毕业设计（论文）
题目基于支持向量机的
电力短期负荷预测
基于支持向量机的短期电力负荷预测
摘要
短期负荷预测是电力系统安全调度、经济运行的重要依据，负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。因此，寻求合适的负荷预测方法最大限度的提高预测精度具有重要的应用价值。
论文首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。
关键词：短期负荷预测，支持向量机，最小二乘支持向量机，粒子群优化，参数选取
Abstract
Short-term load forecasting is important basis of safely assigning and economically running. The forecasting precision will directly affect the reliability, economy running and supplying power quality of power system. So finding an appropriate load forecasting method to improve the accuracy of precision has important application value.
Paper first expounds the recent application research of load forecasting, summarized the characteristics of load forecasting and influencing factors, summed up common methods of short-term load forecasting, and analyzed the advantages and disadvantages of each method; then introduced statistical learning theory and the principle of SVM as the basis of support vector machine (SVM ) theory, SVM regression model is derived; this paper adopted least squares support vector machine (LSSVM) model, according to the historical load data and meteorological data of a certain area of Zhejiang Taizhou, Analysised the various factors affecting the forecast, summed up the regularity of load change , amended "outliers" in the historical load data,the load forecasting factors to be considered were normalized. The two parameters of LSSVM have a significant impact on the model, but it is still soluted based on the experience currently. So, this paper adopted particle swarm optimization algorithm to optimized the model parameters, make the test set error as the judgments, realized the optimization of model parameters, maked prediction accuracy improved. Practical examples show that convergence of prediction method was pefect, had a higher prediction accuracy and fast training speed.
Key words:Short-term Load Forecasting, Support Vector Machines, Least Square Support Vector Machines, Panicle Swarm Optimization, Parameter Selection
目录
第1章绪论 (1)
1.1 负荷预测研究的背景和意义 (1)
1.2 国内外研究和应用现状 (2)
1.2.1 短期负荷预测的国内外研究现状 (2)
1.2.2 负荷预测的常用方法 (2)
1.3支持向量机在短期负荷预测中的应用情况以及存在的问题 (4)
1.4 本文的主要工作 (6)
第2章支持向量机和改进粒子群参数优化 (7)
2.1支持向量机的理论概述 (7)
2.2支持向量机回归原理 (7)
2.2.1结构风险最小化原则 (7)
2.2.2支持向量机回归原理 (9)
2.2.3.最小二乘支持向量机 (12)
2.3粒子群参数优化的理论概述 (13)
2.3.1 标准粒子群参数优化原理 (13)
2.3.2 改进粒子群优化理论 (14)
第3章基于粒子群寻优的支持向量机模型的建立 (16)
3.1 电力负荷特性分析 (16)
3.1.1 短期负荷特性 (16)
3.1.2 典型负荷分量分析 (17)
3.2 数据的预处理过程 (19)
3.2.1 负荷数据的预处理 (19)
3.2.2 输入变量及样本的选取与样本的归一化处理 (21)
3.3核函数的选择 (22)
3.4 模型参数的确定 (23)
3.5支持向量机模型的建立 (24)
3.5.1负荷预测步骤及流程 (24)
3.5.2误差评价指标 (25)
第4章基于最小二乘支持向量机的短期负荷预测的实例分析 (27)
4.1最小二乘支持向量机模型预测 (27)
4.1.1参数的分析与设置 (27)
4.1.2仿真研究及分析 (28)
4.1.3算法存在的缺陷与对策 (29)
4.2 标准粒子群支持向量机模型预测 (29)
4.2.1参数的分析与设置 (30)
4.2.2仿真研究及分析 (30)
4.2.3 算法存在的缺陷与对策 (31)
4.3 改进粒子群支持向量机模型预测 (32)
4.3.1参数的分析与设置 (32)
4.3.2 仿真研究及分析 (33)
4.3.3 总结分析 (35)
第5章总结及展望 (36)
5.1 总结 (36)
5.2 展望 (37)
致谢 (38)
参考文献 (39)
第1章绪论
1.1 负荷预测研究的背景和意义
电力系统是由电力网和电力用户组成，其任务是给广大用户不间断地提供优质电能，满足各类负荷的需求。由于电能的生产、输送、分配和消费是同时完成的，难以大量储存，这就要求系统发电出力随时紧跟系统负荷的变化以达到动态平衡，否则就会影响供用电的质量，重则危及电力系统的安全与稳定。因此，电力系统负荷预测已成为电力系统中的一项重要课题，也是电力系统自动化领域中的一项重要内容。
电力负荷预测就是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和未来负荷的数学方法，在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值【1】。对于发电公司，负荷预测是制定发电计划、机组检修计划以及报价的依据。对于供电公司，负荷预测是制定购电计划的主要依据。对于输电公司，负荷预测是进行电网规划及保证系统安全、可靠、经济运行的基础。因此，电力负荷预测精度的高低直接关乎电力企业的经济效益【2】。
电力负荷预测按时间期限通常分为长期、中期、短期和超短期负荷预测。短期负荷预测是指一年以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，主要用于电力系统的调度【3】。准确的短期负荷预测结果有利于做出适当的计划电力交易量，提出恰当的运行计划和竞标策略，也有利于用电计划的管理，节煤、节油和降低发电成本，制订合理的电源建设规划，提高电力系统的经济效益和社会效益【4-5】。
1.2 国内外研究和应用现状
1.2.1 短期负荷预测的国内外研究现状
短期预测技术的发展是从离线分析到在线应用逐步发展的过程，也是从过分依赖于调度员的运行经验到自动化、智能化逐步转变的过程，短期负荷预测技术的发展大体经历了三个阶段。
（1）早期的短期负荷预测完全依赖于调度员的运行经验，没有科学的理论做指导。
（2）二十世纪六、七十年代到八十年代末，是使用传统预测技术的阶段，典型的算法有趋势外推法、回归分析法、时间序列法、卡尔曼滤波法和灰色系统理论法。
（3）二十世纪九十年代初期开始，人工智能技术(如人工神经网络、模糊推理等)逐渐被用到短期负荷预测中，人工智能技术主要用来解决非线性问题和不确定性问题，和传统预测方法相比，人工智能预测方法在预测过程中考虑了各种不确定因素(如天气因素、季节因素、人工经验等)，在实际的负荷预测过程中确实能够提高预测精度。
1.2.2 负荷预测的常用方法
目前，国内外关于短期负荷预测研究的论文很多，所采用的预测方法基本可以分为两类：即传统预测方法和人工智能方法。
a.传统预测方法
（1）趋势外推法—按照负荷的变化趋势，对未来负荷情况做出判定。此方法计算简单，方法实用性较强，比较适用于短期负荷预测中【1】。
（2）回归分析法—根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测【6】。由于天气变量与负荷之间不是简单的线性
关系，回归算法对这种动态的、非线性的关系无法处理，它只是预测出一个平均值，非线性回归算法也只是通过代换将非线性关系转化为线性关系，加之运算复杂，因而不是理想的预测方法。
（3）时间序列法—用时间来代替影响负荷的因素，利用了电力负荷变动的惯性特征和时间上的延续性，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【7】。时序法没有考虑天气、社会活动等对负荷的影响，因此预测不准确【8】。
（4）卡尔曼滤波法—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。卡尔曼滤波适用于在线负荷预测，所建的负荷模型是线性的，过于简单，要用于复杂系统的负荷预测，并达到较高的精度有一定难度【9】。
（5）灰色预测法—灰色预测理论的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。优点在于:要求负荷数据少、不要求掌握分布规律和变化趋势。其局限性是仅适合具有指数增长趋势的负荷指标，对非指数增长指标会形成拟合灰度较大，当数据离散程度越大，预测精度越差【10】。
b.人工智能方法
随着科学技术的迅速发展，人工智能方法的研究和应用有很大的优点和应用潜力。其主要的算法有神经网络算法【11】、模糊推理系统【12】、遗传算法、混沌理论【13】等。这些方法和专家系统、Tabu搜索、蚊群搜索、模拟退火、数据分析、自适应、自学习等技术密切结合、互为补充的预测方法，概称为智能技术。
（1）人工神经网络方法。1991 年，Park.D.C等人首次将人工神经网络引入负荷预测，随后，关于神经网络的负荷预测的研究层出不穷【14】。神经网络技术的优点是可以模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能。其缺点是训练过程比较慢，而且并不能保证它一定收敛，同时神经网络的结构确定，输入变量的恰当选取，隐含层数目的大小等问题都要在实践中进行摸索。
（2）模糊控制方法。模糊预测方法仅仅模拟专家的推理和判断方式，并不需要建立精确的数学模型【15】。模糊理论适合描述广泛存在的不确定性，同时它具有强大的非线性映射能力，能够在任意精度上一致逼近任何定义在一个致密集上的非线性函数，并能够从大量的数据中提取它们的相似性。但是随着模糊理论更深入的研究和应用，模糊理论暴露了一些不足:模糊的学习能力比较弱；当其映射区域划分不够细时，映射输出比较粗糙【16-17】。
（3）遗传算法。遗传算法是建立在自然选择和群体遗传学机理基础上的随机、迭代与进化的搜索方法，遗传算法具全局优化能力，一般将遗传算法用于ANN权值的优化，以克服BP算法存在收敛性能和陷入局部最小的不足，提高预测精度【18】。
（4）支持向量机。由贝尔实验室的Vapnik等人于1995年提出的一种新型机器学习算法-支持向量机【2】。与目前绝大多数机器学习方法所基于的经验风险最小化(EMR)归纳原则不同，它建立在结构风险最小化原则(SRM)以及VC维理论基础之上，在模型的复杂性和学习能力之间达到了很好的平衡。因此，其泛化能力要远好于人工神经网络和模糊逻辑。SVM回归算法在进行电力负荷预测时收敛时间短、预测精度高、可调参数少且结构容易确定，不需要过多的先验信息和使用技巧，具有显著的优越性。因此，SVM 在电力负荷预测领域中的应用研究越来越受到重视，应用空间和发展前景十分广阔，被认为是神经网络方法的最佳替代方法。
1.3支持向量机在短期负荷预测中的应用情况以及存在
的问题
文献【2】中应用了粒子群优化和混沌优化分别对支持向量机模型参数进行选取，最后再将两种方法结合对短期电力负荷进行预测。文献【19】中将粒子群优化的支持向量机与模糊推理综合进行短期负荷预测。文献【20】中对短期负荷预测、支持向量回归和序列最小优化理论进行了深入研究，并分别用线性回归、支持向量回归、序列最小优化三种方法对短期
负荷进行预测。文献【21】中在对支持向量机方法的参数性能进行分析的基础上,提出了将Grid-search方法引入至基于支持向量机的短期负荷预测算法中,以解决支持向量机方法的参数选择问题。文献【22】中对输入变量采用粗糙集理论进行了预处理，实现了输入变量的优化选择，减少了预测模型建立过程中对经验的依赖，提高了模型的适应性。采用遗传算法对最小二乘支持向量机的模型参数进行寻优。建立了结合粗糙集理论和遗传算法的最小二乘支持向量机短期负荷预测模型。文献【23】中通过聚类筛选合理的历史数据构成训练样本,再将预测的平滑性和误差损失函数相结合构成问题的目标函数,采用LIBSVM算法将SVM的大规模优化问题转化为具有解析解的二次优化问题。文献【24】中以负荷时间序列的混沌特性为基础，结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。
经过查阅大量资料，从短期负荷预测的角度出发，总结了以下难点：（1）影响负荷预测因素的综合考虑
负荷预测是根据电力负荷的过去和现在推测它的未来数值，然而，负荷的历史数据由于测量、人为等因素而造成丢失或者错误的数据，不利于掌握负荷的变化趋势，增加了负荷分析的难度。因此在用历史数据进行训练和预测前，坏数据的辩识与修正是必须要做的工作。
（2）负荷预测方法的选择
正确选择预测模型在负荷预测中是最为关键的一步。随着负荷预测技术研究的不断深入，各种各样的负荷预测方法不断涌现，它们都有各自的研究特点和使用条件，没有哪一种方法可以适用于一切情况。为了提高预测的准确度，就必须根据实际情况选择合适的预测方法。
针对本课题，有以下难点：
支持向量机中几个关键参数的选取直接影响预测模型的泛化性能和预测结果，但是目前国际上还没有形成一个统一的模式，尚缺乏结构化的通用方法来实现参数的最优选择。目前模型参数的选择多数时候只能是凭借
经验、实验对比、大范围的搜寻或者利用软件包提供的交叉检验功能进行寻优。由于支持向量机模型的复杂性，采用一种精确的方法进行优化成为一种必然要求。
1.4 本文的主要工作
本文主要围绕支持向量机和粒子群优化算法在短期负荷预测中的应用问题展开了讨论。从负荷历史数据的预处理、负荷模型的建立到预测结果的比较分析等整个过程建立了一个完整的预测体系。
主要工作包括：
（1）首先通过对电力负荷的特性进行分析，对负荷历史数据进行垂直和水平预处理，找出并处理缺失及错误的数据，使其更能体现电力负荷的运行趋势，从而为短期负荷预测模型利用这些历史数据奠定了基础。
（2）建立了最小二乘支持向量机负荷预测模型，并针对支持向量机的传统参数选取方法主要依靠经验试算和效率较低的缺陷，引入了一种智能优化算法——粒子群优化算法，利用粒子群算法基于种群的并行搜索策略特点来迭代搜索最优的目标函数值，从而找到最优的参数取值，实现了参数的自动优化选取。
（3）针对标准粒子群优化算法易陷于局部最优的缺陷，设计了一种基于种群多样性信息的早熟收敛判断依据，用于指导初始种群的选取和改善种群质量，使得粒子均匀分布于解空间，当搜索后期粒子陷入局部最优时通过更新停滞粒子的位置，引导粒子跳出局部最优区，保持种群的活性和增强全局寻优能力。
（4）将此改进的粒子群优化算法应用于支持向量机模型参数的选择，建立了PSO-SVM短期负荷预测模型。分析影响负荷的相关因素，选取合适的样本用于电力系统短期负荷预测，预测某日24点的负荷值；通过实例验证该预测模型的有效性和实用性，并与支持向量机预测算法以及标准粒子群支持向量机算法进行比较，证明预测模型的优越性。
第2章 支持向量机和改进粒子群参数化
2.1支持向量机的理论概述
支持向量机是在统计学习理论的基础上发展起来的机器学习方法，其核心内容是vaPnik 等人在1992年至1995年之间提出的。SVM 实现了结构风险最小化(Structural Risk Minimization ，SRM)归纳原则，在解决小样本、高维数、非线性、局部极小值等问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中.
支持向量机的另一个优点是它的训练等价于解决一个线性约束的二次规划问题，存在唯一解。支持向量机最初用来解决模式识别问题，目的是发现泛化性能好的决策规则。然而，随着Vapnik 的ε不敏感损失函数的引入，支持向量机已经扩展为解决非线性回归估计问题，而且与神经网络方法相比，有着显著的优越性，被认为是人工神经网络方法的替代方法，已经成为目前机器学习领域的研究热点和焦点。
2.2支持向量机回归原理
2.2.1结构风险最小化原则
经验风险最小化原则(ERM)在样本有限时是不合理的,为了克服这一缺陷，1974年Vapnik&Chervonenkis 提出了结构风险最小化原则(SRM)，即为了达到实际风险最小，需要同时使经验风险)(αemp R 和VC 维h(置信范围)最小化。在深入研究经验风险)(αemp R 和实际风险)(αR 之间的关系即推广性的界后，得出了关于期望风险上界的估计，即对于给定的样本，当采用函
数集),(αx f 进行回归估计时，至少以概率η-1式成立
()()emp R R αα≤+（2-1） 其中h 是函数集的VC 维数，η为[0，1]之间的常数【2】。
VC 维是衡量学习机器复杂程度和最大学习能力的一个重要指标。其直观定义为：对于一个指示函数集(指示函数即只有O 或l 两种取值的函数)，如果存在l 个样本能够被函数集中的函数按所有可能的l 2种形式分开，则称函数集能够把l 个样本打散。如果对于任意的样本数，总能找到一个样本集能够被这个函数集打散，则函数集的VC 维就是无穷大。VC 维越大，学习机器也越复杂。在此概念基础上发展出了关于统计学习的一致性、收敛速度、推广性能等系列重要结论。
式(2-1)由两部分组成：经验风险)(αemp R 和置信区间，后者取值与VC 维h 以及训练样本数l 存在密切联系。图2.1给出了真实风险、经验风险与置信风险分别与VC 维h 的函数变化关系曲线。
图2.1结构风险最小化原理图
Fig.2.1 Principle of structural risk minimization
显然随着h 的增加，经验风险递减，这是因为h 增加，根据VC 维的定义，对应的函数集合的描述能力增加，学习机器的学习能力就增强，可以使有限样本的经验风险很快地收敛，甚至于变为零。因此，为使期望风险最小，必须二者兼顾，不但要使经验风险最小化，还要使VC 维尽量小，以缩小置信区间。
2.2.2支持向量机回归原理
支持向量机回归(SVR)理论是建立在支持向量机分类问题的基础上的，确Vapnik 通过引入不敏感损失函数ε，将SVM 分类理论中得到的结果推广，使其可以用于函数回归。具体作法如下。
设给定训练样本集:
R R y x y x S l l ???=n 11)},(,),,{(
其中n i R x ∈为输入向量，R y i ∈为相应的目标输出，l 为训练样本个数。回归问题就是寻找从输入空间n R 到输出空间R 上的映射R R f n →:，使得y x f =)(。
考虑用线性回归函数
b x x f y +?==ω)( (2-2)
拟合上述样本集，为保证线形回归函数的平坦，必须找到一个最小的ω。为此，采用最小化欧几里德空间的范数。并假设所有的训练样本在精度ε下无误差地用线性函数拟合，于是线形回归问题可以转化为求解下面的优化问题: min
22
1ω (2-3) 约束条件为 ,,εω≤-+>
另外，考虑到可能存在一定误差，引入两个松弛变量:
,0,*≥i i ξξ l i ,,1?=
不敏感损失函数ε如图2.2,的定义为:
0if if ξεξξεξε
?≤?=??->? (2-5)
图2.2 ε-不敏感损失函数
Fig.2.2 ε-insensitive loss function
此时的优化问题为: min ∑=++l
i i i C 1*2)(21ξξω (2-6)
约束条件为:
εξ+≤-*)(i i i y x f l i ,,1?=
εξ+≤-i i i x f y )( l i ,,1?=
,0,*≥i i ξξ l i ,,1?= (2-7)
优化问题式(2-7)中第一项使函数更为平坦，从而提高模型的推广能力;第二项则减少训练误差，正常数C 对两者做出折衷。ε为一正常数，)(i x f 与i y 的差小于ε时不计入误差，大于ε时计入误差ε--i i y x f )(，引入Largrange 函数:
∑∑==+><+-+-++=l i i i i i l i i i b x y C b L 11*2*
),()(21),,,,,(ωεξαξξωγααξω ∑∑==+--><--+-l i l
i i i i i i i i
b x y 11**
)(),(ξξγωεξα (2-8) 其中0,,*≥i γαα,l i ,,1?=
由最优条件有: 0=??ωL ,0=??b
L ,0=??i L ξ,0*=??i L ξ 于是得到下面的式子: ∑==--l i i i i x 1*0)(ααω
∑==-l i i i 1*0)(αα
0=--i i C γα, l i ,,1?=
0**=--i i C γα, l i ,,1?= (2-9)
得到原始优化问题的对偶形式: max ∑∑∑===+--+><---l j i l i i i i l i i i j i j j i i y x x 1,1
*1***)()(,))((21εαααααααα (2-10) 约束条件为:
∑==-l i i i 1*0)(αα
C i i ≤≤*,0αα l i ,,1?= (2-11)
求解上述QP 问题，便可得到回归函数。
对于非线性回归问题，首先使用一个非线性映射φ把原始训练样本映射到一个高维特征空间，然后在高维特征空间进行线性回归。由于在上面的优化过程中只用到高维特征空间中的内积运算，因此用一个核函数),(y x K 代替><)(),(y x φφ就可以实现非线性回归【19】。
于是，非线性回归的优化方程为最优化下面的函数:
∑∑∑===+--+---=l i l i i i i l i i i j i j j i i y x x K W 11*1****
)()(),())((21),(εαααααααααα (2-12) 约束条件为式(3-9)和式(3-10)。求解上面问题，得到α的值，便可得到:
∑=+-=l
i j i i i b x x K x f 1*),()()(αα (2-13) 一般地，大多数i α和*
i α的值将等于零，不等于零的i α和*i α所对应的
样本称为支持向量。
根据KKT 条件有
0)]([=+-+i i i i x f y εξα l i ,,1?=
0)]([*=-++i i i i x f y εξα l i ,,1?=
0)(=-i i C ξα l i ,,1?=
0)(**=-i i C ξα l i ,,1?= (2-14)
于是可以得到计算b 值的式子:
∑=---=l
i i j i i i x x K y b 1*),()(ααε ),0(C j ∈α
∑=--+=l i i j i i i x x K y b 1
*),()(ααε ),0(*
C j ∈α (2-15) 用任意一个支持向量就可以计算出b 的值，也可以采用取平均值的方法。 2.2.3.最小二乘支持向量机
最小二乘支持向量机（LS-SVM ）最早是由Suykens ，Vandewalle 等人提出的，是标准SVM 的一种扩展。与支持向量机的其他版本相比LS-SVM 的待选参数少，而且用等式约束来代替原有的不等式约束,减少了一些不确定性因素,它的损失函数直接定义为误差平方和，将优化中的不等式约束转化为等式约束，由此将二次规划问题转化为线性方程组求解，降低了计算复杂性，加快了求解速度。其基本原理如下：
对非线性负荷预测模型
b x x f +=))(,()(?ω (2-16)
给定一组数据点集),,(i i y x l i ,,1?=,d i R x ∈是与预测量密切相关的影响因素，如历史负荷数据、气象因素等，d 为所选输入变量的维数，R y i ∈是预测量的期望值，l 是已知数据点的总数。)(x ?是从输入空间到高维特征空间的非线性映射。按结构最小化原理，LS-SVM 优化目标可表示为 min ∑=+l i i e 1
222121γω (2-17) ..t s i i i T y e b x =++)(?ω,l i ,,1?=
其中，i e 为误差，1?∈l R e 为误差向量，γ为正则化参数，控制对误差的惩罚程度。引入Lagrange 乘子，1?∈l R λ，式(2-17)可转化为: min ∑∑==-++-+=l i i i i T i l i i y e b x e J 1
122))((2121?ωλγω (2-18)
由KKT 条件，得
110()000,1,2,0()0,1,2,l i i i l i i i i i T i i i i
J
x J b J e i l e J x b e y i l λ?
ωλλγω?λ==??=→?????=→=??????=→==?????=→++-==???∑∑…,…, （2-19） 消去ω和e ，则式(2-19)的解为:
()(,)()(,)()(,)()(,)()y t y d t y t y d t y t y d t y t y d t y t θθθ
??+>??-=????-,则 （2-20） 其中，[][]T T l I 1,...,1,1,,...,21==λλλλ为1?l 维列向量，
][l l T l R y y y Y ?∈Ω=,,...,,21，且),()()(j i j T i ij x x K x x ==Ω??，K 为满足
Mercer 条件的核函数，)()(),(j T i j i x x x x K ??=，用原空间的核函数取代高维特征空间中的点积运算，使计算得以简化。因此非线性预测模型的表达式为:
b x x K y l
i i i +=∑=1),(λ （2-21） 其中，b i ,λ可由解式(2-20)的线性方程求出，),(??K 表示从输入空间到
高维特征空间的非线性映射。
2.3粒子群参数优化的理论概述
2.3.1 标准粒子群参数优化原理
粒子群优化 (Panicle Swarm Optimization ，PS0)算法是一种基于迭代优化的群智能进化计算技术，算法初始化为一群随机粒子，然后通过迭代搜索到最优解。在每一次迭代中，粒子通过跟踪两个极值
来更新粒子自身的速度和在下一轮迭代中的位置。一个是粒子本身所找到的最优解，称为个体极值ibest P ，另一个是当前整个种群找到的最优解，称为全局极值best g 。找到这两个极值后，每个粒子根据它们决定自己的飞行速度和距离。
假设在一个d 维的搜索空间中，有m 个粒子组成一个种群，其中第i 个粒子表示为一个d 维的向量,,...,2,1),,...,,(21m i x x x x id i i i ==即第i 个粒子在d 维的搜索空间中的位置是i x 。第i 个粒子的飞行速度也是一个d 维的向量，记为),...,,(21id i i i v v v v =,第i 个粒子至今为止搜索到的最优位置为),...,,(21id i i i p p p p =，整个种群至今为止搜索到的最优位置为),...,,(21gd g g g p p p p =【21】。
标准粒子群优化算法采用下列公式对粒子速度和位置进行更新：
)()(2211id gd id id id id x p r c x p r c wv v -+-+= (2-22)
id id id v x x += (2-23)
其中，w 为惯性权重系数，1c 和2c 是两个非负常数，称为加速常数，1r 和2r 是[O ，l]之间的随机数。
2.3.2 改进粒子群优化理论
本文中针对粒子群的早熟收敛问题，设计了一种以粒子群优化算法为基础的，通过多样性度量指标控制种群特征的改进粒子群优化算法。具体实现包括以下两个方面：
（1）选取初始种群
初始粒子群的选取是随机的，理想状况下其位置应遍布整个解空间以增加搜索到全局最优解的概率。但是粒子的个数是有限的，解空间又相对较大，如果不能保证有限个粒子均匀分布在整个解空间，就加大了陷于局部最优的可能。
为此，引入平均粒距的概念，定义如下：
龙源期刊网 https://www.doczj.com/doc/0516796150.html, 浅谈电力系统短期负荷预测 作者：李家龙王蒙谷心洋 来源：《中国科技纵横》2017年第03期 摘要：研究了气象因素（温度、湿度、降雨量等）对电力系统负荷的具体影响，结果表明：温度对预测结果影响最大。建立了指数平滑模型、动态神经网络模型对电力系统短期负荷进行预测，对两种预测模型的优缺点进行了比较。结果表明：三次指数平滑能很好的预测短期负荷的发展趋势，而动态神经网络模型有更高预测结果精度。最后通过算例进行了说明。 关键词：电力系统；负荷预测；气象因素；预测模型 中图分类号：TM715 文献标识码：A 文章编号：1671-2064（2017）03-0171-02 1引言 电力系统短期负荷预测，在国内都有相关的研究，如文献[1]构建了一种基于统计分析的 负荷规律性评价方法。在此基础上，建立了预估负荷预报误差极限的分析方法。运用所提出的方法对负荷变化的规律性进行评价。文献[2]利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测、日预测模型，文献[3]从不同角度对气象因素对电网负荷影响进行了深入的分析，介绍了 国内外的研究现状，提出了气象因素对短期负荷预测影响分析的思路、方法和意义，讨论了常用电力负荷特性的分析方法，文献[4]短期负荷预测的“双周期加混沌”法是基于负荷记录数学性质的预测方法.为了进一步提高其预测精度而提出的三项改进。 以上研究都没有深入研究气象因素对短期负荷预测的具体影响，给出较为直观的数字；研究表明，气象因素是影响短期负荷的主要因素，温度、风速、降雨量、等都对负荷产生一定程度的影响。气温是对负荷影响最大的气象因素。故各气象因素与负荷之间存在一定的相关性。本文讨论了象因素对短期负荷预测的具体影响，建立三次指数平滑模型和动态神经网络模型对负荷进行预测。 2 问题描述 短期负荷预测是电力系统运行与分析的基础，提高负荷预测精度，是保障电力系统优化决策科学性的重要手段。现代电力系统中，气象因素（温度、湿度、降雨量等）对电力系统负荷的影响愈显突出。考虑气象因素成为调度中心进一步改进负荷预测精度的主要手段之一。 符号说明： 最近几天t时刻的负荷平均值
中长期电力负荷预测研究 发表时间：2017-11-24T11:02:36.117Z 来源：《电力设备》2017年第19期作者：南志军童丽萍 [导读] 摘要：电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。 （国网新疆哈密供电公司新疆哈密 839000） 摘要：电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。该文对电力负荷预测的概念及分类等问题进行了简要论述，重点分析了中长期负荷预测的特点、成熟方法，对中长期负荷预测方法进行了综述。 关键词：中长期；电力负荷；预测；研究 电力系统负荷预测作为电力系统现代化管理的重要内容之一，在电力系统的控制运行和规划方面具有非常重要的作用，尤其是中长期电力系统负荷的预测，受经济、社会、人口、气候等因素影响很大，存在多样性、复杂性和许多不确定性，对其预测结果是制定电力系统输电规划和电源规划的基础，体现了未来负荷发展的规律，为未来负荷规划提供可靠的依据。 1中长期负荷预测的概述 电力负荷预测是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，运用哲学、社会学、经济学、统计学、数学、计算机、工程技术及经验分析等定性定量的方法，探索事务之间的内在联系和发展变化规律，对负荷发展做出预先估计和推测。长期预测以年为预测时段，以用电负荷、用电量等的年度统计数据作为预测内容，主要受国民经济发展情况、人口、产值单耗、产业结构调整情况、电价政策等的影响，其目的是为合理安排电源和电网的建设进度提供宏观决策的依据。中期预测以月为预测时段，以用电量、用电负荷等的月度统计数据作为预测内容，这些数据呈周期性增长，每年度的12个月具有相似的规律，其变化规律可分为月度量的年度发展序列和月度量的月度发展序列。 2电力负荷预测原理 负荷是指电力需求量，而需求量可用能量的时间变化率表示。在充分考虑一些重要的电力系统运行特性、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的处理过去和现在负荷的数学方法，在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值，称为负荷预测。由于中长期电力负荷受经济、社会、气候等多种因素影响，且存在多样性、复杂性和不确定性，传统的方法无法对复杂电力负荷系统进行准确的预测，导致预测精度低。由于电力负荷是一多维的动态非线性时间序列系统，影响因素很多，只有从中找出一组合适的因子才能有效地捕捉电力负荷变化趋势，从而对电力负荷进行准确的预测。设电力负荷的影响因子为: { x1，x2，…xm} ，m表示影响因子的个数，y 表示电力负荷真实观察值，xi表示第 i 个影响因素，通过一定的建模方法描述电力负荷和影响因子的非线性关系。 3目前常用的中长期电力负荷预测方法及分析 3.1 传统预测方法 回归分析预测法，根据回归分析涉及变量数分为单元、多元回归分析；根据自变量和因变量之间的函数形式，分为线性、非线性回归方程。该方法简单便捷、外推性好，可以很好的预测出从未发生过的情况；但在历史数据残缺或存在较大误差的情况下，预测效果很不理想，针对复杂参数变化，缺乏自学习能力，无法及时进行负荷模型更新。时间序列外推法，基本模型包括：自回归模型AR、动平均模型MA、自回归动平均模型ARMA。此方法适用于负荷变化不大的情况，优点是：对历史数据量要求较低；缺点是：对历史数据准确性要求高，模型系数的计算较繁琐，用线性方程来近似表达一种非线性关系，无法参考天气因素的影响，无法保证精度。灰色数学理论，利用GM 模型群实现电力负荷预测。当电力负荷呈严格指数增长时，灰色数学理论预测方法的预测精度高、所需样本数据少、计算简便以及可检验。但其缺点也比较突出：数据的灰度越大，预测精度越差，不适合长期预测；具有波动性变化的电力负荷，采用GM模型，误差大，无法实现实际需求。 3.2 现代负荷预测方法 模糊预测法，利用有限的规则近似表示任意的函数关系，其缺点是模糊推理FUZZY预测没有学习能力，不能很好的适应不断变化的电力系统，因而精度比较差。专家系统预测法，是对不可量化的经验进行转化的一种方法。其优点是: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，资料与信息量比较多，考虑的结果比较全面，从而可以得出较为准确的结果。其缺点是:知识面受数据库的限制，失去自学的能力；对突发性事件和不断变化的条件适应性差。遗传规划方法，是用能根据环境状况动态改变的广义的层次化计算机程序描述问题。在负荷预报应用中，能自动找出与负荷变化密切相关的因素，用其作为自变量，自动生成函数表达式来体现负荷的变化规律，建立负荷预测的数学模型。其预报精度可满足工程需要，在实际应用中，用遗传规划直接进行负荷预报可以作为其他预报方法的辅助工具。优选组合预测模型，对于同一个预测问题，将多个不同的预测模型的线性组合，在一定的条件下改善模型的拟合能力和提高预测精度。选取适当的权重进行加权平均或者选择拟合优度最佳或标准差最小的预测模型作为最优模型进行预测。 3.3 对中长期负荷预测方法的建议 对于年度预测具有单调性的特点，采用灰色预测法、回归分析预测法；若可以引入相关因素，可采用弹性系数法。对于月度预测时，按照年度发展序列构成的月度预测方法中，若历史数据具有单调性特点，则采用灰色预测、回归分析等方法；按照月度发展序列构成的月度预测方法中，根据12月的周期性，优先采用ARMA模型。 4中长期负荷预测要解决的问题及对其研究方向的建议 4.1 中长期负荷预测要解决的问题 需要充分考虑外界因素变化、未来相关因素不确定性、众多因素交互作用的结果以及对预测专家经验和意见有效分析利用的预测前提；遵循“近大远小”原则，采用加权参数估计方法实现区别对待各时段的拟合残差；由于需要按照一定参数估计方法求解若干待定参数（如最小二乘估计、岭估计等算法），使得预测效果差别较大，则如何选择适当的参数估计方法提高预测精度是需要解决的问题。 4.2 对负荷预测问题研究方向的建议 首先是，组合预测，但组合预测的权重确定的分析和估计策略的选择还需要深入研究。其次是，由于不同单位开发了多个电力负荷预测和分析的软件包，使得其独立性强，兼容性差，造成软件培训和系统维护的困难，基于Internet/intranet技术的发展，提供了一种全新的实现负荷预测技术的手段，为电力部门提供一个网上的负荷预测中心，从而有效地提高预测方法的准确性、预测操作的简单性和经济性，
1、单耗法 这个方法是根据预测期的产品产量（或产值）和用电单耗计算需要的用电量，即 A h ＝∑=n i 1Q i U i 式中 A h —某行业预测期的需电量； U i —各种产品（产值）用电单耗； Q i —各种产品产量（或产值）。 当分别算出各行业的需用电量之后，把它们相加，就可以得到全部行业的需用电量。这个方法适用于工业比重大的系统。对于中近期负荷预测（中期负荷预测的前5年），此时，用户已有生产或建设计划，根据我国的多年经验，用单耗法是有效的。 在已知某规划年的需电量后，可用年最大负荷利用小时数来预测年最大负荷，即 P n·max =T A n m ax 式中 P n·max —年最大负荷（MW ）； A n —年需用电量（k W·h ）； T max —年最大负荷利用小时数（h ）。 各电力系统的年最大负荷利用小时数，可根据历史统计资料及今后用电结构变化情况分析确定。 单耗法分产品单耗法和产值单耗法。采用单耗法预测负荷的关键是确定适当的产品单耗或产值单耗。 单耗法可用于计算工业用户的负荷预测。 单耗法可根据第一、第二、第三产业单位用电量创造的经济价值，从预测经济指标推算用电需求量，加上居民生活用电量，构成全社会用电量。预测时，通过对过去的单位产值耗电量(以下简称“单耗”) 进行统计分析，并结合产业结构调整，找出一定的规律，预测规划第一、第二、第三产业的综合单耗，然后根据国民经济和社会发展规划指标，按单耗进行预测。单耗法需要做大量细致的统计、分析工作，近期预测效果较佳。 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。
中国农业大学毕业设计（论文） 电力负荷的预测 学院（系）： 专业班级： 学生姓名： 指导教师： 学位论文原创性声明
本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包括任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名： 年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保障、使用学位论文的规定，同意学校保留并向有关学位论文管理部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权省级优秀学士论文评选机构将本学位论文的全部或部分内容编入有关数据进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于1、保密囗，在年解密后适用本授权书 2、不保密囗。 （请在以上相应方框内打“√”） 作者签名：年月日 导师签名：年月日
摘要 电力负荷预测是电力系统调度、用电、规划等管理部门的重要工作。短期电 力负荷预测圭要用来预报未来几小时，一天至几天的电力负荷，它是能量管理系 统的重要组成部分，在现代电力系统的安全和经济运行中起着重要作用。随着电 力企业逐渐走向市场，对短期负荷预测提出了更高的精度要求。 由于电力负荷受政治、气候、以及电力负荷自身状况等多种因素的影响，因 此负荷预测是一项十分复杂的工作。本文首先分析了电力系统负荷的构成，阐述 了国内外短期电力负荷预测的基本方法，并在此基础上对近一年来的负荷 数据进行统计分析，重点介绍了数据预处理的方法、相似目的选取和灰色模型在 短期电力负荷预测中的应用。 关键词：短期负荷预测精度系统设计 Abstract Electrical load forecasting has important function in programming and dispatching department of power system．Short—term load forecasting,which major function is to forecast future power load several hours or several days 1ater,is the main part of the energy management system(EMS)．Meanwhile，It is important to the security and economical operation in modem power systems．Gone with the power Plant walking towards to the power market，load forecasting precision standard has become more and more strict． Because power load is influenced by multiple factors，such as politics，climate，self-status of the power load and so on,short-term load forecasting is a complex employment．Firstly，this paper analyses constitutes of the electrical load，and then introduces the basic method for short—term load forecasting at home and abroad．On the basis of these theories，this analyses load data in nearly one year,and then make emphases On the method of processing the history load data ，the selection of the similar day and the applying of the gray model in short-term load forecasting.At last,this paper shows the designing procedure of the power short-term load forecasting system and then proved the validity of the gray model method. Key words：short-term load forecasting precision system design
1.负荷预测分类和基础数据处理 1.1负荷预测及其分类 1.1.1负荷预测概念 负荷预测是根据负荷的历史数据及其相关影响因素，分析负荷的变化规律，综合考虑影响负荷变化的原因，使用一定的预测模型和方法，以未来经济形势、社会发展、气候条件、气象因素等预测结果为依据，估计未来某时段的负荷数值过程。 1.1.2负荷预测的分类 按照预测方法的参考体系，工程上的负荷预测方法可分为确定性预测方法、不确定预测方法、空间负荷预测法。 确定性：把电力负荷预测用一个或一组方程来描述，电力负荷与变量之间有明确的一一对应关系。 不确定性：实际电力负荷发展变化规律非常复杂，受到很多因素影响，这种影响关系是一种对应和相关关系，不能用简单的显示数学方程描述，为解决这一问题，产生了一类基于类比对应等关系进行推测预测负荷的不度额定预测方法。 空间负荷预测：确定和不确定负荷预测是对负荷总量的预测。空间负荷预测是对负荷空间分布的预测，揭示负荷的地理分布情况。
1.2负荷预测的基础数据处理 1.2.1负荷预测的基础数据 基础数据大致包括四类，分别为：①负荷数据（系统、区域、母线、行业、大用户的历史数据；负荷控制数据；系统、区域、大用户等的最大利用小时数；发电厂厂用电率和网损率。）②气象数据（整点天气预报；整点气象要素资料；年度气温、降水等气象材料。）③经济数据和人口（区域产业GDP；城乡可支配收入；大用户产量、产值和单耗；电价结构和电价政策调整；城乡人口。）④其他时间（特殊时间如大型会议、自然灾害；行政区域调整） 1.2.2数据处理 为获得较好的预测效果，用于预测数据的合理性得到充分保证，因此需要对历史数据进行合理性分析，去伪存真。最基本要求是：排除由于人为因素带来的错误以及由于统计口径不同带来的误差。另外，尽量减少异常数据（历史上突发事件或由于某些特殊原因会对统计数据带来宠大影响）带来的不良影响。常见的数据处理方法有：数据不全、数据集成、数据变换和数据规约等。 2.确定性负荷预测方法 2.1经验技术预测方法 2.1.1专家预测法 专家预测发分为专家会议发和专家小组法。会议发通过召集专家开会，面对
电力系统短期负荷预测方法综述 本文主要是针对电力系统的短期负荷预测的概念和意义 进行综述，就短期负荷预测的一些特点及其影响预测精度的各方面原因进行总体的分析。在目前的预测方法里，主要有经典的预测方法和传统的预测方法以及智能预测方法和预测新方法。从这些预测方法入手进行综合的应用原理分析，比较其不同预测方法的优点及不足的地方。并且提出了短期负荷预测的精度提升了，不仅在历史的数据上重视了其积累，还应重视在预测的模型选择上要合适，综合型预测模型在未来电力负荷预测方法的必然性。 标签：电力系统短期负荷预测 电力负荷预测在能量的管理系统组成中是极为重要的部分，而短期电力负荷预测则是对几个小时后或是一天、几天的电力负荷值上进行预报。短期电力负荷预测不仅在电力系统安全以及经济的运作下提供了相关保障，还为市场的环境编排高度计划等打下了基础。不过在这个电力生产与消费的日趋市场化下，针对负荷预测的准确及可靠性上也有了更为高的要求，而且就电力系统管理与运行来讲其负荷预测逐渐成为了一个主要的研究领域。预测精度是决定短期负荷预测的作用大小的，所以在短期负荷预测方法研究的重点上是如何对预测精度进行提高。虽然短期负荷预测的研究历史已經很长远了，国内外的学者也对其在方法还有理论方面对于预测模型进行研究工作。当短期负荷出现因素太多的情况下，从而限制了预测方法的范围以及精度。下文针对短期的预测方法展开一个综合性的探析。在研究未来发展方向的同时也为实际情况下短期负荷的预测提供了一个基础。 1 基于短期负荷的预测特点 对于短期电力负荷来讲其预测便是基于在电力负荷以及相关的历史数据对模型进行全面的建立，从而使得新世纪型的电力负荷更具备科学性和全面性。对于短期负荷所面临的事件不确定性以及其随机性，包含了各种特点：①在预测的结果上其短期的负荷存在着一定的不确定性。②不同的负荷预测方法存在相应的条件性。③短期负荷预测在时间上各有不同。④预测的结果包含多方案性。 短期负荷预测精度的影响因素：①以往历史数据。②自然天气情况。③其日期类型。④负荷预测模型。⑤相关社会事件等。 2 简述短期负荷预测方法 短期负荷由于受到来自不同方向的因素影响，面临时间序列问题上其随机的过程表现的很不平稳，就算面临的影响因素包罗万象，不过在这些因素中都存在一个特点那就是有规律性。能够为实际预测打下基础，其短期负荷预测的方法大致分为四类。
中长期电力负荷预测方法的简述及分析 【摘要】介绍负荷预测的概念及所依据的原理，简述了目前常用的中长期电力负荷预测方法及分析了存在的问题，对一些新的现代负荷预测方法作了归纳说明。【关键词】负荷预测预测方法发展动态1.引言在一定的规划期内，电力系统的负荷水平决定了其发展的规模与速度。因此，中长期电力负荷预测的结果在一定程度上决定了未来规划期内电力系统的发展。当前电力市场正在逐步由卖方市场转向买方市场，过去的以产定销将变成以销定产，生产计划和基建计划的安排都对中长期电力负荷预测提出了更高的要求。本文在介绍电力负荷预测的概念和原理的基础上，把中长期电力负荷预测方法及现在使用的情况和发展趋势作一个简单的叙述和分析。2.负荷预测的概念和原理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、自然环境和社会影响的条件下，研究或利用一套能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，确定某特定时刻的负荷数值。负荷预测根据规划目标年限分类，可分为长期预测(指未来10年到20年的负荷预测)、中期预测(指未来5到10年的负荷预测)和近期预测(指5年内的预测)。负荷预测工作是根据电力负荷的发展规律，预计或判断其未来发展趋势和状况的活动。这项活动基于以下的基本原理：(1)可知性原理作为预测的对象，负荷的发展规律、未来的发展趋势和状况是可以为人们所知道的。人们不但可以认识它的过去和现在，而且可以通过总结它的过去和现在而推测其未来。(2)可能性原理事物的发展变化是内因和外因共同作用下的结果。内因的变化及外因作用力大小不同，会使事物的发展变化有多种可能性。所以对某一具体指标的预测往往是按照其发展变化的多样性，进行多方案预测。(3)连续性原理又称惯性原理，是指预测对象的发展是一个连续的过程。其未来发展是这个过程的连续。它强调了预测对象总是从过去发展到现在，再从现在发展到将来。它认为事物发展变化过程中会将某些原有的特征保存下来，延续下去，电力系统的发展变化同样存在惯性，这种惯性是我们进行负荷预测的主要依据。(4)相似性原理在很多情况下，作为预测对象的一个事物，其现在发展过程和发展状况可能与过去另一事物过去一定阶段的发展过程和发展状况相类似，人们可以根据后一事物的已知发展过程和状况，来预测所预测对象的未来发展过程和状况，这就是相似性原理。目前，预测技术中使用的类推法和历史类比法就是基于这个原理的预测方法。(5)反馈性原理反馈就是利用输出返回输入端，再调节输出结果。预测的反馈性原理实际上是为了不断提高预测的准确性而进行的反馈调节。当预测结果和经过一段实践得到的实际值存在差距，可利用这个差距对预测模型进行调节，提高预测的准确性。反馈性预测的实质就将预测的理论值和实际要求相结合，在实践中检验，然后进行修改、调整，使预测质量进一步提高。(6)系统性原理这个原理认为预测对象是一个完整的系统，它本身有内在的系统，它与外界的联系又形成了它的外界系统。这些系统总和构成一个完整的总系统，预测对象的未来发展是系统整体的动态发展，也是整个系统的动态发展和它的各个组成部分和影响因素之间相互作用和相互影响密切相关的。系统性原理还强调系统整体最佳，只有系统整体最佳的预测，才是高质量的预测，才能为决策者提供最佳的预测方案。3.目前常用的中长期电力负荷预测方法及分析在目前的中长期电力负荷预测工作中，比较常用和普遍的有如下几种方法：(1)分产业产值单耗法单耗法即单位产品耗电法，是通过某一单位产品的平均单位产品用电量以及该产品的产量，得到生产这种总产品的总用电量，单耗法需要做大量细致的调查统计工作，但在实际工作中很难对所有产品较准确地求出其单耗，而且工作量太大。(2)电力弹性系数法电力弹性系数是电量平均增长率与国内生产总值之间的比值，该方法旨在分析电力弹性系数有单位国内生产总值电耗之间的关系，根据国内生产总值增长速度结合电力弹性系数得到规划期末的总用电量，同单耗法一样，电力弹性系数法需要做大量细致的统计工作。(3)分区负荷密度法负荷密度预测法是从地区土地面积(或建筑面积)的平均耗电量出发作预测，预测时，先预测出未来某时期的土地面积(或建筑面积)和单位面积用电密度，再乘以面积得到用电量预测值，分区负荷预测法首先根据近年来的发展情况、经济发展目标以及电力规划目标将待预测区域划分成多个功能区，然后
西安工业大学北方信息工程学院 本科毕业设计（论文）题目：基于BP神经网络的短期电力负荷预测 系别电子信息工程系 专业电气工程及其自动化 班级B070307 姓名宋亮 学号B07030716 导师张荷芳焦灵侠 2011年6月
毕业设计（论文）任务书 系别 电子信息系 专业 电气工程自动化 班 b070307 姓名 宋亮 学号 b07030716 1.毕业设计（论文）题目： 基于bp 神经网络的短期电力负荷预测 2.题目背景和意义：电力系统是由电力网、电力用户组成，其作用就是对各类用户尽可能经济地提供可靠而合乎标准要求的电能，以随时满足负荷要求。但是由于电力的生产与使用具有其特殊性，即电能是不能储存的。这就要求系统发出电力随时紧跟系统负荷的变化动态平衡，否则，就会影响供用电的质量。电力系统负荷预测因此发展起来，成为工程科学中重要的研究领域，是电力系统自动化中一项重要内容。在电力系统安排生产计划和实际运行的过程中， 负荷预测起着十分重要的作用，主要表现在以下几个方面： (1)经济调度的主要依据。对电力系统来说，必须对用户提供可靠而经济的电能，以随时满足各类用户的要求，亦即满足用户的负荷需求，而在另一方面，又要考虑生产成本，由于电能不能大量储存，因此必须在确保 系统安全的情况下尽量减少实时发电备用容量。(2)生产计划的要求。电力系统中，由于其可 靠性的要求，各种发、供电设备都有确定的检修周期。(3)电力系统安全分析的基础。电力事 故所造成经济损失和社会影响是巨大的，必须尽量避免。 3.设计(论文)的主要内容（理工科含技术指标）： 负荷预测并达到一定误差范围之内。 4.设计的基本要求及进度安排（含起始时间、设计地点）：电子系实验室 1-5周；开题，针对原理及应用、主要技术难点的收集资料，熟悉课题方案。 6-10周； 完成方案论证，确定设计方案。 10-15周；利用Matlab 对系统做进一步的仿真分析 16-18周；完成所有的设计工作，整理资料，完成毕业论文，准备答辩。 5.毕业设计（论文）的工作量要求 400机时 ① 实验（时数）*或实习（天数）： 100天 ② 图纸（幅面和张数）*：A4×2 ③ 其他要求： 论文：15000字以上；外文翻译：5000字以上 指导教师签名： 年 月 日 学生签名： 年 月 日 系主任审批： 年 月 日 说明：1本表一式二份，一份由学生装订入册，一份教师自留。 2 带*项可根据学科特点选填。
电力负荷预测 公司内部编号：（GOOD-TMMT-MMUT-UUPTY-UUYY-DTTI-
电力网中的电力负荷预测 （广西科技大学 **） 摘要：电力负荷预测是供电部门的重要工作之一，准确的负荷预测，可以在保障电网的安全前提下，经济合理的安排电网内部发电机组的启停，合理安排机组检修计划，减少不必要的旋转备用容量，降低电网公司的运营成本，提高经济和社会效益。本文主要介绍了电力负荷预测的概念、步骤以及经常采用的负荷预测方法。 关键字：负荷；预测；方法；步骤 引言 基于“十五”期间国民经济和电力工业的发展状况，在全国电力供需趋于平衡的前提下，我国“十一五”规划对电力工业发展坚持了“十五”期间制定的“可持续发展”的要求：电力工业发展方式要从数量速度型向质量效益型转变，从以供给导向为主转向以需求导向为主，优化电力资源配置。国家经贸委电力工业“十一五”规划中预测：“十一五”期间我国经济增长速度为年均8%左右，电力需求的平均增长速度为7%，到2009年全国发电装机容量将达到亿千瓦，（其中，水电占总容量%，火电占总容量%）国家电力公司电力工业“十一五”计划及2015年远景规划中预测：“十一五”期间我国GDP年均增长8%左右，电力需求的平均增长速度在%~%之间，到2009年全国发电装机容量将达到亿千瓦，全社会用电量将达到16200亿~16600亿千瓦时。 但实际的情况是：截至2009年年底，全国发电装机容量达到亿千瓦，全国发电量达到亿千瓦时，全社会用电量为24689亿千瓦时。
1、电力负荷预测综述 、电力负荷预测的意义 电力用户是电力工业的服务对象，电力负荷的不断增长是电力工业发展的根据。正确地预测电力负荷，既是为了保证无条件供应国民经济各部门及人民生活以充足的电力的需要，也是电力工业自身健康发展的需要。电力负荷预测工作既是电力规划工作的重要组成部分，也是电力规划的基础。全国性的电力负荷预测，为编制全国电力规划提供依据，它规定了全国电力工业的发展水平、发展速度、源动力资源的需求量，电力工业发展的资金需求量，以及电力工业发展对人力资源的需求量。 收稿日期：2012-12-25 作者简介：***，本科，研究方向：电力负荷预测，E-mail： 本文运用神经网络对某市某年某月某日进行电力负荷的短期预测，它为这一地区电力规划奠定了一定的基础，同时也为这一地区电力工业布局、能源资源平衡、电力余缺调剂，以及电网资金和人力资源的需求与平衡提供可靠的依据。因此，电力负荷预测是一项十分重要的工作，它对于保证电力工业的健康发展，乃至对于整个国民经济的发展均有着十分重要的意义 、电力负荷预测的定义 电力负荷预测结果的准确与否直接电力负荷预测是指通过对电力系统负荷历史数据的分析和研究，运用统计学、数学、计算机、工程技术及经验分析等定性定量的方法，探索事物之间的内在联系和发展变化规律，对未来的负荷发展做出预先估计和推测。关系到电力投资的效益，供电的可靠性，用电需求的正常发展，以及社会的经济效益和社会效益。但要做到预测准确或较准确是很困难的，因为影响电力负荷预测的因素相当多，且由于各地区产业结构和人民生活水平不
电力系统短期负荷预测方法研究综述 发表时间：2018-12-25T16:14:08.417Z 来源：《电力设备》2018年第23期作者：尹强 [导读] 摘要：随着电力工业发展的不断市场化，在与社会经济效益息息相关的当下，系统负荷预测在电力行业中扮演着愈加重要的角色。 （国网四川省电力公司攀枝花供电公司四川攀枝花 617000） 摘要：随着电力工业发展的不断市场化，在与社会经济效益息息相关的当下，系统负荷预测在电力行业中扮演着愈加重要的角色。而按照预测时间的长短，可将负荷预测模式分为长期，中期，短期和超短期。其中，短期负荷预测是电力系统稳定经济运行的基础，其预测结果将直接影响着电力系统控制过程的优良。因此关于短期负荷预测的精确性已逐步发展成为电力系统自动化领域中的一项重要研究课题。 关键词：电力系统；短期负荷；预测方法 一、负荷数据预处理 历史负荷数据由于多种原因可能会造成部分数据的丢失或者数据异常，异常的历史负荷数据会对短期负荷预测结果造成很大的影响。因此，想要提高短期负荷预测结果的精确度，在进行预测前，需对负荷数据进行预处理。传统的数据预处理方法包括插值法和纵向比较法等，为了提高预测的精确度又提出了双向比较法、滤波法、切比雪夫不等式法等多种数据预处理新方法。文献提出了用Savitzky-Golay平滑滤波器去处理历史负荷数据，与其它平均方法相比，本方法保留了原始数据的分布特性。文献利用粗糙集理论的属性，在保证历史负荷和气象因数等属性的情况下，推导出的预测负荷值满足一定的精确度，剔除属性集中的冗余信息，简化了判断规则，并利用遗传算法的全局搜索能力，挖掘得到相对预测量的最小约简属性集作为预测模型的输入变量。 二、短期电力负荷预测 短期电力负荷预测的特点。电力负荷预测是根据电力负荷和其影响因素的历史数据，结合实际情况建立相关的模型，对未来用电负荷量进行科学预测。短期负荷更是具有以下明显的特点：预测结果的不确定性和随机性；由于各类负荷预测都是在特定的环境和具体的条件下进行的，因此其具有条件性；短期负荷预测在时间上都有一定的限制，所以具有时间性；由于预测结果的不准确性和条件性，加上外部因素的不确定性，因此预测结果具有多方案性。 影响电力负荷预测精度的因素。在电力系统负荷预测的过程中，预测精度是最具有影响力的一个指标。过预测或欠预测均会对系统生产运行配送造成较为严重的后果。影响负荷的因素有很多，首要便是天气因素。而作为可估计的随机事件，气象预报本身不准确又会形成双重误差。再者，我国人口数量众多，贫富差距较大，因此随机负荷部分并非平稳的随机序列，反而有较大的不确定性。另外，一些特殊事件的随机发生也会使反映负荷的周期曲线产生较大的波动，使实际数据与影响因素之间的关系样本数难以确定。 三、智能预测方法 （一）专家系统法 专家系统法是根据某一领域的专家知识和专家经验建立的一个计算机系统，并且该系统能够运用这些知识和经验对未来进行合理的预测。知识库、推理机、知识获取部分和解释部分是一个完整专家系统的主要组成部分。通过该系统，运行人员能够识别预测日的类型，考虑天气对负荷预测的影响。专家系统法的优点是能够综合考虑多个影响因素，由于是一个计算机系统，该系统具有较好的透明性和交互性，对所得出的结论，能解释其依据，便于运行人员检查和修改，而且预测结果的精确度很高，能很好的反映负荷实际情况。不足之处就是需要大量的历史负荷数据，而数据量增多会导致运算速度慢；同时该算法不具有自主学习能力和利用模糊知识处理相关问题的能力；并且该算法拥有很强的规则性，而规则本身不具有普遍适应性，所以该预测方法不具备普遍适用性。 （二）人工神经网络法 人工神经网络是模仿人脑神经网络进行学习和处理问题的非线性系统。它由若干个具有并行运算功能的神经元节点及连接它们的相应的权值构成，通过激励函数实现输入变量到输出变量之间的非线性映射。用历史负荷作为训练样本去建立适宜的网络结构，当训练的网络结构达到预测要求后，就用此网络作为负荷预测的预测模型。人工神经网络的优点是对预测模型的要求不高，对高度非线性对象非常适用，具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，拥有的特点是其它算法所不具备的。不足之处是有很慢的学习收敛速度，也有可能结果收敛到局部最小点，并且没有很好的知识表达能力，对调度人员经验中存在的模糊知识没有得到充分的利用，依据主观经验确定网络层数和神经元个数。把人工神经网络方法运用于风电功率短期预测中，以数值天气预报为基础，拥有良好的人机交互界面，与能量管理系统实现了完美的连接，预测结果拥有良好的精确度。组合的预测方法，把人工神经网络法和经验模式分解相结合，用经验模式分解的自适应性，分别对各个分量进行分析，准确的把握负荷变化特性和环境因素影响，最后采用与分量相匹配的人工神经网络法进行预测。用人工神经网络去预测负荷模型的方法，用人工神经网络对最大、最小负荷时刻的负荷模型参数进行预测，分析了负荷模型与预测结果之间的灵敏度，以便了解它们之间的影响程度，去寻找提高精确度的方法。 四、支持向量机 支持向量机与神经网络类似，都是学习型的机制，但与神经网络不同，SVM使用的是数学方法和优化技术。其中支持向量是指那些在间隔区边缘的训练样本点，该方法给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。应用SVM进行电力系统负荷预测具有精度高、速度快等优点，不足之处在于存贮需求量大，编程困难，实际应用较难。 五、灰色模型法 灰色模型法是一种针对含有未知且不确定因素的系统进行预测的方法。通过对部分已知信息的开发，生成并提取有用信息，从而对系统运行行为和其演化规律进行正确且有效的描述和监控。该方法可在数据缺失的情况下找出某个时间段内数据变化的规律，以此建立负荷预测模型。灰色模型法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，此方法的优势得以凸显———其预测精度高、所需样本少、人工耗时短且计算量小，所得预测结果还可以进行检验。缺点是对于具有波动性较大的电力负荷预测误差较大，因此并不适用于实际情况。但最优化灰色模型可以把波动幅度较大的原始数据序列变换成规律性较强的成指数递增变化的序列，以此来适应灰色模型法所需条件，大大增加了适用范围和预测精度。灰色模型法能很好的适用于
1.负荷预测分类和基础数据处理 负荷预测及其分类 负荷预测概念 负荷预测是根据负荷的历史数据及其相关影响因素，分析负荷的变化规律，综合考虑影响负荷变化的原因，使用一定的预测模型和方法，以未来经济形势、社会发展、气候条件、气象因素等预测结果为依据，估计未来某时段的负荷数值过程。 负荷预测的分类 按照预测方法的参考体系，工程上的负荷预测方法可分为确定性预测方法、不确定预测方法、空间负荷预测法。 确定性：把电力负荷预测用一个或一组方程来描述，电力负荷与变量之间有明确的一一对应关系。 不确定性：实际电力负荷发展变化规律非常复杂，受到很多因素影响，这种影响关系是一种对应和相关关系，不能用简单的显示数学方程描述，为解决这一问题，产生了一类基于类比对应等关系进行推测预测负荷的不度额定预测方法。 空间负荷预测：确定和不确定负荷预测是对负荷总量的预测。空间负荷预测是对负荷空间分布的预测，揭示负荷的地理分布情况。 负荷预测的基础数据处理 负荷预测的基础数据 基础数据大致包括四类，分别为：①负荷数据（系统、区域、母线、行业、大用户的历史数据；负荷控制数据；系统、区域、大用户等的最大利用小时数；发电厂厂用电率和网损率。）②气象数据（整点天气预报；整点气象要素资料；年度气温、降水等气象材料。）③经济数据和人口（区域产业GDP；城乡可支配收入；大用户产量、产值和单耗；电价结构和电价政策调整；城乡人口。）④其他时间（特殊时间如大型会议、自然灾害；行政区域调整）
数据处理 为获得较好的预测效果，用于预测数据的合理性得到充分保证，因此需要对历史数据进行合理性分析，去伪存真。最基本要求是：排除由于人为因素带来的错误以及由于统计口径不同带来的误差。另外，尽量减少异常数据（历史上突发事件或由于某些特殊原因会对统计数据带来宠大影响）带来的不良影响。常见的数据处理方法有：数据不全、数据集成、数据变换和数据规约等。 2.确定性负荷预测方法 经验技术预测方法 专家预测法 专家预测发分为专家会议发和专家小组法。会议发通过召集专家开会，面对面讨论问题，每个专家充分发表意见，并听取其他专家意见。小组法以书面形式独立发表个人见解，专家之间相互保密，最后综合给出预测结果。 类比法 类比法是将类似失误进行分析对比，通过已知事物对未知事物做出预测。例如选取国内外类似城市或地区为类比对象，参考该对象的发展轨迹对本地区作出预测。 主观概率发 请若干专家来估计某特定时间发生的主观概率，然后综合得出该时间的概率。 经典技术预测方法 单耗法 通过某一工业产品的平均单位产皮用电量以及该产品的产量，得到生产这种产品的总用电量。 用电量A=国民生产总之或工农业总产值b*产值单耗g
电力系统短期负荷预测毕业设计 1 。导言 为电力负荷预测制定一个精确的模型对一个公用事业公司的运作和规划是必不可少的。负荷预测也可帮助电力事业来作出重大的决定，包括关于购买和发电，负荷开关，及基础设施的发展。负荷预测对能源供应国，国际团结，金融机构，和其他与会者，在发电，输电，配电，和市场都是非常重要的。负荷预测可分为三类：短期预测，这通常是由一小时到一周，中期预测，这通常是一个星期到一年，而长期预测是长于一年。对于公用事业公司来说，预测不同的时间跨度对于不同的业务是重要的，当然这些预测的本质也一样是不同的。例如，对于一个特定区域，我们可以预测第二天的负荷，准确性可达到1-3％。但是，我们无法预测下一年度的高峰负荷，因为准确的长期天气预报到目前为止还是不可行的。对于明年的高峰预测，我们可以根据历史上的气象观测来提供大概的负荷分布。也有可以根据业界惯例，预测所谓天气正常化负荷，它将代替平均每年最高的气候条件或者比这个给定地区平均最高 的天气条件差一些。 天气正常化负荷是对所谓的正常天气条件实施负荷计算，它是一定的时间内，历史高峰负荷的平均值。这一时期从一个有用的点到另一个，多数公司采取过去25-30年的数据。负荷预报对公用事业公司的运作和规划一直是重要的。甚至，由于能源工业的不合理规划，负荷预测变得更加重要.随着供应和需求的波动变化和能源价格上升的因素，在十年或以上，在繁忙情况，负荷预测是制定水电费非常重要的依据。短期负荷预测方法可以帮助估计负荷流动，并作出决定，可以防止超载。及时实施这样的决定可以改善网络的可靠性，并减少发生设备故障和停电的次数。负荷预测也是一个重要的比较评价标准，为市场上提供的各种先进 的金融产品在能源方面的价格提供一个标准。 在放松管制的经济下，基于长期预测的资本性支出的决定，比在那个加息有可能由资本开支 项目决定的非开放的经济体系更加重要。 大多数预测方法利用统计技术或人工智能算法，如回归，神经网络，模糊逻辑和专家系统。大致可分为两种方法，即所谓的最终用途法和计量经济学法，都已广泛用于中期和长期预测。在这些方法中包括所谓的同类天法，就像回归模型，时间序列，神经网络，统计学习算法，模糊逻辑，专家系统一样已被短期预报而开发。正如我们所见，大量的数学方法和思路已用于负荷预测。发展和改善适当的数学工具，将促使开发更准确的负荷预测技术。负荷预测的精度不仅取决于负荷预测技术，而且取决于预测天气的情况。气象预报是一个重要话题，也 是外界对本章议论的内容。 这里我们只是提了在发展计算机化的气象预报系统中的重大进展，其中包括由大学开发和 支持的中尺度模式MM5。 2 重要因素预测 短期负荷预测的几个因素应予以考虑，例如时间因素，气象数据，并尽可能了解客户等级。中期和长期预测应顾及历史负荷和天气数据，在家电领域不同类别的用户数目及其特点，包括年龄，经济和人口统计数据，以及他们的预测，家电销售数据，和其他因素都要予以考虑。时间因素，包括这一年里，一周的某一天，某一小时。在平日和周末，负荷之间有重大差别。平时的负载也可以有所不同。举例来说吧，在星期一和星期五，被周末隔开的两天，负荷是不同的。而且由周二到周四也可能有很大的不同。在今年夏天的时候尤为如此。假期比非假期更难预测，因为他们相对显得不规则。 气象条件影响负荷。事实上，预测天气的参数是最重要的，在短期负荷预测.各种天气变数应考虑进来。温度和湿度是最常用的负荷预测因子。一个电力负荷预测调查表示，13个利用温度，而只有3个利用了温度和湿度，3个利用额外的气象参数，3个只用于负荷.在
存档编号 XXOO！大学毕业设计 题目电力系统中长期 负荷预测研究 学院电力学院 专业热能与动力工程 姓名VVBB 学号200907925 指导教师HHJJ 完成时间2013年5月25日 教务处制
独立完成与诚信声明 本人郑重声明：所提交的毕业设计（论文）是本人在指导教师的指导下，独立工作所取得的成果并撰写完成的，郑重确认没有剽窃、抄袭等违反学术道德、学术规范的侵权行为。文中除已经标注引用的内容外，不包含其他人或集体已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体，均已在文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律后果由本人承担。 毕业设计（论文）作者签名：指导导师签名： 签字日期：签字日期：
毕业设计（论文）版权使用授权书 本人完全了解KKJJ大学有关保管、使用毕业设计（论文）的规定。特授权华北水利水电大学可以将毕业设计（论文）的全部或部分内容公开和编入有关数据库提供检索，并采用影印、缩印或扫描等复制手段复制、保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交毕业设计（论文）原件或复印件和电子文档（涉密的成果在解密后应遵守此规定）。 毕业设计（论文）作者签名：导师签名： 签字日期：签字日期：
目录 摘要 (1) 第一章绪论 (3) 1.1中长期负荷预测研究背景和意义 (3) 1.2负荷预测的基本原理 (4) 1.3负荷预测的方法及特点 (5) 1.4研究现状 (8) 1.5目前存在的问题 (8) 1.6本文的主要工作 (9) 第二章负荷预测的方法 (10) 2.1负荷预测的分类 (10) 2.2负荷预测的特点 (11) 2.3影响中长期负荷发展的因素 (12) 2.4负荷预测的误差分析 (13) 2.4.1产生误差的原因 (14) 2.4.2预测误差分析 (14) 第三章回归分析基本理论及预测模型 (16) 3.1回归分析的基本思想 (16) 3.2回归分析的基本原理与方法 (16) 3.2.1基本原理 (16) 3.2.2基本方法 (16) 3.3回归分析步骤 (17) 3.4实例分析 (18) 第四章灰色系统的基本理论及预测模型 (22)