电力负荷预测方法的研究.doc

编号011811307021毕业设计报 告设计题目： 电力负荷预测方法的研究姓名： 苏林婵 专业名称：市场营销 班级： 10市场营销 指导老师姓名：（姓名）钟庭剑 （单位）江西电力职业技术学院报告准备日期2014年3月2014年5月 提交日期： 2014年5月 答辩日期： 2014年5月 答辩委员会主席： 评阅人： 二零一四年五月二十日南昌大学自考本科毕业设计摘要 针对单一预测模型不能完全反映电力负荷的变化规律和信息的问题，本文构造了SVM与AM-NN的组合预测模型，该模型由SVM子模型和基于附加动量算法的AM-NN子模型构成，两个子模型通过最优加权系数融合在一起，具有较好的泛化性和收敛性。通过对实际电网负荷的预测仿真和测试，证实所提出的组合预测模型能有效提高预测精度。关键词：支持向量机；神经网络；附加动量算法；最优加权组合模型Abstract For a single prediction model can not fully reflect the changes of power load issues and information, a combined model based on SVM and AM-NN is constructed in this paper. This model is composed of SVM sub-model and AM-NN sub-model which bases on the additional momentum algorithm. By means of Optimal weighting coefficients, the model compromises two sub-models. Making this model be better at generalization and convergence. The combination model is used in the load forecasting simulating and testing in Qingdao power grid, the results prove that it can effectively improve forecasting accuracy.Key words: Support Vector Machine; Neural network; Additional Momentum algorithm; Combined model with optimum weight 目 录摘要3Abstract4引言51、电力负荷预测综述61.1电力负荷预测的含义61.2、电力负荷预测的意义72、电力负荷分析83、电力负荷预测的内容及程序103.1、电力负荷预测的内容103.2电力负荷预测的程序113.2.1调查和选择历史负荷数据资料133.2.2历史资料的整理133.2.3对负荷数据的预处理143.2.4建立负荷预测模型144、电力负荷预测的方法154.1经典预测方法154.1.1趋势外推法154.1.2时间序列法154.1.3回归分析法16 4.2现代负荷预测方法164.2.1灰色数学理论164.2.2专家系统方法164.2.3神经网络理论17 4.3模糊负荷预测174.3.1表格查寻法174.3.2基于神经网络集成的高木-关野模糊预测算法174.3.3改进的模糊神经网络模型的算法184.3.4反向传播学习算法184.4 综合预测模型法185、短期电力负荷预测模型的建立225.1线性变化模型235.2周期变化模型245.3天气敏感负荷分量模型255.4随机负荷分量模型275.4.1自回归模型275.4.2动平均模型275.4.3自回归动平均模型275.4.4累积式自回归动平均模型286、短期电力负荷预测与SVM与AM-NN组合预测模型研究的实现286.1 组合预测模型结构286.2 SVM子模型296.2.1 AM-NN子模型316.2.2组合模型的权重确定326.3组合预测模型在青岛电网STLF中的应用326.3.1 负荷及影响因素的量化处理326.3.2 训练样本集的构造336.3.3 预测实现流程336.4组合预测模型在青岛电网STLF中仿真测试347.结论37感谢信38参考文献39引言电力系统短期负荷预测是电力系统调度部门的一项重要日常工作，是制订购电计划和安排运行方式的主要依据，其预测精度的高低直接影响到电力系统的安全性和经济性1。在短期负荷预测研究的早期，时间序列法、回归分析法等传统预测方法得到研究与应用，但由于电力负荷非线性强，使得这些方法难以模拟复杂多变的电力负荷，预测精度不理想。近年来，随着智能技术的不断发展，专家系统、模糊逻辑、神经网络等智能方法被广泛应用于电力系统的短期负荷预测中。基于BP算法的神经网络（Neural Network）能较好地描述负荷和影响负荷因素之间的非线性关系，被广泛应用于短期负荷预测中2-4。但该类模型存在收敛速度慢，容易陷入局部极值点等缺陷。支持向量机(Support Vector Machine SVM )是一种针对分类和回归问题的统计学习理论，是一类基于结构风险最小化原则的新型机器学习算法。其基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个高维空间中寻求输入变量和输出变量之间的非线性关系的精确描述。核心问题是寻找一种归纳原则以实现最小化风险泛函，得到最佳的推广能力。SVM已被应用于电力系统负荷预测的研究中5-7。本文构造了SVM与AM-NN的组合预测模型，该模型由SVM子模型和基于附加动量（Additional Momentum, AM）算法的AM-NN子模型构成，两个子模型通过最优加权系数融合在一起，具有较好的泛化性和收敛性。通过对实际电网负荷的预测仿真和测试，证实所提出的组合预测模型能有效提高预测精度。1、电力负荷预测综述电力负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，其对电力系统规划和运行都极其重要。电力负荷预测包括两方面的含义，即用以指安装在国家机关、企业、居民等用户处的各种用电设备，也可用以描述上述用电设备所消耗的电力电量的数值。电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据。 1.1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700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。1.2、电力负荷预测的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。本文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、电力负荷分析电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。总的来说，电力负荷的特点是经常变化的，如按小时变、日变、周变和年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是一个连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气、作息时间等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。因此，电力负荷的特点决定了电力总负荷由以下四部分组成：基本正常负荷分量、天气敏感负荷分量、特别事件负荷分量和随机负荷分量。因此，根据电力负荷的影响因素和变化规律，负荷的预测特点有以下几个方面：(1) 不准确性电力负荷的发展是不确定的，会受到电力市场、天气状况等因素的影响，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到，加上一些临时发生变化的影响，就决定了预测结果的不准确性或不完全准确性。(2) 条件性如果负荷人员真正掌握了电力负荷的本质规律，其预测条件就是必然条件，所做出的预测往往是比较可靠的。然而很多情况下负荷的发展是不确定的，常采用一些假设条件。因此，各种负荷预测都是在一定条件下做出的。(3) 时间性负荷预测属于科学预测的范畴，要求有比较确切的数量概念，这就需要确切地指明预测的时间。因此，负荷预测都有一定的时间范围。(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。 负荷预测工作的关键在于收集大量的历史数据，建立科学有效的预测模型，采用有效的算法，以历史数据为基础，进行大量试验性研究，总结经验，不断修正模型和算法，以真正反映负荷变化规律。其基本过程如下：（1）确定预测目标和预测内容（2）收集数据（3）预测模型的建立（4）模型估计、检验和评价（5）利用预测模型进行预测，结果分析和上报 3、电力负荷预测的内容及程序3.1、电力负荷预测的内容 电力系统负荷预测包括最大负荷功率、负荷电量及负荷曲线的预测。最大负荷功率预测对于确定电力系统发电设备及输变电设备的容量是非常重要的。为了选择适当的机组类型和合理的电源结构以及确定燃料计划等，还必须预测负荷及电量。负荷曲线的预测可为研究电力系统的峰值、抽水蓄能电站的容量以及发输电设备的协调运行提供数据支持。 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。3.2电力负荷预测的程序负荷预测工作的关键在于收集大量的历史数据，建立科学有效的预测模型，采用有效的算法，以历史数据为基础，进行大量试验性研究，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。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。（4）题出预测报告阶段预测报告是预测结果的文字表述。预测报告一般包括题目、摘要、正文、结论、建议、和附录等部分。预测题目主要反映预测目标、预测对象、预测范围和预测时限。摘要通常说明预测中的主要发现、预测的结果及提出的主要建议和意见。摘要与题目配合，可以引起有关方面的重视。正文包括分析及预测过程、预测模型及说明、有关计算方法、必要的图表、预测的主要结论及对主要结论的评价。结论与建议是扼要地列出预测的主要结果，提出有关建议和意见。附录主要包括说明正文的附表、资料，预测中采用的计算方法的推导和说明，以及正文中未列出的有价值的其他资料。总结经验，不断修正模型和算法，以真正反映负荷变化规律。其基本过程如下。3.2.1调查和选择历史负荷数据资料多方面调查收集资料，包括电力企业内部资料和外部资料，从众多的资料中挑选出有用的一小部分，即把资料浓缩到最小量。挑选资料时的标准要直接、可靠并且是最新的资料。如果资料的收集和选择得不好，会直接影响负荷预测的质量。3.2.2历史资料的整理一般来说，由于预测的质量不会超过所用资料的质量，所以要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，来保证资料的质量，从而为保证预测质量打下基础，即要注意资料的完整无缺，数字准确无误，反映的都是正常状态下的水平，资料中没有异常的分离项，还要注意资料的补缺，并对不可靠的资料加以核实调整。3.2.3对负荷数据的预处理在经过初步整理之后，还要对所用资料进行数据分析预处理，即对历史资料中的异常值的平稳化以及缺失数据的补遗，针对异常数据，主要采用水平处理、垂直处理方法。数据的水平处理即在进行分析数据时，将前后两个时间的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；数据的垂直处理即在负荷数据预处理时考虑其24h的小周期，即认为不同日期的同一时刻的负荷应该具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正，为待处理数据的最近几天该时刻的负荷平均值。3.2.4建立负荷预测模型负荷预测模型是统计资料轨迹的概括，预测模型是多种多样的，因此，对于具体资料要选择恰当的预测模型，这是负荷预测过程中至关重要的一步。当由于模型选择不当而造成预测误差过大时，就需要改换模型，必要时，还可同时采用几种数学模型进行运算，以便对比、选择。在选择适当的预测技术后，建立负荷预测数学模型，进行预测工作。由于从已掌握的发展变化规律，并不能代表将来的变化规律，所以要对影响预测对象的新因素进行分析，对预测模型进行恰当的修正后确定预测值。4、 电力负荷预测的方法负荷预测问题就是预测的技术和方法或数学模型，随着科学技术的不断进步，负荷预测理论技术得到了很大发展，理论研究不断深入，适合本地特点的预测程序、软件开始出现。总之，其负荷预测方法有从经典的回归法、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。4.1经典预测方法4.1.1趋势外推法就是根据负荷的变化趋势对未来负荷情况作出预测。电力负荷虽然具有随机性和不确定性，但在一定条件下，仍存在着明显的变化趋势，例如农业用电，在气候条件变化较小的冬季，日用电量相对稳定，表现为较平稳的变化趋势。这种变化趋势可为线性或非线性，周期性或非周期性等等。4.1.2时间序列法时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。随机型时间序列预测模型可以看作一个线性滤波器。根据线性滤波器的特性，时间序列可划为自回归(AR)、动平均(MA)、自回归-动平均(ARMA)、累计式自回归-动平均(ARIMA)、传递函数(TF)几类模型，其负荷预测过程一般分为模型识别、模型参数估计、模型检验、负荷预测、精度检验预测值修正5个阶段。4.1.3回归分析法回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测。4.2现代负荷预测方法20世纪80年代后期，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用。这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等。4.2.1灰色数学理论灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影响因子的综合作用结果。这些众多因子的未知性和不确定性，成为系统的灰色特性。灰色系统理论把负荷序列通过生成变换，使其变化为有规律的生成数列再建模，用于负荷预测。4.2.2专家系统方法专家系统方法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。借助专家系统，负荷预测人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。 神经网络理论是利用神经网络的学习功能，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。由于该方法具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场，但其缺点是学习收敛速度慢，可能收敛到局部最小点；并且知识表达困难，难以充分利用调度人员经验中存在的模糊知识。4.3模糊负荷预测模糊负荷预测是近几年比较热门的研究方向。模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效控制。模糊系统不管其是如何进行计算的，从输入输出的角度讲它是一个非线性函数。模糊系统对于任意一个非线性连续函数，就是找出一类隶属函数，一种推理规则，一个解模糊方法，使得设计出的模糊系统能够任意逼近这个非线性函数。模糊预测的一些基本方法4.3.1表格查寻法表格法是一种相对简单明了的算法。这个方法的基本思想是从已知输入-输出数据对中产生模糊规则，形成一个模糊规则库，最终的模糊逻辑系统将从组合模糊规则库中产生。这是一种简单易行的易于理解的算法，因为它是个顺序生成过程，无需反复学习，因此，这个方法同样具有模糊系统优于神经网络系统的一大优点，即构造起来既简单又快速。4.3.2基于神经网络集成的高木-关野模糊预测算法它是利用神经网络来求得条件部输入变量的联合隶属函数。结论部的函数f(X)也可以用神经网络来表示。神经网络均采用前向型的BP网络。4.3.3改进的模糊神经网络模型的算法模糊神经网络即全局逼近器。模糊系统与神经网络似乎有着天然的联系，模糊神经网络在本质上是模糊系统的实现，就是将常规的神经网络(如前向反馈神经网络，HoPfield神经网络)赋予模糊输入信号和模糊权。对于复杂的系统建模，已经有了许多方法，并已取得良好的应用效果。但主要缺点是模型精度不高，训练时间太长。此种方法的模型物理意义明显，精度高，收敛快，属于改进型算法。4.3.4反向传播学习算法模糊逻辑系统应用主要在于它能够作为非线性系统的模型，包括含有人工操作员的非线性系统的模型。因此，从函数逼近意义上考虑，研究模糊逻辑系统的非线性映射能力显得非常重要。函数逼近就是模糊逻辑系统可以在任意精度上，一致逼近任何定义在一个致密集上的非线性函数，其优势在于它有能够系统而有效地利用语言信息的能力。万能逼近定理表明一定存在这样一个可以在任意精度逼近任意给定函数的高斯型模糊逻辑系统。反向传播BP学习算法用来确定高斯型模糊逻辑系统的参数，经过辨识的模型能够很好的逼近真实系统，进而达到提高预测精度的目的。 随着电力市场的发展，负荷预测的重要性日益显现，并且对负荷预测精度的要求越来越高。传统的预测方法比较成熟，预测结果具有一定的参考价值，但要进一步提高预测精度，就需要对传统方法进行一些改进，同时随着现代科学技术的不断进步，理论研究的逐步深入，以灰色理论、专家系统理论、模糊数学等为代表的新兴交叉学科理论的出现，也为负荷预测的飞速发展提供了坚实的理论依据和数学基础。相信负荷预测的理论会越来越成熟，预测的精度越来越高。4.4 综合预测模型法由于各预测方法的特点不同以及电力负荷的复杂性，各方法的预测结果往往“时好时坏”，所以可以通过组合预测来提高预测精度。组合预测综合利用了各种预测方法的预测结果，用适当的权系数加权平均进行预测。这种方法的关键在于求出各种预测方法的权系数。电力系统负荷预测领域的综合预测一般有两种含义：一是指将几种预测模型各自的预测结果通过选取适当的权重进行加权平均得到最终预测结果的一种预测方法，该类方法的实质是各预测模型权重的优化确定；另一种含义则是指在几种预测模型中进行比较，按某种准则选择（拟合优度最佳或标准离差最小）其中某个预测模型作为最优模型进行预测。目前常用的综合预测模型有：等权平均模型、方差-协方差综合预测模型等，它们的主要区别在于确定权重采用的方法不同。起初这些综合预测模型都是采用了固定不变的权重，但是随着时间的推移各单一预测模型受不同因素影响的程度也将发生变化，从而影响该综合预测模型的可信度。 在此基础上进而发展了权重可变（即动态变化）的电力系统负荷综合优化预测模型，以更好的反映电力负荷变化的规律。虽然综合预测模型算法的选取相较于所取的单一模型的精度有再次改进，但是预测模型的可信度高低关键在于各单一模型权重的选取。其中，固定不变的权值由于各模型受不同因素的影响而发生变化，对事实的反映程度有所受损，而针对固定不变权值的这一缺点而发展的可变权值理论中由于可变权值会出现负值导致该方法可行性的认可程度。分析比较上述的几种智能预测方法，较经典预测方法和传统预测方法在预测精度上都有所改进。但是智能预测模型在应用中由于参数选取的不确定性影响了它的预测精度，如人工神经网络模型中的学习率（）和惯性因子（）、模糊算法模型中的模糊隶属度（a）和综合模型中的权重因子。另一方面，虽然智能预测方法针对提高历史数据的拟合精度方面进行了很多改进，但是随着社会经济（尤其在市场经济的影响下）的快速发展，统计方法对于不确定因素考虑不够的缺陷日益显著，其中历史负荷数据的真实性就有待修正；同时，由于中长期电力负荷具有非线性和时变性，要通过清晰的数学方程来表达输入（历史年负荷值、负荷影响因素值）与输出（规划年负荷值）之间的关系存在着种种困难，所以至今没有一个很合适的方法及模型能准确地对中长期负荷进行有效预测。综上所述，电力负荷预测的实质就是利用以往的数据资料找出负荷变化的规律，从而对未来负荷的变化及状态做出预测。进行电力负荷预测时，如果仅以某种简单的函数关系去反映电力负荷与其影响因素（如气象、环境、经济等）之间的关系，会使得到的预测结果与实际偏离较远，而如果建立复杂模型，又由于各自模型本身因含有不定因素而导致其存在大小不同的误差，另外由于对电力负荷的影响因素（如国民经济增长率、宏观经济形势、产业结构和能源结构等）又是非可测的，所以对于电力中长期负荷预测来说，无论预测模型的精度如何改进，一旦上述任何一个非可测因素的实质性改变都将导致电力中长期负荷预测出现较大失误。用前述几种方法预测负荷（电量）的结果不应只看作是一个固定的数，而应看作范围。在规划设计中一般考虑高、低及一般可能出现的负荷水平。对近期负荷预测水平，常用近期电源的可能发展速度来检验实现的可能性，即从供电的可能性来预测所需的负荷水平。同样对中长期负荷预测水平，也可根据能源的可能发展速度来检验。三、负荷预测的调查研究工作 为了做好负荷预测工作，必须对电力系统负荷的现状及历史统计资料进行调查，搜集规划期各行业用户的发展资料，要研究那些电力负荷所代表的国民经济各行各业的发展规律，摸清这些行业实际发展的可能性。为了很好地掌握系统中用电增长的因素和规律，需要在充分调查研究的基础上，对以下内容进行分析： l、能源变化的情况与电力负荷的关系； 2、国内生产总值增长率与电力负荷增长率的关系； 3、工业生产发展速度与电力负荷增长速度的关系； 4、设备投资、人口增长与电力负荷增长的关系； 5、电力负荷的时间序列发展过程。 此外尚需就电力负荷水平与反映经济和社会情况的变量影响进行分析，这些变量包括：人口、经济形势、经济政策、经济指数、市场情况、物价因素、电价因素、城乡居民家用电气化情况、燃料供应及其价格等。 这样，在负荷分析，注意了转折点，分析了负荷增长率高及低的经济形势和市场情况， 以及与国民经济生产的关系。 充分分析事物发展的前提条件，努力寻找限制事物发展的限制性因素，在预测国民经济发展和电力负荷时是很有用的。它可以使我们从诸多不定情况中看出很多可定因素。比如：对北京城区进行负荷预计，可采用负荷密度法进行分区预计。如城中心的故宫，负荷密度低，将来也不会大量增长；在前门至长安街之间，采用人民大会堂的负荷密度推算，应是最大数，等等。国民经济发展经常在变，对未来的看法也经常会变，要防止高时常看高、低时常看低的情况。过去的负荷预测中，对新工业区预计的负荷往往达不到，因工业设备投产后再达到设计能力，需要时间；老工业区常有想不到的负荷上涨，因有潜力。在负荷预测中，若将一切可能均算入，则预测负荷必然偏高；一切计算都要有可靠根据，则预测负荷必然偏低。5、 短期电力负荷预测模型的建立短期负荷预测基本模型是指24小时的日负荷预测和168小时的周负荷预测，列举其预测周期，知其基本变化规律可由线性变化模型和周期变化模型来描叙，日负荷至周负荷的变化，受特别事件影响明显，对应特别事件负荷分量模型，同附和随机负荷分量。线性变化模型用来描叙日平均负荷变化规律，将历史上一段日平均负荷按时序画在一张图上，可以看出每日平均负荷有波动，总体趋势是一条直线，可用线性模型表示。周期模型用来描叙24小时为周期的变化规律，在分析日负荷曲线形状时，除掉日平均负荷的变化因素，将连续几天的日负荷变化画在一张图上，可以看出明显的周期性，即以24小时为周期循环变化。特别事件（天气）负荷分量，考虑时可把特别天气或天气变化看作是特别时间和其它如特别节目，重大纪念活动等合并作为特别事件考虑，也可以把有关天气对负荷的影响和其他事件出现对负荷的影响分开考虑，负荷在一定程度上，受分量影响很大，进一步提高负荷预测精度，关键是科学合理地预测特别事件负荷分量，但往往还不是一件容易的事情。详细地考虑特别事件（天气）负荷分量，是一件复杂的工作，可以专门用专家系统来做实际工作中一般做适当简化，目前，常把特别事件和天气对负荷的影响分开考虑，特别事件用前已讲过的乘子模型或叠加模型考虑；天气变化对负荷的影响，一般主要考虑温度影响，把负荷看作是温度的函数，由历史负荷数据和温度记，通过线性同归的办法，来确定其关系。随机负荷分量，一般由时间序列模型描述。针对影响系统负荷的因素，电力系统总负荷预测模型一般可以按四个分量模型描述为 L(t)=B(t)+W(t)+S(t)+V(t) （5-1）式中，L(t)为时刻t的系统总负荷；B(t)为时刻t的基本正常负荷分量；W(t)为时刻t的天气敏感负荷分量；S(t)为时刻t的特别事件负荷分量；V(t)为时刻t的随机负荷分量。基本正常负荷分量模型不同的预测周期，B(t)分量具有不同的内涵。对于超短期负荷预测，B(t)近似线性变化，甚至是常数；对于短期负荷预测，B(t)一般呈周期性变化；而中长期负荷预测中，B(t)呈明显增长趋势的周期性变化。所以，对于基本正常负荷分量，可以用线性变化模型和周期变化模型描述，或用二者的合成共同描述，即 （5-2）式中，为线性变化模型负荷分量；为周期变化模型负荷分量。线性变化模型可以表示为 （5-3）式中，a,b为线性方程的截距和斜率；为误差。5.1线性变化模型超短期负荷变化可以直接采用线性变化模型，将前面时刻的负荷描述成一条直线，其延长线即可预测下一时刻的负荷，如图所示。短期负荷日均值接近于常数，长期负荷年均值增长较大，甚至需要用非线性模型（二次或指数函数）描述。针对短期负荷预测，将历史上一段日负荷L按时序画在一张图上，见图5.1所示，将及每日平均负荷X画在图上，总体看来是一条斜率接近于零的直线，可用线性模型来描述。图5.1 负荷线性变化模型5.2周期变化模型周期变化模型，是用来反映负荷有按日、按月、按年的周期变化特性。如图5.2所示给出了日负荷曲线，其周期变化规律可以用日负荷变化系数表示： （5-4）其中，为一天中各小时的负荷；为当天的日平均负荷。L12nn+181624816242424168图5.2 日负荷周期变化模型图5.2给出连续几天的日负荷变化系数曲线，其有明显的周期性，即以24小时为周期循环变化。顺序观察每天同一时刻的负荷变化系数值，可以看出他们接近于一条水平线，这样便可以用前几天的同一时刻的负荷变化系统值的平均值预测以后的值。逐小时作出日负荷变化系数的平均值，连接起来就是一天总的周期变化曲线。我们把这种反映一天24小时负荷循环变化规律的模型称为日周期变化模型。即 (t=1,2,.,24) （5-5）式中，n为过去日负荷的天数；为过去第天第t小时负荷变化系数。这样，按线性模型预测B(t)的负荷均值X(t)，按周期变化模型预测B(t)的周期负荷变化系数Z(t)，用式（5-2）就可以得到基本负荷分量B(t)。5.3天气敏感负荷分量模型影响负荷的天气因素，有温度、湿度、风力、阴晴等，这里以温度为例说明天气敏感负荷模型。以日负荷预测为例，给定过去若干天气负荷记录、温度记录，利用线性回归或曲线拟合方法，可以用三段直线来描述天气敏感负荷模型 （5-6）式中，t为预测温度，可以是一日最高温度、最低温度、平均温度或是某时点温度；， 为电热临界温度和斜率，时电热负荷增加，其斜率为；，为冷气临界温度和斜率，是冷气负荷增加，其斜率为。在之间一段温度上，电热和冷气均不开放，负荷和温度没什么关系。特别事件负荷分量模型特别事件负荷分量指特别电视节目、重大政治活动等对负荷造成的影响。其特点是只有积累大量的事件记录，才能从中分析出某些事件的出现对负荷的影响程度，从而作出特别事件对负荷的修正规则。这种分析可以用专家系统方法来实现，也可以简单的用人工修正来实现。人工修正方法通常用因子模型来描述。因子模型又可以分为乘子模型和叠加模型两种。乘子模型，是用一个乘子k来表示特别事件对负荷的影响程度，k一般接近于1，那么，特别事件负荷分量为 （5-7）叠加模型，是直接把特别事件引起的负荷变化值当成特别事件负荷分量，即 （5-8）5.4随机负荷分量模型上述各分量的数学模型，都不适应于随机负荷分量。实际上，对于给定的过去一段时间的历史负荷记录，提取出基本负荷分量、天气敏感负荷分量和特别事件负荷分量后，剩余的残差即为各时刻的随机负荷分量，可以看成是随机时间序列。目前，处理这样问题的最有效办法是Box-Jenkins的时间序列法，其基本的时间序列模型有下述4种。5.4.1自回归模型一个自回归模型（AR）描述的过程是它的现在值可以由本身的过去的有限项的加权和及一个干扰值a(t)（假设为白噪声）来表示，即 （5-9）在自回归模型中，模型的阶数p和系数（=1，2，,p）由过去值通过模型辨别和参数估计来决定。5.4.2动平均模型动平均模型（MA）描述的过程是它的现在值V(t)可由其现在和过去的干扰值的有限项的加权和来表示，即 （5-10） 同样，模型的阶数q和系数（=1，2，,q），由过去的历史值通过模型辨别和参数估计决定。5.4.3自回归动平均模型自回归动平均模型（ARMA）把它的现在值V(t)看作是它的过去值的有限项的加权和及其现在和过去干扰量的有限项加权的叠加，即 （5-11）5.4.4累积式自回归动平均模型非平稳随机过程多种多样，一般常见的是含有趋势项和周期项的非平稳随机过程。某些非平稳随机序列V(t)，例如均值不为0的非平稳随机过程，经一阶差分后得到的序列（1-B）V(t)有可能是平稳的。有趋势变化的非平稳随机过程，有可能经过若干次差分后才能平稳化，即对V(t)作多次差分得到的是一个平稳随机过程，即 （5-12）式中，d为差分阶数；B为后移算子。具有周期变化规律的非平稳时间序列V(t)，它按固定的周期T呈现的规律变动。如果每个时间点的值都和超前T的（t-T）值进行差分运算，那么（1- ）V(t)就变成平稳时间序列了，其中是周期为T的后移算子。所以，对于一个含有趋势项的非平稳随机过程，可有下式来描述： （5-13）6、短期电力负荷预测与SVM与AM-NN组合预测模型研究的实现6.1 组合预测模型结构电力系统负荷具有强非线性，影响因素较多，采用单个的模型只能体现系统的局部特征，多个模型的有效组合有助于体现系统的整体特征，提高预测精度8。组合预测模型由SVM子模型和AM-NN子模型构成，通过最优加权系数将两个模型融合在一起，模型拓扑结构如图1所示。图1 组合预测模型结构图设为预测日第i时刻预测值，其实际负荷值为。分别为SVM和AM-NN子模型的预测值，分别为他们在组合模型中的权重。则组合模型的预测值为： （1）6.2 SVM子模型依据支持向量机理论，构造了SVM子模型。它是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个高维空间中寻求输入向量和输出向量之间的非线性关系的精确描述。给定负荷样本，。其中，为输入向量，为目标输出向量，为样本容量。设回归函数为 （2）式中：为权向量，；为输入向量由的非线性映射，通过这种变换，在高维映射空间中，样本点是线性的；为常数。然后在此高维空间中做回归估计函数逼近，将回归估计问题定义为对一个损失函数进行结构风险最小化。此时，最优的回归函数是一定约束条件下的最小泛函，即： （3）约束条件为： （4）式（3）和式（4）中，为常数，称为惩罚因子；为引入的松弛变量；为不敏感损失函数系数。通过构造拉格朗日函数，可得其对偶函数为：（5）约束条件为： （6） 式（5）和式（6）中，为拉格朗日乘子。求解后的回归函数为： （7）令核函数代替式（7）中的内积可得： （8）核函数为满足Mercer条件的任一对称函数，利用核函数的优点是不再需要知道映射具体形式，不需要直接处理高维特性空间，只需要给出核函数即可。常用的核函数有线性核函数，多项式核函数，径向基（RBF）核函数等。本文采用径向基核函数，如式（9）所示： （9）式（9）中，表示核宽度，当式（8）中参数不为0时，对应的向量称为支持向量。6.2.1 AM-NN子模型AM-NN子模型采用前馈NN拓扑结构，包括输入层、隐含层和输出层等三层，采用AM算法作为NN的学习算法。前馈NN常采用BP算法作为学习算法，它实质上是一种简单的最速下降寻优算法，它的权值修正是沿着当前时刻负梯度方向进行的，权值修正如式（10）所示。 （10）式（10）中，和分别表示第t+1次迭代修正前后的权值，为权值修正量，其中为学习速率，为第k个样本第i个节点的输出量，为样本训练误差。从式（10）可以看出，BP算法并没有考虑以前积累的经验，即历史时刻的负梯度方向，从而使学习过程容易发生震荡，收敛速度慢。AM算法在传统BP算法的基础上将上一次权值调整量的一部分迭加到本次误差计算所得的权值调整量上，作为本次的实际权值调整组成部分。AM算法如下式所示： （11）式（11）中 为第t次迭代的权值修正量。为动量项；为动量因子（）；其余参数与式（10）参数相同。从式（11）可以看出，AM算法在权值修正过程中，不仅考虑了误差在梯度上的作用，而且考虑了在误差曲面上变化趋势的影响，降低了网络对于误差曲面局部细节的敏感性，减小了学习过程中