1、“.....任何单模型的预测精度不可能在所有情况下都较高。因此,有必要针对全社会用电量的预测方法进行研究,选择适合杭州社会实际的用电量预测方法。全社会用电量预测方法分为传统预测方法经典预测方法智能预测方法和新兴预测方法等大类。传统预测方法有时间序列法弹性系数法指数平滑法等。经典预测法有多元回归模型灰色预测模型等。智能预测方法有神经网络模型等。新兴的预测方法有基于大数据的预测方法等。前两类预测方法在电力企业实际中应用已多,所以本次研究主要采用神经网络预测方法和模型进行预测,并与其它方法进行综合对比分析因此气象用电量分离的原理和宏观经济波动的趋势分解原理是相类似的。将时间序列的波动成分提取出来单独研究的方法,最早是在经济领域中出现,和提出,衡量经济波动的方法关键就是看总产出和其它经济指标的时间序列对于它们长期趋势的偏离程度,后来这方法被广泛应用于宏观经济波动分析及经济周期研究中。根据经典的做法......”。

2、“.....对于趋势平稳的时间序列,如果存在确定的线性变化趋势,可以釆用次或次线性回归如果经济时间序列发生了截距或者斜率的变化,则适用于采用分段趋势分解法。这两种方法都是早期的研究结果,和研究发现多数经济时间序列是非平稳的,上述方法就变得不适用,结构性分解和状态性分解方法,展情况,选择适当的模型。应用趋势外推法有两个假设条件假设负荷没有跳跃式变化假定负荷的发展因素也决定负荷未来的发展,其条件是不变或变化不大。选择合适的趋势模型是应用趋势外推法的重要环节,图形识别法和差分法是选择趋势模型的两种基本方法。趋势外推法的优点是只需要历史数据所需的数据量较少。缺点是如果电力需求数据出现变动,会引起较大的误差。灰色预测法用电量预测灰色系统理论是反模糊控制的观点和方法延伸到复杂的大系统中,将自动控制与运筹学的数学方法相结合......”。

3、“.....有部分信息已知和未知的系统称为灰色系统。综合以上两个原则设定隐含层中心个数,然后可以根据训练和测试的效果,对中心个数进行适当调整。般情况下,中心个数设得越多,训练的效果越好,但所需要的时间越长而当中心个数多单年季节指数为,季节指数为年的单年季节指数的平均值,即,平均季节指数则季节指数与平均季节指数的相对偏差为表季节特性比较通过年杭州典型区域计算出的相对偏差可以看出,第季度相对偏差为,第季度相对偏差,远高于第季度和第季度的相对偏差值,亦即第季度季节指数偏离平均季节指数较大。这说明第季度的季节特性较明显,用电量在第季度会出现用电量波谷,第季度出现用电量波峰。则在预测未来时,对于季节特性明显的季度,需要使用合成修正法,对该季节用电量预测值进行修正。趋势分析法用电量预测趋势分析法也被称之趋势曲线分析曲线拟合或曲线回归,它是迄今为止研究最多,也最为流行的定量预测方法......”。

4、“.....当电力负荷依时间变化呈现种上升或下降的趋势,并且无明显的季节波动,又能找到条合适的基于神经网络的中短期电量预测模型研究原稿元的输入信号,为连接权重为输入信号线性组合后的输出,也是神经元的净输入为神经元的阈值为经阈值调整后的值为神经元的激励函数。输入信号在单侧感知其中传递的数学模型为为神经元的激励函数,比较常见的激励函数包括函数函数等以为例,其表达式为其中为常数。基于神经网络的中短期电量预测模型研究原稿。摘要神经网络算法是新兴起的电力负荷预测成果之,它可以有效的对短期的负荷进行预测,模拟人脑的活动进行智能化的处理,自动地获取不准确的信息以及不明朗的规律进行适应化处理。神经网络以其独特的记忆信息和自主学习的能力,实现对知识进行优化和推理,其中最重要的是自我学习能力和自动适应能力,这是对比其他方法的最大优势。基于神经网络的非数学模型预测法......”。

5、“.....则适用于采用分段趋势分解法。这种方法是根据经济时间序列序列自身发展变化的基本规律和趋势,选取趋势模型进行分析,它假设趋势增长率基本不变,在描述经济指标趋势时,经常以指数增长路径来描述序列的增长,对原序列取自然对数就变成了线性趋势。综合以上两个原则设定隐含层中心个数,然后可以根据训练和测试的效果,对中心个数进行适当调整。般情况下,中心个数设得越多,训练的效果越好,但所需要的时间越长而当中心个数多到定程度的时候,增多中心个数对训练效果的改善已不大。另外,隐含层中心数应该不大于训练数据记录数。神经网络预测模型的输入数据满足下列条件输入变量和目标变量应该存在因果决定关系,而毫无关联的非随机数据,亦即目标变量应是可预测的。计算时程序对样本数据缺失神经网络神经元通常只对输入刺激起局部反应,即只有当输入落在输入空间的个局部区域时,它才产生个重要的非零响应。所以通常对于网络训练时......”。

6、“.....而且样本的数据个数也要求不多。网络能够逼近任意的非线性函数,可以处理系统内在的难以解析的规律性,并且具有极快的学习收敛速度,因此网络有较为广泛的应用。神经网络模型神经网络作为人工神经网络中应用最广的算法模型,具备完备的理论体系和学习机制,它模仿人脑神经元对外部激励信号的反应,建立多层感知模型,利用信号正向传播和误差反向调节的学习机制,通过多次迭代学习,成功搭建出处理非线性信息的智能化网络模型。单层网络如图所示图单层神经网络示意图多层神经网络与单层神经网络的原理相同,其差别在于层数不同,其中为神经次或次线性回归如果经济时间序列发生了截距或者斜率的变化,则适用于采用分段趋势分解法。这两种方法都是早期的研究结果,和研究发现多数经济时间序列是非平稳的,上述方法就变得不适用,结构性分解和状态性分解方法,随之应运而生。结构性分解包括分解法和曲线分解法,需要通过其他经济变量......”。

7、“.....将序列中的长期趋势成分和短期波动成分分离出来。而状态性分解是根据序列本身的时间序列性质,将其分解为确定性的趋势成分和周期波动成分,如时间趋势脱离季节调整法滤波分解法均属于状态性分解。总而言之,气象用电分离的原理就是趋势分解理论。用电量是具有很强周期性的时间序列,而时间序列数据般由趋势变动季节变动循环变动不规则变动个因素构成,只对输入刺激起局部反应,即只有当输入落在输入空间的个局部区域时,它才产生个重要的非零响应。所以通常对于网络训练时,样本集是必须进行仔细选择的,而且样本的数据个数也要求不多。网络能够逼近任意的非线性函数,可以处理系统内在的难以解析的规律性,并且具有极快的学习收敛速度,因此网络有较为广泛的应用。神经网络模型神经网络作为人工神经网络中应用最广的算法模型,具备完备的理论体系和学习机制,它模仿人脑神经元对外部激励信号的反应,建立多层感知模型......”。

8、“.....通过多次迭代学习,成功搭建出处理非线性信息的智能化网络模型。单层网络如图所示图单层神经网络示意图多层神经网络与单层神经网络的原理相同,其差别在于层数不同,其中为神经元的输入信号,为连接权重中趋势变动代表长期发展趋势季节波动是每年重复出现,周期为个月或个月,主要由气温降雨量假期政策等因素引起循环波动是种景气波动,即以数年为周期的周期性波动,它不同于季节波动的自我循环,而是从个周期变动到另个周期,例如宏观经济周期。我国电力行业也呈现周期性波动特征。由此可见,用电量具有明显的趋势循环和季节性特征,本文主要研究气候导致的季节性波动,不规则变动忽略不计。如果使用结构性分解方法,气候的作用体现得并不明显,可以考虑将宏观经济形势影响的这部分用电量剔除,因此剔除长期趋势波动和景气循环波动,采用宏观经济波动趋势分析中的状态分解方法......”。

9、“.....对于趋势平稳的时间序列,如果存在确定的线性变化趋势,可以采用次或次线性回归,分离趋势用电量预测方法全社会用电量预测是电力企业制订生产经营计划,开展电力供需形势分析和部署市场开拓工作的重要依据,因而要求在实际预测中具有尽可能高的预测精度。全社会用电量发展变化的规律很难用单数学模型加以描述,任何单模型的预测精度不可能在所有情况下都较高。因此,有必要针对全社会用电量的预测方法进行研究,选择适合杭州社会实际的用电量预测方法。全社会用电量预测方法分为传统预测方法经典预测方法智能预测方法和新兴预测方法等大类。传统预测方法有时间序列法弹性系数法指数平滑法等。经典预测法有多元回归模型灰色预测模型等。智能预测方法有神经网络模型等。新兴的预测方法有基于大数据的预测方法等。前两类预测方法在电力企业实际中应用已多,所以本次研究主要采用神经网络预测方法和模型进行预测,并与其它方法进行综合对比分析......”。