1.1 选题背景与研究意义
电能作为一种特殊的能源，难以大量储存，使得电能的生产、输送、分配和消费几乎是同时完成的，因而电力系统的发电出力应当与系统的负荷变化随时保持一致，以达到生产和消费的动态平衡，满足供需平衡，否则将会影响供电质量甚至危及系统的安全与稳定。随着科学技术和社会经济的不断发展，人们对于电力系统的供电可靠性和供电质量的要求不断提高。同时，电网日趋现代化、复杂化，电网的规模不断增大、容量不断提升，为保证电力系统安全、稳定、经济的运行，必须掌握负荷的变化规律以及未来的变化发展趋势，使得电力系统负荷预测具有重要意义[1-2]。研究表明，负荷预测误差每增加 1%将会使得电力系统的年运行成本增加约 1000 万英镑[3]。 负荷预测是指以电力系统负荷自身因素、外部经济气象等影响因素为对象，通过对历史数据的挖掘和分析，发现各个因素之间的相互关系和变化规律；并以内外部因素随时间的变化发展为依据，对电力需求做出预先的推断[4]。 电力系统负荷预测通常按时间期限可以分为超短期负荷预测、短期负荷预测、中期和长期负荷预测。 超短期负荷预测是指未来一小时以内的负荷预测，主要用于实时调度决策系统、状态估计、实时校正及电网的网络安全分析；短期负荷预测是指未来数小时到一星期的负荷预测，主要用于水火电分配与协调、机组经济组合和交换功率计划；中期负荷预测是指未来一年之内的用电负荷预测，主要用于安排月度检修计划、水库调度、交换计划和燃料计划；长期负荷预测是指未来数年至数十年的用电负荷预测，主要用于提供电源、电网规划的基础数据，确定年度检修计划、运行方式等。
..........
1.2 国内外研究现状
电力负荷不仅涉及到国民经济发展，同时还受到政治、气候、环境等不确定因素的影响。在过去的几十年中，短期负荷预测一直是国内外学者研究的重点，目前已有许多不同的模型和方法被应用到电力系统的短期负荷预测当中。总的来说，可以分为两大类方法：第一类是传统的方法，主要基于统计学原理，包括回归分析、时间序列、指数平滑等方法[5-10]；第二类是人工智能算法，主要基于人工智能和计算智能，包括人工神经网络、专家系统、模糊逻辑、灰色理论、小波分析、支持向量机、进化算法等优化算法及混合智能算法[11-20]。 回归分析预测法将影响电力负荷变化的因素（如经济、人口、气候气温和随机干扰等）看作自变量，将电力负荷的历史数据预测值看作因变量，由给定的多组自变量和因变量数据形成回归方程，从而建立自变量和因变量之间的相关关系，通过最小二乘估计等算法确定回归方程的系数，对未来的负荷进行预测。
........
第二章 短期负荷预测器设计
2.1 人工神经网络
人工神经网络（Artificial Neural Network, ANN）是 80 年代中后期世界范围内迅速发展的一个前沿研究领域。1943 年，心理学家 W.S.Mc Culloch 和逻辑学家 W.Pitts 建立了神经网络的数学模型,称为 MP 模型，开创了人工神经网络研究的时代。60 年代初，包含感知器和自适应线性元件在内的更加完整的神经网络模型得到进一步发展。1982 年，美国加州工学院物理学家 J.J.Hopfield 提出了Hopfield 神经网路模型，有力地推动了神经网络的研究。1986 年，Rumelhart，Hinton 以及 Williams 发展了 BP 算法。如今，人工神经网络作为人工智能的重要分支，已成功应用到信号处理、模式识别、目标跟踪、机器人控制、电力系统负荷预测、智能控制、组合优化等诸多领域。 人工神经网络是由神经元以一定的拓扑结构和连接关系组成的信息表现、储存和变换系统，是模仿人脑结构的一种信息系统，可较好地模拟人的思维能力。它是对自然界中生物体神经系统进行抽象和改造，并模拟生物体神经系统功能的产物。网络信息的处理由神经元之间的相互作用实现；知识和信息存储在处理单元的相互连接上；网络学习和知识识别决定于神经元连接权值的动态演化过程。
.........
2.2 基于分群的混沌遗传算法
遗传算法具有良好的全局搜索能力，但缺乏微调能力；而 LM 算法虽有良好的搜索能力，但容易陷入局部最优解。本文将两种算法的优势予以结合，用来优化神经网络的参数。同时，遗传算法作为一种并行的群优化算法，能够同时优化多个个体，传统的遗传算法只取其最优解，无法利用群体中包含的有效信息，为此，本文引入分群算法以利用遗传算法进化时的群体信息了，提出来基于分群的混沌遗传算法如图 2-6，对遗传算法做了以下改进：为保证神经网络良好的性能，必须设计合适的网络结构，通常指网络的隐藏层层数和隐藏节点个数，由于单隐含层的 BP 网络在隐藏节点合适的情况下能够在给定的精度条件下逼近任意非线性函数，因而电力系统中多采用只含一个隐含层的 BP 神经网络，网络结构的确定关键在于确定隐藏节点的个数。目前采用经验和实验试探相结合的方法确定隐藏节点个数。
..........
第三章 基于非线性 Ensemble 的短期负荷预测 .... 24
3.1 Ensemble 概述.......... 24
3.2 基于 ANN 的非线性 Ensemble 预测方法 ..... 24
3.3 基于非线性 Ensemble 短期负荷预测的三阶段方法........ 26
3.4 本章小结 ....... 28
第四章 基于 TRUST-TECH 的 Versatile 区间预测 .......... 29
4.1 区间预测概述 ......... 29
4.2 Versatile 分布函数 ............. 30
4.3 TRUST-TECH 全局优化技术 ..... 31
4.4 基于 TRUST-TECH 的 Versatile 区间预测 ............. 35
4.5 本章小结 ....... 36
第五章 实例分析与比较 ............ 37
5.1 基本神经网络预期器 ....... 37
5.2 PJM 算例 ........ 39
5.3 ISO New England 算例 ...... 45
5.4 本章小结 ....... 47
第五章 实例分析与比较
为验证算法的有效性，本文采用 MATLAB 进行编程，将本文提出的预测算法应用到美国 PJM 公司和英国 ISO New England 的数据集上，并与其他方法进行比较，本文算法在 PJM 的预测误差为 1.76%，在 ISO New England 数据集上的误差为 1.29%。
5.1 基本神经网络预期器
电力系统的当前负荷不仅与历史负荷有关，同时受到温度、湿度等外部因素的影响，而且电力系统本身具有周期性。输入特征的选择主要基于影响因素和负荷值之间的相关度分析[44]。为进行准确的电力系统短期负荷预测，本文主要的输入特征主要有以下五种类型:历史负荷：预测日前一周 24 小时的负荷值以及预测日前两天的负荷值；温度：反映电力负荷中由于温度的变化进行加热和制冷的需要，以及对温度敏感的负荷。我们选用预测日当天 24 小时的预测温度和前一周以及预测日前两天温度的最大值、最小值和平均值； 湿度：为反映某些对湿度变化敏感的负荷量，引入温度因素。其特征和温度类似，取预测日当天 24 小时的湿度预测值和预测日前一周及预测日前两天湿度的最大值、最小值和平均值；日类型：反映电力负荷的周周期特性，用一个 3 位的二进制字符串表示。如星期一表示为[0 0 1]，星期五表示为[ 1 0 1].
总结
短期负荷预测是电网调度机构制定发电计划、做好电网供需平衡的关键，精确的短期负荷预测结果既可以保证电网在安全范围内运行，又可以保证发电成本最小。随着电力市场化，负荷预测的结果影响电价制定和电力交易，人们对于电力系统负荷预测的精度要求越来越高。电力负荷本身具有复杂的非线性行为，未来的电力负荷不仅取决于过去的用电量，而且还受到气候、经济、政治等因素的影响。电力负荷与其影响因素之间呈现复杂的非线性映射关系。 神经网络作为人工智能重要的研究领域，由于其能够很好地描述输入和输出之间的非线性关系，而被广泛的应用到电力系统的负荷预测当中。利用神经网络建立电力负荷和其影响因素之间的映射关系，神经网络的训练目的在于通过结构和参数的调整使得神经网络具有良好的泛化能力已到达预测未来负荷变化的目的。因此，本文选择具有良好泛化能力的非全连接神经网络作为短期负荷预测的基本模型，并通过遗传算法、剪枝算法、Ensemble 方法逐步提升预测器的泛化能力，从而得到基于非线性 Ensemble 的电力系统短期负荷点预测方法。此外，为描述负荷预测的不确定性，本文在点预测的基础上，发展了基于 TRUST-TECH 的 Versatile 区间预测，能够给出任意置信程度下的预测区间。本文主要的结论和创新点如下：
1. 利用遗传算法良好的全局搜索能力和 LM 算法在局部搜索方面的优势，将二者予以结合，训练固定结构下的神经网络连接权值，神经网络的隐藏节点个数选择使得验证误差最小的值；
2.
