畢業(yè)論文-基于人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測

HUNANUNIVERSITY畢業(yè)論文論文題目基于人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測學(xué)生姓名學(xué)生學(xué)號專業(yè)班級學(xué)院名稱電氣與信息工程學(xué)院指導(dǎo)老師學(xué)院院長2015年5月30日湖南大學(xué)畢業(yè)設(shè)計(jì)(論文)第PAGEIV頁摘要電力負(fù)荷預(yù)測是電力系統(tǒng)運(yùn)行與調(diào)度中一項(xiàng)非常重要的任務(wù)，它是保證電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行和實(shí)現(xiàn)電網(wǎng)科學(xué)管理及調(diào)度的必要條件，是能量管理系統(tǒng)(EMS)的組成部分，也是今后電力市場運(yùn)營所必需的基本內(nèi)容。隨著科學(xué)技術(shù)的發(fā)展，負(fù)荷預(yù)測技術(shù)也有當(dāng)初的依賴電力調(diào)度人員技術(shù)的傳統(tǒng)預(yù)測方式發(fā)展到現(xiàn)在的自動預(yù)測技術(shù)，目前，負(fù)荷預(yù)測能夠考慮到更多的影響負(fù)荷變化的因素，預(yù)測水平和精度也在不斷提高。本文側(cè)重于一種新興的預(yù)測技術(shù)，基于人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測。本文首先對電力負(fù)荷預(yù)測的現(xiàn)有方法進(jìn)行了綜述。其次，深入研究了神經(jīng)網(wǎng)絡(luò)的模型建立問題，并提出了較為適用的建模方法和應(yīng)遵循的原則。在研究了大量文獻(xiàn)資料的基礎(chǔ)上，通過分析短期電力負(fù)荷的各種重要因素，構(gòu)建了一個三層BP神經(jīng)網(wǎng)絡(luò)，并用歷史負(fù)荷數(shù)據(jù)對該BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，然后，應(yīng)用該BP神經(jīng)網(wǎng)絡(luò)對短期電力負(fù)荷進(jìn)行了預(yù)測。預(yù)測結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的電力短期負(fù)荷預(yù)測的精度相對傳統(tǒng)方法有了很大程度的提高，從而證明人工神經(jīng)網(wǎng)絡(luò)在電力短期負(fù)荷預(yù)測領(lǐng)域中的有效性和可靠性。關(guān)鍵詞：負(fù)荷預(yù)測技術(shù)，人工神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)ApplicationofArtificialNeuralNetworkstoShort-TermLoadForecastingAbstractShort-TermLoadForecasting(STLF)isoneofthemostimportanttasksintheoperationandeconomicdispatchingofpowersystem.Itisaprerequisitetoensurethesafeandeconomicoperationofpowersystem,andtorealizethegoalofscientificmanagementinthepowersystem.Anditisanimportantpartofenergymanagementsystemaswellasanecessarypartofmarketoperationintheelectricpowermarket.Whitthedevelopmentofscienceandtechnology,loadforecastinghasdevelopedbythetraditionalmeansrelyingontheexperiencesofthetechniciantotheautomaticallyforecastingtechnology,whichisabletocontainmorefactorsimpactingthechangesoftheload.Thelevelandaccuracyofloadisincreasingimproved.Thisarticlefocusesonanewpredictiontechnique,thepowersystemloadforecastingbasingonneuralnetwork.Thispaperfirstlygivesasummaryforthepresentmethodsofpowerloadforecasting;Secondly,itmakesadeepresearchontheissuesofthemodelingofANN,andgivesasetofmodelingmethodsandprinciples.Onthebasisofanalyzingalargenumberofreferencematerials,thispaperanalyzesvariousimportantfactorsofelectricpowerload,andconstructsathree-layerBPneuralnetworkwhichistrainedwithhistoricalelectricpowerloaddata,andthen,appliesthetrainedBPnetworktoforecastingtheshort-termpowerload.Resultsshowthat,comparedtothetraditionalmethods,theproposedmethodbasedontheBPnetworkcangivebetteraccuracyofloadforecasting,therefore,provethatapplyingtheBPneuralnetworktotheshort-termloadforecastingisvalidandfeasible.KeyWords：loadforecastingtechnology,neuralnetwork,BPnetwork

目錄1811第一章緒論 1312211.1課題研究的背景及意義 1178241.2負(fù)荷預(yù)測國內(nèi)外研究現(xiàn)狀 1224861.2.1第一階段（二十世紀(jì)六十年代到八十年代） 2232941.2.2第二階段（二十世紀(jì)九十年代之后） 361061.3本論文主要研究內(nèi)容 4294971.4本章小結(jié) 415477第二章電力系統(tǒng)短期負(fù)荷預(yù)測分析 5233372.1負(fù)荷預(yù)測的特點(diǎn) 5108882.2負(fù)荷預(yù)測的分類 5107272.2.1按用電部門的屬性分類 5213762.2.2按負(fù)荷預(yù)測周期的時間長短分類 5202312.3負(fù)荷預(yù)測的原理 6259042.4短期負(fù)荷預(yù)測步驟 6295452.5短期負(fù)荷預(yù)測誤差分析 6219652.5.1預(yù)測誤差產(chǎn)生的原因 6189212.5.2預(yù)測誤差表示和分析方法 752332.6本章小結(jié) 85682第三章人工神經(jīng)網(wǎng)絡(luò)原理 9110243.1人工神經(jīng)網(wǎng)絡(luò)概述 990873.2人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 9176113.3人工神經(jīng)網(wǎng)絡(luò)原理 10292003.3.1人工神經(jīng)網(wǎng)絡(luò)的基本工作原理 10255893.3.2人工神經(jīng)元模型 10229393.4BP人工神經(jīng)網(wǎng)絡(luò) 13116063.4.1BP網(wǎng)絡(luò)模型 1341073.4.2BP網(wǎng)絡(luò)學(xué)習(xí)算法 1367643.5人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用 17161853.6本章小結(jié) 1712980第四章基于人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測 18270244.1BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 18113324.2基于MATLAB的BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 1873574.2.1輸入輸出量的選擇 1857004.2.2隱含層及隱節(jié)點(diǎn)數(shù)的設(shè)計(jì) 18109594.2.3網(wǎng)絡(luò)的訓(xùn)練與測試 1910204.3實(shí)例分析 1995954.3.1樣本數(shù)據(jù)的處理 1996244.3.2樣本數(shù)據(jù)的預(yù)處理 20297934.3.3短期負(fù)荷預(yù)測實(shí)例分析 21255584.4BP算法的缺點(diǎn)及其改進(jìn) 26262364.5本章小結(jié) 2732298結(jié)論與展望 2824622致謝 2926412參考文獻(xiàn) 304735附錄A 3214666附錄B 34湖南大學(xué)畢業(yè)設(shè)計(jì)(論文)第39頁第一章緒論1.1課題研究的背景及意義電力是國民生產(chǎn)生活中不可缺少的部分，是國民經(jīng)濟(jì)的基礎(chǔ)，電力工業(yè)發(fā)展迅速可以促進(jìn)經(jīng)濟(jì)的高速發(fā)展，否則就會延緩經(jīng)濟(jì)發(fā)展的速度。電力系統(tǒng)最重要的作用和功能就是為用戶提供經(jīng)濟(jì)、安全、高質(zhì)量的電能，隨時都要能滿足用戶的需求，即要滿足負(fù)荷要求。但是，電能和其他商品最大的區(qū)別就是，電能不能大量存儲，所以就必須要求電力系統(tǒng)的供電量能夠隨時和系統(tǒng)中各種負(fù)載的消耗相互匹配，維持電力系統(tǒng)的動態(tài)平衡，否則的話，用戶的用電質(zhì)量就會下降，系統(tǒng)的安全性與穩(wěn)定性也會受到極大的影響。因此，電力系統(tǒng)的負(fù)荷預(yù)測逐漸發(fā)展了起來，并且成為了的非常重要的研究領(lǐng)域。電力系統(tǒng)的負(fù)荷預(yù)測的準(zhǔn)確程度也是衡量電力系統(tǒng)運(yùn)行和管理現(xiàn)代化的非常顯著的標(biāo)志之一。負(fù)荷預(yù)測的結(jié)果由許許多多的因素決定，負(fù)荷的變化與地區(qū)和氣候等息息相關(guān)，因此確定一個合理而又準(zhǔn)確的負(fù)荷預(yù)測的模型，是具有十分重大意義的。本文主要研究的短期負(fù)荷預(yù)測，一般是指在未來幾小時、幾天或者幾周之內(nèi)的負(fù)荷的情況。短期負(fù)荷預(yù)測有很重大的意義。短期負(fù)荷預(yù)測可以對發(fā)電廠的出力要求提出相應(yīng)的具體數(shù)值，使發(fā)電機(jī)的出力情況有一個較為準(zhǔn)確的估計(jì)量，可以維持系統(tǒng)的穩(wěn)定性。短期負(fù)荷預(yù)測還可以使大電網(wǎng)中各個發(fā)電機(jī)組的啟動和停止有更合理的安排，使系統(tǒng)在安全的要求之下，儲備容量的耗費(fèi)最小，使得電網(wǎng)的運(yùn)行更加的經(jīng)濟(jì)合理。電網(wǎng)在計(jì)算機(jī)控制下，可以運(yùn)用短期負(fù)荷預(yù)測的數(shù)據(jù)來合理調(diào)度發(fā)電容量，在滿足運(yùn)行的條件下，損耗盡量減少，發(fā)電成本盡量降低。短期負(fù)荷預(yù)測的結(jié)果還會影響到電價。電價是對未來負(fù)荷預(yù)測的一個數(shù)字化的表現(xiàn)。負(fù)荷的變化會對電價有著直接的影響。準(zhǔn)確的預(yù)測可以提高電力經(jīng)營者的效益。因此，準(zhǔn)確、快速、高效的短期負(fù)荷預(yù)測在當(dāng)前的社會環(huán)境中可以起到非常重要的作用。短期負(fù)荷預(yù)測也是一個非常有意義的研究項(xiàng)目。1.2負(fù)荷預(yù)測國內(nèi)外研究現(xiàn)狀在國外，電力負(fù)荷預(yù)測這個工作開展得更早。在上世紀(jì)五六十年代，國外已經(jīng)開始注意并著手這方面的研究。在我國，雖然電力負(fù)荷預(yù)測項(xiàng)目的看展較國外更晚，在八十年代左右才開始，但是我國的研究發(fā)展速度極快，特別是近幾年來，這一課題的研究進(jìn)展很大，每年都有大量的研究成果和論文發(fā)表，并且在實(shí)踐中取得了非常重大的效果。由于國外的負(fù)荷的發(fā)展的變化已經(jīng)逐漸趨于穩(wěn)定，因此，國外對于中長期負(fù)荷預(yù)測的研究要遠(yuǎn)小于短期負(fù)荷預(yù)測的研究，但是就國內(nèi)來說，兩者都放在同樣的地位，并行發(fā)展。由于我國電力系統(tǒng)的發(fā)展較晚，因此還存在著各種各樣的問題。我國的短期負(fù)荷預(yù)測的發(fā)展也經(jīng)歷了一個過程。從大體上來說，可以劃分成兩個階段：1.2.1第一階段（二十世紀(jì)六十年代到八十年代）傳統(tǒng)負(fù)荷預(yù)測階段，在這個階段主要是采用指數(shù)平滑法、時間序列法和回歸分析法，這些方法基本都屬于經(jīng)濟(jì)領(lǐng)域的預(yù)測的方法。偏向于對負(fù)荷的形狀以及用函數(shù)的形式來對負(fù)荷進(jìn)行分析，把負(fù)荷預(yù)測的隨機(jī)性歸結(jié)于不確定性，運(yùn)用數(shù)學(xué)的方法和知識來對負(fù)荷預(yù)測的數(shù)據(jù)進(jìn)行處理。1.時間序列法把預(yù)測的目標(biāo)和影響預(yù)測目標(biāo)的所有因素都看成是隨機(jī)變量。就是把以前累計(jì)起來的資料和數(shù)據(jù)看做是以小時、天、或者季節(jié)變化的周期性的時間序列。并且將預(yù)測值和實(shí)際值的差當(dāng)做一個隨機(jī)過程進(jìn)行具體的分析和處理。時間序列法的優(yōu)點(diǎn)：計(jì)算速度快、不需要過多的歷史數(shù)據(jù)、能反映負(fù)荷的連續(xù)變化情況。時間序列法的缺點(diǎn)：對歷史的原始數(shù)據(jù)的精度要求很高、對天氣對負(fù)荷的影響無法充分的反映、計(jì)算比較復(fù)雜且精度難以保證。2.回歸分析法這是一種非常常用的方法，一般分單元回歸分析和多遠(yuǎn)回歸分析。在這種方法中，自變量就是隨機(jī)變量，因變量就是非隨機(jī)變量，再由給定的多組數(shù)據(jù)來分析自變量和因變量之間的關(guān)系，再由這個關(guān)系來推出回歸方程。再以回歸方程和自變量的數(shù)據(jù)來求出因變量的數(shù)值?；貧w分析法的優(yōu)點(diǎn)：方法簡單、預(yù)測速度快、對歷史上沒有出現(xiàn)過的情況有著比較良好的預(yù)測性?；貧w分析法的缺點(diǎn)：對歷史數(shù)據(jù)的精度要求很高、用線性的回歸方程來預(yù)測非線性的負(fù)荷預(yù)測的變化會有比較大的誤差、只能考量少量影響負(fù)荷預(yù)測的因素、建模的難度很大。3.指數(shù)平滑法把過去的一段時間的同類型負(fù)荷組成一組數(shù)據(jù)，再對這組數(shù)據(jù)進(jìn)行加權(quán)平均，在進(jìn)行加權(quán)平均計(jì)算是，應(yīng)該把最近的負(fù)荷數(shù)據(jù)的權(quán)系數(shù)增加，把以往數(shù)據(jù)的權(quán)系數(shù)減小，以此來體現(xiàn)時變性。這種方法可以消除序列中的隨機(jī)波動，但是對數(shù)據(jù)趨勢的轉(zhuǎn)折點(diǎn)不能合理的鑒別。1.2.2第二階段（二十世紀(jì)九十年代之后）九十年代之后，計(jì)算機(jī)技術(shù)和人工智能得到了長足的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)以及各種新興的方法在負(fù)荷預(yù)測領(lǐng)域逐漸普及。這些新的方法不僅考慮了負(fù)荷形狀的因素，還考慮了許多影響負(fù)荷的因素，例如天氣情況和日起特征。預(yù)測的精度相對于之前的方法有了大幅的提搞，并且還有了自學(xué)習(xí)和自適應(yīng)能力，但是人工智能的模型對于歷史數(shù)據(jù)精確性和全面性的要求的要求比傳統(tǒng)方法的要求更高。1.專家預(yù)測法對數(shù)據(jù)庫里面存放的過去幾年的每小時負(fù)荷和天氣的數(shù)據(jù)進(jìn)行細(xì)致的分析，然后匯集許多有著豐富經(jīng)驗(yàn)和負(fù)荷預(yù)測專業(yè)知識豐富的研究人員，分析得到一定的規(guī)則，并且按照這個規(guī)則推理出負(fù)荷預(yù)測。專家預(yù)測法是把人類的經(jīng)驗(yàn)具體量化轉(zhuǎn)化的一種非常好的方法。但是專家預(yù)測法是一個非常耗費(fèi)時間的方法，并且對于某些復(fù)雜的情況很難準(zhǔn)確的定量分析。2.模糊預(yù)測法用模糊邏輯以及相關(guān)人員的專業(yè)知識數(shù)據(jù)經(jīng)驗(yàn)用規(guī)則的形式變現(xiàn)出來，并且轉(zhuǎn)換為具體的算法。模糊推理可以把有限的數(shù)據(jù)轉(zhuǎn)換為任意近似的函數(shù)關(guān)系。但是模糊預(yù)測沒有學(xué)習(xí)能力，不能適應(yīng)電力系統(tǒng)不斷變化的特點(diǎn)，單獨(dú)作為一種方法來說精度不夠。3.灰色系統(tǒng)預(yù)測法灰色系統(tǒng)理論可以建立微分方程的模型，把一切的隨機(jī)變量看做是在一定范圍內(nèi)變化的灰色量，經(jīng)過無規(guī)律的數(shù)據(jù)累加后生成指數(shù)規(guī)律變化的上什序列，然后通過灰數(shù)的不同產(chǎn)生方式和不同級別的殘差GM模型來修改和調(diào)整精度?；疑Ｐ偷奈⒎址匠叹褪菍ω?fù)荷預(yù)測變化的函數(shù)關(guān)系。求出改微分方程對時間的表達(dá)式就可以得出所求的灰色模型。但是當(dāng)數(shù)據(jù)離散程度太大時，數(shù)據(jù)的灰度就越大，預(yù)測的精度就越差，不適合進(jìn)行長期的預(yù)測。對于長遠(yuǎn)的規(guī)劃性預(yù)測和波動性變化較大的電力負(fù)荷難以滿足實(shí)際需要。4.人工神經(jīng)網(wǎng)絡(luò)法人工神經(jīng)網(wǎng)絡(luò)是近十多年來，人們仿照生物神經(jīng)系統(tǒng)建立的一種計(jì)算的模型。他有著非常強(qiáng)大的自適應(yīng)和學(xué)習(xí)能力，而且還有著非常良好的自適應(yīng)能力。在合理組建人工神經(jīng)網(wǎng)絡(luò)的前提下，運(yùn)用準(zhǔn)確的歷史數(shù)據(jù)以及各種影響因素對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)就可以自己學(xué)習(xí)并且得出各訓(xùn)練數(shù)據(jù)所隱藏的規(guī)律，并且在自己的權(quán)值矩陣當(dāng)中保存這種規(guī)律。在電力系統(tǒng)方面神經(jīng)網(wǎng)絡(luò)的運(yùn)用主要是建立一個簡單的三層前向人工神經(jīng)網(wǎng)絡(luò)模型，然后再利用BP算法，得出輸入與輸出數(shù)據(jù)的各種非線性函數(shù)的復(fù)雜的變化。這種算法能考慮到天氣、溫度等各種因素對電力負(fù)荷預(yù)測的變化，然后依靠他非常優(yōu)良的聯(lián)想功能和記憶功能，可以非常好的適應(yīng)環(huán)境的變化，并且可以適用于在線訓(xùn)練的方式。他的這些優(yōu)點(diǎn)是本文中其他方法無法做到的。1.3本論文主要研究內(nèi)容本文是以美國東北部地區(qū)1996年全年的負(fù)荷數(shù)據(jù)作為研究對象，研究基于人工神經(jīng)網(wǎng)絡(luò)法的短期負(fù)荷預(yù)測技術(shù)。研究的前提是已知?dú)v史負(fù)荷數(shù)據(jù)，預(yù)測一天24小時負(fù)荷值。其主要工作內(nèi)容包括：1.本論文根據(jù)該城市的歷史負(fù)荷數(shù)據(jù)，分析影響預(yù)測結(jié)果的各種因素，如負(fù)荷的組成和負(fù)荷類型等。本文的所做的預(yù)測為短期負(fù)荷預(yù)測。2.系統(tǒng)地介紹了負(fù)荷預(yù)測，首先介紹國內(nèi)外負(fù)荷預(yù)測技術(shù)，包括負(fù)荷預(yù)測的特點(diǎn)，分類及原理分析，總結(jié)了國內(nèi)外負(fù)荷預(yù)測的傳統(tǒng)及最新方法，著重分析人工神經(jīng)網(wǎng)絡(luò)法在短期負(fù)荷預(yù)測中的應(yīng)用。3.依據(jù)功能要求，提出誤差反傳播算法。通過介紹神經(jīng)網(wǎng)絡(luò)原理，引出BP網(wǎng)絡(luò)，著重介紹了BP網(wǎng)絡(luò)模型中的隱含層數(shù)量以及隱含層節(jié)點(diǎn)數(shù)量的確定，訓(xùn)練的次數(shù)和精度之間的關(guān)系，學(xué)習(xí)初始權(quán)值，速率及訓(xùn)練樣本的選擇和歸一化處理等有關(guān)問題。4.研究了基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立方法，并通過Matlab神經(jīng)網(wǎng)絡(luò)工具進(jìn)行模型仿真計(jì)算，進(jìn)行網(wǎng)絡(luò)訓(xùn)練及測試，確定神經(jīng)網(wǎng)路算法的可行性。1.4本章小結(jié)本章主要介紹了該課題的研究背景及意義，介紹了負(fù)荷預(yù)測的國內(nèi)外研究現(xiàn)狀，其中包括傳統(tǒng)預(yù)測方法和隨著科學(xué)發(fā)展產(chǎn)生的新技術(shù)方法，并介紹了一種神經(jīng)網(wǎng)絡(luò)新技術(shù)在負(fù)荷預(yù)測中的應(yīng)用。最后介紹了本文的研究內(nèi)容。第二章電力系統(tǒng)短期負(fù)荷預(yù)測分析2.1負(fù)荷預(yù)測的特點(diǎn)負(fù)荷預(yù)測是在全面考慮電力系統(tǒng)運(yùn)行特性，自然條件，增容決策，對社會各種影響等條件的情況下通過利用某些歷史數(shù)據(jù)來預(yù)測未來負(fù)荷的數(shù)學(xué)方法，它能在滿足一定精確性的意義下確定未來某特定時間段的負(fù)荷值[11]。電力系統(tǒng)負(fù)荷的大小與很多因素相關(guān)，例如天氣，溫度等。由于負(fù)荷預(yù)測是根據(jù)歷史負(fù)荷數(shù)據(jù)來預(yù)測將來某個時間段的負(fù)荷值，因此，負(fù)荷預(yù)測是以不確定性事件作為研究的對象，負(fù)荷預(yù)測特點(diǎn)可以歸納為以下幾點(diǎn)：負(fù)荷預(yù)測結(jié)果的非準(zhǔn)確性。負(fù)荷預(yù)測的條件性。負(fù)荷預(yù)測的時間性。負(fù)荷預(yù)測的地區(qū)性。5.預(yù)測結(jié)果的多方案性。2.2負(fù)荷預(yù)測的分類我國電力行業(yè)領(lǐng)域內(nèi)采用過諸多分類方法，根據(jù)不同的研究目的所采用的分類方法也有所不同。下面具體介紹電力規(guī)劃中負(fù)荷預(yù)測常采用的分類方法。2.2.1按用電部門的屬性分類負(fù)荷預(yù)測有商業(yè)負(fù)荷，城市居民生活用電負(fù)荷，工業(yè)負(fù)荷，農(nóng)村負(fù)荷等分類。目前，電力負(fù)荷按照國民經(jīng)濟(jì)統(tǒng)計(jì)的分類可分為4大類，即第一產(chǎn)業(yè)負(fù)荷，主要是指農(nóng)業(yè)用電，第二產(chǎn)業(yè)負(fù)荷，主要是指工業(yè)用電，第三產(chǎn)業(yè)，是指除了第一和第二產(chǎn)業(yè)之外的其它產(chǎn)業(yè)用電，以及居民日常生活用電負(fù)荷等。2.2.2按負(fù)荷預(yù)測周期的時間長短分類系統(tǒng)負(fù)荷預(yù)測按預(yù)測時間的長短分為超短期，短期，中期和長期負(fù)荷預(yù)測。超短期負(fù)荷預(yù)測是指未來l小時，未來0．5小時，甚至未來幾秒鐘負(fù)荷的預(yù)測。短期負(fù)荷預(yù)測是指一年之內(nèi)以月為單位的負(fù)荷預(yù)測，一般指預(yù)測未來一個月，未來一周，未來一天的負(fù)荷值，也可指預(yù)測未來一天24小時中的負(fù)荷值。中期負(fù)荷預(yù)測是指5年左右的負(fù)荷預(yù)測。長期負(fù)荷預(yù)測一般是指幾年至幾十年的負(fù)荷預(yù)測。2.3負(fù)荷預(yù)測的原理我們在負(fù)荷預(yù)測時根據(jù)符合要求的歷史數(shù)據(jù)來推斷未來負(fù)荷數(shù)據(jù)，因此負(fù)荷預(yù)測中要研究的對象是不確定的，但也具有一定的規(guī)律性的，一般以電力負(fù)荷的發(fā)展規(guī)律為依據(jù)來判斷和預(yù)測其未來發(fā)展的狀況和趨勢。電力負(fù)荷預(yù)測基本原理[12]可以歸納為：可能性原理連續(xù)性原理相似性原理4.反饋性原理5.系統(tǒng)性原理2.4短期負(fù)荷預(yù)測步驟短期負(fù)荷預(yù)測步驟介紹如下：1.明確負(fù)荷預(yù)測的目標(biāo)，制定有效的預(yù)測計(jì)劃。在計(jì)劃中，要考慮預(yù)測所需的歷史負(fù)荷數(shù)據(jù)及資料，預(yù)測過程所需要的資料的量度，搜集資料的手段和資料的主要來源，所采用的預(yù)測方法及預(yù)測過程所需要的時間等問題。2.調(diào)查所選的資料并選擇其中可靠的資料。在本文預(yù)測過程中所需的主要資料有負(fù)荷的歷史數(shù)據(jù)及歷史氣象變化數(shù)據(jù)等。3.建立負(fù)荷預(yù)測模型。負(fù)荷預(yù)測模型是對統(tǒng)計(jì)資料的概括，它是經(jīng)驗(yàn)資料內(nèi)部所存在的特征。對于神經(jīng)網(wǎng)絡(luò)預(yù)測方法而言，建立預(yù)測模型需要兩步：第一步，確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)并且掌握算法；第二步，選擇歷史數(shù)據(jù)對其進(jìn)行訓(xùn)練。2.5短期負(fù)荷預(yù)測誤差分析2.5.1預(yù)測誤差產(chǎn)生的原因負(fù)荷預(yù)測的結(jié)果受很多因素的影響，預(yù)測結(jié)果與客觀實(shí)際之間往往存在著一定的差距。產(chǎn)生預(yù)測誤差的原因很多，我們可以歸納為以下幾個方面：1．對于多變的電力負(fù)荷來說，進(jìn)行負(fù)荷預(yù)測要多方面考慮問題，在預(yù)測模型中大部分只考慮了研究現(xiàn)象的主要因素，而忽略了很多次要因素，這種模型只是簡單化了的反映，與實(shí)際負(fù)荷相比兩者之間還存在著一定的差距，這樣進(jìn)行預(yù)測所獲得的預(yù)測結(jié)果往往會與實(shí)際負(fù)荷之間存在一定差距。2．電力負(fù)荷的大小受各種因素的影響，進(jìn)行預(yù)測的要求和目的是多樣化的，所以在預(yù)測時要從許多預(yù)測方法中選擇一種恰當(dāng)?shù)念A(yù)測方法來進(jìn)行預(yù)測，如果選擇的不好，就會導(dǎo)致預(yù)測結(jié)果不理想。3．在進(jìn)行預(yù)測時需要大量的歷史數(shù)據(jù)及資料，但我們并不能確保它的準(zhǔn)確可靠性，因此必然會產(chǎn)生預(yù)測誤差。4．在預(yù)測過程發(fā)生突發(fā)事件或者著意外情況時，必然會帶來預(yù)測誤差。同時，在判斷和計(jì)算上的失誤，也會產(chǎn)生不同程度上的預(yù)測誤差．2.5.2預(yù)測誤差表示和分析方法了解預(yù)測中產(chǎn)生誤差的原因后，必然要對預(yù)測技術(shù)和預(yù)測模型加以改進(jìn)。一般用于分析和計(jì)算預(yù)測誤差的方式和指標(biāo)是多樣的，計(jì)算預(yù)測誤差的主要方法介紹如下：設(shè)表示實(shí)際值，表示預(yù)測值，則稱-為絕對誤差，稱為相對誤差。1.平均絕對誤差分析方法：（2.1）2.絕對百分比誤差（相對誤差）：（2.2）3.平均絕對百分比誤差：（2.3）4.均方誤差分析方法：（2.4）5.均方根誤差分析方法：增強(qiáng)數(shù)值較大的誤差在指標(biāo)中的作用，以此提高這個指標(biāo)的靈敏度。（2.5）：歷史負(fù)荷數(shù)據(jù)的個數(shù)；2.6本章小結(jié)本章對電力系統(tǒng)短期負(fù)荷預(yù)測進(jìn)行了具體分析，首先介紹了負(fù)荷預(yù)測的概念以及特點(diǎn)，接著介紹了負(fù)荷預(yù)測的類型，基本原理及基本步驟。預(yù)測必然存在誤差，在本章具體介紹了負(fù)荷預(yù)測的各種誤差計(jì)算的方法。負(fù)荷預(yù)測是一項(xiàng)科學(xué)研究，是電力部門能源調(diào)度的依據(jù)。要保證預(yù)測的有效性，首先就必須清楚電力系統(tǒng)短期負(fù)荷預(yù)測的基本思路。第三章人工神經(jīng)網(wǎng)絡(luò)原理3.1人工神經(jīng)網(wǎng)絡(luò)概述人工神經(jīng)網(wǎng)絡(luò)（ANN-ArtificialNeuralNetwork）是從上世紀(jì)八十年代開始開始研究的以人類大腦神經(jīng)網(wǎng)絡(luò)為模擬對象的仿生系統(tǒng)。它的研究涵蓋了許許多多的方面，計(jì)算機(jī)科學(xué)、生理科學(xué)、神經(jīng)生理科學(xué)等等方面都有應(yīng)用，是一門交叉學(xué)科。ANN是人工智能最為活躍的一個方向，通過模擬人腦的工作方式，對非線性的復(fù)雜問題提供了一個全新的思路和方向。經(jīng)過將近半個世紀(jì)的發(fā)展，這種技術(shù)已經(jīng)逐漸的成熟，并且能夠投入到日常生活和科研的各個方面。在電力系統(tǒng)方面，人工神經(jīng)網(wǎng)絡(luò)不僅僅只用于負(fù)荷預(yù)測，還在繼電保護(hù)、暫態(tài)穩(wěn)態(tài)計(jì)算、故障診斷等各個方面都有著重要的應(yīng)用。3.2人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)人工神經(jīng)網(wǎng)絡(luò)的最主要特點(diǎn)表現(xiàn)在兩個方面。一是它建立的模型可以非常好的處理各種影響負(fù)荷變化的因素。二是他建立的非線性時間序列模型采用神經(jīng)網(wǎng)絡(luò)的方法來靠近非線性的映射。他的特點(diǎn)還主要表現(xiàn)在下列這些方面：1.全局的高度非線性人工神經(jīng)網(wǎng)絡(luò)的輸入和輸出表現(xiàn)出來了非常明顯的外部非線性的關(guān)系。人工神經(jīng)網(wǎng)絡(luò)的工作是所有神經(jīng)元的聯(lián)合作用，只要神經(jīng)元數(shù)目足夠，所有的非線性函數(shù)都可以用一個三層網(wǎng)絡(luò)來表達(dá)。2.良好的自學(xué)習(xí)和自適應(yīng)性人工神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)和訓(xùn)練來適應(yīng)環(huán)境的變化。他的結(jié)構(gòu)是可變的，通過一段時間的學(xué)習(xí)和訓(xùn)練，可以對特定的輸入產(chǎn)生期望的輸出。3.高度的并行性人工神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)元組成的，雖然每一個神經(jīng)元的功能簡單，但是它們可以互不影響的工作，有非常高的并行性從而形成驚人的信息處理功能。4.良好的容錯性人工神經(jīng)網(wǎng)絡(luò)的所記憶的信息是通過存儲在神經(jīng)元之中的權(quán)值進(jìn)行的，是一種分布式的存儲方式。因此就算其中的部分權(quán)值丟失，部分信息模糊或者丟失，系統(tǒng)依然可以正常的運(yùn)行，不會從根本上影響到網(wǎng)絡(luò)的整體功能，表現(xiàn)出了容錯性很高的優(yōu)點(diǎn)。3.3人工神經(jīng)網(wǎng)絡(luò)原理3.3.1人工神經(jīng)網(wǎng)絡(luò)的基本工作原理人工神經(jīng)網(wǎng)絡(luò)是由一些簡單的神經(jīng)元由一些拓補(bǔ)關(guān)系通過大規(guī)模的并行構(gòu)造而成的一個網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)可以非常好的模擬人腦的思維，通過他的學(xué)習(xí)和記憶能力，對相應(yīng)的輸入做出相應(yīng)的輸出的反應(yīng)。3.3.2人工神經(jīng)元模型人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3.1所示。圖3.1人工神經(jīng)元模型其中，輸入分量通過和它相乘積的權(quán)值分量相連，以的形式求和之后，最后形成激活函數(shù)的輸入，神經(jīng)元的閾值b為激活函數(shù)的另一個輸入。權(quán)值和輸入的矩陣形式可以由的行矢量和的列矢量來表示：神經(jīng)元模型的輸出矢量可以用下式表示：（3.1）偏差被簡單的加在上作為激活函數(shù)的另一個輸入分量。這里要重點(diǎn)考慮激活函數(shù)，它是神經(jīng)網(wǎng)絡(luò)和神經(jīng)元的核心。激活函數(shù)的基本作用有：1.對輸入和輸出進(jìn)行函數(shù)轉(zhuǎn)換；2.控制輸入對輸出的激活作用；3.將無限域的輸入變換成為指定的有限域的輸出。下面介紹幾種常見的激活函數(shù)：（1）閥值型閾值型激活函數(shù)把任何的輸入轉(zhuǎn)換成0和1的輸出，函數(shù)為單位躍階函數(shù)。如圖3.2和圖3.3所示；此函數(shù)的神經(jīng)元的輸入，輸出關(guān)系可表示為：（3.2）nn1nn11-10-10圖3.2不帶偏差的閥值型激活函數(shù)圖3.3帶偏差的閥值型激活函數(shù)（2）線性型網(wǎng)絡(luò)的輸出等于加權(quán)輸入與偏差之和，如圖3.4，3.5所示。此函數(shù)的輸入輸出關(guān)系可表示為：（3.3）nn-1nn-1-11100-b圖3-5不帶偏差的線性激活函數(shù)-1-11100圖3.4不帶偏差的線性激活函數(shù)圖3.5帶偏差的線性激活函數(shù)S型傳輸函數(shù)可以把任意的輸入壓縮到（-1,1）的范圍之內(nèi)，這種類型的傳遞函數(shù)一般用對數(shù)或者雙曲正切等S型一類的曲線來表示，如圖3.6和圖3.7，如對數(shù)S型函數(shù)關(guān)系為：（3.4）而雙曲正切S型曲線的輸入輸出函數(shù)關(guān)系為：（3.5）n：為輸入量。b：為偏差量。nnnn-1-11100-b圖3-5不帶偏差的線性激活函數(shù)-1-11100圖3.6對數(shù)S型激活函數(shù)圖3.7雙曲正切S型激活函數(shù)3.4BP人工神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)是一種無反饋的前向網(wǎng)絡(luò)，網(wǎng)絡(luò)中的神經(jīng)元分層排列。網(wǎng)絡(luò)模型分輸入層、輸出層，隱含層三層[16][17]。每一層內(nèi)神經(jīng)元的輸出均傳送到下一層，這種傳送由連接權(quán)來達(dá)到增強(qiáng)、減弱或抑制輸出的作用，除了輸入層的神經(jīng)元外，隱含層和輸出層神經(jīng)元的凈輸入是前一層神經(jīng)元輸出的加權(quán)和。該網(wǎng)絡(luò)具有學(xué)習(xí)能力及智能處理能力，并在一定程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理、存儲及檢索功能。3.4.1BP網(wǎng)絡(luò)模型BP網(wǎng)絡(luò)模型包含輸入層、隱含層及輸出層，隱含層可以由一層或多層組成，BP神經(jīng)網(wǎng)絡(luò)中各層之間的神經(jīng)元為全連接關(guān)系，層內(nèi)的各個神經(jīng)元之間無連接。如圖3.9所示。輸入信號輸入層節(jié)點(diǎn)輸入信號輸入層節(jié)點(diǎn)隱含層節(jié)點(diǎn)輸出層節(jié)點(diǎn)輸出結(jié)果修改權(quán)值閾值修改權(quán)值閾值圖3.8三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)3.4.2BP網(wǎng)絡(luò)學(xué)習(xí)算法BP神經(jīng)網(wǎng)絡(luò)是現(xiàn)在使用范圍最廣并且也是最成功的神經(jīng)網(wǎng)絡(luò)之一，他是一種單向傳播的多層前向網(wǎng)絡(luò)，包括信號的正向傳播和誤差的反向傳播。除了輸入和輸出節(jié)點(diǎn)之外，還有一層或者多層的隱藏的節(jié)點(diǎn)，同層節(jié)點(diǎn)中不會相互連接。傳播時，信號從輸入層經(jīng)過隱藏層傳到輸出層。當(dāng)輸出層節(jié)點(diǎn)輸出的實(shí)際響應(yīng)和預(yù)期的響應(yīng)無法比較正常的匹配時，就會進(jìn)入誤差的反向傳播。誤差從輸出層經(jīng)過隱藏層傳到輸入層，在反向傳播的過程中，將偏差平均分配給各層單元節(jié)點(diǎn)，達(dá)到修正各個單元權(quán)值的目的。這樣隨著不斷的正向傳播和反向傳播從而逐漸的修改各層的權(quán)重，直到實(shí)際響應(yīng)和預(yù)期響應(yīng)基本匹配為止。在下面分別介紹以上四個過程：1.正向傳播正向傳播過程是輸入數(shù)據(jù)從網(wǎng)絡(luò)的輸入層經(jīng)過隱含層進(jìn)行處理，經(jīng)過所有的隱層后傳向輸出層，在逐層處理數(shù)據(jù)時，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。在輸出層比較輸出結(jié)果與期望輸出之間的差別，如果輸出結(jié)果與期望輸出相差過大，則進(jìn)入反向傳播過程。設(shè)輸入模式向量為：；是學(xué)習(xí)模式對數(shù)；是輸入層單元個數(shù)；對應(yīng)于的輸入模式的希望輸出的向量為：是輸出層單元數(shù)；首先計(jì)算隱含層各單元的輸入：(3.6)其中，：輸入層至隱含層的連接權(quán)；：隱含層單元的閥值；：隱含層單元個數(shù)；然后計(jì)算出隱含層各單元的輸出，獲得輸出層的輸入。為了模擬生物神經(jīng)元的非線性特點(diǎn)，以作為函數(shù)的自變量，計(jì)算出隱含層各單元的輸出。函數(shù)的表達(dá)式：(3.7)得到(3.8)然后按照正向傳播的思路計(jì)算輸出層各單元的輸出值：(3.9)(3.10)式中：：隱含層到輸出層的連接權(quán)；：輸出層單元閥值；：函數(shù)；至此完成了一個輸入模式的正向傳播過程。2.反向傳播反向傳播就是把誤差信號按照正向傳播的通路反向傳回的過程，并且修改每個隱含層所包含的每個神經(jīng)元的權(quán)系數(shù)，以達(dá)到誤差信號趨近于最小的狀態(tài)。輸出層的誤差是計(jì)算輸出層的校正誤差，傳播隱含層的校正誤差，并調(diào)整各連接單元權(quán)值及閥值的過程。輸出層的校正誤差為：，（3.11）隱含層的校正誤差為：，（3.12）計(jì)算出輸出層和隱含層的校正誤差后就可以計(jì)算各連接權(quán)值和閥值的改變量。隱含層和輸出層連接權(quán)改變量：（3.13）隱含層和輸出層閥值改變量：（3.14）其中：隱含層和輸入層連接權(quán)值改變量：（3.15）隱含層和輸入層的閥值改變量：（3.16）其中：3.訓(xùn)練過程訓(xùn)練過程就是根據(jù)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果與期望輸出進(jìn)行比較，若存在誤差則反復(fù)調(diào)整誤差及連接權(quán)。期望輸出是人為設(shè)定的，實(shí)質(zhì)上就是對輸入模式分類的一種表示。隨著正向傳播與反向傳播過程的反復(fù)進(jìn)行，網(wǎng)絡(luò)的實(shí)際輸出值會逐漸接近于期望輸出值。對于典型的BP網(wǎng)絡(luò)，多組訓(xùn)練校驗(yàn)，一般要經(jīng)過幾百，幾千次的學(xué)習(xí)過程，才能使網(wǎng)絡(luò)收斂。4.收斂過程BP模型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程圖如下圖3.9所示：是是是是開始連接權(quán)及閥值初始化隨機(jī)選取樣本計(jì)算隱含層各單元的輸入、輸出計(jì)算輸出層各單元的輸入、輸出計(jì)算輸出層各單元的一般化誤差計(jì)算隱含層各單元的一般化誤差調(diào)整隱含層至輸出層各單元的連接權(quán)值及閥值權(quán)及輸出層各單元的輸出閥值權(quán)調(diào)整輸入層至隱含層各單元的連接權(quán)值及閥值權(quán)及中間層各單元的輸出閥值權(quán)更新學(xué)習(xí)輸入模式全部模式訓(xùn)練完？更新學(xué)習(xí)次數(shù)誤差或?qū)W習(xí)次數(shù)>N學(xué)習(xí)結(jié)束否否圖3.9BP模型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程圖3.5人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用傳統(tǒng)的方法大多數(shù)只能依靠歷史數(shù)據(jù)來作為負(fù)荷預(yù)測的主要依據(jù)，因此對于其他影響因素對負(fù)荷預(yù)測的影響的考慮缺不是很充分，所以傳統(tǒng)的方法普遍存在著預(yù)測不準(zhǔn)確、所需要的歷史數(shù)據(jù)很大等缺陷，已經(jīng)無法滿足現(xiàn)代短期負(fù)荷預(yù)測要求高精度、速度快的要求了。經(jīng)過多年的發(fā)展，現(xiàn)在的人工神經(jīng)網(wǎng)絡(luò)已經(jīng)可以滿足映射任意非線性關(guān)系的能力，能夠識別噪聲和不準(zhǔn)確的樣本，并且可以通過自己優(yōu)良的自學(xué)習(xí)性能把樣本的隱藏特征分布在各層神經(jīng)元的隱藏權(quán)值中，所以非常適合現(xiàn)在短期電力系統(tǒng)負(fù)荷預(yù)測的問題。3.6本章小結(jié)本章對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了具體分析，首先對神經(jīng)網(wǎng)絡(luò)做了簡要概述，介紹了神經(jīng)網(wǎng)絡(luò)的特點(diǎn)以及基本原理，接著分析了其網(wǎng)絡(luò)模型，引出了BP網(wǎng)絡(luò)，介紹了BP神經(jīng)網(wǎng)絡(luò)模型及學(xué)習(xí)算法。最后分析了人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測的應(yīng)用。第四章基于人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測4.1BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)由三部分組成，即網(wǎng)絡(luò)的層數(shù)，每層的神經(jīng)元數(shù)目，每層的激活函數(shù)。在BP網(wǎng)絡(luò)中，輸出層通常是采用線性激活函數(shù)，隱含層采用Sigmoid激活函數(shù)，因此，要求確定的就是各層的神經(jīng)元個數(shù)和網(wǎng)絡(luò)層數(shù)。理論證明：具有Sigmoid型隱含層再加上有個線性輸出層和偏差的BP網(wǎng)絡(luò)能夠逼近任何一個有理函數(shù)。增加隱含層的數(shù)可以進(jìn)一步的降低輸出誤差，提高精確性，但是，這樣也使網(wǎng)絡(luò)更加復(fù)雜化并且增加網(wǎng)絡(luò)權(quán)值的訓(xùn)練所需要的時間[19]，所以，這里選用有一個隱含層的三層網(wǎng)絡(luò)。對于三層結(jié)構(gòu)的BP網(wǎng)絡(luò)需要確定每一層所包含的神經(jīng)元數(shù)量。4.2基于MATLAB的BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)在運(yùn)用MATLAB提供的神經(jīng)網(wǎng)絡(luò)工具來進(jìn)行神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)過程中，要經(jīng)歷創(chuàng)建網(wǎng)絡(luò)，訓(xùn)練網(wǎng)絡(luò)，模擬網(wǎng)絡(luò)等三個過程，本文采用的是BP神經(jīng)網(wǎng)絡(luò)，所以主要對BP網(wǎng)絡(luò)設(shè)計(jì)進(jìn)行分析。4.2.1輸入輸出量的選擇一般來講，輸出量代表系統(tǒng)要實(shí)現(xiàn)的功能目標(biāo)，其選擇確定相對容易一些，比如系統(tǒng)的分類以及性能指標(biāo)等問題的類別歸屬或者非線性函數(shù)的函數(shù)值等。選擇輸入量需要滿足兩條基本的原則，即輸入量必須選擇對輸出結(jié)果有較大影響且有利于檢測并能夠提取的變量，除此之外還要求各個輸入變量之間相互關(guān)系較小或者互不相關(guān)。4.2.2隱含層及隱節(jié)點(diǎn)數(shù)的設(shè)計(jì)網(wǎng)絡(luò)的輸入層的節(jié)點(diǎn)數(shù)量和輸出層的節(jié)點(diǎn)數(shù)量確定后，要確定隱含層節(jié)點(diǎn)數(shù)，經(jīng)分析證明，隱層數(shù)的設(shè)計(jì)中，具有單隱層的前饋網(wǎng)可以映射所有連續(xù)函數(shù)，在一個隱含層中雖然有很多隱層節(jié)點(diǎn)但還是不能有效地改善網(wǎng)絡(luò)的性能時才會考慮再增加一個隱含層。研究證明，若用兩個隱含層時，在第一個隱含層中設(shè)置的隱層節(jié)點(diǎn)數(shù)量很多，在第二個隱含層中設(shè)置的隱層節(jié)點(diǎn)數(shù)量較少，這樣會達(dá)到改善多層前饋網(wǎng)絡(luò)性能的目的。除此之外，對利用增加隱層節(jié)點(diǎn)數(shù)的方法還是不能很有效地降低訓(xùn)練誤差的情況，可以考慮增加隱含層的數(shù)量，因?yàn)椴捎脝坞[層所需的隱層節(jié)點(diǎn)的總數(shù)可能多于雙隱含層所需要的隱層節(jié)點(diǎn)數(shù)。試湊法是確定最合理的隱節(jié)點(diǎn)數(shù)的一種常用方法，首先設(shè)置隱節(jié)點(diǎn)數(shù)較少的訓(xùn)練網(wǎng)絡(luò)，再逐步增加隱節(jié)點(diǎn)數(shù)，開始訓(xùn)練，從中就可以確定網(wǎng)絡(luò)誤差最小時所對應(yīng)的隱節(jié)點(diǎn)數(shù)。在使用試湊法時，可運(yùn)用隱節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式。這些公式可作為試湊法的初始值，現(xiàn)分別介紹如下：（4.1）（4.2）（4.3）在以上的公式中為輸入層節(jié)點(diǎn)個數(shù)，為輸出節(jié)點(diǎn)個數(shù)，為隱層節(jié)點(diǎn)個數(shù)，為1~10之間的常數(shù)。4.2.3網(wǎng)絡(luò)的訓(xùn)練與測試在完成網(wǎng)絡(luò)設(shè)計(jì)后，根據(jù)設(shè)計(jì)思路進(jìn)行訓(xùn)練。訓(xùn)練一個網(wǎng)絡(luò)通常需要上千次甚至上萬次的訓(xùn)練。一次訓(xùn)練就是在訓(xùn)練時對所有樣本正向運(yùn)行一輪并反向修改權(quán)值一次。網(wǎng)絡(luò)是否具有很好的泛化能力決定了網(wǎng)絡(luò)性能的好或壞，在測試泛化能力時不能用訓(xùn)練集的數(shù)據(jù)進(jìn)行測試。通常的做法是，將所有收集到的有效樣本隨機(jī)地分為訓(xùn)練集和測試集兩部分。假如網(wǎng)絡(luò)對訓(xùn)練集樣本的誤差較小，對測試集樣本的誤差很大時，表明訓(xùn)練出的網(wǎng)絡(luò)過度吻合，所以泛化能力很差。在訓(xùn)練網(wǎng)絡(luò)時，將測試與訓(xùn)練交替進(jìn)行，以達(dá)到最佳訓(xùn)練狀態(tài)，避免過配的目的。4.3實(shí)例分析4.3.1樣本數(shù)據(jù)的處理本文采用美國東北部地區(qū)1996年一整年的歷史負(fù)荷數(shù)據(jù)，數(shù)據(jù)包括每天24小時的負(fù)荷。由于學(xué)習(xí)是通過對有限個樣本的學(xué)習(xí)，要學(xué)習(xí)隱含在其中的內(nèi)在規(guī)律性，而不是簡單地記得學(xué)過的輸入，所以在檢驗(yàn)網(wǎng)絡(luò)性能的好或壞時，要采用訓(xùn)練樣本以外的數(shù)據(jù)。這樣一來我們就能把所獲得的負(fù)荷數(shù)據(jù)樣本分為訓(xùn)練集和測試集兩類，訓(xùn)練集是用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的模型，而測試集是一組作為檢驗(yàn)學(xué)習(xí)結(jié)果用的模型。在選取訓(xùn)練樣本時，因?yàn)楣?jié)假日的負(fù)荷狀況與正常日的差別比較大，本文中只考慮正常日負(fù)荷預(yù)測，所以首先排除了節(jié)假日的負(fù)荷樣本，再者，因?yàn)樗艿玫降臄?shù)據(jù)是有限的，有些對負(fù)荷有影響的變量(如重大事件或自然災(zāi)害等)的數(shù)據(jù)是無法獲得，在模型中無法考慮這些變量，使得訓(xùn)練樣本中多多少少會帶有噪聲成分，從而導(dǎo)致樣本的選取困難。然而較小的噪聲對于網(wǎng)絡(luò)的學(xué)習(xí)影響不大，但是較大的噪聲會影響樣本原有的特性，使得網(wǎng)絡(luò)無法正常學(xué)習(xí)到樣本中的內(nèi)在規(guī)律性，所以需要剔除有些具有明顯異常的負(fù)荷樣本。4.3.2樣本數(shù)據(jù)的預(yù)處理神經(jīng)網(wǎng)絡(luò)應(yīng)用于負(fù)荷預(yù)測，在訓(xùn)練網(wǎng)絡(luò)的原始數(shù)據(jù)時，對于不同的變量往往通過不同的單位來衡量，數(shù)量級的相差也比較大，例如負(fù)荷一般變化范圍在1200MW~4500MW之間，而氣溫一般的變化范圍在-5℃~50℃之間。數(shù)據(jù)的歸一化就是指把樣本中我們可以識別的數(shù)據(jù)轉(zhuǎn)化為計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)可以識別的數(shù)據(jù)，我們一般把它們轉(zhuǎn)化為[0,1]之間的矩陣。研究證明，為了加速神經(jīng)網(wǎng)絡(luò)的收斂性，可以通過合理的方式對數(shù)據(jù)進(jìn)行歸一化處理。1.原始數(shù)據(jù)的預(yù)處理原始數(shù)據(jù)預(yù)處理的目的是修正或排除異常的歷史工作日和某工作日中的異常負(fù)荷點(diǎn)兩個方面的異常信息。異常工作日的處理可以將所考察的歷史工作日的平均負(fù)荷分別和與其相鄰的兩個工作日對應(yīng)的和進(jìn)行比較，若發(fā)現(xiàn)絕對誤差為均超過某一限度且同一個方向，那么進(jìn)行排除處理或違限調(diào)整。工作日中異常負(fù)荷點(diǎn)的檢查也可采用類似處理。2.負(fù)荷數(shù)據(jù)的歸一化輸入輸出數(shù)據(jù)的實(shí)測值不能直接用于網(wǎng)絡(luò)訓(xùn)練，需進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理方式有很多，在此簡單介紹一種方式“歸一化”。歸一化有兩種情況。一是輸入同源數(shù)據(jù)，使歸一化在所用通道上進(jìn)行；二是不同參數(shù)作為輸入，對不同分量在其權(quán)值范圍內(nèi)單獨(dú)處理。輸入神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)樣本可采用下面兩種方法進(jìn)行歸一化處理：設(shè)和分別代表訓(xùn)練樣本集合中歷史負(fù)荷的最大值和最小值，為實(shí)際負(fù)荷數(shù)據(jù)，為歸一化后的負(fù)荷值，則=（4.4）這樣一來，輸入神經(jīng)網(wǎng)絡(luò)的歷史負(fù)荷數(shù)據(jù)位于[0,1]范圍內(nèi)。然后可利用下式重新?lián)Q算實(shí)際的負(fù)荷預(yù)測值：+（4.5）4.3.3短期負(fù)荷預(yù)測實(shí)例分析本文以美國東北部地區(qū)電網(wǎng)的實(shí)際歷史負(fù)荷為例，對該地區(qū)日負(fù)荷進(jìn)行預(yù)測。基于Matlab軟件[10][16]進(jìn)行仿真，采用神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型，選取有三層網(wǎng)絡(luò)結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)來完成一天24個小時負(fù)荷的非線性映射關(guān)系，每一個BP神經(jīng)網(wǎng)絡(luò)的輸入層，隱含層，輸出層的神經(jīng)元個數(shù)分別為48，90，24。網(wǎng)絡(luò)訓(xùn)練的樣本集選取的是預(yù)測日前兩天的實(shí)際負(fù)荷和當(dāng)天的氣象數(shù)據(jù)。網(wǎng)絡(luò)的初始權(quán)值設(shè)定為[-1,1]之間的隨機(jī)數(shù)，采用帶有自適應(yīng)步長和動量算子的改進(jìn)BP算法，設(shè)定=0.35,=0.7,學(xué)習(xí)精度=0.1。根據(jù)實(shí)際調(diào)研的資料，選取該地區(qū)1996年2月5日到3月3日的實(shí)際負(fù)荷來訓(xùn)練網(wǎng)絡(luò)，用訓(xùn)練好的網(wǎng)絡(luò)對1996年3月4日到3月10日的負(fù)荷進(jìn)行預(yù)測檢驗(yàn)。預(yù)測的結(jié)果如下圖所示：（1）預(yù)測1996年3月6日（周三）的負(fù)荷，試驗(yàn)結(jié)果如下：圖4.13月6日（周三）的預(yù)測負(fù)荷曲線與實(shí)際負(fù)荷曲線圖4.1是用Matlab軟件進(jìn)行仿真的結(jié)果，由圖形可知，預(yù)測負(fù)荷曲線和實(shí)際負(fù)荷曲線基本吻合。表4.1給出1996年3月6日的實(shí)際負(fù)荷值和預(yù)測值的比較，絕對誤差和相對誤差。表4.11996/03/06基于BP神經(jīng)網(wǎng)絡(luò)模型的負(fù)荷預(yù)測結(jié)果(單位:MW)預(yù)測時刻真實(shí)值預(yù)測值絕對誤差相對誤差()0:00129713025.00000.39%1:00127612815.00000.39%2:00123512405.00000.40%3:00119411995.00000.42%4:00121412195.00000.41%5:00133813435.00000.37%6:00148214886.00000.40%7:00175017577.00000.40%8:00195619637.00000.36%9:00203820468.00000.39%10:00205820679.00000.44%11:00203820468.00000.39%12:00191419228.00000.42%13:00189419017.00000.37%14:00185318607.00000.38%15:00181118198.00000.44%16:00185318607.00000.38%17:00189419017.00000.37%18:00197619848.00000.40%19:00201720258.00000.40%20:00197619848.00000.40%21:00185318607.00000.38%22:00164716536.00000.36%23:00144114476.00000.42%分析以上數(shù)據(jù)可得到：表4.21996/03/06預(yù)測誤差小結(jié)項(xiàng)目實(shí)際負(fù)荷（MW）預(yù)測值（MW）（%）平均值1708.5421715.2920.395最大值205820670.44最小值119411990.36（2）預(yù)測3月8日（周五）的負(fù)荷，試驗(yàn)結(jié)果如下：圖4.23月8日（周五）的預(yù)測負(fù)荷曲線與實(shí)際負(fù)荷曲線圖4.2是用Matlab軟件進(jìn)行仿真的結(jié)果，由圖形可知，預(yù)測負(fù)荷曲線和實(shí)際負(fù)荷曲線誤差較大，但在允許的誤差范圍內(nèi)。表4.3給出1996年3月8日的實(shí)際負(fù)荷值和預(yù)測值的比較，絕對誤差和相對誤差。表4.31996/03/08基于BP神經(jīng)網(wǎng)絡(luò)模型的負(fù)荷預(yù)測結(jié)果(單位:MW)預(yù)測時刻真實(shí)值預(yù)測值絕對誤差相對誤差()0:0012441247.7-3.66670.29%1:0012241223.01.00000.08%2:0011851175.010.00000.84%3:0011451132.013.00001.14%4:0011651140.324.66672.12%5:0012831220.362.66674.88%6:0014221329.792.33336.49%7:0016781536.0142.00008.46%8:0018761718.0158.00008.42%9:0019551804.0151.00007.72%10:0019741833.7140.33337.11%11:0019551831.0124.00006.34%12:0018361735.0101.00005.50%13:0018161716.399.66675.49%14:0017771689.387.66674.93%15:0017371641.395.66675.51%16:0017771662.0115.00006.47%17:0018161705.3110.66676.09%18:0018951780.3114.66676.05%19:0019351850.384.66674.38%20:0018951807.387.66674.63%21:0017771716.360.66673.41%22:0015801556.024.00001.52%23:0013821395.0-13.00000.94%分析以上數(shù)據(jù)可得到：表4.41996/03/08預(yù)測誤差小結(jié)項(xiàng)目實(shí)際負(fù)荷（MW）預(yù)測值（MW）（%）平均值1638.7081560.2134.43最大值19741850.38.46最小值114511320.94（3）預(yù)測3月10日（周日）的負(fù)荷，試驗(yàn)結(jié)果如下：圖4.33月10日（周日）的預(yù)測負(fù)荷曲線與實(shí)際負(fù)荷曲線圖4.3是用Matlab軟件進(jìn)行仿真的結(jié)果，由圖形可知，預(yù)測負(fù)荷曲線和實(shí)際負(fù)荷曲線基本吻合。表4.5給出1996年3月10日的實(shí)際負(fù)荷值和預(yù)測值的比較，絕對誤差和相對誤差。表4.51996/03/10基于BP神經(jīng)網(wǎng)絡(luò)模型的負(fù)荷預(yù)測結(jié)果(單位:MW)預(yù)測時刻真實(shí)值預(yù)測值絕對誤差相對誤差()0:00118211864.00000.34%1:00115011555.00000.43%2:00108710914.00000.37%3:00104010444.00000.38%4:00102410284.00000.39%5:00102410284.00000.39%6:00107110765.00000.47%7:00116611704.00000.34%8:00130813135.00000.38%9:00140214086.00000.43%10:00144914556.00000.41%11:00148114876.00000.41%12:00143414395.00000.35%13:00141814246.00000.42%14:00141814246.00000.42%15:00135513605.00000.37%16:00133913445.00000.37%17:00138613926.00000.43%18:00144914556.00000.41%19:00157515827.00000.44%20:00152815346.00000.39%21:00149715036.00000.40%22:00141814246.00000.42%23:00133913445.00000.37%分析以上數(shù)據(jù)可得到：表4.61996/03/10預(yù)測誤差小結(jié)項(xiàng)目實(shí)際負(fù)荷（MW）預(yù)測值（MW）（%）平均值1314.1671319.4170.397最大值157515820.47最小值102410280.34從以上幾個圖表中可以看出，采用本文建立的神經(jīng)網(wǎng)絡(luò)模型，預(yù)測的平均相對誤差均小于10%，滿足了短期負(fù)荷預(yù)測的精度要求。同時，預(yù)測負(fù)荷曲線與歷史負(fù)荷曲線達(dá)到了較高地擬合狀態(tài)，這也充分地驗(yàn)證了本文建立神經(jīng)網(wǎng)絡(luò)模型的有效性，很大程度的提高了負(fù)荷預(yù)測的精確性，這對短期負(fù)荷預(yù)測來說是至關(guān)重要的。4.4BP算法的缺點(diǎn)及其改進(jìn)BP算法原理簡單，實(shí)用性強(qiáng)，是一個很有效的算法，許多問題都可以由它來解決，因此，神經(jīng)網(wǎng)絡(luò)中BP模型成為一個重要模型。但是BP算法本身也存在一些缺點(diǎn)：1.由于BP算法本質(zhì)上是一個非線性優(yōu)化問題，通常不可避免會出現(xiàn)常見的局部極小問題，因此，問題得不到最優(yōu)解。2.學(xué)習(xí)算法收斂速度比較慢，通常需要進(jìn)行上千次甚至上萬次的訓(xùn)練。3.網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)量一般要根據(jù)經(jīng)驗(yàn)選取，但是通常的選取缺乏嚴(yán)格的理論依據(jù)。4.BP網(wǎng)絡(luò)在學(xué)習(xí)新樣本的時候有可能遺忘己學(xué)的樣本，同時，刻畫每個樣本的特征數(shù)量也必須是一樣的。4.5本章小結(jié)本章以美國東北部地區(qū)城市的負(fù)荷預(yù)測為例進(jìn)行了短期負(fù)荷預(yù)測。首先介紹了BP網(wǎng)絡(luò)的建模，包括樣本集的選擇，輸入輸出層和隱含層的設(shè)計(jì)以及樣本數(shù)據(jù)的預(yù)處理。其次對選定的網(wǎng)絡(luò)進(jìn)行仿真測試并分析說明其結(jié)果，最后簡要說明了BP算法的缺點(diǎn)及其改進(jìn)。結(jié)論與展望電力系統(tǒng)負(fù)荷預(yù)測對電力行業(yè)和國民經(jīng)濟(jì)都有著重要意義。電力負(fù)荷預(yù)測工作水平的高低逐漸成為衡量電力企業(yè)是否走向現(xiàn)代化的顯著標(biāo)志之一。論文首先介紹電力系統(tǒng)負(fù)荷預(yù)測的現(xiàn)狀，研究電力負(fù)荷的特點(diǎn)以及負(fù)荷預(yù)測中所受到的影響因素，分析了人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法在短期負(fù)荷預(yù)測中的發(fā)展。有針對性地提高了預(yù)測的精度，建立了基于BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測模型，選擇可靠的歷史負(fù)荷數(shù)據(jù)當(dāng)做輸入變量，應(yīng)用美國東北部地區(qū)的歷史負(fù)荷數(shù)據(jù)對短期負(fù)荷預(yù)測模型進(jìn)行驗(yàn)證。仿真結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型具有學(xué)習(xí)速度快，預(yù)測精度高，適應(yīng)性好等優(yōu)點(diǎn)，進(jìn)一步研究應(yīng)用于預(yù)測技術(shù)將會有更好的前景。本論文對BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)短期負(fù)荷預(yù)測的研究遠(yuǎn)未結(jié)束，有待完成的工作如下：1.由于條件和時間所限，只對正常日建模并進(jìn)行了預(yù)測，還未能對全年負(fù)荷預(yù)測進(jìn)行完整的研究。正常日與節(jié)假日負(fù)荷的變化規(guī)律有明顯差別，本文尚未建立重大節(jié)假日的負(fù)荷預(yù)測模型。2.壞數(shù)據(jù)的修正值與其實(shí)際值間存在偏差，會影響預(yù)測的精確度。如何對壞數(shù)據(jù)進(jìn)行更有效的處理是有待進(jìn)一步探討的問題。3.研究證明，單一的負(fù)荷模型無法對負(fù)荷狀況進(jìn)行系統(tǒng)的描述，可以通過建立多個負(fù)荷模型的方法來解決，所以需要進(jìn)一步研究多種負(fù)荷預(yù)測方法的組合模型，以此來達(dá)到更好的預(yù)測效果。電力負(fù)荷具有復(fù)雜的周期性，因此，選擇不同時間段建立預(yù)測模型比直接連續(xù)建立預(yù)測模型更科學(xué)，由于樣本數(shù)據(jù)數(shù)量有限，沒有對其做更進(jìn)一步的分析，在今后的研究中有待討論。致謝本論文是在熊高峰副教授的精心指導(dǎo)下完成的，在此對我的指導(dǎo)老師熊教授表達(dá)我最真誠的謝意！這段時間熊老師每隔一段時間就會詢問我論文的進(jìn)度，會仔細(xì)的指出我文章中的不足和問題，并且對這些問題幫我做出解釋，在建立模型的時候也會一步步指導(dǎo)我直到我弄清楚關(guān)鍵的的問題，并且在寫作的過程中，熊老師不放過一點(diǎn)錯誤的嚴(yán)謹(jǐn)、認(rèn)真、實(shí)事求是的態(tài)度也令我十分敬佩，總的來說，我在熊老師身上學(xué)到了很多，受益匪淺。在四年的大學(xué)生涯中，電氣院的老師和輔導(dǎo)員在學(xué)習(xí)和生活中都給予了我很多的關(guān)心和幫助，他們的幫助讓我有信心、有能力克服一切困難，全心全意的學(xué)習(xí)，并且順利的完成學(xué)業(yè)。在此，向他們獻(xiàn)上我最真摯的謝意。另外，在寫論文的過程中，我們課題組的師兄和師姐給了我許許多多支持和幫助！特別是張建華師兄，在我制定論文框架時給了我許多的寶貴建議，在我建模時，悉心的給我多次講解熊老師要我注意的問題，在我進(jìn)行仿真時，幫我解決了許多軟件方面的困難，在格式上，還幫我一一檢查。非常感謝張師兄在這段時間對我的幫助！參考文獻(xiàn)[1]劉晨暉．電力系統(tǒng)負(fù)荷預(yù)報理論與方法[M]．哈爾濱：哈爾濱工業(yè)大學(xué)出版社，1987．[2]張伏生，汪鴻，韓梯等?；谄钚《嘶貧w分析的短期負(fù)荷預(yù)測。電網(wǎng)技術(shù)，2003，27~40．[3]鄧聚龍．灰色預(yù)測與理論[M]．湖北：華中理工大學(xué)出版社，1969，3~15．[4]NiuDong-xiao，ZhangWen-wen．AdjustmentGreyModelforLoadForecastingofPowerSystems[J]．ThejournalofGreySystem，1994，(6)：127~134．[5]陳章潮，顧潔．模糊集理論在上海浦東新區(qū)電力負(fù)荷預(yù)測中的應(yīng)用[J]．系統(tǒng)工程與實(shí)踐，1995，(1)：23~26．[6]Zhenghua，ZhangLizi．TheFactorAnalysisofShort-TermLoadForecastBasedonWaveletTransform[J]，IEEETransactionsonPowerSystems,PP.1073~1076,2002．[7]ParkDC，EI-SharkawiMA，MarksJetal．ElectricLoadForecastingUsingaNeuralNetwork[J]．IEEETransonPowerSystems．1991，6(2)：442~449．[8]PapalexopoulosAD，HesterbergTC．Aregressionbasedapproachtoshorttermloadforecasting[J]．IEEETransonPowerSystem．1990，5(4)：1535~1547．[9]飛思科技產(chǎn)品中心等著．Matlab6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)[M]．北京：電子工業(yè)出版社，2003．[10]韓禎祥，文福拴．人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中應(yīng)用的新進(jìn)展[J]．電力系統(tǒng)自動化，1993，17(2)：11~15．[11]牛東曉，曹樹華，趙磊等．電力系統(tǒng)負(fù)荷預(yù)測技術(shù)及其應(yīng)用[M]．北京：中國電力出版社，1998．[12]唐小我．預(yù)測理論及其應(yīng)用[M]．成都：電子科技大學(xué)出版社，1992,2~19．[13]T.M.PENG．AdvancementoftheApp1icationNeuralNetworkforshortTermLoadForecasting[J]．IEEETransactiononPowersystem．1992，7(1)：250~257．[14]LippamnnRP．AnlntroductiontoComputingwithNeuralNets[J]．IEEEASSPMagazine，1987，(4)：4~22．[15]陳祥光，裴旭東編著．人工神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用[M].北京:中國電力出版社，2003，1~69．[16]RumelhartDE，HintnoGE，WilliamsRJ．LearningRepresentationbyBackproPagtionErrors[J]．Nature，1986，323(6188)：533~536．[17]韓力群．人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M]．北京：化學(xué)工業(yè)出版社，2002，2~6．[18]歐建平，李麗娟．人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用[J].廣東電力.1994,4~7[19]孫洪波，秦翼鴻，徐國禹．用于短期電力負(fù)荷預(yù)報的人工神經(jīng)網(wǎng)絡(luò)方法[J].重慶大學(xué)報.1995.7:42-47[20]滕菲，王寧．電力負(fù)荷預(yù)測技術(shù)[J]．黑龍江電力，2002，24(5)：342~345．[21]聞新等著．Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M]．北京：科學(xué)出版社，2000．[22]LiuBin．WaveletModelingandForecastingandItsApplicationintheChineseMonetaryMultiplier[J]，AppliedMathematicsandMechanics(EnglishEdition)，V01.20，No.8，pp．350～355．Aug.1999．[23]韓民曉，姚蜀軍．短期負(fù)荷預(yù)測方法的研究及在線應(yīng)用[J]．電力系統(tǒng)自動化，1998，22(10)：34~37．附錄A美國東北部地區(qū)1996年全年負(fù)荷的歷史數(shù)據(jù)RTSLoadDataTheRTSdataisexcerptedfrom[Rts96]Thepeakloadforthesystemis2850MWinthe1996calendaryearTable1.WeeklyPeakLoadinPercentofAnnualPeakWeekPeakLoadWeekPeakLoadWeekPeakLoadWeekPeakLoad186.214752775.54072.42901572.12881.64174.3387.816802980.14274.4483.41775.4308843805881883.73172.24488.1684.119873277.64588.5783.2208833804690.9880.62185.63472.947949742281.13572.648891073.723903670.54994.21171.52488.7377850971272.72589.63869.5511001370.42686.13972.45295.2Table2.DailyPeakLoadinPercentofWeeklyPeakDayPeakLoadMonday93Tuesday100Wednesday98Thursday96Friday94Saturday77Sunday75Table3.HourlyPeakLoadinPercentofDailyPeakHourWinterWeeksSummerWeeksSpring/FallWeeks1-8&44-5218-309-17&31-43WeekdayWeekendWeekdayWeekendWeekdayWeekend12-1am.6778647463751-26372607062732-36068586660693-45966566558664-55964566459655-66065586265656-77466646272687-88670766685748-99580878195839-1096889586998910-11969099911009211-noon9591100939994Noon-1pm.9590999393911-295881009292902-393871009190903-49487979188864-59991969290855-6100100969492886-710099939596927-896979295981008-991949210096979-1083929393909510-1173878788809011-12638172807085附錄B用Matlab預(yù)測1996年3月6日一天24小時負(fù)荷程序全文如下：P=[123612161177113811571275141216671863194219611942182418041765172617651804188319221883176515691373132913081265122312441371151817932004208821092088196119401898185618981940202520672025189816871476;132913081265122312441371151817932004208821092088196119401898185618981940202520672025189816871476130212811240119912191343148817571963204620672046192219011860181918601901198420251984186016531447;130212811240119912191343148817571963204620672046192219011860181918601901198420251984186016531447127612551215117411951316145817211923200420252004188318631822178218221863194419841944182216201417;127612551215117411951316145817211923200420252004188318631822178218221863194419841944182216201417124912291189115011701289142716851883196319821963184418241784174517841824190319431903178415861388;124912291189115011701289142716851883196319821963184418241784174517841824190319431903178415861388121811851121107210561056110412021348144514941526147814621462139713801429149416241575154314621380]';%輸入訓(xùn)練前的負(fù)荷歷史數(shù)據(jù)T=[130212811240119912191343148817571963204620672046192219011860181918601901198420251984186016531447;127612551215117411951316145817211923200420252004188318631822178218221863194419841944182216201417;124912291189115011701289142716851883196319821963184418241784174517841824190319431903178415861388;121811851121107210561056110412021348144514941526147814621462139713801429149416241575154314621380;11861