基于量子神经网络的短期电力负荷预测.doc

学校代号 10532 学 号 G06009010 分 类 号 TM714 密 级 普通 硕士学位论文基于量子神经网络的短期电力负荷预测学位申请人姓名 李 程培 养 单 位 电气与信息工程学院导师姓名及职称 谭阳红 教授学 科 专 业 电气工程研 究 方 向 电力系统及其自动化论文提交日期 2010年10月06日学校代号：10532学号：G06009010密级：普 通湖南大学硕士学位论文基于量子神经网络的短期电力负荷预测 学位申请人姓名： 李 程 导师姓名及职称： 谭阳红教授 培养单位： 电气与信息工程学院 专业名称： 电气工程 论文提交日期： 2010年10月06日 论文答辩日期： 2010年10月13日 答辩委员会主席： 李欣然 教授 Short term load forecasting based on Quantum Neural NetworkbyHUANG YinhuaB.E.(Hunan University)2007A thesis submitted in partial satisfaction of the Requirements for the degree ofMaster of EngineeringinElectrical Engineeringin the Graduate Schoolof Hunan UniversitySupervisorProfessor TAN YanghongApril, 2010湖 南 大 学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。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后果由本人承担。作者签名： 日期： 年 月 日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。本人授权湖南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。本学位论文属于1、保密，在_年解密后适用本授权书。2、不保密。（请在以上相应方框内打“”）作者签名： 日期： 年 月 日导师签名： 日期： 年 月 日V摘 要短期负荷预测既是电力系统优化调度的基础工具，又是电力企业日常经营管理工作的重要组成部分，准确的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。合理而精准的负荷预测将直接影响到电力系统运行的安全性、经济性和供电质量。本文首先介绍了负荷预测的分类依据和短期负荷预测的主要特点，详细论述了已有短期负荷预测的方法以及各种方法的原理、计算过程、适用范围和基本特征。对比分析了各种预测方法的优劣；。然后论述了常规人工神经网络理论在短期负荷预测方面的局限性。针对常规人工神经网络理论的局限性，论述了量子神经网络的理论形成和技术优势，得出量子神经网络能够很好应用于短期负荷预测的结论。对量子神经网络的研究现状进行了分析，论述了已有方法的优势和局限性。最后，介绍了量子神经网络的基本理论基础，包括量子计算的基础知识，量子神经网络的网络模型和量子神经网络的学习方法；文中提出一种QNN网络结构及其更新算法，给出量子间隔更新式的推导过程。针对QNN收敛速度慢这一情况，引入反正切函数作为隐含层激活函数，并引入了假饱和预防函数，提出了改进的量子神经网络模型；。最后详细论述了基于量子神经网络的短期负荷预测的具体步骤。首先分析了影响负荷特性的主要因素，然后介绍了短期负荷预测中所需的数据去伪和数据量化方法。最后，详细分析了基于量子神经网络的短期负荷预测方法在预测日负荷和小时负荷的预测流程。并给出了整个电力系统短期负荷预测模型的具体实例。实例表明，该方法计算简单，预测精度高，具有很好的实用性。关键词：电力系统；短期负荷预测；量子神经网络；神经元；负荷特性基于量子神经网络的短期电力负荷预测马尔科夫理论在中长期负荷组合预测中的应用AbstractShort term load forecasting(STLF)is not only the basic tool of running and dispatching of power system, but also one of the most important daily contents of management and administration to power enterpriseAccurate short term load forecasting is the key to arrange Generator maintain plan and nergy development strategy. Reasonable and accurate STLF will directly affect the security, ecnomical and power supply quality of the power system.Firstly, we introduct the basis classification rules of the load forecasting, and the main features of the short term load forecasting is also disccused. And then we detailed description the remained short term load forecasting methods including their principles, computing proccessing, application scopes and basic haracteristics. Comparative analysis is also presented among the above methods. The limitations of artificial neural network theory(ANN) appling to the short-term load forecasting is disccussed. Aiming to these limitations, we analysis the theory and technical advantages of the quantum neural network model, and its feasibility to the short term load forecasting is also disccused. Then, we introduct the research situation and its advantages and limitations of the remained quantum neural network model.At last, the basic theory include the quantum computing method, the remained quantum neural network model and some study methods are all introducted.An improved quantum neural network model and updating algorithm are presented. In this improved method, arc tangent function is introduced to the hidden layers active function, and construction of an error saturation prevention function is also introduced. Based on the above model, the detail forecasting step is presented. First, the main reason to the load characteristics is analysis, and then the method of bad data eliminationand and the data quantifying are preseted. At last, the daily and hour short-term load forecasting flowchat is developed. loadThe effectiveness of the method is verified by the results of some practical examplesKey words: Electrical power system; Short-Term Load Forecasting; Quantum Neural Network; Neuron; Load characteristics 目 录学位论文原创性声明I摘 要IIAbstractIII第1章 绪 论11.1 研究背景11.2 目的和意义11.3 研究现状31.4 本文所做的工作5第2章 负荷预测的方法和特点72.1 负荷预测的分类72.2 短期负荷预测的特点82.3 几种常见的负荷预测方法92.3.1 比例系数增长法92.3.2 弹性系数法92.3.3 回归分析方法102.3.4 指数平滑法122.3.5 专家系统法142.3.6 模糊预测法152.3.7 灰色预测法152.3.8 组合预测法172.3.9 神经网络法192.4 常见的负荷预测方法的优劣202.5 小结20第3章 量子神经网络的基本理论213.1 常规神经网络的局限性213.2 量子神经网络理论的形成和优势223.2.1量子神经网络理论的形成223.2.2量子神经网络理论的优势233.3 量子神经网络的研究现状243.3.1 多层激活函数的量子神经网络243.3.2 Qubit神经元模型253.3.3 多宇宙的量子神经网络模型253.3.4 其他量子神经网络模型253.4 量子神经网络基本理论263.4.1 量子计算的基础知识263.4.2 量子神经网络模型283.4.3 量子神经网络的学习方法343.5 小结35第4章 改进多层激活函数的量子神经网络模型364.1 多层激活函数的量子神经网络模型364.1.1多层激活函数的神经元364.1.2量子神经网络模型374.1.3量子间隔更新算法384.2 假饱和预防函数394.3 小结40第5章 基于量子神经网络的短期负荷预测415.1 影响负荷特性的因素415.1.1 负荷构成的影响415.1.2 日类型对负荷特性的影响415.1.3 天气因素对负荷特性的影响425.1.4 节假日对负荷的影响425.1.5 电价对负荷的影响435.1.6 随机因素的影响435.2 预测数据预的处理435.2.1 数据的去伪435.2.2 数据的量化445.3 基于量子神经网络的短期负荷预测465.3.1 日负荷预测流程465.3.3 小时负荷预测流程485.4 小结50第6章 仿真实例516.1 基本数据516.2 日负荷预测算例516.3 小时负荷预测算例546.4 小结57结论与展望58结论58展望58参考文献60致 谢65硕士学位论文第1章 绪 论1.1 目的和意义电力工业是国民经济发展的基础，电力系统通过电力网向各类用户提供可靠和合格的电能，是实现用户正常的生产和生活的基本保证。近年来，随着我国经济改革不断深入，国家重构电力工业结构的步伐也随之加快，打破行业垄断、引入公平竞争、实现电力工业的市场化已经成为电力改革的重点，电力工业的市场化趋势不可避免。在市场环境下，电能由计划供应转为市场化获取，电能也成为了一种商品，既有它的一般商品属性，又有其自身的特殊性。作为一般商品，电能在市场交易中，必然与其他商品一样，要服从价值规律，按照等价交换原则公平、公开地进行。但电能与一般商品存在明显的不同，主要表现在：电力行业是公用性服务行业，中断供电或电力供给不足会给国民经济和广大用户造成巨大损失，。因此，实现电力市场化，必须以安全、可靠、优质供电为前提，除保持电力供需平衡外，还必须留有足够的发电备用容量；其次，电能不能作大量储存，产、供、销是同时进行的，瞬间完成，这就需要信息反馈迅速，市场预测准确，电网调度统一。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出发，考虑政治、经济、气候等相关因素，通过对历史数据的分析和研究，探索各个因素之间的内在联系和发展规律，以未来经济和社会发展情况的预测结果为依据，在满足一定精度要求的意义下，对未来的电力需求做出估计和预测近年来，由于预测的较大误差，我国多次出现了局部地区的大面积停电事故，这些大面积停电事故大多是由于非预计负荷而引起的，由于切负荷不果断而扩大并因切负荷不果断而扩大。为降低这类事故出现的风险，往往通过配置较大比例的旋转备用来满足这些非预计负荷，大量的旋转备用容量极大的浪费了电力系统的已有资源，使整个电网的经济运行水平大大降低。目前我国对中长期负荷预测研究得较多，而对短期负荷预测研究得较少1,2。在我国的大多数地区电网，短期负荷预测都是由调度人员人工通过寻找相似日直观地预测，这就很大程度上依赖于调度人员的经验，且一般仅限于提前一天预测，因此迫切需要能自动提前一天或一周预测系统负荷的负荷预测系统，以满足经济调度和机组调停的需要，重要的是这一系统应具有规范化的预测过程，减少对运行人员经验的依赖性，能够适用于不同系统并满足精度要求。在上述背景下,电力负荷预测理论在电力系统的运行和管理中得到了足够的重视，它已经在成为现代电力系统工程学科中占有重要地位的研究领域。提高负荷预测技术水平，有利于计划用电管理、合理安排电网运行方式和机组检修计划、制定合理的电源建设规划、提高电力系统的经济效益和社会效益，并有利于节煤、节油和降低发电成本。因此负荷预测已经成为实现电力系统管理现代化和智能电网发展中的重要内容之一。短期负荷预测的重要意义可以归纳为以下几个方面：(1) 短期负荷预测是电力系统优化调度的基础。准确的短期负荷预测是电网调度机构制定发供电计划、合理安排机组启停和做好电网供需平衡的关键。以短期负荷预测和在线实时负荷预报为依据，系统才能有计划地安排旋转备用以及不同网间可能实现的功率交换，这是决定系统供电安全水平的重要因素。另外，准确的短期负荷预测有助于运行人员准确地估计电能的生产、输送、分配和消费各个环节的情况，制定出合理的运行方案，确保电网和机组的安全、稳定、经济运行。以短期负荷预测和在线实时负荷预报为依据，系统才能有计划地安排旋转备用和不同网间可能实现的功率交换，这是决定系统供电安全水平的重要因素。(2) 在电力市场条件下，短期负荷预测不再是纯技术性的问题，它应当是一个技术性与经济性相结合的问题。同时，其也不再仅仅是能量管理系统(EMS)系统的一部分，它是电力市场制定各种计划的重要依据而是电力市场制定各种计划的重要依据。对于发电单位，短期负荷预测是制定发电计划和报价的依据；对供电部门，短期负荷预测为供电方制定购电计划提供依据；对输电单位，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) 对电力系统来说，必须为对用户提供可靠而经济的电能，以满足用户的负荷需求，而另一方面，在确保系统安全的情况下尽量减少实时发电备用容量。精确的负荷预测，可以使电力企业经济地安排机组生产；利用精确的负荷预测对水电系统而言，可以确定最优的水库放水和机组投产计划；对火电系统而言，可以确定机组按最经济地组合起停生产；对水火电结合的系统，可确定系统按最经济的状态进行水电火电分配；对联网的系统，精确的负荷预测不但决定系统按最经济的线路进行电能传输，还可决定系统按最经济的形式向邻网输电和购电。(4) 为用户提供安全、可靠、经济、优质的电能是电网运营企业的首要目标，如果电网运营商须没有按规定完成网供电量、负荷预测和低谷电量比三大指标。这样，准确的负荷预测就使得电网运营企业可以在电力市场中以较便宜的电价购电。1.2 研究现状电力负荷预测的起源可以追溯到20世纪20年代初。由于当时的电力系统规模很小，人们对负荷预测并没有给予足够的重视，没有进行相应的理论研究。到60年代中期，随着世界各国经济的迅猛发展，人们对电力的需求越来越大，对电能质量要求也越来越高，加上几次大的系统瓦解事故的出现，电力系统的安全分析被提上了日程，负荷预测也相应的得到了初步的发展。这一阶段，基本采用经济领域的预测技术来进行负荷预测。采用的方法大致可以分为比例系数增长法、弹性系数法、时间序列法和回归分析法。比例系数增长法是一种最简单、直接的方法。它假定今后的电力负荷与过去有相同的增长比例，用历史数据求出比例系数，按比例预测未来发展。该方法思路简单、计算简便，但该方法把负荷在若干时间段的增长看成一致，没有考虑负荷增长的特殊性和复杂性，在实际工程中由于其产生的误差很大仅能作为大致的估算。电力弹性系数法是常用的一种负荷预测方法，它计算方法简单，容易理解。对于仅考虑经济和负荷大小的两因素的系统时，弹性系数法具有较好的比率关系，预测结果能在接受的范围内，但对于短期负荷预测中负荷与多个因素的非线性关系，该方法很难得到就好的预测结果。时间序列法是通过对预测对象的历史观测数据一时间序列的分析处理，来研究其发展过程的基本特征和变化规律，并据此预测未来行为的方法。电力系统的负荷变动同样具有惯性，在时间上具有连续性，因而时间序列法成为早期传统负荷预测技术中的主要方法，并且是现代各种预测方法的基础。时间序列法3-7分为确定型时序法和随机型时序法，前者包括时间序列平滑法、趋势外推法和季节变动法等；后者包括马尔科夫法和BoxJenking法等。大量学者对该方法进行了研究，文献4根据采样定理和对具体的负荷记录的观察提出了负荷预测准确度的上限估计应该在更密集的负荷采样序列中进行的观点。文献5分析了负荷历史数据，负荷预报模型以及预报误差之间的关系，构建了一种基于统计分析的负荷规律性评价方法。时间序列分析法的主要不足在于片面突出了时间因素在预测中的作用，而不考虑外界具体因素的影响，该方法只承认所有影响因素的综合作用，并在未来对预测对象仍然起作用，并未去分析探讨预测对象和影响因素之间的因果关系。回归分析法8-10属于相关预测法，它通过建立某些变量与负荷之间的因果关系而获得预测负荷。由于电力负荷的变化受到很多相关因素的影响，所以采用回归分析法进行负荷预测是自然的想法和可行的途径。大量学者对该方法进行了研究，文献8提出了一种基于改进回归法的电力负荷预测方法，在对历史数据进行分析和参数估计的基础上，先用岭回归法剔除奇异值，再用主成分回归法提取影响负荷的主要因素，得出模型的解析形式。文献9对偏最小二乘回归分析在电力系统短期负荷预测中的应用进行了研究。上述方法都是通过先确定变量间的关系然后通过回归分析求得未知参数，但实际预测过程中由于电力负荷具有非线性、时变性和不确定性的特点，所以要通过清晰的数学方程来表达输入与输出之间的非线性关系存在着一定的困难。即使构造出了数学模型，也存在着如模型的定阶、求解、识别困难、模型适应性不强、建模所需的数据量大、运算速度慢以及预测精度不高等缺点。从60年代中期到现在，随着计算机技术和新的智能算法的日新月异，人工智能技术的兴起，负荷预测迅速进入了使用智能化负荷预测技术的阶段。专家系统、模糊逻辑系统、灰色系统理论和人工神经网络代表着当今人工智能技术的几大分支，它们都在负荷预测领域逐步得到应用。专家系统方法11-13是使用专家知识建立预测规则的一种方法。专家系统主要是将在某方面专家在实际工作中对事物获得的感性认识进行提取，建立知识库，并在系统的实际运行过程中对知识库不断进行更新和维护，以跟随事物的变化轨迹，达到模拟专家的目的。大量学者对该方法进行了研究，文献11利用专家经验，模仿专家处理问题的方法，设计了一个模糊专家系统，对负荷预测结果进行修正，以提高负荷预测精度。文献12将人工智能中的事例推理技术引入到电力系统短期负荷预测中，针对传统规则专家系统知识获取的瓶颈问题，事例推理充分利用另一种知识资源来解决新的预测问题。文献13提出决策树与专家系统相结合的负荷预测系统。这些方法的制药优点在于很好地处理了气象及特殊事件等干扰因素，该方法的预测精度基本上达到了令人满意的效果，但把专家知识转换为一系列的数学规则在目前情况下是较难实现的。模糊预测方法14-19通过对相关历史数据进行加工处理，提炼出负荷变化的若干种典型模式，进而由影响负荷变化的相关因素的未来状态去判定未来负荷变化属于哪种模式，从而做到负荷预测的目的。其仅仅是模拟专家的推理和判断方式，并不需要建立精确的数学模型。由于电力系统中许多现象是不精确的、模糊的，而模糊理论中的“隶属函数”可比较明确的描述专家的意图。故该方法应用到电力系统中较为适宜。大量学者对该方法进行了研究，文献14将模糊聚类分析和粗糙集理论结合在一起对电力系统短期负荷进行预测，该文献首先通过模糊聚类分析，根据气温、相对湿度以及日类型等影响负荷的因素将负荷历史数据分成若干类，然后应用粗糙集理论分别建立相应的负荷预测模型。文献15采用模糊聚类分析的方法对已知负荷数据、温度和天气类型等影响短期负荷预测的相关因素进行聚类分析文献17将模糊聚类技术和粗糙集理论结合，利用客观信息熵对影响负荷的因素进行权重分配。文献18基于模糊粗糙集理论，提出了一种综合数据挖掘方法并将其应用于空间负荷预测中。模糊数学在预测方面还没有形成完整而深刻的理论以及成系统的方法，还有待于进一步研究与探索。灰色系统理论20-23是研究解决灰色系统分析、建模预测、决策和控制的理论。灰色预测的模型简称GM模型,它所需建模信息少、运算方便、建模的精度较高，因而在各种预测领域有着广泛的应用。近年来该理论已被引入到电力系统负荷的预测中,获得了较好的效果。但其微分方程指数解只适合于具有呈指数增长趋势的负荷指标，在其它增长趋势下预测的精度变差，而且简单的灰色预测在数据离散程度较大的情况时，精度下降的很快。许多文献对灰色预测做出了改进，文献21提出了一种基于灰色预测和神经网络组合的电力系统负荷预测方法。文献22讨论了当预测对象系统存在转折性变化时，灰色预测校正模型在此方面的有效应用。文献23讨论了当预测对象系统存在转折性变化时，灰色预测校正模型在此方面的有效应用。上述方法有效改善了负荷预测的精度，但是对于具体的负荷预测问题，目前并不存在通用的改进模型，因此要提高精度就要针对具体问题进行进一步的研究。人工神经网络24-43具有很强的学习和映射能力，可方便地拟合出任意复杂的非线性关系，很适合于电力系统的负荷预测问题，这一领域的国内外对这一领域研究都相当活跃，并已提出了不少模型和算法。文献32提出了对样本数据进行处理的一些有效方法，从历史数据中选取那些与预测时间的特征量(即网络输入量)相似的数据作为训练用的样本。文献33研究了采用不同结构BP网络进电力负荷需求预测的问题，分/静态和动态两种模式构造训练样本。文献34采用自适应模糊神经元网络进行短期负荷预测。文献35提出的是一种混和自适应模糊学习算法。文献36则提出了基于混沌学习算法的神经网络模型。文献37提出的天气敏感型神经网络模型。文献38提出了一种改进的径向函数网该方法能够体现负荷波动性和气候对负荷影响。文献39提出了应用混合法进行RBF神经网络的学习算法。文献40以Morlet小波作为隐节点激励函数，建立了单输入单输出的小波神经网络。文献41则进一步用Morlet小波建立了多输入多输出的小波神经网络。文献42建立了以Morlet小波为激励函数的小波神经网络。文献43利用现有的时频分析方法来确定网络结构，同时还提出通过利用小波系数的局部极大值来进一步提高局部精确近似性能。人工神经网络技术的主要优点在于它不需要任何负荷模型，但其缺点是训练过程比较消耗时间，并且它并不能保证一定收敛，这在一定程度上影响了人工神经网络负荷预测方法对特殊的负荷变化的预测精度。但这种方法仍然具有其不可比拟的优点：具有很好的函数逼近能力；较好的解决了天气和温度等因素与负荷的对应关系；通过学习，能够反映输入/输出之间复杂的非线性关系等。负荷预测方法发展至今，已经积累了不少经验。但是，由于电力系统的负荷要受到很多因素的影响：如负荷构成，负荷随时间变化规律，气象变化的影响及负荷随机波动。按照系统负荷构成，不同的负荷有着不同的变化规律44，而且一个地区负荷往往含有几种类型的负荷，比例不同。各类用电负荷的时间变化规律是不同的，由它们构成的系统负荷具有不同的变化规律。气象对负荷有明显的影响45，气温、阴晴、降水和大风都会引起负荷的变化，但每个电网负荷对各种气象因素的敏感程度是不相同的，这是研究负荷预测的重要内容。负荷的随机波动是指某些未知的不确定因素引起的负荷变化，对每一电网随机波动负荷大小是不相同的。基于影响负荷预测的众多不同的因素，各种气象因素的敏感程度是不同的。由于影响负荷预测的众多不同因素，迄今还没有一种通用方法。1.3 本文所做的工作短期负荷预测既是电力系统优化调度的基础工具，又是电力企业日常经营管理工作的重要组成部分，准确的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。短期负荷预测不仅时间间隔短，而且受节假日、天气和温度的影响负荷波动大；同时，短期负荷预测的精度要求较高，需要同时考虑多个影响因素。因此，采用一般的负荷预测模型难以达到预测要求。鉴于此，本文试着将量子神经网络理论运用到短期负荷预测中来。论文分六章，其组织结构如下：第一章主要介绍了电力负荷预测的研究现状以及负荷预测的目的和意义。在此基础上，讨论了短期负荷预测的研究现状；。第二章主要介绍了负荷预测的分类依据和短期负荷预测的主要特点。详细论述了已有短期负荷预测的方法以及各种方法的原理、计算过程、适用范围和基本特征。对比分析了各种预测方法的优劣，为后文的发展做好铺垫。第三章论述了常规人工神经网络理论在短期负荷预测方面的局限性。针对常规人工神经网络理论的局限性，论述了量子神经网络的理论形成和技术优势，得出量子神经网络能够很好应用于短期负荷预测的结论。对量子神经网络的研究现状进行了分析，论述了已有方法的优势和局限性。最后，介绍了量子神经网络的基本理论基础，包括量子计算的基础知识，量子神经网络的网络模型和量子神经网络的学习方法；。第四章介绍了QNN网络结构及其更新算法，给出量子间隔更新式的推导过程。针对QNN收敛速度慢这一情况，引入反正切函数作为隐含层激活函数，并引入了假饱和预防函数，提出了改进的量子神经网络模型；。第五章详细论述了基于量子神经网络的短期负荷预测的具体步骤。首先分析了影响负荷特性的主要因素，然后介绍了短期负荷预测中所需的数据去伪和数据量化方法。最后，详细分析了基于量子神经网络的短期负荷预测方法在预测日负荷和小时负荷的预测流程；。第六章结合论文的上述工作，解决了对电力系统短期负荷进行预测的具体方法问题，将预测工作分成工作日和周休日两部分，给出了整个电力系统短期负荷预测模型的具体实例。- 49 -第2章 负荷预测的方法和特点2.1 负荷预测的分类根据负荷预测的目的、负荷预测的时限、负荷预测的对象以及待预测负荷的特性，负荷预测可以根据上述特性进行三种分类，具体为：按时间分类、按预测对象分类、按负荷特性分类。1按时间分类电力系统负荷预测按时间进行分类46，可分为超短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测。其内容如下表2.1所示。四种负荷预测的预测时限和预测目的有明显不同：超短期负荷预测指对未来1小时、未来0.5小时甚至未来10分钟的电力负荷变化情况的预测。主要用于对电网进行计算机的在线监控，实现发电容量的合理调度，满足运行要求，使发电成本最小等。短期负荷预测是指对1年以内的电力负荷变化情况的预测，通常预测未来1个月度、未来1周、未来1天的负荷指标。主要是解决电网存在的主要问题，逐步满足负荷的需要，提高供电质量和电网的可靠性，用于电力生产检修计划，安排电力系统短期运行方式等。中期负荷预测通常是对5年左右的电力负荷的发展变化情况所做的预测。主要是就着重将电网的结构及设施有步骤的过渡到规划网络，用制定电力系统的扩建、增容和改建规划，安排电力系统长期运行方式等。电力系统长期负荷预测是指对10 年以上(可长达30 年)的电力负荷的发展变化所做的预测，主要是用于制定电力系统远景规划，研究确定电源布局和规划网络，使之满足远期负荷预测水平的需要。表2.1 负荷预测的时间分类负荷预测的类别预测时限预测目的超短期负荷预测l天以内按小时或按分钟计对电网进行计算机在线控制，实现发电容量的合理调度，满足给定的运行要求，同时使发电成本最小。 短期负荷预测l天以上至1年以下为电力系统调度、发电以及检修计划服务。 中期负荷预测5年左右10年以内用于电力系统规划，包括发电设备及输变电设备静扩建计划、退役计划、改建计划。长期负荷预测10年到30年以内制定电力战略规划，包括燃料需求量、系统发展规划以及重要技术更新、科研规划等。2按预测对象行业分类按预测对象行业分可分为城市民用负荷预测、商业负荷预测、农村负荷预测、工业负荷预测以及其他负荷预测。不同类型的负荷有不同的变化规律。其构成和特点见表2.2。.表2.2 按预测对象行业分时各负荷的构成和特点负荷预测类别负荷构成负荷特点城市民用负荷预测主要是城市居民的家用负荷具有经常的年增长以及明显的季节性波动特点，与居民的日常生活和工作的规律紧密相关。商业负荷预测主要指商业部门里的照明、空调、动力等用电负荷具有覆盖面积大，且用电增长平稳，以及季节性波动的特点。农村负荷预测主要指农村居民用电和农业生产用电与工业负荷相比，受气候、季节等自然条件的影响很大，也受农作物种类、耕作习惯的影响。工业负荷预测主要指工业企业用于工业生产的用电负荷变动较小，受气候影响较小，与工业用户的工作方式及行业的行业特点等有紧密的联系。3按负荷特性分类根据负荷预测表示的不同特性，可分为最高负荷、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24，以满足供电、用电部门的管理工作的需要。本文采用第一种方法分类方法对负荷进行分类，并将重点对短期负荷进行分析预测。2.2 短期负荷预测的特点负荷预测是根据过去和现在的负荷值来预测未来的数值，其研究对象是不确定的，需要采用适当的预测技术和模型来推知负荷的发展趋势和未来可能达到的状况。影响负荷预测的因素是多种多样，选用不同的预测模型其结果也不尽相同。因此电力负荷预测具有如列特点：不确定性或不完全准确性、条件性、负荷预测的地区效应、时间性以及多方案性。特别的，对于短期负荷还具有如下特点：（1）从数学模型上看，电力系统负荷是一个多因素影响的高度综合模型，其变化规律混沌、繁杂，很难用一套算法对其进行精确的模拟。；（2）电力负荷本身的不确定性使得预测结果是一个概率的值；（3）各地区，各时段电力负荷的发展具有可比性和相似性。；（4）电力负荷预测的机理是一个数学模型的过程，不同的模型使用条件不同，有其各自的优缺点；（5）预测时间较短，对计算时间有明确要求；（6）影响电力负荷预测的精度的因素复杂多样、规律各异，包括经济因素、时间因素、气候因素、随机干扰等，各因素影响的大小也因不同地区电力系统的不同而异；（7）相对中长期预测而言，短期负荷预测对预测精度要求较高。2.3 几种常见的负荷预测方法2.3.1 比例系数增长法比例系数增长法假定今后的电力负荷与过去有相同的增长比例，用历史数据求出比例系数，按比例预测未来发展，设第m年的用电量为Am kWh，第n年的用电量为An kWh，则从第n年到第m(nm) 的用电量Al为 (2.2)这与以Am为起点的预测结果相同，这是因为： (2.3)由比例增长法的理论推导可知，该方法思路简单、计算简便，但该方法把负荷在若干时间段的增长看成一致，没有考虑负荷增长的特殊性和复杂性，在实际工程中由于其产生的误差很大仅能作为大致的估算，而不能作为调度和生产的数据使用。2.3.2 弹性系数法电力弹性系数法是编制电力发展规划时常用的一种负荷预测方法，它计算方法简单，容易理解。弹性一词来源于材料力学中的弹性变形的概念。弹性系数指材料长度变形的百分比同所施加力变化的百分比的比率。后来弹性的概念被推广应用于社会经济领域。弹性系数被用来表示两个因素各自相对增长率之间的比率。在对一个因素发展变化预测的基础上，通过弹性系数对另一个因素的发展变化作出预测的一种间接预测方法。弹性系数法适用于两个因素y和x之间有指数函数关系yt=x的情况，式中为比例系数，b为y对x的弹性系数。电力弹性系数是用电量的平均年增长率与国民生产总值(或社会总产值)平均年增长率的比值，当然也可以考虑用电量与其他经济指标的弹性系数。在一般情况下，电力弹性系数应大于1。由以往的用电量和国民生产总值可分别求出它们的平均增长率，记为Ky和Kx从而求得电力弹性系数E (2.4)如果用某种方法预测未来m年的弹性系数为，国民生产总值的增长率为，可得电力需求增长率为 (2.5)这样就可用比例系数增长预测法得出第m年的用电量， (2.6)式中：A0 基年（预测起点年）的用电量。此外，弹性系数预测法的建模方法还包括： y 与K x 均取对数形式的模型、K x 取对数形式的模型、y 取对数形式， K x 取倒数形式的模型和线性函数形式的模型。2.3.3 回归分析方法回归分析方法是研究变量和变量之间依存关系的一种数学方法，根据回归分析方法涉及变量的多少，可以分为单元回归分析和多元回归分析。在回归分析中，自变量是随机变量，因变量是非随机变量，由给定的多组自变量和因变量资料，研究各自变量和因变量之间的关系，形成回归方程，回归方程根据自变量和因变量之间的函数形式，又可分为线性回归方程和非线性回归方程。回归方程求得后，若如给定各自变量数值，即就能求出因变量值。2.3.3.1 线性回归模型在一元线性回归中，自变量是可控制或可以精确观察的变量，用x表示，因变量是依赖于x的随机变量，用y表示，假设x与y的关系为 (2.7)式中：是除x之外，被忽略或无法考虑到的因素，它服从正态分布。a，b及都是不依赖于x的未知参数， x与y的这种关系称为一元线性回归模型。对固定的x，随机变量y的数学期望为： (2.8)显然是x的函数，称它为y关于x的回归。在实际问题中，对自变量x和因变量y作n次实验观察，且在x不全相同的各个值上对y的观察是相互独立的，其n对观察值为(x1, y1),( x2, y2),( xn, yn)。如果依据上述样本能估计出未知参数a、b，记估计值分别为，则称下式 (2.9)为y关于x的线性回归方程。用最小二乘法估计a和b。先作离差平方和 (2.10)由极值定理，选取参数a 、b 使F(a,b) 达到最小，令 (2.11) (2.12)将式2.11-2.12变形，并用和分别代替a和b，得 (2.13) (2.14)式(2.13)- (2.14)有唯一的一组解 (2.15) (2.16)当a、b的估计值和和求出后，便得出y对x的线性回归方程式。2.3.3.2 非线性回归模型设有两个变量x和y，它们之间存在非线性关系。给定一组观测值(x1, y1),( x2, y2),( xn, yn)。其散点图明显的表明不能用一条直线近似地拟合。如果将此种情况按一元线性回归研究，显然是不合适的，这就需要用适当的曲线加以拟合，依据散点图， 通通常常选择双曲线、幂函数曲线、指数曲线、倒指数曲线、对数曲线，S 型曲线等六种曲线之一。当选择的曲线类型确定下来后，可以根据最小二乘法确定估计值。两个变量x和y的关系可以写成如下的一般形式 (2.17)式中：Y是因变量，是待估计的对象；X是自变量，是影响因素；是未知常数(待求)；是除X之外，被忽略或无法考虑到的因素，它服从正态分布。设已知观测值，按统计学理论，问题就是如何求取的最小二乘估计值，即求使得对任何都有，为残差平方和函数： (2.18)极小等价于下面的导数为零 (2.19)式中： 。按非线性回归的Gauss-Raphson解法，用的一阶泰勒级数展开式近似代替求解问题。设的初始值为，则可近似为： (2.20)其中。对于有m个样本数据的情况，残差平方和为： (2.21)式中：。由于是事先设定的一个初值，因此式(13)和(14)中的和可由样本计算得到。这样，式(14)所示的残差平方和函数就转换为一个线性回归模型的残差平方和函数，即： (2.22)对式(2.22)按最小二乘法构造残差平方和得： (2.23)式中：为关于的列向量，为关于的列向量。由式(2.23)可知，当设定的一个初值后，就可以求得一个新的估计值。反复进行迭代，便得到的迭代序列。的一般表达式为： (2.24)依据式(2.24)，当迭代过程达到时，有，即此时的为非线性回归模型参数的最优估计。本文的实际计算中取相对误差为迭代收敛条件。2.3.4 指数平滑法假设时间序列有着某种数据模式，而观测值既体现着这种基本数据模式，又反映着随机变动。指数平滑法的目标就是采用“修匀”历史数据来区别基本数据模式和随机变动。这相当于在历史数据中消除极大值和极小值，获得该时间序列的“平滑值”，并以它作为对未来时期的预测值。指数平滑法又可以分为移动算术平均法，单指数平滑法，线性指数平滑法，二次指数曲线平滑法，季节性指数平滑法等几种典型方法。2.3.4.1 移动算术平均法设当前时期为t ，已知时间序列观测值为(x1, y1),( x2, y2),( xt, yt)，假设按连续n个时期的观测值计算一个平均数，作为对下一个时期，即(t+1)时期的预测值，用表示： (2.25)它的优点是计算简单，缺点是要保存的数据比较多，而且n的大小不容易确定，故它只能用于平稳时间序列时间数列。2.3.4.2 单指数平滑法单指数平滑法实际上是从移动算术平均法演变而来的，它也只能用于平稳时间序列，它的优点是不需要保留较多的历史数据，只要有最近的一期的实际观测值和这期的预测误差，就可以对未来时期进行预测。 (2.26)式中：a 是平滑常数， 0 a 1。可以运用最小均方差的原则