DOC《毕业设计（论文）》

六、七十年代到八十年代末,是使用传统预测技术的阶段,典型的算法有趋势外推法、回归分析法、时间序列法、卡尔曼滤波法和灰色系统理论法. (3)二十世纪九十年代初期开始,人工智能技术(如人工神经网络、模糊推理等)逐渐被用到短期负荷预测中,人工智能技术主要用来解决非线性问题和不确定性问题,和传统预测方法相比,人工智能预测方法在预测过程中考虑了各种不确定因素(如天气因素、季节因素、人工经验等),在实际的负荷预测过程中确实能够提高预测精度. 1.2.2 负荷预测的常用方法 目前,国内外关于短期负荷预测研究的论文很多,所采用的预测方法基本可以分为两类:即传统预测方法和人工智能方法. a.传统预测方法 (1)趋势外推法―按照负荷的变化趋势,对未来负荷情况做出判定.此方法计算简单,方法实用性较强,比较适用于短期负荷预测中【1】. (2)回归分析法―根据负荷过去的历史资料,建立可以分析的数学模型,对未来的负荷进行预测【6】.由于天气变量与负荷之间不是简单的线性关系,回归算法对这种动态的、非线性的关系无法处理,它只是预测出一个平均值,非线性回归算法也只是通过代换将非线性关系转化为线性关系,加之运算复杂,因而不是理想的预测方法. (3)时间序列法―用时间来代替影响负荷的因素,利用了电力负荷变动的惯性特征和时间上的延续性,依据负荷过去的统计数据,找到其随时间变化的规律,建立时序模型,以推断未来负荷数值【7】.时序法没有考虑天气、社会活动等对负荷的影响,因此预测不准确【8】. (4)卡尔曼滤波法―建立状态空间模型,把负荷作为状态变量,用状态方程和量测方程来描述.卡尔曼滤波适用于在线负荷预测,所建的负荷模型是线性的,过于简单,要用于复杂系统的负荷预测,并达到较高的精度有一定难度【9】. (5)灰色预测法―灰色预测理论的显著特征就是用少量的数据做微分方程建立起预测的模型.优点在于:要求负荷数据少、不要求掌握分布规律和变化趋势.其局限性是仅适合具有指数增长趋势的负荷指标,对非指数增长指标会形成拟合灰度较大,当数据离散程度越大,预测精度越差【10】. b.人工智能方法 随着科学技术的迅速发展,人工智能方法的研究和应用有很大的优点和应用潜力.其主要的算法有神经网络算法【11】、模糊推理系统【12】、遗传算法、混沌理论【13】等.这些方法和专家系统、Tabu搜索、蚊群搜索、模拟退火、数据分析、自适应、自学习等技术密切结合、互为补充的预测方法,概称为智能技术. (1)人工神经网络方法.1991 年,Park.D.C等人首次将人工神经网络引入负荷预测,随后,关于神经网络的负荷预测的研究层出不穷【14】.神经网络技术的优点是可以模仿人脑的智能化处理,对大量非结构性、非精确性规律具有自适应功能.其缺点是训练过程比较慢,而且并不能保证它一定收敛,同时神经网络的结构确定,输入变量的恰当选取,隐含层数目的大小等问题都要在实践中进行摸索. (2)模糊控制方法.模糊预测方法仅仅模拟专家的推理和判断方式,并不需要建立精确的数学模型【15】.模糊理论适合描述广泛存在的不确定性,同时它具有强大的非线性映射能力,能够在任意精度上一致逼近任何定义在一个致密集上的非线性函数,并能够从大量的数据中提取它们的相似性.但是随着模糊理论更深入的研究和应用,模糊理论暴露了一些不足:模糊的学习能力比较弱;