电力系统的短期负荷预测

摘要随着我国区域性电力市场的逐步建立和完善，短期负荷预测工作将在电力市场运营中占据重要的地位。国内外的许多专家、学者在预测理论和方法做了大量的研究工作，取得了很多卓有成效的进展。目前用于短期负荷预测的方法很多，可以分为典型预测方法、传统预测方法和智能预测方法等。经典方法有回归分析法和时间序列发，传统方法有卡尔曼滤波发、指数平滑发、灰色预测法、小波分析法。智能预测发有专家系统发、人工神经网络发。电力系统短期发电计划是在一个调度周期内，根据负荷预报，在满足负荷需求和机组安全、启停机限制的约束条件下，优化选定各时段参加运行的机组，决定机组开停时间及其出力情况，使整个机组在周期内的总消耗为最小。关键词：短期负荷；预测方法；发电计划；总消耗第1章绪论1.1研究背景和意义中国电力工业作为其他各行各业的能源支柱，其生产过程、输送过程、分配过程及其供应消费过程的紧密结合，才能使电力能源得到充分有效的利用。这是由于电能很难进行大规模地贮存，这就需要电力系统的发电出力情况与系统负荷需求保持一致，达到一定的供需均衡，否则将会造成能源浪费，用户用电质量下降，甚至会影响整个电网的安全性和稳定性。因而充分把握负荷的变化规律及其未来的发展变化趋势，有利于保障电力系统安全、稳定、经济的运行，这就使得电力负荷预测成为电力系统中的一项重要研究课题。在全新的电力工业发展背景下，电力负荷预测依然显得尤为重要。中国电力正朝着新兴电力价值链的方向发展，由传统的以电力生产为中心逐步向以客户为中心转变。电力的生产、输送、分配及其供应使用过程需要加强与分布式资源、信息化平台以及用户的双向互动。因此充分了解用户用电情况，提高负荷认知水平，根据用户需求，进行合理的预测性分析，并作出科学部署，有助于新兴电力价值链的成功转变。电力负荷预测是电力大数据的重要应用之一。通过智能电表、SCADA以及各类传感器技术进行数据采集，然后结合分布式文件系统进行云存储，再通过云计算进行海量数据分析，实现负荷及时准确的预测，从而用于电网部门的决策、调度、规划和营销等方面。2013年中国电力大数据白皮书明确指出要建设支撑经营与管理的科学营销决策平台，实现市场运营以及客户服务等各类主题的分析及预测，提高营销服务的综合分析预测能力，实现客户用电管理优化、用能实时分析和预测等高级应用，提供用电增值服务。1.2国内外研究现状20世纪60-70年代开始，世界各国经济迅猛发展，对电力需求量越来越大，对电能质量的要求也越来越高，从而带动电力系统迅速发展。从这时候开始，负荷预测从早期的不重视开始向应用、探索和研究方向发展。负荷预测的发展大致可以划分为两个阶段:第一阶段（20世纪60-80年代）是使用传统负荷预测技术的阶段，这一阶段基本沿袭了经济领域的预测技术，典型的如时间序列法、回归分析法；第二阶段（20世纪90年代到现在），随着计算机技术的日新月异，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、人工神经网络和模糊逻辑系统代表着当今人工智能技术的三大分支，它们都在负荷预测领域逐步得到应用。同时，提出了灰色系统理论、非线性系统理论、小波分析理论等技术方法。目前，国内外关于短期电力负荷预测的研究主要集中在三个方面：负荷预测的影响因素、负荷预测的数学模型以及负荷预测的算法。相对前两个方面，在算法方面的研究最广泛，已经涌现出了各种不同算法，而这些算法在模型的复杂性、灵活性、对数据的要求以及满足用户的特殊要求等方面都有着很大的不同。用于短期负荷预测方法很多，近年来，预测理论技术取得了长足的进步，负荷预测的新技术层出不穷，综合起来主要有：传统预测法、现代预测法两大类。电力弹性系数等于用电量年增长率与国内生产总值(或社会总产值)年增长率的比值。通过预测未来年份的弹性系数和国民生产总值的增长率可得到电力需求的增长率。电力弹性系数与科技进步和经济结构及产品结构的调整有关，科技进步等因素可以使单位产值的电耗不增加甚至减少。这种方法的优点是计算简单，缺点是预测的结果可信度不高。对各类工业的用电量采用单位产品(或按产值)的耗电定额(简称单耗)进行预测，计算公式是：用电量=产品产量×产品的单位耗电量。有时考虑用国内生产总值或工业总产值结合其电量单耗计算出用电量，这被作产值单耗法。这种方法同样计算简单，预测结果精度不高。1.3研究内容短期负荷预测主要是预测方法的研究，充分探讨电网负荷变化与历史负荷数据样本及其影响负荷变化的相关因子（诸如：气象因素、日期类型等）之间的关系，进而建立合理的预测模型对所需的某一时段进行预测。目前国内外专家学者建立了各种各样的数学模型，经过不断地发展完善，预测方法可以分为两大类，一类为传统预测方法，主要包括回归分析法、时间序列法、趋势外推法等；另一类为智能预测方法，主要包括神经网络、支持向量机、灰色理论、模糊预测和组合预测等方法。传统预测方法主要以历史负荷数据为主要研究对象，通过分析历史负荷变化趋势，依据数理统计原理，而建立的一种预测方法，主要包括：基于时间序列的预测方法：将负荷数据看作是一个周期变化的平稳时间序列。以季节、周、天或小时为周期，观测负荷序列呈现出的某种随机特性，评估产生实际序列的随机过程，然后建立相应的数学模型，对未来负荷进行预测。时间序列法优缺点：对历史负荷及其相关数据样本需求量较少，能够较好地处理平稳时间序列的负荷预测；然而大多数情况下负荷变化并不是简单的平稳序列，气象因素、日期类型对负荷变化具有一定的影响，节假日负荷和正常日负荷有着明显区别，因此时间序列法对非平稳的数据样本存在一定的局限性。趋势外推法：电力负荷数据样本存在着随机性和不确定性，同时也存在着一定的变化趋势，从季度和月份用电情况来看，易见其周期性变化规律。该法包括水平趋势、线性趋势、多项式趋势、季节型趋势以及增长趋势等预测方法，主要通过描绘描散点图，定性地分析负荷变化趋势，按照变化走势，预测未来时段负荷。趋势外推法的主要优缺点：对历史负荷数据样本需求量较少，能够有效地处理规律性强的电力负荷预测问题；当电力负荷呈现不稳定波动时，则会引起较大的误差。回归预测方法：其基本思想是以历史负荷数据本身为自变量，以待预测的负荷为因变量，用回归分析法对历史数据进行统计分析，并用回归方程描述自变量和因变量之间的关系，估计模型的参数，建立预测数学模型。该法优缺点：模型简单、预测速度快且外推特性较好；然而所需要的样本量较大，且对样本的分布规律有所要求。第2章研究方法本文对某市进行电力短期负荷预测，电力负荷的构成与特点如下，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。城市民用负荷主要是城市居民的家用电器，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。商业负荷同样具有季节性波动的特性。虽然商业负荷在电力负荷中所占比重不及工业负荷和民用负荷，但商业负荷中的照明类负荷占用电力系统高峰时段。此外，商业部门由于商业行为在节假日会增加营业时间，从而成为节假日中影响电力负荷的重要因素之一，它不仅取决于工业用户的工作方式（包括设备利用情况、企业的工作班制等），而且与各行业的行业特点，季节因素都有紧密的联系，一般负荷是比较恒定的。农村负荷则是指农村民用电和农业用电。此类负荷与工业负荷相比，受气候、季节等自然条件的影响很大，这是由农业生产的特点所决定的。农业用电负荷也受农作物种类、耕作习惯的影响，但就电网而言，由于农业用电负荷集中的时间与城市工业负荷高峰时间有差别，所以对提高电网负荷率有好处。2.1引言电力系统负荷预测是指从电力负荷自身的变化情况以及经济、气象等因素的影响规律出发，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，以未来的经济、气象等因素的发展趋势为依据，对电力需求作出预先的估计和推测。负荷预测包括两方面的含义：对未来需求量(功率)的预测和未来用电量(能量)的预测。电力需求量的预测决定发电、输电、配电系统新增容量的大小；电能预测决定发电设备的类型(如调峰机组、基荷机组等)。负荷预测的目的就是提供负荷发展状况及水平，同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平，确定各规划年用电负荷构成。按照国家安排的产品产量、产值计划和用电单耗确定需电量。单耗法分"产品单耗法"和"产值单耗法"两种。采用"单耗法"预测负荷前的关键是确定适当的产品单耗或产值单耗。从我国的实际情况来看，一般规律是产品单耗逐年上升，产值单耗逐年下降。单耗法的优点是：方法简单，对短期负荷预测效果较好。缺点是：需做大量细致的调研工作，比较笼统，很难反映现代经济、政治、气候等条件的影响。在分析电力负荷频谱特性时发现负荷信号的变化过程具有连续频谱的特性.该文在此基础上提出一种基于小波变换的电力系统的短期负荷预测新方法:通过小波变换,将各序列分量分别投影到不同的尺度上,对不同的子负荷序列进行数据处理,并分别采用相匹配的模型进行预测,最后通过小波重构,得到完整的负荷预测结果.算例计算表明新方法具有较高的预测精度和较强的适应能力。2.2趋势外推法当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t为自变量，时序数值y为因变量，建立趋势模型y＝f(t)。当有理由相信这种趋势能够延伸到未来时，赋予变量t所需要的值，可以得到相应时刻的时间序列未来值。这就是趋势外推法。应用趋势外推法有两个假设条件：①假设负荷没有跳跃式变化；②假定负荷的发展因素也决定负荷未来的发展，其条件是不变或变化不大。选择合适的趋势模型是应用趋势外推法的重要环节，图形识别法和差分法是选择趋势模型的两种基本方法。外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法、生长曲线趋势预测法。趋势外推法的优点是：只需要历史数据、所需的数据量较少。缺点是：如果负荷出现变动，会引起较大的误差。2.3弹性系数法弹性系数是电量平均增长率与国内生产总值之间的比值，根据国内生产总值的增长速度结合弹性系数得到规划期末的总用电量。弹性系数法是从宏观上确定电力发展同国民经济发展的相对速度，它是衡量国民经济发展和用电需求的重要参数。该方法的优点是：方法简单，易于计算。缺点是：需做大量细致的调研工作。2.4回归分析法回归预测是根据负荷过去的历史资料，建立可以进行数学分析的数学模型。用数理统计中的回归分析方法对变量的观测数据统计分析，从而实现对未来的负荷进行预测。回归模型有一元线性回归、多元线性回归、非线性回归等回归预测模型。其中，线性回归用于中期负荷预测。优点是：预测精度较高，适用于在中、短期预测使用。缺点是：①规划水平年的工农业总产值很难详细统计；②用回归分析法只能测算出综合用电负荷的发展水平，无法测算出各供电区的负荷发展水平，也就无法进行具体的电网建设规划。2.5时间序列法就是根据负荷的历史资料，设法建立一个数学模型，用这个数学模型一方面来描述电力负荷这个随机变量变化过程的统计规律性；另一方面在该数学模型的基础上再确立负荷预测的数学表达式，对未来的负荷进行预测。时间序列法主要有自回归AR(p)、滑动平均MA(q)和自回归与滑动平均ARMA(p,q)等。这些方法的优点是：所需历史数据少、工作量少。缺点是：没有考虑负荷变化的因素，只致力于数据的拟合，对规律性的处理不足，只适用于负荷变化比较均匀的短期预测的情况。2.6灰色模型法灰色预测是一种对含有不确定因素的系统进行预测的方法。以灰色系统理论为基础的灰色预测技术，可在数据不多的情况下找出某个时期内起作用的规律，建立负荷预测的模型。分为普通灰色系统模型和最优化灰色模型两种。普通灰色预测模型是一种指数增长模型，当电力负荷严格按指数规律持续增长时，此法有预测精度高、所需样本数据少、计算简便、可检验等优点；缺点是对于具有波动性变化的电力负荷，其预测误差较大，不符合实际需要。而最优化灰色模型可以把有起伏的原始数据序列变换成规律性增强的成指数递增变化的序列，大大提高预测精度和灰色模型法的适用范围。灰色模型法适用于短期负荷预测。灰色预测的优点：要求负荷数据少、不考虑分布规律、不考虑变化趋势、运算方便、短期预测精度高、易于检验。缺点：一是当数据离散程度越大，即数据灰度越大，预测精度越差；二是不太适合于电力系统的长期后推若干年的预测。2.7德尔菲法德尔菲法是根据有专门知识的人的直接经验，对研究的问题进行判断、预测的一种方法，也称专家调查法。德尔菲法具有反馈性、匿名性和统计性的特点。德尔菲法的优点是：①可以加快预测速度和节约预测费用；②可以获得各种不同但有价值的观点和意见；③适用于长期预测，在历史资料不足或不可预测因素较多尤为适用。缺点是：①对于分地区的负荷预测则可能不可靠；②专家的意见有时可能不完整或不切实际。2.8专家系统法专家系统预测法是对数据库里存放的过去几年甚至几十年的，每小时的负荷和天气数据进行分析，从而汇集有经验的负荷预测人员的知识，提取有关规则，按照一定的规则进行负荷预测。实践证明，精确的负荷预测不仅需要高新技术的支撑，同时也需要融合人类自身的经验和智慧。因此，就会需要专家系统这样的技术。专家系统法，是对人类的不可量化的经验进行转化的一种较好的方法。但专家系统分析本身就是一个耗时的过程，并且某些复杂的因素(如天气因素)，即使知道其对负荷的影响，但要准确定量地确定他们对负荷地区的影响也是很难的。专家系统预测法适用于中、长期负荷预测。此法的优点是：①能汇集多个专家的知识和经验，最大限度地利用专家的能力；②占有的资料、信息多，考虑的因素也比较全面，有利于得出较为正确的结论。缺点是：①不具有自学习能力，受数据库里存放的知识总量的限制；②对突发性事件和不断变化的条件适应性差。2.9神经网络法神经网络(ANN,ArtificialNeuralNetwork)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。ANN应用于短期负荷预测比应用于中长期负荷预测更为适宜。因为，短期负荷变化可以认为是一个平稳随机过程。而长期负荷预测可能会因政治、经济等大的转折导致其模型的数学基础的破坏。优点是：①可以模仿人脑的智能化处理；②对大量非结构性、非精确性规律具有自适应功能；③具有信息记忆、自主学习、知识推理和优化计算的特点。缺点是：①初始值的确定无法利用已有的系统信息，易陷于局部极小的状态；②神经网络的学习过程通常较慢，对突发事件的适应性差。2.10优选组合预测法优选组合有两层含义：一是从几种预测方法得到的结果中选取适当的权重加权平均；二是指在几种预测方法中进行比较，选择拟和度最佳或标准偏差最小的预测模型进行预测。对于组合预测方法也必需注意到，组合预测是在单个预测模型不能完全正确地描述预测量的变化规律时发挥作用。一个能够完全反映实际发展规律的模型进行预测完全可能比用组合预测方法预测效果好。该方法的优点是：优选组合了多种单一预测模型的信息，考虑的影响信息也比较全面，因而能够有效地改善预测效果。缺点是：①权重的确定比较困难；②不可能将所有在未来起作用的因素全包含在模型中，在一定程度上限制了预测精度的提高。2.11小波分析预测技术小波分析是一种时域-频域分析法，它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，它容易捕捉和分析微弱信号以及信号、图像的任意细小部分。其优点是：能对不同的频率成分采用逐渐精细的采样步长，从而可以聚集到信号的任意细节，尤其是对奇异信号很敏感，能很好的处理微弱或突变的信号，其目标是将一个信号的信息转化成小波系数，从而能够方便地加以处理、储存、传递、分析或被用于重建原始信号。这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。第3章基于神经网络的短期负荷预测供电的基本要求包括安全性、可靠性、经济性三个方面。公用事业始终面临的挑战为最大限度地提高他们的短期和长期的运作效率来满足日益增长的负荷需求。为了实现这个目标，一些作业任务如燃料分配、机组组合、机组调配、储备分配和维护调度必须进行有效地降低整体营运成本。3.1人工智能技术进行负荷预测为了满足负载的波动和公用事业的需求需要确保足够的输电和发电资源。资源的采购应满足经济性来优化运营成本。负荷需求对电力系统的运作和控制有着很大影响，提高负荷预测的准确性可以显著地节省资源。高预测误差可以导致过分保守或不可靠的操作。例如，过高的负荷的估计可以增加发电单位造成不必要的启动或购买过多的能量。相反，过低的负荷估计会导致热备用供应不足，这是违反安全操作要求的。负荷预测错误引起的供应缺乏也可导致近实时采购的价格比预期的要高。显而易见提高负荷预测的准确性对系统的安全性和经营成本有积极的效果。目前，电力公司使用的是世界范围内各种负荷预测技术。大多数发达国家的方法，大致可分为三类，即参数法，非参数法，基于人工智能的方法。在参数法中，数学或统计的模型在负荷和影响因素之间建立起来。这些模型中有时间的函数，多项式函数，线性回归，傅立叶级数，自回归滑动平均（ARMA模型）模型。在时间序列方法，负荷被视为是一些周期性的时间序列信号如每季，每周或每天的信号。这种重复循环使给定的每季，一周中每天，一天中的各个时间点的负荷的预测变得不准确。实际负荷和估计值之间的差异可以看作是一个随机过程，它可以使用卡尔曼滤波方法[7]进行改进。非参数方法直接对历史数据进行负荷的预测。例如，使用非参数回归法可以通过计算平均历史负荷再分配权重，以多元的产品内核来进行负荷的预测。近期，巨大的利益已指示我们应用人工智能技术进行负荷预测。这包括专家系统的应用，其性能与传统方法进行比较参考。它还包括利用模糊推理[11]和模糊神经网络模型。人工神经网络（神经网络）受到了高度的关注和努力。人工神经网络的主要优势是它们的数据分类和函数逼近。人工神经网络也能够检测出其与历史数据的依赖关系，而不需要制定具体的回归模型。应用人工神经网络进行负荷预测最先在20世纪80年代末和90年代初被提出。此后的人工神经网络已被广泛接受，并在许多公用事业中被使用。最传统的基于神经网络的负荷预测方法是通过对历史温度提前24小时进行预测或对第二天高峰负荷进行预测。这种方法的缺点是，当过去的一天的温度发生急剧变化时，负荷功率变化显著，从而导致较高的预测误差。此外，传统的神经网络在整个预测过程中使用所有与该天类似的数据。然而，神经网络使用的是与该天数据类似的所有天数的数据，这项复杂的任务不适合学习神经网络。为了克服上述问题，本文提出了用仅一个小时的提前的天气数据来进行负荷预测的方法。在被提议的预测方法中，先根据气象数据分析出与负荷变化最相关的因素。这些最相关的气象数据用来训练，验证和测试的神经网络。相关气象资料的分析用来确定神经网络的输入参数。通过埃及实际系统负荷的应用说明了该方法的适用性。3.2负载分析电力系统负荷模式的不同特点显著地影响着人工神经网络模型的选择。换句话说，人工神经网络模型结构是依赖于系统和目标系统的特点，应从人工神经网络设计的基本步骤上来分析短期负荷预测。在设计任何负荷预报的第一步是通过分析以往的负荷记录来提取负载特性，比如周期性和趋势。在本文中，负载分析用的是埃及负荷记录数据。表2-1显示了埃及每月在1998/1999到2004/2005年期间兆瓦峰值负载变化。在2004年最大负荷为15491兆瓦，它是在7月的第二个星期观察所得的。系统2004年的平均用电需求为10978兆瓦。2004/2005年度能源消费总量为为85305兆瓦时。图1显示了在埃及的主要消费区域分布，在这一年分别为36.8％住宅用品，35.1％的工业负荷，12.2％的政府公用事业和农业，16.8％的转售和重新销售的负荷。图2-1说明了以2004年1、7、10月的第一周为代表的季节性负荷变化的负载特性。数字显示在这几个星期温度，露点，湿度和风速对负荷的变化。表2-1埃及在1998/1999年至2004/2005年每月高峰负荷图2-1埃及2004/2005年度的能源消耗分布表2-2显示的分别是1月，4月，7月和 10月的第一周的负载需求和四个天气因素：温度，露点，风速和湿度之间的相互关系。研究表明任意时刻的负荷对每日高峰负荷都有着影响。之前的观察已经对不同工作日负荷形状有所研究。在一周的不同日子有着不同的负载模式。星期四和星期五的模式与其他工作日的负荷略有不同主因为它们接近周末。图2埃及在2004年的负荷与天气的季节性负荷变化参数3.3人工神经网络结构人工神经网络模型的制定需要涉及到不同的模型参数，如模型的结构，训练算法和输入变量。本节介绍这些参数的意义和它们在短期负荷预测中是如何选择的。输入变量。输入变量的种类和数量的选择是人工神经网络的设计中遇到的一个重要问题。短期负荷预测的性能在很大程度上取决于负载的影响变量的正确选择。短期负荷预测中关键变量是时间，天气因素，历史负荷。这一点尤为重要，因为不相干的输入和与输出无关的输入会扭曲预测的性能，选择好的输入变量能提高训练的时间，增加网络的复杂性，减少网络的执行时间。确定最具影响的输入变量的方法之一是通过评估输入变量和输出目标之间的统计相关性。在本文中，线性相关系数指数在每一个输入变量和输出目标之间进行计算。相关系数的绝对值接近1意味着一个特定的输入变量与目标输出有较高的影响。表2显示了埃及在接下来的一个小时内以下参数和负荷预测之间的相关因素。•P（D，T-1），P（D，T-2），P（D，T-3）：分别是之前的1，2和3小时的负荷值，•P（D-1，T），磷（D-1，T-1），磷（D-1，T-2），磷（D-1，T-3）：一天前同一时刻的负荷值预计，和之前的1，2和3小时的负荷值，•T（下D，T），T（D，T-1），T（D，T-2），T（D，T-3）：同一天同一小时的负荷预计和和之前的1，2和3小时的负荷值，•W（D，T），W（D，T-1），W（D，T-2），W（D，T-3）：同一天同一小时的平均风速度和之前的1，2和3小时的负荷值，•H（D，T），H（D，T-1），H（D，T-2），H（D，T-3）：同一天同一小时的相对湿度和之前的1，2和3小时的负荷值，•D类（D，T），D（D，T-1），D（D，T-2），D（D，T-3）：同一天在同一小时的露点和之前的1，2和3小时的负荷值。表2埃不同的相关系数的网络负荷数据参数表2的结果表明，历史的负荷信息是负荷预测中最相关的参数。结果还表明，夏季和秋季与温度的关系相对于冬季和春季负荷更加密切。温度和湿度似乎是夏天和秋天最具影响力的负载参数。在冬季和秋季，风速的对负荷的影响几乎是可以忽略不计的。表2还显示预测的天气信息接近前一小时的天气信息。例如夏季预测的负荷和温度相关性为0.5025，这接近于预测负荷和前一小时的温度之间的相关性，此相关性为0.4209。在这种方法中，预测的时间间隔是一个小时，即每个小时都要进行预测。因此，它是假设这一小时捕捉到的的天气参数值是发生在最保守的情况下的。B.训练数据训练的过程是由神经网络的不同网络参数决定的，如权值和阈值。在一般情况下，训练数据集应涵盖范围广泛的输入模式使其足以对网络进行训练，识别和预测输入变量和目标输出之间的关系。通常情况下，神经网络遵循监督模式进行训练，即给每个输入和培训过程以所需的输出，然后调整到所需的输出相匹配[18]的权值和阈值。本文提出了一种选择的培训载体的新方法。在此方法中，预测的输入变量和所需的输出变量间的最短距离是为整个历史数据库所设计的。此方法适用于通过假设一个特定的条件，然后过滤那些达不到这个条件的数据，例如|P（D，T）-p^（D，T）|<AI其中P（D，T）是实际负荷，p^（D，T）是预测值，AI是假设的门槛。这种方法有助于取消任何奇数的数据或负荷模式，它还有助于消除急剧变化的天气条件引起的负荷突然变化。新的搜索策略表明此方法比那些使用一年的数据进行测试的方法提高了准确性。负载模式被分为7种类型（子集）对应一周七天。日负荷曲线使用与当天天气条件类似的信息来预测。此外，由于负载和温度的全年变化，每年为四个不同的季节开发不同的培训载体，，即夏季，冬季，春季和秋季。Levenberg-Marquardt算法被用来训练发达的网络，因为它使较快的收敛速度和低计算成本之间达到了一个很好的妥协。每个新的输入向量增加时网络都会及时的更新。为了得到最好的广义的性能和克服过拟合问题，将数据分为训练数据和验证数据。将两个月的数据分成两组，一个小时用于培训和一个小时用于验证。下个月的数据被用于对网络性能的测试。在这些模型中数据总量的50％用于培训和50％用于验证。先对数据进行缩放，然后再分成四个季节（冬，春，夏，秋），其中周末和公众假期的数据排除在外。每个季节过去60天的数据（约1440点）用于训练，下一个月的数据则用于测试。C.网络拓扑本文中的三层前馈神经网络用于建设短期负荷预测模型。从理论上讲，一个三层前馈网络就可用于预测[14]。输入和输出层神经元的单位数目分别是固定的投入和产出的数量。由于输出的目标是每小时预测的负荷，该模型有一个输出代表负荷预测的目标小时。由于季节性负荷变化，四个案例的研究分别涉及到不同的四个季节。每个案例的投入数量是依赖于之前负荷分析讨论中所确定的有效参数。人工神经网络的设计中的挑战之一是隐藏层神经元数目的正确选择，从而影响学习能力并呈现了错综复杂的问题。在一般情况下，可以通过选择适当数量的隐藏单元来实现精度和泛化能力之间的权衡。同时，需要一套严格的规则来确定最佳的隐藏单元的数量，基本规则是选择隐藏神经元的最低足够数量来避免问题的复杂性，同时不能造成太多的训练集和失去泛化能力。[13]提出的方法在此被采用。该方法首先通过用投入数倍的产出数量的平方根来设置隐藏神经元的最佳估计数。然后，隐藏神经元的数量逐一递增。每次都对训练模型和测试集的预测误差进行记录并比较。D.季节模型为了检查建议的技术可行性，四个案例进行了平日埃及国家电网一小时电力负荷预测。拟议的网络模型是由一个输入层，隐藏层和输出层组成。每一层都有馈线相连接。结果在平均绝对百分比误差（MAPE值）和均方根误差（RMSE）的基础上进行了分析和比较。四个案件都具有一般的网络结构和网络拓扑组。其主要区别在于以下小节中所述的输入数据的类型和输入数据的数量。然而，在所有四个案件中，负荷在任何时间的预测都是在假定已知当时天气的的情况下进行的。夏季和春季网络由三层前馈神经网络，十七个输入神经元，二十五年隐层神经元和一个输出层神经元组成。输入变量是：•P（D，T-1）：前一小时的负荷值，•P（D-1，T），P（D-1，T-1）：前一天同一小时和之前一小时的负荷值，•P（D-2，T），P（D-2，T-1）：前两天同一小时和之前一小时的负荷值，•P（D-3，T）P（D-3，T-1）：前三天同一小时和之前一小时的负荷值，•P（D-7，T），P（D-7，T-1）：前一星期同一天的负荷值，•T（D，T），D（D，T），H（D，T）W（D，T）：每小时预测的温度，露点，相对湿度和风能，•T（D，T-1），D（D，T-1），H（D，T-1），W（D，T-1）：前两小时的天气变量。对于秋冬季节，网络由三层前馈神经网络，十四个输入神经元，二十五年隐层神经元和一个输出层神经元组成。输入变量如下，•P（D，T-1）：前一小时的负荷值，•P（D-1，T），P（D-1，T-1）：前一天同一小时和之前一小时的负荷值，•P（D-2，T），P（D-2，T-1）：前两天同一小时和之前一小时的负荷值，•P（D-3，T）P（D-3，T-1）：前三天同一小时和之前一小时的负荷值，•P（D-7，T），（（D-7，T-1）：前一星期同一天的负荷值，•T（D，T-1）：过去一小时的温度，•T（D，T），D（D，T），H（D，T），W（D，T）：每小时预测的温度，露点，相对湿度和风能。3.4应用程序和结果改进了的短期负荷预测方法对每小时的实际负荷和2004年埃及的气象资料进行了测试，埃及目前正在使用回归/趋势短期负荷预测方法。此方法确定了影响负荷消耗的主要因素。通过进行多元回归分析得到了负荷及其驱动因素之间的职能关系。为了验证该方法的性能，在四个季节中进行了四例为期一个小时负荷预测。改进了的神经网络有一个与输入变量数量相等的输入层神经元，一个足够数量的隐层神经元和一个输出层神经元。人工神经网络的输入变量的选择是基于季节性模型的相关性分析。2004年的数据被分成四个不同的季节，即春，夏，秋，冬季。在第三节的培训载体中已呈现了挑选的步骤。在春季，训练数据是每小时的负荷和从3月15号至5月15日的气象数据。测试数据是每小时负荷和从5月16日至6月13日（720小时）的天气数据，。统计结果表明，每小时负荷预测值主要受天气变量的影响。在测试一个月的平均相对误差和均方根误差分别为0.43％和3.09％。夏季，训练数据是每小时负荷和从6月16日至7月30日的气象资料，而测试数据是每小时负荷和从7月31日至8月31日的天气数据。在测试一个月的平均相对误差和均方根误差分别为0.53％和2.06％。在秋天，训练数据是每小时负荷和从9月1日至11月5日的气象资料。测试数据是每小时的负荷和从11月6日至12月6日气象数据。平均相对误差和均方根误差分别是2.6％和4.2％。冬季，训练数据是每小时负荷和从1月8日至3月5日的气象数据。测试数据是每小时负荷和从3月6至4月4日的天气数据。平均相对误差和均方根误差分别为0.11％和2.4％。表3总结了四个季节中的改进模型相比于实际负荷数据的测试结果。我们观察到人工神经网络过去60天的训练数据，使我们能获得足够的周末预测数据，但是这样的数据量也不能够的对周末每小时的负荷进行预测。表3表明包含或排除周末数据时该模型的性能。表3包括周末和不包括周末该模型的平均相对误差和均方根误差表3的结果表明排除周末数据提供了更好的预测性能。然而，在所有案件的最大平均相对误差值小于2.5％，这表明该方法的高性能质量。详细的七月份分析报告[19]显示均方根误差的0.8％，它是2004年的最高温度和负荷。为了比较改善后的模型与其它