还是存在着相似之处，人们就利用这种相似性进行预测的。在很爹隋 况下，作为预测对象的一个事物，其现在的发展过程和发展状况可能 与另一事物过去一定阶段的发展过程和发展状况相类似，人们就根据 后一事物的已知发展过程和状况，来预测所预测对象的未来发展过程 和状况，这就是相似性原理。 反馈性原理 反馈就是利用输出返回到输入端，再调节输出结果。预测的反馈 性原理实际上是为了不断提高预测的准确性而进行的反馈调节。人们 在预测活动实践中发现，当预测的结果和经过一段实践所得到的实际 值存在差距时，可利用这个差距，对远期预测值进行反馈调节，以提 高预测的准确性。反馈预测实质上就是将预测的理论值与实际值相结 合，在实践中检验，然后进行修改、调整，使预测质量进一步提高。 系统性原理 短期电力负荷预测理论与方法 这个原理认为预测对象是一个完整的系统，它本身有内在的系 统，它与外界事物的联系又形成了它的外在系统。这些系统综合成一 个完整的总系统，都要进行考虑。即预测对象的未来发展是系统整体 的动态发展，而且整个系统的动态发展与它的各个组成部分和影响因 素之间的相互作用和相互影响密切相关。 2 2 电力负荷预测的方法 传统负荷预测方法主要有多元线性回归法、指数平滑法，时间序 列方法、灰色理论法、趋势外推法、专家系统法等。 2 2 1 回归预测模型 回归预测是电力系统负荷预测的一种常用方法，它运用数理统计 中的回归分析方法，根据历史数据的变化规律寻找自变量与因变量之 间的回归方程式，应用最小二乘法确定模型参数，然后据此作出预测。 2 2 2 指数平滑模型 指数平滑模型可有效地分析负荷的变化趋势，对具有指数规律快 速增长的历史数据采用y ( t ) = a b 。，对具有较慢指数规律增长的历史数 据采用y ( t ) = a t 6 ，式中a 、b 、a 、b 均为系数，y ( t ) 为预测值。但是单 指数平滑法只适用于变化不大的平稳时间序列。 北京交通大学硕士学位论文 2 2 3 随机时间序列模型 电力负荷的历史数据是一个具有明显随机性的数据序列，作为处 理随机序列的基本方法，时间序列模型在短期负荷预测中应用广泛。 负荷的历史时间序列多为非平稳过程，平稳性检验可通过计算各等长 子序列的均值、方差等统计量的差异显著与否来进行，对非平稳过程 应先进行平稳化才能进行分析建模。时间序列的基本模型有平稳自回 归模型( a r ) 、可逆移动平均模型( m a ) 以及自回归一移动平均混合模型 ( a r m a ) 。 在气候、电网运行情况等因素变化不大时，时间序列模型的预测 效果良好，由于模型中仅考虑负荷序列的变化情况，未考虑外在因素 的影响，因此在外在因素变化较大时，预测结果不太理想。 2 2 4 灰色理论模型 灰色模型是一种指数增长模型，它认为随机量是在一定范围内变 化的灰色量，无规律的数据序列累加后，可生成指数增长规律的上升 序列，因而能够建立微分方程预测模型。 当电力负荷呈严格指数增长时，从理论上已经证明此方法的可行 性，具有预测精度高、所需样本数据少、计算简便和可检验等优点。 但对于短期负荷来讲，影响负荷变化的不确定因素比较多，负荷波动 性大。因而此模型一般只应用于中长期的负荷预测。 1 4 短期电力负荷预测理论与方法 2 2 5 趋势外推法 当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显 的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就 可以用时间t 为自变量，时序数值y 为因变量，建立趋势模型y = 武t ) 。 当有理由相信这种趋势能够延伸到未来时，赋予变量t 所需要的值， 可以得到相应时刻的时间序列未来值。这就是趋势外推法。 应用趋势外推法有两个假设条件：假设负荷没有跳跃式变化； 假定负荷的发展因素也决定负荷未来的发展，其条件是不变或变化 不大。选择合适的趋势模型是应用趋势外推法的重要环节，图形识别 法和差分法是选择趋势模型的两种基本方法。 外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测 法、指数曲线趋势预测法、生长曲线趋势预测法。趋势外推法的优点 是：只需要历史数据、所需的数据量较少。缺点是：如果负荷出现变 动，会引起较大的误差。 2 2 6 专家系统法 专家系统预测法是对数据库里存放的过去几年甚至几十年的，每 小时的负荷和天气数据进行分析，从而汇集有经验的负荷预测人员的 知识，提取有关规则，按照一定的规则进行负荷预测。实践证明，精 确的负荷预测不仅需要高新技术的支撑，同时也需要融合人类自身的 经验和智慧。因此，就会需要专家系统这样的技术。专家系统法，是 对人类的不可量化的经验进行转化的一种较好的方法。但专家系统分 析本身就是一个耗时的过程，并且某些复杂的因素( 如天气因素) ，即 北京交通大学硕士学位论文 使知道其对负荷的影响，但要准确定量地确定他们对负荷地区的影响 也是很难的。专家系统预测法适用于中、长期负荷预测。此法的优点 是：能汇集多个专家的知识和经验，最大限度地利用专家的能力； 占有的资料、信息多，考虑的因素也比较全面，有利于得出较为正 确的结论。缺点是：不具有自学习能力，受数据库里存放的知识总 量的限制；对突发性事件和不断变化的条件适应性差。 以上的这些方法都获得了不同程度的应用，但这些方法都难以处 理负荷预测本质上的非线性问题，加上同时没有考虑到诸如天气之类 的外在因素，因而普遍精度不高。9 0 年代之后，随着人工智能理论的 发展，由于其超强的非线性映射能力，人工神经网络f a n i f i d a ln e u r a l n e t w o r k ) 逐渐被运用到负荷预测上来，并取得了较好的预测结果。 2 2 7人工神经网络法 1 、人工神经网络法简介 当前国际著名的神经网络专家，第一家神经计算机公司的刨始人 和神经网络技术研究的领导人h e c h ln i e l s o n 给神经网络的定义是：神 经网络是一个以有向图为拓扑结构的动态系统，它通过对连续或断续 式的输入做状态响应而进行信息处理。” 二维的简单人工神经网络( a j t i f i d a ln e u r a ln e 铆o r k ，鲇q n ) 按网络 拓扑结构可分为两类：前馈型( f e e d f 0 研o f d ) 网络和反馈型( f c e d b a c k ) 网 络。反馈型神经网络模型是一种反馈动力学系统，它具有极复杂的动 力学特性，需要工作一段时间才能达到稳定，可以用完备的无向图表 示，有代表的模型包括：h o p f i e l d 网络模型和h a m m j i l g 网络模型。反 馈型神经网络模型有很强的计算能力。前馈神经网络模型是指那些在 短期电力负荷预测理论与方法 网络中各处理单元之间的连接都是单向的，而且总是指向网络输出方 向的网络模型。从学习的观点来看，前馈网络是一种强有力的学习系 统，其结构简单而易于编程：从系统的观点看，前馈系统是一种静态 非线性映射，通过简单非线性处理单元的复合映射，可获得复杂的非 线性处理能力。但从计算的观点看，缺乏丰富的动力学行为。大部分 前馈网络都是学习网络，它们的分类能力和模式识别能力一般都强于 反馈网络，典型的前馈网络有感知器q e i c e p l r o n ) 网络、误差逆传播神 经网络( 简称b p 网络) 、径向基函数神经网络( 简称r b f 网络) 等。 2 、舢州应用于电力负荷预测的优缺点 1 9 9 1 年，舢州首次被提出用于进行电力系统负荷预测，在以后相 继有国内外研究者对a n n 用于电力系统短期负荷预测从不同角度进 行了研究，主要集中在以下几个方面：算法改进、网络结构、数据组 织以及和其他方法结合。a n n 技术可以模仿人脑的智能化处理，对大 量非结构性、非确定性规律具有自适应功能，具有信息记忆、自主学 习、知识推理和优化计算等特点。特别是，其自学习和自适应功能是 常规算法和专家系统技术所不具备的。因此，预测被当作人工神经网 络最有潜力的应用领域之一。a n n 用于电力短期负荷预测f s h o r t e 珊 l o a df o r e c a s t i n g ，s t l f ) 比其他方法还有其自身的优越性，第一，精度 较高：第二，建模相对容易；第三，数据组织容易。按a 】的输入数 据的不同组织方式可以构成满足不同要求的负荷预测系统。 利用a n n 进行短期负荷预测有它本身的致命缺点：需要大量的训 练数据。而电力负荷在周末、假日及天气突变等情况下的历史数据有 限，因此在这些情况下的预测精度受到影响。另外，它还存在学习过 程中的训练精度不确定性的问题。 3 、对越州的改进 北京交通大学硕士学位论文 为了克服a n n 的这些缺点，提高各类日期的负荷预测精度，近年 来出现了两种趋势，一种是对经典的人工神经网络进行改进或优化， 包括对人工神经网络权值的初始值、误差函数、激励函数、网络结构 等参数的研究，使改进或优化以后的神经网络的整体性能得到提高。 另一种方法是采用组合预测的方法，将两种或多种预测技术融合在一 起，互用互补，这样不仅可以改善只采用一种预测技术带来的理论上 或实践上的缺陷，而且可以充分发挥各种预测技术各自的长处，从而 达到希望的预测精度。本文则是采用了神经网络集成的方法来对人工 神经网络进行改进。神经网络集成是通过训练多个神经网络并将其结 论进行合成，由此构成个新的集成预测模型。神经网络集成能够大 大的提高学习系统的泛化能力，这对于电力负荷预测而言则是非常有 益的。 总的来说，9 0 年代以后，神经网络在电力系统负荷预测中的应用 越来越受到诸多专家及学者的重视，取得了不少成绩。同时，神经网 络集成也逐渐成为了机器学习界的热点。可以预见，以神经网络集成 为基础的预测方法将是今后预测学中的一个前景广阔的研究领域。 神经网络集成介绍 3 1 概述 3 神经网络集成介绍 神经网络所取得的成功大家是有目共睹的，但在实际应用中仍然 存在着一定的问题，即神经网络的效果往往会受到使用者经验的影 响。这是因为，神经网络模型、算法以及参数设篝，在没有足够的先 验知识和经验的情况下，往往需要经过大量费力耗时的实验摸索才能 确定。因此，即使采用j 司样的方法解决同样的问题，如果操作者不同， 实验结果很可能大相径庭。我们无法保证实际应用中的操作者都是具 有丰富神经计算经验的技术人员，因此也就无法保证神经网络技术的 应用效果了。在这种情况下，神经网络集成应运而生。 神经网络集成方法的提出，显著地提高了神经两络系统的泛化能 力，使得神经网络的应用效果不再受到操作者经验的限制，目前已成 为神经计算届的个研究热点。 3 2 研究进展 k e a m s 和v a i i m t 指出，在p a c 学习模型”中，若存在一个多项式 数学习算法来辨别一组概念，并且辨别正确率很高，那么这组概念是 强可学习的：而如果学习算法辨别一组概念的正确率仅比随机猜测略 好，那么这组概念是弱可学习的。k c a m s 和v a l j a n t 提出了弱学习算法 与强学习算法的等价性问题，即是否可以将弱学习算法提升成强学习 算法。如果两者等价，那么在学习概念时，只需找到一个比随机猜测 算法。如果两者等价，那么在学习概念时，只需找到一个比随机猜测 北京交通大学硕士学位论文 略好的弱学习算法，就可以将其提升为强学习算法，雨不必直接去找 通常情况下很难获得的强学习算法。 上述等价性问题可视为神经网络集成思想的出发点。1 9 9 0 年， s c h a p i r e 通过一个构造性方法对该问题作出了肯定的证明，其构造过 程称为b o o s t i n g 。虽然b 0 0 s t i n g 算法并非专为神经网络设计，但由于 其与神经网络集成有着难以分割的血缘关系，因此本章也将对 b o o s t i n g 及相关技术进行介绍。 在神经网络集成的研究中，始终存在着两方面的内容。一方面， 研究者们试图设计出更有效的神经网络集成实现方法，以直接用于解 决问题。另一方面，研究者们试图对神经网络集成进行理论分析，从 而为实现方法的设计提供指导。除此之外，还有很多研究者将神经网 络集成应用到实际问题域中，取得了很好的效果。本节后续部分将分 别对这些方面的研究进展进行介绍。 3 2 1实现方法 对神经网络集成实现方法的研究主要集中在两个方面，即怎样将 多个神经网络的输出结论进行结合以及如何生成集成中的个体网络。 1 、结论生成方法 当神经网络集成用于分类器时，集成的输出通常由个体网络的输 出投票产生。通常采用绝对多数投票法( 某分类成为最终结果当且仅 当有超过半数的神经网络输出结果为该分类) 或相对多数投票法( 某 分类成为最终结果当且仅当输出结果为该分类的神经网络的数目最 多) 。理论分析和大量试验表明，后者优于前者。因此，在对分类器 进行集成时，目前大多采用相对多数投票法。 神经网络集成介绍 当神经网络集成用于回归估计时，集成的输出通常由各网络的输 出通过简单平均或加权平均产生。p e r r o n e 等人认为，采用加权平均可 以得到比简单平均更好的泛化能力。但是，也有一些研究者认为，对 权值进行优化将会导致过配( o v e m t t i n g ) ，从而使得集成的泛化能力降 低，因此，他们建议使用简单平均。 此外还存在多种结合方式。例如，有的研究者利用神经网络这样 的学习系统，通过学习来对多个预测进行结合；有的研究者通过对一 组子网进行优化，使各子网都可以较好地处理一个输入子空间，从而 一步步地进行结合；有的研究者不使用现行结合方法，而是使用一些 随个体网络输出的确定程度而变化的动态权值来产生最终的分类；有 的研究者以最小化分类误差为标准选择出相对于每一个输出分类的 最佳网络，然后估计出最优线性权以将个体网络集成起来形成理想分 类器。 2 、个体生成方法 在生成集成中个体网络方面，最重要的技术是b o o s t i n g 和 b a g g i i l 甙b o o t s t r 印a g 掣e g a t i n g ) 。 b o o s t h g 是一大类算法的总称，最早由s c h a p j r e 提出，f r e u n d 对其 进行了改进。通过这种方法可以产生一系列神经网络，各网络的训练 集决定于在其之前产生的网络的表现，被已有网络错误判断的示例将 以较大的概率出现在新网络的训练集中。这样，新网络将能够很好地 处理对已有网络来说很困难的示例。另一方面，虽然b o o s t i n g 方法能 够增强神经网络集成的泛化能力，但是同时也有可能使集成过分偏向 于某几个特别困难的示例。因此，该方法不太稳定，有时8 起到很好 的作用，有时却没有效果。值得注意的是，s c h a p i r e 和f r e u n d 的算法在 2 1 北京交通大学硕士学位论文 解决实际问题时有一个重大缺陷，即它们都要求事先知道弱学习算法 学习正确率的下限，这在实际问题中很难做到”1 。1 9 9 5 年，f r e u n d 和 s c h a p i r e 提出了a d a b o o s t p l ( a d 印t i v eb 0 0 s t ) 算法，该算法的效率与 f 砖u n d 算法很按近，却可以非常容易地应用到实际问题中，因此，该 算法已成为目前最流行的b o o s t i n g 算法。 b a g 西n g 【9 】方法中，各神经网络的训练集由从原始训练集中随机选 取若干示例组成，训练集的规模通常与原始训练集相当，训练例允许 熏复选取。这样，原始训练集中某些示例可能在新的训练集中出现多 次，而另外一些示例则可能一次也不出现。b a g 西n g 方法通过重新选 取训练集增加了神经网络集成的差异度，从而提高了泛化能力。 b r e i m 她指出，稳定性是b a g g i n g 能否发挥作用的关键因素，b a g g i i l g 能提高不稳定学习算法的预测精度，而对稳定的学习算法效果不明 显，有时甚至使预测精度降低。学习算