目 录
第一章 绪论 1
1.1 课题的研究意义 1
1.2 国内外负荷预测的研究现状 1
1.3 本文所做的主要的工作 4
第二章 短期负荷预测分析 5
2.1 负荷的特性 5
2.2 负荷预测的特点及基本要求 6
2.3 负荷预测的步骤 6
第三章 人工神经网络的负荷预测 8
3.1 人工神经网络概述 8
3.2 人工神经网络基本原理 9
3.3 负荷预测模型建立 12
3.4 仿真分析 14
第四章 向量机理的负荷预测 20
4.1 支持向量机概述 20
4.2 支持向量机的回归原理 21
4.3 向量机的负荷预测 23
第五章 结论 29
参考文献 30
致谢
第一章 绪论 1
1.1 课题的研究意义 1
1.2 国内外负荷预测的研究现状 1
1.3 本文所做的主要的工作 4
第二章 短期负荷预测分析 5
2.1 负荷的特性 5
2.2 负荷预测的特点及基本要求 6
2.3 负荷预测的步骤 6
第三章 人工神经网络的负荷预测 8
3.1 人工神经网络概述 8
3.2 人工神经网络基本原理 9
3.3 负荷预测模型建立 12
3.4 仿真分析 14
第四章 向量机理的负荷预测 20
4.1 支持向量机概述 20
4.2 支持向量机的回归原理 21
4.3 向量机的负荷预测 23
第五章 结论 29
参考文献 30
致谢
第一章 绪论
1.1 课题的研究意义
电力系统发展到今天，已经成为影响国家经济建设和人民生活的重要因素。电力系统的任务是为各类不同的用户提供可靠且经济的优质电能，以随时满足各类负荷的需求。负荷的大小和特性都是关系到电力系统的设计和运行的重要因素。因此预测电力负荷不但可以制定合理电源建设规划，而且可以合理的安排电网运行方式，从而降低发电成本。负荷预测已成为实现电力系统管理现代化的重要内容之一。
电能是不能大量存储的，电能的生产，输送，分配，消费都是同时进行的。所以，这要求发电和用电必须有计划性，使发电，输电，配电，用电达到平衡。准确的负荷预测可以帮助电力部门找到这种平衡，制定合理的发电计划。调度人员可以经济合理的安排发电机组的启动和停止，合理安排好旋转备用设备，在系统安全范围内，使发电成本降为最低，确保电网安全稳定运行。同时，在不同系统间的能量交换及负荷分配也要以准确的负荷预测为前提。随着我国电力工业步入电力市场，电力供需形式发生着变化。在电力系统内部实现厂网分开，竞价上网。准确的负荷预测成为电力企业制定购电和售电方案的基础，从而确保电网安全经济运行，为电力市场中的发电和供电商带来巨大的经济效益。
在时间上，电力系统负荷预测分为长期、中期、短期、超短期四类。长期和中期负荷预测常用于决定发电、输电、配电系统的安装容量，在电力系统扩容规划时选择设备的型号，编制年度水火电检修计划等；短期和超短期负荷预测则用于电力系统的控制和调度，作为潮流计算及偶发事故分析的输入量。所以对电力负荷进行准确地预测关系到电力系统安全运行，关系到国民经济的健康发展，关系到人民生活质量的提高。
1.2 国内外负荷预测的研究现状
电力系统负荷预测关系到电力系统运行的安全和经济，但是要使负荷预测达到一定的精度十分困难。在过去的几十年中，人们为了提高负荷预测的精度，研究出了许多种有效的方法用于负荷预测。
1.2.1 时间序列法
时间序列分析方法[4]将负荷数据当作一个随时间变化的序列来处理，通过寻找负荷历史数据中的变化模式，并将该模式外推到未来进行预测。这一类方法可以分为确定性时间序列分析方法和随机时间序列分析法。电力系统中的电力负荷是随机变化的序列，而时间序列分析法的因变量与自变量正是随机变量。所以使用时间序列分析法建立电力系统负荷预测模型是十分合适的。时间序列模型具有计算速度快、反映负荷近期变化的连续性的特点。但是其也存在对原始数据平稳性要求高，对天气因素考虑不足等缺点。
1.2.2 趋势外推法
趋势外推的基本假设是未来是过去和现在连续发展的结果。趋势外推法的基本理论是：决定事物过去发展的因素，在很大程度上也决定该事物未来的发展，其变化，不会太大；事物发展过程一般都是渐进式的变化，而不是跳跃式的变化掌握事物的发展规律，依据这种规律推导，就可以预测出它的未来趋势和状态。负荷的变化一方面有其不确定性，但在一定条件下，又存在着明显的变化趋势，一旦找到了负荷的变化趋势，按照该变化趋势就能对未来负荷情况做出判断，这就是趋势外推法。主要的负荷变化趋势有水平趋势、线性趋势及季节性趋势等，他们的共同特点就是只针对趋势进行外推，不对其中的随机成分做统计处理。趋势外推法计算简单，方法实用性较强，比较适合于短期预测中。但是，其对负荷变化中的随机成分考虑不足，精确性受到影响。
1.2.3 回归分析法
回归分析法[6]-[7]是根据历史数据以及一些影响负荷变化的外来因素来推断将来时刻的负荷值，主要采用多元线性回归模型建立负荷与影响其变化的因素之间的关系，影响负荷变化的因素很多，主要有温度，时间以及一些随机因素，其中温度尤其突出。回归分析法原理和结构简单，预测速度快，外推特性好等特点，但其对历史数据要求高，模型构建困难，无法详细的考虑各种影响负荷的因素。
1.2.4 灰色预测法
灰色系统理论是由我国学者邓聚龙教授首先在国际上提出来，用于解决信息不完备系统的数学方法。其显著特点就是用少量的数据做微分方程建立起预测的模型。在将一定范围内变化的历史数据进行累加，使其变成具有指数增长规律的上升形状数列，可以对生成的这个形状数列建立起模型。灰色系统将一切随机变化量看作是在一定范围内变化的灰色量。灰色预测法具有要求负荷数据少、不考虑变化趋势、运算方便、短期预测精度高、易于检验等特点，因此得到广泛应用，并取得了令人满意的效果。但是与其他方法比，也存在一定局限性。一是当数据离散程度越大，则预测精度越差;二是真正具有实际意义、精度较高的预测值，仅仅是最近的一、两个数据，所以周预测中后几天的预测值将会有较大的偏差。灰色预测法一般用于中长期负荷预测较多。
1.2.5 卡尔曼滤波预测法
卡尔曼滤波法[2]也可称为最优化自回归数据处理算法，其原理是建立状态空间模型，把负荷作为状态变量分解为确定分量和随机分量，用状态方程和量测方法来描述。在假定噪声的统计特性以知的情况下，卡尔曼滤波算法能递推地进行计算，适用于在线负荷预测。但是实际运用中，估计噪声的统计特性是个难点，这限制了卡尔曼滤波法的应用。
1.2.6 指数平滑预测法
指数平滑预测法使用过去数周的同类型日的相同时间的负荷组成一组时间上有序的数列，负荷预测计算时要对该数列进行加权平均运算。为减小误差应该加大新近数据的权系数减小陈旧数据的权系数以体现过程的时变性。
1.2.7 专家系统法
专家系统方法[11]是一种人工智能的计算机程序系统，这些程序具有相当于某个专门领域的专家的知识和经验水平，并能像专家那样运用这些知识，通过推理，在那个领域内做出智能决策。一个完整的专家系统是由四个部分组成:知识库、推理机、知识获取部分和界面。其对数据库里存放的过去几年的每小时的负荷和天气数据进行细致的分析，按照一定的规则推理进行负荷预测。专家系统进行负荷预测离不开预测人员的丰富经验和判断能力，但是专家知识转化为数学规则是特别困难的。
1.2.8 人工神经网络法
人工神经网络(ANN)作为一门新兴的交叉学科为揭示复杂对象的运行机理提供了一条新的途径。运用神经网络技术进行电力负荷预测，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。人工神经网络技术[12]-[14]的主要优点在于它不需要任何负荷模型，由于具有高度非线性泛化和并行处理能力，不依赖于人工的经验，通过学习获得系统输入和输出间的函数连接关系。人工神经网络不是首先确定一个函数形式，而是通过训练历史数据，得出历史数据和预测负荷的关系。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。同时神经网络的结构确定，输入变量的恰当选取，隐含层数目的大小等问题都要在实践中进行摸索。尽管有许多不足，人工神经网络预测法仍有很大地运用前景，值得进一步研究和开发。
1.2.9 支持向量机法
近年来，由贝尔实验室提出的支持向量机做为数据挖掘的一项新技术，应用于模式识别和处理回归问题等诸多领域，与传统的神经网络学习方法不同，支持向量机[8]-[9]实现了结构风险最小化原理，对未来样本有较好的泛化性能。其训练等价于解决一个线性约束的二次规划问题，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。解中只有一部分不为零，对应的样本就是支持向量。支持向量实际上是训练集的子集，对支持向量的最低分类等价于对训练集的分类。由于在解决有限样本、非线性及高维识别中突出体现了其优势，而电力负荷变化规律又有极强的非线性，故支持向量机在电力系统负荷预测中的应用研究正在成为研究热点。
1.3 本文所做的主要的工作
短期负荷预测对电力系统的控制和调度十分重要。提高负荷预测尤其是短期负荷预测的精度已成了当务之急。负荷预测难点在于方法和模型的确立，预测的精度难以保证。本文就短期负荷预测问题进行了以下方面的主要工作：
（1）负荷理论研究。对电力负荷变化的内在规律负荷特性以及在负荷预测中要考虑的相关因素进行研究，包括负荷的分类及特性，影响负荷变化规律的因素等。对负荷预测中要考虑的相关因素进行了规范化处理，为以后负荷预测模型建立打下了基础。
（2）利用人工神经网络进行短期负荷预测数学模型的构建。以人工神经网络为基础结合负荷变化特点，选取合适的输入变量，确定网络结构及权值、阀值，设置合适的训练函数。使用MATLAB人工神经网络工具箱，对负荷历史数据仿真，检验使用人工神经网络法进行负荷预测的效果。
（3）利用支持向量机原理进行短期负荷预测数学模型的构建。将支持向量机用于回归计算，建立短期负荷预测数学模型。使用MATLAB中的LSSVM工具箱，对负荷历史数据仿真，检验使用支持向量机法进行负荷预测的效果。
（4）将支持向量机法与人工神经网络法进行误差比较，并分析各自的优缺点。
第二章 短期负荷预测分析
2.1 负荷的特性
负荷预测是根据负荷过去的历史资料建立恰当的数学模型对未来的负荷进行预测，所以了解负荷的特性对掌握负荷预测本质提高负荷预测的精度有重要的意义，尤其是对精度要求较高的短期负荷预测。电力系统负荷一方面在一定条件下电力负荷按一定趋势有规律地发展变化，如具有按天、按周、按年的周期性变化特点；另一方面有其不确定性，这是因为用户要求总有一些偶然性的变化且气象条件的变化比较复杂且没有固定的规律。因此在进行电力系统的短期负荷预测时，针对负荷变化的这些特点既要充分分析掌握并利用其规律性又要兼顾各种因素的影响。本论文将任意时刻的负荷假设为以下4种成分的组合针对每种成分的特性分别进行分析然后在预测模型中分别考虑各种成分如何处理.
（1）正常负荷分量
正常负荷也称为典型负荷分量，它与气象无关具有线性变化和周期变化的特点。典型负荷的不同主要是由于各地负荷组成方式的不同所引起。它的变化规律主要体现在负荷变化的周期性，这种周期性变化是负荷的一种内在规律，究其原因，是人类的生产、生活具有规律性。具体的周期性体现在负荷具有日周期性、周周期性、年周期性和节假日特性。负荷变化的周期性是分析负荷预测的基础，也是短期负荷预测的关键。
（2）天气敏感负荷分量
天气敏感分量主要和一些天气因素有关，例如:湿度、温度、风力、日照、能见度等等，对短期负荷具有非常明显的影响效应。不同的天气因素对负荷的影响力不同，不同时期天气因素的对负荷的影响也不一样，这些特点决定了负荷的季节性周期变化规律。随着我国人民生活水平的提高，城市空调的用电比例发展较迅速，在许多大中型城市已经出现了夏季负荷高峰，在冬季用空调取暖也很普遍，可见温度与负荷变化关系密切。由于气候条件包含很多因素，且气象数据很难准确到具体时间具体地点，本文重点考虑了温度对负荷的影响。
（3）特殊事件负荷分量
异常和特殊事件使负荷明显偏离正常负荷特性，比如:系统故障、拉闸限电、政治事件、特殊节目、自然灾害等等。这类事件具有很强的随机性，难以预测，只能依靠调度人员的经验判断。可以通过人工修正加以改进。
（4）随机负荷分量
负荷序列本质上就是一个随机序列，负荷的随机分量是负荷中的不可解释部分。在短期负荷预测中，有些影响因素是不确定的，不可预料的，会对电力系统负荷造成冲击，产生随机负荷。
2.2 负荷预测的特点及基本要求
由于负荷预测是根据电力负荷的过去和现在推测它的未来发展趋势和状况的活动，所以这项工作是一件不确定事件。必须科学的总结出预测工作的特点。负荷预测有以下显著特点：不准确性、条件性、地区性、多方案性。
负荷预测的不准确性体现在电力负荷发展是不确定的。它受到各种复杂因素影响，未来不可知。我们的出的负荷预测结果都是不完全准确的，它只是一个概率值。
负荷预测的条件性体现在负荷预测的过程是一个由历史向未来递推的过程，是在一定条件下做出的。条件可分为必然条件和假设条件两种。利用电力负荷预测的本质规律，这就是必然条件，而由于负荷未来发展的随机性，需要一些假设条件。
负荷预测的地区性体现在不同地区负荷构成的比重是不同的，因此影响负荷的因素的敏感性有所不同。
负荷预测的多方案性体现在不同数学模型的使用条件是不同的。为了减小预测误差，要考虑不同负荷条件下建立模型。
负荷预测的目的是得到合理、可信的预测结果。因此负荷预测应满足以下的基本要求：基础资料合理性，统计分析的全面性，预测手段的先进性，预测方法的适应性。
（1）基础资料合理性要求搜集和掌握大量全面、准确的资料，对历史数据进行合理性分析。
（2）统计分析的全面性要求对大量的历史资料，要进行客观而全面的统计分析。反复研究和分析历史发展的内在规律性，为预测工作打好基础。
（3）预测手段的先进性要求预测工具与预测理论都要先进。本文使用MATLAB工具箱，采用人工神经网络法和支持向量机法进行预测，满足先进性要求。
（4）预测方法的适应性要求预测方法能适应负荷结构和电网发展。由于电力系统负荷预测是在一定的假设条件下进行的，其中包括许多不确定的因素，因此要求预测方法要有适应性。
2.3 负荷预测的步骤
电力系统短期负荷预测是根据己知的历史负荷数据对未来几天或几小时的负荷情况进行预测。负荷预测基本步骤如下：
（1）调查和选择历史负荷数据，对负荷数据的预处理
多方面收集资料，从众多的资料中挑选出有用的一小部分。对历史资料进行数据分析预处理时，应剔除那些坏数据，保证资料的完整无缺，数字准确无误，同时做好数据归一化处理。
（2）建立负荷预测模型
对具体资料要选择恰当的预测模型，这是负荷预测过程中至关重要的一步。当由于模型不当导致预测误差过大时要改换模型。同时可以采取几种不同的模型进行运算，以便对比、选择。
（3）负荷预测的误差分析
由于负荷预测只是一种对未来负荷值的估算，不可避免地，它与客观实际之间仍然存在着一定的差距，这就是预测误差。研究产生负荷预测误差的原因，计算并分析误差的大小是很有意义的。这样不但可以认识预测结果的准确程度，从而在利用预测资料作决策时具有重要的参考价值，同时它对于改进负荷预测工作、检验和选用恰当的预测方法等方面也有很大的帮助。
误差的产生一方面是由于负荷预测模型简化了很多次要因素，这使模型与实际负荷之间存在差距。这样进行预测时无可避免的会与实 /际负荷产生误差。另一方面进行预测所需的大量历史资料并不能保证其准确可靠，且某种意外事件的发生或情况突然变化，同样会造成预测误差。同时，预测方法的选择也很重要，如果选择不当，将随之产生误差。
第三章 人工神经网络的负荷预测
3.1 人工神经网络概述
3.1.1 人工神经网络概念及发展历史
人工神经网络是基于对人脑组织结构、活动机制的初步认识提出的一种新型信息处理体系。通过模仿脑神经系统的组织结构以及某些活动机理，人工神经网络可呈现出人脑的许多特征，并具有人脑的一些基本功能。神经网络定义下：一个神经网络是由一个有处理单元构成的并行分布的信息处理结构，处理单元通过被称之为连接的单向信号通道而连在一起，每个单元有一个输出并将其输入到与之相连的连接中去，所有的处理过程经过每个处理单元时都是完全局部的，即它只依赖于其当前的与之相连的输入信号，并且将其值存储于处理单元的局部记忆之中。
神经网络最早的研究从是40年代开始的，发展大致经过三个阶段。1947至1969年为初期，在这期间科学家们提出了许多神经元模型和学习规则。1970至1986年为过渡期，这个期间神经网络研究经过了一个低潮，主要是对于多层网络，如何找到有效的学习算法问题。1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究形成神经网络发展的另一个高潮。我国最早涉及人工神经网络的著作发表于1980年。
3.1.2 人工神经网络特点及在负荷预测中的应用
神经网络模型是由大量的简单神经元组成的非线性系统，每个神经元的结构和功能都比较简单，仅仅是对输入信号的加权求和，而大量的神经元组合产生的系统行为却非常复杂，下面从结构、性能和能力三个方面介绍人工神经网络的基本特点。
（1）结构特点：信息处理的并行性、信息存储的分布性、信息处理单元的互联性、结构的可塑性。神经网络模型是由大量的简单神经元组成的非线性系统，每个神经元都是并行活动使网络呈现出丰富的功能并具有较快的速度。结构上的并行性必然导致信息存储的分布性。
（2）功能特点：高度的非线性、良好的容错性和计算的非精确性。神经元的并行工作必然使整个网络呈现出高度的非线性，而信息存储的分布性使网络有了很好的容错性。
（3）能力特点：自学习、自组织与自适应性。神经网络能在外部刺激下按一定规则调整神经元之间的突触连接，逐渐建立神经网络，这一构建过程是网络的自组织。神经网络还有改变自身的性能以适应环境变化的自适应性，它是神经网络的一个重要特性。
从人工神经网络的特点中可以看出，人工神经网络在处理人们日常生活中大量遇到的模糊、随机、低精度信息等方面具有不可低估的应用价值和良好前景，并将在传统计算机所不擅长的应用领域中发挥作用。负荷预测是人工神经网络应用于电力系统研究的最早，也是研究较多的一个重要课题。目前，电力负荷预测已有许多方法，大多数都有相应的理论基础和可行性证明。但人工神经网络与它们相比，具有突出的优点。
（1）人工神经网络不需要建立固定结构的数学模型，只需把己有的数据交给网络，网络会通过训练来选择自己的模型结构和参数，而且一般都能很好的解决问题。
（2）在负荷数据中往往伴有大量的噪声，而人工神经网络能比其它方法更能容忍噪声。
3.2 人工神经网络基本原理
神经网络模型是以神经元的数学模型为基础来描述的，在数学上的神经元模型是和在生物学上的神经细胞对应的。
3.2.1 人工神经元模型
............略
