电力负荷预测毕业论文.doc

编号：

中国农业大学现代远程教育
毕业论文（设计）

电力负荷预测

学 生
指导教师
专 业 水利水电工程
层 次 专升 本
批 次 082
学 号 w130208082177
学习中心
工作单位
2014年 7 月
中国农业大学网络教育学院制
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。

独 创 性 声 明
本人声明所呈交的毕业论文（设计）是我个人进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文（设计）中不包含其他人已经发表或撰写过的研究成果，也不包含为获得中国农业大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在毕业论文（设计）中作了明确的说明并表示了谢意。

学生签名： 时间： 年 月 日

关于论文（设计）使用授权的说明
本人完全了解《中国农业大学网络教育学院本、专科毕业论文（设计）工作条例（暂行规定）》对：“成绩为优秀毕业论文（设计），网络教育学院将有权选取部分论文（设计）全文汇编成集或者在网上公开发布。如因著作权发生纠纷，由学生本人负责” 完全认可，并同意中国农业大学网络教育学院可以以不同方式在不同媒体上发表、传播毕业论文（设计）的全部或部分内容。中国农业大学网络教育学院有权保留送交论文（设计）的复印件和磁盘，允许论文（设计）被查阅和借阅，可以采用影印、缩印或扫描等复制手段保存、汇编论文（设计）。
[保密的毕业论文（设计）在解密后应遵守此协议]

学生签名： 时间： 年 月 日

密级：（请注明密级及保密期限）
摘  要
电力系统负荷预测的研究已经有一段时间的历史，随着计算机技术的发展和电网对负荷预测精度要求的提高，对这一课题的研究也在不断深入，并且更具现实意义。电力系统短期负荷预测是电力系统运行调度的基础，关系到整个电力系统的效率、效益和安全。特别是随着电力市场改革的深入，它已经成为电力市场技术支持系统的重要组成部分，是电力交易市场的主要数据来源，其预测精度对电力系统有着非常重要的意义。因此如何提高预测精度特别是短期负荷预测的精度这一问题的重要性和迫切性将越来越明显。
由于学历的限制，本文对某些方面知识的阐述可能还比较生硬。负荷预测是个长久的课题，本文主要就电力负荷预测的含义，意义等开始阐述，以及电力负荷预测的一些方法，针对一些容易出现误差的提出了自己的见解。当然本文还有很多不足，希望在将来的学习电力的日子里对它加以完善。

关键词： 电力负荷 预测方法 小波分析

目 录

1前言 1
1.1论文研究的背景 1
1.2论文研究的现状 1
1.3论文研究的目的和意义 2
2电力负荷预测相关理论知识 3
2.1电力负荷预测的定义 3
2.2电力负荷预测的分类 4
3 电力负荷预测的方法 5
3.1传统预测方法 5
3.1.1外推法 5
3.1.2回归分析法 6
3.1.3时间序列法 6
3.1.4小波分析方法 6
3.1.5卡尔曼（Kalman）滤波方法 6
3.1.6灰色预测法 6
3.2人工智能方法 7
3.2.1人工神经网络法 7
3.2.2专家系统方法 8
3.2.3模糊控制法 8
4电力负荷预测存在的问题及解决方法 9
4.1电力负荷预测存在的问题 9
4.1.1负荷历史数据的坏数据处理 9
4.1.2节假日的负荷预测 9
4.1.3气象因素的影响 9
4.1.4电力市场环境下，负荷的变化还与电价有关。 9
4.1.5随机因素。 9
4.2针对上述问题的解决方法 10
4.2.1定量分析与定性分析相结合的问题 10
4.2.2原始数据的收集和筛选 10
4.2.3电力负荷预测的依据 10
5结语 11
后 记 12
参考文献 13

1前言
1.1论文研究的背景
负荷预测的研究已有几十年的历史，国内关于负荷预测的研究已出现了许多种方法，目前，国内发表的电力系统短期负荷预测的文献较多，所采用的预报方法和到达的预报精度也各有不同。综合起来主要可分为以下三类。
1）传统统计模型法。这是一种二十世纪九十年代以前常用的方法。主要包括时间序列法和回归分析法。这种方法的优点是计算简单、要求的历史数据少。由于是基于统计模型，不易全面地考虑天气因素、突发事件等对于负荷的影响，因此预测精度低。
2）专家系统法。即充分利用有经验的运行人员的知识、经验和推断规则来进行负荷预测，然而，把专家的知识和经验等精确地表达并转化为一系列规则，则往往是很困难的，而且建立专家系统的工作量要比一般预报算法大得多。
3）人工神经网络法。人工神经网络具有任意逼近非线性函数的特性，负荷变化是与诸多因素有关的一个非线性函数，用人工神经网络对负荷历史数据进行学习，是抽取和逼近负荷变化曲线并进行负荷预报的有效方法。近十年来，国外报道的相关文献主要是用神经网络方法围绕提高或改善负荷预报的精度来进行负荷预报研究。最具代表性的是美国研制的人工神经网络短期负荷预报器，它包含有两部分预测：一部分预测基本负荷；而另一部分预测负荷变化，这部分考虑了短期内气候条件（温度、湿度）。两部分的自适应组合便是最终的预报结果。该预报器具有较好的自组织自适应特性，已在美国，加拿大的35家电力公司采用。
于是，有学者开始将各种智能化算法，如人工神经网络法、遗传算法、最小绝对值滤波算法等用于在受到诸如气象变化、经济环境变化等随机因素干扰情况下的电力系统负荷预测。由于电力系统的负荷受众多不确定因素的影响，是典型的灰色系统，运用灰色系统来分析众多不确定因素与电力负荷预测的关联度已经运用广泛，但如何准确定量描述，以何种准则来进行不确定因素的人工修整仍是一个难题，所以，通常很多地区很大程度上依靠预测人员的经验进行预测。
1.2论文研究的现状
西方发达国家如美国、英国随着电力市场的日益成熟，电力供应商为了获取最大利润，十分重视电力负荷预测工作。为此，科研工作者一直在研究电力负荷预测的新方法以提高预测精度。自从1991年美国学者Park等人提出使用神经网络预测电力负荷以来，人们对此表现出广泛的关注。在此基础上，美国的Khotanzad博士领导的科研小组经过几年的艰苦研究，提出了人工神经网络电力负荷短期预测系统(ANNSTLF)。这个系统己经在实用化方面取得了空前的成功。北美洲有35个大发电系统(公司)，根据天气预报、工业和居民用电统计资料，利用ANNSTLF系统预测发电站必须提供的发电量，大大提高了电站的经济效益和安全运转系数。但该系统有一个弱点，即不能处理不确定性信息，且需要大量的历史数据进行训练和学习。我国的负荷数据近些年才开始系统收集，采用ANNSTLF系统不太适合我国的国情。Hiroyuki教授等人则在电力负荷短期预测中运用了自适应模糊推理，Srinivasan博士采用了模糊神经计算进行需求预测。这些方法主要是针对工业化发达国家实际情况提出的，而我国的国情复杂，地区之间的差距很大，生搬硬套上述方法，很难取得成功[7]。
当前国内电力短期负荷预测研究备受瞩目，很多学者提出自己的看法。东南大学的单渊达教授采用径向基函数(RBF)为神经网络预测系统前向网络的学习提供了一种新颖而有效的手段。RBF网络具有良好的推理能力，而且在学习方面比误差反向传播(BP)方法快得多。华北电力大学的牛东晓教授则引入了小波神经元网络电力负荷预测模型。它以非线性小波基为神经元函数，通过伸缩因子和平移因子计算小波基函数合成的小波网络，从而到达全局最优的逼近效果。清华大学张伯明教授采用共共轭梯度法训练预测系统的神经网络，在学习算法上有所突破。国内著名人工智能学者蔡自兴教授则结合多层感知神经网络和多分辨率遗传算法来进行电力负荷预。华南理工大学的吴捷教授运用模糊逻辑和时序特性来进行最优模糊逻辑推理汇，该系统的输入量通过对历史数据的自相关分析而建立，再通过最近邻聚类法对历史数据的学习得到若干数据对，进一步由最优模糊逻辑系统建立短期电力负荷的预测模型。国家电力科学研究院的胡兆光老师将AI推理和模糊系统结合起来，建立AI规则库对电力负荷进行预侧，也取得了较好的效果。
1.3论文研究的目的和意义
电力工业是国民经济的基础产业，在整个国民经济的发展起着举足轻重的作用。多年的实践经验告诉我们，如果电力工业的发展速度能够满足国民经济建设的需要，就会促进经济的高速发展；否则，就会产生严重的供需矛盾，阻碍国民经济的发展。随着现代工业和农业的不断发展及人民生活水平的日益提高，社会对电力的需求量越来越大。为了满足日益增大的电力需求，必须不断扩大电力系统的规模。由于电力工业的发展不仅需要消耗巨大的投资和一次能源，而且对国民经济的其它部门也会产生巨大的影响，合理的进行电力系统规划不仅可以获得巨大的经济效益，也会获得巨大的社会效益。相反，电力系统规划的失误会给国家建设带来不可弥补的损失。因此，对电力系统规划问题进行研究，以求最大限度地提高规划质量，具有重大的现实意义，而实现这一目标的第一步就是要做好负荷预测。
负荷预测是电力系统规划建设的依据。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，因此，负荷预测在规划中显得尤其重要。若负荷及电量预测不足，电网的发展便不能适应实际发展的需要，无法满足用户正常用电需求，甚至还可能缺电。另一方面，若负荷及电量预测过高，则又会导致一些过多而不能充分利用的设备，从而引起投资的浪费。总之，负荷预测的精度高低直接关系到各方利益，电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一，尤其在我国电力事业空前发展的今天，用电管理走向市场，电力负荷预测问题的解决已经成为电力行业人员面临的重要而艰巨的任务。
电力系统负荷预测是以准确的历史数据和调查资料为依据，从用电量的历史和现状出发，用科学的方法预测未来电力系统负荷的发展趋势和变化规律的科学。根据预测的时间跨度，一般将负荷预测分为长期、中期和短期负荷预测。短期负荷预测主要指预测未来一天或一周内各个整点的负荷曲线，主要用于制定系统的生产计划，安排系统的短期运行方式、进行电力调度以及离线安全分析等。
传统的负荷预测都是人工完成的。预测人员通过历史负荷数据，采用一定的预测算法加以计算，得到预测结果后，结合自己.的经验加以修正，形成最后发布的预侧数据。在整个过程中，历史数据的选择，预测算法的选用和预测人员的经验，都会对预测结果产生很大的影响，预测的精度难以保证。因此，电力企业迫切需要建立自己电力负荷预测系统.这种系统必须能够结合企业现有的资源，能够克服人工预测的各种弊端，不仅要有较高的预测精度，还要有自动化和智能化的特性
它不仅可以尽量降低电力短缺所带来的危害，还能为电力企业带来更大的经济效益。因此，本文的研究具有重要的理论和现实意义。
2电力负荷预测相关理论知识
2.1电力负荷预测的定义
所谓的负荷预测是指，在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下研究或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前提下，确定未来某特定时刻的负荷数值。负荷可指电力需求量或者用电量，而需求量是指能量的时间变化率，即功率。也可以说，负荷时指发电厂、供电地区或电网在某一瞬间所承担的工作负荷。对用户来说，用电负荷是指连接在电网的用户所有用电设备在某一瞬间所消耗功率之和[11]。
随着我国电力系统的发展，电网管理的日趋现代化，负荷预测问题的研究也越来越引起人们的注意，并已成为现代电力系统科学中的一个重要的领域，因为整个社会是一个复杂的整体，它的用户成千上万每个用户的要求也各部相同，因此，整个社会的用电需求既有一定的统计规律性，又具有大量的随机影响因素，具有不确定性电力系统负荷预测是电网规划和经济运行的重要一环。负荷预测对电力系统控制、运行和计划都是非常重要的，提高负荷预测的精度既能增强电力系统运行的安全性，又能改善电力系统运行的经济性。因此，在实践中，无论是制定电力系统规划或是实现电力系统运行自动化，进行相应的负荷预测都是必不可少的[12]。
电力负荷预测主要是预测一下三个方面：
未来电力需求量（功率），也就是确定电力系统发点设备和输送容量。
未来用电量（能量），主要是用来选择机组，确定电源结构和原料计划等。
负荷曲线，它是为电力的峰值、电站容量、设备协调运行提供数据支持。

2.2电力负荷预测的分类
负荷预测从预测的时间范围上可以分为长期、中期、短期和超短期预测（如图2.1）。长期预测一般指十年以上并以年为单位的预测，中期预测指在五年左右以年为单位的预测，中长期负荷预测主要是用于指定电力系统的扩建规划，包括装机容量的大小、形式、地点、时间和电网的增容扩建，它为所在地区或电网的电力发展速度、电力建设规模、电力工业布局、能源资源平衡、地区间的电力余缺调剂、电网资金和人力资源的需求平衡提供了可靠的依据；短期预测指一年内以月为单位的负荷预测，还指以周、天、小时为单位的负荷预测，通常预测未来一个月、未来一周、未来一天的负荷指标，也预测未来一天每小时的负荷，短期负荷预测对电力企业的日常运营起到指导和调节作用，有利于合理安排电力日生产计划；超短期负荷预测指未来1h、0.5h，甚至10min的预测，其意义在于对电网进行计算机在线控制，实现发电容量的合理调度，满足给定的运行要求，同时使发电成本最小。

负荷预测
超短期负荷预测
（1小时以内）
短期负荷预测
（1年以内）
中期负荷预测
（5年以内）
长期负荷预测
（10年以上）

图2.1 负荷预测分类图
负荷预测从用途上又可以分为发电部门预测和供电部门预测。前者从整体上预测负荷的变化，根据负荷特性和负荷趋势来进行预测，称为趋势预测；而后者则往往利用由底向上的方法，根据负荷的结构和特性分别预测、统一汇总，称为因子预测。从目前电力部门对负荷的掌握情况来看，负荷结构还没有一个比较确切、定量的模型，预测时无法考虑全面，预测偏差也比较大。现在常用的是根据整体负荷进行预测，通过对各种因素的修正而得到预测结果，实际运作的结果表明这种方法比较实用和有效。
按照系统负荷构成可以将其划分为：城市民用负荷、商业负荷、工业负荷、农业负荷及其它负荷等模型（如图2.2）。不同类型的负荷有着不同的变化规律，例如随家用电器的普及，城市居民负荷年增长率提高、季节波动增大，尤其是空调设备的迅速扩展，使系统峰荷受气温影响越来越大；商业负荷主要影响晚高峰，而且随季节而变化；工业负荷受气象影响较小，但大企业成分下降，使夜间低估增长缓慢；农业负荷季节变化强，而且与降水情况关系密切。一个地区负荷往往含有几种类型的负荷，比例不同[14]。

工业负荷
（40%）
系统负荷
（100%）
农业负荷
（15%）
城市民用负荷
（10%）
其他符合
（15%）
商业负荷
（20%）

图2.2 某地区负荷构成图
电力系统负荷预测是实现电力系统安全、经济运行的基础，对一个电力系统而言，提高电网运行的安全性和经济性，改善电能质量，都依赖于准确的负荷预测。因此，负荷预测的关键是提高准确度。
3 电力负荷预测的方法
短期负荷预测技术发展至今己有几十年，随着数学统计理论和人工智能技术的相继发展，人们提出各种各样的预测方法。迄今为止，短期负荷预测方法大致可以分为两类：即传统预测方法和人工智能方法。传统预测方法有：外推法、回归分析法、时间序列法、卡尔曼滤波、灰色预测等；基于智能原理的方法：人工神经网络、专家系统、模糊理论等。
3.1传统预测方法
3.1.1外推法
根据已知的历史资料来拟合一条曲线，使得曲线能反映负荷本身增长趋势；然后按曲线对未来预测求得某一点，从曲线估计该时刻的负荷值。常用曲线有直线、指数曲线、幂函数曲线，S型曲线等。外推法的原理简单，使用方便，但由于负荷变化趋势多种多样，简单的线性拟合难以实现准确性；多项式拟合的幂指数又难以确定，且指数越高公式越复杂化；有限的几个增长模型不能囊括负荷趋势变化，各种随机因素也是影响提高预测精度难点。趋势外推法一般仅用于长期预测[15]。
3.1.2回归分析法
回归分析法是一种曲线拟合法，即对过去的具有随机特性的负荷记录进行拟合，得到一条确定的曲线，然后将此曲线外延到适当时刻，就得到了该时刻的负荷预测值。这种方法是研究变量和变量之间依存关系的一种数学方法。由于影响负荷的因素错综复杂或相关因素数据资料无法得到，在预测模型中，很难准确、详细、全面的描述影响预测对象的各种负荷因素，回归分析法很难适应；另外有时影响因素之间的高度相关，违背了回归分析的基本假设，也会导致一系列错误，则模型就不能用于预测。这些都使得回归分析法的应用受到了很大的限制，预测精度也较差，因而不是理想的预测方法[16]。
3.1.3时间序列法
用时间来代替影响负荷的因素，依据负荷过去的统计数据，找到其随时间变化的规律，建立时序模型，以推断未来负荷数值。其基本假设是：负荷过去的变化规律会持续到将来，即未来是过去的延续。其主要数学模型有自回归(AR)模型、滑动平均（MA）模型和自回归－滑动平均（ARMA）模型等。但时序法无论采用哪种模型都没有考虑不同时刻负荷之间的相关性和其它因素（比如天气因素）对负荷的影响，预测精度较差，因此时序法存在着预测不准确的问题[17]。
3.1.4小波分析方法
小波分析是近年来数学研究成果中杰出的代表。它是一种时域-频域分析，在时域、频域同时具有良好的局部化性质。小波分析汲取了现代分析学中诸如泛函分析、调和分析、样条分析等众多数学分支的精华。小波变换能将交织在一起的不同频率组成的混合信号分解成不同频带上的块信号，对负荷序列进行小波变换，可以将负荷序列投影到不同的尺度上，而各个尺度可近似地看作各个不同的“频带”，这样各个尺度上的子序列分别代表了原序列中不同“频域”的分量，它们可以清楚的表现出负荷序列的周期性。在此基础上，分别对各个尺度上变换得到的子序列进行预测，最后利用各个尺度上的预测结果进行信号重构，就得到了完整的预测结果[18]。
3.1.5卡尔曼（Kalman）滤波方法
是建立状态空间模型，把负荷作为状态变量，用状态方程和量测方程来描述。卡尔曼滤波算法递推地进行计算，适用于在线负荷预测。这是在假定噪声的统计特性已知的情况下得出的，实际上，该方法的难点是对噪声统计特性的估计[19]。
3.1.6灰色预测法
灰色预测理论其显著特征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列进行累加，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GM(GREY MODEL)模型。GM(1，n)也就是对n个变量用一阶微分方程建立的灰色模型。GM(1，1)模型是灰色理论中最广泛地用于电力负荷预测的一种有效模型，它属于动态建模，采用微分拟合方程的方法来描述事物的发展变化规律。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，因此得到了广泛应有，并取得了令人满意的效果。但是，它和其他预测方法对比，也存在一定的局限性。一是当数据离散程度越大，即数据灰度越大，则预测精度越差；二是不太适合于电力系统的长期后推若干年的负荷预测。传统方法的原理比较简单，理论比较成熟，因此至今仍有应用。但是这些方法采用的数学模型过于简单，其参数难以及时、准确地进行估计和调整，而且不能反映负荷的突然变化，因此它们不能适应用较精确的数学模型来描述负荷的变化规律及其它因素对负荷的影响，从而使这些方法难以获得较高预测精度[20]。
传统预测方法的原理比较简单，理论比较成熟，因此至今仍有应用。但是这些方法采用的数学模型过于简单，其参数难以及时、准确地进行估计和调整，而且不能反映负荷的突然变化，因此它们不能适应用较精确的数学模型来描述负荷的变化规律及其它因素对负荷的影响，从而使这些方法难以获得较高预测精度。
3.2人工智能方法
3.2.1人工神经网络法
人工神经网络(ARTIFICIAL NEURAL NETWORKS)是一种以人类大脑神经网络为模拟对象的仿生系统。它是在深入研究人脑神经网络的基础上，人工构造的、能够实现某种特定功能的网络，是理论化的人脑神经网络的数学模型，是模仿大脑神经网络结构和功能而建立的一种信息处理系统。它是由大量的简单元件相互连接而成的复杂网络，是具有高度非线性处理能力，能够进行复杂的逻辑操作和非线性关系实现的系统。经过半个多世纪的发展，人工神经网络技术已逐渐成熟，并成功的应用于模式识别、最优化问题求解、信息的智能化处理、复杂控制和信号处理等领域，取得了很好的效果。
由于吸取了生物神经网络的许多优点，相对于传统的信息处理系统来说，人工神经网络具有以下的特点：
(1)高度的非线性。人生神经网络特别是多层次、非线性全连接的网络，其输入输出表现出非常显著的外部非线性关系。经证明，只要有足够数目的神经元，任何非线性连续函数都可以由一个三层网络以任意精度来近似表达。这种强大的非线性逼近能力，是神经网络最重要的性质之一。
(2)良好的自学习和自适应性。人工神经网络能够通过学习和训练来适应环境的变化。当外界环境发生变化时，经过一段时间的训练与学习，人工神经网络能自动调整网络结构和连接模式，使得对于特定输入能够产生期望的输出。
(3)良好的容错性和联想记忆能力。人工神经网络通过自身的网络结构，能够实现对信息的记忆。而所记忆的信息是存储在神经元之间的权值中，是一种分布式的存储方式。即使部分信息丢失或模糊，也不会从根本上影响网络的整体性能龟，从而表现出良好的容错性、很强的抗噪音能力和联想推广能力。网络一经训练成功，就可以正确的处理和训练样本集相似的数据，在一定的误差范围内，还可以处理非完全数据，由局部联想到整体，表现出联想记忆的特征，适宜于处理知识背景不清楚、推理规则不明确的问题。
(4)高度的并行性。人工神经网络是由许多相同的简单处理单元组合而成，虽然每个单元的功能简单，但大量简单处理单元的并行活动，却能够形成惊人的信息处理能力[21]。
3.2.2专家系统方法
专家系统是人工智能领域的一个重要分支，它是一种基于知识推理的系统，它通过获取大量的领域内专家知识并在此基础上进行推理从而得到问题的解答。专家系统适用于专业范围明确，没有完整的、精确的理论的领域，专家系统是对人类的不可量化的经验进行转化的一种较好的方法，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[22]。
3.2.3模糊控制法
模糊集合和模糊推理是专门用来处理不确定性问题的理论。模糊集合将经典集合的绝对隶属关系(非A即B)模糊化(既A又B)，典型的隶属度函数有三角函数、梯形函数、正态分布函数、S形分布函数和Z形分布函数。模糊推理基于模糊规则，模糊规则以IF-THEN的形式来表达模糊集合间的关系。电力负荷预测是利用以往的数据资料找出负荷的变化规律，从而预测出电力负荷在未来时期的变化趋势及状态。实际预测时，常常需要在历史负荷及影响其变化的相关环境因素数据不确定的情况下进行预测，模糊数学为处理此类问题提供了有效手段。模糊理论是将操作人员的经验以规则的形式表达出来，并转换成可以在计算机上运行的算法。它在电力系统的许多领域中得到了应用。近年来出现了模糊回归分析法、模糊聚类识别预测法、模糊与神经网络结合应用等方法。由于模糊推理可以利用有限的规则近似任意的函数关系，将这一理论应用于负荷预测是不错的选择。最新资料显示，模糊系统和其他方法结合的负荷预测的精度要明显优于其他负荷预测方法[23]。
综上所述，相对于其它的预测方法来说，人工神经网络法被认为是一种简单而有效的负荷预测技术，非常适合用来进行电力系统短期负荷预测。不同的预测方法有各自的优点和缺点，为了发挥不同方法的优点，避开其不足，人们在负荷预测过程中将不同的预测方法加以组合，形成了许多种组合方法，在一定条件下能够有效的改善模型的拟合能力和提高预测的精度。

4电力负荷预测存在的问题及解决方法
4.1电力负荷预测存在的问题
经典的负荷预测是根据电网的历史数据，找出负荷随各种因素变化的规律，在一定的假设下，建立适当的数学模型，预测未来的某一时刻负荷。但依靠数学建模进行预测对上述的随机性、周期性及表现人的判断显得无能为力，所以我们把负荷预测方法中存在的问题归结为：
4.1.1负荷历史数据的坏数据处理
负荷的历史数据一般来源于SCADA数据库，由于系统中各种终端读表的各种误差，数据库中的数据经常会受到污染。常见的有毛刺、某一段数据突然变大或变小、和数据的不正常波动等。而冲击负荷比较大的地区，负荷数据的过分波动不利于掌握负荷的变化趋势，增加了负荷分析的难度。因此在用历史数据进行训练和预测前，坏数据的辨识与修正是必须要做的工作。即确定某条曲线中存在坏数据，然后找出坏数据在曲线中的位置，将其剔除掉并进行修正。
4.1.2节假日的负荷预测
在国家法定节假日（元旦、春节、五一和国庆）期间负荷与平时相比明显降低，尤其是春节更是持续长时间、大幅度的曲线下降和变形。节假日负荷一般要求提前半个月到一个月左右做出预测，节假日的预测一直是负荷预测的难点之所在。由于数据量较少，参考上一节假日相隔时间又长达一年，无法形成足够有效的样本集使得神经网络方法不能使用于节假日预测中，需要结合传统的多种方法另找途径。
4.1.3气象因素的影响
研究表明，气象因素对负荷预测精度的影响不可忽视，传统的预测方法不能考虑气象或者考虑气象不充分，导致预测结果不够理想。需要结合多种方法，如模糊聚类法法将气象因素（温度、湿度、天气状况等）考虑在内。
4.1.4电力市场环境下，负荷的变化还与电价有关。
4.1.5随机因素。
其他大量引起负荷变化的随机因素也经常存在，例如大负荷用户的用电调整以及重大的政治经济活动等。
4.2针对上述问题的解决方法
电力负荷预测的难点在于影响因素众多，它包含有内外部的随机因素，特别是许多非负荷因素的影响。这些影响因素与预测值之间形成复杂的非线性关系。影响负荷预测的主要因素如下[28]：
4.2.1定量分析与定性分析相结合的问题
影响电力负荷的因素很多，在以往的负荷预测中，我们往往只重视定量的分析，而忽略了定性的分析，这是一个值得注意的问题。定性分析包括在进行定量分析之前，对某些基本数据进行必要的分析，如对负荷数据特性的分析等。
4.2.2原始数据的收集和筛选
近年来我国的电力负荷预测的研究，对于模型的建立比较重视，而不去深入分析和收集原始数据，以至造成有时原始数据的筛选分析与模型不配套的弊端。要成功地进行预测，必需要把握以下四大环节：
(1)要收集尽可能全面的信息。如果信息面过窄，就极难得到恰当的预测。
(2)要使用正确的筛选手段与方法，有用的真实信息常常淹没在大量的干扰信号之中，只有使用正确的筛选手段与方法，才能去伪存真。
(3)应使逻辑运算的假设尽可能地符合实际，任何一种模型或逻辑运算，都是以假设为前提的，如果假设离前提太远，那就不可能获得成功地预测结果。
4.2.3电力负荷预测的依据
首先，要明确电力负荷预测的依据，从实际出发，选择正确的预测方法。电力负荷预测既要依据调度专家成功可靠的经验，更要依据符合的历史数据。
其次，电力系统负荷变化具有显著地周期性。通过对实际负荷记录的分析发现，按小时观测的负荷具有以24小时或7天变化的周期，这种周期性变化的规律是电力负荷变化的又一本质特征。在预测方法中，如何体现其变化的周期性，从而使预测结果更符合实际，也是负荷预测中面临的实际问题。

5结语
近几年来负荷预测的方法越来越多，本文针对实际应用过程中遇到的问题提出有针对性的方法并加以改进。但是，由于时间和精力有限，这些方法仍存在一定的不足之处，有很多地方还有待完善。希望在以后的学习和工作中将更多的理论和实际知识结合起来，并将其进一步优化，得到一个非常实用的短期负荷预测模型。

后 记
岁月如流水，从报考网校到现在已经2年了，感觉自己真不再是个孩子了。对待一些事情总是缺乏严谨认真的态度，希望安老师这次能够原谅我这次的简单到我自己都不能原谅自己的错误 。至此论文完成之际，谨向我尊敬的导师安老师你致以诚挚的谢意和崇高的敬意。非常幸运能够成为您的学生，聆听着您孜孜不倦的教诲，感受着您严谨进取的治学精神和乐观向上的生学会了许多做人的道理。以后一定，严谨再严谨，同时，祝您工作顺利，合家欢乐，身体健康，一切安好！

参考文献
[1]陈浩．基于人工神经网络的电力短期负荷预测系统研究．昆明理工大学硕士学位论文，2005．1-6．
[2]杨争林，宋燕敏，曹荣章等．短期负荷预测在发电市场中的应用电力系统自动化，2000，24(1)：14-17．
[3]Moghram I，Rah man S. Analysis and evaluation of five short-term load forecasting techniques．IEEE Trans. On POWRS，1989，4(4)：1484-1491．
[4]招海丹，余得伟.模糊专家系统用于短期负荷预测修正的初步探讨.华东电力，2000(5).
[5]欧建平，李丽娟.人工神经网络在电力系统短期负荷预测中的应用.广东电力，1999(4).
[6]刘晨辉，电力系统负荷预报理论与方法.哈尔滨，哈尔滨工业大学出版社，1987.
[7]Shimon S.Gad A，“Neural Networks for Decision Support：Problems and Opportunities”，Decision Support Systems，1994(12)：393-414.
[8]孙目清，分布式分层BP算法在短期负荷预测中的应用；电力自动化设备，1996 (5).
[9]王晓文，梁志珊.应用模糊神经网络的短期负荷预测.东北电力技术，1999(2).
[10]马涛．基于模糊控制RBF神经网络短期负荷预测的研究．西安科技大学硕士学位论文，2009，2-5．
[11]林清，王辛.电力系统负荷预报的神经网络LBP算法.电工电能新技术，1999 (1).
[12]陶小虎，黄民翔．一种基于模糊规则和神经网络的负荷预测方法．电力系统及其自动化学报，2000，32(10)．
[13]赵璐．基于人工神经网络的电力系统负荷预测．硅谷电子科学，2008(8)．
[14]许延生，张为．人工神经网络在电力系统短期负荷预测中的应用．内肛科技，2008(8)．
[15]牛东晓，曹树华，赵磊等．电力负荷预测技术及其应用．北京：中国电力出版社，1998．