（电力系统及其自动化专业论文）基于软计算方法的电力系统负荷预测.pdf

上海交通火学博士学位论文 络方法具有更高的预测精度。 3 在对支持向量机( s v m ) 方法进行分析的基础上，提出了一种免疫 支持向量机( i w s v m ) 方法来预测电力系统短期负荷，其中利用免疫规划算 法优化支持向量机方法的参数。免疫规划算法利用浓度和个体多样性保 持机制进行免疫调节，有效地克服了未成熟收敛现象，提高了群体的多 样性。电力系统短期负荷预测的实际算例表明，与支持向量机方法相比， 所提免疫支持向量机方法具有更高的预测精度。 4 针对城市电力系统年用电量增长的特点，将灰色神经网络模型 g n n m ( 1 ，1 ) 引入城市年用电量预测。g n n m ( 1 ，1 ) 模型是把灰色方法与神经 网络有机结合起来，对复杂的不确定性问题进行求解所建立的模型。该 模型通过建立一个b p 网络，来映射g m ( 1 ，1 ) 模型的灰色微分方程的解。 g n n m ( 1 ，1 ) 模型采用b p 学习算法，网络经训练收敛后就可进行城市年用 电量预测。算例计算表明，与灰色预测方法相比，g n n m ( 1 ，1 ) 模型具有更 强的适应性和更高的预测精度，适用于城市年用电量预测。 论文最后对上述研究成果进行了总结，指出了短期负荷预测中还有 待进一步研究的问题。 关键词：电力系统，短期负荷预测，神经网络，免疫算法，r b f 网络， 聚类方法，协同进化算法，支持向量机，g n n m ( 1 ，1 ) 模型，灰色系统 i i 上海交通大学博士学位论文 l o a df o r e c a s tin gb a s e do n s o f tc o m p u tln g a b s t r a c t s h o r t t e r ml o a df o r e c a s t i n g ( s t l f ) i sv e r yi m p o r t a n tt ot h ec o n t r o l ， o p e r a t i o n ，a n ds c h e d u l eo fp o w e rs y s t e m d e r e g u l a t i o na n dc o m p e t i t i o no ft h e p o w e ri n d u s t r ya r en o wp r o p e l l i n gt h eu t i l i t i e st oo p e r a t et h es y s t e ma t a l l e v e nh i g h e re f f i c i e n c y t h i st r e n df u r t h e ri n t e n s i f i e st h ec o n c e r na st ot h e a c c u r a c yo fs t l f t h ep a p e ra i m st oi m p r o v et h ep r e c i s i o no fs t l f i nc h a p t e r1 ，t h es i g n i f i c a n c ea n dc u r r e n ts i t u a t i o no fm a i nr e s e a r c h e si n t h ep a p e ra r ei n t r o d u c e d t h eo r i g i n a lw o r k sc o m p l e t e d b yt h ea u t h o ra r ea l s o p o i n t e do u t i nc h a p t e r2 ，t h eb a s i cp r i n c i p l eo ft h en e u r a ln e t w o r ka n d i m m u n ea l g o r i t h mi si n t r o d u c e d t h em a i na c h i e v e m e n t so fp a p e ra r e 1 a ni m m u n ec l u s t e r i n gr b fn e u r a ln e t w o r k ( i c r b f n n ) m o d e li s p r e s e n t e df o rs t l f i nt h ed e s i g no ft h ei c r b f n n ，an o v e lc l u s t e r i n g m e t h o db a s e do nt h es y m b i o t i ce v o l u t i o n a r ya n dt h ei m m u n ep r o g r a m m i n g a l g o r i t h m ( s e i p c m ) i sp r o p o s e d t h es e i p c ma u t o m a t i c a l l ya d ju s tt h e n u m b e ra n dp o s i t i o n so fh i d d e nl a y e rr b fc e n t e r s t h ew e i g h t so fo u t p u t l a y e ra r ed e c i d e db yt h er e c u r s i v el e a s ts q u a r e sa l g o r i t h m t h ep r o p o s e d i c r b f n nm o d e lh a sb e e ni m p l e m e n t e db a s e do nt h ea c t u a ld a t ac o l l e c t e d f r o mt h ee a s tc h i n ap o w e rc o m p a n ya n dc o m p a r e dw i t ht h et r a d i t i o n a lr b f n e u r a ln e t w o r k ( r b f n n ) m e t h o d t h et e s tr e s u l t sr e v e a lt h a tt h ei c r b f n n m e t h o d p o s s e s s e sf a rs u p e r i o rf o r e c a s tp r e c i s i o nt h a nt h er b f n n m e t h o d 2 今c o o p e r a t i v ec o e v o l u t i o n a r yi m m u n en e t w o r k ( c c r n ) m o d e li s i i i p r e s e n t e df o rs t l f i nt h ed e s i g no fn e u r a ln e t w o r k ，an o v e lm e t h o db a s e do n t h e c o o p e r a t i v ec o e v o l u t i o n a r ya n dt h ei m m u n e a l g o r i t h m ( c c i m ) i s p r o p o s e d t h ec c i mi su s e dt oe v o l v et h es t r u c t u r ea n d p a r a m e t e r so fn e u r a l n e t w o r k t h ep r o p o s e dc c i nm o d e lh a sb e e ni m p l e m e n t e db a s e do nt h e a c t u a ld a t ac o l l e c t e df r o mt h ee a s t e r ns l o v a k i a n e l e c t r i c i t yc o r p o r a t i o na n d c o m p a r e dw i t ht h et r a d i t i o n a lr b f n e t w o r k ( p , j 3 f n 3m e t h o d t h et e s tr e s u l t s r e v e a lt h a tt h ec c i nm e t h o d p o s s e s s e sf a rs u p e r i o rf o r e c a s tp r e c i s l 。o nt h a nt h e r b f nm e t h o d j a ni m m u n es u p p o r tv e c t o rm a c h i n e s ( i w s v m ) m e t h o di s p r e s e n t e d f o rs t l et h e i m m u n ep r o g r a m m i n ga l g o r i t h m ，i n s p i r e db yt h ei m m u n e s y s t e mo fh u m a na n do t h e rm a m m a l s ，i su s e dt oo p t i m i z et h e p a r a m e t e r so f s u p p o r tv e c t o rm a c h i n e s t h ea l g o r i t h mh a st h ea d v a n t a g ei n p r e v e n t i n g p 陀m a t u r ec o n v e r g e n c ea n dp r o m o t i n gp o p u l a t i o nd i v e r s i t y t h ef o r e c a s t i n 2 r e s u l t sd e m o n s t r a t et h a tt h ep r o p o s e dm e t h o dh a s h i g h e rf o r e c a s tp r e c i s i o nf o r s t i f 4 a c c o r d i n gt ot h es p e c i a l i t yo fe l e c t r i c i t yd e m a n d d e v e l o p m e n ti nac i t y , t h eg r e yn e u r a ln e t w o r km o d e l g n n m ( 1 ，1 ) i si n t r o d u c e di n t ot h ef i e l do f c i t y e l e c t r i c i t yd e m a n df o r e c a s t i n g t h eg n n m ( 1 ，1 ) m o d e ii st h ec o m b i n a t i o no f g r e ys y s t e ma n dn e u r a ln e t w o r k ，w h i c hc a ns o l v et h ec o m p l e xu n c e r t a i n p r o b l e m s t h eg n n m ( 1 ，1 ) m o d e lb u i l d sak i n do fb pn e u r a ln e t w o r k w h i c h c a nm a pt h es o l u t i o nt ot h eg r e yd i f f e r e n t i a le q u a t i o no f g m ( 1 ，1 ) m o d e l t h e n t h em o d e li st r a i n e d b yu s i n gb pa l g o r i t h m c i t ye l e c t r i c i t yd e m a n d1 。s f o r e c a s t e da f t e rt h eg n n m ( 1 ，1 ) m o d e li sc o n v e r g e n t t h ef o r e c a s t i n g r e s u l t s d e m o n s t r a t et h a tt h eg n n m ( 1 ，1 ) m o d e lh a sh i g h e ra d a p t a b i l i t ya n d f o r e c a s t p r e c i s i o nf o rc i t ye l e c t r i c i t yd e m a n df o r e c a s t i n g t h em a i nw o r k sa r es u m m a r i z e da tt h ee n d o ft h i sp a p e r f u r t h e rw o r kt o t h er e s e a r c hi sp o i n t e do u t k e yw o r d s ：p o w e rs y s t e m ，s h o r t - t e r ml o a df o r e c a s t i n g , n e u r a lliei1-i t w o r k ， i n 皿u n ea l g 。r i m m ，r b f n e u r a l n e t w o r k , 气1 p s t e ：i n g g l 滁m m e i t ( h l o ，d 1 , ) m c o 。o d p e e l r ，a 掣t i v e y e c o e v o l u t i o n a r ya l g o r i t h m ，s u p p o av e c t o rm a c r n n e s u 1 n 1 n 1 v 1 l 1 1 ，1 1 1 u 1 伊。j v 上海交通大学 学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独 立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论 文不包含任何其他个人或集体己经发表或撰写过的作品成果。对本文 的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本 人完全意识到本声明的法律结果由本人承担。 学位论文作者签名：晨宏吨 日期：聊年声月矽日 上海交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定， 同意学校保留并向国家有关部门或机构送交论文的复印件和电子版， 允许论文被查阅和借阅。本人授权上海交通大学可以将本学位论文的 全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫 描等复制手段保存和汇编本学位论文。 保密口，在年解密后适用本授权书。 本学位论文属于 不保密幺 ( 请在以上方框内打“4 ) 学位论文作者签名：炙孩7 珑 日期：2 哆年f 口月夕曰 么 易 s j 参 珀帮耐 2厨i ， 一 卢 名 年 签 ，y 币 b 獬 蹄 教 扎 戥 期 上海交通人学博七学位论文 第一章绪论弟一早三百y 匕 科学的预测是正确决策的依据和保证。负荷预测n 卫1 是电力系统领域的一个传统 研究问题，是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据 的分析和研究，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先估计 和推测。负荷预测是电力系统规划、计划、用电、调度等部门的基础工作，其重要性 早已被人们所认知。长期以来，国内外学者对负荷预测的理论和方法作了大量研究工 作，提出了多种各具特点的预测方法。 1 1负荷预测的意义 负荷预测对电力系统许多部门都起着重要的作用。例如，短期负荷预测是制定发 电计划的基础，中长期负荷预测是制定电力系统发展规划口1 、燃料计划的前提。 文献 4 分析了负荷预测的误差对电力系统运行所造成的影响。文献 5 分析了不 同负荷预测精度下电力系统的经济性，研究结果表明，对于某个装机容量为i o g w 的 系统，预测误差降低1 ，可节省年运行费用1 6 0 万美元。文献 6 给出了已知预测结 果的分布方差时，系统运行风险的评估结果。这些分析说明，提高负荷预测的精度是 电力系统规划和运行的必然要求。众多学者进行负荷预测的研究，其主要出发点是以 更为先进的理论提高预测的准确性，为电力系统运行的经济性和安全性提供有力的保 证。 1 2 负荷预测的分类 按照预测期限的不同，电力系统负荷预测分为超短期、短期、中期和长期预测， 分别对应小时、日、月度和年度预测。表1 1 给出了各种期限预测问题的对比情况。 1 3电力系统负荷的特性及其影响因素 为了加深对负荷特性的了解，把握负荷变化的规律和发展趋势，国家电力公司于 2 0 0 0 年3 月，组织各网省公司全面、系统的收集有关负荷资料，进行了详细深入的 分析，编写了中国电力负荷特性分析与预测口1 。通过对若干试点城市或地区的调 第1 页 j ：海交通大学博士学位论文 表1 - 1 不同期限预测问题的对比 t a b l e1 - 1c o m p a r i s o no fs h o r t m i d l o n g - t e r ml o a df o r e c a s t i n gp r o b l e m s 预测预测对象 作用预测特点主要影响冈素主要预测方法 期限与内容 超短当前时刻往用于实时安全分 与前面数日同 期预 后若干时段析、实时经济调 时段的瞬时变 一般较少考虑，考虑前面数日同时 化规律比较类 暑期时可以计及段瞬时变化规律的 测的负荷度、a f , c 实时温度变化外推法 似 同类型日预测：考虑 短期 某日内每个 在年、月、星各种周期性的时问 时刻的负 安排日开停机计期、日不同期星期类型、气象序列预测；神经网络 预测 划和发电计划限上均具有明因素、电价预测；考虑气象因素 荷，日电量 显的周期性的预测方法 历史同月数据的外 中期 负荷、电量 安排月度检修计周期性增长，大用户生产计推预测；考虑年度周 的月度统计 划、运行方式、每个年度的十划、气象条件、期性的时间序列预 预测水库调度计划、二个月具有相产业结构调整情测；考虑主要影响冈 数据 电煤计划 似的规律 况、电价政策等素的各类相关预测 法 提供电源、电网国民经济发展情 长期 负荷、电量规划的基础数数据基本上单况、人口、产值自身规律外推法：考 的年度统计据，确定年度检调变化、无周单耗、产业结构虑主要影响冈素的 预测 数据修计划、运行方期性调整情况、电价各类相关预测法 式等 政策等 研结果进行总结，论述了当前和今后一段时期内，我国电力负荷的特性和对其发展规 律产生影响的主要因素。 1 3 1电力系统负荷的特性 电力系统的负荷是时刻在变化的，作为一个变化的时间序列，其具有以下特征： 1 周期性。负荷以天、周、年为周期发生波动，大周期中嵌套小周期。这种周期 性的波动，不是简单的周期性重复，与前一周期相比，后一周期不仅在数值上有细微 改变，而且其改变量的大小具有随机性。 2 连续性。在电力负荷曲线上任意相邻两点之间的变化是连续的，不存在任何奇 点，在负荷曲线图上表现为较为光滑的波形曲线。保证系统安全运行，是对电力系统 第2 页 = 海交通大学博i ：学位论文 的最基本要求。如果电力系统经常发生跳跃变化，极易导致系统不稳定，电压与周波 达不到合格的质量标准，对电力用户和设备产生极大的危害，故电力系统的连续性特 点可以从对系统稳定性的要求方面找到根本原因。 3 季节性。由于民用负荷的大量增长，特别是家用电器如空调的大量使用，使得 电力负荷的季节性日趋明显。在天气温和、温度适宜的春秋季节，对工作和生活方面 的条件要求较少，这两季的负荷受季节性的影响较小。而在天气炎热的夏天和寒冷的 冬天，大量空调的使用对电力负荷的影响很大。因此，电力负荷的季节性变化主要是 针对天气变化剧烈的夏季和冬季而言。 1 。3 2电力系统负荷的影响因素 电力系统负荷的影响因素主要有： 1 经济发展水平及经济结构调整； 2 生活水平提高和消费观念变化； 3 电力消费结构变化； 4 气候气温； 5 电价( 分时电价、可中断电价) ： 6 需求侧管理措施( 移峰填谷等) ： 7 电力供应侧( 电力短缺状况、电网建设与配电网改造等) ； 8 政策因素( 环保要求、对高耗电行业的优惠电价等) 。 这些因素可归纳为四种类型：经济、时间、气候和随机干扰，它们对不同时间跨 度的负荷预测工作影响程度不同。其中经济类因素包括供电区域的人口、工业生产水 平、电器设备数量变化、政策变化和经济发展趋势、电力网络的管理策略等，这类因 素对负荷影响的时间一般较长，是进行中长期负荷预测时需要重点考虑的因素。时间 和气候因素对负荷变化的影响是显著的，有很多成熟的预测方法和模型对此作了深入 的研究，例如节假日的负荷变化模式研究、负荷的温度敏感性分析等，取得了较好的 效果。这两类因素对负荷曲线产生较大影响，是短期负荷预测中必须考虑的。随机干 扰因素是指其它所有能引起负荷模式变化，又未包括在上述三类中的因素，例如某个 容量较大的电负荷的投运造成的负荷波动、工业设备损坏、重大影响国计民生事件的 发生等。与前三类因素相比，随机干扰因素的影响最难以估计，涉及众多方面，其突 第3 页 上海交通人学博卜学位论文 发性、无历史资料可依的特点往往是进行准确预测的难题。 1 4 负荷预测的特点 负荷预测是根据电力负荷的过去和现在推测其未来数值，故负荷预测工作所研究 的对象是不肯定事件，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。负荷预测具有以下特点： 1 不准确性 电力负荷未来的发展是不肯定的，要受到多种多样复杂因素的影响，而且各种影 响因素也是发展变化的。人们对于这些发展变化有些能够预先估计，有些却很难事先 预见，加上一些临时情况发生变化的影响，决定了预测结果的不准确性。 2 条件性 各种负荷预测都是在一定条件下做出的。对于条件而言，又可分为必然和假设两 种。如果真正掌握了电力负荷的本质规律，那么预测条件就是必然的，所做出的预测 是比较可靠的。然而在很多情况下，由于负荷未来发展的不肯定性，就需要一些假设 条件。这些条件不能毫无根据的凭空假设，应通过研究分析，综合各种情况得到。给 预测结果以一定的前提条件，更有利于用电部门使用预测结果。 3 时间性 各种负荷预测都有一定的时间范围，需要确切的指明预测的时间。 4 多方案性 由于预测的不准确性和条件性，有时要对负荷在各种情况下可能的发展状况进行 预测，得到各种条件下不同的负荷预测方案。 1 5 短期负荷预测 短期负荷预测是负荷预测的重要组成部分，主要用于预报未来数小时、一天至数 天的电力负荷，对于调度部门的机组最优组合、经济调度、最优潮流而言，尤其是对 现在与将来的电力市场具有重要的意义。短期负荷预测精度越高，越有利于提高发电 设备的利用率和经济调度的有效性。 短期负荷的最大特点是具有明显的周期性，包括：不同日之间2 4 小时整体变 第4 页 上海交通大学博士学位论文 化规律的相似性；不同星期、同一星期类型日的相似性；工作日、休息日各自的 相似性；不同年度的重大节假r 负荷曲线的相似性。 在具备上述周期性的同时，短期负荷的另外一个特点是明显受到各种环境因素的 影响，如季节更替、天气因素突然变化、设备事故和检修、重大文体活动等，这使得 负荷时间序列的变化出现非平稳的随机过程。 短期负荷预测的研究已有很长历史，国内外的专家、学者在预测理论和方法上作 了大量的研究工作，取得了卓有成效的进展，本文对现有的预测方法进行评述。 1 5 1 时间序列法 时间序列模型是最经典、最系统、最被广泛采用的一类短期负荷预测方法1 司。 电力负荷时间序列预测技术，就是根据负荷的历史资料，设法建立一个数学模型，通 过该模型来描述电力负荷变化过程的统计规律性，在数学模型的基础上建立负荷预测 的数学表达式，对未来的负荷进行预报。常用的时间序列模型有以下四种：自回归 ( a r ) 模型、动平均( m a ) 模型、a r m a 模型、累积式自回归一动平均( a m m a ) 模型。 。 1 5 1 1a r 模型 在短期负荷预测研究中，引起负荷变化的因素很多，不可能把影响负荷的因素都 归入模型。从各级调度部门获得的是过去历史的负荷记录，易于得出某一时刻的负荷 与过去相关时刻的负荷有关。a r 模型中的基本概念为：因变量是待测的负荷，自变 量则是负荷自身的过去值。 a r 的过程为：现在值y ，可由过去值的加权值的有限线性组合及一个干扰量伪来 表示。p 阶a r 模型m 艘( p ) 的数学表达式为： 以= 奶只一l + 仍以一2 + + 妒p m p + 口f ( 1 一1 ) 式中：p 为模型的阶，常数系数仍，缈：，卯为模型的参数，干扰量口f 为白噪声系 列在f 时刻的值。 预测负荷与其过去时刻的负荷有关，故该模型称为a r 模型。 1 5 1 2m a 模型 在a r 模型中，理论上千扰的影响是在无限长的时间内存在的，即一个初始时刻 第5 页 上海交通大学博 二学位论文 的干扰将会影响到未来无限长时间内的负荷值。假设干扰的影响在时间序列中只表现 在有限的数个连续时间间隔内，然后就完全消失，获得派生模型，即为m a 模型。 如初始时刻的干扰在前q 步内有影响，则q 阶m a 模型m m a ( q ) 的数学表达式为： 只= a t - - 0 i a t l - o q a , 一。 ( 卜2 ) 式中：q 为模型的阶，常数系数巩，秒：，以为模型的参数。 1 5 1 3a r m a 模型 a r m a 模型是a r 模型和m a 模型的结合，其数学表达式为： 乃= 翰只一l + 仍乃一2 + + 妒p 只一户+ q b q l 一一o q a , 一g ( 1 3 ) 由于许多实际的随机时间序列同时具有模型m 一只( p ) 和m m ( g ) 的特性，如分别令 p = 0 ，q = 0 ，得到的m 删( o ，g ) 就是m m a ( q ) ，m 删( p ，o ) 就是m 4 r ( p ) ，这三种模 型之间有着密切的联系。 1 5 1 4 a r im a 模型 前述模型应用的前提条件都是以时间序列为平稳随机序列，这些模型对于时间的 起点是不做任何规定的，即表示无论抽出时间序列哪一段，其平均值是不变的。但是， 负荷时间序列的变化常常是非平稳的随机过程。a r i m a 模型适用于非平稳随机时间 序列的模型，把非平稳随机过程中的平稳随机变化负荷包含在模型中。 时间序列法建模过程比较复杂，对使用者需要相应的理论知识作保证，这限制了 该方法在实际中的应用。在天气和温度变化不大的时候，该方法容易取得比较满意的 结果；在天气变化较大或遇到节假日等情况，该方法存在较大的预测误差，而且预测 步数越长，预测精度越差。 1 5 2 人工神经网络法 目前，人工神经网络理论用于短期负荷预测的研究很多，其突出优点是对大量非 结构性、非精确性规律有自适应功能，具有信息记忆、自主学习、知识推理和优化计 算的特点。人工神经网络具有很强的自学习和复杂的非线性函数拟合能力，很适合于 电力负荷预测问题，是在国际上得到认可的实用预测方法之n 6 1 。 1 5 2 1b p 网络 现有的人工神经网络法一般采用b p 网络n 7 侧，文献e t 7 首次提出了用b p 网络进 第6 页 上海交通大学博上学位论文 行电力系统的负荷预测，研究了用不同的特征量预测不同的负荷。由于未对样本数据 作适当的预处理，网络训练时间相当长。在此基础上，文献 1 8 提出了b p 网络的自 适应训练算法，适于解决样本数据不平稳时网络的训练问题。文献 1 9 提出了对样本 数据进行处理的有效方法，设计了一种b p 网络的变形结构，通过这两种途径改善了 网络的学习性能。文献 2 0 研究了b p 网络中学习率参数和动量参数的取值对b p 网络 标准学习算法的影响，提出了相应的处理办法。文献 2 1 研究了对于气象灵敏的负荷， 采用非完全连接的b p 网络预测今后一周内每小时的负荷。针对b p 网络的缺陷，文献 3 2 把神经网络和遗传算法相结合，通过遗传算法有指导性的求取神经网络的隐层节 点，得到了较为优秀的初值，改善了网络的学习收敛过程。文献 3 3 提出一种改进粒 子群算法，用于b p 网络结构的优化，提高了模型精度和适应性。 b p 网络由于网络权重初始化的随机性，难以根据负荷预测的实际情况确定一组 较好的初始值，并且该网络学习算法收敛速度较慢，容易陷入局部极小点，从而限制 了b p 网络方法在负荷预测中的实际应用。 1 5 2 2 径向基函数网络 近年来发展起来的径向基函数( r a d i a lb a s i sf u n c t i o n ，i 氇f ) 神经网络由于具有 可逼近任意非线性映射的能力m 喵1 ，且算法简单、实用，在电力系统负荷预测中取得 了较好的效果口7 圳1 。文献 3 7 采用快速混合算法解决了r b f 网络的学习问题，样本选 择时综合考虑了日期类型、温度、天气等因素的影响。文献 3 8 提出了应用g n b f g s 法进行r b f 网络学习的算法。该方法结合g n 法与b f g s 法的特点，在学习过程中 可以自适应调整隐层神经元数目，有效的提高了r b f 网络的学习和推广能力。 在r b f 网络中，隐层r b f 中心的数量和位置直接影响着网络的逼近能力h 羽，要 求r b f 中一“龇f i r , 够覆盖整个输入空间。但是，如果r b f 中心的数量过多，将使网络的 计算量显著增加，导致网络泛化能力的降低。因此，建立r b f 网络模型的关键在于 选择合适的r b f 中心。目前，选择r b f 中心的方法主要有聚类算法m 4 7 1 和正交最小 二乘算法n 铲别，聚类算法如k - m e a n s 算法对初值敏感，而正交最小二乘算法当输入数 据量较大时，容易出现病态矩阵。 1 5 2 3 神经网络和小波分析的结合 小波分析是一种时域一频域分析方法，在时域和频域上同时具有良好的局部化性 第7 页 ：海交通人学博 ：学位论文 质。小波分析的目标是将一个信号的信息转化成小波系数，从而能够方便的处理、存 储、传递、分析或用于重建原始信号。对于短期负荷预测，小波变换可以将负荷序列 分别投影到不同的尺度上，对不同的子负荷序列采用相应的模型进行预测。最后通过 序列重构，得到完整的负荷预测结果曙2 粕1 。 文献 5 2 使用小波分析对基于不同频段的负荷进行分类，对分类后的不同频段的 负荷使用神经网络进行训练预测。文献 5 3 提出一种小波一神经网络一p a r i m a 模型用 于短期负荷预测，该模型利用小波变换提取和分离负荷的各种隐周期和非线性，把小 波分解的特性和分解数据随尺度倍增而倍减的规律用于感知机神经网络和周期自回 归移动模型的建模和预报，最后利用径向基函数网络把各尺度的预报结果组合成为负 荷最终预报，实例说明了该方法的可行性。文献 5 6 使用小波包对负荷进行分解，对 分解后的子负荷使用神经网络进行预测，通过小波重构得到完整的负荷预测结果。 1 5 2 4 神经网络和模糊集理论的结合 z a d e h 于1 9 6 5 年在模糊集中提出了模糊性问题，给出了定量描述方法，自 此模糊集理论作为- i - j 崭新的学科显示出强大的生命力。由于神经网络和模糊系统之 间存在着很强的互补性：神经网络不能利用模糊信息，训练后的神经网络是不透明的 “黑箱”，神经网络高度分布化的知识表示，使得神经网络的信息处理过程难以理解； 模糊系统是“透明的，但存在着较弱的学习能力。于是两者优势互补、相互结合的 研究方法成了二十世纪九十年代中期进行短期负荷预测研究的热点畸7 刊1 。 文献 5 7 提出了一种将多层前向神经网络和模糊聚类法相结合的短期负荷预测 方法。该方法把历史数据用模糊集理论分为4 8 个不同的类别，每一类别的负荷用来 训练一个对应的神经网络。神经网络的隐层数目能根据不同的天气类别而改变，增加 了预测系统对于各种天气状况的适应性。文献 5 8 提出了自适应模糊神经网络方法。 该自适应模糊神经网络推理系统类似于神经网络的结构，在功能上等价于高木一关野 的模糊推理系统，其优点在于可以采用混合算法，实例表明该方法具有运行可靠、鲁 棒性强和计算速度快的优点。文献 6 3 使用神经网络进行负荷预测，模糊方法对预测 数据进行修正得到预测结果，以提高模型的预测性能。文献 6 4 把模糊神经网络和遗 传算法相结合，通过遗传算法求取模糊神经网络的参数，改善了网络的性能。 1 5 3 支持向量机法 第8 页 上海交通人学博1 ：学位论文 贝尔实验室的v a p n i k 等提出了一种被称为支持向量机( s u p p o r tv e c t o r m a c h i n e s ，s v m ) 的机器学习算法副，与传统的神经网络学习方法不同，该方法实现了 结构风险最小化原理，同时最小化经验风险与v c 维的界，这就取得了较小的实际风 险，即对未来样本有较好的泛化性能。s v m 的另一个优点是它的训练等价于求解一个 线性约束的二次规划问题，存在唯一解，解中只有一部分不为零，对应的样本就是支 持向量。支持向量实际上是训练集的子集，对支持向量的最低分类等价于对训练集的 分类。s v m 最初用来解决模式识别问题，目的是发现泛化性能好的决策规则。后来， 随着v a p n i k 的占不敏感损失函数的引入，s v m 扩展为解决非线性回归估计问题，在短 期负荷预测中的应用得到了广泛关注。 文献 6 6 把s v m 方法用于短期负荷预测，与神经网络方法相比，减少了计算时间， 提高了预测精度。但是，s v m 在具体应用中存在一个突出问题，即如何设置影响算法 性能的一些关键参数，如权重参数c 、不敏感损失参数占和核函数中的形状参数等， 才能获得较好的预测效果。文献 6 9 提出使用梯度下降法选择s v m 的参数，但该方法 受核函数必须可导的限制，且在搜索过程中容易陷入局部极小。文献 7 0 把粗糙集理 论和s v m 方法相结合，先用粗糙集理论对数据进行预处理，再用s v m 方法进行负荷预 测，以克服s v m 数据量大，处理速度慢的缺点。 1 5 4 混沌理论法 由于电力负荷曲线表现出随机的复杂动力学行为，使得电力负荷呈现时变性、随 机性、分散性、多样性和非连续性的特点，具有一定的混沌特性，因此将混沌理论引 入到非线性时间序列分析中，对于研究复杂的电力系统负荷运行规律是_ 种有效的工 具。 非线性系统理论与方法应用于日负荷预测是近年来学术界讨论和研究的一个热 点，基于混沌理论的非线性时间序列预测模型在日负荷预测中的应用引起了人们的广 泛兴趣。文献 7 1 7 2 借助于嵌入相空间建立预测模型，确定嵌入相空间维数，通过 计算l y a p u n o v 指数预测负荷。文献 7 3 利用混沌理论对负荷数据进行了相空间重构， 绘出了二维相空间图，同时对负荷的相关维数及负荷时间序列的最大l y a p u n o v 指数 进予亍了计算。发现电力系统负荷具有混沌特性，其外在表现为随机的无规律特性，内 部系统的时问序列具有分数维及最大l y a p u n o v 指数大于零，该文献最后运用嵌入相 第9 页 上海交通大学博十学位论文 空间的局域线性法对某地区的负荷作了预测。由于嵌入相空间理论在进行短期负荷预 测时存在很多不足之处，这方面的工作有待于进一步研究。 1 5 5 分形理论法 在电力市场中，负荷的变化在一定标度下是近似不变的，这种标度即自相似集合， 放大其任何部分，进行分形模拟，其不规则程度都是一样的。分形的核心是标度不变 性，即自相似性，因而分形理论应用于电力负荷预测存在可能性口“7 5 1 。 基于分形理论的负荷预测方法基本思路是：将电力负荷历史数据划分为若干样 本，根据分形拼贴定理，由b a r b s l e y 引进的分形插值方法，对规格化后的每一个样本 求取一个吸引子与样本数据相近的迭代函数系统( i f s ) 。对所有样本求得的迭代函数 系统进行相应的参数求均，可得一具有统计学特征的i f s ，即分形预测模型。 应用分形理论进行负荷预测，具有速度快、精度高、无收敛性问题，且数据收集 简便。然而，该方法完全以历史资料为基础，对于影响电力负荷变化的各种因素仅赋 予不同的权重系数加以处理，趋势的预测难免会存在一些人为因素造成的缺陷。考虑 到电力系统是一个多因素共同作用的系统，如何确定各影响因素与权重系数在数学上 的非经验量化关系是该方法进一步实用化的关键，需作系统的深入研究。 1 5 6 组合预测法 组合预测法是在多个模型对同一问题进行负荷预测的基础上，按一定的优化准则 将各模型有机结合，以提高模型的拟合能力和预测精度。从本质上讲，组合预测法的 预测过程是一个信息的综合过程：各种单一预测模型的预测结果提供了关于预测负荷 的信息，综合模型再基于这些已知信息得到一个合理的最终预测结果。该方法建立在 最大信息利用的基础上，集结了多种单一模型所包含的信息进行最优组合，各种综合 模型间的差异主要在于权重系数确定方式的不同口嗍1 。就预测机理而言，组合预测法 的权重确定是一个未能很好解决的问题。 目前，组合预测法主要有两大类： ( 1 ) 通过对历史数据的拟合来确定综合模型的权重，目标是经过加权后的虚拟 预测序列与历史负荷序列之间的拟合残差和最小。其中，文献 7 6 采用了单调迭代算 法对权重进行求解；文献 7 7 把多种算法的预测结果和综合模型的预测结果看成是一 第l o 页 。一 j ：海交通人学博上学位论文 种非线性映射，采用三层回馈神经网络实现组合预测；文献 7 8 采用了正负偏差相互 抵消的策略，形成较优预测模型；文献 7 9 采用进化规划方法求解综合模型的权重。 尽管形式和求解手段不仅相同，但都是建立在如下假设之上，即：如果预测模型对历 史数据拟合的好，则其预测的精度必然高。但是当负荷变化的随机性较大时，由于存 在过拟合问题，对历史数据拟合精度最高的权重组合，其预测结果的精度未必理想。 这是最常用的一类组合预测模型。 ( 2 ) 通过评价个算法的预测效果来确定权重。该类模型不以历史数据拟合为优 化目标，它考虑了负荷的随机性特点。文献 8 0 采用模糊评价集比较各算法的优劣关 系得到权重；文献 8 1 提出用贝叶斯方法计算各算法在综合模型中的权重；文献 8 2 提出一种基于预测决策思想的综合模型，以两两预测方法对历史负荷的虚拟预测效果 的对比，从几率的角度出发得到每种方法在综合模型中的权重。该类模型在负荷随机 性较大的情况下有较好的预测效果，但同时也存在一些局限性，如：文献 8 1 人为的 假定了各算法预测误差的分布服从高斯分布，而且其最终结果对贝叶斯方法中给定的 权重先验概率比较敏感。文献 8 0 ，8 2 的模型中权重的大小仅体现了算法的优劣程度， 用来组合算法，缺乏量化依据。 1 6 城市年用电量预测 城市年用电量预测对于电力系统的计划、控制和运行都是非常重要的，提高其精 度既能增强电力系统运行的安全性，又能改善电力系统运行的经济性。 时间序列分析法是根据负荷及其相关因素的历史数据记录建立的主观数学模型， 然后应用模型预测，对实际预测值进行修正，由于电力负荷系统是多维的非线性混沌 系统，所以时间序列法的收敛性和适用性存在局限口钔。 灰色方法由于具有原理简单、少数据量建模和运算方便等优点，在城市年用电量 预测中得到了广泛应用。但是由于影响城市年用电量的不确定因素很多，。对于预测方 法的适应性要求很高，而灰色方法只能描述单调的变化过程，适用于具有较强指数规 律的数据。针对灰色方法的缺陷，很多学者进行了研究，产生了多种改进的灰色预测 模型晦3 嘶1 。 文献 8 3 ，8 4 把灰色g m ( 1 ，1 ) 模型的预测值与实际值比较得到残差，建立灰色残 第1 l 页 上海交通大学博士学位论文 差修正模型，提高了预测精度。文献 8 5 先对原始数据进行光滑处理，然后在g m ( 1 ，1 ) 模型的基础上，建立局部残差修正和等维新息模型，使模型较好的反映最新数据的影 响。文献 8 6 提出了一种基于灰色方法和神经网络相结合的预测方法，即把灰色模 型与神经网络按串联方式连接，算例计算表明了该方法是可行和有效的。然而，由于 灰色模型和神经网络是相互分离的，该方法并没有充分利用二者的优点。 1 7 本文的主要工作 从综述可以看出，对于电力系统负荷预测，由于负荷变化存在着较强的随机性和 复杂性，各种方法均有一定的使用场合，所以仍需不断的改进和完善。本文将围绕如 何提高短期负荷预测的准确性和改善城市年用电量预测方法的适应性进行研究，采用 软计算方法中的神经网络和免疫算法为实现工具，主要工作内容如下： 第一章在全面系统的总结现有成果的基础上，分析了已有的短期负荷预测和城市 年用电量预测算法的优缺点； 第二章介绍了神经网络的基本原理，指出了神经网络在应用中存在的问题。论述 了免疫算法的机理和研究现状，给出了免疫算法的一般步骤。 第三章针对k 均值聚类算法存在的问题，根据共生进化和免疫规划原理，提出了 共生进化免疫规划聚类算法，可以自动确定r b f 网络隐层中心的数量和位置，并采用 递推最小二乘法确定网络输出层的权值，形成了一种免疫聚类径向基函数神经网络模 型来预测电力系统短期负荷。对华东某市进行的电力系统短期负荷预测表明，与传统 的径向基函数神经网络预测方法相比，免疫聚类径向基函数神经网络方法具有更高的 预测精度； 第四章提出了一种协同进化免疫网络模型来预测电力系统短期负荷。在神经网络 的设计中