电力系统规划--电力系统负荷预测(最小二乘法)
基于最小二乘支持向量机的短期电力负荷预测
摘
要： 提 出了结合遗传算法 （ Ｇ ｅ ｎ ｅ ｔ ｉ ｃ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ， Ｇ Ａ） 和最小二乘支持 向量机（ Ｌ ｅ ａ ｓ ｔ Ｓ ｑ ｌ ｌ ａ ｒ ｅ ｓ Ｓ ｕ ｐ ｐ ｏ ￣Ｖ ㈤ｔ ｎ ｒ Ｍａ ｃ ｈ ｉ ｎ ｅ ｓ ．
ｓ ｈ ｏ ｒ ｔ — ｔ ｅ ｒ ｍ ｌ ｏ ａ ｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ
引 言
电力系 统负荷 预测 是 电力 系统调 度 、 用电 、 计划 、
目前 ， 神经 网络 在短 期 电力 负荷 中已经得 到 了广 泛 的应用 ， 但 由于神 经 网络本 身还 具有一 些难 以克 服 的缺 陷 。 如过拟合 、 收敛 速度慢 、 容易 陷入局 部极值 等 缺 点… 。 从 而使支 持 向量机 模 型得到 了广泛 的关注 。 文 献［ ２ 】 相继 将 回归 支 持 向量 机方 法 用 于 电力 系 统短 期
・
３ ８ ‘ （ 总０ ２ ｏ ｏ ）
基于最／ ＿ ＼ － 乘支持向量机的短期电力负荷预测
２ ０ １ ３ 年第 ３期
文章编号 ： １ ０ ０ ３ — ５ ８ ５ ０ （ ２ ０ １ ３ ） ０ ３ — ０ ０ ３ ８ — ０ ４
基于最小二乘支持向量机的短期电力负荷预测
曹 彦 ， 王 倩 ， 周 驰
Ｌ ｓ — Ｓ Ｖ Ｍ） 的短期 电力负荷预测。由于影响负荷预测因素的复杂性和最／ ｂ － － ． 乘支持 向量机参数选 择的不确定性 ， 提 了 采用遗传算法同时对 电力负荷训练样本进行特征提取和最小二乘支持 向量机的参数选择 ， 然后利用提取 出的数据序列
电力系统规划-负荷预测
Yi a b( Xi X ) Na a Y
Q 0
b
( Xi X ) Yi a b( Xi X ) 0
( Xi X )i 0
可得b
Yi ( Xi X ) (Xi X )2
2. 回归估计
R平方系数估计—描述的是预测结果的可信性
Yi Y (Yi Yi ) (Yi Y ),两边平方求和后得
Xt
XtN N
X t 1
Xt
X t 1 N
1 N
Xt
(1
1 N
)
X
t
1
X t
X t 1
X t 1 ( X t X t 1)
预测值：X t 1 X t X t 1 ( X t X t 1)
Xt(Xt Xt)
• 1.4 最小二乘法
一. 线性函数
有一组观测值X1，X2，····， Xn，构造趋 势函数：
3）没有体现时间的权重
2.二次动平均：求出一组动平均数
二次动平均值：
X t
1 N
N 1
X t i
i0
2N 1 t n
构造函数，令 预测值：
an 2X n X n
bn
N
2
1
(
X
n
Xn)
X ni an bni
• 1.3 指数平滑法 有一组观测值X1，X2，····， Xn
Xt
X t 1
n
Q i2 (Yi a bti cti2 )2 i 1
使得 Q 0, Q 0, Q 0 a b c
N
ti
ti ti2
ti2 ti3
a b
Yi tiYi
ti2
ti3
ti4 c ti2Yi
贝叶斯框架下最小二乘支持向量机的中长期电力负荷组合预测
ｆ ｍｅ ｒ ｓｐｏ ｏｅ ｒ ａ ｗｏｋ ｉ ｒｐ ｓｄ．Ｔｒｄｔ ｎ ｌ ｍｐｒｃｌ ｉ ｎｍｉ ｔ ｎ ｐｉｃｐｅｉ ｒｐａｅ ｙ ｔｅｐ ｎ ｉｌｓｏ ｔｕ ｔｒ ｓ ａ ｉｏ ａ ｅ ｉｉ ｓ ｍｉｉ ｚ ｉ ｒｎ ｉｌ ｅ ｌｃ ｂ ｈ ｒ ｃｐｅ ｆ ｒｃｕｅｒ ｋ ｉ ａｒｋ ａｏ ｓ ｄ ｉ ｓ ｉ
第 ３ ５卷第 ６ 期
２０ ０ ８年 １ 月 １
华 北 电 力 大 学 学 报
Ｊ ｕ ａ ｏ ｒｈＣｈｎ ｅｔｉ ｏ ｒＵｎｖｒｉ ｏ ｒ ｌ ｆＮｏｔ ｉａＥｌ ｒ Ｐ ｗｅ ｉｅｓ ｙ ｎ ｃ ｃ ｔ
Ｖｏ ． ５ Ｎｏ． １３ ， ６ Ｎｏ ． ０ ８ ｖ ，２ ０
贝 叶斯框 架 下最 小 二 乘支 持 向量 机 的 中长期 电力 负 荷 预 测 组合
牛 东晓 ，吕海涛，张云云
（ 华北电力大学 工商管理学院 ，北京 １２ ０ ） ０ ２６ 摘要：影 响中长期 负荷 变化的 因素较 多，单一预测模型很 难满足预测 需要 ，组合预测能够较好地 解决单一模 型的缺点 ，借鉴单一预 测模 型的优点 。提 出贝叶斯框架 下最小二 乘支持 向量机 （ ＳＳ Ｍ） 中长期 负荷组 合 Ｌ －Ｖ 预测模型 ，利用结构化 风险原 则代替经验风险最小化，挖掘各单一预测模型的信息 ，以单一模型 的预 测数 作 为组合预测输入样本 ，通过 贝叶斯后验理论确定最小二 乘支持 向量机参数 ，建立组合 预测模 型进 行预 测。通
ｃ ｍｂｎ ｔ ｎ ｍｅ ｈ ｆ ｄ ｔｎ ｅ ｍ ｄ ｆ ｒｃ ｓｉ ｇ ｂ ｓ ｄ ｏ ｕ ｐ ｒ ｅ ｔ ｒｍａ ｈ ｎ ｉｈ ｎ ｔ ｅ Ｂ ｙ ｓ ｎ ｅ ｉ ｅ ｃ ｏ ｉ ａ ｉ ｔ ｏ ｏ — ｇ ｔｒ ｂａ ｏ ｅ ａ ｔ ａ ｅ ｎ ｓ ｐ ｏ ｔｖ ｃ ｏ ｃ ｉ ｅ ｗ ｔ ｉ ｈ ａ ｅ ｉ ｖｄ ｎ ｅ ｏ ｄ ｍｉ ｏ ｎ ａ
电力系统负荷预测
04
年负荷预测
根据历史年负荷数据 ，对未来一年的电力 需求进行预测。
负荷预测的步骤
数据收集
收集历史负荷数据、天气数据、节假日信息等。
数据处理
对收集的数据进行清洗、整理，消除异常值和缺失值。
影响因素分析
分析天气、节假日、政策等因素对负荷的影响。
模型选择与建立
选择适合的预测模型，如时间序列分析、神经网络等，建立预测模型 。
电价政策
电价政策也会影响电力负荷，如提高电价可以抑制电力浪费，从而降低电力负 荷。
03
负荷预测的方法
Chapter
时间序列法
时间序列法需要具备连续、准确 的历史负荷数据，数据质量对预 测结果影响较大。
时间序列法简单易行，但受历史 数据影响较大，如历史数据存在 异常或缺失，将影响预测结果的 准确性。
稳定性
评估预测模型在时间序列上的表现是否稳定，通 常通过计算预测误差的方差或标准差来实现。
3
鲁棒性
评估预测模型对于异常数据或噪声数据的抵抗能 力。
模型优化方法
数据预处理
对原始数据进行清洗、去噪、填充缺失 值等处理，以提高预测模型的准确性。
超参数调优
通过调整模型的超参数（如学习率、 迭代次数、隐藏层节点数等），以提
电力系统负荷预测
汇报人： 日期:
目录
• 电力系统负荷预测概述 • 负荷预测的影响因素 • 负荷预测的方法 • 负荷预测的模型构建与优化 • 负荷预测的应用案例 • 负荷预测的未来发展趋势与挑战
01
电力系统负荷预测概述
Chapter
负荷预测的概念
01
负荷预测是指根据历史负荷数据，考虑天气、节假日、政策等因素，对未来电力 需求进行预测。
电力系统中的负荷预测方法
电力系统中的负荷预测方法在当今社会，电力作为一种至关重要的能源形式，其稳定供应对于经济发展和人们的日常生活具有举足轻重的意义。
而电力系统中的负荷预测，作为电力规划、运行和调度的重要依据，对于确保电力系统的安全、可靠和经济运行起着关键作用。
那么，究竟有哪些方法可以用来进行电力系统的负荷预测呢？首先，我们来谈谈基于时间序列分析的方法。
这种方法把历史的负荷数据看作是一个随时间变化的序列，通过对这个序列的分析和建模来预测未来的负荷。
常见的时间序列模型有自回归移动平均（ARMA）模型和自回归积分移动平均（ARIMA）模型。
ARMA 模型假设当前的负荷值是过去若干个负荷值和随机干扰项的线性组合。
它通过对历史数据的统计分析，确定模型的参数，从而进行预测。
而 ARIMA 模型则是在 ARMA 模型的基础上，考虑了数据的非平稳性，通过对数据进行差分处理，使其变为平稳序列后再进行建模。
时间序列分析方法的优点是计算相对简单，对短期负荷预测往往能取得较好的效果。
但它也有局限性，比如对于负荷数据中的突变点和异常值比较敏感，而且对于外部因素的影响考虑不足。
接下来是回归分析方法。
这种方法试图建立负荷与各种影响因素之间的线性或非线性关系。
常见的影响因素包括气温、日期类型（工作日、周末、节假日等）、经济指标等。
通过收集大量的历史数据，运用统计方法确定回归方程的参数，从而可以根据给定的影响因素值来预测负荷。
多元线性回归是其中较为常见的一种形式。
它假设负荷与各个影响因素之间是线性关系。
但在实际情况中，这种线性关系往往并不准确，于是就有了非线性回归方法，如多项式回归、逻辑回归等。
回归分析方法的优点是能够清晰地展示负荷与影响因素之间的关系，预测结果具有一定的解释性。
然而，它需要准确地选择影响因素和建立合适的模型，否则可能导致预测误差较大。
再说说灰色预测方法。
灰色系统理论认为，部分信息已知、部分信息未知的系统可以被看作是灰色系统。
电力负荷系统就是这样一个灰色系统，因为我们虽然有一定的历史负荷数据，但对于未来的影响因素和变化趋势并不完全清楚。
电力系统规划总结
电力负荷及负荷预测一、电力负荷1、发电负荷：某一时候电网或发电厂的实际发电出力的总和；2、供电负荷：供电地区内各发电负荷之和加上供电区域输入的负荷减去厂用电负荷和向外供电（输出）的负荷。
3、用电负荷：地区供电负荷减去线损、变损后的负荷。
二、电力负荷预测包括：1、最大负荷功率预测（及峰值负荷功率预测）：确定未来发、输、变电设备的容量设置。
2、负荷电量预测：用于选择适当的机组类型和合理的电源结构以及确定燃料计划等。
3、负荷曲线预测：为研究电力系统的调峰问题、抽水蓄能电站的容量以及发输变电设备的协调运行提供原始数据。
⎪⎩⎪⎨⎧-→→→⎪⎩⎪⎨⎧-负荷率法典型的电量法、年最大负荷利用小时用同时率表示接相加是各用户最大负荷的直系统的综合最大负荷不、同时率法、典型负荷曲线叠加法负荷最大预测、负荷曲线法负荷率法、电量、直接预测法预测法荷功率最大负321 321三、负荷预测的方法：1、外推法：★假定未来的增长是过去增长模式的延续。
不适合长期预测。
★把历史的记录数据与某种趋势曲线相拟合。
★当电力负荷在相当长的时期内稳定增长时，外推法可得到满意的结果。
★主要寻求电力负荷随时间变化的趋势曲线，自变量为时间。
★如：趋势线法（最小二乘法）、灰色预测模型、指数平滑法、时间序列法等。
2、相关法（也称因果关系法）：★以电力负荷与选定的有关社会或经济因素的内在关系为基础。
强调规律性。
适合中、长期预测。
★寻求电力负荷随其它社会或经济因素变化的趋势曲线，自变量主要为经济增长率、产值、产量、人口等。
★如：回归分析法、经济计量模型、投入产出法、弹性系数法等。
3、各方法的特点★回归分析法步骤：①选择回归模型的类型；②计算回归方程的参数；③对回归模型进行显著性检验。
应用：线路单位长度投资、规模预测检验：相关系数γ 显著检验一元线性回归分析：⎪⎩⎪⎨⎧εεσεεεε++=无关与自变量、之间相互独立、各），（标准正态分布是一个随机变量且服从、应具有的特点：对剩余项、白噪音项）称随机干扰项（或回归i i i 2i i i i i i x 320N 1 bx a y ★指数平滑法：最常用的预测方法之一。
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。
基于最小二乘支持向量机的短期电力负荷预测方法研究的开题报告
基于最小二乘支持向量机的短期电力负荷预测方法研究的开题报告一、研究背景及意义电力负荷预测在能源行业中占有重要的地位，对于电力系统的调度和管理具有重要的指导意义。
目前，研究人员采用各种方法对电力负荷进行预测，如时间序列、神经网络、支持向量机等方法，但在实际应用中，这些方法仍然存在一定的局限性。
为此，本文将基于最小二乘支持向量机的方法进行短期电力负荷预测，以提高预测的准确性和实用性。
二、研究目的与内容本文旨在探究基于最小二乘支持向量机的短期电力负荷预测方法，具体内容包括以下几个方面：1.通过对数据进行预处理，降噪和缺失值填充，以提高数据的可靠性；2.采用最小二乘支持向量机对数据进行建模；3.通过对模型进行训练和测试，以验证该方法的准确性和实用性；4.对比该方法与其他电力负荷预测方法的优缺点，并提出改进措施。
三、研究方法及步骤1.数据预处理，包括降噪和缺失值填充；2.采用最小二乘支持向量机进行模型建模；3.对模型进行训练，并通过交叉验证法选择合适的参数；4.通过对测试数据的预测，并与实际数据进行对比，验证该方法的准确性和实用性；5.对比该方法与其他电力负荷预测方法的优缺点，并提出改进措施。
四、预期成果及意义通过本文的研究，预计可以得到以下成果：1.提出基于最小二乘支持向量机的短期电力负荷预测方法；2.通过对数据进行预处理，提高预测的可靠性；3.验证该方法的准确性和实用性；4.对比该方法与其他电力负荷预测方法的优缺点，并提出改进措施；5.为电力系统的调度和管理提供有价值的参考依据。
五、研究进度安排1.熟悉相关领域的文献，制定研究方案：2周；2.收集电力负荷数据，进行预处理：2周；3.采用最小二乘支持向量机进行模型建模：4周；4.模型的训练和测试：4周；5.对比该方法与其他电力负荷预测方法的优缺点，并提出改进措施：4周；6.论文撰写和修改：4周。
六、参考文献1.张红. 支持向量机在电力负荷预测中的应用[J]. 科技资讯, 2011 (4): 153-154.2.李文俊. 基于MSE-SVM的短期负荷预测研究[J]. 电力系统及其自动化学报, 2015, 27(12): 75-81.3.林逢涛, 刘飞, 郭超, 等. 基于PSO-SVM的短期电力负荷预测研究[J]. 电力信息与通信技术, 2018, 3: 1-4.4.M. R. Gareta, P. Romero, P. M. Pardalos. A comparative study of time series methods for short-term traffic flow forecasting[J]. Studies in Computational Intelligence, 2012, 429: 117-128.。
- 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)。
日最大 负荷
Pd av
Pd m ax
日平均 负荷
av：average
0 1
d：day
电力负荷曲线(与负荷曲线相关的特性指标—日最小负荷率)
日最小负荷率
日最小负荷与日最大负荷之比
日最大 负荷
Pd min
Pd max
0 1
日最小 负荷
电力负荷曲线(与负荷曲线相关的特性指标—最大负荷利用小时数)
的发输变电容量的增长；供电可靠性差
电力系统负荷预测-概述(负荷预测的分类)
按预测时间(具有相对性，且不同单位的分类可能对应不同时间区间)： ① 长期负荷预测：10-30年，以年为单位的预测。用来制定电力工业的 战略、发展目标、长远电力发展的资金需求等； ② 中长期负荷预测： 5-10年，以年为单位的预测。用于电力系统规划 （包括发输电设备的扩建、退役和改建计划） ③ 中期负荷预测： 1-5年，为电力系统规划特别为配电网规划服务。 ④ 短期负荷预测：一年以内，日负荷预测最为多见，还有未来15分钟 的超短期负荷预测。
电力系统负荷预测-电力负荷曲线(负荷特性)
• 周期性 • 趋势性 • 随机性(受温度、气候、产业结构、政治等因
素的影响) • 区域性、地域性
电力系统负荷预测-电力负荷曲线(负荷特性)
电力系统负荷预测-电力负荷曲线(时序负荷曲线)
1.1 1
0.9 0.8 0.7 0.6 0.5
重庆电网春、夏季典型日负荷标幺曲线
夏季
电力系统负荷预测-电力负荷曲线(持续负荷曲线)
目的：用于电力系统随机生产模拟、可靠性评估等。
电力负荷曲线(与负荷曲线相关的特性指标)
小于最小负荷Pd.min 的部分称为基荷； 大于日平均负荷Pd.av 的部分为峰荷；中 间部分称为腰荷
电力负荷曲线(与负荷曲线相关的特性指标—日负荷率)
日负荷率
电力系统负荷预测-概述(预测概念及意义)
③ 电力规划部门必须预测规划期内负荷增长情况(数量及 地理分布)，才能确定未来增装的发电容量和输变电容 量。 (规划)
④ 负荷预测的精度直接影响投资和运行的合理性。 偏高：运行备用设置过多；设备安装过多，不能充
分利用；资金积压，经济性差。 偏低：运行备用设置过少；未来负荷增长大于规划
电力系统负荷预测-概述(负荷预测的基本步骤)
① 明确负荷预测的内容和要求 ② 调查并搜集历史资料 ③ 历史资料整理 ④ 对历史负荷数据的预处理 ⑤ 选取负荷预测模型 ⑥ 应用预测模型进行预测 ⑦ 预测结果分析评价 ⑧ 编写预测报告
电力系统负荷预测-概述(负荷预测的影响因素)
① 历史数据的不完整性 ② 未来不确定因素影响 ③ 气象影响 ④ 人工干预和政策影响 ⑤ 预测模型的局限性 ⑥ 预测人员的主观影响
年最大负荷利用小时数T和年负荷率δ
T
Pmax
全年发电量 年最ቤተ መጻሕፍቲ ባይዱ负荷
P Pm ax
全年平均负 荷功率
PP ma xP P m8 a 8 x776 6 800 7 P 6 m0 a x8T76
电力负荷曲线(与负荷曲线相关的特性指标—年平均日负荷率)
年平均日负荷率
第i月最大负荷日 的最大负荷
12
电力系统规划
Power System Planning
电力系统负荷预测
电力系统负荷预测(主要内容)
➢概述 ➢电力负荷曲线 ➢中长期负荷电量预测 ➢最小二乘法(长期负荷预测) ➢指数平滑法(长期、短期负荷预测)
电力系统负荷预测-概述(什么是预测)
什么是预测？
股票预测 楼价预测 天气预测 销售预测 负荷预测
p (i) m av
i1 12 p (i) m max
i1
第i月最大负荷日的 日平均负荷 av：average
m：最大负荷日
电力负荷曲线(与负荷曲线相关的特性指标—月不均衡负荷率)
月不均衡负荷率：全月日平均发电量与月最大负荷日发电量之比
第i月的月不均衡 负荷率
(i)
av
i
(i)
max
主要工作：预测未来电力负荷的时间分布和空间分 布，为电力系统规划和运行提供可靠的决策依据。
电力系统负荷预测-概述(预测概念及意义)
负荷预测意义 ① 电力系统运行的基础和依据，预测准确与否直接 关系到能否为用户提供安全优质的电力供应以及 能否保证系统运行的经济性； ② 电力系统调度、运行的重要组成部分，为提供调 峰、抽水蓄能电站的容量、电力系统运行方式、 开停机计划和安排备用容量等提供依据；(运行)
┇
共同特征
通过对预测对 象历史数据的 分析和研究， 探索影响预测 对象的各因素 之间的内在联 系和发展变化 规律，对预测 对象未来发展 作出预先估计 和推测
电力系统负荷预测-概述(什么是负荷预测)
电力系统负荷预测-概述(预测概念及意义)
概念：从已知的用电需求出发，对未来的电力需求 量（功率）和用电量（电量）做出预测。
按预测内容： ① 最大负荷功率：确定未来需增加的发输变电设备的容量。 ② 负荷电量：确定未来机组类型和电源结构及燃料计划等。 ③ 负荷曲线 ：为研究调峰、确定抽水蓄能电站的容量提供原始数据。
电力系统负荷预测-概述(负荷预测方法的分类)
定性预测：根据人的直观思考、判断和经验积累进行预测。缺 点：误差大。优点：可利用人的经验，从而计入不能量化的因 素的影响。
定量预测：假设负荷及其相关因素可定量表达,负荷过去模式将 来仍然继续存在。 ✓ 外推法：通过寻找历史负荷数据中的负荷变化规律与特性， 将其变化模式外推到未来进行预测（如时间序列分析法） ✓ 相关法(因果分析法)：将负荷同各种社会和经济因素等联合 起来考虑，通过寻找负荷与影响其变化的相关因素之间的关 系或数学模型，来达到预测的目的(如回归分析法）。 优点：能清楚分析负荷变化与其它可测量因素之间的关 系。缺点：必须先预报天气、人口和经济等相关数据。
春季
目的：用于调度部门制定电力系统日运行方式，例如机组启停、 经济运行和调峰措施等。
0点15分 1点30分 2点45分 4点0分 5点15分 6点30分 7点45分 9点0分 10点15分 11点30分 12点45分 14点0分 15点15分 16点30分 17点45分 19点0分 20点15分 21点30分 22点45分 24点0分