基于统计理论的负荷特性分析及其预测
电力负荷预测方法浅谈
电力负荷预测方法浅谈电力负荷预测在电力系统运行管理中起着非常重要的作用，它能够帮助电力系统运营者做好负荷调度和能源调配，从而保证电力系统的稳定运行。
随着电力系统的规模不断扩大和电力负荷的复杂性增加，电力负荷预测方法也在不断发展和改进。
下面对电力负荷预测方法进行简要的介绍和评述。
基于统计学方法的电力负荷预测是最早也是最常用的方法之一、它利用历史负荷数据和相关气象数据建立数学模型，通过统计分析和数学运算来预测未来的负荷变化趋势。
其中最经典的方法是回归分析和时间序列分析。
回归分析是根据历史负荷数据和相关气象数据建立回归模型，通过对未来气象数据的预测来估计未来的负荷。
回归分析的优点是模型简单易懂，但其局限性在于需要修改模型适应新的情况，并且对噪声和异常值较为敏感。
时间序列分析是通过对历史负荷数据进行时间序列的统计分析和拟合，得到未来负荷的预测值。
时间序列分析的优点是能够较好地捕捉负荷数据的周期性和趋势性，但对于长期趋势的预测效果较差。
基于机器学习的电力负荷预测方法近年来得到了快速发展。
机器学习是一种通过数据驱动的方法，利用计算机算法从大量的历史数据中学习负荷与气象之间的关系，并建立相应的模型来预测未来负荷。
机器学习方法有很多，例如神经网络、支持向量机、决策树等。
神经网络是一种模仿人脑神经系统的计算模型，它通过学习历史负荷与气象数据之间的复杂非线性关系，来预测未来负荷。
神经网络的优点是能够很好地处理非线性问题和噪声数据，但需要大量的训练数据和计算资源。
支持向量机是一种通过定义一组决策边界来预测未来负荷的方法。
它通过对历史负荷数据进行特征提取和分类来建立模型，并通过最大化边界来选择最优解。
支持向量机的优点是能够处理高维数据和非线性问题，但对于大规模数据的处理能力较弱。
决策树是一种通过对历史负荷数据进行决策和划分的方法，来预测未来的负荷。
决策树的优点是易于理解和实施，但对于复杂的问题预测效果较差。
除了上述方法外，还有一些新兴的电力负荷预测方法，如基于深度学习的方法。
负荷预测分析
电力需求预测一、基本过程1、调查和选择历史负荷数据资料2、历史负荷资料的整理、分析3、通过历史负荷资料分析负荷特性4、负荷预测的方法1）预测电量（1）弹性系数法（2）产值单耗法（3）大用户用电量+其他用电量年平均递增率法2）预测负荷（1）最大负荷利用小时法（2）平均增长率法（3）回归模型法5、负荷预测得出结论二、分析内容1、国内生产总值增长率与电力负荷增长率的关系2、工业发展速度与电力负荷增长速度的关系3、人口增长与电力负荷增长速度的关系三、负荷预测的内容电力负荷一般分为民用负荷、商业负荷、工业负荷以及其他负荷。
负荷预测包括负荷电量、负荷曲线和最大负荷功率的预测。
负荷特点分析其实就是地区历史电量和负荷的增长趋势以及历史用电最大负荷情况。
四、预测方法电量和负荷的预测的准确程度取决于对历史资料统计的准确，对历史国民经济和用电情况的分析，以及未来经济结构和技术进步对电力需求的影响作出正确的估价。
1、电力弹性系数法预测电量采用这个方法首先要掌握今后国内生产总值的年平均增长速度，然后根据过去各阶段的电力弹性系数值，分析其变化趋势，选用适当的电力弹性系数（一般大于1）。
电力弹性系数=年用电量增长率（平均）/年GDP增长率（平均）。
通过分析数据能够得出一个合理的弹性系数推荐值。
注；经济结构成分的变化、GDP数据以及用电数据是否准确对于弹性系数的准确性有所影响。
2、产值单耗法预测电量单耗法可用于计算工业用户的负荷预测。
根据第一、第二、第三产业单位用电量创造的经济价值，从预测经济指标推算用电需求量，加上居民生活用电量，构成全社会用电量。
这个方法是根据预测期的产品产量（或产值）和用电单耗计算需要的用电量，分别算出各行业的需用电量之后，把它们相加，就可以得到全部行业的需用电量。
这个方法适用于工业比重大的系统。
3、大用户用电量+其他用电量年平均递增率法对规划年度的大用户(含新增大用户)的需电量逐个进行调查核实，得出各个大用户需电量之和，再加上其他一般用户考虑自然增长率后的需电量，以及用电线损、净输出区外的电量，即为本地区的全部需电量。
电力系统中的负荷预测模型对比分析
电力系统中的负荷预测模型对比分析随着电力需求的快速增长和电力系统的复杂化，准确地预测负荷需求对于电力系统的稳定运行和供电调度至关重要。
为了提高负荷预测的准确性，研究人员提出了许多不同的负荷预测模型。
本文将对几种常见的负荷预测模型进行对比分析，旨在找出最适合电力系统中负荷预测的模型。
1. 线性回归模型线性回归模型是最简单和最常见的负荷预测模型之一。
它假设负荷与时间是线性相关的，并且通过历史负荷数据来拟合线性函数，从而预测未来的负荷需求。
然而，线性回归模型无法捕捉复杂的非线性关系，因此在某些情况下可能预测不准确。
2. 时间序列模型时间序列模型是另一种常用的负荷预测模型。
它利用时间序列数据的统计特性来预测未来的负荷需求。
常见的时间序列模型包括ARIMA模型、SARIMA模型和ARCH/GARCH模型等。
这些模型可以考虑负荷的季节性、趋势性和周期性等特征，因此在某些情况下比线性回归模型更准确。
然而，时间序列模型需要较长的历史数据，对数据的要求较高，且参数调整较为繁琐，不适用于非平稳序列的负荷预测。
3. 人工神经网络模型人工神经网络模型是一种以模拟人脑神经网络为基础的模型。
它通过学习历史数据中的模式和规律来建立负荷预测模型。
人工神经网络模型能够捕捉到复杂的非线性关系，适用于各种类型的负荷数据。
然而，神经网络模型的参数调整较为困难，在训练过程中容易过拟合，且计算量较大。
4. 支持向量机模型支持向量机模型是一种基于统计学习理论的模型，可以用于分类和回归问题。
在负荷预测中，支持向量机模型通过寻找一个最优的超平面来分割样本数据，从而预测未来的负荷需求。
支持向量机模型可以处理高维数据，具有较好的泛化能力。
然而，支持向量机模型的训练复杂度较高，在大规模数据集上的效果可能不佳。
通过对比分析不同的负荷预测模型，可以发现每种模型都有其适用的场景和优势。
线性回归模型适用于简单的线性关系，时间序列模型适用于具有明显的季节性和趋势性的数据，人工神经网络模型适用于复杂的非线性关系，支持向量机模型适用于高维数据和复杂的分类问题。
电力系统中负荷特性与预测分析
电力系统中负荷特性与预测分析在当今高度依赖电力的社会中，电力系统的稳定运行至关重要。
而深入了解电力系统中的负荷特性以及进行准确的负荷预测分析，对于保障电力供应的可靠性、优化电力系统规划和运行具有极其重要的意义。
电力负荷特性是指电力用户在不同时间和条件下对电力的需求特点。
它受到多种因素的影响，包括但不限于季节变化、天气状况、经济活动、社会生活习惯等。
季节对负荷特性的影响十分显著。
在夏季，由于气温升高，空调制冷负荷大幅增加，导致电力需求急剧上升。
特别是在炎热的午后，居民和商业场所的空调使用达到高峰，使得电力负荷曲线出现明显的峰值。
而冬季，采暖负荷则成为主要的电力消耗因素，尤其是在寒冷的夜晚和清晨。
天气状况也会对负荷产生重要影响。
例如，在高温天气下，不仅空调负荷增加，工业生产中的降温设备也会加大电力消耗。
反之，在凉爽的天气中，电力负荷则相对较低。
降雨、降雪等天气变化也可能影响某些特定行业的生产活动，从而间接影响电力负荷。
经济活动的活跃度与电力负荷密切相关。
当经济繁荣时，工厂生产增加，商业活动频繁，用电量自然上升。
相反，经济衰退期间，电力需求往往会减少。
社会生活习惯同样是影响负荷特性的一个因素。
例如，节假日期间，居民的生活规律发生改变，用电量会出现与平日不同的分布。
又如，随着人们生活水平的提高，越来越多的家庭拥有多种电器设备，这也导致了日常电力负荷的增长。
了解了电力负荷的特性，接下来我们探讨一下负荷预测的重要性。
准确的负荷预测是电力系统规划、运行和控制的基础。
在电力系统规划方面，通过对未来负荷的预测，可以合理确定发电容量的增长需求，规划新的变电站和输电线路的建设，以满足不断增长的电力需求，避免出现供电不足或过度投资的情况。
对于电力系统的运行来说，负荷预测有助于优化电力调度。
根据预测的负荷曲线，电力调度部门可以提前安排发电计划，合理分配不同类型发电机组的出力，提高电力系统的运行效率和经济性。
在电力市场环境下，准确的负荷预测对于电力供应商和消费者都具有重要意义。
基于大数据的电力负荷特性分析与应用研究
基于大数据的电力负荷特性分析与应用研究一、引言随着经济的快速发展和人民生活水平的提高，对电力的需求量也不断增加。
电力负荷特性分析与应用研究作为电力行业中的重要课题，对于优化电力系统运行、提高电力供应效能和保障电力安全具有重要意义。
本报告将基于大数据技术，对电力负荷特性进行深入研究与分析，并探讨其应用前景和潜在挑战。
二、电力负荷特性分析方法2.1 传统电力负荷特性分析方法2.1.1 基于统计学的分析方法传统的电力负荷特性分析方法主要依靠统计学的原理，通过对负荷数据进行样本分析和参数估计来分析负荷特性。
受限于传统统计学方法的局限性，这种方法在数据规模庞大情况下容易导致计算效率低下，分析结果缺乏准确性和稳定性。
2.1.2 基于数据挖掘的分析方法基于数据挖掘的电力负荷特性分析方法通过挖掘数据中隐藏的模式和规律来揭示电力负荷的特性。
这种方法利用机器学习、数据聚类和关联规则挖掘等技术，可以有效地发现数据中的特征和相关性，提高负荷特性分析的准确性和效率。
2.2 基于大数据的电力负荷特性分析方法2.2.1 数据采集与处理基于大数据的电力负荷特性分析方法首先需要进行数据采集和预处理。
通过智能电表、传感器和监测设备等，实时采集电力系统中的负荷数据，并对数据进行清洗和整理，以消除异常值和数据噪声。
2.2.2 特征提取与选择在数据采集和预处理之后，需要对负荷数据进行特征提取和选择。
特征提取是将原始数据转化为可以表示负荷特性的关键指标或参数，例如峰值负荷、负荷波动系数等。
特征选择是从提取的特征中筛选出对负荷特性分析有重要影响的特征，以提高分析的准确性和效率。
2.2.3 模型建立与分析在特征提取和选择之后，需要建立合适的模型来进行负荷特性分析。
基于大数据的电力负荷特性模型可以采用传统的回归模型、神经网络模型和支持向量机模型等。
通过对负荷数据的拟合和预测，可以揭示负荷的变化规律和特征。
三、基于大数据的电力负荷特性分析应用3.1 电力系统规划与调度基于大数据的电力负荷特性分析可以为电力系统的规划和调度提供重要参考信息。
基于概率统计的新疆电气化铁路负荷特性分析及对地区电网的影响
ｐ ｏ ｗ ｅ ｒ ｓ ｕ ｐ ｐ ｌ ｙ ｌ ｉ ｎ ｅ ｅ ｔ ｃ ． ，ａ ｎ ｄ ｔ ｈ ｅ ｒ ｅ ｌ ｅ ｖ ａ ｎ ｔ ｃ ｏ ｕ ｎ ｔ ｅ ｒ ｍｅ ａ ｓ ｕ ｒ ｅ ｓ ｒｅ ａ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ， ｗｈ ｉ ｃ ｈ ｈ ａ ｓ ａ ｕｉ ｇ ｄ ｉ ｎ ｇ ｓ ｉ ｇ ｎ ｉ ｉ ｆ ｃ ａ ｎ ｃ ｅ ｆ ｏ ｒ ｌ ｏ ａ ｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ ｏ ｆ ｅ ｌ ｅ ｃ ｔ ｉ ｒ ｆ ｉ ｅ ｄ ｒ ａ ｉ ｌ ｗａ ｙ，ｖ ｏ ｌ ｔ ａ ｇ ｅ ｒ ｅ ｇ ｕ ｌ ａ ｔ ｉ ｏ ｎ ，ｏ ｐ ｅ ｒ ａ ｔ ｉ ｏ ｎ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ａ ｎ ｄ ｈ ａ ｒ ｍｏ ｎ ｉ ｃ ｓ ｕ ｐ ｐ ｒ ｅ ｓ ｓ ｉ ｏ ｎ ｅ ｔ ｃ ．
第３ ６ 卷第 １ 期
２ ０ １ ３年 ２月
四 川 电 力 技 术
Ｓ ｉ ｃ ｈ ｕ ａ ｎ Ｅｌ ｅ ｃ ｔ ｒ ｉ ｃ Ｐ ｏ ｗｅ ｒ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
Ｖ ｏ １ ． ３ ６ 。 Ｎ ｏ ． １
Ｆｅ ｂ ．， ２ ０１ ３
基 于概 率 统计 的新 疆 电气 化 铁 路 负 荷 特性 分 析 及 对 地 区 电 网 的影 响
电力系统中基于数据分析的负荷预测研究
电力系统中基于数据分析的负荷预测研究电力系统是现代化城市中不可或缺的基础设施之一，而负荷预测则是确保电力系统稳定运行的重要手段。
负荷预测可分为短期负荷预测和长期负荷预测，其中短期负荷预测主要用于日前或当日负荷预测，长期负荷预测则主要用于周或月负荷预测。
近年来，随着大数据和人工智能技术的发展，基于数据分析的负荷预测逐渐成为研究热点。
这种方法不仅可以有效地提高负荷预测的准确性，还能够自动化、智能化地完成预测过程，减轻了专业人员的工作量。
数据分析方法中最常用的负荷预测方法有时间序列分析法、灰色系统模型法、神经网络模型法等。
下面我们将逐一介绍这些方法的特点和应用情况。
一、时间序列分析法时间序列分析法是一种非常常用的负荷预测方法，其主要原理是通过对历史负荷数据进行分析，找出负荷变化的规律，并以此为基础进行预测。
其基本过程是分析和确定时序数据的趋势、季节和随机成分，然后根据这些因素进行预测。
时间序列分析法能够充分反映历史负荷变化的规律，准确性较高，但需要足够长的历史负荷数据，才能保证预测效果的有效性。
同时，该方法对于季节性负荷变化的预测效果尤其突出。
二、灰色系统模型法灰色系统模型法是一种相对较新的预测方法，其思路是利用建立在少量历史数据或样本基础上的灰色系统理论，分析并预测未来的负荷变化。
灰色系统理论是由我国学者瓦钦尼克于1982年提出的，其基本思想是将系统中的不确定性和不全面性转换为可处理的、全面和确定性的信息。
灰色系统模型法适用范围广泛，尤其对于数据量较少的负荷预测来说，具有很好的预测效果。
但是，由于灰色理论的复杂性较高，需要专业的人员才能对其进行分析和运用。
三、神经网络模型法神经网络模型法是一种模仿人脑神经网络的计算模型，其基本原理是利用多个神经元构成的神经网络，对大量的输入数据进行处理和模拟学习，从而实现复杂问题的预测。
神经网络模型法具有很强的非线性建模能力，能够对数据空间中任何复杂的非线性映射进行最优化拟合和学习，能够充分挖掘数据在负荷分析中的内在关系，预测精度较高。
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。
- 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)。
ｈ■ｌ雄－嘲ｈ琳Ｕ柳■神＿ｈ＿，
■啊●ｌ“舶＾一ａ－ｔ¨Ｃｍｂｔｍ
－ Ｉ
¨
ＩＩＩ
砷
∞
输出层
加和层
ｎ模式层
输入层
图３聚类分析的树形图
图４
ＧＲＮＮ神经网络的结构
万方数据
５８
东北电力大擘学报
第３ｌ卷
３
ＧＲＮＮ网络的基本结构和算法
ＢＰ —２．２４ 一１．４６ ．一０．２７ —０．８４ 一Ｏ．１７ １．５２ —０．８１ ０．５５ —０．８８ ０．９７ ０．７４ ０．４８
ＧＲＮＮ —２．２６ —１．２８ —０．２５ —０．７６ 一０．０４ ０．４１ —０．２９ ’Ｏ．３０ —０．３２ ０．３０ ．０．２２ ０．１２
回归
—５．２３ —４．６５ 一１．７ —２．０６
第３１卷第２期
２０１１年４月
东北电力大学学报 Ｊｏｕｒｎａｌ Ｏｆ Ｎｏｒｔｈｅａｓｔ Ｄｉａｎｌｉ Ｕｎｉｖｅｒｓｉｔｙ
Ｖ０１．３１，Ｎｏ．２ Ａｐｒ．，２０１１
文章编号：１００５－２９９２（２０１１）０２－００５５—０７
基于统计理论的负荷特性分析及其预测
陈
场。吉林长春１３０５２４）
墨１，聂宗铭２，夏旭３
（１．满洲里达赉潮热电有限公司，内蒙满洲里０２１４０６；２．贵州电网公司水城供电局，贵州水城５５３００ｔ；３．龙嘉机
摘
要：电力负荷受气象因素影响越来越大，如何准确确定气象因素是负荷预测研究的重要课题。
首先采用统计学方法对影响负荷的气象因素进行分析，找到影响负荷的核心气象因索。再利用ＧＲＮＮ回 归神经网络进行预测。经实际系统检验，证明该方法克服了传统气象负荷预测中的主观性，将气象影响 因素过程量化，提高了预测结果的精度，是一种适用性很强的方法。 关键词：电力系统；负荷预测；气象因素；神经网络
中，除去１个样本，用剩下的样本训练神经网络，然后对该样本进行预测，得到预测值与样本之间的误
差，误差取均方值：
其中：尉为网络性能的评价指标，将最小均方差误差对应的光滑因子用于最后的广义回归神经网络中
进行预测。在程序编写中，光滑因子用扩展常数ｓｐｒｅａｄ表示。
４．５
＝辱＝厢万百，
裹４确定第１５天的扩展常数
中图分类号：ＴＭ ７３４ 文献标识码：Ａ
近年来随着经济的发展，用电需求快速增长。负荷波动受到多种因索的影响，既有节假日的影响、
天气因素的影响，也有各种偶然因素的影响。在排除偶然因素和节假日因素的影响后，通过分析多种气
象因素与电网负荷的相关性，可以找到气象因素与负荷的对应关系，可通过对气象要素来达到对电网负
能以任意高的精度拟合任何复杂的连续函数。 对于多因变量的问题，因为每个因变量均与自变量满足高斯分布，则每个因变量均可用式（６）计算
出来。
４
４．１
负荷预测的ＧＲＮＮ网络实例分析
负荷预测的步骤 利用ＧＲＮＮ网络进行负荷预测主要分为３步： （１）把学习样本分成两部分，用前一部分样本进行拟合训练，利用所得网络预测后一部分样本计算
２，…，ｎ，。考虑到１５分钟一个预测点，ｍ＝９６，ｎ＝１０为每个预测点上预测因子的ｌＯ个数据。ｌＯ个数据
中的前六个数据是前１４天、同一时刻和前５个预测点的负荷数据（考虑相似日）；第七个数据是前１４个
星期同一天、同一时刻的负荷历史数据，用来反映１３类型的影响；最后的三个数据是反映气象状况等因 素影响的负荷预测因子，它是将前１４天的气象影响因素：日最高气温、１３最低气温和平均气温。负荷的 时实信息可从ＳＣＡＤＡ系统获得，气象信息可通过远程拨号上网方式从气象台获得¨】。
２．２多元线性回归分析‘
利用ＳＰＳＳ．１０的多元线性回归方法，分析多个变量之间依存变化关系及线性相关特性，确定负荷与 气象因素的依存关系［３．４】。软件应用需要事先确定选人自变量的标准，开始时，方程中只含常数项，按 自变量对因变量的贡献率大小由大到小依次选人回归方程。每引入一个自变量，都会对已在方程中的 变量进行Ｆ似然比检验，对符合剔除标准的变量逐＿剔除。 为了反映气象因素与最大负荷的影响作用［３】，仍采用上述地区２００７年春季的电力负荷进行日最大 负荷与气象因素的逐步线性回归，结果见表２和表３。
以ｙ
Ｉ菇）：亢掣丛Ｌ，
（１）
多：跚㈦：乓２翌塑．
（３）
ｍ∥）＝旦—可丽丽丽面万一，
热
（４）
￡气：谚芽’ 【ｙ，ｙｉ，＝譬，
＾
（ｄ㈣
将式（５）代人式（６），由于ｆ二：ｘｅｘｐ（一ｘ２）ｄｘ：ｏ，经整理后可得：
∑ｙｌｅｘｐ［一ｄ（茹，茗；）］
ｉ＝１
ｙ
２
（６）
∑ｅｘｐ［一ｄ（菇，髫；）］
式中，毋为宽度，满足ｌｉｍ（ｒｉ＝０，ｌｉｍｎｏ＇ｊ＝∞。理论上可以证明，当样本容量趋于无穷大（ｎ＿＋∞），网络
荷进行预测的目的。
气象对负荷的影响包括很多因素，比如日最高气温、日最低气温、日平均气温、日降水量、日平均风
速、日平均相对湿度、日平均总云量等，如果预测时将这些因素全部考虑，势必增加算法的复杂性，也会
使计算量剧增。实际上，各种气象因素对负荷的影响是不一样的，比如气温对负荷的影响最大，而气压 的影响就较小。 本文应用ＳＰＳＳ．１０（Ｓｔａｔｉｓｔｉｃａｌ
差如图６。
万方数据
６０
东北电力大学学报
第３１卷
输入样本点 图５
输入样本点
图６
负荷值与实际值曲线
实际值与预测值褶对误差曲线
通过Ｍａｔｌａｂ程序还可以得到，负荷预测时间‘１２１：Ｅｌａｐｓｅｄ
ｔｉｍｅ ｉｓ ３．９２２ ０００
ｓｅｃｏｎｄｓ．说明其预测速
度快；通过相对误差的比较，最大为４．９３％，小于５％，精度也满足要求。 本文算法与传统ＢＰ网络、回归法进行了日２４小时负荷预测结果比较见表５。
Ｐｒｏｄｕｃｔ ａｎｄ Ｓｅｒｖｉｃｅ
Ｓｏｌｕｔｉｏｎｓ）统计分析软件…对影响负荷变化的气象
因素进行处理，通过统计分析，可以给出负荷与气象影响因素内在联系和规律，得到影响负荷的决定性 气象因素，克服了以往对于气象因素根据经验判断，具有主观局限性的缺陷。根据主要的气象影响因素
和历史负荷数据组织训练样本，应用ＧＲＮＮ回归神经网络进行预测。经实际系统检验，证明该方法克
服了传统气象负荷预测中的主观性，将气象影响因素过程量化，提高了预测结果的精度。
１基于ＳＰＳＳ的负荷特性分析
１．１主成分分析
为了能用少量的气象因素来表征天气状况，本文将气象因子作为一个分析集合，进行气象因子的主 成分分析。主成分分析是在基本保持原变量信息不变的前提下，通过原变量的少数几个线性组合来代
收稿日期：２０１１－０１—０Ｉｓ
裹５ 误差精度对照裒Ｃ％） 时问
１２：００ １３：００
时间
Ｏ：００ １：００ ２：００ ３：００ ４：００ ５：００ ６：００ ７：００ ８：００ ９：００ １０：００ １１：００
回归
４．０ ０．３７ ０．３３ —０．３３ —０．１３ —３．７８ —３．３７ —１．２ —３．１５ —３．１２ —３．８ —３．８３
裹２回归系数值 非标准化系数 双向方差 常数项 日最高气温 日最低气温
１０６６．３２４ ，‘一６．８３８ ’１．４６９
—１
标准化系数
，’检验 双向方差
１５７．６５５
显著性 标准差
０．０００ ０．０００ ０．０００
标准差
６．７６４ ０。４６９’、 ０．２１７
ＪＩＢ值
一０．８３８ ０．７６３
１４．５９０ ９．３３０
直接以原始数据对网络进行训练，由于有些数据差距太大，可能有零出现在程序中，使程序无法正
常运行，因此在对网络进行训练之前必须对数据进行处理。
本文采用输入变量常用的归一化方法见式（８），将原始数据茹线性变换到区间［口，６】上；其中增为 归一化后的数据，戈一、茗嘶分别为变量的最大、最小值，
ｘｇ＝（６一口）：Ｘ：：－－ｉ＂鬈ｍｉｎ＋口，
万方数据
第２期
陈
墨等：基于统计理论的负荷特性分析及其预测
预测均方差误差，进行网络结构调整，直到预测精度不再有显著提高为止，确定神经网络的基本结构；
（２）利用所得到的神经网络，对全部学习样本进行训练，得到该学习样本的负荷预测模型；
（３）利用所得到的网络模型进行负荷预测，得到预测结果。
４．２
数据归一化
ＢＰ 一１．３９ —０．８１ 一Ｏ．１７ —０．４０ —０．９６ —０．７８ —０．１８ ０．６４ ０．１４ —２．１４
ＧＲＮＮ —１．１５ —０．３５ —０．２９ —０．２２ —０．５３ —０．６３ —０．１３ ０．１２ ０．０８ —１．８２ —２．５４ 一２．８８
（９）
负荷预测
首先，运用Ｍａｔｌａｂ工具箱中的ＧＲＮＮ网络，参数选择为：△矿＝０．１，Ｏ＇ｍｉｎ＝０．１，盯。＝０．９。通过比 较均方根误差，得出合适的光滑因子，如表４。
通过对表４中取不同Ｓｐｒｅａｄ所得到的不同的均方根误差比较，当Ｓｐｒｅａｄ＝０．３时，均方差误差为最 小，确定扩展常数Ｓｐｒｅａｄ为０．３。 确定Ｓｐｒｅａｄ为０．３后进行负荷预测，预测的负荷值和实际值如图５所示，预测值和实际值的相对误
作者筒介：陈默（１９７１一），男，满洲里达赉湖热电有限公司副总经理，主要从事发电管理工作．
万方数据
．．５６
东北电力大学学报
第３１卷
替原变量并揭示原变量之间关系的一种分析方法‘２１。以某地区２００７年春季的５个（日最高气温、日最
低气温、日平均气温、日降水量、日平均风速）相关气象因素数据作为训练数据，利用ＳＰＳＳ．１０的因子分
实际累积概率 图１标准化残差直方图 图２标准残差正态Ｐ—Ｐ图
２．３聚类分析
ＳＰＳＳ．１０的聚类分析是通过数值特征，分析观察变量之间的亲疏关系，这种关系是用变量之间的距 离来衡量的，距离定义之后，则把距离近的变量归为一类。仍取上述地区的春季４月所有工作日的有关