电力负荷预测设计实现论文
中长期电力负荷预测系统设计本科论文
北华大学毕业设计（论文）论文题目：中长期电力负荷预测系统设计班级学号：_________________________ 姓 名：_________________________专 业 名 称：________________________2015年06月05日电子11—1 09号 电子信息科学与技术北华大学毕业设计（论文）毕业设计题目：中长期电力负荷预测系统设计作者：_________________________指导教师：单位：北华大学协助指导教师：单位：单位：完成日期：2015年06年05摘要中长期电力负荷预测是目前非常受人们关注的研究方向，精准的预测，是高效地完成电力系统规划的基础。
而且由于现代化的工业和农业的水平一直都在不断发展之中，人民群众生活的水平也在日益的提高，整个社会对电力供应的需求量也在不断的增长。
因此为了能够满足日益增加的社会电力需要，就必须而且一定得不断扩大电力系统的规模。
所以趋于合理的精确的电力负荷预测已成为迫切的需要，而且预测的水平已成为衡量一个电力部门的管理是否跨入国际先进行列的重要象征，尤其是我国的电力事业现在正处于迅猛发展的阶段，成功的解决电力负荷预测问题的考验已经成为我们所要面对的一项重要而又艰巨的任务，对我国的国民经济和民族强盛具有十分深刻的意义。
本文在开头先简要地对中长期电力负荷预测研究的国内外背景和意义、以及预测的原理进行了介绍，简要的概述了中长期电力负荷预测研究的现状，简要的介绍了预测的分类、特征、以及影响负荷预测的诸多因素，最后多方比较后决定从灰色理论的方法着手，建立GM(1,1)模型，来对未来一定时间内吉林省的电力负荷进行预测。
关键词：电力负荷，预测，灰色理论，GM（1，1）模型- 1 -AbstractMedium - and - term electric load forecasting is the research direction of the people pay close attention to at present, accurate forecast, it is the foundation that the electric power system plan is accomplished effectively.And because the modern industry and agriculture level always in the continuous development of people's living level also in the increasingly improved, the whole society on the power supply demand also in constant growth.Therefore, in order to meet the need of increasing social power, it is necessary and must enlarge the scale of power system..So tending to reasonably accurate power load forecasting has become the urgent need and predict the level has become the measure of the management of a power sector is entering an important symbol of the advanced ranks.Especially in China's power industry is now in the stage of rapid development,The successful solution to the problem of power load forecasting has become an important and difficult task we should face.,It has very deep significance for our country's national economy and the national power..In the beginning, the paper briefly introduces the long-term power load forecasting of its domestic and international background, and the principle of forecasting.,And the present situation of the medium and long term load forecasting is briefly summarized.,And briefly introduced the forecast classification, the characteristic, and the influence load forecast many factor,Finally, the method of gray theory is decided to decide the method of gray theory.,The establishment of GM (1,1) model, to predict the power load of Jilin province within a certain time in the future.Key words:Power Load,Forecasting,Gray theory,Model of GM(1,1)- 2 -目录摘要........................................................................................................................ - 1 -Abstract ........................................................................................................................ - 2 -引言 ....................................................................................................................... - 1 -1绪论 .............................................................................................................................. - 2 -1.1中长期电力负荷预测的意义及背景............................................................. - 2 -1.2国内外发展现状 .............................................................................................. - 2 -1.3研究中存在的问题.......................................................................................... - 3 -1.4本文的主要工作 .............................................................................................. - 3 -2中长期电力负荷预测的原理..................................................................................... - 5 -2.1电力负荷预测的原理...................................................................................... - 5 -2.2电力负荷预测的特点...................................................................................... - 6 -2.3电力负荷预测的方法及特点 ......................................................................... - 6 -2.4影响电力负荷预测的因素.............................................................................. - 9 -3基于灰色模型的中长期电力负荷预测 ..................................................................- 10 -3.1灰色系统理论 ................................................................................................- 11 -3.2灰色生成.........................................................................................................- 11 -3.2.1累加生成 .............................................................................................- 11 -3.2.2累减生成 .............................................................................................- 12 -3.2.3均值生成 .............................................................................................- 13 -3.2.4级比生成 .............................................................................................- 14 -3.3灰色预测模型建立........................................................................................- 14 -3.4灰色预测模型的精度检验............................................................................- 16 -3.4.1相对残差检验.....................................................................................- 18 -3.4.2后验差检验 .........................................................................................- 18 -3.4.3关联度检验..........................................................................................- 20 -3.5改进的灰色预测模型....................................................................................- 21 -3.5.1残差模型 .............................................................................................- 21 -3.5.2等维新息模型.....................................................................................- 21 -3.5.3参数修正模型.....................................................................................- 21 -3.5.4GM(1,N)模型的建立...........................................................................- 23 -3.5.5灰色模型群的建立.............................................................................- 25 -4吉林省中长期电力负荷预测实例分析 ..................................................................- 26 -4.1样本采集与处理 ............................................................................................- 26 -4.2仿真及预测.....................................................................................................- 26 -4.3改进的GM(1,1)模型.....................................................................................- 35 -结论......................................................................................... 错误！未定义书签。
电力系统中的电力负荷预测技术的应用实践
电力系统中的电力负荷预测技术的应用实践随着电力需求的不断增长，电力负荷预测技术在电力系统中的应用变得越来越重要。
通过准确预测电力负荷，电力系统运营者可以合理安排发电计划、优化供需平衡、提高电力系统的稳定性和可靠性。
本文将对电力系统中的电力负荷预测技术进行简要介绍，并探讨其在实践中的应用。
首先，了解电力负荷预测技术的基本概念和方法对于我们理解其应用实践具有重要意义。
电力负荷预测是基于历史电力负荷数据和其它相关数据，利用数学统计方法和人工智能技术，对未来一段时间内的负荷进行预测和估计。
常用的电力负荷预测方法包括时间序列分析、回归分析、神经网络等。
其中，时间序列分析是一种基于历史负荷数据的统计方法，可以通过分析负荷的周期性、趋势性和随机性等特征，进行预测。
回归分析则是通过建立负荷与其它变量之间的数学模型，预测负荷。
神经网络是一种基于人工智能的方法，通过学习历史负荷数据的模式和规律，进行负荷预测。
在实践中，电力负荷预测技术经常用于日前负荷预测、短期负荷预测和长期负荷预测。
日前负荷预测主要是根据已有的历史数据和当天的天气情况，对当天的负荷进行预测。
短期负荷预测是指对未来几天或几周的负荷进行预测，可用于合理调度发电设备、购买电力和制定用电计划等。
长期负荷预测则是对未来几个月或几年的负荷进行预测，可用于电力规划和电力市场分析等。
在实践中，日前负荷预测和短期负荷预测的准确性要求较高，因为电力系统运营者需要根据这些预测结果来决定当天的发电计划和电网调度计划。
然而，电力负荷预测技术的应用也面临一些挑战。
首先，电力负荷受到很多因素的影响，如天气、节假日、工业生产等，这些因素的变化难以准确预测。
其次，负荷数据的缺失或不完整也会影响预测结果的准确性。
另外，电力负荷预测的时间粒度不同，对数据的要求也不同，例如日前负荷预测需要天级别的数据，而短期和长期负荷预测需要更长的时间间隔的数据。
为了应对这些挑战，电力系统运营者和科研人员开展了大量的研究和探索。
《2024年电力系统负荷预测研究综述与发展方向的探讨》范文
《电力系统负荷预测研究综述与发展方向的探讨》篇一一、引言随着社会经济的快速发展和人民生活水平的持续提高，电力系统的稳定运行与高效管理成为了一个国家发展的重要支撑。
电力负荷预测作为电力系统管理的重要组成部分，对于提高能源利用效率、优化电力资源配置、减少电力损耗及满足社会电力需求具有十分重要的意义。
本文旨在全面梳理电力系统负荷预测的研究现状，探讨其发展趋势，以期为未来的研究提供参考。
二、电力系统负荷预测研究综述1. 传统预测方法传统的电力系统负荷预测方法主要包括时间序列分析、回归分析、专家系统等。
时间序列分析通过分析历史负荷数据，建立数学模型，预测未来负荷。
回归分析则通过分析影响负荷的各种因素，建立回归方程进行预测。
专家系统则依靠专家经验与知识进行预测。
这些方法在一定的应用场景下具有其优势，但同时也存在预测精度不高、泛化能力不强等问题。
2. 现代预测方法随着人工智能技术的快速发展，越来越多的学者开始将人工智能技术应用于电力系统负荷预测。
其中，基于人工智能的预测方法如神经网络、支持向量机、深度学习等在电力负荷预测中取得了显著的成果。
这些方法能够有效地处理非线性、高维度的数据，具有较高的预测精度和泛化能力。
（1）神经网络神经网络是一种模拟人脑神经元工作方式的机器学习算法，其在电力负荷预测中具有广泛的应用。
通过训练神经网络模型，可以有效地捕捉电力负荷的时空特性、气候特性等影响因素，提高预测精度。
（2）支持向量机支持向量机是一种基于统计学习理论的机器学习算法，其通过寻找能够将数据集进行最佳分类的超平面来实现对数据的分类和预测。
在电力负荷预测中，支持向量机能够有效地处理高维度的数据，具有良好的泛化能力。
（3）深度学习深度学习是机器学习的一个分支，其通过构建多层神经网络来模拟人脑的复杂工作方式。
在电力负荷预测中，深度学习能够处理复杂、非线性的数据关系，具有较高的预测精度。
目前，深度学习在电力负荷预测中的应用已成为研究热点。
中长期电力负荷预测研究毕业论文
中长期电力负荷预测研究毕业论文目录摘要 (1)第一章绪论 (3)1.1中长期负荷预测研究背景和意义 (3)1.2负荷预测的基本原理 (4)1.3负荷预测的方法及特点 (5)1.4研究现状 (8)1.5目前存在的问题 (8)1.6本文的主要工作 (9)第二章负荷预测的方法 (10)2.1负荷预测的分类 (10)2.2负荷预测的特点 (11)2.3影响中长期负荷发展的因素 (12)2.4负荷预测的误差分析 (13)2.4.1产生误差的原因 (14)2.4.2预测误差分析 (14)第三章回归分析基本理论及预测模型 (16)3.1回归分析的基本思想 (16)3.2回归分析的基本原理与方法 (16)3.2.1基本原理 (16)3.2.2基本方法 (16)3.3回归分析步骤 (17)3.4实例分析 (18)第四章灰色系统的基本理论及预测模型 (22)4.1基本原则 (22)4.2基本方法 (23)4.3灰色系统建模的机理 (24)4.4灰色序列及其生成方法 (24)4.4.1累加生成 (25)4.4.2累减生成 (25)4.4.3均值生成 (26)4.5数列灰预测模型 (27)4.5.1灰色预测模型的建模 (27)4.5.2灰色预测模型的检验 (30)4.6 实例分析 (32)第五章总结和展望 (37)参考文献 (38)致谢 (39)附录一灰色模型仿真程序 (40)附录二翻译 (45)附录三任务书 (71)附录四开题报告 (75)第一章绪论1.1中长期负荷预测研究背景和意义电力负荷的预测意义不言而喻，当代社会处处离不开电，电力负荷同国民经济密切相关。
把生产出来的电能合理地分配给各地区，各工厂，各居民用户，同时维持稳定的电压、恰当功率，是电力系统的基本要求。
由于电能不能大量储存，生产的负荷不能太大，也不能太小，所以精准的费和预测对保持电网安全稳定运行具有重大意义；对于一个发电企业如果能提前知道某地区的用电量，可以减少不必要的储备容量；对于一个电网系统，明确子系统的用电量，无疑可以更合理地分配负荷，避免不必要的启停，减少意外的经济损失；对于整个国家，依据电力负荷和国民经济的密切关系，准确的负荷预测有利于国民经济的宏观调控。
电力负荷预测方法的研究毕业论文
毕业设计（论文）文献综述系别：电子与电气工程系年级专业：2009级电气工程与其自动化姓名：AA学号：09AAAAAA题目名称：电力负荷预测方法的研究电力负荷预测方法的研究文献综述[容摘要]：负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。
讨论了年度负荷预测、月度负荷预测和短期负荷预测的特点、成熟方法，分析了负荷预测问题的各种解决方案，并指出未来的主要研究方向。
根据国电力系统负荷预测的实践和国外的经验，对我国开展电力系统负荷预测工作提出了一些建议。
[关键词]:电力系统;负荷预测;模型;参数辨识电力负荷预测方法与应用一、概述电力工业是国民经济的基础工业。
随着我国产业结构完善和人民整体生活水平的改善，对电能的需求逐年加大，同时对电力质量的要求也越来越高，且由于电能生产和消费的同时性，对电网建设和布局提出了更高的要求。
电力负荷预测是电网规划建设的依据和基础。
随着电力工业在国民经济中扮演着越来越重要的角色，电力负荷的正确预测显得尤为重要。
电力负荷预测是指通过对电力系统负荷历史数据的分析和研究，运用统计学、数学、计算机、工程技术与经验分析等定性定量的方法，探索事物之间的在联系和发展变化规律，对未来的负荷发展做出预先估计和推测。
电力负荷预测结果的准确与否直接关系到电力投资的效益，供电的可靠性，用电需求的正常发展，以与社会的经济效益和社会效益。
但要做到预测准确或较准确是很困难的，因为影响电力负荷预测的因素相当多，且由于各地区产业结构和人民生活水平不同，各具体因素对电力负荷预测的敏感度是不一样的，因而电力负荷预测具模糊性。
回顾我国“十五”期间的预测情况与实际发展情况是很有意义的。
基于“九五”期间国民经济和电力工业的发展状况，在全国电力供需趋于平衡的前提下，我国制定的“十五”规划对电力工业发展提出了“可持续发展”的要求：电力工业发展方式要从数量速度型向质量效益型转变，从以供给导向为主转向以需求导向为主，优化电力资源配置。
电力系统中的负荷预测问题研究
电力系统中的负荷预测问题研究概述电力系统是现代社会中不可或缺的基础设施之一。
为确保电力供应的稳定和安全，准确预测负荷变化是非常重要的。
负荷预测是指对未来一段时间内电力系统负荷的变化进行估计，以便电力公司和系统运营商合理规划和安排电力供应。
负荷预测涉及到多个因素，如天气、季节、节假日等，需要借助先进的预测模型和方法来进行准确预测。
传统方法在过去的几十年中，传统的负荷预测方法主要基于统计学模型。
这些模型通过分析历史数据来推断未来负荷。
其中最常用的方法是基于回归分析的时间序列模型，如ARIMA模型、指数平滑法和季节性分解法。
尽管这些方法在某些情况下可以得到较好的预测结果，但随着电力系统的复杂性和数据的丰富性增加，它们逐渐显示出一些局限性。
挑战和现代方法负荷预测面临许多挑战，包括负荷的非线性、不确定性和复杂性。
为了应对这些挑战，研究人员提出了许多基于机器学习的现代方法。
一种常用的现代方法是基于人工神经网络（Artificial Neural Network，ANN）的负荷预测模型。
ANN模型是一种模拟人脑神经元工作原理的计算模型，通过多层神经元的连接和权重调整来学习输入和输出之间的非线性关系。
ANN模型能够自动捕捉负荷变化中的复杂模式和关联，从而提高预测准确度。
另一种常见的方法是基于支持向量机（Support Vector Machine，SVM）的负荷预测模型。
SVM模型是一种通过将数据映射到高维空间来解决非线性问题的机器学习方法。
它通过寻找一个最优的超平面来划分不同类别的数据，从而达到最佳的分类效果。
在负荷预测中，SVM模型可以将负荷数据映射到高维特征空间，通过构建一个分类边界来预测未来的负荷。
此外，还有一些其他的现代方法如基于决策树的模型、基于遗传算法的模型等，它们都在一定程度上改善了负荷预测的准确性。
应用案例负荷预测在电力系统中有广泛的应用。
电力公司和系统运营商可以利用负荷预测来优化电力供应和调度，合理安排电力发电和输电计划。
电力系统中的电力负荷预测研究
电力系统中的电力负荷预测研究引言随着经济的快速发展和人民生活水平的提高，电力需求呈现出愈发增长的趋势。
电力负荷预测在电力系统运行与规划中扮演着重要角色。
准确的负荷预测能够有效地提高电力系统的运行效率，优化发电计划和资源配置，降低电力供需之间的差距。
本文将深入探讨电力系统中的电力负荷预测研究。
一、电力负荷预测的背景与意义1.1 电力系统中电力负荷的特点和需求电力负荷是指用户和设备在一定时期内对电力系统的电能需求。
电力负荷的变化随时间和季节的变化而产生差异，同时也受到天气、经济等因素的影响。
了解电力负荷的变化规律对于电力系统的安全运行和供需平衡至关重要。
1.2 电力负荷预测的意义准确的电力负荷预测有助于电力系统的经济运行和规划。
首先，它能够帮助电力公司预测用户需求，合理安排发电设备运行，以避免供应过剩或不足。
其次，它可以为电力系统的规划提供基础数据，指导新电站和输电线路的建设。
二、电力负荷预测的方法2.1 时间序列方法时间序列方法是一种基于负荷历史数据进行预测的方法。
它假设未来的负荷变化与过去的负荷变化有关，并通过对历史数据进行分析和建模，来预测未来的负荷。
常用的时间序列方法有移动平均法、指数平滑法和季节性分解法等。
2.2 回归分析方法回归分析方法是一种通过建立负荷与影响因素之间的数学模型来进行负荷预测的方法。
它将负荷作为因变量，而时间、气温、经济因素等作为自变量，通过对历史数据进行回归分析，来确定各个因素对负荷的影响程度和趋势。
2.3 人工智能方法人工智能方法在电力负荷预测中也得到了广泛应用。
包括神经网络、遗传算法、支持向量机等方法。
这些方法能够通过对大量历史数据的学习，构建复杂的非线性模型，增强负荷预测的准确性和稳定性。
三、电力负荷预测研究的挑战和发展方向3.1 模型精度和稳定性负荷预测的精度和稳定性是研究的重点和挑战。
负荷受到多个因素的影响，如气温、天气、经济等，这些因素之间的关系复杂多变，如何准确刻画它们之间的关系并进行预测是一个难点。
电力负荷预测与调度系统的设计与实现
电力负荷预测与调度系统的设计与实现电力负荷预测与调度是电力系统运行中至关重要的一环。
准确预测电力负荷可以帮助电力公司合理规划发电计划、优化电力资源配置，提高供电质量和效率。
同时，科学合理的电力调度可以保证电力系统的稳定运行，有效解决电力供需矛盾。
本文将介绍电力负荷预测与调度系统的设计与实现，并提供一种可行的解决方案。
1. 系统设计要点电力负荷预测与调度系统的设计需要考虑以下要点：- 数据收集与处理：收集历史负荷数据、天气数据等，并进行数据清洗和预处理，以提高负荷预测的准确度。
- 模型选择与训练：选择适合的预测模型，如时间序列分析、机器学习等，并利用历史数据进行模型训练，以获得准确的负荷预测结果。
- 负荷预测算法：根据实际需要选择合适的算法，并考虑不同时间尺度的预测，如长期预测、中期预测和短期预测等。
- 调度决策：根据负荷预测结果和电力系统的运行状况，制定相应的调度方案，确保电力供应与需求的平衡，同时考虑经济性和稳定性等因素。
- 实时监控与控制：建立实时监控系统，及时获取当前负荷和发电信息，并迅速响应异常情况，进行调度控制，保障电力系统的正常运行。
2. 负荷预测模型负荷预测模型是电力负荷预测与调度系统的核心。
根据实际需求，可以选择不同的预测模型，如ARIMA模型、神经网络模型等。
ARIMA模型是一种基于时间序列的统计模型，可以用来预测未来一段时间内的负荷值。
该模型主要包括三个部分：自回归(AR)、差分操作(I)和滑动平均(MA)。
通过选择合适的参数，ARIMA模型可以很好地拟合历史负荷数据，并进行准确的预测。
神经网络模型是一种模仿人脑神经元工作原理的计算模型，能够对非线性问题进行建模和预测。
常用的神经网络模型有BP神经网络、RBF神经网络等。
通过对历史负荷数据进行训练，神经网络模型可以学习到负荷预测的规律，并预测未来负荷值。
3. 负荷预测算法负荷预测算法是负荷预测模型的具体实现方式。
在选择负荷预测算法时，可以考虑以下几个因素：- 数据特征分析：对历史负荷数据进行分析，提取出特征变量，如时间、季节、节假日等，以提高预测精度。
- 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)。
电力负荷预测设计与实现摘要：在对大量历史负荷数据进行统计分析的基础上，根据电力负荷的特点，在考虑天气温度、日类型、实际历史负荷等因素对预测负荷影响的基础上，本文介绍了一种基于bp神经网络的短期负荷预测方法。
该方法充分发挥了神经网络处理非线性问题的能力和人工神经网络自学习、自适应的优点。
实际算例表明，这种方法应用在短期负荷预测方面有较高的精度。
关键词：电力负荷预测电力负荷电力负荷预测基本算法0、引言短期负荷预测是随着电力系统ems的逐步发展而发展起来的，现已经成为ems必不可少的一部分和为确保电力系统安全经济运行所必需的手段之一。
短期负荷预测技术经过几十年的发展，人们提出了许多的预测方法。
现有的预测方法大体可以分为2类：经典的数学统计方法以及上世纪90年代兴起的各种人工智能方法。
1、电力负荷预测综述电力负荷有两方面的含义：一方面是指电力工业的服务对象；另一方面是指上述各用电单位、用电部门或用电设备使用电力和电量的具体数量。
电力负荷预测中的负荷概念是指国民经济整体或部门或地区对电力和电量消费的历史情况及未来的变化发展趋势。
电力负荷预测工作既是电力规划工作的重要组成部分，也是电力规划的基础。
本文运用神经网络对某市某年某月某日进行电力负荷的短期预测，它为这一地区电力规划奠定了一定的基础，同时也为这一地区电力工业布局、能源资源平衡和人力资源的需求与平衡提供可靠的依据。
因此，电力负荷预测是一项十分重要的工作，它对于保证电力工业的健康发展有着十分重要的意义。
2、电力负荷分析本文对某市进行电力短期负荷预测，电力负荷的构成与特点如下：电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。
城市民用负荷主要是城市居民的家用电器，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。
商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。
从以上分析可知电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。
3、电力负荷预测的内容及程序电力负荷预测的内容是指需要测算些什么量，归纳起来有以下一些参数需要测算：最大有功负荷及其分布；无功负荷及其分布；需电量；电力负荷曲线及其特征值。
电力负荷预测是一个过程，其一般程序可划分为准备、实施、评价与提交预测报告四个阶段。
4、电力负荷预测模型及基本算法4.1、电力负荷预测模型针对影响系统负荷的因素，电力系统总负荷预测模型一般可以按四个分量模型描述为l(t)=b(t)+w(t)+s(t)+v(t) （4-1）(1)基本正常负荷分量模型不同的预测周期，b(t)分量具有不同的内涵，对于基本正常负荷分量，可以用线性变化模型和周期变化模型描述，或用二者的合成共同描述，即（4-2）（2）天气敏感负荷分量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（4-3）（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。
（4）随机负荷分量模型上述各分量的数学模型，都不适应于随机负荷分量。
实际上，对于给定的过去一段时间的历史负荷记录，提取出基本负荷分量、天气敏感负荷分量和特别事件负荷分量后，剩余的残差即为各时刻的随机负荷分量，可以看成是随机时间序列。
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。
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。
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。
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。
（2）现代负荷预测方法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。
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。
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。
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。
5、电力短期负荷预测研究5.1、基于温度准则的外推方法对于日负荷预测来说，工作日和休假日负荷曲线差别明显，其次，天气因素，特别是温度对负荷有较大的影响，由此，采用基于温度准则的外推方法，首先根据过去数个同类型日得出预测日的负荷变化系数，认为同类型的负荷变化规律相近，其次，假定每个同类型日负荷数据和温度数据，求出其相关系数，最后,在预测到预测日最高温度和最低温度出情况下，预测出预测日的最大负荷和最小负荷，再由预测日的负荷变化系数，最终求出预测日的各点负荷预测值。
5.2、基于人工神经网络日负荷预测人工神经网络的英文名称是artificial neural networks(ann)是一种“采用物理可实现的系统来模仿人脑神经细胞的结构和功能的系统。
”本文中采用前馈型网络对电力系统短期负荷进行预测。
前馈型神经网络的基本原理是:神经网络在组成时，各个神经元通过一定权值相连，神经网络在使用之前必须确定这些权值，而没有经过训练的神经网络的权值是没有任何意义的，神经网络的学习过程就是通过已知数据确定权值的过程。
本文采用bp网络，bp网络学习规则的指导思想:对网络权值和阈值的修正要沿着表现函数下降最快的方向-负梯度方向.（5-1）假设三层bp网络,输入节点,隐层节点,输出节点.输入节点与隐层节点间的网络权值为,隐层节点与输出节点间的网络权值为.当输出节点的期望值为时,模型的计算公式如下:隐层节点的输出:l （5-2）输出节点的误差（5-3）1)误差函数对输出节点求导（5-4）2）误差函数对隐层节点求导（5-5）3）阈值的修正阈值也是变化值，在修正权值的同时也需要修正，原理同权值修正一样。
误差函数对输出节点阈值求导（5-6）4)传递函数f(x)的导数s型函数则（5-7）（5-8）求函数梯度有两种方法：递增和批处理。
递增模式，就是每增加一个输入样本，重新计算一次梯度并调整权值；批处理模式，就是利用所有的输入样本计算梯度，然后调整权值。
6、电力系统短期负荷预测建模及matlab实现6.1、基于神经网络的预测原理正向建模是训练一个神经网络表达系统正向动态的过程，这一过程建立的神经网络模型称为正向建模。
正向建模的结构如图所示，其中神经网络与待辨别的系统并联，两者的输出误差用做网络的训练信号。
逆向建模是建立动态系统的逆模型，在神经网络控制中起着关键的作用，并且得到了特别广泛的应用。
下面介绍其中一种比较简单的直接逆向建模法。
直接逆向建模也称为广义逆学习。
从原理上说，这是一种最简单的方法。
6.2、电力系统短期负荷预测建模及matlab实现电力系统负荷变化受多方面的影响，一方面，负荷变化存在着由未知不确定的因素引起的随机的波动；另一方面，又具有周期变化的规律性，这也使得负荷曲线具有相似性。
本文采用matlab软件编程、仿真，具体过程如下所示：(1)问题描述:电力系统负荷短期预报问题的解决办法和方式可以分为统计技术、专家系统法和神经网络法等。
在对短期负荷进行预报前，一个特别重要的问题是如何划分负荷类型或日期类型。
(2)输入/输出向量设计:在预测日的前一天中，每1个小时对电力负荷进行一次测量，这样一来，一天共测得24组负荷数据。
由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻的值有关，除非出现重大事故等特殊情况。
所以这里将前一天的实时负荷数据作为网络的样本数据。
(3)bp网络的设计:本文依据人工神经网络来建模，根据bp网络来预测24点负荷。
如图6.1预测24点负荷的bp网络。
图6.1预测24点负荷的bp网络（4）网络训练计算出预测日24点的归一化系数网络经过训练后才可以用于电力负荷预测的实际应用。
考虑到网络的结构比较复杂，神经元个数比较多，需要适当增大训练次数和学习速率。
可见，经过次训练后，网络误差达到要求。
（5）结论分析:本文介绍的基于bp神经网络的预测方法，在综合考虑天气情况、历史负荷和日类型等对未来负荷影响的因素后，使用了神经网络的非线性拟合等功能，取得了较好的负荷预测效果。
结束语本文介绍的电力短期负荷预测的特点，即都是受多个影响因素共同影响，且各个因素之间有着比较复杂的关系，具有高度不确定的非线性系统，利用传统的预测方法有着诸多限制，而采用神经网络方法则能较好地克服这些限制，实现精确的非线性预测。
参考文献：[1]飞思科技产品研发中心编.神经网络理论与matlab7实现[m].北京：电子工业出版社，2005[2]冉启文、单永正、王骐等.电力系统短期负荷预报的小波-神经网络-parima方法[j]. 中国电机工程学报，2003，23（3）：38-42[3]楼顺天、胡昌华、张伟编著.基于matlab的系统分析与设计——模糊系统[m].西安：西安电子科技大学出版社，2001。