基于混沌特性的支持向量机短期电力负荷预测.pdf

《基于混沌特性的支持向量机短期电力负荷预测.pdf》由会员分享，可在线阅读，更多相关《基于混沌特性的支持向量机短期电力负荷预测.pdf（72页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、学校代号：学号：密级：1 0 5 3 60 2 0 4 1 0 4 6。Y8 0 3 9 5 3长沙理工大学硕士学位论文基于混沌特性的支持向量机短期电力负荷预测学位申请人姓名蕴坚导师姓名及职称煎查g 丛教援培养单位让簋扭皇垣信捏堂瞳专业名称盐显扭厘周拉盛论文提交日期2 Q 堕生4 旦论文答辩日期2 Q 煎生4 旦2 8 旦答辩委员会主席睦盔刚熬援摘要电力负荷预测是电力系统运行与控制的基础也是电力市场运作的基础，在电力市场的条件下对负荷预测提出了准确性、实时陛、可靠性、智能性的要求，其预测精度直接影响电力系统的经济效益以及电网的稳定性。负荷预测是电力系统规划和运行中的重要工作之一。由于负荷决定了

2、发电、输电和电量的分配，在一定规划期内负荷与用电量的大小决定了电力系统的发展规模和发展速度，因此预测电力系统的负荷与用电量是进行电力系统发展规划的首要任务。而负荷预测方法的选择是最为关键的工作，目前预测的方法很多，但哪一种方法更为可靠是一个十分复杂的问题。因为预测结果的可信性不仅取决于所使用的预测方法，也取决于所采集数据的可靠性，后者是理论工作者所无法解决的，前者则可以通过对不同预测方法的分析比较得到一些指导性的认识。支持向量机是新一代的机器学习算法，以统计学习理论作为其理论基础，它的训练等价于解决一个二次规划问题，采用结构风险最小化原则，具有预测能力强、全局最优及收敛速度快等显著特点。因此，

3、本文从研究混沌时间序列的预测入手，采用了一种基于支持向量机回归理论的预测方法，并将其应用于混沌时间序列预测中。为了验证该算法的性能，我们做了两项工作，一个是利用相空间的重构理论对混沌时间序列进行了单步与多步的预测，并同文献中的神经网络的预测结果进行了比较分析；另一个是在混沌时间序列中加入不同水平的噪声，并同B P 网络及R B F 网络的预测结果进行了比较分析。仿真结果表明，用支持向量回归算法进行混沌时间序列的预测能够取得比其他方法更好的效果，且有更好的稳健性和泛化能力。在研究混沌特性的基础上，我们结合短期电力系统的特点，对电力负荷预测问题进行研究，建立了基于混沌特性的支持向量机电力负荷短期预

4、测的模型，应用实际的负荷数据进行仿真试验。利用基于混沌特性的支持向量机模型进行短期电力负荷预测，首先要判定系统是否具有混沌特性，其次确定相空间重构的嵌入维数m 和延时t；运用m 和t 重构相空间，计算出最大L y a p u n o v 指数，构成学习样本和预测值，然后利用样本对S V M 进行训练，最后训练后的网络对将来的某段时间进行预测，根据预测得出的预测值，我们与实际的负荷值进行比较，判断其是否具有优势。提出了一种基于支持向量机回归理论的预测方法，并将其应用于实际的短期电力负荷预测中。为了验证该算法的性能，我做了两项工作，一个是利用相空间的重构理论对短期电力负荷进行了单步预测，并同文献中

5、的神经网络的预测结果进行了比较分析，从表中可以看出，对于不同的m 取值，采用s v M 时的评价指标(P d d S E，R M S P E E)都小于采用B P 网络和模糊神经网络时的相应值，表明支持向量机在短期电力负荷的建模和预测方面的效果比B P 网络和模糊神经网络要好，从运行时间看，与B P 网络相比，支持向量机具有更快的收敛速度，其运动时间比采用B P 网络时能够大大缩短；另一个是对短期电力负荷进行了多步预测，在对预测结果和预测精度分析的基础上，并同B P 网络及R B F 网络的预测结果进行了比较分析，仿真结果表明，用支持向量回归算法进行预测能够取得比其他方法更好的效果，且有更好的

6、稳健性和泛化能力。在对实际电力负荷数据的仿真试验中，s V I l l 方法能充分利用训练样本的分布特性，根据部分训练样本构建判别函数，不需要过多的先验信息和使用技巧，并最终转化为二次寻优问题，从理论上说，得到的将是全局最优解，有效避免了神经网络易陷入的局部极值问题，同时通过非线性变换和核函数巧妙解决了高维数问题，使得其算法复杂度与样本维数无关，加速了训练学习速度；另外，它能根据有限的样本信息在模型的复杂型和学习能力之间寻求最佳折衷，保证其有较好的泛化性能。关键词：统计学习理论，支持向量机，电力负荷短期预测，混沌时间序列l IA b s t r a c tE l e c t r i cl o

7、a df o r e c a s t i n gi st h ef o u n d a t i o no fp o w e rs y s t e mo p e r a t i o na n dc o n t r o la n da l s oi t St h ef o u n d a t i o no f p o w e rm a r k e t A c c u r a c y、r e a lt i m e、r e l i a b i f i t y、i n t e l l i g e n c ea r et h en e wr e q u e s to fe l e c t r i cl o

8、 a df o r e c a s t i n gI np o w e rm a r k e t I t sp r e c i s i o nw i l li n f l u e n c et h ee c o n o m i ca n ds e c u r eo p e r a t i o no f p o w e rs y s t e m sa n dq u a l i t yo f p o w e r。s u p p l y L o a df o r e c a s ti so n eo ft h ei m p o r t a n tw o r k sf o rp o w e rs y

9、s t e mp l a na n do p e r a t i o n B e c a u s el o a df o r e c a s tr e s u l t sa f f e c td i r e c t l yg e n e r a t i o n，t r a n s m i s s i o na n dd i s t r i b u t i o no fe l e c t r i c i t ye n e r g y，l o a da n de l e c t r i c i t yd e m a n dI nap l a n n i n gp e r i o dd e c i

10、d et h ed e v e l o p m e n ts c a l ea n dt h ed e v e l o p m e n ts p e e dp o w e ro fs y s t e m S ol o a da n de l e c t r i c i t ye n e r g yf o r e c a s to fp o w e rs y s t e mi st h em o s ti m p o r t a n tt a s kf o rt h ed e v e l o p m e n tp l a n n i n go fp o w e rs y s t e m T h

11、ek e yw o r kf o re l e c t r i c i t yd e m a n df o r e c a s ti st h ec h o i c eo fc o r r e c tf o r e c a s tm e t h o d s A l t h o u g ht h e r ea r em a n ym e t h o d st oc h o o s e，t od e c i d ew h i c hm e t h o di sm o r er e l i a b l ei sr e a lad i f f i c u l tt a s k T h er e l i

12、 a b i l i t yo ff o r e c a s tr e s u l ti sn o to n l yd e c i d e db yt h ef o r e c a s tm e t h o d s，b u ta l s od e c i d e db yt h er e l i a b i h t yo ft h eb a s i cd a t a T h es e c o n do n ei sn o ts o l u b l eb yt h e o r ys t u d i e s，b u ts o m ei n s t r u c t i v ek n o w l e

13、d g ef o rt h ef i r s tp r o b l e mC a l lb eg e tt h r o u g ht h ea n a l y s i sa n dc o m p a r ef o rd i f f e r e n tf o r e c a s tm e t h o d s P o w e rI o a ds y s t e mi sam u l t i-d i m e n s i o n a ln o n l i n e a rs y s t e m I ti se a s yt og e tt h ec h a o t i ct i m es e r i e

14、 so f p r a c t i c a ll o a dd a t ai nt h er e a ls i t u a t i o n，S oi nt h i sp a p e rw es t u d yt h ef o r e c a s to ft h ec h a o t i ct i m es e d e sa tf i r s ta n dp r e s e n tan e wf o r e c a s tm e t h o db a s e do ns u p p o r tv e c t o rm a c h i n e sr e g r e s st h e o r ya

15、n da p p l yi tt ot h ec h a o t i ct i m es e r i e s S u p p o r tv e c t o rm a c h i n ei san e wg e n e r a t i o nm a c h i n el e a r na l g o r i t h ma n db a s e do ns t a t i s t i c a ls t u d yt h e o r y，t h ee s s e n c eo ft h et r a i n i n gs u p p o r tv e c t o rm a c h i n e si

16、se q u a lt os o l v i n gt h eq u a d r a t i cf o r m u l a t i o np r o b l e m T h ea d v a n t a g e so ft h i sm e t h o di n c l u d e：h i 曲f o r e c a s t i n ga c c u r a c y，g l o b a lo p t i m ap r o p e r t ya n ds m a l lt i m ec o m p l e x i t yi no r d e rt Op r o o ft h ep e r f o

17、r m a n c ei nt h e s es i d e s，w eh a v eh a dd o n et w ow o r k si nt h i sp a p e r；t h ef i r s ti st h a tw e 印p l yt oc h a o t i ct i m es e r i e sb yu s i n gt h er e c o n s t r u c tt h e o r ya n da n a l y s tr e s u l tb yc o m p a r i n gw i t ha r t i f i c i a ln e u r a ln e t w

18、o r ki no t h e rl i t e r a t u r e T h es e c o n di st h a tw ea d dd i f f e r e n tl e v e ln o i s et oc h a o t i ct i m es e r i e sa n da n a l y s tr e s u l tb yc o m p a r i n gw i t hb a c k-p e r c e p t i o na n dr a d i a lb a s i sf u n c t i o nn e t w o r k T h es i m u l a t i o

19、ns h o w st h ef o r e c a s t i n gb e h a v i o ro fp r e d i c t i n gc h a o t i ct i m es e r i e sb yu s i n gs u p p o r tv e c t o rm a c h i n e si sb e t t e rt h a no t h e r sa n dt h em e t h o dh a sg o o dg e n e r a l i z a t i o na n ds o l i dc h a r a c t e r T h r o u g ht h ef o

20、 u n d a t i o nw o r ki nc h a o t i ct i m es e r i e s，w ea r ei nc o m b i n a t i o nw i t ht h ec h a r a c t e ro fs h o r t-t i m ep o w e rl o a da n da p p l yt h ep r e d i c t i o nc o n c e p t i o nt os h o r t t i m ep o w e rs y s t e mi nt h ef i m tt i m e；w ea l s ob u i l dt h em

21、 o d e lo fs h o r t t i m ep o w e rl o a ds h o r tt i m ep r e d i c t i o nb a s e do ns u p p o r tv e c t o rm a c h i n e sa n dd ot h es i m u l a t i o ne x p e r i m e n tb yu s i n gt h emp r a c t i c a ls h o r t t i m ep o w e rl o a dd a t a-U t i l i z i n gt h es u p p o r tv e c t

22、o rm a c h i n em o d e lo fc h a o sc h a r a c t e r,w ec a r r yo ns h o r t t e r me l e c t r i cl o a dt op r e d i c t，a tf i r s t，w es h o u l df i r s tj u d g et h es y s t e mw h e t h e rh a v ec h a o t i cc h a r a c t e r,t h e nw ec o n f i r mt h ee m b e d d i n gd i m e n s i o n

23、ma n dd e l a yt i m eto ft h er e s t r u c t u r i n gp h a s es p a c e；u s ema n dd e l a yt i m etr e s t r u c t u r et h ep h a s es p a c e，f i g u r eo u tt h el a r g e s tL y a p u n o ve x p o n e n t，f o r ms t u d ys a m p l e sa n dp r e d i c t e dv a l u e，a n dt h e nu t i l i z et

24、 h es a m p l e st r a i n i n gt h eS V M，a tl a s tt r a i n e dn e t w o r kp r e d i c tt os o m et i m ei nf u t u r e，a c c o r d i n gt od r a w np r e d i c t e dv a l u e，w ec o m p a r ew i t hr e a ll o a dv a l u e，j u d g ew h e t h e ri th a st h ea d v a n t a g e T h e r ep r o p o s

25、 e do n ep r e d i c tm e t h o db a s i n go nt h es u p p o r tv e c t o rm a c h i n er e g r e s s i o nt h e o r y,a n da p p l yi tt op r e d i c tr e a ls h o r te l e c t r i cl o a d F o rp r o v ep e r f o r m a n c eo ft h i sa l g o r i t h m，Im a k et w oj o b，o n ei sw h a tu s i n gr

26、e s t r u c t u r et h e o r yo fp h a s es p a c ep r e d i c tt h es i n g l es t e pt os h o r te l e c t r i cl o a d，a n dm a k ec o m p a r a t i v ea n a l y s i sw i t ht h ep r e d i c t i o nr e s u l to ft h en e u r a ln e t w o r ki nd o c u m e n t s，w h i c hc a nb ef o u n df r o mt

27、h ef o r m，a st ot h ed i f f e r e n tf e t c h i n gv a l u em，a ne v a l u a t i o ni n d e xw h i l ea d o p t i n gS V M(R M S E，R M S P E E)s m a l lc o r r e s p o n d i n gv a l u ew h i l ea d o p t i n gB Pn e t w o r ka n df u z z yn e u r a ln e t w o r k，i ti n d i c a t et h a ti ti sb

28、 e t t e rt h a nB Pn e t w o r ka n df u z z yn e u r a ln e t w o r ko nm o d e la n dp r e d i c t i o n t os u p p o r tt h er e s u l ti nv i e wo fm o d e l i n go fs h o r t t e r me l e c t r i cl o a da n dp r e d i c t i n go ft h ev e c t o rq u a n t i t ym a c h i n e，b ys e e i n gt h

29、er u n n i n gt i m e，c o m p a r e dw i t hB Pn e t w o r k，s u p p o r tv e c t o rm a c h i n eh a v et h ef a s t e rs p e e do fc o n v e r g e n c e，i t sr u n n i n gt i m ec a nb es h o r t e n e dg r e a t l yc o m p a r e dw i t ht h et i m ew h i c hi sa d o p t e db yB Pn e t w o r k；a n

30、 o t h e rw o r ki sw h a te x e c u t em a n ys t e pp r e d i c to ns h o r te l e c t r i cl o a d，c o m p a r i n gw i t ht h er e s u l to fB Pn e t w o r ka n dR B Fn e t w o r k，a r t i f i c i a lr e s u l ti n d i c a t e，s u p p o r tv e c t o rr e g r e s s i o na l g o r i t h mC a nm a

31、k et h eb e t t e rr e s u l tt h a no t h e rm e t h o d s，a n dt h e r ei st h eb e t t e ro nt h es t a b i l i t ya n dm e l t i n ga b i l i t y I n r e a le l e c t r i cl o a da r t i f i c i a lt e s t，S V Mm e t h o dc a nm a k eb e s tu s eo ft h et r a i n i n gs a m p l e s d i s t r i b

32、 u t e dc h a r a c t e r，a c c o r d i n gt op a r t l yt r a i n i n gs a m p l e st os t r u c t u r et h ed i f f e r e n t i a t i n gf u n c t i o n，i td on o tn e e dt O Om u c hp r i o r ii n f o r m a t i o na n du s i n gs k i l l，f i n a l l yt u r ni n t ot h ep r o b l e mo ft w i c es

33、e e ke x c e l l e n t，i nt h e o r y，i tc a ng e to p t i m u mt h r o u g l ls o l v i n gt h eo v e r a l ls i t u a t i o n，i tC a ne f f i c i e n tp r e v e n tt h en e u r a ln e t w o r kf a l li n t ot h es o m ee x t r e m ev a l u ei s s u e，a tt h es a n l et i m et h r o u g hn o n l i

34、n e a re x c h a n g ea n dk e r n e lf u n c t i o ni tv a r i e st ob ei n g e n i o u st os o l v eh i g hd i m e n s i o np r o b l e m，m a k ei t sa l g o r i t h mc o m p l e x i t yh a v en o t h i n gt od ow i t ht h ed i m e n s i o no ft h es a m p l e，a n dq u i c k e nt h et r a i n i n

35、gs p e e do fs t u d y i n g；I na d d i t i o n，i tc a ns e e kt ot r a d eo f fb e s tb e t w e e nc o m p l i c a t e dt y p eo ft h em o d e la n dl e a r n i n ga b i l i t ya c c o r d i n gt ol i m i t e ds a m p l ei n f o r m a t i o n，g u a r a n t e ei th a v i n gt h eb e t t e rm e l t i

36、 n gp e r f o r m a n c e K e y w o r d s：S t a t i s t i c a lt e a m i n g,t h e o r ys u p p o r tv e c t o rm a c h i n e，s h o r t _ t e r ml o a df o r e c a s t i n g，c h a o t i ct i m es e r i e sV长沙理工大学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，本论文不包含任何其他个尺或集体已经发表或撰写的成

37、果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：檐翮幸日期：，。f 年r 月2-0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留、使用学位论文的规定，同意学校保留并向国家有关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。本人授权长沙理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，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、保密口，在一年解密后适用本授权书。2、不保密曰。f 请在以上相应方框内打“”)日期：9 f 年f 月如日日期：扣玎年J 月才日0串

38、啼一帆，r舳扬名名签签者师作导第一章引言电力部门要安全，经济地向用户提供高质量的电能，必须解决运行、控制等方面的许多技术、经济问题。为实现对电力系统的最佳规划与运行，获得好的经济效益，许多理论和技术在电力系统中得到了很好的应用。新世纪的电力系统将是一个数字化、信息化、互联、交直流并存、电能质量大大提高的强大系统。电力科技与其它学科发展将会更加交融和促进。有关专家结合国际国内电力科研前沿及电力部门自身的发展，对新世纪电力科学的发展趋势作过一些介绍。1)在电力科技研究的指导思想将立足从需求出发，致力于电工和电力系统基础理论和技术创新。例如在信息化下的数字电力系统(D P S)、无穷维广义H a m

39、 i l t o n i a n 系统理论与电力系统经济控制，利用复杂模糊系统控制等前沿理论分析解决在开放的电力系统运行安全和经济等重大问题。2)电力系统稳定性研究。理论注重定位量分析理论研究、在线动态安全分析、系统的紧急控制、稳定性算法。3)市场环境上系统运行和控制研究，定性分析中引入概率论，描述各种随机因素对系统运行和控制分析，市场环境下竞价模型、智能系统模型、负荷预测。4)2 0 世纪5 0 年代后发展起来的现代电力电子技术的应用可以说是硅片引起的革命。5)智能机器人调度自动化，充分利用E M S 的高级软件等技术的研究。电力负荷预测(1 0 a df o r e c a s to fp

40、 o w e rs y s t e m)是电力系统规划、运行与控制的基础，也是是电力市场的重要组成部分，在电力市场条件下实质是对电力市场需求的预测。它主要是指在考虑系统运行特性、自然条件、社会条件和地区经济状况等重要因素的影响下，利用历史负荷值经过一系列的数学计算，在满足一定精度和运算速度的要求下，决定未来某特定时刻的负荷。电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一。电力负荷预测就是考虑系统运行特性，利用历史负荷值经过一系列的数学计算，在满足一定精度的情况下，决定未来某特定时刻的负荷值。长期以来，人们致力于电力系统的短期负荷预测方法的研究，并取得了很大的进展

41、。8 0 年代中后期，专家系统在负荷预测中取得一定成果，但其通用性较差，缺乏学习能力。近年来，随着人工智能技术的迅速发展，具有杰出学习能力的前向网络(B P)、径向基网络(R B F)及模糊逻辑方法(F L)在短期负荷预测领域得到广泛应用，因此得到了较高的预测精度，但是这类方法的最终解过于依赖初值，其收敛速度比较慢，且网络的隐节点数难于确定。针对这些缺点，本文将支持向量机回归方法用于电力系统短期电力负荷预测。1 1 支持向量机简介从上个世纪末开始，人们越来越频繁地接触到一个新的名词一一统计学习理论(S t a t i s t i c a lL e a r n i n gT h e o r y，

42、简称S L T)1-3】。统计学习理论是一种专门研究有限样本情况下机器学习规律的理论。9 2 年一9 5 年，在统计学习理论基础上发展出了一种崭新模式识别方法一一支持向量机(S u p p o r tV e c t o rM a c h i n e，简称S V M)1 4 8 1。人类智慧中的一个很重要的方面是从实例中学习的能力，通过对已知事实分析总结出规律，预测出不能直接观测的事实。在这种学习中重要地是能举一反三，即利用学习得到的规律，不但可以较好地解释已知的实例而且能够对未来的现象或者无法预测的现象做出正确的预测与判断，我们把这种能力叫做推广能力。在人们对机器智能的研究中，希望能够用计算机

43、来模拟这种学习能力，这就是我们所说的基于数据的机器学习，或者简单的称作机器学习。到目前为止，关于机器学习还没有一种被共同接受的理论框架，大致分为三种：第一种是经典的(参数)统计估计方法。现有机器学习方法共同的重要理论基础之是统计学。参数方法正是基于传统统计学，在这种方法审参数的相关形式是已知的，训练样本用来估计参数的值。这种方法有很大的局限性，首先它需要已知样本分布形式，这需要花费很大代价，还有传统统计学研究的是样本数目趋于无穷大的渐进理论，现有学习方法也多是基于此假设。但是在实际的问题中样本数往往是有限的，因此一些理论上很优秀的学习方法在实际中表现可能不尽人意。第二种方法是经验非线性方法，如

44、人工神经网络。这种方法利用已知样本建立非线性模型克服了传统参数估计方法的困难，但是其缺乏种统一的数学属性。与传统统计学相比，统计学习理论是一种专门研究有限样本情况下机器学习规律的理论。该理论针对有限样本统计问题建立了套新的理论体系。在这种体系下的统计推理规则不仅考虑了对推广能力的要求，而且追求在现有有限信息的条件下得到最优结果。V a p n i k 等人在六、七十年代开始致力于此方面的研究，在九十年代中期，随着其理论的不断发展和成熟，统计学习理论开始受到越来越广泛的重视。支持向量机在解决有限样本、非线性及高维模式识别问题中表现出了许多特有的优势，并能推广应用到函数拟合等其他机器学习问题中。支

45、持向量机方法的几个主要优点有：(1)它是专门针对有限样本情况，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值；f 2)算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题；r 3 1 算法将实际问题通过非线性变换到高维的特征空间，在高维空间中构造线性判别函数来实现原空间中的非线性判别函数，特殊性质能保证机器有较好的推广能力，同时它巧妙地解决了维数问题及其算法复杂与样本维数无关。虽然统计学习理论和支持向量机方法中尚有很多问题需要迸一步研究，但很多学者认为，它们正在成为续模式识别与神经网络研究之后机器学习领域新的研

46、2究热点，并将推动机器学习理论和技术取得重大的发展。1 2电力负荷预测方法研究现状电力负荷预报是其中一个很重要的课题，也是电力系统的一项基本工作，在电力系统中，要使电力系统的建设和运行满足国民经济各部门，各行业的用电需要，并产生更高的经济效益，必须对未来的电力负荷进行准确的预测，为各种正确决策提供支持是调度安排开停机计划的基础，对电网调度自动控制非常重要，其预测精度直接影响电力系统的经济效益。特别是近年来，全国大范围的缺电现象，这对电力系统各方面的规划提出了更高的要求。电力系统短期负荷预报是能量管理系统(E M S)和配电管理系统(D M S)的重要组成部分。负荷预测是从己知的经济，社会发展和

47、电力需求情况出发，通过对历史数据的分析和研究，对电力需求做出预先的估计和推测，根据这些预测结果，可以有针对性地采取技术措施，如进行可中断负荷控制，增添低谷用电设备，采用蓄冷蓄热技术等，改变电力需求在时序上的分布，将用户的电力需求从电网高峰期削减，转移或增加电网低谷期的用电，以期提高系统运行的经济性和可靠性，在规划的电网中，还可以养活新增装机容量和节省电力建设投资，从而降低预期的供电成本。因此，长期以来，人们致力于电力系统负荷预测方法的研究，井取得了很大进展。又因为电力系统负荷需求受许多因素的影响，如气象、经济、社会活动和不同的负荷构成民用、工业用、商业用等。负荷需求与各影响因素间的关系是复杂、

48、不明确的，因此，准确负荷预报存在一些难题。自六十年代中期以来，针对预报准确性问题已有许多研究并提出了多种预报方法。现有的负荷预测方法可以分为经典的方法和智能技术两大类。经典方法主要是基于各种统计理论的时间序列模型，而智能技术包括人工神经网络和专家系统方法。具体的预测方法有如下几种：1 回归分析法回归预测是负荷预测常用的方法，即根据历史数据的变化规律寻找自变量和因变量之间的回归方程，确定模型的参数，据此作出预测。它分为一元线性回归，多元线性回归，一元非线性回归和多元非线性回归。2 时间序列法时间序列模型有自回归(A R)，动平均(M A)，自回归一动平均(A R M A)等模型。使用时间序列法一

49、般要进行序列平稳化、模型的识别、模型阶数的确定、模型参数的估计、模型检验以及负荷预报等步骤。由于时间序列方法是假定负荷曲线是平稳的时间序列，但实际上电力系统的负荷并非平稳时间序列，所以利用它来预测周末、节假日或季节变化周期时，预测精度就比较差，同时复杂的模型技术，和巨大的运算量也是它的不足。3 卡尔曼滤波预测方法卡尔曼滤波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法未描述。卡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，而估计噪声的统计特性是个难点。4 神经网络预测方法一般的负荷预测方法没有考虑大气情况，也有的涉及大气变化对负荷的

50、影响。前者是基于外推法，负荷情况是用时间序列或趋势曲线表征，主要为静态变量模型和A R M A 模型，后者是将总负荷分解为天气敏感负荷和非大气敏感负荷，天气敏感负荷大多用相关技术进行预测，然后对每个负荷元素进行预测，最后得到总的负荷预测值。另一类方法是从前述专家系统的观点找到历史负荷数据和温度之间的对应规则，它是运用知识、经验和经验系统操作器的模拟推理预测负荷。运用神经网络技术进行电力负荷预测的优点是对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、逻辑推理和优化计算的特点。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。我们可以将对电力负荷影响最大的几种因素作为输入