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。
第 6 页 共 48 页
4、电力负荷预测模型及基本算法
4.1、电力负荷预测模型
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) （4-1）
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。
（1） 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
B(t)?X(t)?Z(t) （4-2）
式中，X(t)为线性变化模型负荷分量；Z(t)为周期变化模型负荷分量。
线性变化模型可以表示为
X(t)?a?b?t?? （4-3）
式中，a,b为线性方程的截距和斜率；?为误差。
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4.1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。
第 7 页 共 48 页
图4.1 负荷线性变化模型 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4.2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Zi(t)表示：
Zi(t)?Li(t) （4-4） Xi其中，Li(t)为一天中各小时的负荷；Xi为当天的日平均负荷。
L 8 1 16 24 8 2 16 24 ··· ··· 8 n 16 24 n+1 24 图4.2 日负荷周期变化模型
图4.2给出连续几天的日负荷变化系数Zi(t)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
1nZ(t)??Zi(t) (t=1,2,...,24) （4-5）
ni?1第 8 页 共 48 页
式中，n为过去日负荷的天数；Zi(t)为过去第i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（4-2）就可以得到基本负荷分量B(t)。
（1） 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
?Ks(t?Ts),t?Ts?W(t)?s??Kw(t?Tw),t?Tw （4-6）
?0,Tw?t?Ts?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；Tw，Kw 为电热临界温度和斜率，t?Ts时电热负荷增加，其斜率为Kw；Ts，
KS为冷气临界温度和斜率，t?Ts是冷气负荷增加，其斜率为KS。
在Tw?t?Ts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。
（3）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
S(t)?(B(t)?W(t))?k （4-7）
叠加模型，是直接把特别事件引起的负荷变化值?L(t)当成特别事件负荷分量S(t)，即
S(t)??L(t) （4-8）
第 9 页 共 48 页
（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。
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 V(t)??1?V(t?1)??i?V(t?2)??????p?V(t?p)?a(t) （4-9） 在自回归模型中，模型的阶数p和系数?i（i=1，2，?,p）由过去值通过模型辨别和参数估计来决定。
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
V(t)?a(t)??1?a(t?1)??2?a(t?2)??????q?a(t?q) （4-10）
同样，模型的阶数q和系数?i（i=1，2，?,q），由过去的历史值通过模型辨别和参数估计决定。
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
V(t)??1?V(t?1)??????p?V(t?p)?a(t)??1?a(t?1)??????q?a(t?q) （4-11）
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V'(t)是一个
第 10 页 共 48 页