其中，为一天中各小时的负荷；为当天的日平均负荷。
图4.2给出连续几天的日负荷变化系数曲线，其有明显的周期性，即以24小时为周期循环变化。顺序观察每天同一时刻的负荷变化系数值，可以看出他们接近于一条水平线，这样便可以用前几天的同一时刻的负荷变化系统值的平均值预测以后的值。逐小时作出日负荷变化系数的平均值，连接起来就是一天总的周期变化曲线。我们把这种反映一天24小时负荷循环变化规律的模型称为日周期变化模型。即
(t=1,2,...,24) （4-5）
式中，n为过去日负荷的天数；为过去第天第t小时负荷变化系数。
这样，按线性模型预测B(t)的负荷均值X(t)，按周期变化模型预测B(t)的周期负荷变化系数Z(t)，用式（4-2）就可以得到基本负荷分量B(t)。
（1）天气敏感负荷分量模型
影响负荷的天气因素，有温度、湿度、风力、阴晴等，这里以温度为例说明天气敏感负荷模型。以日负荷预测为例，给定过去若干天气负荷记录、温度记录，利用线性回归或曲线拟合方法，可以用三段直线来描述天气敏感负荷模型
（4-6）
式中，t为预测温度，可以是一日最高温度、最低温度、平均温度或是某时点温度；， 为电热临界温度和斜率，时电热负荷增加，其斜率为；，为冷气临界温度和斜率，是冷气负荷增加，其斜率为。
在之间一段温度上，电热和冷气均不开放，负荷和温度没什么关系。
（3）特别事件负荷分量模型
特别事件负荷分量指特别电视节目、重大政治活动等对负荷造成的影响。其特点是只有积累大量的事件记录，才能从中分析出某些事件的出现对负荷的影响程度，从而作出特别事件对负荷的修正规则。这种分析可以用专家系统方法来实现，也可以简单的用人工修正来实现。人工修正方法通常用因子模型来描述。
因子模型又可以分为乘子模型和叠加模型两种。
乘子模型，是用一个乘子k来表示特别事件对负荷的影响程度，k一般接近于1，那么，特别事件负荷分量为
（4-7）
叠加模型，是直接把特别事件引起的负荷变化值当成特别事件负荷分量，即
（4-8）
本文研究的是某城市的某年某月某日的电力系统短期负荷预测，因此，影响系统负荷的因素包括上述的四种分量模型。短期负荷预测基本模型是指24小时的日负荷预测和168小时的周负荷预测，列举其预测周期，知其基本变化规律可由线性变化模型和周期变化模型来描叙，日负荷至周负荷的变化，受特别事件影响明显，对应特别事件负荷分量模型，同附和随机负荷分量。线性变化模型用来描叙日平均负荷变化规律，将历史上一段日平均负荷按时序画在一张图上，可以看出每日平均负荷有波动，总体趋势是一条直线，可用线性模型表示。周期模型用来描叙24小时为周期的变化规律，在分析日负荷曲线形状时，除掉日平均负荷的变化因素，将连续几天的日负荷变化画在一张图上，可以看出明显的周期性，即以24小时为周期循环变化。
特别事件（天气）负荷分量，考虑时可把特别天气或天气变化看作是特别时间和其它如特别节目，重大纪念活动等合并作为特别事件考虑，也可以把有关天气对负荷的影响和其他事件出现对负荷的影响分开考虑，负荷在一定程度上，受分量影响很大，进一步提高负荷预测精度，关键是科学合理地预测特别事件负荷分量，但往往还不是一件容易的事情。
随机负荷分量，一般由时间序列模型描述。
4.2、电力负荷预测基本算法
电力负荷预测分为经典预测方法和现代预测方法。
（1）经典预测方法
1）时间序列法
时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它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。
时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。随机型时间序列预测模型可以看作一个线性滤波器。根据线性滤波器的特性，时间序列可划为自回归(AR)、动平均(MA)、自回归-动平均(ARMA)、累计式自回归-动平均(ARIMA)、传递函数(TF)几类模型，其负荷预测过程一般分为模型识别、模型参数估计、模型检验、负荷预测、精度检验预测值修正5个阶段。
时间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，导致了预报的不准确和数据的不稳定。
2）回归分析法
回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。从数学上看，就是利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测目的。回归预测包括线性回归和非线性回归。
回归模型虽然考虑了气象信息等因素，但需要事先知道负荷与气象变量之间的函数关系，这是比较困难的。而且为了获得比较精确的预报结果，需要大量的计算，这一方法不能处理气候变量和负荷之间的非平衡暂态关系。
虽然经典的数学统计方法具有速度快的优点，但是其预测模型比较简单，很难准确描述负荷预测的实际模型，所以其精度较差。随着人工智能技术逐步被引入到短期负荷预测中，人们已经提出了多种基于人工智能的预测方法，其中最为典型的为基于各种人工神经网络模型的预测方法，其中以神经BP算法为代表。
（2）现代负荷预测方法
20世纪80年代后期，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用。这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等。
1)灰色数学理论
灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影响因子的综合作用结果。这些众多因子的未知性和不确定性，成为系统的灰色特性。灰色系统理论把负荷序列通过生成变换，使其变化为有规律的生成数列再建模，用于负荷预测。
灰色系统理论是中国学者邓聚龙教授1982年3月在国际上首先提出来的，在国际期刊《SYSTEMS AND CONTROL LETTER》刊物上发表，题为“Control Problems of Grey Systems”,引起了国际上的充分重视。
灰色系统理论的形成是有过程的。早年邓教授从事控制理论和模糊系统的研究，取得了许多成果。后来，他接受了全国粮食预测的课题，为了搞好预测工作，他研究了概率统计追求大样本量，必须先知道分布规律、发展趋势，而时间序列法只致力于数据的拟合，不注重规律的发展。邓教授希望在可利用数据不多的情况下，找到了较长时期起作用的规律，于是进行了用少量数据做微分方程建模的研究。这一工作开始并不顺利，一时建立不起可供应的模型。后来，他将历史数据作了各种处理，找到了累加生成，发现累加生成曲线是近似的指数增长曲线，而指数增长正符合微分方程解的形式。在此基础上，进一步研究了离散函数光滑性，微分方程背景值、平射性等一些基本问题，同时也考虑了有限和无限的相对性，定义了指标集拓扑空间的灰导数，最后解决了微分方程的建模问题。
2）专家系统方法
专家系统方法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。借助专家系统，负荷预测人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。
专家系统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（在现阶段主要表现为计算机系统），它拥有某个特殊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，在那个领域内作出智能决策。所以，一个完整的专家系统是有四部分组成的，即知识库、推理机、知识获取部分和解释界面。
专家系统方法总结了目前城网中长期负荷预测中的可行模型，针对目前方法存在的片面性，首次尝试把专家系统技术应用到负荷预测上，从而克服单一算法的片面性；同时，全过程的程序化，使得方法还具有快速决断的优点。负荷预测是城网规划部门所面临的较难处理的基础工作，还由于预测过程容易出现人为差错及预测专家比较缺乏，使本方法具有较为广泛的使用前景。专家系统法利用了专家的经验知识和推理规则，使得假日或重大活动日子的负荷预报精度得到了提高。但是，把专家知识和经验等准确地转化为一系列规则是非常不容易的。
3）神经网络理论
运用神经网络技术进行电力负荷预测，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，特别的，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。因此，预测被当作人工神经网络（简记为ANN）最有潜力的应用领域之一，许多人都试图应用反传学习算法训练ANN。以用作时间序列预测。误差反向传播算法又称为BP法，提出一个简单的三层人工神经网络模型，就能实现从输入到输出间非线性映射任何复杂函数关系。因此，我们可以将对电力负荷影响最大的几种因素作为输入，即当天的天气温度、天气晴朗度（又称为能见度）、风向风力、峰谷负荷及相关负荷等，争取获得较好的预测结果。
神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。由于该方法具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场，但其缺点是学习收敛速度慢，可能收敛到局部最小点；并且知识表达困难，难以充分利用调度人员经验中存在的模糊知识。
4）小波分析预测技术
小波分析（Wavelet）是本世纪数学研究成果中最杰出的代表。它作为数学学科的一个分支，吸取了现代分析学中诸如泛函分析、数值分析、Fourier分析、样条分析、调和分析等众多分支的精华，并包罗了它们的特色。由于小波分析在理论上的完美性以及在应用上的广泛性，在短短的几年中，受到了科学界、工程界的高度重视，并且在信号处理、图象处理、模式识别、地震预报、故障诊断、状态监视、CT成象、语言识别、雷达等十几个科学领域中得到应用。小波分析为本世纪现代分析学作了完美的总结。
小波分析是一种时域——频域分析方法，它在时域和频域上同时具有良好的局部化性质，并且能根据信号频率高低自动调节采样的疏密，它容易捕捉和分析微弱信号以及信号、图象的任意细小部分。其优于传统的Fourier分析的主要之处在于：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，尤其是对奇异信号很敏感，能很好的处理微弱或突变的信号，其目标是将一个信号的信息转化成小波系数，从而能够方便地加以处理、存储、传递、分析或被用于重建原始信号。这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。
5）模糊负荷预测
宁波电力系统负荷预测方法研究(三)由毕业论文网（www.huoyuandh.com）会员上传。
