例不同[14]。
工业负荷 （40%） 农业负荷 （15%） 系统负荷 （100%） 城市民用负荷 （10%） 商业负荷 （20%）
其他符合 （15%） 图2.2 某地区负荷构成图
电力系统负荷预测是实现电力系统安全、经济运行的基础，对一个电力系统而言，提高电网运行的安全性和经济性，改善电能质量，都依赖于准确的负荷预测。因此，负荷预测的关键是提高准确度。
2.3负荷预测的方法
短期负荷预测技术发展至今己有几十年，随着数学统计理论和人工智能技术的相继发展，人们提出各种各样的预测方法。迄今为止，短期负荷预测方法大致可以分为两类：即传统预测方法和人工智能方法。传统预测方法有：外推法、回归分析法、时间序列法、卡尔曼滤波、灰色预测等；基于智能原理的方法：人工神经网络、专家系统、模糊理论等。
2.3.1传统预测方法
1）外推法
根据已知的历史资料来拟合一条曲线，使得曲线能反映负荷本身增长趋势；然后按曲线对未来预测求得某一点，从曲线估计该时刻的负荷值。常用曲线有直线、指数曲线、幂函数曲线，S型曲线等。外推法的原理简单，使用方便，但由于负荷变化趋势多种多样，简单的线性拟合难以实现准确性；多项式拟合的幂指数又难以确定，且
·8·
指数越高公式越复杂化；有限的几个增长模型不能囊括负荷趋势变化，各种随机因素也是影响提高预测精度难点。趋势外推法一般仅用于长期预测[15]。 2）回归分析法
回归分析法是一种曲线拟合法，即对过去的具有随机特性的负荷记录进行拟合，得到一条确定的曲线，然后将此曲线外延到适当时刻，就得到了该时刻的负荷预测值。这种方法是研究变量和变量之间依存关系的一种数学方法。由于影响负荷的因素错综复杂或相关因素数据资料无法得到，在预测模型中，很难准确、详细、全面的描述影响预测对象的各种负荷因素，回归分析法很难适应；另外有时影响因素之间的高度相关，违背了回归分析的基本假设，也会导致一系列错误，则模型就不能用于预测。这些都使得回归分析法的应用受到了很大的限制，预测精度也较差，因而不是理想的预测方法[16]。 3）时间序列法
用时间来代替影响负荷的因素，依据负荷过去的统计数据，找到其随时间变化的规律，建立时序模型，以推断未来负荷数值。其基本假设是：负荷过去的变化规律会持续到将来，即未来是过去的延续。其主要数学模型有自回归(AR)模型、滑动平均（MA）模型和自回归－滑动平均（ARMA）模型等。但时序法无论采用哪种模型都没有考虑不同时刻负荷之间的相关性和其它因素（比如天气因素）对负荷的影响，预测精度较差，因此时序法存在着预测不准确的问题[17]。 4）小波分析方法
小波分析是近年来数学研究成果中杰出的代表。它是一种时域-频域分析，在时域、频域同时具有良好的局部化性质。小波分析汲取了现代分析学中诸如泛函分析、调和分析、样条分析等众多数学分支的精华。小波变换能将交织在一起的不同频率组成的混合信号分解成不同频带上的块信号，对负荷序列进行小波变换，可以将负荷序列投影到不同的尺度上，而各个尺度可近似地看作各个不同的“频带”，这样各个尺度上的子序列分别代表了原序列中不同“频域”的分量，它们可以清楚的表现出负荷序列的周期性。在此基础上，分别对各个尺度上变换得到的子序列进行预测，最后利用各个尺度上的预测结果进行信号重构，就得到了完整的预测结果[18]。 5）卡尔曼（Kalman）滤波方法
是建立状态空间模型，把负荷作为状态变量，用状态方程和量测方程来描述。卡
·9·
尔曼滤波算法递推地进行计算，适用于在线负荷预测。这是在假定噪声的统计特性已知的情况下得出的，实际上，该方法的难点是对噪声统计特性的估计[19]。 6）灰色预测法
灰色预测理论其显著特征就是用少量的数据做微分方程建立起预测的模型。在将一定范围内变化的历史数据列进行累加，使其变成具有指数增长规律的上升形状数列，可以对生成的这个形状数列建立起GM(GREY MODEL)模型。GM(1，n)也就是对n个变量用一阶微分方程建立的灰色模型。GM(1，1)模型是灰色理论中最广泛地用于电力负荷预测的一种有效模型，它属于动态建模，采用微分拟合方程的方法来描述事物的发展变化规律。灰色预测具有要求负荷数据少、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、易于检验等优点，因此得到了广泛应有，并取得了令人满意的效果。但是，它和其他预测方法对比，也存在一定的局限性。一是当数据离散程度越大，即数据灰度越大，则预测精度越差；二是不太适合于电力系统的长期后推若干年的负荷预测。传统方法的原理比较简单，理论比较成熟，因此至今仍有应用。但是这些方法采用的数学模型过于简单，其参数难以及时、准确地进行估计和调整，而且不能反映负荷的突然变化，因此它们不能适应用较精确的数学模型来描述负荷的变化规律及其它因素对负荷的影响，从而使这些方法难以获得较高预测精度[20]。
传统预测方法的原理比较简单，理论比较成熟，因此至今仍有应用。但是这些方法采用的数学模型过于简单，其参数难以及时、准确地进行估计和调整，而且不能反映负荷的突然变化，因此它们不能适应用较精确的数学模型来描述负荷的变化规律及其它因素对负荷的影响，从而使这些方法难以获得较高预测精度。
2.3.2人工智能方法
1）人工神经网络法
人工神经网络(ARTIFICIAL NEURAL NETWORKS)是一种以人类大脑神经网络为模拟对象的仿生系统。它是在深入研究人脑神经网络的基础上，人工构造的、能够实现某种特定功能的网络，是理论化的人脑神经网络的数学模型，是模仿大脑神经网络结构和功能而建立的一种信息处理系统。它是由大量的简单元件相互连接而成的复杂网络，是具有高度非线性处理能力，能够进行复杂的逻辑操作和非线性关系实现的系统。经过半个多世纪的发展，人工神经网络技术已逐渐成熟，并成功的应用于模式
·10·
识别、最优化问题求解、信息的智能化处理、复杂控制和信号处理等领域，取得了很好的效果。
由于吸取了生物神经网络的许多优点，相对于传统的信息处理系统来说，人工神经网络具有以下的特点：
(1)高度的非线性。人生神经网络特别是多层次、非线性全连接的网络，其输入输出表现出非常显著的外部非线性关系。经证明，只要有足够数目的神经元，任何非线性连续函数都可以由一个三层网络以任意精度来近似表达。这种强大的非线性逼近能力，是神经网络最重要的性质之一。
(2)良好的自学习和自适应性。人工神经网络能够通过学习和训练来适应环境的变化。当外界环境发生变化时，经过一段时间的训练与学习，人工神经网络能自动调整网络结构和连接模式，使得对于特定输入能够产生期望的输出。
(3)良好的容错性和联想记忆能力。人工神经网络通过自身的网络结构，能够实现对信息的记忆。而所记忆的信息是存储在神经元之间的权值中，是一种分布式的存储方式。即使部分信息丢失或模糊，也不会从根本上影响网络的整体性能龟，从而表现出良好的容错性、很强的抗噪音能力和联想推广能力。网络一经训练成功，就可以正确的处理和训练样本集相似的数据，在一定的误差范围内，还可以处理非完全数据，由局部联想到整体，表现出联想记忆的特征，适宜于处理知识背景不清楚、推理规则不明确的问题。
(4)高度的并行性。人工神经网络是由许多相同的简单处理单元组合而成，虽然每个单元的功能简单，但大量简单处理单元的并行活动，却能够形成惊人的信息处理能力[21]。
2）专家系统方法
专家系统是人工智能领域的一个重要分支，它是一种基于知识推理的系统，它通过获取大量的领域内专家知识并在此基础上进行推理从而得到问题的解答。专家系统适用于专业范围明确，没有完整的、精确的理论的领域，专家系统是对人类的不可量化的经验进行转化的一种较好的方法，若能将它与其他方法有机地结合起来构成预测系统，将可得到满意的结果[22]。 3）模糊控制法
模糊集合和模糊推理是专门用来处理不确定性问题的理论。模糊集合将经典集合
·11·
的绝对隶属关系(非A即B)模糊化(既A又B)，典型的隶属度函数有三角函数、梯形函数、正态分布函数、S形分布函数和Z形分布函数。模糊推理基于模糊规则，模糊规则以IF-THEN的形式来表达模糊集合间的关系。电力负荷预测是利用以往的数据资料找出负荷的变化规律，从而预测出电力负荷在未来时期的变化趋势及状态。实际预测时，常常需要在历史负荷及影响其变化的相关环境因素数据不确定的情况下进行预测，模糊数学为处理此类问题提供了有效手段。模糊理论是将操作人员的经验以规则的形式表达出来，并转换成可以在计算机上运行的算法。它在电力系统的许多领域中得到了应用。近年来出现了模糊回归分析法、模糊聚类识别预测法、模糊与神经网络结合应用等方法。由于模糊推理可以利用有限的规则近似任意的函数关系，将这一理论应用于负荷预测是不错的选择。最新资料显示，模糊系统和其他方法结合的负荷预测的精度要明显优于其他负荷预测方法[23]。
综上所述，相对于其它的预测方法来说，人工神经网络法被认为是一种简单而有效的负荷预测技术，非常适合用来进行电力系统短期负荷预测。不同的预测方法有各自的优点和缺点，为了发挥不同方法的优点，避开其不足，人们在负荷预测过程中将不同的预测方法加以组合，形成了许多种组合方法，在一定条件下能够有效的改善模型的拟合能力和提高预测的精度。
2.4人工神经网络简介
自1943年由心理学家McCulloch和数学家Pitts提出的第一个神经元生物学模型-M-p模型被提出至今，神经网络系统理论的发展十分迅速。特别是1982年美国加洲工学院的物理学家John Hopfield提出了Hopfield神经元网络模型以及1985年Rumelhan和Mcelelland等人提出的误差反向传播(Error Back Propagation，BP)算法，使Hopfield模型和多层前馈型神经网络成为用途广泛的神经网络模型，己在信号处理、模式识别、目标跟踪、机器人控制、组合优化等众多领域的应用中获得了引人注目的成果[24]。
人工神经网络是由神经元以一定的拓扑结构和连接关系组成的信息表现、储存和变换系统，是模仿人脑结构的一种信息系统，可较好地模拟人的形象思维能力。它是对自然界中生物体神经系统进行抽象和改造，并模拟生物体神经系统功能的产物。神经网络的重要特点是具有记忆和学习能力，经过一定训练之后，能够对给定的输入做
·12·