（电气工程专业论文）基于数据挖掘的电力短期负荷预测模型及方法的研究.pdf

中文摘要摘要电力系统短期负荷预测是电力系统调度运营部门的一项重要的日常工作，预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量，其特点是：要预测的数据个数多、采集到的样本数据含一定的噪声、受诸多气象因素的影响并具有随机性等等。本文综合运用多种数据挖掘技术，主要以预测工作的各个环节为线索，对历史负荷数据的预处理、负荷时间序列的特性、气象因素的处理、预测模型输入参数的确定及模型的建立各方面都作了深入的研究，为高精度的短期负荷预测软件系统的集成开发奠定了基础。为准确、快速、动态地清洗负荷历史数据，基于数据挖掘中聚类和分类的思想，提出了脏数据的智能动态清洗模型，根据模糊软聚类思想对k o h o n e n 神经网络进行了改进，使得改进后的k o h o n e n 神经网络能实现模糊c 均值软聚类的并行计算，并提出了相应的动态算法，能根据样本集的更新而自动确定新的聚类中心( 即日负荷特征曲线) ，与r b f 径向基网络一起构成了脏数据的智能清洗模型，模型具有快速性和动态性的特点，为精确的预测提供了数据上的保证。针对短期负荷预测数据个数多的特点，采用主元分析法对负荷历史数据进行处理，以使得信息得到有效的集中，为克服常规主元分析法在标准化数据时易丢失信息的缺点，提出了改进方法，不仅大大减少了建模工作量，并且保证了信息的完整性，只需对少数几个重要分量建立神经网络等复杂模型重点预测，而对其它分量只简单计算即可，建模效率和预测精度能得以大大提高。为了探求负荷数据的性质，通过对负荷时间序列的李雅普洛夫指数计算，说明了负荷时间序列具有混沌特性，并计算出了可预测时间的理论值，为预测工作提供了理论依据。首次提出引入生物气象学中综合反映气温、湿度及风力对人体作用的几个气象因子( 实感温度、寒湿指数、温湿指数及舒适度指数) 来评价气象因素对短期负荷的影响，通过与温度单一因子的对比揭示了引入综合气象因子的合理性和优越性。输入参数的选择一直是神经网络建模的难点问题，对模型的预测精度有很大的影响，通过引入数据挖掘中粗糙集约简算法来解决这一难题，弥补了神经网络不能确定重要的属性组合及结构构造等不足，由于常规粗糙集算法区分函数约简算法是n p 复杂问题，本文提出了基于属性优先级启发函数的约简算法r a p h f ，算法方便灵活且高效。针对电力短期负荷预测是一个动态的过程，样本数据总是不断更新的特点，提出了具有增量处理功能的r a p h f - - i 算法，保证了模型输入参数的合理性及正确性。重庆大学博士学位论文最后，采用前向神经网络( a n n ) 对工作日( 包括周末) 负荷进行预测：为了克服标准b p 算法收敛速度慢的缺陷，提出了基于3 个可调参数激励函数的学习算法b p a a ；为了克服常规b p 神经网络容易陷入局部极小的缺陷，提出了嵌入l o g i s t i c 混沌映射的两重搜索算法b p - a a e c 。通过测试，证明构造的学习算法不但使网络收敛速度及非线性逼近能力大大提高，而且有效地解决了易陷入局部最小的问题，同时避免了l o g i s t i c 混沌搜索时间长的缺点。针对元旦、春节、五一和国庆等节假日负荷预测时间跨度长、可参考的历史数据量少、受气象因素影响更为突出的特点，提出了灰色g m ( 1 ，1 ) 模型与模糊逻辑系统相结合的方法对重大节假日的电力负荷进行预测。为了克服传统灰色算法对非指数序列进行预测时偏差较大的缺陷，对偏差产生的机理进行了深入的分析，首先采用g m ( 1 ，1 ) 的背景值改进算法进行初步预测，然后用模糊系统考虑气温对节假日负荷的影响，对灰色预测结果进行修正，进一步提高了预测的准确性。关键词：短期负荷预测，数据挖掘，综合气象指标，粗糙集，神经网络，灰色模型h苤茎塑茎a b s t r a c tp o w e rs 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 sa ni m p o r t a n ta n di n t e g r a lc o m p o n e n t证t l l eo p e r a t i o no f a n ye l e c t r i cu t i l i t yw h o s ea c c u r a c yd i r e c t l yi n f l u e n c ep o w e rs y s t e m ss e c u r i t y , p r o f i ta n dq u a l i t y s t l fi sc h a r a c t e r i z e db ym a s s i v ed a t af o rf o r e c a s t i n g ，n o i s y - c o n t a i n e ds a m p l ed a t a , i n f l u e n c e db yw e a t h e rc o n d i t i o n ，a n dr a n d o m i c i t y b a s e do nv a r i o u sd a t am i n i n gt e c h n o l o g i e s ，t h ea u t h o ra i m sa te a c hs t a g eo fs t l fa n dh a sd o n ed e e pr e s e a r c ho nt h ep r e - p r o c e s so fh i s t o r i c a ll o a dd a t a , c h a r a c t e r i s t i co fl o a ds e q u e n c e ，p r o c e s so f w e a t h e rc o n d i t i o n , e s t a b l i s h m e n to f f o r e c a s t i n gm o d e la n di t si n p u tp a r a m e t e r sm i n i n g a l lt h e s ew o r kh a sl a i das o l i df o u n d a t i o nf o rh i - a c c u r a c ys t l fs o r w a r ed e v e l o p m e n t i no r d e rt op u r g et h eh i s t o r i c a ll o a dd a t a , t h i sp a p e rb r i n g sf o r w a r da l li n t e l l i g e n ta n dd y n a m i cp u r g i n gm o d e lf o rd i r t yd a t ab a s e do nc l u s t e r i n ga n ds o r t i n gt h i n k i n gi nd a t am i n i n g ，a n di m p r o v e st h ek o h o n e nn e u r a ln e t w o r kb yu s i n gf u z z ys o f tc l u s t e r i n gt h i n k i n gw h i c he n a b l e sp a r a l l e lc a l c u l a t i o no ff u z z yc - m e a n sc l u s t e r i n g an e wd y n a m i ca l g o r i t h mf o rc a l c u l a t i o ni sp u tf o r w a r dw h i c hc a na u t o m a t i c a l l yf i xn e wc l u s t e r i n gc e n t e ra c c o r d i n gt ot h eu p d a t eo fs a m p l es e t s t h ei m p r o v e dk o h o n e nn e u r a ln e t w o r k ，a l o n gw i t hr b fn e u r a ln e t w o r km a k eu pt h i sf a s ta n dd y n a m i cp u r g i n gm o d e lw h i c hm a k e ss u r et h ea c c u r a c yf o rf u t u r ep r e d i c t i o n t h ep r i n c i p a l - e l e m e n ta n a l y s i sm e t h o di su s e dt op r o c e s st h eh i s t o r i c a ll o a dd a t aw h i c he f f e c t i v e l ym a k e si n f o r m a t i o nm o r ec e n t r a l i z e dd u et os om u c hd a i l y - l o a dd a t a i ti sa l s oi m p r o v e ds ot h a tt h ei n f o r m a t i o nc a nr e m a i ni nt h ep r o c e s so fd a t as t a n d a r d i z a t i o n f o r e c a s t i n gm o d e lb a s e do nt h i sf o u n d a t i o n , w h i c ho n l yn e e d sf e wk e yc o m p o n e n t sf o rt h ec o m p l i c a t e dn e u r a ln e t w o r km o d e l i n ga n ds i m p l ec a l c u l a t i o nf o rt h er e s tc o m p o n e n t s ，h a sa p p a r e n tm a i np a r ta n dc a ng r e a t l yi m p r o v eb o t hm o d e l i n ge f f i c i e n c ya n df o r e c a s t i n ga c c u r a c y i no r d e rt os e e kp r o p e r t i e so fl o a dd a t a , l y a p u n o ve x p o n e n t so fl o a ds e q u e n c ea n dt h e o r e t i cv a l u ew h i c hc a np r e d i c tt i m ea r ec o m p u t e dw h i c hp r o v i d et h e o r e t i cs u p p o r tf o rf o r e c a s t i n gt a s k t h el y a p u n o ve x p o n e n t si n d i c a t el o a dt i m es e q u e n c eh a sc h a o sc h a r a c t e r i s t i c m e a n w h i l e ，s e v e r a lw e a t h e rf a c t o r s ( e f f e c t i v et e m p e r a t u r e ，t e m p e r a t u r eh u m i d i t yi n d e x ，c h i l l n e s sh u m i d i t yi n d e x ，c o m f o r ti n d e x ) ，w h i c hr e f l e c tt h ee f f o r to ft e m p e r a t u r e ，h u m i d i t ya n dw i n dp o w e ro nh u m a n ，a r ei n t r o d u c e dt oe v a l u a t et h ec h a n g eo fs t l fu n d e rw e a t h e rc o n d i t i o n b yc o m p a r i n g 、i t hs o l et e m p e r a t u r ef a c t o r , i th i重庆大学博士学位论文d e m o n s t r a t e st h er a t i o n a l i t yo f w e a t h e rf a c t o r s i n t r o d u e t i o n r o u g hs e tr e d u c t i o na l g o r i t h mi nd a t am i n i n gi su s e dt os o l v ei n p u tp a r a m e t e rc h o o s i n gw h i c hc 趾e n a b l et h ec o n f i r m a t i o no fk e yp r o p e r t yc o m b i n a t i o na n ds t r u c t u r ec o n s t r u c t i o n i n p u tp a r a m e t e rc h o o s i n gi sab i gp r o b l e mi nn e u r a ln e t w o r km o d e l i n gw h i c hi m p o s e sg r e a ti n f l u e n c eo nt h ea c c u r a c yo ff o r e c a s t i n g i no r d e rt or e d u c et h ec o m p l i c a t i o no fr o u g hs e tr e d u c t i o na l g o r i t h mb a s e do nn o r m a lr o u g hs e td i v i s i o nf u n c t i o n ，r a p h f ar e d u c t i o na l g o r i t h mb a s e do np r o p e r t y - f i r s ti l l u m i n a t i n gf u n c t i o ni sp u tf o r w a r d o nt h eb a s eo fr a p h f , an e wa l g o r i t h mw i t hi n c r e m e n t a lp r o c e s s i n gf u n c t i o nn a m e dr a p h f ii sp r o p o s e dw h i c he n s u r e st h cr a t i o n a l i t ya n da c c u r a c yo fi n p u tp a r a m e t e r sb e c a u s ep o w e rs t l fi sc o n s i d e r e da sad y n a m i cc o u r s ew i t hs a m p l ed a t au p d a t e dc e a s e l e s s l y w o r k a d a yl o a d ( w e e k e n di n c l u d e da l s o ) f o r e c a s t i n gi sf i n i s h e db yf o r w a r dn e u r a ln e t w o r k b p - a a ，al e a r n i n ga l g o r i t h mb a s e do np a r a m e t e r - c h a n g e a b l ea c t i v a t i o nf u n c t i o n , i sa d v a n c e dt os o l v en o r m a lb p sl o wc o n v e r g e n c es p e e d ，a n db p a a e c ad o u b l es e a r c h i n gm e t h o do f l o g i s t i cc h a o sm a p p i n gi si n t r o d u c e dt oo v e r c o m et h eb p sp a r t i a lm i n i m u mf a u l t a c c o r d i n gt ot h et e s t , a l g o d t h mc o n s t r u c ti nt h i sp a p e rc a ng r e a t l yi m p r o v ec o n v e r g e n c es p e e d , e f f e c t i v e l ys o l v et h ep a r t i a lm i n i l n u l np r o b l e m ，a n da v o i dt h el o n gs e a r c h i n gt i m eo fl o g i s t i cc h a o s p o w e rl o a df o r e c a s t i n gi ni m p o r t a n tf e s t i v a l sl i k en e wy e a r , s p r m gf e s t i v a l ，m a yd a ya n dt h en a t i o n a ld a yw h i c hh a v eal o n gf o r e c a s t i n gp e r i o d ，l a c ko fr e f e r e n c eh i s t o r i c a ld a t aa n da r ep r o n et ob ei n f l u e n c e db yw e a t h e rc o n d i t i o ni sc a r r i e do u tb yu s i n gg m ( i ，1 ) c o m b i n i n g 、i t hf u z z yl o g i cs y s t e m i no r d e rt oo v e r c o m et h el a r g ew a r pp r e d i c t e db yu s i n gn o r m a lg r a ya l g o r i t h mf o rn o n - e x p o n e n t i a ls e q u e n c e ，a ni m p r o v e dg m ( 1 ，1 ) i sb r o u g h tf o r w a r do nt h ed e e p l ya n a l y s i so fw a r p b yu s i n gf i l z z yl o g i cs y s t e m , t e m p e r a t u r ei sb e l i e v e dt ob eaf a c t o re f f e c t i n gf e s t i v a ll o a d a l o n gw i t ha m e n d e dg r a yf o r e c a s t i n gr e s u l t s ，a c c u r a c yh a sb e e nh e i g h t e n e df 1 1 r t h e r k e y w o r d s ：s t l f , d a mm i n i n g ，c o m p o s i t i v ew e a t h e ri n d e x ，r o u g hs e t , n e u r a ln e t w o r k ，g r a ym o d e l1 绪论l 绪论1 1 短期负荷预测的重要意义随着电力工业体制改革的深化和国民经济的发展，人们对电能质量的要求越来越高，电力负荷预测是保证电能质量的一个基本工具，特别是对未来一天或几天的短期负荷预测显得尤其重要。随着电力市场化改革的深入，各电力公司作为电力市场的主体，一切经济活动都以经济效益为中心，都要立足于电力市场，深入研究电力市场的供需形势及其发展是公司经营活动的基础，而电力负荷预测工作是准确把握市场脉搏、分析未来电力需求走势的必要工具。在电力市场条件下，只有在进行实时负荷预测后才能安排负荷平衡、备用发电容量的调度和发电机组的上网顺序，准确的需电量和电力负荷预测是实行电力市场的基本条件和首要任务，它所提供的未来的负荷数据，对电力系统的控制及运行都非常重要。短期负荷预测的重要意义可以归纳如下：1 短期负荷预测是电力系统优化调度( 如机组最优组合、经济调度、最优潮流计算等) 的基础工具，是电力企业日常经营管理工作的重要组成部分，准确的短期负荷预测是电网调度机构制定发供电计划和做好电网供需平衡的关键，它有助于系统运行人员高效地预估电能的生产、输送、分配以及消费情况，制定出经济、合理的发电方案。对一个大电网，根据短期负荷预测提供的信息，即可以实现发电容量的合理调度，对运行中的发电厂的出力要求提出预告，从而可以对发电机组出力变化的情况事先得以估计，又可以经济合理地安排本网内各发电机组的启停机，从而可以使系统在安全范围内，保持必要的旋转储备容量的耗费为最小，使发电成本为最小，确保电网安全、稳定、优质、经济的运行。2 随着我国电力市场的进一步发展，短期负荷预测在电力系统的经济运行方面的影响会愈来愈明显，对于发电公司，短期负荷预测是制定发电计划和报价的依据；对于供电公司，短期负荷预测为供电方制定购电计划提供了依据；对于输电公司，短期负荷预测也是制定发电计划及安全、可靠、经济运行的基础。3 电价是电力市场的杠杆和核心内容【1 】，体现了电力市场的竞争性和开放性，而电价的制定是在未来给定电价计算期的负荷预测的基础上完成的。因此，发电企业要保证其电价的竞争能力并且盈利，就必须获得精确的短期负荷预测值，才能定出既有竞争力又保证盈利的电价。4 提供转运业务是电力市场中电网的一项基本功能，是电力市场平等竞争的必要条件可以给电网带来巨大的效益。而电网在执行转运业务时是根据短期负重庆大学博士学位论文荷预测的数据及各发电机的运行参数来制定发电计划和调度计划，所以准确的短期负荷预测才能有效地促进供、运、用电三方的协调。5 在初级发电市场，所有电量统一进行竞价，只在电费结算时考虑合同电量，按照差价合约结算。由于电费结算按时段进行，需将合同电量按负荷预测曲线分配至各时段，所以不准确的短期负荷预测将导致违约，甚至引起电量分配的不合理，造成电量不足等问题。6 系统充裕性评估( p r o j e c t e da s s e s s m e n t o f s y s t e m a d e q u a c y ) 由电力调度中心负责，主要内容是分析预测中短期系统供需平衡和系统安全情况，目的是让市场成员正确了解信息。p a s a 2 是发电市场得以顺利进行的基础。这也体现了准确的短期负荷预测对系统及发电市场的重要影响和作用。综上所述如何提高预测精度是目前研究短期负荷预测理论与方法的中心和重点，准确的短期负荷预测己成为实现电力系统管理现代化的重要内容之一。1 2 短期负荷预测研究现状及发展趋势根据提前时间的长短，电力负荷预测可分为以下几类：超短期负荷预测，指未来1 小时内的负荷预测；短期负荷预测，指对未来i 天到几天的负荷预测：中期负荷预测，指提前几周到几个月甚至几年的预测；长期负荷预测，指提前5 年以上的预测。本文着重讨论短期负荷预测。1 2 1 影响因素短期负荷预测需要考虑的影响因素主要有：工作日类型。双休日的负荷水平低于工作日，它们的负荷模式有一定差别。天气状况。对短期负荷影响较大的天气状况主要有温度、降水量、风力、湿度等等。节假日。在我国，春节、五一、国庆、元旦等较大的节日和长假，它们的负荷模式完全不同于正常情况。重大社会活动和突发事件。在电力市场环境下，除了以上传统的因素外，负荷水平还要受到电价水平的影响。1 2 2 常用的负荷预测方法随着现代科学技术的快速发展，负荷预测技术的研究也在不断深化，各种各样的负荷预测方法不断涌现，从经典的回归法、时间序列法，到目前的灰色预测法、专家系统法、模糊数学法、神经网络法、优选组合法和小波分析法，它们都有各自的研究特点和使用条件。1 绪论l 、传统的预测方法( 1 ) 回归模型预测技术回归分析法所采用的模型如下：y ( f ) = 6 。+ 6 。五( f ) + + 屯工。e ) + 占o )( 1 1 )式中y 是t 时刻对应的预测负荷值，是非随机因变量；x 一是自变量，是影响系统负荷的各种因素，如社会经济、人口、气候等，自变量是随机变量；6 盯= d ，j ，2 ”) 为回归方程的回归系数；口o ) 是随机干扰，服从正态分布( o ，盯2 ) 。回归模型适用于电力系统的中、长期负荷预测。研究表明，该方法存在着较大的局限性，主要表现在：对于负荷预测的输入与输出间的非线性关系，运用以上方法很难找到理想的数学模型来描述，无法详细地考虑气象等影响因素；预测模型缺乏自学习能力及预测准确度不高等缺点。随着负荷结构的变化，输入变量与输出变量之间的关系如不修正，就难以得出较准确的预测结果；回归变量应选取主要因素而忽略次要因素，但对主要因素较难确定；一些变量因素的量化涉及到计量经济学的范畴，过于麻烦；对历史数据准确性要求高。( 2 ) 时间序列法时间序列法是应用较早、最为广泛、发展比较成熟的一种方法。它把负荷数据看作是一个按季节、按周、按天以及按小时周期性交化的时间序列，根据负荷的历史资料，设法建立一个数学模型来描述电力负荷这个随机变量变化过程的统计规律性，在数学模型的基础上确立负荷预测的数学表达式，对未来的负荷进行预报。其基本模型为：y ( o = b 1 + 玛( 1 2 )式中y 是r 时刻系统的总负荷；b 是r 时刻系统基本正常负荷分量；历是r 时刻系统随机负荷分量。在时间序列法中常采用的技术有：卡尔曼滤波、状态估计、b o x - j e n k i n s 模型、自回归动平均模型等。其中，处理随机时间序列问题的最有效的方法是b o x j e n k i n s的时间序列法，其基本的时间序列模型主要有四种：自回归模型：描述为现在值可以由其本身的过去值的有限项的加权和及一个干扰量( 假定为白噪声) 来表示；动平均模型( m a ) ：描述为现在值可由其现在与过去的干扰量的有限项的加权和来表示；自回归动平均模型( a r m a ) ，即现在值可看作是其过去值的有限项的加权和及其现在与过去干扰量的有限项加权和的叠加；重庆大学博士学位论文累积式自回归动平均模型( a r i m a ) ，适用于含有趋势项的非平稳随机过程。时间序列法的局限性表现在：历史数据准确性要求高，脏数据对预测影响很大，对脏数据处理要求严格；时间序列法预测步数越长，预测精度越差：对天气因素不敏感，难以解决因气象因素造成的短期负荷预测不准确问题：由此可见这种方法对短期负荷预测的准确性不高。2 、目前常用方法( 1 ) 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k , a n n ) 技术运用神经网络技术进行电力负荷预测，是一种新的研究方法，由于它可以模仿人脑的智能化处理，对大量非结构性、非精确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的特点，特别是其自学习和自适应功能较好的解决了天气和温度等因素与负荷的对应关系，所以，人工神经网络得到了许多中外学者的赞誉，预测是人工神经网络的最有潜力的应用领域之一1 3 1 。1 9 9 1年p a r k d c 等人第一次将a n n 应用于电力系统负荷预测【4 】，并取得了令人满意的结果。隐含层信号流图1 1 b p 网络结构f i g 1 1b p n e t w o r ks l x u c t u r c现在研究最多的是应用误差反向传播算法( e r r o rb a c k - p r o p a g a t i o n ，又称为b p ) 进行短期负荷预测，常用的是简单的三层a n n 模型，其主要思路为：将历史数据及对电力负荷影响最大的几种因素作为输入量输入人工神经网络，经过输入层、隐含层和输出层中各神经元的作用最后生成输出量，再以输出误差为目标函数对网络权值进行不断的修正直至误差达到要求，经训练后的网络就可以进行预测工作，只要把待预测日的相应刺激输入神经网络就可以得到相关的输出，即预测结果。由于人工神经网络具有一定的联想和推理功能，所以对于训练过程中没有出现过的情况神经网络同样可以进行预测。1 ) 神经网络具有如下的优越性神经网络可以处理那些难于用解析规则描述的过程或系统，可通过对样本数据的学习，自动实现对系统的描述；神经网络是并行结构，在处理实时性要求高的问题上显出极大的优越性；神经网络是非线性系统，人们己从理论上证明了多层感知器能够任意逼近41 绪论一给定函数、甚至逼近各阶导数的能力；神经网络具有很强的信息综合能力、很好的容错性，它能恰当地协调好互相矛盾的输入信息。2 ) 神经网络的缺点不同的应用模型中，没有现存的理论依据来指导人工神经网络模型输入参数的选取及处理；缺乏一种有效的方法来解决人工神经网络在训练过程中可能产生的学习不足或者是过拟和现象；对于周期性的人工神经网络模型输入参数，没有确定样本量的依据；收敛速度慢且易陷入局部极小，训练过程比较消耗时间；神经网络的结构确定，包括输入变量的恰当选取及隐含层数目的大小等要在实践中进行摸索。( 2 ) 模糊逻辑( f u z z yl o g i c ) 技术【5 1模糊理论适合描述广泛存在的不确定性，同时它具有强大的非线性映射能力，能够在任意精度上一致逼近任何定义在一个致密集上的非线性函数，并能够从大量的数据中提取它们的相似性，这些特点正是进行短期负荷预测所需要的，也是其它方法所欠缺的。目前模糊理论在电力系统负荷预测中已经取得了些较好的成就。1 ) 模糊预测方法是模拟专家的推理和判断方式，它并不需要建立精确的数学模型。有着以下的优点：模糊理论中的“隶属函数”可比较明确的描述专家的意图、处理电力系统中许多不精确的、模糊的现象；对气象的影响和临时发生的重大事件这些难以用数学关系描述的因素，模糊方法可以借用经验丰富的调度员( 专家) 的经验，往往比计算预测准确：由于模糊预测系统的自适应能力，使系统具有较强的自适应性和鲁棒性；2 ) 但随着模糊理论更深入的研究和应用，模糊理论暴露了一些不足：模糊的学习能力比较弱当其映射区域划分不够细时，映射输出比较粗糙；受主观人为因素的影响较大。( 3 ) 小波分析( w w e l e t ) 技术 6 1众所周知，小波分析( w a v e l e ta n a l y s i s ) 是一种时域频域分析方法，既发扬了f o u r i e r 分析的优点，又克服了f o u r i e r 分析的某些缺点，在时域和频域上同时具有良好的局部化性质，并且能根据信号频率高低自动调节采样的疏密，容易捕捉和分析微弱信号，可以聚焦到信号的任意细节，尤其是对奇异信号很敏感，能很好重庆大学博士学位论文的处理微弱或突变的信号。它将一个信号的信息转化成小波系数，可以方便的处理、存储、传递、分析或用于重建原始信号。由于电力系统中日负荷曲线具有特殊的周期性，负荷以天、周、年为周期发生波动，大周期中嵌套小周期，因此小波分析的优点决定了它可以有效地应用于负荷预测问题的研究，但目前国内外有关小波分析在电力系统负荷预测的文献还很少。( 4 ) 灰色预测法灰色系统理论的显著特点就是用少量的数据做微分方程建立起预测的模型。灰色模型法在建模时不需要计算统计特征量，从理论上讲，可以使用于任何非线性变化的负荷指标预测。将一定范围内变化的历史数据列进行累加，使其变成具有指数增长规律的上升形状就对生成的数列建立起g m ( g r e ym o d e l ) 模型，g m ( i ，n )也就是对n 个变量用一阶微分方程建立的灰色模型。数列的生成方式有三种：累加生成、累减生成和级比生成。灰色预测法具有要求负荷数据少、不考虑变化趋势、运算方便、易于检验等特点，因此得到广泛应用，并取得了令人满意的效果。但是它与其他方法比，也存在一定局限性：数据离散程度越大，即数据灰度越大，则预测精度越差；具有实际意义、精度较高的预测值，仅仅是最近的一、两个数据，对于后几天的预测值将会有较大的偏差；其微分方程指数解比较适合于具有指数增长趋势的负荷指标，对于具有其它趋势的指标贝q 有时拟合灰度较大，精确度难以提高。( 5 ) 专家系统法专家系统方法是一种人工智能的计算机程序系统，每个程序具有相当于某个专门领域的专家的知识和经验水平，以及解决专门问题的能力。短期负荷预测时主要依靠对电力负荷与气象参数、季节、星期几、每天具体时间及响应的时间滞后效应的关系的经验认识来进行。因为电力负荷反映政治生活、经济生活和人民日常生活的各方面情况，很多突发事件会引起负荷变化脱离正常模式，专家系统可以较为方便处理这种情况，更适合于中长期负荷的预测。1 ) 专家系统的优点是：避开复杂的数值计算；圄h 一铗l 耀机】j 黧每娴户圈l 一图1 2 专家系统结构图f i g 1 2e x p e r ts y s t e ms l r u c t u r e在出现错误时，可以不断修改知识库而不用修改主程序，使系统易于扩充。1 绪论2 1 其局限性主要表现在：开发的专家系统都有很强的针对性，不能直接应用于其他系统：需要获取高质量的领域知识；专家的知识转化为数学规则是一件非常困难的事情。( 6 ) 组合方法预测技术组合预测有两类概念：一是指将几种预测方法所得的预测结果，选取适当的权重进行加权平均；二是指在几种预测方法中进行比较，选择拟合优度最佳或标准离差最小的预测模型进行预测。组合预测方法是建立在最大信息利用的基础上，它最优组合了多种单模型所包含的信息。无论是经典的负荷预测模型或是智能预测模型，都有其不足和缺点，所以结合各种预测模型优点的组合方法得到了越来越多的关注。首先提出组合预测概念的是b a t e s 和g r a n g e r 。他们采用国际航班乘客数据组合b o x - j e n k i n s 自适应方法与b r o w n 指数平滑方法，得到了较高的预测精度。在他们后来的研究中，b a t e s 和g r a n g e r 采用了最小方差方法( m ，同时也强调了组合权随时间变化的可能性。在此以后，许多学者对此做了更深入的研究和广泛的应用，得出的基本结论是组合预测比单一预测对于环境的变化具有更强的适应能力。3 、基于传统方法的短期负荷预测方法各种趋势外推预测模型例较为简单，主要适用于有明显趋势的中长期负荷预测，由于短期负荷数据包含随机波动的成分，一般预测精度难以保证。线性时间序弼a r i m a 模型是建立在随机过程理论基础之上，有比较完善的建模理论，比较适宜短期负荷预测，文献【7 】对其进行了详细的讨论。文献【8 】对线性回归模型、a r m a 模型、趋势模型、状态空间模型和专家系统预测方法进行了分析和评价。将影响负荷变化的因素作为变量引入预测模型的有文献 9 】，以温度等气象因素作为变量建立了线性回归预测模型；文献 1 0 】针对短期负荷数据包含的随机成分提出了k o j m f l l l 滤波模型；而文献 1 1 1 使用了基于统计理论的预测模型；文献【1 2 】将频谱和累积概念引入到自回归滑动平均模型( a r m a ) 中进行短期负荷预测；文献【1 3 1将线性a r m a 模型与模糊规则相结合；文献 1 4 1 贝 j 提出了基于自回归动平均的模糊预测方法；文献 1 5 】提出了灰色预测和单指数平滑法结合的组合预测法。1 2 3 短期负荷预测的研究现状对于电力系统的短期负荷预测模型的研究，在过去的几十年中得到很大的发展，各种预测方法和模型被引入短期负荷预测中，其总体特点是：智能技术及数据挖掘方法的综合应用；对多种影响负荷变化因素的引入；非线性动力学的应用：多种方法的组合预测。作者根据所查阅文献，对目前短期负荷预测重庆大学博士学位论文的研究现状大致分类介绍如下：1 、基于神经网络( a n n ) 的短期负荷预测方法由于前向神经网络可以用来逼近任意的非线性映射，对大量非结构性、非精确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的特点，所以人工神经网络在短期负荷预测方面得到了较广泛的应用。文献 1 7 】用神经网络进行一小时超短期预测，并使用相似日数据对神经网络的预测值进行修正；文献 1 9 1 将节假日分为5 个类型，使用5 个神经网络和2 个模糊逻辑系统相结合来对节假日负荷进行预测，其中模糊系统预测节假日的最大和最小负荷；文献【2 l 】提出了一种基于相似日的2 4 点负荷神经网络预测方法；文献 2 5 1通过小波变换把负荷序列分解为不同频段的子序列，再对这些子序列分别采用相匹配的人工神经网络模型进行预测，最后综合得到负荷序列的最终预测结果；文献 2 6 利用小波分析对负荷样本做序列分解，对高尺度负荷分量采用常规预测方法，其它负荷分量则采用模糊神经网络预测技术，最后通过序列重构，得到完燕的负荷预测结果；文献【4 7 】使用3 个神经网络进行短期负荷预测，首先用使用自组织特征映射网络对历史数据进行分类，然后对每一类数据建立神经网络并进行训练，最后再用1 个神经网络进行在线预测。对气象因素的考虑方面，文献 1 6 1 使用多个温度预测指标作为神经网络的输入来进行预测；文献 2 2 】提出一种基于b p 子网络和小波网络的短期负荷预测的级联网络模型，采用b p 子网络来映射气象等不确定因素的影响，采用小波网络( 预测网络) 来映射历史负荷值的影响：文献 2 8 】提出了运用基于非梯度的单参数动态搜索( s p d s ) 算法训练网络并根据预测日天气信息进行样本集的动态构造和网络的实时训练；文献【2 9 】【3 0 在建立神经网络预测模型时均将气象等因素作为输入变量；文献【3 l 】将温度作为网络的输入变量并采用非全互连结构神经网络来建立预测模型；文献 3 4 】使用每小时的温度及负荷作为输入，采用2 4 个能简化和自动进行输入输出模式分类以选择输入参数的神经网络对第二天2 4 小时负荷进行预测；文献【3 5 提出了使用多输出神经网络来评估温度的影响，并与以往常用的线性方法作出比较。对于神经网络的输入变量选取方面，文献 3 2 】讨论了人工神经网络输入变量的选取方法；文献 2 7 】首先选用同一时刻并且具有相同影响因素的负荷作为人工神经网络的输入进行纵向负荷预测，利用预测时刻之前的整点时刻负荷预测的误差来建立一个带有自修正功能的灰色模型进行负荷预测的横向误差校正；文献 3 3 1 采用非线性混沌时间序列分析来决定输入变量；文献【4 6 】基于序列的相关系数对模型的输入参数进行选择，用神经网络对峰值负荷进行预测。对于神经网络结构确定及性能改进方面，文献【1 8 】使用改进的遗传算法来确定1 绪论模糊神经网络的结构及参数，以日类型及气象信息作为输入进行短期负荷预测；文献 2 0 】由模糊系统及神经网络组成f h r c n n s 网络进行短期负荷预测，使用进化及t a b u 算法来搜索f h r c n n s 网络的最优参数；文献 2 3 】提出了采用粗糙集理论对各种影响负荷预测的因素变量进行识别并通过属性约简和值约简获得推理规则集，再以这些推理规则构筑神经网络预测模型；文献【2 4 利用剪枝和附加动量法对标准函数连接神经网络( f l n ) 进行改进，并将电力负荷的机理和先验知识有机融入，构成了改进的f l n 预测网络；文献【3 6 】对神经网络结构( 包括隐层数及隐层神经元个数) 对负荷预测的影响作出了讨论，并讨论了学习过程中的过拟和现象；文献 3 7 】使用遗传算法优化网络的结构参数以提高预测精度，使网络能自动适应解除管制条件下的负荷预测；文献【4 3 】提出一种新颖的神经网络模型，隐层神经元之间全连接并且具有两个激励函数，由遗传交叉及变异算子来调谐网络参数。2 、基于模糊逻辑推理的短期负荷预测方法通过定义在模糊集上的模糊规则进行模糊推理，理论上可以逼近任意的非线性映射，模糊预测系统因具有较强的自适应性和鲁棒性而在短期负荷预测中得到了广泛的应用。文献 3 8 1 使用模糊规则集及与每一条规则对应的具有不同伸缩因子的子小波支撑向量基( w s v m ) 进行短期负荷预测，通过隶属函数调整预测精度；文献 3 9 1使用加速进化算法( a e p ) 来优化模糊模型的规则库，然后由模糊模型作出预测，并与神经网络模型的预测效果进行了比较；文献【4 0 】中使用模糊神经网络来进行短期负荷预测，由神经网络完成模糊推理及去模糊化，权值被赋予确定的知识含义；文献 4 1 】使用模糊逻辑与神经网络相结合的方法，由模糊逻辑系统根据气象相似日对神经网络的预测输出结果进行修正；文献 4 2 1 提出了改进遗传算法与神经模糊网络( n f n ) 结合的小时负荷预测方法，根据不同的日类型及温度参数，由改进的遗传算法确定网络的最优参数。自动获取网络的隶属函数及规则数；文献 4 5 1 使用不同的模糊模型对短期负荷进行预测，带模糊因子的谐波模型用于夏季及冬季，仅仅和待预测时间相关，而带模糊因子的混合模型与预测时间及温度均相关，两个模型共同完成负荷的预测工作；文献 4 8 1 讨论了模糊集理论在系统短期负荷预测中的应用；文献 4 9 】基于三角形隶属函数和卡尔曼滤波器设计电力系统的短期负荷预测模型；文献 5 时针对电力负荷的特点，综合考虑天气、日类型、历史负荷等对未来负荷变化的影响，通过模糊聚类选取学习样本，采用反向传播算法对2 4 点每点建立一个预测模型。3 、混沌理论在负荷预测中的应用基于混沌理论的非线性系统与方法应用于短期负荷预测是近年来学术界讨论和研究的一个热