电力阻塞回归预测
电力系统中的电力需求预测方法
电力系统中的电力需求预测方法电力需求预测是电力系统规划和运营的关键环节之一。
准确预测电力需求可以有效指导发电计划、调度和节能措施，提高电力系统的可靠性和经济性。
本文将介绍几种常见的电力需求预测方法，并探讨其优缺点及适用场景。
一、统计分析法统计分析法是一种常用的电力需求预测方法。
它基于历史数据，通过对电力需求的趋势进行分析和预测。
其中，最常用的方法是时间序列分析法。
时间序列分析法假设未来的电力需求与过去的需求存在一定的关联，因此可以根据过去的数据来预测未来的需求。
时间序列分析法主要包括以下几个步骤：首先，对历史数据进行平稳性检验，以确保数据的稳定性；然后，通过自相关和偏自相关函数的分析，确定合适的模型阶数；接下来，根据确定的模型，进行参数估计和模型检验；最后，利用确定的模型来进行未来的需求预测。
统计分析法的优点是简单易用，只需要依靠历史数据即可进行预测。
但是，该方法假设未来的需求与过去的需求完全一致，无法考虑到外部因素的影响。
此外，该方法对数据的平稳性有一定要求，如果数据存在趋势或季节性，需要进行预处理。
二、回归分析法回归分析法是一种通过寻找自变量与因变量之间的关系，来进行预测的方法。
在电力需求预测中，通常将天气等外部因素作为自变量，电力需求作为因变量，建立回归关系，进而进行需求预测。
回归分析法的关键是选择合适的自变量。
在电力需求预测中，常用的自变量包括温度、湿度、季节等因素。
通过建立多元回归模型，可以较准确地预测电力需求。
回归分析法的优点是可以考虑到外部因素的影响，可以提高预测的准确性。
然而，该方法需要收集大量的外部数据，并且需要对不同自变量进行分析和筛选，这增加了分析的复杂性和计算的难度。
三、人工神经网络人工神经网络是一种模仿人脑神经网络结构和功能的数学模型。
它通过模拟神经元之间的相互作用来进行信息处理和预测。
在电力需求预测中，可以利用人工神经网络来建立电力需求与各种因素之间的复杂非线性关系，从而进行预测。
用线性回归分析法进行电力负荷预测
用线性回归分析法进行电力负荷预测摘要：电力负荷预测是电网规划的基础，论文介绍了电力负荷线性回归模型预测基本原理，通过对变量数据统计分析，确定其之间的相关关系。
以福建建阳地区为例分析历史数据，采用EXCEL回归模型的求解方法，证明拟合曲线方程具有较高的预测精确度、实用性。
能够作为福建建阳电力公司进行负荷预测的科学依据。
关键词：电力负荷预测；线性回归分析；最小二乘法1、概述电力负荷预测是供电公司或电力调度部门制定购电计划的依据，是电网规划决策的基础，一个高准确性的负荷预测为电力系统经济、安全运行提供了有力保证。
电力负荷预测从预测内容分类，可分为电量预测和电力预测两大类，其中电量预测主要包含的数据为全社会用电量、网供电量、各产业电量等，电力预测主要包含的数据为最大负荷、最小负荷、负荷曲线等；从预测时间长短分类，可分为超短期、短期、中期和长期预测。
中长期预测受到经济，社会发展、环境等诸多因素的影响，在地区电网规划中应用最多。
2、电力负荷原始数据资料收集电力系统负荷预测，是从已知的社会经济、发展数据以及电力需求为出发点，通过对历史数据统计分析，得出电力需求高度相关的社会经济、发展数据变量拟合曲线方程。
以此作为科学依据，用未来年份社会经济、发展数据预测结果，对电力需求做出预测。
在电力负荷预测之前,需要调研和收集包括电力企业资料、国民经济部门相关资料及数据，选择可靠的和有用的数据作为预测依据。
负荷预测收集的资料一般应包括以下内容：该地区国民经济及社会发展规划、社会经济基本情况、电力系统发展规划、电网现状及存在问题、历年来该地区用电负荷及用电量等。
3、电力负荷线性回归模型预测基本原理电力负荷线性回归模型预测，是根据历史负荷数据建立数学模型，用数理统计中的回归分析法对未来的负荷进行预测。
即采用最小二乘法对已知变量进行统计分析，观测每组变量数据，确定其之间的相关性，拟合出关系曲线，从而实现预测的目的。
在实际预测中，对自变量x 和因变量y 作n 次试验观察，其n 对观察值记为：(x1,y1)，(x2,y2)，…，(xn,yn)是相互独立的样本观测值。
电力负荷预测模型的建立与精度评估方法
电力负荷预测模型的建立与精度评估方法随着电力系统的快速发展和电力需求的不断增长，准确预测电力负荷成为了电力行业和能源规划的关键问题。
电力负荷预测模型的建立和精度评估方法成为了研究热点，对于电力系统的稳定运行、经济调度和资源配置具有重要意义。
一、电力负荷预测模型的建立电力负荷预测模型是基于历史负荷数据和相关影响因素的统计学方法，通过建立合适的数学模型来预测未来一段时间内的电力负荷。
常用的电力负荷预测模型包括回归分析模型、时间序列模型和人工神经网络模型等。
1. 回归分析模型回归分析模型是一种常用的电力负荷预测方法，它基于历史负荷数据和相关影响因素之间的线性关系建立预测模型。
常见的回归分析模型包括线性回归模型和多元回归模型。
首先，根据历史负荷数据和影响因素数据进行数据预处理，包括数据清洗和特征提取等。
然后，建立回归方程，通过最小二乘法估计模型参数。
最后，利用建立的回归模型对未来一段时间的电力负荷进行预测。
2. 时间序列模型时间序列模型是一种基于时间趋势的电力负荷预测方法，它假设未来的负荷与过去的负荷存在某种规律和关系。
常用的时间序列模型包括移动平均模型、指数平滑模型和自回归移动平均模型等。
首先，对历史负荷数据进行平稳性检验，确保数据满足模型的基本假设。
然后，选择适当的时间序列模型，比如ARIMA模型。
最后，利用选定的模型对未来一段时间的电力负荷进行预测。
3. 人工神经网络模型人工神经网络模型是一种基于机器学习的电力负荷预测方法，它通过构建多层神经网络模型来模拟人脑的神经元网络，实现非线性模型的建立和预测。
常用的人工神经网络模型包括前馈神经网络、循环神经网络和长短期记忆网络等。
首先，根据历史负荷数据和相关影响因素构建神经网络结构，包括输入层、隐藏层和输出层。
然后，通过反向传播算法训练神经网络模型，不断调整权值和阈值以提高模型的预测性能。
最后，利用训练好的神经网络模型对未来一段时间的电力负荷进行预测。
二、精度评估方法电力负荷预测模型的精度评估是衡量模型预测性能的重要指标，常用的评估方法包括均方根误差（RMSE）、平均绝对百分比误差（MAPE）和相关系数等。
基于逐步回归-灰色预测的中长期电力需求预测
ＤＯＩ：１０．１９３９２／ｊ．ｃｎｋｉ．１６７１ ７３４１．２０２０１９１３０基于逐步回归 灰色预测的中长期电力需求预测张明慧 李存斌华北电力大学经济与管理学院 北京 １０２２０６摘 要：随着电力市场的发展，中长期电力需求预测的重要性日益显现，准确的电力需求预测不仅可以保证电网安全稳定运行，而且是社会经济高效发展的基础。
在本文中应用逐步回归法对历史数据进行分析计算，得出社会用电量的线性回归方程，进而灰色预测法对线性回归方程中的自变量进行预测，进而带入线性回归方程得到预测结果。
最后对某地２０２０ ２０２５年的电力需求做预测，总体趋势显示我国的电力需求在未来几年将会稳步增长。
关键词：电力需求预测；逐步回归；灰色预测 电力工业是国民经济的支柱行业，电力工业的快速发展不仅为全社会的用电需求提供了保障，而且有力地支撑了经济社会的快速发展，各行各业的发展都离不开电力行业的支持。
通过科学的电力需求预测来科学地规划电力系统、适时调整电力供应，不仅是保障电力工业健康、稳定发展的重要条件，而且是电力生产调度和市场营销的重要依据。
近年来，国内外学者对电力需求预测的模型进行了研究，预测理论技术不断地进行改进，其中电力需求预测的经典方法有适用于大区域中长期预测的电力弹性系数预测法、适用于中短期宏观预测的单耗法、适用于中长期宏观预测的转导法与类比法和适用于城市电网规划方面预测的负荷密度法。
随着科学技术的不断发展，新的预测技术不断出现，如时间序列预测方法、回归预测方法、投入产出预测方法、神经网络、遗传算法（ＧＡ）和系统动力学（ＳＤ）等。
汲国强等选用（对数平均迪氏指数）ＬＭＤＩ分解模型对用电增长量进行分解，根据影响因素分解为生产效应、结构效应和强度效应，然后选用布谷鸟搜索优化的最小二乘支持向量机对各效应进行拟合及预测在加总得到预测用电需求量［１］。
程鹏等将人工神经网络和灰色预测方法相结合提出了一种并联灰色神经网络预测方法［２］。
电力负荷预测模型与分析
电力负荷预测模型与分析电力负荷预测是电力系统中的重要环节，它对于电力生产和调度具有重要意义。
通过准确预测电力负荷，可以合理安排电力资源，提高供电可靠性，并有效降低成本。
本文将介绍电力负荷预测模型与分析的相关内容，探讨其中的方法与应用。
一、电力负荷预测模型的分类电力负荷预测模型可以分为经典模型和基于机器学习的模型两类。
1. 经典模型经典的电力负荷预测模型主要包括回归模型、时间序列模型和神经网络模型。
回归模型是一种基于统计方法的预测模型，它通过建立负荷与影响因素的数学关系，如温度、湿度、日期等，来预测未来的电力负荷。
常见的回归模型包括线性回归、多项式回归和岭回归等。
时间序列模型是一种基于时间序列数据进行预测的模型。
常见的时间序列模型包括ARIMA模型、VAR模型和GARCH模型等。
这些模型可以考虑历史数据的趋势、周期性和随机性，并根据这些规律进行负荷预测。
神经网络模型是一种基于人工神经网络的预测模型，它通过构建复杂的网络结构，使用反向传播算法进行训练，以实现对电力负荷的预测。
常见的神经网络模型包括BP神经网络、RNN神经网络和LSTM神经网络等。
2. 基于机器学习的模型近年来，随着机器学习算法的发展，基于机器学习的电力负荷预测模型越来越受到关注。
支持向量机是一种常用的机器学习方法，它通过构建高维特征空间，并寻找最优超平面，来实现对电力负荷的预测。
随机森林是一种集成学习方法，它通过构建多个决策树，并结合这些决策树的结果进行预测。
随机森林可以有效地处理高维特征和大规模数据，并具有较好的预测效果。
深度学习是一种基于神经网络的机器学习方法，它通过构建多层的神经网络，使用反向传播算法进行训练，以实现对复杂问题的预测。
深度学习在电力负荷预测中取得了显著的成果，尤其是基于卷积神经网络和循环神经网络的模型。
二、电力负荷预测模型的应用电力负荷预测模型在电力系统运行和调度中具有广泛应用。
1. 电力供需平衡电力负荷预测模型可以帮助电力公司合理安排电力资源，以满足用户的电力需求。
浅谈电力学之输电阻塞管理模型
浅谈电力学之输电阻塞管理模型摘要：本文在现有市场条件下，研究电网的输电阻塞管理问题，文中假设局部线性化，采用多维线性回归求得阻塞费用和机组出力分配预案，并根据交易规范，考虑到时间效率，采用Huffman决策树和递归策略来进行分配预案，进而求得计算公式，进行阻塞优化调整，得到输电阻塞管理模型。
关键词：多元线性回归模型；递归策略；Huffman决策树0 引言我国电力市场一直在进行整改，电力市场的输电阻塞管理愈发重要，因为电能传输时有输电线路传输容量的限制，所以必须调整机组出力分配方案，消除阻塞，以免发生危险。
本文在遵循电网“安全第一”的原则下，查阅了2013年的电网统计年鉴[1]，并对当前市场现状进行调查，得出分配预方案，调整计算公式，从而制定出电网市场管理模型。
1 输电阻塞管理模型的建立首先应研究线路潮流与机组出力的关系，根据2013年的统计年鉴，发现两者即使在给定的输电系统下也很难有明确的函数关系，只有统计数据的规律性。
其次考虑到阻塞费用问题，其涉及到机组利益损失，必须合理分摊。
然后进行预案计算，阻塞检查，对其进行调整并利用安全裕度输电等规划出力分配。
1.1 引进潮流分布公式以2013年的电网统计年鉴为样本，利用两种多维回归模型求出潮流分布近似公式，首先进行回归模型的建立[2]Pj=ijbi +ej（1）或Pj=ijbi +cj+ ej（2）其中Pj+表示第j条线路上的有功潮流值（单位MW）、aij表示第j条线路有功潮流值在第i台机组出力值上的线性系数、bi 表示第i台发电机的出力调整值、cj表示第j条线路有功潮流在各机组出力近似公式上的常数项、ej～N（0，δ）为误差项，j=1，2，3……采用最小二乘法估计aij和bj得方程[3]KTKAj=KTLJ解得Aj的最小二乘估计值，并且可知方程为Aj的无偏估计。
1.2 回归结果的检验与求解首先运用假设检验方法验算样本值：假设条件[4]1：a1j= a2j= a3j= a4j= ...= anj= 0假设条件2：对于i = 1，2，. . . ，n至少存在一个aij 不等于0.然后利用MATLAB统计工具箱进行检验，发现公式（2）与实际情况更加吻合，所以应该用公式（2）进行计算，从而得出结论，即对于给定电网，功率应按需分配。
线性回归短期负荷预测
摘要短期电力负荷预测是电力系统运行调度中非常重要的内容，它既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，又是能量管理系统的组成部分，也是今后进行电网商业化运营所必需的基本内容。
本文系统的介绍了配电网负荷预测的意义和研究现状，对现行的负荷预测方法进行了简单的总结，在综合介绍了负荷预测的分类、特点及其基本原理等的基础上，详细研究了线性回归模型在负荷预测中的应用，并对吉林白城地区进行了算例分析。
关键字：电力系统、短期负荷预测、线性回归ABSTRACTShort-term load forecasting is very an important element in the scheduling of power system operation, it is both the important aspects to ensure safe and economic operation of power system and scientific management and scheduling of power grid, and an integral part of the energy management system, also the basic content of the future power grid commercial operation.This paper introduces the significance of load forecasting and summarizes the existing load forecasting method, then introduces its classification, characteristics and the basic principles. In the paper, I studies linear regression model in the load forecasting, and list a numerical example in an area of jilin baicheng.KEY WORDS: power system, short-term forecasting, linear regression目录摘要 (I)ABSTRACT (II)第1章绪论 (1)1.1 选题背景与意义 (1)1.1.1 选题的背景 (1)1.1.2 选题的意义 (1)1.2 国内外研究负荷预测的现状 (1)1.2.1 传统预测方法 (2)1.2.2 人工智能预测方法 (2)1.3 本文的主要研究工作 (4)第2章电力负荷预测的概论 (5)2.1 电力负荷预测的分类 (5)2.1.1 按预测周期分类 (5)2.1.2 按行业分类 (5)2.1.3 按负荷预测特性分类 (5)2.2负荷预测的特点 (5)2.3 电力系统负荷预测的基本原理 (6)2.4 负荷预测的基本步骤 (7)第3章线性回归模型在短期负荷预测中的应用 (9)3.1短期负荷预测的基本模型 (9)3.1.1 影响负荷变化的因素 (9)3.1.2 负荷预测模型的要求 (10)3.1.3 短期负荷预测基本模型 (11)3.2 线性回归模型的概念与特点 (11)3.2.1 线性回归模型的概念 (11)3.2.2 线性回归的特点 (12)3.3 一元线性回归模型 (13)3.4 多元线性回归模型 (14)3.4.1 多元线性回归的定义 (14)3.4.2 多元线性回归模型的数学表达 (14)3.5 线性回归模型的建立 (15)3.6 算例分析 (15)3.6.1 确定预测内容 (15)3.6.2 资料搜集 (15)3.6.3 基础资料分析 (25)3.6.4 建立负荷预测模型 (25)3.6.5 进行负荷预测 (25)第4章总结 (28)参考文献 (29)致谢 (30)第1章绪论1.1 选题背景与意义1.1.1 选题的背景近些年来，随着电力市场改革的深入开展，用电用户的负荷对电力系统输送的电能质量的要求也越来越高。
电力负荷预测第七章 回归分析预测法
主要内容
1.模型描述 2.参数估计 3.相关系数 4.显著性检验 5.预测及预测区间的确定 6.算例
1.模型描述
因变量
自变量
y a bx
i
i
i
——一元线性回归模型
i 1, n
xi: 影响因素（可以控制或预先给定）；
ε：各种随机因素对y的影响的总和，服从正态分布 ，即
ε~N(0, σ2)；
教学重点
●相关分析与回归分析的基本概念； ●一元线性回归模型的建立与参数检验；
教学难点
●相关系数的含义 ●参数检验的作用
一.概述
回归分析预测法——
从各种现象的相互关系出发，通过对与预测对象有 联系的现象的变动趋势分析，推算预测对象未来状态数 量表现的一种方法。
负荷y
x1
xj
影响 因素
时间
y=f(t)—时间序列模型 y=f(x) —关联序列模型
②需区分自变量与因变量。
●相互联系——先相关分析，后回归分析。
相
回
关
归
分
分
析
析
判断关联关系 初级
可建模推算预测 高级
●相关分析是回归分析的基础； ●序列相关并不一定能建立回归模型；
4.相关分析与回归分析的作用
●对数量关系的研究分析，深入认识现象之间 的相互依存关系。
●通过对回归模型，进行预测和预报。
i
(y i
yi
)2
(y y)2 i
Q Q
1
2
Q1
(
y i
yi
)2
剩余离差（或残差平方和）
Q ( y y)2 回归离差（或回归平方和）
2
i
离差项的物理含义：
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
规则。
【 关键词 】有功潮流；电力阻塞；逐 步线性回归
１ ． 引 言
我国的发 电侧 电力市场 ，采取交 易与调度 体 化 的模 式， 电网公 司在组织交 易和 配送时 必须 遵循 “ 安 全第一 ”的原则，遵守 电力市场
一
其他类 型电网亦可按 此法进行分 析 ，因此本 算 法有较高 的应用价值 。 ２ ． 有功潮流 与出力的线性模型 根据 工程 经验 ，可知有 功潮流与机组 出力
所 示：图ｌ 中的模型优化记 录 （ Ｍ ｏ ｄ ｅ ｌ Ｈ ｉ ｓ ｔ ｏ ｒ ｙ ） 际报价 的差价损失 ，易量化 。 是均方差 （ Ｒ Ｍ Ｓ Ｅ ） 变化 趋势 图，可 见确实是逐步 序 内容量 的损 失主要来 自实 际分 配出力小 优化的。 于初始分配出力导致 的损失 ，难量化：但 是同 由图１ 可得 到最优 结果 ，并且 产生 了常数 时序 内容量有清算价高于实际出力价的好处。 项（ 截 距Ｉ ｎ ｔ ｅ ｒ ｃ ｅ ｐ ｔ ） 。此时 的均方差 （ Ｒ Ｍ Ｓ Ｅ ） 为 考虑到平衡 性和 简明性 ，采取使 得序 内容 ０ ． ０ ３ ５ ９ ８ ９ １ ，回归 系数 为０ ． ９ ９ ９ ５ １ ，可 以认为 已 量 与序外容 量差价最 小为最优公式 一一这实 际 经达到 了较高的精度 。 上 是 近似 结 果 。 由于显示数据往往存在 着部分特例或者 不 数据量符号约定如 下： 像是数据 项，会对分 析结果造成较 大干扰 ，所 ｘ ｉ 一一表示第 ｉ 组 的出力分配值 以下一步 则应该剔 除明显无关项 。由ｘ ８ 数据 项 ｉ 一一表示第 ｉ 条线路的 当前潮流值
Ｉ 丝． 皇王研霾…………………………一
电 力 阻 塞 回 归 预 测
一 ［ ． 一
民 冉 莉
南京 中网卫星通信 股份有限公 司 王
【 摘要 】本文通过对 电力市场规 则的综合分析， 确定 了阻塞管理 的完整流程 包括：各发 电机组对各 线路上有功潮流 影响 的近 似表达武；关于 阻塞费用 的优 化。通过分析某
实际电网年 运营数据 数据的特点，运用逐步线性回归方法快速地得 出了各线路上有功潮流关于各发 电机组的 出力的近似表达 式，同时对其进行 了误差分析 ，证 明了表 达武
的合理性和准确性；并根据阻塞管理原则 ，考虑 了发电商序内容量不能 出力的的利润损失和序外容量在清算价上 出力所造成利润损失 ，设计 了合理 、公平 的阻塞 费用计 算
小的方 向）取决于 电网结构和各 发电机组 的出 力 ，每 条线路上 的有 功潮流 的绝 对值有一个 安 全 限值 ，限值还具 有一定 的安全 裕度 ，如 果各 机组 的出力分配方 案使 某条线路 上的有功潮流 绝对值超 限值称为 输电阻塞 。当发生输 电阻塞 时 ，进行安全经济 的阻塞管理是势在必行 的。 由于 电网有功潮流 、出力及经济指标 取决 于 很多 复杂 因素 ，所 以本 文 以某 电网８ 条线 路 的实 际年运 营数据 为基准 ，建 立 了一套完整 的 计算 与预测算法 ，并且在 实际中得到 了验 证 。
抽样行矩阵Ｅ ｃ ｌ ｆ ａ 做检验。 因为产生 了常数 项。故 须对Ｅ ｃ １ ｆ ａ 矩 阵末 尾添加元素 １ ，以考虑常数项 。 检验结果为潮小的经济 目标来运 作 。市场交 易一一高度 中心根据负荷预 报和交
可根据现实监测数据近似表示为线性模 型。所 以 以某号线路为例 ，执行命令ｖ ａ ｔ （ ［ Ｅ ｃ ｌ ｆ ａ ， ￣ ， 首先我们需要拟合出该模型。线性回归求解 ： １ ６ ４ ． ７ ８ ］ ） 可得方差为：０ ． ０ ０ ２ ２ ７ ７ ２ ３ ９ ７ ３ ８ ２ １ 易规则制订满 足 电网安全 运行的各发 电机组 的 由于全 回归 （ Ｒ ｅ ｇ ｒ ｅ ｓ ｓ ） 的误差 较大 ，因此 方差较 小，说 明本模 型结果精度较 高。 出力分配方 案，在执行 调度计划 的同时，实时 采 用逐 步 回归 （ Ｓ ｔ ｅ ｐ ｗ ｉ ｓ ｅ ） 来剔除相关项 。回归 ３ ． 阻塞费用计算规则 及讨论 调度承 担Ａ Ｇ Ｃ（自动发 电控 制 ）辅助 服务 的机 目 标 ：逐步剔 除或引入相关 项，最终使得 均方 由于负荷需求必须满足 ，因此序 内容 量的 组出力，以跟踪电网中实时变化 的负荷。 差（ Ｒ Ｍ Ｓ Ｅ ） 最小 ，回归系数 （ Ｒ — ｓ ｑ ｕ ａ ｒ ｅ ） 最大的是 损失量必须 由等量 的序外容量弥补 。 电网上 的每 条线路上 的有 功潮流 （ 包括大 最 优解 。对于 某号 线路 ，逐步 回归结 果如 图１ 而序外容量 的损失 主要来 自清 算价ｅ ｔ 与实
．
０
０
０’
“ ＿ ¨
… … …
～ － ｑ 口 ｌ
一
ｒ ． １
Ｏ・Ｏ
由此可得某号线路潮 流值与各机组 出力的 近似表达式如下 ：
±＝０． ０ ８２ ８ ４１ ．ｘ１ ＋０ ． ０４ ８２ ７ ９． ｘ ２＋ ０． ０ ５２ ９ ７ｌ ＊ ｘ３ ＋Ｏ ．１ １ ９ ９ ３ ． ｘ ４ — ０ ． Ｏ ２ ５ ４ ４１ ｝ ｘ５ ＋ ０ ． １ ２ ２ ０ ｌ ＇ ｘ ６ ＋ ０ ．１ ２１ ５ ８ ． ｘ ７ — ０ ． ０ ０ １ ２ ２ ５ ６ ＂ ｘ ８ ＋ １ １ ０ ． ３