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[5]。
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[6]。
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[7]。
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。华北电力大学的牛东晓教授则引入了小波神经元网络电力负荷预测模型。它以非线性小波基为神经元函数，通过伸缩因子和平移因子计算小波基函数合成的小波网络，从而到达全局最优的逼近效果。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
·3·
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[8]。
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[9]。
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[10]。
1.3本文所做的工作
本文研究的对象是基于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、
·4·
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。
文章主要是探讨用人工神经网络法用于负荷预测的效果，在介绍了人工神经网络法后，通过BP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。
·5·
第2章 电力负荷预测概述
2.1负荷预测的概念
所谓的负荷预测是指，在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的前提下，确定未来某特定时刻的负荷数值。负荷可指电力需求量或者用电量，而需求量是指能量的时间变化率，即功率。也可以说，负荷时指发电厂、供电地区或电网在某一瞬间所承担的工作负荷。对用户来说，用电负荷是指连接在电网的用户所有用电设备在某一瞬间所消耗功率之和[11]。
随着我国电力系统的发展，电网管理的日趋现代化，负荷预测问题的研究也越来越引起人们的注意，并已成为现代电力系统科学中的一个重要的领域，因为整个社会是一个复杂的整体，它的用户成千上万每个用户的要求也各部相同，因此，整个社会的用电需求既有一定的统计规律性，又具有大量的随机影响因素，具有不确定性电力系统负荷预测是电网规划和经济运行的重要一环。负荷预测对电力系统控制、运行和计划都是非常重要的，提高负荷预测的精度既能增强电力系统运行的安全性，又能改善电力系统运行的经济性。因此，在实践中，无论是制定电力系统规划或是实现电力系统运行自动化，进行相应的负荷预测都是必不可少的[12]。
电力负荷预测主要是预测一下三个方面：
1）未来电力需求量（功率），也就是确定电力系统发点设备和输送容量。 2）未来用电量（能量），主要是用来选择机组，确定电源结构和原料计划等。 3）负荷曲线，它是为电力的峰值、电站容量、设备协调运行提供数据支持。
2.2负荷预测的分类
负荷预测从预测的时间范围上可以分为长期、中期、短期和超短期预测（如图2.1）。长期预测一般指十年以上并以年为单位的预测，中期预测指在五年左右以年为单位的预测，中长期负荷预测主要是用于指定电力系统的扩建规划，包括装机容量的大小、形式、地点、时间和电网的增容扩建，它为所在地区或电网的电力发展速度、
·6·
电力建设规模、电力工业布局、能源资源平衡、地区间的电力余缺调剂、电网资金和人力资源的需求平衡提供了可靠的依据；短期预测指一年内以月为单位的负荷预测，还指以周、天、小时为单位的负荷预测，通常预测未来一个月、未来一周、未来一天的负荷指标，也预测未来一天每小时的负荷，短期负荷预测对电力企业的日常运营起到指导和调节作用，有利于合理安排电力日生产计划；超短期负荷预测指未来1h、0.5h，甚至10min的预测，其意义在于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[13]。
负荷预测 超短期负荷预测 （1小时以内） 短期负荷预测 （1年以内） 中期负荷预测 （5年以内） 长期负荷预测 （10年以上）
图2.1 负荷预测分类图
负荷预测从用途上又可以分为发电部门预测和供电部门预测。前者从整体上预测负荷的变化，根据负荷特性和负荷趋势来进行预测，称为趋势预测；而后者则往往利用由底向上的方法，根据负荷的结构和特性分别预测、统一汇总，称为因子预测。从目前电力部门对负荷的掌握情况来看，负荷结构还没有一个比较确切、定量的模型，预测时无法考虑全面，预测偏差也比较大。现在常用的是根据整体负荷进行预测，通过对各种因素的修正而得到预测结果，实际运作的结果表明这种方法比较实用和有效。
按照系统负荷构成可以将其划分为：城市民用负荷、商业负荷、工业负荷、农业负荷及其它负荷等模型（如图2.2）。不同类型的负荷有着不同的变化规律，例如随家用电器的普及，城市居民负荷年增长率提高、季节波动增大，尤其是空调设备的迅速扩展，使系统峰荷受气温影响越来越大；商业负荷主要影响晚高峰，而且随季节而变化；工业负荷受气象影响较小，但大企业成分下降，使夜间低估增长缓慢；农业负荷季节变化强，而且与降水情况关系密切。一个地区负荷往往含有几种类型的负荷，比
·7·