基于小波神经网络的电力负荷预测模型设计毕业论文.doc

基于小波神经网络的电力负荷预测模型设计毕业论文 1绪论1.1 选题的目的和意义电力工业是国民经济的基础产业，在整个国民经济的发展起着举足轻重的作用。多年的实践经验告诉我们，如果电力工业的发展速度能够满足国民经济建设的需要，就会促进经济的高速发展；否则，就会产生严重的供需矛盾，阻碍国民经济的发展。随着现代工业和农业的不断发展及人民生活水平的日益提高，社会对电力的需求量越来越大。为了满足日益增大的电力需求，必须不断扩大电力系统的规模。由于电力工业的发展不仅需要消耗巨大的投资和一次能源，而且对国民经济的其它部门也会产生巨大的影响，合理的进行电力系统规划不仅可以获得巨大的经济效益，也会获得巨大的社会效益。相反，电力系统规划的失误会给国家建设带来不可弥补的损失。因此，对电力系统规划问题进行研究，以求最大限度地提高规划质量，具有重大的现实意义，而实现这一目标的第一步就是要做好负荷预测。负荷预测是电力系统规划建设的依据。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，因此，负荷预测在规划中显得尤其重要。若负荷及电量预测不足，电网的发展便不能适应实际发展的需要，无法满足用户正常用电需求，甚至还可能缺电。另一方面，若负荷及电量预测过高，则又会导致一些过多而不能充分利用的设备，从而引起投资的浪费。总之，负荷预测的精度高低直接关系到各方利益，电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一，尤其在我国电力事业空前发展的今天，用电管理走向市场，电力负荷预测问题的解决已经成为电力行业人员面临的重要而艰巨的任务。电力系统负荷预测是以准确的历史数据和调查资料为依据，从用电量的历史和现状出发，用科学的方法预测未来电力系统负荷的发展趋势和变化规律的科学。根据预测的时间跨度，一般将负荷预测分为长期、中期和短期负荷预测。短期负荷预测主要指预测未来一天或一周内各个整点的负荷曲线，主要用于制定系统的生产计划，安排系统的短期运行方式、进行电力调度以及离线安全分析等。传统的负荷预测都是人工完成的。预测人员通过历史负荷数据，采用一定的预测算法加以计算，得到预测结果后，结合自己的经验加以修正，形成最后发布的预侧数据。在整个过程中，历史数据的选择，预测算法的选用和预测人员的经验，都会对预测结果产生很大的影响，预测的精度难以保证。因此，电力企业迫切需要建立自己电力负荷预测系统.这种系统必须能够结合企业现有的资源，能够克服人工预测的各种弊端，不仅要有较高的预测精度，还要有自动化和智能化的特性。本文研究的基于小波神经网络的电力短期负荷预测系统，就是一个能够满足以上需要的系统。通过应用该系统可以避免过去人工预测的盲目与随意，使电力负荷预测的结果更加准确，为电力调度提供更好的参考依据。它不仅可以尽量降低电力短缺所带来的危害，还能为电力企业带来更大的经济效益。因此，本文的研究具有重要的理论和现实意义。1.2 本课题的研究现状负荷预测的研究已有几十年的历史，国内关于负荷预测的研究已出现了许多种方法，目前，国内发表的电力系统短期负荷预测的文献较多，所采用的预报方法和到达的预报精度也各有不同。综合起来主要可分为以下三类。1）传统统计模型法。这是一种二十世纪九十年代以前常用的方法。主要包括时间序列法和回归分析法。这种方法的优点是计算简单、要求的历史数据少。由于是基于统计模型，不易全面地考虑天气因素、突发事件等对于负荷的影响，因此预测精度低。2）专家系统法。即充分利用有经验的运行人员的知识、经验和推断规则来进行负荷预测，然而，把专家的知识和经验等精确地表达并转化为一系列规则，则往往是很困难的，而且建立专家系统的工作量要比一般预报算法大得多。3）人工神经网络法。人工神经网络具有任意逼近非线性函数的特性，负荷变化是与诸多因素有关的一个非线性函数，用人工神经网络对负荷历史数据进行学习，是抽取和逼近负荷变化曲线并进行负荷预报的有效方法。近十年来，国外报道的相关文献主要是用神经网络方法围绕提高或改善负荷预报的精度来进行负荷预报研究。最具代表性的是美国研制的人工神经网络短期负荷预报器，它包含有两部分预测：一部分预测基本负荷；而另一部分预测负荷变化，这部分考虑了短期内气候条件（温度、湿度）。两部分的自适应组合便是最终的预报结果。该预报器具有较好的自组织自适应特性，已在美国，加拿大的35家电力公司采用。 于是，有学者开始将各种智能化算法，如人工神经网络法、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整仍是一个难题，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。西方发达国家如美国、英国随着电力市场的日益成熟，电力供应商为了获取最大利润，十分重视电力负荷预测工作。为此，科研工作者一直在研究电力负荷预测的新方法以提高预测精度。自从1991年美国学者Park等人提出使用神经网络预测电力负荷以来，人们对此表现出广泛的关注。在此基础上，美国的Khotanzad博士领导的科研小组经过几年的艰苦研究，提出了人工神经网络电力负荷短期预测系统(ANNSTLF)。这个系统己经在实用化方面取得了空前的成功。北美洲有35个大发电系统(公司)，根据天气预报、工业和居民用电统计资料，利用ANNSTLF系统预测发电站必须提供的发电量，大大提高了电站的经济效益和安全运转系数。但该系统有一个弱点，即不能处理不确定性信息，且需要大量的历史数据进行训练和学习。我国的负荷数据近些年才开始系统收集，采用ANNSTLF系统不太适合我国的国情。Hiroyuki教授等人则在电力负荷短期预测中运用了自适应模糊推理，Srinivasan博士采用了模糊神经计算进行需求预测。这些方法主要是针对工业化发达国家实际情况提出的，而我国的国情复杂，地区之间的差距很大，生搬硬套上述方法，很难取得成功。当前国内电力短期负荷预测研究备受瞩目，很多学者提出自己的看法。东南大学的单渊达教授采用径向基函数(RBF)为神经网络预测系统前向网络的学习提供了一种新颖而有效的手段。RBF网络具有良好的推理能力，而且在学习方面比误差反向传播(BP)方法快得多。清华大学张伯明教授采用共辘梯度法训练预测系统的神经网络，在学习算法上有所突破。国内著名人工智能学者蔡自兴教授则结合多层感知神经网络和多分辨率遗传算法来进行电力负荷预。华南理工大学的吴捷教授运用模糊逻辑和时序特性来进行最优模糊逻辑推理汇，该系统的输入量通过对历史数据的自相关分析而建立，再通过最近邻聚类法对历史数据的学习得到若干数据对，进一步由最优模糊逻辑系统建立短期电力负荷的预测模型。国家电力科学研究院的胡兆光老师将AI推理和模糊系统结合起来，建立AI规则库对电力负荷进行预侧，也取得了较好的效果。国外电力负荷预测技术和方法和方法研究正在深入，国内电力工作者也正在探索，主要有以下方法：1） 采用BP算法应用神经网络多层感知器模型，并结合线性外推法优点，应用于华北电网日负荷预报，可使精度提高0.9%，其做法是：利用模型聚类法推出预测日各时段的分布系数；利用人工神经网络预测出最大、最小负荷；用两种方法预测的结果进行综合，得到最后预报值。2）将模糊神经网络理论应用于电力系统短期负荷预测日。选择模糊日温度、模糊日工作状态、模糊日时段等作为输入量，模糊日平均负荷和模糊日周期变动负荷为输出量，通过由相应输入、输出量所构成的历史样本对模糊神经网络进行训练，训练好的网络可对未来负荷进行预测。3）提出了一种模糊短期负荷预测方法。通过对负荷历史数据的离线动态学习，训练出有关参数，经过模糊推理获得提前一天的负荷预测。系统中引入环闭模糊控制方法用以在线消除预测误差，并设计了自适应的输出修正算法以排除可能存在的扰动影响。对于实际负荷进行预测，可以证明该预测方法的有效性。目前，我国实际的电力负荷预测主要还是采用传统统计模型法。当负荷随气候等因素变化平缓，即电力较发达地区，用传统方法计算量小，速度较快，且能取得较好的预测效果；但当负荷随各种因素变化剧烈时，传统方法由于模型的线性特性，不足以真正描述电力系统的不同负荷模式的非线性特性，因此预测的效果便很不理想，尤其是节假日的预测效果令人难以接受。1.3 本文所做的工作本文研究的对象是基于小波神经网络的电力系统短期负荷预测。短期负荷预测的方法有很多种，目前，神经网络预测方法受到国内外广大研究人员的高度重视，被公认为比较有效的方法。本文介绍了常用的负荷预测方法，分析了其模型结构、功能特点、适应范围，指出了传统负荷预测方法存在的问题；同时对各细分市场的负荷特点进行了有针对性的分析，指出了各种影响因素对各类负荷的不同影响，如气候、经济等客观条件。这些都是影响负荷预测准确性的不可预知的因素。文章主要是探讨用小波神经网络法用于负荷预测的效果，在介绍了小波神经网络法后，通过三层结构对已有历史数据训练，并形成模型，在已有模型的基础上，来进行负荷预测。其中引用了大量的负荷历史数据，最后的预测结果显示，现代算法与传统方法相比，其预测结果的精度有了提高。2 电力负荷与预测概述2.1 电力负荷预测的含义电力负荷有两方面的含义：一方面是指电力工业的服务对象，包括使用电力的部门、机关、企事业单位、工厂、农村、车间、学校以及各种各样的用电设备；另一方面是指上述各用电单位、用电部门或用电设备使用电力和电量的具体数量。电力负荷预测中的负荷概念是指国民经济整体或部门或地区对电力和电量消费的历史情况及未来的变化发展趋势。电力系统的作用是为各类用户尽可能地提供可靠而合乎标准要求的电能，随时满足各类用户的要求(即满足负荷要求)。负荷的大小与特征，无论是对于电力系统设计或是对于运行研究而言，都是极为重要的因素。对负荷的变化与特征有一个事先的估计，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成为占有重要地位的研究领域。预测，是一类科学问题的总称，是对尚未发生或目前还不明确的事物进行预先的估计和推测。科学的预测是正确决策的依据和保证。许多行业和领域，都会遇到预测问题，除了人们比较熟悉的宏观经济预测、股票市场预测、天气预测以外，还有人口预测、产品销售量预测、市场需求预测等等。一般认为，预测是在一定理论指导下，以事物发展的历史和现状为出发点，以调查研究所取得的资料和统计数据为依据，在对事物发展过程进行深刻的定性分析和严密的定量计算的基础上，研究并认识事物的发展变化规律，进而对事物发展的未来变化预先做出科学的推测。无论是传统的预测方法还是现代的预测方法，都是在获得预测对象的历史变化规律后，将这种规律延伸以预测未来。理论上讲，负荷预测的数学理论核心是如何获得预测对象的历史变化规律及其与所受某些主要因素影响的关系。预测模型实际上是表述这种变化规律的数学函数。建立良好的数学模型可以减 小预测误差、提高预测精度，是预测人员关注的核心问题。在电力系统发展规划阶段，如果负荷预测结果偏低，将会导致系统的规划装机容量、输电规划等无法满足社会的用电需求，甚至还可能产生缺电；如果负荷预测结果偏高，则会导致一些发电、输电设备投入系统后的运行效率不高，从而引起投的浪费。文献等量化地分析了负荷预测的误差对电力系统运行所造成的影响。这些分析表明，提高负荷预测的精度是电力系统规划和运行的必然要求。众多学者不遗余力地进行负荷预测的研究。其主要的出发点大都是以更为先进的理论为基础来改进预测的准确性。 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作出科学合理的推断。本文基于小波神经网络的电力短期负荷预测就是在大量有关电力短期负荷研究和神经网络理论的指导下，在充分调查研究处理了某市某年某月一个月1500多组数据后，应用了神经网络理论与MATLAB的实现方式，进行了编程仿真，得出了月底某工作日和某休息日两天的各小时点的具体负荷。较高的预测精度充分表明了它的科学合理性。2.2电力负荷预测研究的目的和意义电力用户是电力工业的服务对象，电力负荷的不断增长是电力工业发展的根据。正确地预测电力负荷，既是为了保证无条件供应国民经济各部门及人民生活以充足的电力的需要，也是电力工业自身健康发展的需要。电力负荷预测工作既是电力规划工作的重要组成部分，也是电力规划的基础。全国性的电力负荷预测，为编制全国电力规划提供依据，它规定了全国电力工业的发展水平、发展速度、源动力资源的需求量，电力工业发展的资金需求量，以及电力工业发展对人力资源的需求量。短期负荷预测是负荷预测的重要组成部分，是电力系统运行调度中的重要内容。 为更好地反映气象因素对负荷的影响及提 高负荷预测的精度，本文构建了一种小波神经元网络负荷预测模型，以 Meyer 小波取代 Sigmoid 函数，采用误差反传学习算法来训练网络，对某市某年某月某日进行电力负荷的短期预测，它为这一地区电力规划奠定了一定的基础，同时也为这一地区电力工业布局、能源资源平衡、电力余缺调剂，以及电网资金和人力资源的需求与平衡提供可靠的依据。因此，电力负荷预测是一项十分重要的工作，它对于保证电力工业的健康发展，乃至对于整个国民经济的发展均有着十分重要的意义。2.3电力负荷预测的分类与特点2.3.1电力负荷预测分类从不同的角度，电力负荷预测可以有不同的分类，不同的分类方法用于不同的研究目的。主要的分类方法有：(1) 按照时间长短划分，电力负荷预测通常分成长期、中期、短期和超短期负荷预测。长期负荷预测指10年以上的预测，这种预测常常不是电力系统仅依赖自己的信息与资料所能完成的；中期负荷预测是指15年的预测，它对系统增容规划极为重要；短期负荷预测是指一年以内的预测，主要服务于系统运行；超短期负荷预测是指对未来1小时内的变化作出预测，主要用于对电网进行在线控制，实现发电容量的合理调度，满足运行要求，降低发电成本。电力负荷预测按行业可以分为城市民用负荷、商用负荷、农村负荷、工业负荷以及其它负荷的预测。其中，城市民用负荷预测主要是指对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商业与工业服务的负荷进行预测；农村负荷预测是指对广大农村所有负荷(包括农村民用电、生产与排灌用电以及商业用电等)的预测；而其它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。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、负荷率等类型的预测，以满足供电、用电部门的管理工作的需要。 图2.1 负荷预测分类图(2) 按照用电部门的不同，负荷预测还可以划分为工业负荷、商业负荷、农业负荷和民用负荷等负荷预测。工业负荷主要指各厂矿进行工业生产的用电负荷，可进一步分为重工业用电和轻工业用电，在目前我国的用电结构中占全社会用电总量的75，所占比重较大且比较稳定。商业负荷主要指商业行业的照明、空调、动力等负荷，一般所占比重较小，具有季节性变化和日变化的特点，是节假日期间影响电力负荷的重要因素。农业负荷主要指城镇以外的农村居民用电和农业生产用电，它受季节影响较大，对降水量、天气等自然因素的变化十分敏感。民用负荷主要指城市居民生活用电负荷，包括夏季的降温设备、冬季的取暖设备以及其他家用电器的负荷，通常具有年增长性及明 显的季节波动和日变化等特点。该分类方法对于研究全国、电力系统或地区的电力规划有重要作用。 图2-2 某地区负荷构成图 (3) 按照负荷的特性分类，负荷预测还可以分为最高负荷、最低负荷、平均负荷、高峰平均负荷、低谷平均负荷、负荷峰谷差、负荷率等类型的负荷预测。其中年最大负荷决定了系统的装机规模、电源结构和投资规模的重要依据。日最大和最小负荷是编制电力系统日运行方式及确定相应的负荷特征的主要依据。(4) 按照使用电力的目的分类，一般分为动力用电、照明用电、电热用电、各种仪器设备用电及通信用电等。这类划分主要用于能源平衡分析，电力规划中的负荷预测一般不采用这种分类法。在以上划分方法中，电力规划中的负荷预测主要采用的是按照负荷预测的时间长短和按照用电的部门属性划分法。2.3.2电力负荷预测的特点由于电力负荷预测是根据负荷的过去和现在来推测它的未来数值，所以，负荷预测工作研究的对象是不确定事件。只有不确定事件、随机事件才需要人们采用适当的预测技术，推知它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：(1) 不准确性 因为电力负荷未来的发展是不确定的，它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到，有些却很难事先预见到，加上一些临时情况的变化，决定了预测结果的不准确性或不完全准确性。(2) 条件性 各种负荷预测都是在一定条件下做出的，而条件又分为必然条件和假设条件两种。如果负荷预测人员真正掌握了电力负荷的本质规律，那么预测条件就是必然条件，做出的预测往往是可靠的。而在很多情况下，由于负荷未来发展的不确定性，所以就需要一些假设条件。当然，这些假设条件不能是毫无根据的凭空假设，而应根据研究分析，综合各种情况得来。(3) 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。(4) 多方案性 由于预测的不准确性和条件性，所以有时要对负荷在各种情况下可能的发展状况进行预测，就会得到各种条件下不同的负荷预测方案。2.4电力负荷预测的内容及程序2.4.1电力负荷预测的内容电力负荷预测的内容是指需要测算些什么量（或参数），归纳起来有以下一些参数需要测算。（1）最大有功负荷及其分布。最大有功负荷的大小是确定电力系统装机规模的基础数据，换句话说是电源规划的依据。有功负荷，加上电网中损失的有功和发电厂自用有功量，再加上适量的备用容量，就等于电力系统的装机容量。有功负荷的分布是输电线路设计的基础，也是变电所配置的基础，即有功负荷的地区分布特点是输变电规划和配电规划的主要依据。（2）无功负荷及其分布。无功负荷的大小及分布是确定电力系统无功电源规划的基础，也是影响电力系统安全经济运行的重要因素。（3）需电量。它是进行能源供需平衡的主要依据。（4）电力负荷曲线及其特征值。电力负荷大小及其在时间上的分布特征，对电力规划及电力系统运行是至关重要的。它是确定电力系统中电源结构、调峰容量需求、运行方式及能源平衡的主要依据。负荷预测根据目的的不同可以分为超短期、短期、中期和长期：超短期负荷预测是指未来1h以内的负荷预测，在安全监视状态下，需要510s或15min的预测值，预防性控制和紧急状态处理需要10min至1h的预测值。短期负荷预测是指日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划，包括确定机组起停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修等，对短期预测，需充分研究电网负荷变化规律，分析负荷变化相关因子，特别是天气因素、日类型等和短期负荷变化的关系。中期负荷预测是指月至年的负荷预测，主要是确定机组运行方式和设备大修计划等。长期负荷预测是指未来35年甚至更长时间段内的负荷预测，主要是电网规划部门根据国民经济的发展和对电力负荷的需求，所作的电网改造和扩建工作的远景规划。对中、长期负荷预测，要特别研究国民经济发展、国家政策等的影响。2.4.2电力负荷预测的程序电力负荷预测是一个过程，其一般程序可划分为准备、实施、评价与提交预测报告四个阶段。（1） 准备阶段准备阶段的工作是由确定预测目标、落实组织工作、搜集资料、分析资料和选择方法等工作组成。1）确定预测目标。确定目标就是要在明确预测目的前提下，规定预测对象的范围、内容和预测期限。一般而言，预测范围视研究问题所涉及的范围而定，编制全国电力规划，就要预测全国范围内的电力、电量需求量；编制大区网局或地方（省、地、县）电力局的发展规划，就要预测大区电网或地方电力局范围内的电力、电量需求量。预测内容是指包括电力、电量、电力负荷的地区分布，电力负荷随时间的变化规律，以及电力负荷曲线特征及负荷曲线等。预测期限是指预测的时间长短，一般电力规划中负荷预测期限有短期预测（即5年期预测），中期预测（即510年期预测），及长期预测（即15年以上的预测）。2）搜集与整理资料。资料是预测的基本依据，占有的资料的充裕程度及资料的可信度，对预测结果的可信度是至关重要的。一般在做电力负荷预测时需要搜集与整理的资料主要有：电力系统历年用电负荷、用电量、用电构成；经济发展目标（如国民生产总值、国民收入等）；国民经济结构的历史、现状及可能的变化发展趋势；人口预测资料及人均收入水平；能源利用效率及用电比重的变化；工业布局及用户的用电水平指标；以及国外参考国家的上述类似历史资料。这些资料的主要来源有两种途径：一是各国政府、研究机构等定期或不定期发表的报刊、资料、文献、和其他出版物；二是预测人员通过调查所获得的资料。资料的来源统计计算口径及调查方法不同，都有对资料的可信度产生不同的影响。因此，在调查搜集资料的过程中对搜集得到的资料应进行鉴别，去粗取精，去伪存真，以保证预测中使用的资料翔实可靠。3）分析资料，选择预测方法。对经过鉴别整理后的资料要进行分析，以寻求其规律。在预测中常用的分析方法有多种，如时间序列分析、因果关系分析等方法。要根据资料的掌握情况及资料样式，选择相应的预测方法，寻求预测量的演变规律或趋势，建立预测模型。没有一种方法在任何预测场合下均可以保证获得满意的结果。因此，必须根据对资料的占有情况，以及预测目标、预测期限，预测环境、预测结果的精确度，同时考虑预测本身的效益成本分析等进行权衡，以便作出合理的选择。 （2）实施预测阶段在进行预测时，要依据选择的预测方法来进行预测。如果是采用定量预测方法来进行预测，就要根据建立的定量预测模型，带入预测期的自变量目标值，就可以获得预测期所要的预测变量值。如果是采用定性预测方法来进行预测，就应根据掌握的客观资料进行科学的逻辑推理，推断出预测期的预测值。由于影响预测对象的诸因素可能会发生变化，从而可能使未来的实际结果与预测依据的历史资料呈现的规律不相吻合，预测人员必须适时的对预测模型及预测结果加以修正。这种情况下，预测人员的经验、理论素养及分析判断能力起重要的作用。（3）评价预测阶段预测的主要成果是得到预测结果。预测结果应该是明确的，可以被检验的。因此，在得到预测结果后必须对预测结果的准确度和可靠性进行评价。务使预测误差处于可接受的范围内。若误差太大，就失去了预测的意义，并从而导致电力规划的失误。2.5负荷预测的方法短期负荷预测技术发展至今己有几十年，随着数学统计理论和人工智能技术的相继发展，人们提出各种各样的预测方法。迄今为止，短期负荷预测方法大致可以分为两类：即传统预测方法和人工智能方法。传统预测方法有：外推法、回归分析法、时间序列法、卡尔曼滤波、灰色预测等；基于智能原理的方法：人工神经网络、专家系统、模糊理论等，在此就不作赘述。2.6负荷预测的误差分析指标在负荷预测中，由于测量、人为等因素会造成伪数据。大量伪数据则会严重地影响预测精度。因此，如何辨识和修正伪数据就成为负荷预测过程中的重要环节。负荷预测应建立在准确获取历史数据的基础上。对所收集的与负荷有关的统计资料进行审核和必要的加工整理，是保证预测质量所必须的。可以说，预测的质量不会超过所用资料的质量，整理资料的目的是为了保证资料的质量，从而为保证预测质量打下基础。对预测方法性能好坏的评估是建立在统计分析的基础之上的了，一般是通过各种预测精度指标来衡量的，要使用统一的误差分析指标。产生误差的原因很多，主要表现在以下几个方面：1）进行预测往往要用到数学模型，而数学模型大多只包括所研究对象的某些主要因素，很多次要因素被略去。对于复杂的电力负荷变化来说，这样的模型只是一种经过简单化的负荷状况的反映，用它来进行预测，无可避免地会与实际负荷产生误差。2）负荷所受影响是千变万化的，进行预测的目的和要求又多种多样，因而如果选择一个不当的预测方法就会随之产生误差。3）进行负荷预测要用到大量资料，而各项资料并不能保证都是准确可靠的，这就必然会带来预测误差。4）某种意外事件的发生或情况的突然变化，也会造成预测误差。此外，由于计算或判断上的错误，如平滑常数的选择不妥，也会产生不同程度的误差。常用的误差指标分析函数有：1）绝对误差与相对误差社Y表示实际值，表示预测值，则为绝对误差；为相对误差。2）平均绝对误差 (2-1)式中：MAE为平均绝对误差，Ei为第i个预测值与实际值的绝对误差，Y为第i个实际负荷值，为第i个预测负荷值由于预测误差有正有负，为了避免正负相抵消，故取误差的绝对值进行综合，并计算其平均数，这是误差分析的综合指标法之一。3）均方误差 (2-2)式中：MSE为均方误差，其他符号同前均方误差是预测误差平方之和的平均数，它避免了正负不能相加的问题是误差分析的综合指标法之一。4）可决系数法定义 ， (2-3)注：则可决系数为：可决系数分析法利用残差的平方和与实际值的离差平方和之比来说明模型的预测效果。5）后验差检验后验差检验是根据模型预测值与实际值之间的统计情况，进行检验的方法，这是从概率预测方法中移植过来的。其内容是：以残差（绝对误差）为基础，根据各期残差绝对值的大小，考验残差较小的点出现的概率，以及与预测误差方差有关指标的。6）关联度误差分析关联度是灰色系统理论提出的一种技术方法，是分析系统中各因素关联程度的方法，或者说是关联程度量化的方法。关联度的基本思想，是根据曲线间的相似程度来判断关联程度，实质上是几种曲线间几何形状的分析比较，即认为几何形状越接近，则发展变化趋势越接近，关联程度越大。用此方法可以来比较几种预测模型对应的几条预测曲线与一条实际曲线的拟合程度，关联度越大则说明对应的预测模型越优，拟合误差也就越小。3 小波神经网络3.1人工神经网络概述在介绍小波神经网络之前，我们有必要给出人工神经网络的背景知识，本章我们首先就神经网络的相关理论进行介绍，然后深入到BP网络模型及其改进。小波是小波神经网络重要的理论基础和保证，可以加深对小波网络的理解和把握，最后介绍了小波神经网络的提出、算法、以及面临的一些挑战等等。 自1943年由心理学家McCulloch和数学家Pitts提出的第一个神经元生物学模型-M-p模型被提出至今，神经网络系统理论的发展十分迅速。特别是1982年美国加洲工学院的物理学家John Hopfield提出了Hopfield神经元网络模型以及1985年Rumelhan和Mcelelland等人提出的误差反向传播(Error Back Propagation，BP)算法，使Hopfield模型和多层前馈型神经网络成为用途广泛的神经网络模型，己在信号处理、模式识别、目标跟踪、机器人控制、组合优化等众多领域的应用中获得了引人注目的成果。人工神经网络是由神经元以一定的拓扑结构和连接关系组成的信息表现、储存和变换系统，是模仿人脑结构的一种信息系统，可较好地模拟人的形象思维能力。它是对自然界中生物体神经系统进行抽象和改造，并模拟生物体神经系统功能的产物。神经网络的重要特点是具有记忆和学习能力，经过一定训练之后，能够对给定的输入做出相应处理。人工神经网络理论是当今人工智能技术最重要的实现技术之一。神经网络理论是利用神经网络的学习能力，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。人工神经元是神经网络的基本计算单元：一般是多输入、单输出的非线性单元。目前用于负荷预测的人工神经网络主要有误差反向传播网络(BP)、径向基函数网络(RBF)等。神经网络预测技术可以模仿人脑做智能化处理，对大量非结构性、非确定性规律具有自适应功能，有信息记忆、自主学习、知识推理和优化计算的特点，适合于做短期负荷预测。因此人工神经网络有很大的应用市场，运用ANN进行负荷预测的关键在于：网络结构的确定、恰当的输入变量的选取以及样本和训练集的构建。负荷预测是人工神经网络在电力系统中的主要应用部分。由于其具有高度非线性范函逼近和并行处理能力，它不依赖于人工的经验，通过学习获得系统输入和输出间的函数连接关系。神经网络不是首先确定一个函数的形式，而是通过训练历史数据得出天气变量和预测负荷之间的关系。它具有信息记忆、自主学习、知识推理和优化计算的特点，其自学习和自适应功能是常规算法和专家系统所不具备的。人工神经网络用于短期负荷预测的具体过程为：以历史负荷、天气数据(如气温)等作为输入变量，以负荷预测值为输出变量，通过大量的样本训练神经网络，确定神经元之间的连接权值及神经元的值，然后将训练完成的网络用于预测未来的负荷，并且随着新样本的加入，可以重新训练神经网络，形成新的权值和阈值以适应新的样本。现在有多种人工神经网络模型被用于短期负荷预测，主要有BP(Back Propagation)网络、RBF(Radial Basis Function)网络、Hopfield网络、Kohonen自组织特征映射等。 由于人工神经网络的自学习能力和对复杂非线性对象的处理能力，使其在各个领域获得越来越广泛的应用。在负荷预测领域中，神经网络的重要作用主要体现在两个方面，一是在建模过程中易于处理各种影响负荷变化的因素；二是在建立非线性时间序列预测模型时采用神经网络来逼近非线性映射。 如今的人工神经网络己经在社会生产的各个领域得到不同程度的应用，这些领域包括模式识别、信号处理、知识工程、专家系统、优化组合、智能控制等等。特别是能处理任意类型的数据，无需知道数据的分布规律，这是许多传统算法所无法比拟的，通过不断学习，能够从未知模式的大量复杂数据中发现规律。时至今日，人工神经网络在民用、军用等领域得到广泛应用。在理论研究上看，当前的工作主要侧重于网络算法的性能(包括稳定性、收敛性、容错性、鲁棒性等)，开发新的网络数理理论(神经网络动力学、非线性神经网络)，用数理方法探索智能水平更高的人工神经网络模型，以及应用神经生理与认知科学研究大脑思维及智能机理。随着不同智能学科领域之间的交叉与渗透，人工神经网络必将对智能科学的发展发挥更大的作用。 神经网络理论基于对生物神经元结构如：神经细胞，突触等的模拟，进而实现对生物神经元功能的模拟。作为人工智能的一个分支，神经网络以计算机与人工智能，认知科学，神经生理学，非线性动力学等学科为基础，以其高度的非线性映射和自组织，自学习，自适应的能力，而被广泛应用于模式识别，信号处理，自动控制，决策科学等领域。而人工神经网络之所以的到如此广泛的应用，是因为它是在现代脑神经科学研究成果的基础上提出的，它从如下几个方面体现了人脑的基本特征：1）人工神经网络是非线性系统，可以充分逼近任意复杂度的非线性关系。2）人工神经网络具有分布式存储信息的特点。人脑对信息的储存是通过改变突触的功能实现的，信息储存于神经元连接强度的分布上，储存区和操作区合二为一，不同信息之间自然沟通，其处理也为大规模连续时间模拟方式相应的，人工神经网络则采用了大量神经元之间的联结及对各联结权值的分布来表示特定的信息。这种分布式存储方式使得当其局部受损时，仍然可以恢复原来的信息，具有很强的鲁棒性及容错能力。3）人工神经网络对信息的处理及推理过程具有并行运算的特点。人的大脑皮层是一个广泛连接的巨型复杂系统，人工神经网络的连接机制模仿，继承了人脑的这一特性。它的拓扑结构基于大规模的处理单元及其相互联结，每个神经元都可以根据接受到的信息进行独立的处理，再进行处理结果的传输，这种信息的并行处理使得快速进行大规模的数据运算成为可能。4）人工神经网络对信息的处理具有自组织，自适应，自学习的能力。神经网络中，各神经元的联结强度用权值大小来表示，这种权值可以事先确定，然后根据周围环境变化，而不断做出相应的动态调整，进而将相关信息记忆在网络中。记忆完成后，即使输入的信息有所缺失，网络也能够根据/经验0回忆出输入信息的完整模式，从而表现出记忆，联想，分类，概括的能力，这是传统的/按地址查询0方式工作的电子计算机所不可比拟等的。可见，人工神经网络以对信息的分布式存储和并行处理为基础，它在解决高度非线性和严重不确定性系统的控制方面有巨大的潜力。他的研究特点和趋势不仅为计算机科学，思维科学，脑科学等提供了有力的研究手段和开辟了新的发展前景，而且由于神经网络是一种高度复杂的非线性动力系统，从而成为迄今为止效率最高，功能最强，最完美的信息处理系统。3.1.1人工神经元及其特性前面说过，人工神经网络以计算机与人工智能，认知科学，神经生理学，非线性动力学等学科为基础，基于对生物神经元结构(如神经细胞!突触等的模拟)进而实现对生物神经网络功能的模拟。所以要了解神经网络的工作原理，所以我们首先要了解生物神经元。其结构如下图所示： 图3-1生物神经元示意图 从上图可看出生物神经元它包括：细胞本体一由细胞核、细胞质与细胞膜组成；轴突：是从细胞体向外伸出的细长部分，也就是神经纤维；树突：是细胞体向外伸出的许多较短的树枝状分支。它们是细胞的输入端。接受来自其它神经元的冲动；轴突是神经细胞的输出端，通过它向外传出神经冲动；突触：神经元之间相互连接的地方。既是神经末梢与树突相接触的交界面。对于从同一树突先后传入的神经冲动，以及同一时间从不同树突输入的神经冲动。神经细胞均可加以综合处理，处理的结果可使细胞膜电位升高；当膜电位升高到一定阈值，细胞进入兴奋状态，产生神经冲动。并由轴突输出神经冲动;当输入的冲动减小,综合处理的结果使膜电位下降，当下降到阈值以下时，细胞进入抑制状态，此时无神经冲动输出兴奋和抑制，神经细胞必呈其一。神经细胞的重要特点是具有学习功能并有遗忘和疲劳效应。随着对生物神经元的深入研究，人们揭示出神经元不是简单的逻辑元件而是微型生物信息处理机制和控制机。人工神经网络是对生物神经元的构成及生物神经网络结构的模拟与抽象。这里所说的抽象是从数学角度而言所谓的模拟是以生物神经网络的结构和功能而言的。对应于生物神经元,人工神经元的主要结构如下图： n 图3-2人工神经元的结构示意图一个人工神经元主要包含这些基本组成部分：l 神经元的输入矢量：；l 神经元的权值矢量：；l 激活值：；对输入和相应权值的整合。l 阈值：-b；;模拟生物神经元的阈值,即生物神经元的最小激活值。l 输出值：；l 激活函数：即输出值中的函数，又叫做输出函数，激励函数。其中的激活函数可以取不同的形式,相应的也就得到了不同的神经元模型。激活函数的主要形式有以下几种： 阈值型激活函数:由Warren McCulloch和Walter Pitts于1943年提出的最早的神经元模型，常称为M-P模型。函数f取二值(0、1或者-1、+l),分别代表神经元的“抑制”和“兴奋”状态。阈值型激活函数如图3-3(a)所示，可由下式表示： (3-1) S形(Sigmoid)力激活函数：该函数的输出特性比较软,其输出的取值范围为（0，l）或（-1,+l）。其硬度可以由参数a来调节。常规的S形函数如图3-3(b)所示，可由下式表示： ，1 (3-2)线性激活函数：其表达式为力函数图形如图3-3所示： (a) (b) (c) 图3-3 功能函数的图形表示3.1.2人工神经网络模型作为神经网络最基本的组成单元,神经元的机构是简单的,其功能也比较单一。然而大量这种结构简单功能单一的神经元按照一定结构组成的人工神经网络却具有强大的处理信息的能力。根据神经元之间信息传播方向的不同，可以将神经网络分为两大类，即：递归网络和前馈网络。 (1) 前馈网络前馈网络具有递阶分层结构，由一些同层神经元间不存在互连的层级组成，从输入层至输出层的信号通过单向连接流通；神经元从一层连接至下一层，不存在同层神经元间的连接，如图3-4所示。图中，实线指明实际信号流通而虚线表示反向传播。BP网络是前馈型网络的典型,此外还有多层感知器(MLP)、学习矢量量化(LVQ)网络、小脑模型联接控制(CMAC)网络和数据处理方法(GMDH)网络等。(2) 递归网络在递归网络中，多个神经元互连以组织一个互连神经网络，如图3-5所示。有些神经元的输出被反馈至同层或前层神经元。因此，信号能够从正向和反向流通。Hopfield网络，Elman网络和fordan网络是递归网络有代表性的例子。递归网络又叫做反馈网络。图中，W表示节点的状态，X为节点的输入(初始值），Y为收敛后的输出值。 图3-4 前馈多层网络 图3-5 递归（反馈）网络3.1.3前馈网络的学习方式及学习规则由于本论文所研究的两种网络模型都是建立在前馈网络的基础上的，因此，这里有必要了解一下前馈网络的学习方式及它的学习规则。考虑图3-4所示的前馈网络。这个网络包括输入层!输出层,网络的输入、输出及权值如下：输入矢量：， 输出矢量： 图3-6 前馈网络模型权值用权值矩阵表示： (3-3)第i个神经元的激活值为： 第i个神经元的输出： 若引入非线性矩阵算子，则从输入空间到输出空间的映射关系可以按下式计算：其中定义如下： (3-4) 表示非线性激活函数,神经元的激活函数都是算子的分量，值是标量。神经网络的最大特点就是它有学习的能力，网络通过调整权值矢量和闻值将学习的内容记忆在网络中。网络权值、阈值的调整涉及到神经网络网络的学习规则。神经网络中主要的学习规则有Hebb学习规则：感知机(Perceptron)学习规则、Delta学习规则等。这里介绍一下Hebb学习规则和Delta学习规则，它们是进一步了解其他多层前馈网络及BP网络的基础。Hebb学习规则是1949年加拿大心理学家Hebb提出了Hebb学习规则，他设想在学习过程中有关的突触发生变化，导致突触连接的增强和传递效能的提高。因此Hebb学习规则假设：如果神经元i和j同时兴奋，则神经元i和j间的连接加强。根据这个假设,Hebb学习规则下，神经网络权值的调整如下： 分量为： Hebb规则适合于前馈无监督网络的学习。Delta学习规则针对有监督学,并且激活函数是连续型的前馈网络学习，Delta学习规则较为有效。这个学习规则可以由“最小误差要求沿着负梯度方向变换权值”的思想得到。设网络输入和输出的方差为： 误差梯度矢量为： 分量形式有： 由于要求误差达到最小，因此权值变换应该沿着负梯度方向，所以取 c为一正常数。令，则有： ， Delta学习规则可以进一步推广到多层网络,后面的BP神经网络就是运用Deha规则进行学习的典型。3.2小波神经网络及其特点小波自80年代提出以来，理论和应用都取得了巨大的发展，小波分析的出现更为数值分析取得了突破性进展。目前，神经网络的论研究日趋深入，其中要的发展方向之一就是重视与小波，混沌，模糊数学等非线性科学理论相结合。小波变换具有时频域局部特性和变焦特性,而神经网络具有自学习、自适应、鲁棒性、容错性和推广能力,如何把两者进行有效的结合,是人们关注的问题。一种方法是用小波对信号进行预处理,即以小波空间模式识别的特征空间,通过将小波基与信号的内积进行加权和来实现信号的特征提取，然后将提取的特征向量送入神经网络处理；另一种即所谓的小波神经网络(Wavelet Neural Network, WNN)或小波网络。这里先介绍一下小波分析的知识。3.2.1小波分析的概念和特点20世纪80年代逐渐发展和兴起的小波分析(wavelctanalysis)是20世纪数学领域中研究的重要杰出成果之一。小波分析理论作为数学界中一种比较成熟的理论基础，应用到了各种领域的研究当中，推动了小波分析在各工程应用中的发展。它作为一种新的现代数字信号处理算法，汲取了现代分析学中诸如样条分析、傅立叶分析、数值分析和泛函分析等众数学多分支的精华部分，替代了工程界中一直应用的傅立叶变换，它是一种纯频域分析方法，不能在时频同时具有局部化特性。而小波分析中的多尺度分析思想，犹如一台变焦照相