第1章緒論力負荷預測成為電力系統中的一項重要研究課題。在全新的電力工業發展背景下，電力2013年中國電力大數據白皮書明確指出要建設支撐經營與管理的科學營銷決策平臺，實1.2國內外研究現狀20世紀60-70年代開始，世界各國經濟迅猛發展，對電力需求量越來越大，對電能階段(20世紀60-80年代)是使用傳統負荷預測技術的階段，這一階段基本沿襲了經濟領域的預測技術，典型的如時間序列法、回歸分析法；第二階段(20世紀90年代到現在),隨著計算機技術的日新月異，人工智能技術的興起，負荷預測迅速進入了使用智能1.3研究內容其影響負荷變化的相關因子(諸如：氣象因素、日期類型等)之間的關系，進而建立合理的預測模型對所需的某一時段進行預測。目前國內外專家學者建立了各種各樣的數學模第2章研究方法工業用戶的工作方式(包括設備利用情況、企業的工作班制等),而且與各行業的行業特2.1引言2.2趨勢外推法2.3彈性系數法2.4回歸分析法平年的工農業總產值很難詳細統計；②用回歸分析法只能測算出綜合用電負荷的發展水2.5時間序列法2.6灰色模型法2.7德爾菲法2.8專家系統法2.9神經網絡法2.10優選組合預測法二是指在幾種預測方法中進行比較，選擇擬和度最佳或標準偏差最小的預測模型進行預測。對于組合預測方法也必需注意到，組合預測是在單個預測模型不能完全正確地描述預測量的變化規律時發揮作用。一個能夠完全反映實際發展規律的模型進行預測完全可能比用組合預測方法預測效果好。該方法的優點是：優選組合了多種單一預測模型的信息，考慮的影響信息也比較全面，因而能夠有效地改善預測效果。缺點是：①權重的確定比較困難；②不可能將所有在未來起作用的因素全包含在模型中，在一定程度上限制了預測精度且能根據信號頻率高低自動調節采樣的疏密，它容易捕捉和分析微弱信號以及信號、圖像的任意細小部分。其優點是：能對不同的頻率成分采用逐漸精細的采樣步長，從而可以聚集到信號的任意細節，尤其是對奇異信號很敏感，能很好的處理微弱或突變的信號，其目標是將一個信號的信息轉化成小波系數，從而能夠方便地加以處理、儲存、傳遞、分析或被用于重建原始信號。這些優點決定了小波分析可以有效地應用于負荷預測問題的研究。第3章基于神經網絡的短期負荷預測人工神經網絡(神經網絡)受到了高度的關注和努力。人工神經網絡的主要優勢是它要制定具體的回歸模型。應用人工神經網絡進行負荷預測最先在20世紀80年代末和90最傳統的基于神經網絡的負荷預測方法是通過對歷史溫度提前24小時進行預測或對3.2負載分析在本文中，負載分析用的是埃及負荷記錄數據。表2-1顯示了埃及每月在1998/1999到2004/2005年期間兆瓦峰值負載變化。在2004年最大負荷為15491兆瓦，它是在7月的第二個星期觀察所得的。系統2004年的平均用電需求為10978兆瓦。2004/2005年度能源消費總量為為85305兆瓦時。圖1顯示了在埃及的主要消費區域分布，在這一年分別為36.8%住宅用品，35.1%的工業負荷，12.2%的政府公用事業和農圖2-1說明了以2004年1、7、10月的第一周為代表的季節性負荷變化的負載特性。7且10月11月12月4且最大值住宅埋工業m表2-2顯示的分別是1月，4月，7月和10月的第一周的負載需求和四個天氣因2004年一月的第一個星期0小時負荷溫度露點2004年一月的第一個星期0寸時8負荷風速濕度2004年5月的第一個星期r8溫度0W寸8i濕度2004年7月的第一個星期150負荷2004年7月的第一個星期2004年10月的第一個星期50露點0子圖2埃及在2004年的負荷與天氣的季節性負荷變化參數·P(D,T-1),P(D,T-2),P(D,T-3):分別是之前的1,2和3小時的負荷值，負荷值預計，和之前的1,2和3小時的負荷值，計和和之前的1,2和3小時的負荷值，速度和之前的1,2和3小時的負荷值，和之前的1,2和3小時的負荷值，和之前的1,2和3小時的負荷值。表2埃不同的相關系數的網絡負荷數據參數整年冬季W(d.t)表2還顯示預測的天氣信息接近前一小時的天氣據，例如|P(D,T)-p^(D,T)|<AI其中P(D,T)負載模式被分為7種類型(子集)對應一周七天。日負荷曲線使用與當天天氣條件類的50%用于培訓和50%用于驗證。先對數據進行縮放，然后再分成四個季節(冬，春，夏，秋),其中周末和公眾假期的數據排除在外。每個季節過去60天的數據(約1440點)D.季節模型為了檢查建議的技術可行性，四個案例進行了平日埃及國家電網一小時電力負荷預果在平均絕對百分比誤差(MAPE值)和均方根誤差(RMSE)的基礎上進行了分析和比·P(D-2,T),P(D-2,T-1·P(D-7,T),P(D-7,T-1):前一星期同一天的負荷值，·T(D,T),D(D,T),H(D,T)W(D,T):每小時預測的溫度，露點，相對濕·P(D,T-1):前一小時的負荷值，·T(D,T),D(D,T),H(D,T),W(D,T):每小時預測的溫度，露點，相對3.4應用程序和結果改進了的短期負荷預測方法對每小時的實際負荷和2004年埃及的氣象資料進行了測已呈現了挑選的步驟。在春季，訓練數據是每小時的負荷和從3月15號至5月15日的氣象數據。測試數據是每小時負荷和從5月16日至6月13日(720小時)的天氣數據，。統均方根誤差分別為0.43%和3.09%。夏季，訓練數據是每小時負荷和從6月16日至7月30日的氣象資料，而測試數據是每小時負荷和從7月31日至8月31日的天氣數據。在測試一個月的平均相對誤差和均方根誤差分別為0.53%和2.06%。在秋天，訓練數據是每小時負荷和從9月1日至11月5日的氣象資料。測試數據是每小時的負荷和從11月6日至12月6日氣象數據。平均相對誤差和均方根誤差分別是2.6%和4.2%。冬季，訓練數據是每小時負荷和從1月8日至3月5日的氣象數據。測試數據是每小時負荷和從3月6至4月4日的天氣數據。平均相對誤差和均方根誤差分別為0.11%和2.4%。表3總結了四個季表3包括周末和不包括周末該模型的平均相對誤差和均方根誤差季節包括不包括表3的結果表明排除周末數據提供了更好的預測根誤差的0.8%,它是2004年的最高溫度和負荷。基準模型被應用于埃及2004的數據中，表4記錄了其性能。表4包括周末和不包括周末基準模型的平均相對誤差和均方根誤差季節不包括表4和表3所示的結果表明改善后的人工神經網絡模型的性能優于基準模型，尤