2016电工杯A题国家二等奖电力系统短期负荷预测
报名序号：1254
论文题目：电力系统短期负荷预测
指导教师：
参赛学校：
证书邮寄地址、邮编、收件人：
报名序号：
电力系统短期负荷预测
摘 要
提高负荷预测进度是保障电力系统优化决策科学性的重要手段。根据已有电力负荷数据及气象因素数据，文章主要建立了4个模型来解决关于短期负荷预测方面的问题。
针对问题一，建立日最高负荷量模型、日最低负荷量模型、日峰谷差模型、日平均负荷量模型以及日负荷率模型。利用Excel 软件可将两地区014年各个负荷量的统计值求出（详见附件1），其中地区二2014年1月1日的日最高负荷量、日最低负荷量、日峰谷差、日平均负荷量以及日负荷率分别为6765.5、3748.48、3017.05、5138.23和0.76。通过观察两地2014年负荷数据变化曲线图，考虑数据的波动性等因素可得出地区二更准确的预测结果的结论。
针对问题二，构建多元线性回归模型，利用SPSS 软件对日最高负荷、日最低负荷、日平均负荷与各气象因素进行回归分析。通过观察标准化残差图（详见图4），认为没有趋势性，回归模型有效。用同样的方法可得出两地区各个因变量的回归方程（详见表5）。对多元线性方程做回归误差分析，认为将不重要的气象因素剔除可减小误差。利用逐步回归法可进行更合理的回归分析，得出优先推荐平均温度来提高负荷预测精度。
针对问题三，构建ARIMA 预测模型，对数据进行预处理，取每年春季的负荷量作为参照数据，消除了季节成分的影响。通过自相关方面的分析，确定模型为ARIMA （1,1,1），利用SPSS 软件可得出所需的预测结果。例如地区一在时间点T0000的负荷量预测模型为10.9280.999t t t x x ε-=+-。模型拟合的可决系数都在0.8以上，说明预测结果精度比较高。
针对问题四，构建基于BP 神经网络算法的多元非线性系统模型，确定模型为12345(,,,,)y ANN x x x x x =，利用Matlab 编程可训练出相应的神经网络结构，得出预测结果。通过参照数据、模型原理这两个方面，论证了计及气象因素影响的负荷预测结果的精度得到了改善这一结论。
针对问题五，提取两地区日负荷率作为待处理数据，分别对两地区日负荷率进行正态拟合、T 分布拟合、Logistic 拟合，做出拟合曲线并对各个拟合进行拟合曲线广义似然比检验。得出地区二的数据比地区一的数据更有规律的结论。
关键词：短期负荷预测；多元线性回归；ARIMA 预测模型；BP 神经网络；拟合
1．问题的重述
短期负荷预测是电力系统运行与分析的基础，对机组组合、经济调度、安全校核等具有重要意义。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，构成电力负荷的用电器种类繁多，空调等受气象条件影响的负荷占比持续增高，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。
已知地区1、地区2从2009年1月1日至2015年1月10日的电力负荷数据（每15 min一个采样点，每日96点，量纲为MW）以及2012年1月1日至2015年1月17日的气象因素数据（日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量）。
具体要求如下：
1.请分析两个地区2014年1月1日一2014年12月31日的负荷数据，统计各地区全年的日最高负荷、日最低负荷、日峰谷差、日负荷率指标的分布情况，并绘制两地区2014年全年的负荷持续曲线;结合上述结果，分析两地区负荷变化的主要差异；初步预判哪个地区的负荷可以获得更准确的预测结果，说明你的理由。
2.根据2012年1月1日至2014年12月31日的数据，分别对日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行回归分析，分析回归误差；如果要用气象因素来提高负荷预测精度，在诸气象因素中，你优先推荐哪个（或哪几个）？简要说明理由。
3.请根据已知负荷数据，构建预测方法，对两个地区2015年1月11日至17日共7天的电力负荷进行预测（间隔15min），给出负荷预测结;在不知道实际负荷数据的条件下，你对预测结果的准确度有何推断，请说明理由。
4.如果已获得2015年1月11日至17日的气象因素数据，你能否构建计及气象因素的负荷预测方法，对两个地区2015年1月11日至17日共7天的电力负荷再次进行预测（间隔15min），给出预测结果;与原有的预测结果相比，你认为计及气象因素影响的负荷预测结果精度得到改善了吗?有何证据？请说明理由。
5.综合上述计算结果，你如何评价两地区负荷规律性的优劣?你还有什么证据可以佐证两地区负荷整体规律性优劣的判断？
2．问题的分析
2．1 对于问题一的分析
问题一要求分析两个地区二014年的负荷量数据的一些统计量，全年的日最高负荷、日最低负荷、日峰谷差、日负荷率指标的分布情况。可以直接建立最大量最小量模型以及一些简单算数模型来解决，利用Excel软件可以很快求出答案。题目还要求绘制出两地区二014年全年的负荷数据变化曲线，可以利用Matlab 的绘图工具来绘制出想要的结果。最后对所得统计量以及两地区二014年全年的负荷数据变化曲线进行分析，可以初步预判哪个地区的负荷可以获得更准确的预测结果。
2．2 对于问题二的分析
问题二要求对日最高负荷、日最低负荷与各气象因素的关系进行回归分析，分析回归误差，还要求用推荐哪个（或哪几个）气象因素，来提高负荷预测精度。可利用统计学知识分别对日最高负荷、日最低负荷与各气象因素的关系进行回归分析，并通过回归分析所得的一些统计学数据来进行回归误差分析以及选出推荐的气象因素。
2．3 对于问题三的分析
该问题要求根据一致负荷数据，构建预测方法，对两个地区二015年1月11日至17日共7天的电力负荷进行预测。此问题没有提及气象因素对负荷的影响，说明要求我们通过负荷数据本身进行预测，这是个时间序列预测问题，可建立ARIMA模型就可预测出指定7日的负荷量。
2．4 对于问题四的分析
该问题要求构建计及气象因素的负荷预测方法，并给出预测结果。气象因素对负荷影响是很大的，我们可以尝试构建人工建神经网络的模型，通过训练网络可以比较准确地找到各气象因素与负荷之间的关系，进而预测出指定7日的负荷量。该问题还要求将通过气象因素预测出的结果与问题3的预测结果进行比较，可以从多个方面比较预测结果的精度。
2．5 对于问题五的分析
该问题要求对两地区负荷规律性的优劣进行评价，既然是考虑规律性，我们可以将两地区的负荷数据进行正态拟合、Logistic拟合以及T分布拟合，比较两个地区负荷的拟合效果，就可以得出哪个地区的规律性更好。
3．模型的假设与符号说明
3．1 模型的假设
（1）假设2009年1月1日至2015年1月10日的电力负荷数据均为真实有效数据；
（2）神经网络训练期间，“坏数据”带来的训练误差；不会使网络不能收敛到理想误差。
3．2 符号说明
M隐层节点数
F权值输入端连接的神经节点数
X第i个地区第j天第k个时刻所测量的负荷数据ijk
a第i个地区第j天的日最高负荷量
ij
b第i个地区第j天的日最低负荷量
ij
c第i个地区第j天的日峰谷差
ij
d第i个地区第j天的日平均负荷，
ij
e第i个地区第j天的日负荷率
ij
Y日最高负荷、日最低负荷、日平均负荷中的一种变量
ANN非线性函数
X最高温度
1
X最低温度
2
X平均温度
3
X相对湿度
4
X降雨量
5
4．模型的准备
4．1 回归分析法基本原理
回归分析法是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量与因变量之间的相关关系及回归方程式，确定模型参数，据此推断将来时刻的负荷值。
回归分析法的优点是计算原理和结构形式简单，预测速度快，外推性能好，对于历史上没有出现的情况有较好的预测。
4．2 针对问题三对原始数据进行预处理
在解决问题三的过程中，利用ARIMA预测模型，首先运用SPSS软件将地区一的原始负荷数据导入，对时间点T0000构建如下的序列图。
图1 数据处理前地区一T0000时间点序列图
图中有明显的季节成分，因此需要做季节分解。题目要求预测两个地区二015年1月11日至17日共7天的电力负荷，都属于春季。因此只需提取每年的前三个月的负荷数据作为输入的数据。分解后，序列图如下。
图2 数据处理后地区一T0000时间点序列图
从上图可知，排除了季节成分。所做的预测将会更精准，同时计算的复杂程度将会降低。
4．3 BP神经网络基本原理概述
4．3．1 BP神经网络基本原理
BP网络模型处理信息的基本原理是：学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播时，输入信号通过中间层作用于输出层，经过非线形变换，产生输出信号;若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过中间层向输入层逐层反转，并将误差分摊给各层的所有单元，从而获得各层的误差信号作为修正各单元权值的依据。此过程周而复始，直到输出的误差降到可以接受的程度。此时经过训练的神经网络即能对类似样本的输入信息自行处理，进而输出误差最小的经过非线形转换的信息，然后可通过检验神经网络的有效性。
运用BP神经网络处理实际问题时分为两个步骤即网络训练和网络应用。第一步网络训练采用有监督的学习，有监督的学习是指每一个训练样本都对应一个代表环境信息的教师信号作为期望输出，训练时计算实际输出与期望输出之间的误差，根据误差的大小和方向反复调整网络连接权值，直到误差达到预订的精度为止。
4．3．2 BP神经网络的结构
BP神经网络是一种多层前馈网络，其神经元连接权值的调整规则采用误差反传算法即BP算法。BP神经网络又是一个多层感知器，多层次感知器强调神经网络在结构上由输入层、隐含层、输出层等多层构成，BP网络则强调层间连接权值通过误差反传算法进行调整。
BP神经网络的特点是:网络由多层次构成，包括输入层、隐含层（单层或多层）和输出层;层与层之间全连接，同层神经元之间无连接;传递函数必须可微，
常用的有Sifmoid 型的对数、正切函数或线性函数;采用误差反传算法进行学习，逐层向前修正网络连接权值。
BP 神经网络结构在设计时主要包括以下方面： （1）网络层数
BP 神经网络至少包括一个输入层和一个输出层，可以包含一个或多个隐含层，所以网络层数的决定问题即是隐含层层数的决定问题。理论上己经证明，单个隐层可以通过适当增加神经元节点数达到任意的非线性映射，因此大多数情况单隐层结构的神经网络足以满足需求。在样本较多的情况下，增加一个隐层可以有效减小网络规模。
（2）输入层节点数
输入层节点数取决于输入向量维数，具体可根据实际问题和数据类型确定。如果输入数据为模型信号波形，则可根据波形的采样点数目决定输入向量维数;如果输入数据为时间序列数据，则输入节点为时间点数;如果输入为图像，则输入单元可以为图像像素或经处理的图像特征。
（3）隐含层节点数
隐含层节点数在很大程度上影响着BP 神经网络的性能。对此一个非常重要的定理表述为对任何一个在闭区间内的连续函数都可以用三层即单隐层BP 神经网络逼近，因而单隐层BP 网络可以完成任意的n 维到m 维的映射。一般而言，隐含层较多节点可使网络达到更好的性能，但可能导致较长的收敛时间。实践中，通常采用以下经验公式选 择最佳节点数：
第一种：0
n
i
m
i C k =>∑，其中k 为样本数，M 为隐层节点数。如果i M >，规定i
m C =0。
第二种：M a =，其中n 为输入节点数，
m 为输出节点数。a 是[]0,10之间的常数。
第三种：2log M n =，n 为输入节点数。
（4）输出层节点数
输出层节点数需要根据实际问题的抽象模型进行确定。例如在利用神经网络解决模式 分类问题中，如果共有n 个类别，则输出节点数为n 或[]2log n ，[]x 表述不小于x 的最小整数。
（5）传递函数
根据研究经验，一般情况下输入层和隐层的传递函数选用S 型函数
()()1
,0,11x f x e
-=+ 或正切S 型函数
()()1,1,11x
x e f x e
---=-+ 输出层选用线性函数作为传递函数，用purelin 表示。
（6）训练方法
BP 神经网络采用迭代调整的方式进行权值确定，因此在训练之前需要确定初始值作为迭代调整的起点。初始值的大小会影响网络的性能，通常情况将初始
值定为较小的非零随机值，经验值为()
2.4 2.4,F F -
或? ?
之间，其中F 为权值输入端连接的神经节点数。
5．模型的建立与求解
5．1 问题一的模型建立与求解
对于第一问，设ijk X 为第i 个地区第j 天第k 个时刻所测量的负荷数据，可建立日最高负荷量的数学模型：
{}a max (k 0000,0015,0030,,2345)ij ijk X ==
该模型中a ij 表示第i 个地区第j 天的日最高负荷量。
同样可建立最日低负荷量的数学模型：
{}b min (k 0000,0015,0030,,2345)ij ijk X ==
该模型中ij b 表示第i 个地区第j 天的日最低负荷量。
对于日峰谷差，可建立如下模型：
{}{}c max min (k 0000,0015,0030,,2345)ij ijk ijk X X =-=
该模型中ij c 表示第i 个地区第j 天的日峰谷差。
日负荷率为日平均负荷与日最大负荷的比值，可建立如下模型：
2345
0000
96k ijk k ij ij ij ij X d d e a ==?
?
?=
??
?=
???
∑ 其中ij d 为第i 个地区第j 天的日平均负荷，
ij e 表示第i 个地区第j 天的日负荷率。
依据上述模型可利用Excel 软件求出部分下列结果如下（详见附件1）：
表1 2014年地区二负荷量的统计量结果
日期 最高负荷 最低负荷 日峰谷差 日平均负荷 日负荷率 20140101 6765.53551 3748.481751 3017.053759 5138.225299 0.759470598 20140102 8464.700806 3278.47475 5186.226056 6232.420477 0.736283611 20140103 8642.119917 4141.438257 4500.68166 6703.741343 0.775705661 20140104 8350.459638
4269.594754
4080.864884
6550.929709
0.784499296
…… …… …… …… …… …… 20141228 8480.166777 4356.945 4123.221777 6557.451155 0.773269126 20141229 9010.524753 4238.837121 4771.687632 6936.880418 0.769864199 20141230 8780.473733 4455.129564 4325.344169 6898.469963 0.785660338 20141231
8059.246529
4297.719613
3761.526916
6494.801036
0.805881916
利用Matlab 软件，将数据导入后利用输入相应代码（详见附录1），可得出如下负荷持续曲线图：
50100
150200250300350
02000
4000
6000
8000
10000
12000
2014年（单位：天）
负荷（单位：M W ）
图3 两地2014年负荷持续曲线图
通过结合上述结果，分析两地区负荷变化的主要差异，初步预判地区二的负荷可获得更准确的预测结果。原因是通过对附件1的统计量结果的分析，地区二的日峰谷差更小，通过图1也可以明显看出负荷持续波动更小，因此地区二可获得更准确的预测结果。
5．2 问题二的模型建立与求解 5．2．1 多元线性回归模型的建立
变量Y 和变量12345,,,,X X X X X 的关系：
()12345,,,,Y f X X X X X ε=+
其中12345,,X ,X ,X X X 分别代表最高温度、最低温度、平均温度、相对湿度以及降雨量，Y 代表日最高负荷、日最低负荷、日平均负荷中的一种变量。ε为均值为0的随机变量。f 的函数为线性的，即整个线性模型为：
01122334455Y X X X X X ββββββε=++++++。
为了得到回归参数的估计值，就要对变量进行观测，对变量的1096n =次独立观测数据为：12{(,,,,),1,,}i i i im y x x x i n =，则这些观测数据应满足式，即有
101112123134145151201212223234245252
01122334455n n n n n n n
y b b x b x b x b x b x y b b x b x b x b x b x y b b x b x b x b x b x εεε=++++++??=++++++??
??=++++++
? 其中),,1,(,),(,0)(2n j i Cov E ij j i i ===σδεεε，
若记T n T m T n b b b y y y Y ),,,(,),,,(,),,,(211021εεεεβ ===，
)1(212222*********+?????
???
??=m n nm n n m m x x x x x x x x x X 则多元线性回归的数学模型式（4－6）可以写成矩阵形式
εβ+=X Y
其中n I Var E 2)(,0)(σεε==。
为了获得参β的估计，我们采用最小二乘法，即选择β，使
)()()(12ββεεεβX Y X Y Q T T n
i i --===∑= （4－8）
达到最小。
将()βQ 对β求导数并令其为零，得
0)(2=--=??ββX Y X Q
T 即Y X X X T T =β。记X X L T =，则
Y X L T =β
上述方程称为正规方程，其中X 为)1(+?m n 阶矩阵，一般假定1)(+=m X r a n k ，由线性代数理论可知，X X L T =为满秩矩阵，它的秩1)(+=m L rank ，则正规方程有唯一解，记作
Y X L T 1-∧=β
我们来证明上式中∧
β为参数向量β的最小二乘法估计量，现用矩阵形式来叙述其证明步骤。对任意的β有)()(ββX Y X Y Q T --=则有
()()[()()][()()]()()()()()()()()()()T
T
T
T T
T
T T
T
Y X Y X Y X X Y X X Y X Y X X X Y X X X Y X Y X Y X ββββββββββββββββββββββ∧∧
∧∧
∧
∧∧
∧∧
∧
∧
∧∧
∧
--=-+--+-=--+--+--+--≥-- 上述证明过程中应用了如下结果：
))(())(()()(0
)]([)]([)()(=--=--=--≥--=--∧
∧
∧
∧
∧
∧
∧
∧
∧
ββββββββββββββββX Y X Y X X X Y X X Y X X X X T T T T T T
T
T
至此，在0≠L 时，证明了正规方程中的∧
β是β的最小二乘法估计量。
在实际工作中，常称m m x b x b b y ∧
∧∧∧+++= 110为经验线性回归方程。
5．2．2 多元线性回归模型的求解
首先本文利用问题一中所给模型，求出2012年1月1日至2014年12月31日的日最高负荷、日最低负荷、日平均负荷，部分结果如下表（详见附件2）:
表2 2012年到2014年地区一统计量结果
日期最高负荷最低负荷日平均负荷
20120101 3967.259968 2674.310752 3193.704021
20120102 6203.327488 2102.91472 4518.020952
20120103 7362.322144 3413.132512 5688.646099
20120104 7654.747168 3972.14128 6055.78345
20120105 7772.622784 4126.712512 6158.695814
20120106 7635.090112 4130.5792 6103.478207
20120107 7478.730112 4114.814656 5928.308079
20120108 6682.430272 3930.446176 5384.340865
20120109 7316.607328 3658.456096 5716.865955
20120110 7267.226368 3895.22992 5743.61441
……………………
20141224 9041.502784 4830.504064 7095.792178
20141225 9055.009408 4861.555456 7122.141599
20141226 8960.655616 4805.517856 7073.389654
20141227 8899.329088 4826.893792 6912.876737
20141228 7501.186048 4616.671072 6078.493122
20141229 8738.955616 4224.25984 6707.0431
20141230 8479.017856 4578.106048 6627.303336
20141231 7797.769888 4313.017216 5880.430551
根据多元线性回归模型，利用SPSS软件，可对日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行回归分析。将数据导入软件后，设置回归分析方法为进入法，分别将日最高负荷、日最低负荷、日平均负荷作为因变量，进行回归分析。例如，对地区一日最高负荷与各气象因素的关系进行回归分析，可得以下分析结果：
表3 地区一最高负荷与各气象因素回归分析的模型汇总
从上表看出可决系数为0.388，其模型的拟合程度最好，但还是很一般。
表4 地区一最高负荷与各气象因素回归分析的系数
图4 地区一最高负荷与各气象因素回归分析标准化残差图
从图中可以看出，残差图中的分布是随机的 ，可以看作没有出现趋势性，所以回归模型是有效的。最终的回归模型为：
123455604.14033.5130.059105.83412.906 5.856y X X X X X =-++-+。
用同样的分析过程可得两个地区各个因变量的回归分析，结果如下表：
表5 各个回归方程汇总表
总的来说回归方程的有效性还是可以的，气候因素确实对负荷有影响。
5．2．3 多元线性回归误差的分析
本文将地区二的日平均负荷作为实例进行误差分析。我们知道两个因素之间的相关性可作为两个因素的相互影响程度的衡量标准，因此可以通过下表来得出一些结论：
表6 地区二的日平均负荷与各因素的相关系数表
从上表可以看出，相对湿度与日平均负荷的相关性为0.123，降雨量与日平均负荷的相关性为0.119。这两个相关系数都比较低，说明相对湿度和降雨量对日平均负荷的影响很少。如果将相对湿度与降雨量强行作为自变量的话，就会加大误差。因此如果将相对湿度度与降雨量这两个因素从自变量中排除，可减小回归误差。可以对回归分析模型的汇总进行比较。
表7 地区二日平均负荷与各气象因素回归分析的模型汇总
表8 地区二日平均负荷与部分象因素回归分析的模型汇总
虽然最高的2R即可决系数在去掉两个自变量后减小了一点为0.549，但因为原始数据的减小，我们任然可以认为降雨量与相对湿度是造成误差加大的一个比较重要的原因。
5．2．4 为提高负荷预测精度对气象因素的选择
在SPSS软件中，有多种回归方法可供选择，现将回归方法改为逐步回归法。以地区二日最高负荷与各气象因素的回归分析为例，结果如下：
表9 地区二日最高负荷与部分象因素回归分析的模型汇总
由上表知模型3的可决系数为0.511，但相互差别不大。模型模型拟合程度
最高，DW 值为0.459，通过检验，说明残差项不存在一阶自相关。
表9 地区二日最高负荷与部分象因素回归分析的方差分析表
上表中可明显看出模型1的F 值最大，说明模型1的回归效果最显著。
表10 地区二的日最高负荷与各因素的相关系数表
因为模型1的回归效果最显著，因此可以认为最好的回归方程为
34670.460209.531y X =+。 同理，可得出其他经过筛选后的回归方程，结果如下表：
表11 对气象因素筛选后各个回归方程汇总表
综上，可认为在诸气象因素中，优先推荐平均温度。 5．3 问题三的模型建立与求解 5．3．1 ARIMA 预测模型的建立
一个时间序列通常存在长期趋势变动、季节变动、周期变动和不规则变动因素。时间序列的目的就是逐一分解和测定时间序列中各项因素的变动程度和变动规律，然后将其重新综合起来，预测统计指标今后综合的变化的发展情况。
采用ARIMA 模型对现有的数据进行建模，首要问题是确定模型的阶数，即相应的,q p 值，对于ARIMA 模型的识别主要是通过序列的自相关函数和偏自相关函数进行的。
序列t y 的自相关函数度量了t y 与t k y -之间的线性相关程度，用k β表示，定义如下：
k
k r r β=
式中：()()0cov ,;cov ,k t t k t t r y y r y y -==表示序列的方差。
自相关函数刻画的是t y 与t k y -分别与它们的中间部分121,,t t t k y y y ---+之间存在关系，如果在给定121,,t t t k y y y ---+之间的前提下，对t y 与t k y -之间的条件相关关系进行刻画，则要通过偏自相关函数kk ?进行，偏自相关函数可由下面的递推公式得到：
1111
1,j 111,j 1,1,1,1,1,2,
,1
k k k k j
j kk k k j
j k j k j kk k k j j k ?ββ?β??β????---=--=---=-=
-=-=-∑∑
AIC 准则既考虑拟合模型对数据底接近程度，也考虑模型中所含待定参数的个数。
关于ARIM(,)p q ，对其定义AIC 函数如下：
()2AIC(,)nln()2p q p q σ=++
其中2σ是拟合ARIM(,)p q 模型时残差的方差，它是(),p q 的函数。如果模型中含有常数项，则p q +被1p q ++代替。AIC 定阶的方法就是选择ARIM(,)p q 最小的(),p q 作为相应的模型阶数。
模型阶数确定后，就可以估计模型。主要方法有三种估计方法:据估计，极大似然估计和最小二乘估计。最小二乘估计和极大似然估计的精度比较高，因而一般称为模型参数的精估计。
5．3．2 ARIMA预测模型的求解
在数据处理的基础上，同样以地区一在时间点T0000的数据为例，做自相关分析，结果如下：
图5 地区一T0000的ACF图
图6 地区一T0000的PACF图
从图中可以看出，序列的自相关图（ACF）和偏自相关图（PACF）都是拖尾的，说明序列是非平稳的。数据序列通常不是平稳序列，但一般一阶差分都是平稳的，因此可以通过差分做进一步分析。
将差分设为1，绘制差分序列的序列图如下：
图7 地区一T0000的差分序列图
由图可以知道，差分序列基本均匀分布在0刻度线上下两侧，因此可以认为差分序列是平稳的。
图8 调整后地区一T0000的ACF图
图9 调整后地区一T0000的PACF图
由图可知，差分序列的ACF和PACF都是拖尾的，因此，可对序列建立ARIMA（p,1,q）模型。经过反复试验，确定模型为ARIMA（1,1,1），模型运行如下：依次点击“分析”，“预测”，“创建模型”，弹出时间序列建模器。可求出最后所需的结果，下表给出了地区一预测模型的部分统计量（详见附件3、附件4）：
表12 地区一预测模型统计量
从上表可看出2
R都在0.8以上，可证明拟合的结果比较科学。结果中给出了各个,p q的值，如下表所示：
浅谈电力系统短期负荷预测
龙源期刊网 https://www.360docs.net/doc/2813285268.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
负荷预测方法一
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。
电力负荷预测
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
电力系统短期负荷预测方法综述
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。
电力系统负荷预测
摘要 负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。讨论了年度负荷预测、月度负荷预测和短期负荷预测的特点、成熟 方法，分析了负荷预测问题的各种解决方案，并指出未来的主要研 究方向。根据国内电力系统负荷预测的实践和国外的经验，对我国 开展电力系统负荷预测工作提出了一些建议。 关键词：电力系统；负荷预测；模型；参数辨识 第一章引言 负荷预测是从已知的用电需求出发，考虑政治、经济、气候等相关因素，对未来的用电需求做出的预测。负荷预测包括两方面的含义：对未来需求量(功率)的预测和未来用电量(能量)的预测。电力 需求量的预测决定发电、输电、配电系统新增容量的大小；电能预 测决定发电设备的类型(如调峰机组、基荷机组等)。 负荷预测的目的就是提供负荷发展状况及水平，同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平，确定各规划年用电负荷构成。 第二章负荷预测的方法及特点 电力系统负荷预测的原理 通常来说预测电力系统负荷最直接最有效的方法是建立一个负 荷模型，该模型有两层含义：一是负荷的时空特性，二是负荷电压和频率特性。对于负荷的时空特性指的是随着时间与空间的不同分布，负荷的分布也会不同。这种负荷模型往往是比较复杂的，研究人员通常是采用负荷时间曲线来描述这种特性。这样负荷曲线以时间为依据，就可以分为日负荷、周负荷、季负荷以及年负荷；如果换成以时空角度为划分依据，则此曲钱又可分为系统、节点和用户三种负荷曲线；若按照负荷的性质来分，负荷曲线又可以分为工业、农业、市政以及生活负荷等。 在一般的安全运行的过程中，负荷模型指的就是未来时空特性，因此也可以将此作为负荷预测模型。通常负荷预测模型包含的内容是非常广泛的，在运行的过程中不仅能进行短期或者实时的负荷预测，还能在规划电力系统时做长期的预测。负荷的预测通常采用的是概率统计，有效地分析工具即为时间序列分析，由于是预测未来的负荷，所以会存在或多或少误差。对于未来负荷预测误差所产生的原因主要是一些不确定的因素与负荷变化的规律不一致，如某些自然灾害可能会导致停电，这样负荷曲线就会在事故时段出现一些突变。此时就不能依靠负荷预测模型所得出得结果了，因为有人的干预。但是也不能因为有不确定因素的存在就全盘否定负荷预测模型计算得出的结果，大多数情况下还是比较准确的。
基于BP神经网络的短期电力负荷预测
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
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
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
电力系统短期负荷预测毕业设计
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
浅析电力系统负荷预测方法
浅析电力系统负荷预测方法 发表时间：2017-10-18T18:11:03.780Z 来源：《电力设备》2017年第15期作者：梅宇1 杨畅1 徐明虎2 陈斯斯1 王硕1 [导读] 摘要：电力工业是国家在能源领域的重大基础行业，电力是国民经济的命脉，经济要发展，电力是先行，电力对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，现代文明社会已经处处离不开电力供应。 （1.国网辽宁省电力有限公司检修分公司辽宁锦州 121013；2.国网辽宁省电力有限公司技能培训中心辽宁锦州 121000）摘要：电力工业是国家在能源领域的重大基础行业，电力是国民经济的命脉，经济要发展，电力是先行，电力对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，现代文明社会已经处处离不开电力供应。负荷预测是目标网架规划的基础，提高负荷预测准确率，对电网发展的具有十分重要的意义。 关键词：负荷预测；电力系统；方法探讨 引言 电力工业是国家在能源领域的重大基础行业，电力是国民经济的命脉，经济要发展，电力是先行，电力对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，现代文明社会已经处处离不开电力供应。目标网架是城市电网规划的基础，确定电网发展的方向和目标，是近期规划和中长期规划的重要依据。为了提高电网规划方案的可行性，必须将城市电网目标网架规划纳入城市整体规划。负荷预测是目标网架规划的基础，提高负荷预测准确率，对电网发展的具有十分重要的意义。 一、电力系统负荷预测的特点 1、电力系统中的负荷一般分为城市的民用负荷、商业的负荷、农村的负荷、工业的负荷和其他的负荷等，不同类型的电力系统负荷会具有不同特点及规律。城市的民用负荷大多来自城市的居民家用电器的用电负荷，它有年年不断增长的趋势，并且随着季节的变化而变化，但民用的负荷还是和居民日常的生活及工作规律相关较为紧密。 2、商业的负荷，主要是指商业用电中的用电负荷，它覆盖的面积大，而且用电量增加的速度的平稳，商业的负荷同样也具有根据季节变化的波动特性。即使它在电力的负荷中占的比重不如工业负荷及民用负荷，但是商业负荷中的照明类的负荷占用了电力系统用电高峰时段。除此以外，商业部门因为商业行为会在节假日里会增加营业时间，因此成为节假日里影响电力负荷重要的因素之一。 工业负荷是指用在工业生产的用电负荷，一般的工业负荷比重在用电负荷里构成中居于第一位，它不仅仅由工业里负荷端的使用情况决定（也包括负荷的利用情况、企业工作班制度等），而且它和各个行业的特性及季节里的因素都有非常密切的联系，一般的负荷还是比较稳定的。 3、农村的负荷是指农村里居民用电及农业里生产的用电。这类负荷和工业里的负荷相比较，受到季节等其他自然环境的影响非常大，它是由于农业生产特点来定性的，农业的用电负荷同时也受到农产品的品种、耕种特点的影响，但是就电网系统而言，因为农业的用电负荷的集中时间和城市的工业的负荷使用高峰时间有很大差别，所以对于提高电网的负荷率很有好处。 从以上的分析可以发现电力的负荷特点是常常变化的，不仅按照小时变化、按日变化，而且还按周变化，按年变化，同时电力负荷又是以小时作为基本单位不断发生变化的，它具有很大的周期性，负荷的变化是个连续发展变化的过程，在正常的情况下，它不会产生大的跳跃，但是电力的负荷对于季节等因素是十分敏感的，在不同的季节，不同的地区的气候和温度的变化都将会对电力负荷造成十分重要的影响。 4、负荷预测目的是根据电力负荷的发展状况和水平，同时也确定各个供电公司计划的年供用总值，供用最大的电力负荷与规划的地区的总共负荷的发展水平，是由各规划的年用电负荷构成。它将为经济合理准确地安排各个电网内部的机组启停和检修，保持电网的运行安全和稳定性，电网发展的速度，电力的建设规模，电力工业的布局，能源资源的平衡，电力余缺的调剂和电网的资金以及人力资源需求和平衡等各个方面提供十分可靠的依据。 二、负荷预测的方法及特点 1、单耗法 按照国家安排的产品产量、产值计划和用电单耗确定需电量。单耗法分"产品单耗法"和"产值单耗法"两种。采用"单耗法"预测负荷前的关键是确定适当的产品单耗或产值单耗。从我国的实际情况来看，一般规律是产品单耗逐年上升，产值单耗逐年下降。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。 2、趋势外推法 当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t为自变量，时序数值y为因变量，建立趋势模型y=f（t）。当有理由相信这种趋势能够延伸到未来时，赋予变量t所需要的值，可以得到相应时刻的时间序列未来值。这就是趋势外推法。应用趋势外推法有两个假设条件：①假设负荷没有跳跃式变化；②假定负荷的发展因素也决定负荷未来的发展，其条件是不变或变化不大。选择合适的趋势模型是应用趋势外推法的重要环节，图形识别法和差分法是选择趋势模型的两种基本方法。 外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法、生长曲线趋势预测法。趋势外推法的优点是：只需要历史数据、所需的数据量较少。缺点是：如果负荷出现变动，会引起较大的误差。 3、弹性系数法 4、空间负荷密度法 空间负荷预测是对规划区域内负荷的地理位置和数值大小进行的预测，它提供未来负荷的空间分布信息。只有确定了配电网供电区域内未来负荷的空间分布，才能对变电站的位置和容量，主干线的型号和路径，开关设备的装设以及它们的投入时间等决策变量进行规划。由于空间负荷预测涉及大量的空间信息，地理信息系可以为空间负荷预测的数据收集、处理和预测结果的表示提供一个良好的平台。将GIS 引入空间负荷预测，可以极大地减少数据收集量，是空间负荷预测方法实用化的必要步骤。针对国内土地使用的实际情况，在空间负荷预测中采用了分类分区法，该方法是在分类负荷总量预测的基础上，根据城市规划用地图，计算分类负荷平均密度；再由小区面积构成、小区负荷同时率及修正系数求得小区最终负荷。同时，就分类分区法在预测过程中存在的一些问题进行了恰当的处理和改进。针对己有负荷预测软件在数据收集、统计，模型、方法选用，结果处理等方面存在的问题，在将传统、实用的常规预测方法用计算机加以实现的同时，
电力系统负荷预测的综合模型
电力系统负荷预测重要的组成部分就是序列量，其中序列量包含最大负荷数值以及电量数值等成分，当前得到社会各界广泛认可的是采用多样性的方法完成序列量的预测。首先要设定具体的条件，然后在该条件下进行一定的假定，然后通过单一的方法对包含的多个不确定因素进行分析，由于采用的方法较为单一，因此最后得到的参数与理想数值存在较大差别，因此需要进行修正，通常采用的是多种方法进行预测分析。实验过程中，采用不同的研究方法得到的分析结果也是不同的，各个数据之间具有较大的差异[32]，那种预测结果最为接近真实情况，与预测人员的经验以及日常积累的常识等存在密切联系，此外还要综合考虑国家各项能源政策以及产业结构之间的关系，根据当地的经济发展状况，使用综合方法，对相关的数据进行分析预测，然后完成对比分析，从而得到最终的参数。还有一种常用的负荷预测模型是加权处理，使用多种方法完成历史序列等数据的分析和预测，通过一定的方式完成权重的设置，最后对获得的数据进行综合判断出来，得到最终分析数据。 首先，针对使用到的序列预测方法，做如下定义： 定义1：有关预测、推理及拟合序列： 当获得某一物理量后，在要求的历史时间段范围内如n t ≤≤1的取值分别为 n x x x ,,,21 对于未知时段N t n ≤≤+1范围内进行预测分析，可以得到如下预测公式： N n t t S f x t 2,1),,(?== 其中，预测模型的参数向量的数值用S 表示，例如当预测模型为线性状态时， 则有：T t b a S t b a t t S f x ],[,),,(?=?+==有 此时可以计算得到各个时段的预测数值大小，分别为N n n x x x x x ?,?,?,,?,?121 +，此时会将序列n x x x ,,,21 称为原始数列，n x x x ?,,?,?21 为原始数列的预测序列，在未来的某个时段得到的相对应的子虚列N n x x ?,?1 +称为原始序列的推理数列。相应 的拟合时段主要指的是时段n t ≤≤1这一段范围，推理时段主要指的是时段N t n ≤≤+1这一段范围。 定义2：拟合残差、方差以及协方差 采用m 种方法对原始数列的数值n x x x ,,,21 进行预测分析，其中的第i 中预 测方法对原始序列的拟合序列为n x x x ?,,?,?21 ，因此能够得到有关拟合残差的数值 大小：
电力负荷预测
编号： 中国农业大学现代远程教育 毕业论文（设计） 论文题目（二号黑体，居中） 电力负荷预测 学生刘春艳Array 指导教师 专业电气工程及其自动化 层次专升本 批次 142 学号 w150101142349 学习中心包头轻工职业技术学院 工作单位无 2017年 2 月 中国农业大学网络教育学院制
注：红字将来不显示 论文格式要求 论文开本大小：A4纸； 页面设置：左边距：30mm，右边距：25mm；上边距：30mm，下边距：25mm。 封面：论文题目小于25个字，隶书、二号、加粗，其他项为隶书、三号； 摘要：300字左右，宋体、小四； 关键词：3～5个，宋体、小四、各关键词间距3个空格； 目录：内容为宋体、四号； 正文：宋体、五号，行间距18磅； 正文字数：本科至少6000字，专科至少4000字 一级标题：宋体、三号、加粗，段前段后间距为一行、左对齐、单列一行， 如：1 优秀毕业论文； 二级标题：宋体、四号、加粗，段前段后间距为一行、左对齐、单列一行， 如：1.1优秀毕业论文； 三级标题：宋体、小四号、加粗，段前段后间距为一行、左对齐、单列一行， 如：1.1.1优秀毕业论文； 参考文献：本科至少15篇，专科至少10篇，宋体、五号，书写格式应严格按照规范要求书写；摘要、目录、后记、参考文献、附录：作为标题要居中，其他格式同正文一级标题。 图（表）：标题宋体、小五号、加粗，内容宋体、小五号，表注为宋体、六号； 特殊说明：论文正文第一部分内容必须包括本文研究背景、研究现状、研究目的和意义。 其他具体细则见《中国农业大学现代远程教育毕业论文写作要求和格式规范》，要求学生的毕业论文稿件严格按上述规定进行整理，以符合规范要求。
电力系统短期负荷预测方法与预测精度综述_郭华安
研 20 （XJEDU2010116）
研究与开发 2011年第10期 21 据已有的资料和经验，运用一定的方法和模型，分析负荷本身及其有关因素的相互关系，编制负荷预测曲线。在预测过程中，由于受经济，政治，气象，时间等多种随机性因素的影响，短期负荷具有随机性和不确定性。总的来说，短期负荷预测具有以下明显特点： 1）不确定性 电力负荷受多种复杂因素的影响，且这些影响因素有时难以准确确定，这就会导致负荷预测结果的不准确。 2）条件性 负荷未来发展的不确定性，导致条件无法确定，因此就需要一些假设条件，在此基础上对负荷进行预测。 3）时间性 科学的负荷预测，要求有比较确切的数量关系和概念，因此，要指明预测的起止时间和历史样本的起止时间。 4）多方案性[4] 不同地区的负荷情况所采用的预测方案是不一样的，我们需要对各种情况下可能的负荷发展状况进行预测，这样短期负荷预测就具有多方案性。 5）周期性 由于人们在长期的社会活动过程中形成了特定的生产和生活方式，使负荷变化具有了一定的规律性，其中最典型的是年周期性、周周期性、日周期性，其中日周期性是日短期负荷预测和超短期负荷预测的依据和基础。 6）连续性 短期电力负荷是连续的，在负荷变化过程中，无论是负荷增加还是减少都要求负荷变化量在一定的范围之内，其外在表现就是负荷的连续性。 7）非线性 短期负荷的变化与其影响因素基本上不存在正比关系，这样在短期负荷预测中应用线性模型进行预测效果就会比较差。 8）相似性 在实际的负荷预测过程中，负荷预测结果在相对应的阶段呈现相近的情况，事实上，我们在负荷预测过程中使用类推法和历史类比法，就是基于这个特点。 1.2 影响负荷预测精度的因素 精度是负荷预测最重要的指标。在电力系统短期负荷预测中，影响短期负荷预测精度的因素是多方面的，但主要是以下几方面： 1）历史数据 历史负荷数据在很大程度上决定了未来预测负荷的水平，然而负荷预测所需的大量历史资料并不能保证其绝对准确可靠，在一定程度上必然会带来一些预测误差。 2）经济因素 经济环境的好坏和经济发展状况对负荷预测是有重要影响的。一般来说，经济发展比较好的情况下，负荷水平就提升的比较快；反之，负荷水平就会下降。 3）政治因素 例如军事冲突等，此类事件出现的概率很小，但是一旦出现就会对负荷造成重大影响。 4）气象因素 影响负荷的天气因素很多，在进行负荷预测时，往往预测模型只考虑研究对象的主要因素，而忽略了许多次要的因素，另外，再加上气象预报本身的不准确，会造成双重误差。 5）时间因素 时间的周期性和季节性变化、节假日等时间因素使负荷曲线在不同的时间范围内呈现出不同的特征。 6）样本因素 影响短期电力负荷预测的样本因素包括样本数量、样本质量和样本范围。在进行短期电力负荷预测时，不能仅仅考虑时间、历史数据因素，应该综合考虑影响负荷的各种因素，同时对各个因素进行定量和定性的分析，进而选择最佳样本，使预测更加准确。 7）预测模型 不同负荷预测模型所得出来的预测结果有时是有较大差别的，我们应根据地区实际和特点，选择精确的负荷预测模型。 8）其他因素 在确保电力市场经济性的的情况下，执行峰谷分时电价，在一定程度上对负荷曲线产生了影响；难以确定反映负荷周期性、趋势性以及与影响因素之间关系的样本数；有些突发事件，如拉闸限电、冲击负荷、停电检修和重大活动等都可能会对系统负荷产生很大的影响；大电网（网、省级）负荷变化一般都有较强的统计规律性，预测结果比较准确，
(完整版)电力负荷预测方法
电力负荷预测方法 朋友们大家好，很高兴与大家分享一下电力方面的知识。本节摘要是：负荷预测方法可分为确定性负荷预测方法和不确定性负荷预测方法。确定性负荷预测方法是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，包括时间序列预测法、回归分析法、经典技术预测法、趋势外推预测法等。不确定性预测方法基于类比对应等关系进行推理预测的，包括灰色理论预测法、专家系统法、模糊预测法、神经网络法、小波分析预测法等。 关键字：电力负荷预测方法... 负荷预测是电力系统调度的一个重要组成部分，是电力交易的主要数据源，也是电力系统经济运行的基础,任何时候,电力负荷预测对电力系统规划和运行都极其重要。近几年，随着我国电力供需矛盾的突出集电力工业市场化运营机制的推行，电力负荷预测的准确度有待进一步提高。 负荷预测方法可分为确定性负荷预测方法和不确定性负荷预测方法。 确定性负荷预测方法是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，包括时间序列预测法、回归分析法、经典技术预测法、趋势外推预测法等。
而为了解决实际电力负荷发展变化规律非常复杂不能用简单的显式数学方程来描述期间的对应和相关这一问题，许多专家学者经过不懈努力，把许多新的方法和理论引入到负荷预测中来，产生了一类基于类比对应等关系进行推理预测的不确定性预测方法。包括灰色理论预测法、专家系统法、模糊预测法、神经网络法、小波分析预测法等。 <一> 确定性负荷预测方法 一、时间序列预测法 时间序列分析法利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。 时间序列预测是依据电力负荷的历史数据建立一个时间序列的数学模型，通过时间序列的数学模型可以描述这个时间序列变换的规律性，同时在数学模型的基础上建立电力负荷预测的数学表达式，并对未来的负荷进行预测。电力负荷时间序列预测方法主要包括自回归AR（p）模型、滑动平均MA（q）模型和自回归与滑动平均ARMA（p，q）模型等。 按照处理方法不同，时间序列法分为确定时间序列分析法和随机时间序列分析法。时间序列模型的缺点在于不能充分利用对负荷性能有很大影响的气候信息和其他因素，导致了预报的不准