浅谈电力系统短期负荷预测
电力系统的短期负荷预测模型研究
电力系统的短期负荷预测模型研究随着电力工业的发展和电力需求的增加，精确预测电力系统的短期负荷变化对于实现可靠供电和经济运营至关重要。
短期负荷预测模型是一种基于历史数据和影响因素的数学模型，可以用来预测电力系统未来的负荷需求。
本文将介绍电力系统短期负荷预测的重要性，并讨论常用的预测方法和模型，以及相关的问题和挑战。
1. 电力系统短期负荷预测的重要性电力系统负荷预测在电力生产和配电方面有着广泛的应用。
准确预测电力系统负荷的波动性、峰值和谷值等特征可以帮助电力公司优化电力供应，提高发电效率，降低运营成本。
此外，在电力市场中，对电力需求的准确预测也有助于合理调节电力价格、优化电力交易以及优化电力系统的调度和运行。
2. 常用的电力系统短期负荷预测方法和模型2.1 基于统计学的方法基于统计学的方法是最常见的电力负荷预测方法之一。
这种方法依赖历史负荷数据和相关的影响因素，如天气、日期、时间等。
常见的统计学模型包括回归分析、时间序列分析和灰色模型等。
这些模型可以准确地捕捉到负荷变化的周期性和趋势，但对于突发因素的响应能力较弱。
2.2 基于机器学习的方法近年来，随着机器学习算法的发展，基于机器学习的负荷预测模型逐渐成为研究热点。
这些模型利用大量的历史数据以及与负荷相关的特征来训练预测模型，如支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）等。
机器学习方法具有较好的非线性建模能力和模式识别能力，可以提高预测的准确性。
2.3 基于深度学习的方法深度学习是机器学习的一个分支，具有更强大的学习能力和表达能力。
例如，长短期记忆神经网络(LSTM)和卷积神经网络(CNN)等深度学习网络可以有效地处理时间序列数据和空间数据。
在电力系统负荷预测中，基于深度学习的方法可以自动提取特征并构建高度非线性的模型，提高预测精度。
3. 相关问题和挑战尽管电力短期负荷预测模型已经取得了很大的进展，但仍然存在以下问题和挑战：3.1 数据质量问题电力负荷预测模型的准确性很大程度上取决于历史数据的质量。
短期负荷预测
短期负荷预测引言短期负荷预测是电力系统运行和能源管理中非常重要的一部分。
通过对未来一段时间内的负荷进行准确的预测，可以有效地规划发电计划、购买电力和优化电网运行。
本文将介绍短期负荷预测的背景、方法和应用，并探讨电力行业中使用的一些常见的短期负荷预测技术。
背景随着经济的发展和人们对电力需求的增加，电力系统的负荷变化日益复杂。
准确地预测负荷变化对于电力系统的稳定运行和经济运营至关重要。
短期负荷预测一般指预测未来数小时、数天或数周内的负荷变化。
准确的短期负荷预测可以帮助电力系统实现以下目标：•确定电力需求，以满足各个时段的负荷需求；•优化发电计划和购买电力，以实现运营成本最小化；•预测电力需求的峰值和谷值，以优化电网运行和资源分配。
方法短期负荷预测的方法有多种，下面介绍一些常用的预测方法：统计方法统计方法是最常用的短期负荷预测方法之一。
它基于历史负荷数据进行预测，通过分析负荷的周期性和趋势来预测未来的负荷。
常见的统计方法包括：•移动平均法：根据历史负荷数据的平均值来预测未来的负荷；•季节性分解法：将负荷数据分解为长期趋势、季节性和随机成分，然后对这些分量进行预测；•线性回归法：通过拟合历史负荷数据的线性模型来预测未来的负荷。
机器学习方法机器学习方法是近年来在短期负荷预测中得到广泛应用的方法之一。
机器学习方法通过训练模型来学习输入特征与负荷之间的关系，并用学习到的模型对未来的负荷进行预测。
常见的机器学习方法包括：•支持向量机（SVM）：通过构建一个高维特征空间来将样本分为不同类别，并用于负荷预测；•神经网络（NN）：使用多层神经元来模拟人脑的学习和决策过程，对负荷进行预测；•随机森林（RF）：将多个决策树组合起来，通过投票的方式预测负荷。
基于物理模型的方法基于物理模型的方法是基于电力系统的物理特性和运行原理进行负荷预测的方法。
这种方法需要建立电力系统的数学模型，并使用模型对未来的负荷进行预测。
常见的基于物理模型的方法包括：•方程组方法：根据负荷的物理特性，建立负荷预测模型，并使用模型对未来的负荷进行预测；•优化方法：将短期负荷预测问题转化为优化问题，并使用数学优化方法求解最优解。
电力系统的短期负荷预测技术研究
电力系统的短期负荷预测技术研究随着电力行业的快速发展，电力系统的稳定运行成为了一个重要的问题。
而短期负荷预测技术的研究和应用则能够在一定程度上提高电力系统的运行效率和负荷调度能力。
本文将对电力系统的短期负荷预测技术进行深入研究和分析。
电力系统的短期负荷预测是指在未来一段时间内，对电力负荷量进行合理准确的预测。
这一预测是电力系统运行和调度的基础，对于确保电力系统的平稳运行和合理供电具有重要作用。
短期负荷预测技术主要用于日前、小时前和分钟前负荷预测，其时间跨度一般为数小时到数天。
短期负荷预测技术主要通过采集和分析历史负荷数据、天气数据以及影响负荷的其他相关因素，来预测未来的电力负荷。
常见的预测方法包括时间序列分析、回归分析、神经网络、支持向量机等。
下面将对这些方法进行详细介绍。
时间序列分析是一种常用的短期负荷预测方法，其基本思想是根据过去的负荷数据，寻找相关的时间模式，并将这种模式应用到未来的预测中。
时间序列分析方法包括移动平均法、指数平滑法、自回归移动平均法等。
这些方法都是基于历史负荷数据的统计和数学模型。
回归分析是另一种常见的短期负荷预测方法，其主要思想是根据历史负荷数据和其他相关因素（如天气数据），建立负荷与这些因素之间的关系模型，然后根据未来的天气预报数据来预测未来的负荷。
回归分析方法包括线性回归、多项式回归、逻辑回归等。
这些方法通过建立预测模型，能够较好地反映负荷与各种因素之间的关系。
神经网络是一种模拟人脑神经系统工作方式的计算模型，也是短期负荷预测中常用的方法之一。
神经网络通过构建复杂的连接关系，能够从大量的输入数据中学习和发现规律，并输出相应的预测结果。
神经网络具有较好的非线性逼近能力，在负荷预测中能够捕捉到更多的关联性。
支持向量机（Support Vector Machine，SVM）是一种基于统计学习理论的机器学习方法，其通过寻找最优的超平面来进行分类和回归分析。
在短期负荷预测中，SVM能够通过核函数将输入数据映射到高维特征空间，从而更好地处理非线性问题，提高预测的准确性。
《2024年短期电力负荷预测关键问题与方法的研究》范文
《短期电力负荷预测关键问题与方法的研究》篇一一、引言随着社会经济的快速发展和人民生活水平的不断提高，电力需求日益增长，电力负荷预测成为了电力系统管理和运行中不可或缺的一环。
短期电力负荷预测作为其中一项关键技术，其准确性直接关系到电力系统的安全、稳定、经济运行。
本文将重点探讨短期电力负荷预测的关键问题及其解决的方法。
二、短期电力负荷预测的关键问题1. 数据质量问题数据是短期电力负荷预测的基础，数据质量直接影响到预测的准确性。
数据质量问题主要包括数据缺失、数据异常、数据不准确等。
这些问题的存在会使得预测模型无法准确捕捉到电力负荷的变化规律，从而影响预测的准确性。
2. 模型选择问题选择合适的预测模型是短期电力负荷预测的关键。
不同的预测模型有不同的适用范围和预测效果，如何根据实际数据特点选择合适的预测模型是一个需要解决的问题。
此外，预测模型的复杂度和计算效率也需要考虑，以保证预测的实时性和可行性。
3. 影响因素问题电力负荷受到多种因素的影响，如气温、节假日、经济状况等。
如何准确地考虑这些影响因素，并将其纳入预测模型中，是提高短期电力负荷预测准确性的关键。
三、短期电力负荷预测的方法1. 传统统计方法传统统计方法是短期电力负荷预测的常用方法，如回归分析、时间序列分析等。
这些方法通过对历史数据进行统计分析，建立数学模型，从而进行短期电力负荷预测。
这些方法的优点是简单易行，但需要考虑的因素较为有限，且对于复杂的数据变化规律可能无法准确捕捉。
2. 机器学习方法机器学习方法在短期电力负荷预测中得到了广泛应用，如支持向量机、神经网络、集成学习等。
这些方法可以通过学习历史数据的特征和规律，建立复杂的非线性模型，从而更准确地预测电力负荷。
机器学习方法的优点是可以处理多种影响因素和复杂的数据变化规律，但需要大量的训练数据和计算资源。
3. 深度学习方法深度学习是近年来兴起的一种机器学习方法，其在短期电力负荷预测中也取得了较好的效果。
电力系统中短期负荷预测模型研究
电力系统中短期负荷预测模型研究概述：电力系统中短期负荷预测是指对未来短期时间内（通常为数小时至数天）电力负荷的变化趋势进行预测。
准确的短期负荷预测对于电力调度、能源规划和电力市场交易等方面都具有重要的意义。
本文将重点探讨电力系统中短期负荷预测模型的研究现状和发展趋势。
一、研究现状1. 传统方法传统的短期负荷预测方法主要基于统计学方法，如时间序列分析、回归分析等。
这些方法通常需要大量历史数据，并且假设历史负荷数据具有周期性和季节性。
然而，在电力系统中，负荷数据受到多方面因素的影响，包括天气、经济因素、节假日等。
传统方法往往难以考虑这些因素的综合影响，导致预测结果不够准确。
2. 机器学习方法近年来，随着机器学习技术的迅猛发展，越来越多的研究者开始探索利用机器学习方法进行短期负荷预测。
常见的机器学习方法包括人工神经网络、支持向量机、随机森林等。
这些方法能够更好地处理非线性关系和多变量之间的复杂关系，从而提高短期负荷预测的准确性。
3. 深度学习方法深度学习是机器学习的一个分支，近年来在短期负荷预测中取得了显著的成果。
深度学习模型，如循环神经网络（RNN），长短期记忆网络（LSTM）等，能够更好地捕捉时间序列数据中的长期依赖和非线性关系。
与传统方法和机器学习方法相比，深度学习方法在短期负荷预测上具有更高的精度和准确性。
二、模型研究及案例分析1. 传统方法案例以时间序列分析方法为例，研究者对历史负荷数据进行季节性分解，然后根据季节性因素和趋势进行预测。
该方法在某省电网实际应用中进行了验证，预测结果的平均误差在5%左右，优于传统方法。
2. 机器学习方法案例以人工神经网络为例，研究者构建了一个多层前向神经网络模型，将历史负荷数据、天气因素和经济指标等作为输入变量，负荷预测结果作为输出变量。
该模型在某电网系统中进行了预测，平均误差在3%左右，较之传统方法有显著提升。
3. 深度学习方法案例以长短期记忆网络为例，研究者利用历史负荷数据、天气数据和节假日信息等构建了一个LSTM模型，实现了对未来短期负荷的准确预测。
电力系统短期负荷预测模型及应用研究
电力系统短期负荷预测模型及应用研究概述：电力系统短期负荷预测是电力行业中一项非常重要的工作，它对于电力生产调度、电力供需平衡以及电力市场交易具有关键意义。
本文将介绍电力系统短期负荷预测的背景和意义，并对目前常用的预测模型进行分析和评价，最后讨论其在实际应用中的一些关键问题和挑战。
1. 电力系统短期负荷预测的背景和意义：电力系统短期负荷预测是指根据历史负荷数据和其他相关信息，利用数学和统计模型来预测未来一段时间内的电力负荷情况。
准确的短期负荷预测可以为电力系统的运行调度提供重要依据，提高电力供需的平衡程度，减少电力供应风险，并优化电力市场交易。
2. 常用的电力系统短期负荷预测模型：目前，常用的电力系统短期负荷预测模型可以分为统计模型和机器学习模型两大类。
2.1 统计模型：统计模型是基于历史负荷数据的分析和推断，常用的统计模型包括时间序列模型、回归模型和灰色模型等。
时间序列模型是一种基于历史负荷数据的模型，常用的方法包括自回归移动平均模型（ARMA）和自回归积分移动平均模型（ARIMA）。
这些模型通过分析历史负荷数据的趋势和周期性，预测未来负荷的走势。
回归模型是利用历史负荷数据和其他影响因素（如温度、季节等）之间的关系建立的模型。
常用的回归模型包括多元线性回归模型和广义回归神经网络模型等。
这些模型通过分析历史负荷数据和其他影响因素的相关性，预测未来负荷的变化。
灰色模型是一种基于灰色理论的模型，它通过分析历史负荷数据的特性和变化趋势，预测未来负荷的情况。
常用的灰色模型包括灰色关联模型和灰色预测模型等。
2.2 机器学习模型：机器学习模型是利用机器学习算法对历史负荷数据进行训练和建模，然后根据建模结果预测未来负荷的模型。
常用的机器学习模型包括人工神经网络模型、支持向量机模型和随机森林模型等。
人工神经网络模型是一种模拟人脑神经网络功能的数学模型，通过对历史负荷数据进行训练和优化，预测未来负荷的变化。
支持向量机模型是一种基于统计学习理论的二分类模型，在电力系统中可以用于负荷分类和负荷回归预测。
电力系统中的短期负荷预测与能源调度优化研究
电力系统中的短期负荷预测与能源调度优化研究随着电力需求的不断增长和可再生能源的广泛应用，电力系统中的负荷预测和能源调度优化变得尤为重要。
短期负荷预测和能源调度优化是确保电力系统运行平稳、高效和可靠的关键因素。
一、电力系统中的短期负荷预测研究短期负荷预测是指在未来数小时甚至数天内，对电力系统的负荷进行准确预测。
准确的负荷预测可以帮助发电企业和电力系统管理者做出合理的能源调度安排，以满足用户的需求，并确保电网的稳定运行。
现代短期负荷预测研究主要基于统计学方法、机器学习方法和人工智能方法。
1. 统计学方法统计学方法是最早被应用于负荷预测的方法之一。
根据历史负荷数据的规律和趋势，采用统计学方法对未来负荷进行预测。
其中，常用的方法包括回归分析、季节性模型和指数平滑法。
统计学方法在短期负荷预测中具有较好的准确性和可解释性。
2. 机器学习方法机器学习方法已经成为短期负荷预测中的研究热点。
通过构建合适的模型，利用历史负荷数据和其他相关数据进行训练，从而实现负荷预测。
常见的机器学习方法包括支持向量机、人工神经网络和决策树等。
机器学习方法可以学习到负荷数据的复杂关系，并以更高的准确性进行预测。
3. 人工智能方法人工智能方法已经在多个领域展现出强大的能力，包括短期负荷预测。
人工智能方法在负荷预测中的应用主要包括深度学习、模糊逻辑和遗传算法等。
这些方法可以自动地从大量的数据中学习负荷的模式，提高预测准确性。
二、电力系统中的能源调度优化研究能源调度优化是指在满足负荷需求的前提下，合理安排不同能源源的供电，以实现电力系统的高效运行。
能源调度的目标是降低能耗、降低电力损失和保证电力系统的稳定性。
能源调度优化研究主要集中在传统燃煤、燃气发电和可再生能源等方面。
1. 传统燃煤和燃气发电传统燃煤和燃气发电是电力系统中的主要能源。
能源调度优化研究可以帮助确定发电机组的出力和燃料消耗，以实现经济和环境的双重考虑。
通过对电力市场的动态变化和负荷需求的实时调整，能源调度优化可以降低燃料成本、减少排放和提高效率。
电力系统短期负荷预测方法研究与应用
电力系统短期负荷预测方法研究与应用电力系统短期负荷预测是电力行业不可或缺的一环。
准确的负荷预测可以帮助电力公司合理规划电力资源，提高电网运行的效率和可靠性。
因此，短期负荷预测方法的研究和应用具有重要意义。
本文将对短期负荷预测方法进行研究，并探讨其在实际应用中的潜在问题和挑战。
一、短期负荷预测方法的分类短期负荷预测方法可分为基于统计学方法和基于机器学习方法两大类。
1. 基于统计学方法的短期负荷预测基于统计学方法的短期负荷预测是利用历史负荷数据进行模型拟合和预测。
常用的统计学方法包括时间序列模型、回归模型和神经网络模型等。
时间序列模型是将历史负荷数据看作一个时间序列，通过分析序列中的趋势、周期性和季节性等特征，构建负荷预测模型。
回归模型则是基于历史负荷数据和其他相关变量之间的线性关系来建立预测模型。
神经网络模型则是基于人工神经网络的理论，通过训练网络并进行权重调整，实现负荷预测。
2. 基于机器学习方法的短期负荷预测基于机器学习方法的短期负荷预测是利用大量历史负荷数据进行模型训练和预测。
机器学习方法主要包括决策树、支持向量机和深度学习等。
决策树是一种通过树形结构来进行决策的模型，它根据输入特征的不同取值将负荷数据进行划分，最终形成一个决策树。
支持向量机是一种通过求解凸优化问题来构建分类模型的方法，它通过找到将不同类型数据分开的最优超平面来进行负荷预测。
深度学习则是一种基于神经网络的方法，它通过多层次的神经元连接来建立复杂的负荷预测模型。
二、短期负荷预测方法的应用短期负荷预测方法广泛应用于电力系统的调度和运行中。
通过准确预测负荷，电力公司可以合理安排发电机组的出力，实现发电和负荷之间的平衡。
此外，短期负荷预测也对电网的调整和优化具有重要意义。
通过提前预测负荷峰值和负荷谷值，可以合理安排电网的运行方式，减少调峰填谷的压力。
同时，短期负荷预测方法也在能源规划和电力市场交易中发挥着重要作用。
能源规划部门可以根据负荷预测结果来制定合理的能源开发计划，实现能源的高效利用。
- 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)。
浅谈电力系统短期负荷预测
作者：李家龙王蒙谷心洋
来源：《中国科技纵横》2017年第03期
摘要：研究了气象因素（温度、湿度、降雨量等）对电力系统负荷的具体影响，结果表明：温度对预测结果影响最大。
建立了指数平滑模型、动态神经网络模型对电力系统短期负荷进行预测，对两种预测模型的优缺点进行了比较。
结果表明：三次指数平滑能很好的预测短期负荷的发展趋势，而动态神经网络模型有更高预测结果精度。
最后通过算例进行了说明。
关键词：电力系统；负荷预测；气象因素；预测模型
中图分类号：TM715 文献标识码：A 文章编号：1671-2064（2017）03-0171-02
1引言
电力系统短期负荷预测，在国内都有相关的研究，如文献[1]构建了一种基于统计分析的负荷规律性评价方法。
在此基础上，建立了预估负荷预报误差极限的分析方法。
运用所提出的方法对负荷变化的规律性进行评价。
文献[2]利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测、日预测模型，文献[3]从不同角度对气象因素对电网负荷影响进行了深入的分析，介绍了国内外的研究现状，提出了气象因素对短期负荷预测影响分析的思路、方法和意义，讨论了常用电力负荷特性的分析方法，文献[4]短期负荷预测的“双周期加混沌”法是基于负荷记录数学性质的预测方法.为了进一步提高其预测精度而提出的三项改进。
以上研究都没有深入研究气象因素对短期负荷预测的具体影响，给出较为直观的数字；研究表明，气象因素是影响短期负荷的主要因素，温度、风速、降雨量、等都对负荷产生一定程度的影响。
气温是对负荷影响最大的气象因素。
故各气象因素与负荷之间存在一定的相关性。
本文讨论了象因素对短期负荷预测的具体影响，建立三次指数平滑模型和动态神经网络模型对负荷进行预测。
2 问题描述
短期负荷预测是电力系统运行与分析的基础，提高负荷预测精度，是保障电力系统优化决策科学性的重要手段。
现代电力系统中，气象因素（温度、湿度、降雨量等）对电力系统负荷的影响愈显突出。
考虑气象因素成为调度中心进一步改进负荷预测精度的主要手段之一。
符号说明：
最近几天t时刻的负荷平均值
第i天第t时刻的负荷
回归系数
残差平方和
剩余方差（残差的方差）
回归平方和
输入层到隐层之间的权值矩阵
隐层到输出层之间的权值矩阵
第期的一次指数平滑值
3 模型建立
3.1 数据预处理
数据存在两方面问题。
一是我国各级电力调度中心大多采用SCDA，会将错误的变化规律带入预测模型。
二是随机因素的影响，对天气状况的记录有可能出现异常值。
故需要对数据进行预处理。
3.1.1 初步筛选
针对负荷低于1000MW的异常数据，由权威文献负荷低于1000MW的情况基本不可能出现，可以采用前后相近周期的负荷数据近视代替异常数据。
3.1.2 纵向对比处理
电力负荷呈周期性变化，连续几日同一时刻的负荷具有相似性，其变化范围维持在一定的限度内，超出这个范围，则可以认为该数据存在异常。
公式如下：
如果
（1）
则
（2）
3.1.3 横向对比处理
负荷的变化在短时间内是平稳的，同一天相邻两时刻负荷的变化不大，以前后两个时刻的负荷为基准，设定数据变化的最大范围。
如果负荷值与前后两个时刻的负荷数据之差的绝对值都超过阈值，就认为该负荷值是异常数据，公式如下：
（3）
则
（4）
式中：为阈值，在反复尝试后本文选择500MW作为阈值。
3.2 回归分析模型
由参考文献，负荷与最高温度，平均温度，最低温度三者成二次非线性关系；与相对湿度，降雨量近似成线性关系，故可建立如下多元二项式回归模型。
（5）
其中：是与的未知参数，为回归系数。
模型（1.1）中的参数用最小二乘法估计，应选取估计值，使当，时，误差平方和达到最小。
（6）
3.2.1 统计分析
（1）是β的线性无偏最小方差估计；在β的无偏估计中，的方差最小。
（2）服从正态分布
（7）
记=。
（3）对残差平方和，，且
（8）
由此得到的无偏估计
（9）
是剩余方差（残差的方差），称为剩余标准差。
（4）对总平方和进行分解，有
（10）
其中：；是由（1.2）定义的残差平方和，反应随机误差对的影响；称为回归平方和，反映自变量的影响。
上面的分解中利用了正规方程组。
3.2.2 回归模型的假设检验
需要检验与之间是否存在如模型（1.1）所示的线性关系。
如果所有的都很小，与的线性关系就不明显，可令原假设为：
当成立时由分解式（1.6）定义的满足：
（11）
判断统计量值对应的概率。
如果，则拒绝回归模型成立。
3.2.3 回归分析平均相对误差
为了对预测结果的准确性进行评分析，我们采用平均相对误差作为判断指标，其计算公式如下：
（12）
最后根据模型，可得到各负荷与各气象因素的回归方程、相关系数R、回归平均相对误差，从而确定各个气象因素对负荷预测精度的影响。
3.3 动态神经网络模型
动态神经网络是指神经网络带有反馈与记忆功能，神经网络能将前一时刻的数据保留，该方法的记忆功能对时序列的滞后给予了一定的弥补，三次指数平滑能很好的预测数据的发展趋势，但在预测结果的精确性不如动态神经网络。
故本文建立隐含层12个神经元，延迟为7期的NAR动态神经网络模型，利用前期的数据预测当期数据，选用的训练函数为Levenberg-Marquardt，本模型可简化的表示为：
3.4 动态神经网络模型求解
Step1：对数据进行标准化，使各值在0-1之间；
Step2：选取训练神经网络的数据，根据“预测某一天，就选取改天以前的所有的天的数据”而定；
Step3：对训练动态神经网络的数据进行矩阵变换，使其为一列。
对该数据进行分割，输入数据的70%作为该网络训练数据，15%作为验证数据。
其余的15%作为测试数据；
Step4：反复调节隐层神经元个数和时间滞后个数，并反复进行训练，，确定隐含层神经元数目、滞后期，时网络性能最好；
Setp5：对网络性能作分析，进一步绘制目标值与预测值的回归图像，理论上当目标值与输出值完全相同时，因此可以使用训练好的网络进行预测；
4 结论
研究了气象因素（温度、湿度、降雨量等）对电力系统负荷的具体影响，其中温度对预测结果影响最大。
建立了指数平滑模型、动态神经网络模型对电力系统短期负荷进行预测：三次指数平滑能很好的预测数据的发展趋势，动态神经网络有更高预测结果精度。
5 算例
已知出两地区2012年1月1日至2014年12月31日的电力负荷数据见表、气象因素数据（由于篇幅限制，数据参见第九届电工杯数学建模A题），对两地区的日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行回归分析；进行7天的电力负荷进行预测。
两地区的日最高负荷、日最低负荷、日平均负荷与各气象因素回归参数见表1和表2。
由表1和表2可以看出：负荷与最高温度，平均温度，最低温度拟合效果较好，相合性较高，故误差较小；负荷与相对湿度，降雨量拟合效果较差，相合性较低，误差较高。
回归系数越大该项对预测值影响越大，根据求得的回归系数，可优先推荐用回归系数大的平均温度来提高预测精度。
本文建立的动态神经网络预测模型、三次指数平滑预测模型、都可以用来对未来7天的负荷数据进行预测，两个模型对未来预测结果的差异小于20%，其中最后一个个模型差异小于15%。
同时两个模型的预测结果可以相互检验，证明预测模型的准确度较高。
[1]穆钢，侯凯元，杨右虹，等.负荷预报中负荷规律性评价方法的研究[J].中国电机工程学报，2001，21（10）：96-101.
[2]周佃民，管晓宏.基于神经网络的电力系统短期负荷预测研究[J].电网技术，2002，26（2）：10-13.
[3]朱振伟.气象因素对电网负荷特性影响的研究[D].浙江大学电气工程学院，浙江大学，2008.
[4]杨正瓴，田勇，林孔元.短期负荷预测“双周期加混沌”法中的多步法与气象因子的使用[J].电网技术，2004，28（12）：20-24.
[5]王璨.电力系统短期负荷预测[D].华北电力大学，2012.。