毕业设计：基于BP神经网络的短期电力负荷预测（终稿）.doc

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 实验（时数）*或实习（天数）： 100天 图纸（幅面和张数）*：A4×2 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。基于BP神经网络的短期电力负荷预测摘 要负荷预测技术是近年来各国潜心研究的一个新领域，它对于电力系统的规划与运行、获得最好的经济效益，有重大的意义。特别是电力科技与其它学科发展将会更加交融和促进。利用人工神经网络方法来对电力负荷进行短期预测是一种常用而且非常有效的一个方法。因此，与人工神经网络相关的一些预测算法就成为预测技术发展的一个重点。本文首先对预测技术，人工神经网络及其应用于电力系统进行了一些理论基础的介绍和探讨工作，重点介绍了BP网络在负荷预测方面的一些知识及实际应用。本文以实例为背景，详细论述了BP网络在电力负荷预测中的实际应用，并深入研究了在实际的系统中从输入模式的划分，隐节点的选取，权值的修改，学习率的调整等实际的问题。对于节假日的负荷，本文对其进行另外的讨论。最后用MATLAB仿真得到预测结果并分析了预测结果。 关键词：电力系统；短期负荷预测；BP；人工神经网络Short-Term Electric Power Load Forecasting Based on Neural Network MODELAbstractLoad forecasting technology is a new field in which many countries research with great concentration in recent few years. Load forecasting technology plays an important role not only in the design and running in power system but also in the increase of economical benefit. Short-term Load prediction based on artificial neural network is a common but most efficacious method. So some forecasting algorithms attached to ANN begin to be a promising and important field in the development of prediction technology.The paper primarily explicated some algorithms about prediction in EMS. Firstly,the background and development of prediction technology are introduced and then some introduction of basic theory and research work have been done about how to apply ANN to prediction technology, during which HP network and BP network are introduced importantly and then some improvement about the application of ANN to prediction technology is given. With an example the paper explicitly discusses the application of BP network in load prediction and has a deep research in pattern division of inputting, the selection on the number of the hidden layer, the modifying of weight, the adjustment of the speed of the study and etc. In the paper, a new and sufficient method about the selection of the training sample is proposed and also the division of inputting in festivals is operated with a new method by using interpolation. Besides, in the paper, the longest predicable time is studied theoretically and practically operated. The compare of the two kinds of network and their respective privilege and limitations is the emphasis in the paper.The paper cites chaos theory to predict technology. In the end the paper give some prospects and hypothesis on the prediction.Key words:Power System;Short-Term Load Forecasting(STLF); BP; Artificial Neural Network(ANN)目 录1 绪 论1 负荷预测的目的和意义1 国内外研究现状1 本文主要研究内容22 电力负荷预测分析4电力系统负荷预测的分类和特点4电力系统负荷预测的分类4电力系统负荷预测的特点和基本原理4电力负荷预测的影响因素5电力负荷预测的要求6 短期电力负荷预测的主要方法及模型6 预测方法比较103 人工神经网络11神经网络的发展概述113.2 神经网络的特点12神经网络学习控制12神经网络非线性控制13神经网络用于预测技术134 BP神经网络15 BP神经网络结构15 BP神经网络的学习方式15 BP算法的数学描述164.3.1 网络误差与权值的调整分析16 BP 算法推导对于输出层17 BP神经网络的主要特点185 系统设计与实现205.1 具体实例分析205.2 输入/输出变量设计21 BP网络仿真设计22 预测结果分析27 MATLAB 简介276 结论与展望296.1 结论296.2 展望29参考文献31致 谢32毕业设计（论文）知识产权声明33毕业设计（论文）独创性声明341V1 绪论1 绪 论负荷预测的目的和意义电力系统的基本作用是尽可能经济地为各类用户提供可靠且合乎标准要求的电能，适应实际负荷需求和变化。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，这就要求发电系统要随时紧跟系统负荷变化以达到动态平衡，否则就会影响供用电质量，甚至危及电力系统的安全与稳定。因此，科学的电力负荷预测就成为电力系统中一项重要工作，同时是电力系统自动化领域中一项重要内。 电力系统负荷预测是以准确的统计数据和调查资料为依据，从用电量的历史和现状出发，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意义下，确定未来某特定时刻的负荷数值。电力负荷预测的目的就是提供负荷的发展状况和水平，为电力生产部门和管理部门制订生产计划和发展规划提供依据，确定各供电地区的供电电量，生产规划等等。 电力负荷预测，特别是电力系统短期负荷预测，具有非常重要的意义，主要体现在： （1）较为精确的短期负荷预测可以合理安排电网运行方式和电力系统中各种设备的大修、小修及轮换计划。同时，有利于节煤、节油及降低发电成本。这对于现在正提倡的建设节能型社会、落实科学发展观有非常强的现实意义。 （2）电力系统短期负荷预测是电力系统安全分析的基础。为了向用户提供安全、可靠和优质的电能，电力部门需要保持电力系统的安全性和可靠性，这就要求系统发电出力随时紧跟系统负荷，否则就会影响供、用电质量，并会危及系统安全与稳定。 （3）电力系统短期负荷预测是电力企业制定电价的主要决策依据。电价的制订是在对未来用电负荷预测的基础上完成的，因此，发电企业必须获得较为精确的短期负荷预测值，才能制订出既有竞争力又可盈利的电价。 因此，不论从经济、安全还是社会发展角度来讲，短期电力负荷预测都是一项十分重要而且非常必要的工作。国内外研究现状14西安工业大学北方信息工程学院毕业设计（论文）20世纪60-70年代开始，世界各国经济迅猛发展，对电力需求量越来越大，对电能质量的要求也越来越高，从而带动电力系统迅速发展。从这时候开始，负荷预测从早期的不重视开始向应用、探索和研究方向发展。负荷预测的发展大致可以划分为两个阶段：第一阶段(20世纪60-80年代)是使用传统负荷预测技术的阶段，这一阶段基本沿袭了经济领域的预测技术，典型的如时间序列法、回归分析法；第二阶段(20世纪90年代到现在)，随着计算机技术的日新月异，人工智能技术的兴起，负荷预测迅速进入了使用智能化负荷预测技术的阶段。专家系统、人工神经网络和模糊逻辑系统代表着当今人工智能技术的三大分支，它们都在负荷预测领域逐步得到应用。同时，提出了灰色系统理论、非线性系统理论、小波分析理论等技术方法。 从国内外研究情况看，国外大概是由于经济及负荷发展变化规律趋于稳定的缘故，中长期负荷预测的研究远远少于短期预测，国内则基本上两者并重。我国于1998年开始电力工业市场改革以来，负荷预测的研究取得了长足进展，几乎每个实行电力市场的区网，其电力市场技术支持系统中都有负荷预测子系统。典型的如山东省采用线性外推和神经网络相结合的方法，开发了专门的负荷预测软件，福建省开发了电力需求预测程序，广西电网调度中心与长沙电力学院合作开发适合于广西电网的短期负荷预测应用软。目前，国内外关于短期电力负荷预测的研究主要集中在三个方面：负荷预测的影响因素、负荷预测的数学模型以及负荷预测的算法。相对前两个方而，在算法方而的研究最广泛，己经涌现出了各种不同算法，而这些算法在模型的复杂性、灵活性、对数据的要求以及满足用户的特殊要求等方而都有着很大的不同。 本文主要研究内容论文在介绍了电力系统短期负荷多种预测方法的基础上，以西安市电力系统为例建立人工神经网络模型进行短期负荷预测，针对模型和算法进行了研究和探讨。并通过MATLAB平台进行仿真分析，从而验证预测方法的理论正确性和有效性。论文研究的主要内容如下：第一章 介绍了论文的背景和意义，课题的研究现状，最后简要说明了课题所做的主要工作。第二章 对负荷预测的特点进行了详细的分析，说明了电力系统短期负荷预测的基本思路。第三章 首先详细介绍了神经网络的发展概况，其次介绍了神经网络学习控制，神经网络非线性控制，总结了神经网络的特点，并对神经网络用于预测技术进行了详细叙述。第四章 从多个方面对人工神经网络的BP算法进行了说明，对本文的应用进行了详细的说明。第五章 设计了一个合适的BP模型，运用matlab语言（matlab神经网络工具箱）进行仿真，实现对未来某一天的电力负荷预测，检验模型的可行性。第六章 论文的结论及展望。2 电力负荷预测分析2 电力负荷预测分析 电力系统负荷预测的分类和特点电力系统负荷按照使用范围可分为：民用负荷、商业负荷、农业负荷、工业负荷和其它负荷，不同类型负荷具有不同特点和规律，但其预测方法是互为体系，互相通用的。电力负荷预测是对未来时刻电力需求进行预测，它包括两方而含义，即:未来需求量的预测(功率)、未来用电量的预测(能量) 。电力系统负荷预测的分类按照预测周期，可将电力负荷预测分为长期、中期、短期和超短期负荷预测。a. 中、长期负荷预测：二者没有太严格界限，主要指对未来几年到几十年的预测。中长期预测的意义在于帮助决定新的发电机组的安装与电网的规划、增容和改建，对未来电力生产的发展和规划提供依据。其预测精度很小。b. 超短期负荷预测：指未来1小时、未来小时、甚至未来5分钟的预测。超短期负荷预测的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，同时使发电成本降到最低。c. 短期电力负荷预测是指一年以内几个月、几周、几天、几小时或者更短的负荷预测，比较常见的是预测未来一天24小时的负荷。短期负荷预测是为制定发电计划、输电方案服务的，是电力系统调度运营部门的一项重要工作，也是能量管理系统(EMS和配电管理系统(DMS)的重要组成部分。 在实际工作中，短期电力系统负荷预测主要指日负荷预测。本文所研究的西安市电力系统短期负荷预测，也是指日负荷预测，基本思路是：己知待预测前的历史负荷数据和相关影响因素，预测未来一天24小时的电力负荷值。电力系统负荷预测的特点和基本原理电力系统负荷的大小和多种因素相关，这些因素中既有不确定因素(如天气、温度等)，也有确定性因素。a. 特点： 由于负荷预测是根据电力负荷的过去与现在来推测它的未来数值，所以，这一工作所研究的对象是不确定性事件，它具有以下特点：（1）预测结果的非准确性。电力负荷的大小受各种复杂因素的影响，这些影响因素是发展变化的，如社会经济发展、气候变化、新技术发展、政治政策等。人们西安工业大学北方信息工程学院毕业设计（论文）对有些因素能预先估计，有些因素则不能或很难被准确预测。另外，预测方法与理论的不断更新，也将影响到预测的精度。（2）预测的条件性。各种电力负荷预测都是在一定条件下做出的。这些条件有必然条件和假设条件，按必然条件做出的负荷预测往往是可靠的，按假设条件做出的预测准确性显然具有条件性。比如说，预测模型训练时有些参数初始值的设定不同，预测结果会不同，很显然，由此做出的负荷预测就具有了特定的条件性。（3）预测结果的多方案性。由于负荷预测精度问题要求、预测条件的制约不同，再加上预测手段及理论数学模型的多样性，使得预测的结果并非是唯一的。b. 原理由于负荷预测具有不确定性、条件性、多方案性等特点。建立负荷预测模型和实施预测方法，一般要基于以下几个基本原理。（1）相似性原理 相似性原理即事物的发展过程和发展状况可能与过去一定阶段的发展过程和发展状况存在相似性，根据这种相似性可以建立相同的预测模型。例如：在特殊假期内(如春节、国庆等长时间公众假期中)，由于社会用电需求状况类似，导致电力负荷表现出一定的相似性。（2）连续性原理 连续性原理指预测对象从过去发展到现在，再从现在发展到将来，其中某些特征得以保持和延续，这一过程是连续变化的。例如：各个地区的用电量具有连续性，这些连续性为电力预测工作提供了基本依据。（3）相关性原理 即未来负荷的发展变化同许多其他因素有很强的相关性，这些因素直接影响预测结果。例如：某地的负荷预测同本地区的经济因素、气象因素及历史负荷相关。若没有其他因素的影响，日电力负荷曲线形状应相似。 （4）规律性原理 即事物的发展变化有内在规律，这些规律是可以为人们所认识的。在负荷预测中，可以发现实际电力负荷曲线是有规律的。例如：在晚上12点后至早晨8点前存在一个电力负荷低谷点。在早晨8点上班后至下午6点下班前，大部分电力设备运行，则存在电力负荷的高峰点。2.1.3电力负荷预测的影响因素影响电力负荷预测的因素有很多，通过实践与总结，人们逐渐认识到影响这种规律变化的因素主要有如下的几种：a.电力系统内部因素。内部因素具有线性变化和周期变化的特点。利用线性变量可以描述以24小时为周期的平均电力负荷变化规律。b.气候因素。由于电网接入的设备种类众多而且这类设备启闭都与天气因素有关，气候因素主要包括温度、风力、阴晴、雨雪等，特别是温度和湿度对电力负荷的影响，温度过高和温度过低都会导致大功率设备的开启，从而增加电力系统的负荷7 8。c.时间因素。比如季节变化、星期循环、法定假日等都可以导致不同区域电力负荷的不同，一般情况下节假日的负荷比正常日的负荷低很多。d.不定因素。比如轧钢厂、同步加速器等设备的运行将产生冲击性电力负荷，引起较大的负荷波动。还有就是自然灾害、电力调度事件、电力系统紧急事故都可以影响电力负荷的明显变化。2.1.4电力负荷预测的要求随着市场经济的发展、用户用电量的提高，人们对短期电力负荷预测技术提出更高的要求：a.一般要求至少需要预测每小时的电力负荷；b.一般要求在早上n点之前提交预测结果以便做出相应的电力调度计划；c.电力负荷预测的精度要求为误差不能超过3%；d.要求预测时间短。所以本设计研究的预测模型与算法应该尽量满足以上要求。 短期电力负荷预测的主要方法及模型用于短期负荷预测方法很多，近年来，预测理论技术取得了长足的进步，负荷预测的新技术层出不穷，综合起来主要的预测方法有以下几种。（1）回归模型预测法 电力负荷回归模型预测技术就是根据负荷过去的历史资料，建立可以进行数学分析的数学模型，对未来的负荷进行预测。回归分析法所采用的模型如下： (1.2)其中，是t时刻对应预测点的预测负荷值；是一组观察值，为给定的预测点；（j=0，1，n）为回归方程的回归系数；是随机干扰，即白噪声，服从正态分布。根据回归分析设计变量的多少，可以分为一元回归分析和多元回归分析。在回归分析中，自变量是随机变量，由给定的多组自变量因变量资料，研究各自变量和因变量之间的关系，形成回归方程。而回归方程根据自变量和因变量之间的函数形式，又可分为线性回归方程和非线性回归方程两种。式(1.2)即是多元线性回归分析方程，式中的回归系数可利用最小二乘法，使观察值和估计值的残差平方和最小获得。在负荷预测问题中，回归方程的因变量一般是电力系统负荷，自变量是影响系统负荷的各种因素，如社会经济、人口、气候等。但这种回归模型更适用于电力系统的中、长期负荷预测。而且回归分析有两个难点：一是回归变量的选取，因选取主要因素而忽略次要因素；二是变量因素的量化涉及到计量经济学的范畴，过于麻烦。（2）时间序列法处理随机时间序列问题的最有效方法是Box-Jenkins的时间序列法，其基本的时间序列模型主要有四种：自回归模型（AR），描述为现在值可以由其本身的过去值的有限项的加权和及一个干扰量（假定为白噪声）来表示；动平均模型（MA），描述为现在值可由其现在与过去的干扰量的有限项的加权和来表示；自回归动平均模型（ARMA），即现在值可看作是其过去值的有限项的加权和及其现在与过去干扰量的有限项加权和的叠加；积累式自回归动平均模型（ARIMA），适用于含有趋势项的非平稳随机过程。时间序列法是目前电力系统短期负荷预测中发展最为成熟的一种算法。电力负荷时间序列预测技术，就是根据负荷的历史资料，设法建立一个数学模型来描述电力负荷这个随机变量变化过程的统计规律性，在数学模型的基础上确立负荷预测的数学表达式，对未来的负荷进行预报。其基本模型如下： (1.3)在上式中，是t时刻系统的总负荷；是t时刻系统基本正常负荷分量；是t时刻系统随机负荷分量。虽然时间序列法比回归法更适用于短期负荷预测，但这种经典方法在天气和温度变化不大的时候，才容易取得比较满意的结果；当天气变化较大或遇到节假日等情况，这种方法存在较大的误差。Takeshi Haida 等人为了处理天气对负荷的影响，在自回归（AR）的日负荷预测模型基础上又引进转化技术（Transformation Technique），该方法假设今年的天气-负荷关系与去年的天气情况接近。而 Yang 等人提出用进化过程（volutionary Programing）来解决当确定ARMA参数时模型陷入局部极小的问题。虽然时间序列法可用于各种负荷预测，但预测步数越长，预测精度越差。同时为了克服时间序列法对天气等因素的不敏感，很多研究者提出了用神经网络，专家系统或模糊技术来补充这一缺陷。（3）人工神经网络（Artificial Neural Network,ANN）技术运用神经网络技术进行电力符合预测，是刚刚兴起的一种新的研究方法，其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，具有信息记忆、自主学习、知识推理和优化计算的特点，特别是其自学习和自适应功能是常规算法和专家系统技术所不具备的。因此，预测是人工神经网络的最有潜力的应用领域之一，有非常广泛的用途。由于人工神经网络适于解决时间序列预测问题(尤其是平稳随机过程的预测)，在电力系统负荷预测中进行应用在理论上是可行的。1991年Park D.C 等人第一次将ANN应用于电力系统负荷预测，并取得了另人满意的结果。现在研究最多的是应用误差反向传播算法(Error Back-Propagation,又称为BP)进行短期负荷预测，常用的是简单的三层ANN模型，就能实现从输入到输出间非线性映射任何复杂函数关系，其主要思路为：将历史数据中对电力负荷影响最大的几种因素作为输入(刺激，impulse)-输出数据对，如当天的天气气温、天气晴朗度(又称能见度）、风向风力、峰谷负荷及相关负荷等，把这些相关因素作为输入量输入人工神经网络，经过输入层、隐含层和输出层中各神经元的作用最后生成输出量，再与输入输出对中所希望的输出项比较，确定是否在误差允许范围内，否，则重新修改各个权重直到达到精度要求；是，则确定权重开始进行预测工作，只要把待预测日的相应刺激输入神经网络就可以得到相关的输出，即预测结果。由于人工神经网络具有一定的联想和推理功能，所以对于训练过程中没有出现过的情况，神经网络同样可以进行预测。人工神经网络技术的主要优点在于它不需要任何负荷模型，但其缺点是训练过程比较消耗时间，并且它并不能保证一定收敛，同时神经能够网络的结构确定，输入变量的恰当选取，隐含层树木的大小等问题都要在实践中进行摸索，但这种方法仍然具有其不可比拟的优点：具有很好的函数逼近能力；较好的解决了天气和温度等因素与负荷的对应关系；通过学习，能够反映输入/输出之间复杂的非线性关系。所以，人工神经网络得到了许多中外学者的赞誉。（4）模糊逻辑（Fuzzy Logic）技术和专家系统 于1965年在模糊集一文中首次提出了模糊数学和模糊控制问题，并给出了定量描述方法，自此模糊激励论便作为一门崭新的学科显示出强大的生命力。近年来，模糊集理论在电力系统中的应用也得到了飞速发展。模糊理论适合描述广泛存在的不确定性，同时他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他们的相似性，这些特点正是进行短期负荷预测所需要的或是其他方法所欠缺的优势所在。所谓模糊预测方法，如同人工神经网络，是模拟人脑工作的过程，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。由于电力系统中许多现象是不精确的、模糊的，而模糊理论中的“隶属函数”可比较明确的描述专家的意图。负荷的变化一般有总的发展趋势和随机的临时变化两个部分，总的发展趋势可以从历史数据用回归法或时间序列法等取其规律，已经有可靠的把握；但气象的影响和临时发生的重大事件，现在还没有足够准确的预报方法作为负荷变化的根据。这些因素对负荷变动的数学关系，也没有足够的把握。因此，经验丰富的调度员(专家）觉察这些因素时做出应付的手段，往往比计算预测准确。所以这个随机部分可以就各地不同的具体条件，把各调度所同专家的经验与判断方法，构造成不同的专家系统，形成模糊集的规则表。 虽然模糊理论在电力系统负荷预测中取得了很好的成就，但随着模糊理论的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。（5）小波分析（Wavelet）技术小波分析（wavelet analysis）是Fourier分析深入发展过程中的一个新的里程碑，是本世纪数学研究成果中最杰出的代表，已成为众多学科共同关注的热点。一方面，小波分析发扬了Fourier分析的优点，克服了Fourier分析的某些缺点。另一方面，小波分析现在已经被广泛应用于信号处理、图象处理、量子场论语言识别与合成、地震预报、机器视觉、机械故障诊断与监控、数字通信与传输等众多领域。电力系统中日负荷曲线具有特殊的周期性，负荷以天、周、年为周期发生波动，大周期中嵌套小周期。而小波分析是一种时域-频域分析方法，它在时域和频域上同时具有良好的局部化性质，并且能根据信号频率高低自动调节采样的疏密，容易捕捉和分析微弱信号以及信号、图象精细的采样步长，从而可以聚集到信号的任意细节，尤其是对奇异信号很敏感，能很好的处理微弱或突变的信号，其目标是将一个信号的信息转化成小波系数，可以方便的处理、存储、传递、分析或被用于重建原始信号，这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。（6）组合方法预测技术无论是经典的负荷预测模型或是智能预测模型，都有其不足和缺点，所以结合各种预测模型优点的组合方法得到了越来越多的关注。 总之，结合方法取得了另人满意的效果，它弥补了单一方法的不足，提高了预测精度。（7）其它预测方法除了以上阐述的几种方法，其它的短期负荷预测方法还有：指数平滑法、卡尔曼滤波法、灰色系统方法、遗传算法等等。这些方法都在电力系统短期负荷预测中得到了应用，但各有局限。2.3 预测方法比较回归模型预测技术在负荷预测问题中，回归方程的因变量一般是电力系统负荷，自变量是影响系统负荷的各种因素，如社会经济、人口、气候等。但这种回归模型更适用于电力系统的中、长期负荷预测。而且回归分析有两个难点：一是回归变量的选取，因选取主要因素而忽略次要因素；二是变量因素的量化涉及到计量经济学的范畴，过于麻烦。时间序列法可用于各种负荷预测，但预测步数越长，预测精度越差。同时时间序列法对天气等因素不敏感。人工神经网络技术的主要优点在于它不需要任何负荷模型，人工神经网络具有任意逼近非线性函数的特性，可以模仿人脑的智能化处理，对大量非线性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点。用人工神经网络对电力负荷历史数据进行拟合，是抽取和逼近负荷曲线进行负荷预测的有效方法。它的优点在于它具有模拟多变量而不需要对输入变量作复杂的相关假定，不要求知道输入输出变量间的函数关系，只需要对输入输出数据进行训练，获得输入输出之间的映射关系，就可进行电力负荷预测。负荷预测就成为其应用研究的一个主要领域，其基本上是近几年研究最热的短期电力负荷预测方法。模糊理论适合描述广泛存在的不确定性，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他们的相似性。小波分析技术可以方便的处理、存储、传递、分析或被用于重建原始信号，这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。经过上面预测算法比较分析，我们选择人工神经网络对电力负荷进行预测。 由于人工神经网络具有很多种算法模型，本课题主要研究BP神经网络。3 人工神经网络3 人工神经网络神经网络的发展概述人工神经网络（Artificial Neural Network，简称ANN），或称为神经网络（Neural Networks，简称NN）是由大量的，同时也是很简单的处理元（神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。神经网络具有大规模并行，分布式存储和处理，自组织，自适应和自学习能力，特别适用于处理需要同时考虑许多因素和条件的，不精确和模糊的信息处理问题。神经网络的发展与神经科学，数理科学，认知科学，计算机科学，人工智能，信息科学，控制论，机器人学，微电子学，心理学，光计算，分子生物学等有关，是一门新兴的边缘交叉学科。 神经网络的研究始于二十世纪四十年代。1943年，心理学家McCulloch和数学家Pitts就已合作提出了形式神经元的数学模型，即MP模型，从此开创了神经科学理论研究的时代。自1982年Hopfield发表了自反馈神经网络的文章到1986年是神经网络发展的复兴时期，D.E.Rumelhart和J.L.McCelland及其研究小组提出的PDP(Parallel Distributed Processing)网络思想，为神经网络研究新高潮的到来起到了推波助澜的作用。特别是随后许多学者的工作都证实了多层前馈网所实现的映射可一致逼近紧集上的连续函数或以范数的意义逼近紧集上的平方可积函数，神经网络这种任意逼近能力为它在非线性系统建模和控制中的应用提供了坚实的理论基础。然而，这种任意逼近能力的证明都是非构造性的，这为神经网络的具体应用带来不便。因而许多学者都致力于各种神经网络学习算法的研究，以便得到满足实际应用的神经网络拓扑结构和参数。 特别是他们提出的误差反向传播算法，即BP算法，已成为至今影响最大，应用最广的一种网络学习算法。如今，ANN技术己经广泛的应用于社会生产的各个领域，这些领域包括模式识别，信号处理，知识工程，专家系统，优化组合，智能控制。特别是能处理任意类型的数据，无须知道数据的分布规律，这是许多传统方法所无法比拟的，通过不断学习，能够从未知模式的大量的复杂数据中发现其规律。时至今日，人工神经网络在民用、军用等领域得到广泛应用。在理论研究方面来看，当前的工作主要侧重于研究网络算法的性能（包括稳定性，收敛性，容错性，鲁棒性等），开发新的网络数理理论（神经网络动力学，非线性神经场），用数理方法探索智能水平更高的人工神经网络模型，以及利用神经生理与认知科西安工业大学北方信息工程学院毕业设计（论文）学研究大脑思维及智能机理。随着不同智能学科领域之间的交叉与渗透，人工神经网络必将对智能科学的发展发挥更大的作用。3.2 神经网络的特点（1） 结构特点：信息处理的并行性、信息存储的分布性。人工神经网络是由大量简单处理元件相互连接构成的高度并行的非线性系统，具有大规律并行性处理特性。结构上的并行性使神经网络的信息存储采用分布式方式:即信息不是存储在网