的经济安全运行，必须掌握负荷的变化规律以及未来的变化趋势。因此，在电力系统控制运行与计划管理中，负荷预测决定了发电输电和电能分配等方面的合理安排，对电力系统的安全运行具有非常重要的意义。负荷预测按预测的时间可以分为长期中期和短期负荷预测，其中，在短期负荷预测中，周负荷预测未来天日负荷预测未来小时负荷预测以及提前数小时预测对于电力系统的实时运行调度至关重要，因为对未来时刻进行预调度要以负荷预测的结果为依据。负荷预测的结果的准确性将直接影响调度的结果，从而对电力系统的安全稳定运行和经济性带来重要影响。在当前市场化运营的条件下，由于电力交易更加频繁和经营主体之间的区别，会出现各种不确定性因素，同时负荷对于电价的敏感度也随着市场的完善而逐渐增强，这也给负荷预测带来了新的难度。由于市场各方对信息的获取和运营的经济性更加重视，准确的预测对于提高电力经营主体的运行效益有直接的作用，短期负荷预测的重要性就更加突出。因此，电力系统短期负荷预测的研究不仅具有定的理论背景而且还有广阔的工业应用前景。电力系统负荷预测的国内外研究现状目前，国内外关于短期电力负荷预测的研究主要集中在三个方面负荷预测的影响因素负荷预测的数学模型以及负荷预测的算法。相对前两个方面，在算法方面的研究最广泛，已经涌现出了各种不同算法，而这些算法在模型的复杂性灵活性对数据的要求以及满足用户的特殊要求等方面都有着很大的不同。用于短期负荷预测方法很多，常用的方法主要有时间序列预测法回归分析法最小二乘法指数平滑法等。近年来，预测理论技术取得了长足进步，负荷预测的新技术层出不穷，综合起来主要有灰色预测法专家系统预测技术小波分析预测技术模糊预测技术混沌理论预测技术神经网络预测技术组合优化算法。灰色系统理论灰色系统理论是在年代由我国学者邓聚龙教授提出以来，已在各个领域得到广泛应用。灰色系统理论将切随机变化量看作是在定范围内变化的灰色量，常用累加生成和累减生成的方法，将杂乱无章的原始数据整理成规律性较强的生成数据列，用灰色模型，简称的微分方程作为电力系统单指标如负荷的预测时，求解微分方程的时间响应函数表达式，即为所求的灰色预测模型，对模型的精度和可信度进行校验并修正后，即可据此模型预测未来的负荷，此法适用于短中长三个时期的负荷预测。从理论上讲，可以适用于任何非线性变化的负荷指标预测。但其不足之处是其微分方程指数解比较适合于具有指数增长趋势的负荷指标，由于灰色系统理论呈指数增长或者递减变化的模型，其预测精度与被预测对象的变化规律密切相关，当原始数据波动情况如上下连续波动指数波动倍数波动时，预测的精度就差，此时就不宜使用灰色预测模型。专家系统专家系统是个应用基于知识的程序设计方法建立起来的计算机系统，它拥有个特殊领域专家的知识和经验，并能像专家那样运用这些知识，通过推理，在该领域内做出智能决策。从本质上来看，专家系统是有许多收集的规则组成，清楚地表示了知识和结果。个完善的专家系统通常由知识库推理机数据库知识获取部分解释部分等五个部分组成的知识库和推理机是专家系统的核心，是不可缺少的组成部分。知识库是用来存储专家知识和经验的地方推理机则是组智能程序，用来实现推理的方法和推理过程的控制策略数据库仅是计算机中规定的部分空间，用来存放用户提供的事实和推理过程中的些中间信息知识获取部分用来使智能系统直接从领域专家那里获取知识或自动修改补充完善系统中的知识数据和规则。建立个专家系统最困难的是知识获取部分。将专家系统技术用于负荷预测时，能对所收集整理的常规的预测模型逐进行评估决策，对于突发性事件引起的负荷变化，由调度人员经验发展而来的负荷预测专家系统可以避开复杂的数值计算，快速地做出最佳预测结果，避免了人工推理的繁琐和人为差错的出现，克服以往用单模型进行预测的片面性缺陷。然而，把专家的知识和经验等精确地表达并转化为系列规则往往是很困难的，而且建立专家系统的工作量要比般预报算法大得多。专家系统法需要对段时间的数据进行精确的分析，从而得出各种可能引起负荷变化的因素，其分析本身就是个耗时的过程，并且对于些复杂的因素，通用性较差，缺乏学习能力和自适应推理能力，如天气因素，要准确定量地确定它们对负荷的影响，也是很困难的事。专家系统是对人类不可量化的经验进行转化的种较好的方法，若能将它与其它方法有机的结合起来，构成预测系统，将可得到较满意的结果。小波分析法小波分析是上个世纪数学研究中的最杰出的代表。它吸取了现代分析学中的泛函分析典型的神经网络是由输入层输出层和个隐含层组成的三层网络，这也是最常用的种神经网络。图多层前向网络结构图在使用算法时，首先要确定神经网络的最佳结构。其中，输入层节点数取决于数据源的维数，即输入特征向量的维数。输出层节点数由输出量类型决定。值得注意的是，神经网络只能处理表示成数值的输入数据，所以经常需要将外部信息变换或编码。般将输入数据标度到限定范围。在确定了数据源之后，输入层所需的节点数自然也就确定了。隐含层节点数如何确定直是众多学者研究的问题，目前还没有个公认的最佳方案。对于多数神经网络来说，首先要确定选用几层隐含层以及层内结点数。针对这个问题，有两个定理可供参考定理给定任连续函数ƒ,，这里是闭单元区间，可以精确地用个三层前向神经网络实现，其网络的第层即输入层有个处理单元，中间层有个处理单元，第三层即输出层有个处理单元。输入输入层隐含层输出层定理给定任意ε和任意函数ƒ，存在个三层网络，它可在任意ε平方误差精度内逼近ƒ第个定理保证任连续函数可由个三层前向神经网络来实现。但它没有提供任何构造这样个网络的可行方法。而第二个定理证明，在网络中它可在任意希望的精度上实现任意的连续函数。第二个定理还告诉我们，只要用三层网络就可实现函数，但实际上，有时还是有必要使用更多层的网络，因为用网络实现函数往往需要大量隐层节点，而使用多层网络可以减少隐层节点数，但如何选取网络的隐层数和节点数，还没有确切的方法和理论，通常是凭学习样本和测试样本的误差交叉评价的试错法选取。本文中只是讨论了应用最为广泛的三层神经网络结构。前向网络基本算法的学习步骤及流程图神经网络的学习采用误差反向传播算法，在计算具有隐层的前馈多层神经网络的训练误差时，是先从输出层开始，逐层向后进行。这就是误差反向传播算法名称的由来。它是种有导师的学习算法，其整个学习过程分为个部分是输入模式，从输入层经隐含层传向输出层的模式顺传播过程二是网络的希望输出与实际输出之差的误差信号，由输出层经隐含层向输入层逐层修正连接权的误差逆传播过程三是由模式顺传播和误差逆传播的反复交替进行的网络记忆训练过程四是网络趋向收敛即网络的全局误差趋向极小值的学习收敛过程。依据上述思路，算法学习过程的步骤可以归结为以下几点用,之间的随机数初始化连接权及阈值。选取模式对，提供给网络。用输入模式连接权和阈值计算中间层各单元状态，然后用通过函数计算中间层各单元的输出,„,„,用中间层各单元的输出连接权和阈值，计算输出层各单元的状态，然后用通过函数计算输出层各单元的输出。,„,„用希望输出模式即教师信号网络的实际输出，计算输出层各单元的训练误差,„,用连接权输出层的训练误差中间层的输出，计算中间层各单元的般化误差即训练误差﹒﹒,„用输出层各单元的般化误差中间层各单元的输出修正连接权和阈值,„,„,„用中间层各单元的般化误差输入层的单元的输入,修正连接权和阈值,„„,„输入下个学习模式若有学习模式，返回到步骤更新学习次数，若学习次数小于规定次数返回，或网络全局误差函数大于预先设定的极小值返回。结束学习。其流程图如下图前向网络基本算法的学习步骤及流程图前向网络的训练与测试网络的学习是通过对给定的训练样本，经反复训练来实现的，由于这种学习是对连接权的调整，般通过对网络的输出评价来判定学习的好与差。评价网络收敛的好坏，除了速度外，常用均方根误差来定量反映学习的性能，这里将均方根误差定义为式中表示训练集的样本数，为网络输出单元个数按照算法，网络在学习过程中，均方根误差应是逐渐减小的，此外，典型的网络的应用不仅需要个学习集，而且还要有个评价训练效果的测试集，训练集和测试集都是由输入输出样本对构成的集合，训练集用于训练网络，使网络能按照学习算法调节结构参数，以达到学习的目的，测试集则用于评价已经训练好的网络的性能，即网络的泛化性能。因此，为了获得比较好的网络性能，必须满足两个基本前提，第，训练集和测试集应使用典型样本对，第二测试集应不同于样本集。前向神经网络算法改进理论网络是神经网络中应用最广泛的种网络模型。传统的网络具有思路清晰，结构严谨，工作状态稳定，可操作性强等特点，并且由于隐节点的引入，使得个三层非线性网络可以任意精度逼近任何连续函数，从而在许多领域得到广泛应用。但并非说它完美无暇，同样有自身的不足和毛病，存在以下三个缺陷其，传统的网络是个非线性优化问题，不可避免的存在局部极小问题。网络的权值和阈值沿局部改善的方向不断修正，力图达到使误差函数最小化的全局解，但实际上常得到的是局部最优点，即网络易陷于局部最小值。其二，学习过程中，误差函数下降慢，学习速度缓慢，易出现个长时间的误差平坦区，即出现平台。即学习过程收敛速度慢。其三，隐含层和隐含层节点数难以确定。由于网络自身存在的这些问题，不少研究者进行研究，提出了些改进方法，这些方法大都集中在如何加快学习速率和尽可能避免陷入局部极小。其中常用的改进算法有附加动量法，自适应调整学习率法，弹性算法，优化方法，正则化方法，累积误差校正，训练集重组等，下面就简述二。附加动量法附加动量法就是在网络调整权值时不仅考虑误差在梯度上的作用，而且考虑在误差曲面上的变化趋势的影响。该方法是在反向传播的基础上，在每个权重的变化上加上项正比于前次权中变化量的值，并以此来产生新的权值的变化。调节公式为为动量因子，般取之间的数值。加入动量项能有效加速收敛，防止振荡。自适应调整学习率法算法的学习率是凭经验给出的个固定常数，般取至之间的数。由于是固定的，在靠近极小点的时候，容易产生来回摆动的现象，造成算法难以收敛到极小解。通常调整学习率的准则是检查权重的修正值是否真正降低了误差函数，如果确实如此，则说明所取的学习速率值小了，可以对其增加个量若相反，则产生了过调，应减小学习速率的值。具体调整公式为弹性算法般网络的隐含层激活函数采用型函数，型函数将神经元的输入范围从∞，∞映射到当输入变量很大时，型函数的斜率将接近。这可能会导致产生在利用型函数训练网络中梯度下降的问题，由于即使梯度有很小的变化，也会引起权值的变化，使权值远离最优值。弹性算法的原理就是打算消除对偏导数的大小