毕业设计基于神经网络的电力系统负荷预测的研究（含外文翻译）.doc

本科毕业设计（论文）基于神经网络的电力系统负荷预测的研究牛艳霞燕 山 大 学2009年6月本科毕业设计（论文）基于神经网络的电力系统负荷预测的研究学院（系）： 里仁学院 专 业： 工业自动化 学生 姓名： 牛艳霞 学 号：051203011009 指导 教师： 杨晟刚 答辩 日期： 燕山大学毕业设计（论文）任务书学院：电气工程学院 系级教学单位：自动化系 学号051203011009学生姓名牛艳霞专 业班 级工自1班题目题目名称基于神经网络的电力系统负荷预测的研究题目性质1.理工类：工程设计 （ ）；工程技术实验研究型（ ）；理论研究型（ ）；计算机软件型（ ）；综合型（ ）2.管理类（ ）；3.外语类（ ）；4.艺术类（ ）题目类型1.毕业设计（ ） 2.论文（ ）题目来源科研课题（ ） 生产实际（ ）自选题目（ ） 主要内容1建立电力系统的神经网络预测模型。2根据模型进行仿真实验。3撰写毕业设计论文。基本要求1学习和掌握神经网络的预测方法。2完成电力系统负荷仿真计算。3完成毕业设计论文。参考资料1电力系统相关资料。2预测理论相关资料。3神经网络理论相关资料。周 次第14周第58周第912周第1316周第17周应完成的内容查阅相关参考资料，了解电力系统负荷模型和神经网络理论。建立电力系统负荷预测模型。完成电力系统负荷预测的仿真实验。准备资料，开始撰写毕业论文完成毕业论文的撰写，绘制图纸，准备答辩。指导教师：杨晟刚职称： 2008年12 月28 日系级教学单位审批： 年 月 日摘要电力系统对各类用户尽可能地提供经济、可靠而合乎标准要求的电能，以随时满足各类用户的要求。但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，这就要求电力系统发电时刻紧跟系统负荷的变化，保持动态平衡，否则，就会影响供用电的质量，危及系统的安全与稳定。由此负荷预测成为电力系统运行调度中一项非常重要的内容，它是保证电力系统安全经济运行和实现电网科学管理及调度的重要方面，也是今后进行电网商业化运营所必需的基本内容。随着科学技术的发展，负荷预测技术也有当初的依赖电力调度人员技术的传统预测方式发展到现在的自动预测技术，负荷预测能够考虑到更多的影响负荷变化的因素，预测水平和精度不断提高。本文侧重于一种新兴预测技术，基于神经网络的电力系统负荷预测。本文首先简单介绍几种传统的负荷预测技术，引出神经网络预测技术。接着介绍负荷预测原理和神经网络原理，指出本文所用网络模型BP网。然后具体介绍BP网络相关原理及其设计，最后以南方某城市的电力负荷历史数据为例介绍神经网络预测技术。关键词神经网络；负荷预测技术；BP网络AbstractPower System provides economic, reliable and standardized power to various type of user as much as possible to meet their requirements. However the unique strait of electric power that it can not be stored requires the power to keep pace with the load and to keep balance, or it will have bad affect of the quality and endanger the systems security and stability. The power system load forecasting has one of the important items of the scheduling of the system, and which is an important aspect lf ensuring systems safe and economic operation and realizing the scientific management and scheduling of the system, but also it is the necessary elements of the commercial operation of the power grid in the future.With the development of science and technology, load forecasting has developed by the traditional means relying on the experiences of the technician to the automatically forecasting technology, which is able to contain more factors impacting the changes of the load. The level and accuracy of load is increasing improved. This article focuses on a new prediction technique, the power system load forecasting basing on neural network.This paper introduces several traditional load forecasting techniques briefly for the first, and then leads out neural network prediction. The next two chapters are devoted to load forecasting theory and neural network theory, pointing out the network model BP network used in this paper. The last chapter relates to the principle of BP network and its design concretely, and finally takes a southern city's power load data as an example to introduce the neural network forecasting technology.Keywords neural network；load forecasting technology；BP network 目 录摘要IAbstractII第1章 绪论11.1 课题背景及意义11.2 国内外研究现状11.3 人工神经网络在负荷预测中的应用61.4 本文的研究内容71.5 本章小结7第2章 电力系统负荷预测分析92.1 负荷预测基础知识92.1.1 负荷预测的基本原理92.1.2 负荷预测的特点102.1.3 影响负荷变化的因素102.2 负荷预测误差分析102.3 负荷预测基本程序132.4 本章小结14第3章 神经网络基本原理163.1 神经网络基础知识163.1.1 人工神经元模型163.1.2 人工神经网络模型193.1.3 人工神经网络的特性193.2 神经网络算法203.3 BP网络203.3.1 BP网络模型与结构203.3.2 BP算法213.3.3 BP网络的功能273.4 本章小结27第4章 基于神经网络的电力系统负荷预测284.1 神经网络预测模型284.1.1 样本集的设计284.1.2 网络结构设计294.1.3 参数的选择304.1.4 输入输出数据预处理314.1.5 网络训练与测试334.2 网络仿真结果334.3 BP网络的改进354.4 本章小结35结论36参考文献37致谢39附录15附录26附录37附录417第1章 绪论1.1 课题背景及意义电力系统的任务是给用户不间断地提供优质电能，满足各类负荷的需要。负荷预测是在考虑各种影响的条件下，利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的条件下，确定未来某特定时刻的负荷值。负荷预测按时间期限进行分类，通常分为长期、中期、短期、超短期负荷预测。电力系统负荷预测是电力生产部门的重要工作之一，对于电力系统控制、运行和计划的意义非常重要。负荷预测的结果对于机组启停的安排及新的发电机的安装，对于电网的增容和改建，对于旋转备用容量大小的安排、检修计划安排的合理性、发电成本及经济效益都有重要影响。未来时刻的电力系统调度安排取决于负荷预测的结果，因此其结果的准确性直接影响调度结果，进一步对电力系统的安全运行及其经济性带来重要影响。电力负荷变化受多方面影响。在为解决电力垄断而实行的市场化运营条件下，由于电力交易更加频繁及经营主体的差别，会出现各种不确定性因素，另外电价对于负荷变化的影响逐渐增强，是的负荷预测更加困难。市场各方更加重视信息的获取，准确的预测结果对于电力经营主体的运行效益有直接影响，因而对负荷预测精度又提出更高要求。但目前的负荷预测是人工进行的，是调度人员根据经验寻找相似日直观的预测，且仅限于提前一天的预测。因此需要一个自动的预测系统，以满足机组调动及经济效益的需求，且该系统要能减少对调度人员经验的依赖性并适应于不同的精度要求。因此，电力负荷预测水平成为衡量一个电力企业的管理是否走向现代化的标志之一，尤其在电力事业高度发展的今天，用电管理走向市场，电力负荷预测问题的解决也成为我们面临的艰巨而重要的任务。1.2 国内外研究现状国内外许多学者对此进行了研究，发展至今，已提出了许多测试方法，并在预测中应用最新的数学成果，预测水平得到迅速提高，预测研究取得了很大进展。负荷预测的核心问题是预测的技术方法，即预测数学模型的建立。随着现代科学技术的发展，预测理论技术得到了很大改进，理论研究得到逐步深入。例如在国内，华北电力大学的陈志业、牛东晓教授等先后对此进行了研究，开发了适合短、中、长期各类负荷预测的应用软件包，分别通过了电力工业部和有关网省局的技术鉴定，鉴定认为负荷预测模型的研究达到了国际先进水平，并已广泛的应用于华北电网各个地区1。现已有的预测技术可分为定性的经验预测技术及依赖于数量模型、定量的预测技术。在实际应用中，经验技术方法的预测精度并不比定量方法的预测精度差，甚至比某些定量方法的预测精度更高，尤其是在含有天气突变、重大事件等不确定性因素的特殊情况下。经验技术方法不是依靠模型分析，而主要是依靠专家的判断，其结果只是给出一个方向性的结论，这个结论也可能是数值型的。常用经验技术有专家预测法（通过召开专家会议，面对面讨论问题或采用匿名方式独立发表各自的意见）、类比法（对类似事物作类比分析，通过已知事物预测未知事物）、主观概率预测法（综合若干专家估计的特定事件发生地主观概率p=Q/N）。经典技术包括：单耗法（平均单位用电量*该产品产量）、负荷密度法（某地区用电密度*人口数或土地面积）、比例系数法（假定以后与过去有相同的电力负荷增长比例，用历史数据求出比例系数，按比例预测未来发展）、弹性系数法1。以下简单介绍一下实际应用中的传统技术方法。（1）平滑预测方法 平滑预测法是对收集到的负荷变化的T期数据，根据预测中“重近轻远”的原则，加以不等权，加大新近数据的权系数，减小远期数据的权数，以加强近期数据的作用，弱化远期数据的影响。（2）回归模型预测技术 电力负荷回归模型预测技术就是根据负荷的历史资料，用数理统计中的回归分析方法，建立回归模型，对观测数据进行统计分析，研究随机变量与可控量之间的关系，对未来负荷进行预测。回归预测包括线性回归与非线性回归。由于在实际中，负荷受多方面影响，分析变量间关系就要用到多元回归。多元线性回归模型的数学表达式： （1-1）其中是线性可控量，是与可控量无关的未知参数，是未知误差。模型经参数估计与检验后，既可用于预测。设定预测点，代入式（1-1）得观察值为，其预测值为 （1-2）预测误差为 （1-3）以上介绍的是线性回归模型，但在实际中多是非线性的变量关系，有些特殊情况可以通过适当的变量代换，转换线性相关问题，以简化研究过程2。回归分析具有原理简单，预测速度快等特点，但其具有下述弱点，使其应用具有较大的局限性：1）要求大量的样本；2）要求样本有较好的分布规律与确定的发展趋势；3）计算工作量大；4）可能出现量化结果与定性分析结果不符的现象。此类方法实用于电力系统的中期负荷预测3。（3）时间序列预测技术 一个随着时间变量变化的量，在不同时刻的观察组成的离散有序集，称为一个时间序列。电力负荷的历史数据即为有序集合，这个集合就是一个时间序列，用这个序列模型分析负荷变化规律并对该序列在未来时刻的变量作出预报，就是负荷预测的时间序列法1。在经过模型识别、参数估计及模型检验后，该模型用于负荷预测。该方法计算速度快，能反映负荷近期变化的连续性，但对模型的平稳性要求较高，且没有考虑天气变化对负荷的影响。（4）灰色预测技术 灰色预测是用灰色模型GM(1，1)、GM(1，n)进行定量的分析。灰色理论用累加生成、累减生成、均值化生成、及比生成、灰数的白化函数生成等灰色系统生成方式把原始数据进行整理求得随机性化弱化、规律性强化了的生成数。用此生成数建立微分方程即为灰色建模。对模型的精度和可信度进行校验并修正后即可据此模型预测未来的负荷。此法适用于短、中、长三个时期的负荷预测。灰色预测具有要求负荷数据少、不考虑分布规律、不考虑变化趋势、运算方便、短期预测精度高，易于检验等优点。但也存在当数据离散程度越大，即数据灰度越大，预测精度越差这样的缺点。因此其应用也存在一定的局限性。为了解决这一问题，人们对灰色预测做了很多改进，希望这一技术成为研究负荷变化规律的新型有效技术5。随着预测理论技术的不断发展，新的预测方法不断出现，以下简单介绍几种预测技术的新方法。（1）优选组合预测技术 优选组合预测是预先选择若干预测模型，计算每一种预测模型在近期的预测误差，可采取一定的加权方式对这些误差进行加权组合，也可在这些模型中选择拟合优度最佳或标准误差最小的预测模型进行预测的方法4。常用组合技术有：等权平均组合预测法、方差协方差优选组合预测法、回归组合预测法、模型群优选组合预测法。在单个预测模型不能完全正确地描述预测量的变化规律时采用组合预测方法，取各个预测模型之长而避其之短。因其建立在最大信息利用的基础上，最优组合了多种单一模型所包含的信息，从而改善预测效果。但优选组合预测法在建立模型时也受到两方面的限制：一是不可能将所有在未来起作用的因素全包含在模型中；二是很难确定众多参数之间的精确关系。所以其预测精度的提高很受限制。（2）专家系统预测技术 对于各种可能引起负荷变化的情况，还需要预测人员的经验与判断力。专家系统预测是一个用基于知识的程序设计方法建立起来的计算机系统，它拥有某个领域内专家的知识和经验，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由四个部分组成：知识库、推理机、知识获取部分和界面，其中最重要的部分是知识库。专家系统法是将人类的不可量化的经验进行转化的一种较好的方法，从前述专家的观点找出历史负荷数据和温度之间的对应关系，运用知识、经验和经验系统操作器的模拟推理负荷预测。若能将它与其他方法有机地结合起来，构成预测系统，将可得到满意的结果。此方法能克服单一算法的片面性，且具有快速判断的优点。但把专家知识和经验等准确的转化为一系列规则是非常不易的，因此应用又不方便。（3）小波分析预测技术 小波分析（Wavelet）是本世纪数学研究中最杰出的代表，由于其在理论上的完美性及在应用上的广泛性，受到了科学界、工程界的高度重视。小波分析是一种时域-频域分析方法，它在时域、频域内同时具有良好的局部化性质，且能根据信号的频率自动调节采样疏密。它容易捕捉和分析微弱信号以及信号、图像的任意细小部分。以下优点决定了小波分析可以有效地用于负荷预测的研究：1）能对不同的频率成分采用逐渐精细的采样步长，从而可以聚焦到信号的任意细节；2）对奇异信号很敏感，能很好地处理微弱或突变的信号；3）能将一个信号的信息转化成小波系数，从而能方便地加以处理、存储、传递、分析或用于重建原始信号。电力系统负荷具有周期性，即以天、周、年为周期发生波动，大周期中套有小周期。由于小波信号能将不同频率的混合信号分解成不同频带上的块信号，因此对负荷序列进行小波变换将负荷序列投影到不同的尺度上，这样各个尺度上的子序列代表了原序列中的不同频域分量，更清楚地表现了负荷序列的周期性。对不同的子序列进行预测，最后通过序列重组，得到完整的负荷预测结果，其精确性比直接用原负荷序列进行预测有一定改进6。（4）神经网络预测技术 负荷曲线是与很多因素相关的一个非线性函数，对于抽取和逼近这种非线性函数，神经网络是一种合适的方法。神经网络预测技术是刚刚兴起的一种方式。它可以模拟人脑对各种信息进行智能化处理，具有学习和自适应功能，是以往算法和技术所不具备的。预测被当做人工神经网络（ANN）最具潜力的应用领域之一。利用人工神经网络（ANN），选取过去一段时间的负荷作为训练样本，构造适宜的网络结构，用某种训练算法对网络进行训练，学习训练数据中所蕴涵的规律，并将这种规律保存在自己的权值矩阵中，满足精度要求之后，用于负荷预测。一般而言，ANN应用于短期负荷预测要比应用于中长期负荷预测更为合适。因为短期负荷变化可以认为是一个平稳随机过程，而长期负荷预测与国家或地区的政治、经济、政策等因素密切相关，通常会有些大的波动，而并非是一个平稳随机过程7。1.3 人工神经网络在负荷预测中的应用人工神经元网络（ANN）适于解决时间序列的预测问题，尤其是平稳随机过程的预测。其在负荷预测中的应用理论上是可行的。（1）首次采用ANN进行电力系统负荷预测采用的是BP模型，用不同的输入预测不同的负荷。采用的模型结构比较简单，且只限于预测日。用于网络训练的样本数据为历史数据，但未做适当的预处理，训练时间较长。一些学者在此基础上进行研究，提出了BP模型的自适应算法，适于解决样本数据不太平稳时的训练问题且速度快，在短期负荷预测方面比标准算法有效。（2）对于样本的选取，有关文献提出了在历史数据中选取与预测时间的特征量相似的数据，以减少样本数据，加快训练速度。有关文献还提出了对样本数据进行处理的一些方法，并设计了BP模型的一种变形结构，在输入输出间增加线性连接，大大改善了BP网的性能。（3）利用自适应线性元件（Adaline）提前一周预测某天的负荷，采用谱分析法对负荷进行分解，每个分量都用一个Adaline模型。这种模型算法速度快，但只能解决线性问题8。但人工神经网络方法具有难以科学确定网络结构、学习速度慢、存在局部极小点、记忆具有不稳定性等固有缺陷。目前，研究负荷预测偏重于将各种算法的优点结合从而提高预测的精度。如将模糊算法与随机时间序列（ARMAX过程）相结合、将模糊和专家系统相结合、将模糊算法和神经网络结合。这些算法对于负荷预测的精度有一定的提高，但同时也增加了负荷模型的复杂性。1.4 本文的研究内容本文以南方某城市的负荷数据为研究对象，介绍基于神经网络的短期负荷预测系统。研究的前提是已知该地区的历史负荷数据，即2004年7月10日到7月20日的正点有功负荷和预测日的天气特征，即2004年7月11日到7月21日的天气特征。本文所做的工作可以归纳为以下几点:（1）本论文根据该城市的历史负荷数据，分析影响预测的各种因素，如负荷的组成，负荷区域以及影响负荷变化的天气因素，提出负荷类型。本文所做预测为短期负荷预测。（2）介绍负荷预测，总结国内外负荷预测技术，主要包括负荷预测的分类、特点及特性的分析；负荷预测的基本模型的概述；总结国内外负荷预测的传统技术及新技术，重点分析人工神经网络在负荷预测中的应用。依据功能要求，提出误差反传播算法。通过介绍神经网络原理，引出BP网络，介绍BP网络及其误差反传播算法，及其改进。（3）介绍网络设计过程，根据负荷特性及其影响因素，确定本文所用具体神经网络模型。（4）以该城市为例进行负荷预测，通过Matlab神经网络工具箱进行模型仿真计算，进行训练网络及测试，确定神经网络算法的可行性。1.5 本章小结本章主要介绍了该课题的研究背景和意义，介绍了负荷预测研究的国内外研究现状，其中包括传统预测方法和随着科学技术发展产生的新技术方法，并介绍了一种新技术-神经网络技术在负荷预测中的应用。最后引出本文的研究内容。 第2章 电力系统负荷预测分析电力负荷预测是电力系统用电、调度、计划、规划等管理部门的重要工作之一。提高负荷预测水平，有利于规划电源建设，有利于计划用电管理，有利于降低发电成本，提高电力系统的经济效益和社会效益，在当前电力系统市场化的趋势下，负荷预测已成为电力市场交易管理系统中必不可少的一部分。2.1 负荷预测基础知识负荷指电力需求量或者用电量，即发电厂或电网在某一瞬间所承担的工作负荷，或连接在电网的用电设备在某一瞬间所消耗的功率之和。负荷预测是根据现有历史数据，在考虑各种影响负荷预测因素及满足一定精度要求的条件下，分析负荷变化规律，以确定未来某时刻的负荷值。负荷预测有多种分类标准，例如按时间分为：长期、中期、短期、超短期负荷预测。2.1.1 负荷预测的基本原理负荷预测是根据负荷变化规律，预测和判断负荷未来变化趋势和状况，用于指导工作。其基本原理有：（1）可知性原理 对于电力负荷的发展规律，其未来的发展趋势是可以根据现有数据预测到的。（2）相似性原理 相似性原理是指根据一个已知的相似事物的发展状况预测某事物的发展过程。可以根据已建成的具有可比性的开发区的用电负荷去预测一个将要建设的开发区的用电量，据此进行对象地区的电力规划与建设。（3）反馈性原理 反馈是利用输出信号反馈到输入端，进而调整预测系统精度，提高系统预测的准确性。（4）系统性原理 预测对象是无论本身还是与外界相联系都是一个完整的系统，因而进行负荷预测时，只有系统整体最佳预测，才是高质量的预测。2.1.2 负荷预测的特点电力负荷预测是根据电力负荷的过去和现在值推测它的未来值。所研究的对象是不确定事件，因此需要采用适当的预测技术，推知其发展状况。这就使得负荷具有以下特点：（1）预测结果的不确定性 电力负荷的发展受多种复杂因素的影响，这些因素是发展变化的，如社会经济发展、人口增长、全球气候变化等。人们对有些因素能预先估计，有些因素则不能或很难被准确预见，同时，预测方法与理论的不断更新，也将影响到预测的精度。（2）预测的条件性 各种电力负荷预测都是在一定条件下做出的。这些条件有必然条件和假设条件，按必然条件做出的负荷预测是可靠的，按假设条件做出的预测准确性具有条件性。多数情况下，负荷未来发展是不确定的，需要假设。给预测结果加以一定的前提，更有利于用电部门使用预测结果。（3）预测的时间性 负荷预测属于科学预测的范围，因此需要指明预测时间。（4）预测的多方案性 由于预测的不准确性和条件性，且负荷预测受一定预测条件的制约并具有精度要求，再加上预测手段及理论模型的多样性，使得预测的结果并非是唯一的。2.1.3 影响负荷变化的因素影响负荷变化的因素很多，且它们之间没有确定的关系，对负荷预测的准确性造成很大影响。影响负荷预测的因素有：（1）天气因素，如温度、湿度、风力、降雨等气象因素。（2）负荷构成，如电力用户类型及其某地区所占比例不同。（3）价格因素。（4）重大节日，如春节，国庆节等重大节日的用电。2.2 负荷预测误差分析负荷预测值即期望值与实际值存在一定的差距，这个差距就是预测误差。分析误差产生的原因，认识预测的准确度，对于改进预测工作，检验预测方案具有重要的指导意义。误差产生原因有以下几方面：（1）负荷预测要用到数学模型。对于复杂的电力系统，模型是一种简化了的系统，只考虑所研究现象的主要因素，没有也不可能包含所有的相关因素。与实际负荷存在差距，用它进行负荷预测，将不可避免地产生误差。（2）负荷变化受各式因素的影响，进行预测的目的与要求不同，如果预测模型选择不当，就会产生误差。（3）意外事件和突发情况会对负荷预测值产生影响，产生预测误差；计算或判断上的错误也会造成误差。（4）负荷预测要用到大量的数据资料，而各项资料不能保证其准确可靠性，这也势必带来误差。了解预测误差产生原因后，可以对预测模型或预测技术加以改进。同时还必须对预测误差进行计算分析，进而可以检验所选的预测模型。常用的计算和分析预测误差的方法主要有：（1）绝对误差与相对误差 这是一种直观的表示方法，在实际应用中作为一项考核指标常被应用。设为实际值，为预测值，则称绝对误差，或为相对误差。（2）平均绝对误差 （2-1）其中，；（3）均方误差 （2-2）其中，。均方误差是预测误差平方之和的平均数，避免了正负误差不能相加的问题。（4）均方根误差 （2-3） 其中，此误差方程的优点是对绝对误差进行了平方，加强了数值大的误差的作用，提高了其灵敏性。（5）标准误差 （2-4）其中，（6）关联度误差分析 关联度是分析系统中各因素关联程度的方法，根据曲线间相似程度来判断关联程度。用此方法来比较预测模型的优越性。比较几种预测模型对应的预测曲线与实际曲线的拟合程度，关联度越大，拟合度越高，说明模型越优越。设参考数列，预测数列，则 （2-5）为在第点的关联系数。其中，为两数列在 点的绝对差；为两级最小差，其中是第一级最小差，表示先在曲线上找各点与的最小差，在此基础上找条曲线中的最小差；是两级最大差；称为分辨系数，一般取为0.5。总和各点关联系数，得出两曲线关联度 （2-6）对于单位不同，或初值不同的数列比较时，用每个数列的第一个数除其他数进行初始化。由上述分析可见，关联度分析是把关联程度量化的方法。2.3 负荷预测基本程序进行电力负荷预测，必须考虑预测程序问题，因为它是一个用于指导电力调度工作的科学预测范畴，只有清楚其过程，才能做好预测工作。其基本程序如下：（1）确定预测目的，制定预测计划。首先负荷预测目的一定要明确，才能制定合理的预测工作计划。以下问题要包括在计划内：预测时期，所需资料类型、来源及资料量，预测方法，预期完成时间，预测经费等。（2）调查资料和选择资料。尽可能地多方收集资料，包括已发表的和未发表的，然后把这许多资料按照直接相关性、可靠性、最新性的标准浓缩到最小，深入研究。在我国目前的情况下，收集资料尚存在一定的难度，如果资料收集得不全面活不好会影响预测结果的准确性。（3）整理资料。1）衡量统计资料质量的标准有以下几个方面：资料完整无缺，各期指标齐全； 数字准确无误，反映的都是正常状态下的水平，资料中没有异常“分离项”； 时间数列各值间有可比性； 历史资料的表现形式即计量单位是否规范。2）资料的整理包括以下内容： 资料的补缺推算，用前后两项推算中间项，或用比例计算第一项； 对不可靠资料加以核实调整。能找出原因的加以更正，否则删除； 对时间数列中不可比资料加以调整。处理可比性问题时所有资料在时间上保持可比性。资料整理的目的是为了保证资料的质量，从而保证预测质量。（4）对资料的初步分析。1）画出动态折线图或散点图，研究资料变动轨迹，分析其异常值和转折值产生的原因。2）对异常值加以处理：设历史数据为，令，若，取，使数据数列趋于平稳。3）计算相关系数等统计量，进一步辨明资料轨迹性质，为以后建模作准备。（5）建立预测模型。预测模型反映的是资料内部特征。预测模型的多样化，要求研究人员依据具体资料选择适当的预测模型。必要时采用几种模型进行比较，选择最佳模型。（6）综合分析，确定预测结果。 根据选择的预测模型，计算初步预测值。对影响预测对象的各种因素的发展趋势，经过综合分析、对比、推理和评价，最终调整和修正初步预测值，确定纠正后的预测值。（7）编写预测报告，对预测中的各种情况加以说明。报告应包括数据资料、报告分析、数学模型、预测结果及必要的图标，便于使用。（8）负荷预测管理9。2.4 本章小结针对本文所要研究的内容，本章对负荷预测进行了具体分析。首先介绍了负荷预测的概念、特点、原理及其影响因素。预测就必然存在误差，本章介绍了负荷预测的各种误差计算方法。用于预测过程中的误差计算。最后负荷预测是一项科学研究，是电力部门能源调度的依据，必须保证其正确度，首先就必须清楚其基本程序。第3章 神经网络基本原理3.1 神经网络基础知识人工神经网络（Artificial Neutral Network，ANN）是由大量简单的基本元件-神经元相互连接，通过模拟大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统，是在现代神经生物学基础上提出的模拟生物过程，反映人脑特性的一种计算结构，不是人脑神经系统的真实描写，只是它的某种抽象、简化和模拟，具有记忆和学习能力，经过一定的训练后，能够对给定的输入做出相应处理。3.1.1 人工神经元模型在人工神经网络中，神经元被称为“处理单元”或“节点”。人工神经元是对生物神经元的一种形式化描述，用数字语言描述生物神经元的信息处理过程；用模型图表达生物神经元的结构和功能。人工神经元是人工神经网络最基本的处理单元，模拟神经细胞的构成。每个神经元接收来自其它多个神经元的信号，是一个多输入/单输出的非线性器件，按其传递函数产生一个输出信号，这个输出信号通过连接权值的作用后作为其他神经元的一个输入。人工神经元网络就是大量神经元按不同拓扑结构连接而成的网络12。 图3-1 单个神经元模型从图3-1可以看出，神经元是一个多输入单输出的器件。神经元接收输入信号、加权、整合，最后经非线性变换输出。由此得出神经元数学模型： （3-1）其中，表示时刻神经元接收的来自神经元的输入信号；表示神经元j的输出；表示输入输出间的突触时延；表示神经元到的权值；表示神经元的阈值。输入总和，即净输入用下式表示 （3-2）当时神经元被激活。如令，则有，输入与阈值之差表示为 （3-3）若无特殊说明，本文以后各章节中采用此种表示形式。神经元的的信息处理特性取决于所采用的变换函数，其变换函数反映了神经元输出与激活状态的关系。以下介绍几种常用变换函数。（1）阈值型 （3-4）当时，神经元为兴奋状态；当时，神经元输出为0，为抑制状态。1.00图3-2 单极性阈值型变换函数（2）非线性变换函数 常用非线性变化函数是单极性的S型函数，即Sigmoid函数，该函数连续可导，且其导数也是连续的。 （3-5）00.51.0图3-3 单极性S型变换函数（3）分段线性函数 该具有该传递函数特性的神经元的输入与输出在一定区间内满足线性关系。 （3-6）1.00图3-4 单极性分段线性变换函数（4）线性函数 线性函数可将输入转化为任意值输出，即将输入原值输出。 （3-7）（5）概率型变换函数 采用这种变换函数的神经元其输入输出间的关系是不确定的，需用一个随机函数来描述其输出状态。设输出为1的概率为 （3-8）3.1.2 人工神经网络模型神经元按照一定的规则连接成神经网络，并使网络中神经元的权值按照一定的规则变化。下面以三层网络结构。按网络的拓扑结构分类：（1）前向网络。神经元分层排列，组成输入层、隐含层(或称中间层，可以有若干层)、输出层。每一层的神经元只能接受来自前一层神经元的输出信号，输入模式经过各层次顺序传播，在输出层输出。感知器网络和BP网络属于前向网络。（2）有反馈的前向网络。网络仍由前述三部分组成，但从输入层到输出层有反馈信号，这种网络结构用于存储某种模式序列。神经认知机和回归BP网络属于这种类型。（3）层内有相互结合的前向网络。这种网络基本结构仍然有三层，但同