同样地对于此表中的学习样本，预测负荷等都要进行归一化处理，预测完成后再还原。具体分析见表4.1中的实验分析。 2）结果分析
从上表可见，18个点的误差的绝对百分误差小于5%，最小绝对百分误差为0.07%，最大绝对百分误差为-8.41%，平均绝对百分误差为0.46%，表明预测取得了较满意的结果。
4.5结论分析
电力负荷预测是电力调度、用电、计划、规划等部门的重要工作，国内外关于短期负荷预测的文献很多，但是由于电力负荷受诸多因素的影响和负荷本身的不确定性，是的迄今还没有一种十分满意的方法。本文介绍的基于BP神经网络的预测方法，在综合考虑天气情况、历史负荷和日类型等对未来负荷影响的因素后，使用了神经网络的非线性拟合等功能，取得了较好的负荷预测效果。BP神经网络的预测结果，从是预测精度何网络训练耗时方面相对于传统方法，都有明显改善。证明论文所建立的BP网络模型法预测精度良好，具有较好的非线性映射能力。
本文介绍的电力短期负荷预测的特点，即都是受多个影响因素共同影响，且各个因素之间都有着比较复杂的关系，具有高度不确定的非线性系统，利用传统的预测方法有着诸多限制，而采用神经网络方法则能较好地克服这些限制，实现精确地非线性预测。为了进一步提高网络的预测精度，需要从以下几个方面展开研究：
（1）网络的训练过程是从给定的样本数据中归纳出输入、输出之间的复杂规律，为了能够更加精确地对系统进行预测，样本数据应该尽可能精确。
（2）提高网络预测能力的主要途径有：1）尽可能增加样本的涵盖面；2）在输入中尽可能地包括影像输出地主要因子；3）确定适当的收敛误差。对于常用的BP算法，可考虑采用遗传算法、小波分析和径向基函数做进一步的深入研究。
（3）针对BP算法中存在的收敛速度慢、易陷入局部最小值的问题，可采用附加动量法和自适应学习速率法在一定程度上解决这些问题。附加动量法是在BP算法的基础上，在每个权值变化上加上一项正比于上一次权值变化量的值，并根据BP算法来产生新的权值变化，利用附加动量法可能会避开某些局部最小值。自适应学习速率法是在学习过程中不断修正学习速率，有利于提高学习速率，缩短学习时间。
·33·
第5章 结束语
5.1本文小结
电力系统负荷预测的研究已经有一段时间的历史，随着计算机技术的发展和电网对负荷预测精度要求的提高，对这一课题的研究也在不断深入，并且更具现实意义。电力系统短期负荷预测是电力系统运行调度的基础，关系到整个电力系统的效率、效益和安全。特别是随着电力市场改革的深入，它已经成为电力市场技术支持系统的重要组成部分，是电力交易市场的主要数据来源，其预测精度对电力系统有着非常重要的意义。因此如何提高预测精度特别是短期负荷预测的精度这一问题的重要性和迫切性将越来越明显。
本文主要是探讨将BP神经网络法应用于负荷预测中的效果，BP神经网络作为一个由多个非线性元件大规模互连构成的动力系统，其系统的行为由两个方面因素决定：其一为拓扑结构，包括网络节点个数和相互连接方式；其二是节点间的连接权值。因此在使用BP神经网络进行短期负荷预测时，首先要确定网络的拓扑结构。BP神经网络由输入层、隐含层和输出层三层决定，其中输入层和输出层都是单层，而隐含层可以是多层结构。合理的网络结构应该很好的反映电力系统负荷运行的内在规律，设定适当的网络规模获得较高的训练效率，取得较高的预测精度。在利用神经网络进行短期负荷预测中，神经网络的性能很大程度上决定于网络的结构。
为了突出BP神经网络的优越性，本文用了两个具体的实例，将神经网络法的预测值与实际值相比较，并进行了误差分析，得出的结论表明，BP神经网络法的训练速度和预测结果精度都是很令人满意的。
由于学历的限制，本文对某些方面知识的阐述可能还比较生硬。负荷预测是个长久的课题，由于负荷预测本身存在很多不定因素，许多外在条件都可能影响到其准确性。本文在进行预测时是并没有把气候、经济等影响预测效果的因素考虑进来，因此，本文是在预测比较理想的情况下的负荷。本文虽然进行了电力系统短期负荷预测的一些研究，但是很多方面还是有待完善的。有待完成的工作如下：
（1）利用神经网络对电力系统短期负荷预测的研究中，网络结构和隐含层节点
·34·
数、各种天气因素的影响、隶属函数的科学选取等方面还需要进一步的探讨，不同的电网，隶属函数、日类型等的取值也需进行细致的研究。
（2）由于时间和条件所限，本文未能对全年负荷进行完整的预测研究，且只对正常日建立模型进行了预测。节假日负荷的变化规律与正常日有较大差异，尚未建立重大节假日(如五一、十一、春节)模型并对其进行预测。
（3）不同的地区负荷特性不同，影响负荷的因素也不完全相同，因此预测时一方面要针对不同地区的特点对输入输出关系的选择和样本集的构成作必要的调整，另一方面，收集齐全的、连续的历史负荷数据(包括尽可能多的节日负荷数据)和相应的大气资料(包括地区的最高气温、最低气温、大气状况、降雨量、相对湿度、风力和风向等因素)，与当地气象部门建立紧密的联系制度，提高目前天气预报的精度，提高采集数据的准确性等可进一步提高负荷预测的精度。
（4）由于负荷数据的特性，任何一种预测模型都不能成为通用方法，因而结合具体数据特点采用不同的负荷预测建模理论，研究适用于不同地区特点的模型是非常必要的。
总之，如何进一步发展短期负荷预测的理论，建立适用准确的负荷预测模型，还有许多工作需要进一步提高。短期负荷预测是一个庞大复杂的系统工程，对于如何提高预测精度这一问题，还有很多方面需要更深入的研究。
5.2对负荷预测的展望
近几年来负荷预测的方法越来越多，本文针对实际应用过程中遇到的问题提出有针对性的方法并加以改进。但是，由于时间和精力有限，这些方法仍存在一定的不足之处，有很多地方还有待完善。希望在以后的学习和工作中将更多的理论和实际知识结合起来，并将其进一步优化，得到一个非常实用的短期负荷预测模型。
·35·
参考文献
[1]陈浩．基于人工神经网络的电力短期负荷预测系统研究．昆明理工大学硕士学位论文，2005．1-6．
[2]杨争林，宋燕敏，曹荣章等．短期负荷预测在发电市场中的应用电力系统自动化，2000，24(1)：14-17．
[3]Moghram I，Rah man S. Analysis and evaluation of five short-term load forecasting techniques．IEEE Trans. On POWRS，1989，4(4)：1484-1491．
[4]招海丹，余得伟.模糊专家系统用于短期负荷预测修正的初步探讨.华东电力，2000(5).
[5]欧建平，李丽娟.人工神经网络在电力系统短期负荷预测中的应用.广东电力，1999(4).
[6]刘晨辉，电力系统负荷预报理论与方法.哈尔滨，哈尔滨工业大学出版社，1987. [7]Shimon S.Gad A，“Neural Networks for Decision Support：Problems and Opportunities”，Decision Support Systems，1994(12)：393-414.
[8]孙目清，分布式分层BP算法在短期负荷预测中的应用；电力自动化设备，1996 (5). [9]王晓文，梁志珊.应用模糊神经网络的短期负荷预测.东北电力技术，1999(2). [10]马涛．基于模糊控制RBF神经网络短期负荷预测的研究．西安科技大学硕士学位论文，2009，2-5．
[11]林清，王辛.电力系统负荷预报的神经网络LBP算法.电工电能新技术，1999 (1). [12]陶小虎，黄民翔．一种基于模糊规则和神经网络的负荷预测方法．电力系统及其自动化学报，2000，32(10)．
[13]赵璐．基于人工神经网络的电力系统负荷预测．硅谷电子科学，2008(8)． [14]许延生，张为．人工神经网络在电力系统短期负荷预测中的应用．内肛科技，2008(8)．
[15]牛东晓，曹树华，赵磊等．电力负荷预测技术及其应用．北京：中国电力出版社，1998．
[16]康重庆，夏清，刘梅.应用与负荷预测中的回归分析的特殊问题[J].电力系统自动化，1998， 22(10)：38-41.
[17]杨争林，宋燕敏，曹荣章等．短期负荷预测在发电市场中的应用电力系统自动化，
·36·
2000，24(1)：14-17．
[18]张涛.基于小波神经网络的电力系统负荷预测[D]. 哈尔滨理工大学，2009. [19]朱琳. 集合卡尔曼滤波同化方法的研究[D]. 南京信息工程大学， 2007. [20]李小燕. 基于灰色理论的电力负荷预测[D]. 华中科技大学， 2007.
[21]赵福成．基于人工神经网络的短期负荷预测．华北电力大学(北京)硕士学位论文，2001，38-41．
[22]杨以涵，唐国庆，高曙.专家系统及其在电力系统中的应用[M].北京：中国电力出版社，1995.
[23]杨伦标，高英仪.模糊数学原理及应用[M].广州：华南理工大学出版社，1995.122-132.
[24]潘鑫．基于神经网络的短期负荷预测研究．河海大学硕士学位论文，2004，10． [25]马涛．基于模糊控制RBF神经网络短期负荷预测的研究．西安科技大学硕士学位论文，2009，2-5．
[26]刘晓升，王宜怀．基于VB的三层BP网络通用程序设计．苏州大学学报(工科版)，23(1)：43-45．
[27]王贞珍．基于神经网络的沈阳地区短期负荷预测．上海交通大学工程硕士学位论文，2009．25-26．
[28]汪峰，于尔铿，周京阳．能量管理系统(EMS)第四讲 电力系统负荷预报．电力系统自动化，1997，21(4)．
[29]招海丹，余得伟．电力负荷短期预测的模糊专家系统修正方法．广东电力，2001． [30]张大海，史开泉，江世芳．灰色负荷预测的参数修正法．电力系统自动化学报，2001，13(2)．
[31]HOKL．Short term load forecasting using a multilayer neural net-work with an adaptive learning algorithm[J]．IEEET trans On Power Systems，1992，7(1)：141-148．
·37·