电力系统短期负荷预测的研究
电力系统短期负荷预测的研究[20191213104406]
摘 要
电力系统负荷预测是电力系统运行调度中一项非常重要的工作内容。论文首先介绍了电力系统负荷预测的意义和研究现状，深入分析了电力系统负荷的组成、分类及其周期性的变化规律，并着重研究了影响电力系统负荷变化的各种因素。
人工神经网络，是由大量处理单元（神经元）组成的非线性大规模自适应动力系统。它具有自组织，自适应和自学习能力，以及具有非线性、非局域性，非定常性和非凸性等特点。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理，记忆信息的方式设计一种新的机器使之具有人脑那样的信息处理能力。
本文阐述了BP神经网络的基本原理，详细分析了标准BP算法、动量BP算法以及学习率可变的BP算法等几种流行的BP神经网络学习算法,详细的介绍了这几种算法的优缺点对于改进的BP算法。本文不仅从理论方面对其进行了深入的分析，还介绍了该算法的详细思路和具体过程，将算法训练后的BP神经网络运用到函数逼近中去。
查看完整论文请+Q: 351916072
关键字:电力系统；负荷预测；人工神经网络；BP神经网络
目 录
摘 要 I
ABSTRACT II
第1章 引言 1
1.1 研究背景 1
2.1 研究现状 1
3.1 本文的主要研究内容 2
第2章 短期负荷预测 4
2.1 概述 4
2.2 短期负荷预测原理及方法 4
2.2.1短期负荷预测基本原理 4
2.2.2短期负荷预测方法 5
第3章 BP神经网络与MATLAB工具箱应用 9
3.1 人工神经网络 9
3.1.1 人工神经网络基本原理 9
3.1.2 人工神经网络模型与结构 10
3.1.3 人工神经网络特点 14
3.2 BP神经网络 16
3.2.1 BP神经网络原理及模型 16
3.2.2 BP神经网络学习 17
3、学习率可变的BP算法 18
3.3 MATLAB工具箱应用 19
3.3.1 MATLAB工具箱简介 19
3.3.2 MATLAB工具箱特点 20
3.3.3 基于MATLAB的BP神经网络应用 20
第4章 程序设计与结果分析 24
4.1 算例分析 24
4.2 BP神经网络（前向神经网络）模型 25
4.3 程序设计 32
4.3.1 流程图设计 32
4.3.2 实验结果分析 33
第5章 总结与展望 36
5.1总结 36
5.2课题展望 37
参考文献 38
致 谢 40
附录 41
1 仿真程序 41
2 外文原文 47
3 外文翻译 54
第1章 引言
1.1 研究背景
负荷预测是从过去的负荷历史资料和对此有影响的政治、经济、气象等因素出发，探索出历史负荷之间以及历史负荷与主要影响因素之间的内在联系和发展变化规律，对未来用电需求做出预先的估计。
电力系统的任务是给广大用户不间断提供优质电能，满足各类负荷的需求。电力系统负荷即是国民经济各部门的用电需求总和，是每个发电厂、供电地区或电网在某瞬间所承受的工作负荷。由于电能不可以储存，电能的生产和消费必须在同一时刻进行，在正常情况下，系统内的可用发电容量在任何时刻都应该满足系统内的负荷要求。电力系统的负荷预测可以为满足和保证发电功率与用电负荷的平衡提前做好准备。由于电能对于国民生活和经济有着不可动摇的地位，提高负荷预测水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有利于制定合理的电源建设规划，有利于提高电力系统的经济效益和社会效益。因此，负荷预测应成为实现电力系统管理现代化的重要内容之一。【5】
电力系统的负荷预测可分为长期、中期、短期和超短期负荷预测，长期和中期负荷预测可以作为安排系统新的发电机组的安装和变电站的建设依据；短期负荷预测主要用于运行和调度；超短期负荷预测主要用语质量控制。
1.2 研究现状
早期的负荷预测完全依赖于调度员的运行经验，由于缺乏科学的理论做指导，不同调度员的预测结果往往差别很大，并且调度员的运行经验是经过生产实践逐步积累起来的，所以没有经验的新的调度员一般无法胜任这项工作，总之，早期的短期负荷预测主要依赖预测人员的实际经验。
二十世纪七十年代后，许多数学统计方法被引入到短期负荷预测中，使短期负荷预测摆脱了完全依赖调度员经验的历史，将短期负荷预测技术提高到一个新的水平，典型的算法有回归分析法(线性回归分析法、非线性回归分析法、多变量回归分析法)【3】、确定性时间序列分析法(时间序列平滑法、时间序列分解法)、随机时间序列分析法一Box一JenkinS法、状态空间法【4】。
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【5】【6】【7】、专家系统法【18】【9】、模糊推理【10】【11】、灰色预测法【12】等)逐步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，和数学统计相比，人工智能预测方法在预测过程中考虑了各种不确定因素(如温度因素、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提高预测精度。
这些方法都在电力系统短期负荷预测中得到了应用，但各有其局限性。因此综合各种预测模型优点的组合方法得到了越来越多的关注。优选组合预测有两种概念，一种是指将几种预测方法所得的预测结果，选取适当的权重进行加权平均的预测方法;二是指在几种预测方法中进行比较，选择拟合优度最佳或标准离差最小的预测模型作为最优模型进行预测。
组合预测方法是建立在最大信息利用的基础上，它集合多种单一模型所包含的信息，进行最优组合。因此，在大多数情况下，通过组合预测可以达到改善预测结果的目的。因此，有使用自适应模糊神经网络进行短期负荷预测方法【13】、人工神经网络ANN和模糊控制相结合的电力系统负荷短期预测方法【14】【15】，还有基于灰色理论和神经网络的电力系统负荷预测方法也具有很好的效果【16】。
尽管短期负荷预测技术在算法理论研究上取得了很大的成就，但是在实际应用中由于种种原因短期负荷预测技术还存在很多问题，短期负荷预测理论和实践有待进一步发展。
1.3 本文的主要研究内容
本文在系统学习电力系统负荷预测理论知识的基础上，针对预测系统，选择合适的算法进行电力负荷预测，并用matlab编制预测程序。本文选用的是基于BP神经网络系统的短期负荷预测研究。
为了提高负荷预测精度，必须认真研究分析各种信息(负荷历史资料及相关因素等)，不仅要在研究负荷记录的基础上加上诸如气象等因素的数据来进行预测，而且要积累历史记录，总结经验，选用创建适当的BP神经网络系统进行训练、预测。在充分分析算例、确定系统、选择输入变量的基础上给你确定网络结构及权值、阀值，设置合适的训练函数。运用MATLAB人工神经工具箱对负荷数据进行仿真，并与实际测量的结果进行比较，检验使用BP人工神经网络法进行负荷预测的效果。然后，计算该系统对负荷数据的预测误差，检验系统预测的准确性，以及对系统的特点及其局限性进行总结。最后，对于课题进行一定的展望。
第2章 短期负荷预测
2.1 概述
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的进步，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、组合优化算法等。
2.2 短期负荷预测原理及方法
2.2.1短期负荷预测基本原理
任何生产活动都需要首先作好计划，并在实几种不断地对计划进行调整，这些计划都是基于对未来的了解，提前做好预测工作。电力生产也不例外，由于电能的特殊性，即生产、输送、分配、消费是同时进行的，电力难以贮存，或者说贮存能力极小而代价高昂，相比于系统总负荷微乎其微。在正常运行情况下，系统内的可用发电容量，应该在任何时候都能满足系统内负荷的需求，应该是用多少就生产多少。用电负荷随时都在变化，而且我国多数电网在日、周、年的周期内负荷的峰谷差是逐年增加的【18】，即将每年的最大负荷增长曲线和最小负荷增长曲线放在同一个坐标系下，呈喇叭状，如图 2.1所示。
图2.1 负荷峰谷差变化
针对这种负荷变化情况，电力生产的调节能力也要增加，当负荷变化范围较小时，调节发电机的出力即可；当负荷变化范围较大时，只有启停机组才行。当然对于负荷的逐年增长，要适时地新增新的发电机组才不至于拉闸限电。电力系统负荷预测是实时控制、运行计划和发展规划的前提，可以说要掌握电力生产的主动权必先做好负荷预测。在进行负荷预测之前，首先要对所预测地区的负荷的变化规律、特性以及影响因素进行分析。只有充分了解掌握负荷的特点、变化规律，才能建立符合实际情况的预测模型。
负荷模型有两方面的涵义：一是指负荷的电压及频率特性，一般可以表示成频率和电压的非线性函数，在潮流计算分析中大多考虑这种模型；另一种是指负荷的时空特性，负荷随时间和空间的分布，即在同时刻不同地点，负荷是不同的。负荷的时空分布特性要比负荷的电压频率特性要复杂，常常需要用负荷的时间曲线来描述这种特性，也称负荷预测模型。
电力系统负荷是一个周期性和随机性很强的系统，与社会、经济、政治、气象等众多的因素存在着极为复杂的关系。一方面，电力负荷按一定的趋势规律地变化；另一方面，负荷受众多因素的影响，随时发生无规律的变化波动。在进行预测时，针对负荷变化的这些特点，既要充分分析、掌握并利用其规律性，又要兼顾各种因素的影响。
2.2.2短期负荷预测方法
1、 时间序列法【14】
时间序列法是应用较早、最为广泛、发展比较成熟的一种方法。它分为确定性时序法和随机性时序法，前者包括时间序列平滑法，趋势外推和季节变动法等；后者包括马尔可夫法和 Box-Jenkins 法(又称 ARMA 模型法)等，其中 Box-Jenkin 法最成功，使用最广泛。时间序列法把负荷数据看作是一个按季节、按周、按天以及按小时周期性变化的时间序列并将实际负荷和预测负荷之间的差值看作一个平稳的随机过程，进行分析和处理。
时间序列法优点主要是:
(1)对历史数据量要求较低;
(2)计算量小;
(3)可以采用估计被测日电量值的方法减小误差。
其缺点主要表现在:
(1)对历史数据准确性要求高，坏数据对预测效果的影响较大;
(2)难以解决气象因素对短期负荷预测的影响;
(3)不适用于电网容量较小或变化较大地区的负荷。
2、 回归预测法
回归预测法是研究变量与变量之间的一种数学方法，即通过对变量的观测数据进行统计分析，确定变量之间的相互关系，从而实现预测目的。在负荷预测中即根据历史数据和一些影响负荷变化的因素变量来推断将来时刻的负荷值。在回归分析中，自变量是随机变量，因变量是待求负荷，由给定的多组自变量和因变量资料，研究各自变量和因变量之间的关系，形成回归方程，求解回归方程后，给定各自变量数值，即可求出因变量值。
3、 灰色系统法
灰色系统理论是介于白色、黑色系统而言的，即部分信息己知，部分信息未知的系统。灰色预测具有要求负荷数据少、不考虑分布规律、不考虑变化趋势、运算方便、易于检验等优点。但是，它和其他预测方法对比，也存在一定局限性。由于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，对于具有其它趋势的指标则有时拟合灰度较大，因此，当数据离散程度越大，即数据灰度越大，则预测精度越差。
4、 卡尔曼滤波法
此法把负荷分解为确定分量和随机分量,确定分量一般用一阶线性模型描述和预测,随机分量可用状态变量表示,通过建立状态空间模型进行负荷预报。如考虑非线性, 则应采用广义卡尔曼滤波法。卡尔曼滤波法应用的关键在于模型的建立。
5、 专家系统
专家系统是将专家在实际工作中对事物获得的感性认识进行提取，建立知识库，并在系统的实际运行过程中对知识库不断进行更新的维护，以跟随事物的变化轨迹，达到模拟专家的目的。它具有像人类专家一样大量的专门知识，它能够根据具体情况灵活运用这些知识，并根据不确定和不完整的证据得到较好的结论。但预测知识规则形成与知识库建立有难度，一旦知识更新将很复杂、可维护性差。
摘 要
电力系统负荷预测是电力系统运行调度中一项非常重要的工作内容。论文首先介绍了电力系统负荷预测的意义和研究现状，深入分析了电力系统负荷的组成、分类及其周期性的变化规律，并着重研究了影响电力系统负荷变化的各种因素。
人工神经网络，是由大量处理单元（神经元）组成的非线性大规模自适应动力系统。它具有自组织，自适应和自学习能力，以及具有非线性、非局域性，非定常性和非凸性等特点。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理，记忆信息的方式设计一种新的机器使之具有人脑那样的信息处理能力。
本文阐述了BP神经网络的基本原理，详细分析了标准BP算法、动量BP算法以及学习率可变的BP算法等几种流行的BP神经网络学习算法,详细的介绍了这几种算法的优缺点对于改进的BP算法。本文不仅从理论方面对其进行了深入的分析，还介绍了该算法的详细思路和具体过程，将算法训练后的BP神经网络运用到函数逼近中去。
查看完整论文请+Q: 351916072
关键字:电力系统；负荷预测；人工神经网络；BP神经网络
目 录
摘 要 I
ABSTRACT II
第1章 引言 1
1.1 研究背景 1
2.1 研究现状 1
3.1 本文的主要研究内容 2
第2章 短期负荷预测 4
2.1 概述 4
2.2 短期负荷预测原理及方法 4
2.2.1短期负荷预测基本原理 4
2.2.2短期负荷预测方法 5
第3章 BP神经网络与MATLAB工具箱应用 9
3.1 人工神经网络 9
3.1.1 人工神经网络基本原理 9
3.1.2 人工神经网络模型与结构 10
3.1.3 人工神经网络特点 14
3.2 BP神经网络 16
3.2.1 BP神经网络原理及模型 16
3.2.2 BP神经网络学习 17
3、学习率可变的BP算法 18
3.3 MATLAB工具箱应用 19
3.3.1 MATLAB工具箱简介 19
3.3.2 MATLAB工具箱特点 20
3.3.3 基于MATLAB的BP神经网络应用 20
第4章 程序设计与结果分析 24
4.1 算例分析 24
4.2 BP神经网络（前向神经网络）模型 25
4.3 程序设计 32
4.3.1 流程图设计 32
4.3.2 实验结果分析 33
第5章 总结与展望 36
5.1总结 36
5.2课题展望 37
参考文献 38
致 谢 40
附录 41
1 仿真程序 41
2 外文原文 47
3 外文翻译 54
第1章 引言
1.1 研究背景
负荷预测是从过去的负荷历史资料和对此有影响的政治、经济、气象等因素出发，探索出历史负荷之间以及历史负荷与主要影响因素之间的内在联系和发展变化规律，对未来用电需求做出预先的估计。
电力系统的任务是给广大用户不间断提供优质电能，满足各类负荷的需求。电力系统负荷即是国民经济各部门的用电需求总和，是每个发电厂、供电地区或电网在某瞬间所承受的工作负荷。由于电能不可以储存，电能的生产和消费必须在同一时刻进行，在正常情况下，系统内的可用发电容量在任何时刻都应该满足系统内的负荷要求。电力系统的负荷预测可以为满足和保证发电功率与用电负荷的平衡提前做好准备。由于电能对于国民生活和经济有着不可动摇的地位，提高负荷预测水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有利于制定合理的电源建设规划，有利于提高电力系统的经济效益和社会效益。因此，负荷预测应成为实现电力系统管理现代化的重要内容之一。【5】
电力系统的负荷预测可分为长期、中期、短期和超短期负荷预测，长期和中期负荷预测可以作为安排系统新的发电机组的安装和变电站的建设依据；短期负荷预测主要用于运行和调度；超短期负荷预测主要用语质量控制。
1.2 研究现状
早期的负荷预测完全依赖于调度员的运行经验，由于缺乏科学的理论做指导，不同调度员的预测结果往往差别很大，并且调度员的运行经验是经过生产实践逐步积累起来的，所以没有经验的新的调度员一般无法胜任这项工作，总之，早期的短期负荷预测主要依赖预测人员的实际经验。
二十世纪七十年代后，许多数学统计方法被引入到短期负荷预测中，使短期负荷预测摆脱了完全依赖调度员经验的历史，将短期负荷预测技术提高到一个新的水平，典型的算法有回归分析法(线性回归分析法、非线性回归分析法、多变量回归分析法)【3】、确定性时间序列分析法(时间序列平滑法、时间序列分解法)、随机时间序列分析法一Box一JenkinS法、状态空间法【4】。
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【5】【6】【7】、专家系统法【18】【9】、模糊推理【10】【11】、灰色预测法【12】等)逐步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，和数学统计相比，人工智能预测方法在预测过程中考虑了各种不确定因素(如温度因素、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提高预测精度。
这些方法都在电力系统短期负荷预测中得到了应用，但各有其局限性。因此综合各种预测模型优点的组合方法得到了越来越多的关注。优选组合预测有两种概念，一种是指将几种预测方法所得的预测结果，选取适当的权重进行加权平均的预测方法;二是指在几种预测方法中进行比较，选择拟合优度最佳或标准离差最小的预测模型作为最优模型进行预测。
组合预测方法是建立在最大信息利用的基础上，它集合多种单一模型所包含的信息，进行最优组合。因此，在大多数情况下，通过组合预测可以达到改善预测结果的目的。因此，有使用自适应模糊神经网络进行短期负荷预测方法【13】、人工神经网络ANN和模糊控制相结合的电力系统负荷短期预测方法【14】【15】，还有基于灰色理论和神经网络的电力系统负荷预测方法也具有很好的效果【16】。
尽管短期负荷预测技术在算法理论研究上取得了很大的成就，但是在实际应用中由于种种原因短期负荷预测技术还存在很多问题，短期负荷预测理论和实践有待进一步发展。
1.3 本文的主要研究内容
本文在系统学习电力系统负荷预测理论知识的基础上，针对预测系统，选择合适的算法进行电力负荷预测，并用matlab编制预测程序。本文选用的是基于BP神经网络系统的短期负荷预测研究。
为了提高负荷预测精度，必须认真研究分析各种信息(负荷历史资料及相关因素等)，不仅要在研究负荷记录的基础上加上诸如气象等因素的数据来进行预测，而且要积累历史记录，总结经验，选用创建适当的BP神经网络系统进行训练、预测。在充分分析算例、确定系统、选择输入变量的基础上给你确定网络结构及权值、阀值，设置合适的训练函数。运用MATLAB人工神经工具箱对负荷数据进行仿真，并与实际测量的结果进行比较，检验使用BP人工神经网络法进行负荷预测的效果。然后，计算该系统对负荷数据的预测误差，检验系统预测的准确性，以及对系统的特点及其局限性进行总结。最后，对于课题进行一定的展望。
第2章 短期负荷预测
2.1 概述
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的进步，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、组合优化算法等。
2.2 短期负荷预测原理及方法
2.2.1短期负荷预测基本原理
任何生产活动都需要首先作好计划，并在实几种不断地对计划进行调整，这些计划都是基于对未来的了解，提前做好预测工作。电力生产也不例外，由于电能的特殊性，即生产、输送、分配、消费是同时进行的，电力难以贮存，或者说贮存能力极小而代价高昂，相比于系统总负荷微乎其微。在正常运行情况下，系统内的可用发电容量，应该在任何时候都能满足系统内负荷的需求，应该是用多少就生产多少。用电负荷随时都在变化，而且我国多数电网在日、周、年的周期内负荷的峰谷差是逐年增加的【18】，即将每年的最大负荷增长曲线和最小负荷增长曲线放在同一个坐标系下，呈喇叭状，如图 2.1所示。
图2.1 负荷峰谷差变化
针对这种负荷变化情况，电力生产的调节能力也要增加，当负荷变化范围较小时，调节发电机的出力即可；当负荷变化范围较大时，只有启停机组才行。当然对于负荷的逐年增长，要适时地新增新的发电机组才不至于拉闸限电。电力系统负荷预测是实时控制、运行计划和发展规划的前提，可以说要掌握电力生产的主动权必先做好负荷预测。在进行负荷预测之前，首先要对所预测地区的负荷的变化规律、特性以及影响因素进行分析。只有充分了解掌握负荷的特点、变化规律，才能建立符合实际情况的预测模型。
负荷模型有两方面的涵义：一是指负荷的电压及频率特性，一般可以表示成频率和电压的非线性函数，在潮流计算分析中大多考虑这种模型；另一种是指负荷的时空特性，负荷随时间和空间的分布，即在同时刻不同地点，负荷是不同的。负荷的时空分布特性要比负荷的电压频率特性要复杂，常常需要用负荷的时间曲线来描述这种特性，也称负荷预测模型。
电力系统负荷是一个周期性和随机性很强的系统，与社会、经济、政治、气象等众多的因素存在着极为复杂的关系。一方面，电力负荷按一定的趋势规律地变化；另一方面，负荷受众多因素的影响，随时发生无规律的变化波动。在进行预测时，针对负荷变化的这些特点，既要充分分析、掌握并利用其规律性，又要兼顾各种因素的影响。
2.2.2短期负荷预测方法
1、 时间序列法【14】
时间序列法是应用较早、最为广泛、发展比较成熟的一种方法。它分为确定性时序法和随机性时序法，前者包括时间序列平滑法，趋势外推和季节变动法等；后者包括马尔可夫法和 Box-Jenkins 法(又称 ARMA 模型法)等，其中 Box-Jenkin 法最成功，使用最广泛。时间序列法把负荷数据看作是一个按季节、按周、按天以及按小时周期性变化的时间序列并将实际负荷和预测负荷之间的差值看作一个平稳的随机过程，进行分析和处理。
时间序列法优点主要是:
(1)对历史数据量要求较低;
(2)计算量小;
(3)可以采用估计被测日电量值的方法减小误差。
其缺点主要表现在:
(1)对历史数据准确性要求高，坏数据对预测效果的影响较大;
(2)难以解决气象因素对短期负荷预测的影响;
(3)不适用于电网容量较小或变化较大地区的负荷。
2、 回归预测法
回归预测法是研究变量与变量之间的一种数学方法，即通过对变量的观测数据进行统计分析，确定变量之间的相互关系，从而实现预测目的。在负荷预测中即根据历史数据和一些影响负荷变化的因素变量来推断将来时刻的负荷值。在回归分析中，自变量是随机变量，因变量是待求负荷，由给定的多组自变量和因变量资料，研究各自变量和因变量之间的关系，形成回归方程，求解回归方程后，给定各自变量数值，即可求出因变量值。
3、 灰色系统法
灰色系统理论是介于白色、黑色系统而言的，即部分信息己知，部分信息未知的系统。灰色预测具有要求负荷数据少、不考虑分布规律、不考虑变化趋势、运算方便、易于检验等优点。但是，它和其他预测方法对比，也存在一定局限性。由于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，对于具有其它趋势的指标则有时拟合灰度较大，因此，当数据离散程度越大，即数据灰度越大，则预测精度越差。
4、 卡尔曼滤波法
此法把负荷分解为确定分量和随机分量,确定分量一般用一阶线性模型描述和预测,随机分量可用状态变量表示,通过建立状态空间模型进行负荷预报。如考虑非线性, 则应采用广义卡尔曼滤波法。卡尔曼滤波法应用的关键在于模型的建立。
5、 专家系统
专家系统是将专家在实际工作中对事物获得的感性认识进行提取，建立知识库，并在系统的实际运行过程中对知识库不断进行更新的维护，以跟随事物的变化轨迹，达到模拟专家的目的。它具有像人类专家一样大量的专门知识，它能够根据具体情况灵活运用这些知识，并根据不确定和不完整的证据得到较好的结论。但预测知识规则形成与知识库建立有难度，一旦知识更新将很复杂、可维护性差。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4879.html
