《基于模糊集理论的电力系统短期负荷预测实证研究》23000字

--PAGE4-目录TOC\o"1-3"\h\u16138摘要 I232571前言 1173781.1本设计的目的与意义 1255481.2国内外发展概况 1262201.2.1经典预测法 274581.2.2现代预测法 3195001.3本设计的主要内容 4227181.3.1工作内容及步骤 4277552模糊集理论和模糊预测系统基本理论 6127792.1模糊集理论概述 666012.1.1模糊集的定义 6192652.1.2隶属函数的确定 612952.2模糊预测的发展和研究 1142782.3模糊预测的基本方法 1160142.4模糊预测系统的建模 13182022.4.1模糊逻辑系统概念及其构成 13268432.4.2模糊预测系统的模型 14155033电力系统短期负荷预测原理及建模 15303323.1电力系统负荷预测分类 15188853.2影响短期负荷预测的因素 16113043.3负荷预测的基本步骤及要求 1646023.4负荷预测的误差分析 1752543.5短期负荷预测的建模 1882043.4.1负荷变化系数的预测建模 18303143.4.2最大负荷和最小负荷的预测建模 20125864基于模糊集理论的短期负荷预测方法及其算例 2234094.1运用表格查寻法的短期负荷预测 22168574.1.1表格查寻法概述 22160544.1.2工作步骤 22226434.1.3程序实现 25315364.1.4算例及分析 2682654.2运用高木—关野模糊预测法的短期负荷预测 28126734.2.1高木—关野模糊系统 28171544.2.2预测原理及其步骤 29109934.2.3算例及分析 3266574.3运用改进模型法的短期负荷预测 3391314.3.1改进的模糊神经网络模型 33245244.3.2程序实现 35181774.3.3算例及分析 3525015结论 3814012参考文献 3915831附录 421前言1.1本设计的目的与意义随着社会市场经济体系的逐步建立和发展，电力行业的体系也在不断地发生改变和深入，电力市场因此应运而生。电力市场的逐步发展，让人们越来越重视电力系统负荷预测，要让电力系统的建立和运行满足于各行各业的要求，并且可以得到更高的效益，则需对电力系统负荷进行准确地预测。精确的负荷预测能够帮助提高系统的运行稳定，降低系统的运行成本和发电成本。负荷预测[1]，是指依据系统的\t"/item/%E8%B4%9F%E8%8D%B7%E9%A2%84%E6%B5%8B/_blank"运行特性、增容决策、自然条件与社会影响等多种因数，并且满足一定精度要求的情况下，确定未来某特定时刻的负荷数据，称为负荷预测[1]，其中负荷是指电力需求量或用电量。电力系统负荷预测是电力市场分析预测工作中重要的研究方向之一，它是电力系统运行、控制和规划不可缺少的组成部分，其实质是对电力市场需求的预测。电力系统主要是给各类用户经济性地提供安全合格的电能，以便能够满足用户的需求。负荷大小是非常重要的因素，对电力系统的规划设计和运行研究都有很大的影响，所以事先的负荷预测，意义是很大的。电力系统规划中的电力系统负荷预测是其重要组成部分[2]，它可以分为长期、中期、短期和超短期负荷预测，其中的短期负荷预测主要是指日前负荷预测和周前负荷预测，主要目的是为电力系统提供发电计划。其意义在于电能的生产和消耗是同时进行的，不能储存。在正常情况下，系统的可用发电量应能满足系统负荷在任何时候的要求。若发电输出功率过小，必须采取措施增加发电输出功率或增加新的发电机组，但若发电输出功率过大，则应该采取将发电机停机等方法。所以，电力系统负荷预测，对电力系统调度运行、机组启停和生产计划等提供了参考依据。对于任何的电力部门，有一个准确的负荷预测是非常必要的，它决定了系统中大量设备的运行时间，能够降低系统的运行成本和发电成本，并获得更大的经济效益。任何的负荷预测系统中[3]，若想提高其预测的准确性，其一需要充分的参考信息，其二就是需要有完善的预测基础。如今，随着负荷预测理论的不断发展和完善，电力系统应用能力和电力系统自动化水平的不断提高，负荷预测精度的不断改进，负荷预测已经成为电力市场发展的物质基础和技术基础。1.2国内外发展概况负荷预测是电力系统优化运行的基础。它对电力系统运行正常与否意义深远，所以，选择合适的负荷预测方法，提高负荷预测的准确性，具有重要的应用价值。从上世纪70年代到现在，人们逐渐有了对负荷预测的了解，并进行了相应的研究，因此，许多负荷预测技术得到了发展，并提出了一些有效的方法[4]。目前，电力系统负荷预测主要分为经典预测和现代预测[5]。经典预测中主要有回归分析法、时间序列法、趋势外推法等。现代预测基于现代科学新兴理论，逐渐在实际中得以应用，主要有灰色预测法、优选组合法、人工神经网络法、专家系统法、模糊预测法和小波分析法等。负荷预测是一个久远的研究课题，电力市场形式的不断变化下，就要注重其理论研究和实际工程的应用[6]。进行负荷成因分析、多层面预测、预测策略的寻找和学习、相关因素的考虑也应与时俱进。短期负荷预测有三个重要环节，分别是影响因素[7]的考虑、数学模型的选择、正确的算法，在影响因素中，天气因素影响显著[8]。目前，国外对于负荷预测方法的研究的较多的就是关于人工智能方面的预测。神经网络法,具有较强的自适应能力，预测结果相对更好。灰色模型法，将其运用到负荷预测的研究中，并在实际工作中将其运用，取得了不错的效果。从目前国内的研究现状来看，对于影响因素的研究还比较缺乏，仍然需要做大量的实验工作。因此，若能逐步积累更多正确的经验，就可以针对一些特定的电网，以此来做出长期的分析和研究。再者，对于负荷预测模型的研究还比较片面，所以我国的负荷预测研究和应用应该着重提高预测精度。我国如今在短期负荷预测的研究中，也有一些困难的局面，在电网的发展之中，有许多有规律的因素仍然不是比较明显，历史负荷数据不能得到有效利用，适用性不是很强。目前，短期负荷预测在我国的工作中大多数仍然还停留在研究和探索，有的还处于试验阶段，有的处于局部应用，所以，综合实用还有很长的路要走。1.2.1经典预测法电力系统负荷预测中的经典预测法主要有回归分析法、时间序列法、趋势外推法等，这些算法的理论比较成熟，可以采用标准技术对模型中的参数进行分析。回归分析法[9]，根据过去负荷的历史数据，建立数学模型预测未来负荷。运用数理统计中的回归分析方法，对变量的观测数据进行分析，确定变量之间的关系，从而实现预测。在回归分析中，自变量是随机变量，因变量是自变量的变化结果，这种关系是不可逆的。根据因变量和自变量来进行分类，可以分为一元回归分析和多元回归分析。根据因变量和自变量的函数表达式来进行分类，可以分为线性回归分析和非线性回归分析。目前短期负荷预测常采用的是多元线性回归MLR（MultipleLinearRegression）模型，其预测模型为： y(t)=a其中y(t)为系统负荷，x1(t),⋯（2）时间序列法[10][11]，是一种统计分析方法，在宣传工作中根据一定的时间序列数据来预测未来发展趋势的方法。它根据一些随机过程的特点去建立和评估实际产生的随机过程的模型，之后用模型来进行预测。20世纪70年代由Box-Jenkins提出而发展起来的，可以用于短期、中期和长期预测。如今时间序列法发展成熟，适合用来进行短期负荷预测。时间序列法是一种常见的短期负荷预测方法，运用其基本原理，承认电力负荷的延续性，用历史时间序列数据进行统计分析处理预测负荷的发展趋势。时间序列预测方法又可分为确定性时间序列和随机性时间序列。确定性时间序列用于预测区间的大小，而随机时间序列预测模型可以看作是一个线性滤波器，白噪声序列{α(t)}作为滤波器的输入，负荷序列（3）趋势外推法[12]，是根据历史的负荷变化数据拟合出一条曲线，推算出未来的负荷变化情况，其预测对象需随时间有上升或者下降的渐进式的趋势电力负荷虽然具有不确定性和随机性的特点，但在一定条件下，如农业用电等也有较为明显的趋势。冬季是气候变化较小的季节，日用电量相对稳定，有一个比较平稳的趋势。趋势外推法它的优点是：可以仅通过历史数据进行推算，且不需要大量的数据。缺点是：预测对象必须有一个稳定的趋势，一旦负荷发生变动，推算出的结果可能会有比较大的误差。1.2.2现代预测法（1）灰色预测法[13-15]灰色预测法是指运用灰色系统做出的预测。灰色系统作为一个过渡系统，它介于白色系统和黑箱系统之间，意思就是灰色系统中的信息包含已知信息和未知信息，它研究了信息不完整的对象、概念内涵的不清晰和机制关系的不明确。它的任务是推陈出新，改正概率统计的缺陷，从无序、有限、离散的数据中找出规律，以此来建立灰色系统模型。运用灰色预测法建立的灰色模型，预测范围广，能够根据过去以及现在已知或未知的信息进行预测，为当前的规划发展提供依据，从而对系统的未来发展有一个明确的目标。灰色预测法的特点是对所需要预测的历史数据的要求不多，分布要求比较随意，运算也比较简便，具有可检验性[16]。（2）优选组合法[17]优选组合法是优先对最大信息进行利用，在最大信息利用的基础上进行建立，把单一模型进行汇总，然后将包含在其中的信息进行最优组合，以此来达到提高预测结果准确性。优选组合法一般有两种类型，一类是结合其他预测方法所得结果，利用最大信息优先原则，再对信息的权重进行平均后进行预测；另一类是利用拟合优度[18]，对其他的预测方法进行比较，择优选择预测模型。这种方法带来的结果就是信息前提比较全面，对预测效果有帮助，但是方法实施比较困难，需要包含很多因素，会造成比较大的误差，降低了预测精度。（3）人工神经网络法[19]人工神经网络，它从信息处理的角度抽象人脑的神经网络，建立一个简单的模型，并根据不同的连接方式形成不同的网络，将神经网络与优化技术成功地结合起来，寻找最优的网络参数，以减小预测误差。具有自适应功能，能够强化学习和映射能力，对处理复杂的非线性关系效果良好，适合对电力系统进行负荷预测。当前应用比较广泛的是径向基函数神经网络[20-21]，即RBF模型，和前馈神经网络法[22-23]，即BP模型。（4）专家系统法[24]专家系统是人工智能里一个重要的研究领域，是一种复杂的智能化计算机程序系统，基于知识的启发式推理系统[25]。专家系统法在负荷预测中的运用也是基于人类专家提供的知识和经验。它的数据特点是范围较广，可以延伸到过去几十年。专家系统法可以看作是一个计算机具有相关专业知识和经验的智能程序系统，能充分利用专家的知识以及经验，能够较为准确的得出正确结论。专家系统一般由人机交互界面、知识库、推理机、解释器、综合数据库、知识获取等6个部分构成。因其知识数据库的庞大，在形成过程时比较复杂，知识和经验的转化使得工作难度增大，其定量分析也成了一个难题。（5）小波分析法[26]，是处理信息和信号的一种工具，汲取了如Fourier分析的精华，成为了一种有效的时频分析方法。能够同时进行时域分析和频域分析，很好的处理突变或者微弱的信号，是一种适合处理非平稳信号的方法，具有理论深刻、应用广泛的双重意义。这些特点也让小波分析能够对负荷预测进行有效地研究。1.3本设计的主要内容1.3.1工作内容及步骤通过目前的分析可知，有各种各样的负荷预测模型以及负荷预测方法，但预测的目的却不尽相同。根据负荷预测目的的不同，可分为超短期、短期、中期和长期负荷预测。其中，短期负荷预测的最大特点是明显的周期性。充分研究电网负荷变化规律是十分必要的，影响因素也对负荷变化有着较大的影响。负荷控制可以通过考虑控制来影响负荷水平，但其效果不是根本的。因此，通过观察负荷历史数据及影响因素的影响综合考虑，是进行短期负荷预测的有效方法。本文以基于模糊集理论的电力系统短期负荷预测为研究对象。在分析和介绍现有各种负荷预测方法的基础上，采用模糊集理论作为建模方法的理论基础，利用模糊集理论对影响负荷变化的模糊信息进行处理，并对基本负荷进行模糊修正，从而得到最终的负荷预测值。本文主要研究模糊预测技术在电力系统短期负荷预测中的应用，历史数据采用了某地一个月的历史负荷数据和天气情况的数据。本文的工作步骤如下：（1）准备阶段1）查阅大量国内外的文献资料，了解负荷预测在国内外的发展和研究现状，对这一课题有一个大致的思路；2）了解负荷预测现有的经典方法和现代方法，对负荷预测有一个大致的了解；3）选择matlab，cad等软件进行运用。（2）数据的分析、方法的比较选择阶段1）选取某地某一时间段的负荷历史数据；2）深入学习模糊预测技术，确定选取从三个角度分析出发的模糊预测法：表格查询法、高木—关野法和改进模型法。这一阶段，查询并阅读大量关于模糊预测技术的参考文献和书籍，对模糊预测方法的各种理论知识有所掌握。进行数学建模和实用化程序设计建立数学模型应用的设计调试程序调试、模拟运行误差分析

2模糊集理论和模糊预测系统基本理论2.1模糊集理论概述模糊理论是指用到了连续隶属函数理论或模糊集合的基本概念的理论。模糊集理论是在1965年由\t"/item/%E6%A8%A1%E7%B3%8A%E7%90%86%E8%AE%BA/_blank"美国加州大学伯克利分校电气工程系的L.A.zadeh（扎德）教授创立的一门研究事物不确定性的一门学科，提出模糊性问题。将考察的对象及其模糊概念视为一定的模糊集合，建立适当的隶属函数，再通过模糊集合的运算以及变换，将其进行定量描述。在世界上存在着各种各样的模糊问题，于是模糊集理论在之后各种领域都开始对其理论的探索和应用的研究。模糊集具有以下两个特征：随机性：表明一件事情本身的内容意义是清晰的，但是因其条件的不明确而不能预知。模糊性：表明一件事情本身是迷糊的。比如：美丽、可爱、高、低。2.1.1模糊集的定义客观事物的传统逻辑，其属性表达出来的概念其实是清晰明了，界限分明的。对于一个对象，它的集合的隶属关系同样也是明确的，非彼即此。但在现实生活中，由于人们的思维方式，存在着许多模糊的概念，会经常用一些不置可否的论述，比如说很小、寒冷、漂亮、可爱、高、矮、胖、瘦等。这些形容的描述并没有一个明确的标准，具有人的主观意识，是靠个人的意志来对这些形容进行程度的界定，不能单单只在是或者否中进行选择。模糊集概念的出现，使得人们的研究领域在模糊这一方向进行延伸，让数学的思维方式也能应用于模糊性现象。在负荷预测中，模糊数学可以成为进行负荷预测的基础，负荷历史数据和负荷的影响因素，其变化是不确定的，所以，应用模糊集理论来进行电力系统的负荷预测是合适的。2.1.2隶属函数的确定一个元素x与集合A的关系只有x∈A或x∉A，非此即彼这种关系，可以用特征函数CA CA(x)=1x∈A具有该特征的集合，为传统集合。它的隶属关系，元素和元素所在的集合只有两种关系，完全不属于和完全属于。但是，普通集合却不能表示那些模糊概念，因此就引入了模糊集合。其特征函数表达的意义就是元素和元素所属集合的关系不再局限于0或1，而是在[0,1]之间能够任意的取值。那就说明了模糊集的思路：就是把特征函数的取值范围{0,1}扩大到[0,1]。特征函数即是隶属函数。科学理论的研究对象，构成一个不空的集合，称为论域。给定一个论域U，那U到区间[0,1]的一个映射μA:U→[0,1]，为U的一个模糊子集，即U上的一个模糊集[27模糊集合一般表示为： A=x,μA(x),x∈U则μA为A的隶属函数，μA(x)为隶属度，μA(x)的大小反映了x隶属于模糊集合A，μA(x)的值越接近0，则x隶属于A模糊集的表示方法有Zadeh表示法，序偶表示法，向量表示法。其中，最常用的表示方法为Zadeh表示法： A=μAx1其中μAxixi表示论域U中的元素x A=∫x∈U (x)例如表2-1中，1-6六个数字，可以定义：表2-1模糊集例子数值123456隶属度0.20当μA(x)=1，说明x属于集合A，此时的A是传统集合的一般化，当μA隶属函数是模糊数学中最基本的概念之一，模糊集合的大小由它决定。隶属函数的表达不同，就会得出不同的隶属度，对隶属函数进行改变，同样也会变化模糊规则。隶属函数在确定过程中具有客观性，同时又具有一定的主观性，通常是根据经验和统计来确定的。隶属函数类型多种多样，在模糊控制中应用较多的有三角形隶属函数、高斯型隶属函数、S形隶属函数、Z形隶属函数、钟形隶属函数、梯型隶属函数等。对于目标函数，其隶属函数： μA(x)=g(x)−mM−mM表示函数的无条件最大值，m代表无条件最小值。隶属函数中，最简单的是三角形函数，三角形曲线的形状由三个参数a，b，c确定： f(x,a,b,c)=0x≤ax−ab−a其中的参数b代表三角形的“峰”，参数a和参数c可代表三角形的“脚”。可用Matlab表示，例如图2-1：图2-1三角形隶属函数图2-1的函数运用到了Matlab里自动控制中的模糊逻辑工具箱（FuzzLogictoolbox）,设置定义域为[-10,10]，参数a和参数c分别对应图2-1中三角形底部左右两个顶点，参数b则对应图2-1中三角形上部顶点。隶属函数中，高斯隶属函数是比较常用的，高斯隶属函数由参数σ和参数c确定： f(x,σ,c)=e−(x−其中参数σ一般为正，参数c用来确定曲线中心。高斯型隶属函数可用Matlab表示，如图2-2所示：图2-2高斯型隶属函数图2-2的函数同样运用到了Matlab里自动控制中的模糊逻辑工具箱（Fuzztoolbox），σ，c为其中的参数，确定了该高斯型隶属函数。模糊控制的应用基础是隶属函数。在目前来说，还没有成熟的确定隶属函数的方法，那些方法主要还是处于研究和改进的阶段一般的方法是先初步确定隶属函数，然后通过不断的实践加以改进和调整。有以下确定隶属度和隶属函数的方法和常用原则[28]：模糊统计法模糊统计法运用了概率统计里的思想，是根据大量的实验，调查统计结果来确定隶属函数的方法。主要包含以下步骤：确定因素集与论域；对在论域中的给出的点是否属于因素集中元素进行投票；根据投票结果进行统计，求出隶属函数。专家确定法专家确定法是根据专家的实际经验或主观认识，得到隶属度数值从而确定隶属函数的一种方法。在一般情况下，这种方法适用于论域中元素个数有限且元素分布较为离散的情况，但因其主观性较强，一般选择调查统计，来减少主观性带来的差异。经验尺度法该方法的理想情况是当模糊集所反映的模糊概念具有相应的成熟指标时，这是经过长期实践后对模糊概念真实而本质的描述。若应用情况理想，则可以采用这些指标来进行问题的描述。如：“年迈”可以表达为： μY(x)=1

当

0≤x≤二元对比排序法在某些模糊集合中，因为它的模糊概念，其隶属函数难以得出，所以其隶属度也很难得到。这时可以运用二元对比排序法，比较事物特征顺序，确定隶属函数。概念扩充法概念扩充，是概念同化的一种形式，在确定了一些基本概念的隶属函数之后，可以通过对隶属函数进行较高的概括发生相互作用，使原有概念得到扩展，得到新的概念获得的隶属函数。例如，在手机出现之前，“通信手段”这一概念只包括书信，面会等，手机出现之后，就把手机这个新的概念引入到通信手段这一概念之中，这使得原有的通信手段这一概念的范围得到了扩张，手机也拥有了通信手段的意义。综合加权法某些模糊集，由多个因素相互作用而成，这些因素的组成又可以用模糊集来表示。可以通过从各个因素出发，得到各因素的隶属函数，并将这些因素通过综合加权相结合，得到模糊集的隶属函数。模糊分步法通常情况，论域为实数R，将实数集R上模糊集的隶属函数称为模糊分布。若选用的模糊分布函数通过检验知识或数据来确定符合实际参数，则用一些常见的模糊分布来表达模糊变量是很方便的，能够较为方便的得到具体的隶属函数。下面是常见的隶属函数分布：梯形分布①降半梯形分布 μA(x)=10≤x≤②升半梯形分布 μA(x)=00≤x≤三角形分布 μA(x)=00≤x≤除此之外，还有矩形分布、正态分布、岭形分布等。在实际应用中，隶属函数的分布可以综合使用，通过不断地实践还有经验来进行调整和完善。2.2模糊预测的发展和研究模糊理论的发展使它成为了一个热门话题，其理论和技术成为了众多专业的必修课，在众多领域都有着广泛的应用。例如在工程科技方面，有指纹识别、影像辨识等，在教育方面有心理测验、性向测试等等。模糊理论是一门研究思维中不确定性的理论[29]，是将已知的历史数据和已有经验综合起来，有规则的进行表达，并将表达的转化成能在计算机上运行的算法，从而完成各种各样的工作。目前来看，国外对模糊预测的方法的研究和应用还是处于初始阶段。但是在与模糊预测方法相近的模糊决策方法中，它的研究与应用就比较深入。有着和模糊预测相关联的模糊预测方法，例如模糊推理法、模糊回归分析法等，这些方法的研究也正从研究转入应用。其中，对于模糊回归分析法，其研究与应用为模糊预测方法提供了理论依据和数学依据。在国内的研究应用，一般通过模糊聚类、模糊推理等方法来进行预测工作，其应用领域非常广泛，工程、军事、气象、地震、经济、农业等等都有涉及。在目前看来，我国对于模糊预测的研究重心还在于具体的应用，对于模糊预测的理论研究也令学者和研究工作人员越来越对其关注。从整个世界对于模糊预测的研究与应用来看，国内还是国外的研究领域，或者是理论研究和应用，对于模糊预测的研究是不会停止的，它正以蓬勃发展的姿态，不断地深化和加强。基于模糊集理论的电力系统短期负荷预测是一个比较典型的研究方向，其模型的建立，预测算法的选择还有改进算法的研究方面依旧处于发展阶段。2.3模糊预测的基本方法（1）表格查寻学习算法表格查寻学习算法[30]是一种简单而又有效的算法，它是将输入—输出空间进行模糊划分，然后通过“如果—则”的形式给出输入—输出数据对和语言性模糊规则，然后进一步进行运算，最后，从数据对中组合出模糊规则库，形成模糊逻辑系统f:x这种简单而又有效的算法，能让应用时得心应手，不用花费大量时间去反复学习，因此，此方法相比于神经网络系统，具有模糊系统构造简单快捷的特点，即构造起来即简单又快速。该方法也是本文所采用的方法之一。表格查寻算法同样也是本文中模糊预测方法之一。经过对表格查寻法的学习，发现要使得预测精度有所提高，就要增加模糊区间划分的个数，或输入量的个数。但是一旦该预测精度达到了某个程度的数值，该预测精度不会随着模糊区间的划分个数、输入量个的数的增加使其精度变化。（2）高木—关野模糊预测算法神经网络运用在模糊系统中的时候，二者关联较大，互补性比较强，所以模糊信息的运用不能再神经网络中进行，其知识所涉及的领域比较广阔，故用神经网络进行信息化的处理，对于人来说是比较困难，难以理解的，再从模糊系统出发，该系统的透明性让人们一目了然，但是其缺点就是学习的能力强度较低，因此，将模糊系统和神经网络相关联，各取其优势，在如今的应用中，二者的结合对电力系统短期负荷预测有相当大的帮助。其应用也很广泛，例如基于高木—关野型的模糊系统可以用作控制器，从而去研究模糊直接自适应控制等相关问题[31]。通过运用神经网络来得出条件部输入变量的联合隶属函数，是高木—关野模糊预测算法基于神经网络的过程。神经网络也能表示结论部的隶属函数。前向型的BP网络为神经网络采用的方法。模糊规则在高木—关野的模糊系统中，有以下的形式： R（l）：Ifx1 Tℎen其中yl表示系统从上述规则求得的的输出，C1l为实数，F（3）改进模型法改进模型法，即改进的模糊神经网络模型算法。其中的模糊神经网络应用十分广泛，在人工神经网络方面有着不错的成就[32]。其中，模糊系统与神经网络密切相关，两者结合的产物就是模糊神经网络。模糊系统的实现，就是对一些常规的神经网络，例如径向基函数神经网络、前向反馈神经网络，进行输入信号的赋予，并进行模糊权重。对于复杂的系统建模，已经有了许多方法，并已取得良好的应用效果。但主要缺点是模型精度不高，训练时间太长。此种方法的模型物理意义明显，精度高，收敛快，属于改进型算法。这也是本文所采用的方法之一。（4）反向传播学习算法反向传播学习算法[33]，也称BP算法，是一种适用于神经元网络的算法。模糊逻辑系统其输入输出是非线性的映射关系，可以作为非线性系统的模型。因此，从函数的近似表示问题，即函数逼近论的上来看，一个模糊逻辑系统需要的映射能力要有高度的非线性。近似表示能够表示的含义很多，因此，函数逼近问题能够表达各种各样的问题，能够有效的将语言信息运用到系统之中。万能逼近定理[34]说明能以任意精度逼近由高斯隶属函数、模糊器等构成的非线性连续的模糊逻辑系统。反向传播学习算法可以确定模糊逻辑系统的参数，能够依靠它良好的自适应、抗干扰能力辨识模型，逼近较为真实的系统，合理改善该算法的收敛速度，从而提高预测精度[35]。2.4模糊预测系统的建模负荷对电力系统动态过程中，存在着大量的非线性和随机性因素，建立一些精确的数学模型基本上是不可能完成的。一般而言，经典预测法常常运用分解建模的办法。但是，模糊预测系统的建模方式与其他类型的预测法建模不同，模糊预测的建模是通过判断方式及运用模拟专家法进行推理，建立数学模型，从而对负荷进行预测。2.4.1模糊逻辑系统概念及其构成模糊逻辑系统的概念就是指通过利用模糊逻辑与模糊概念构成，或与其相关联的系统。因模糊逻辑与模糊概念具有选择上的随机型，所以构成的模糊逻辑系统多种多样。模糊逻辑系统主要由四部分组成，分别是模糊规则库、模糊推理机、反模糊化器及模糊生产器。如图2-3所示：V上的yV上的模糊集U上的模糊规则U上的xV上的yV上的模糊集U上的模糊规则U上的x模糊规则库反模糊化器模糊推理机模糊产生器模糊规则库反模糊化器模糊推理机模糊产生器图2-3模糊逻辑系统大致的推理为：模糊产生器把处在论域U中的确定的点逐一映射到模糊集U上；反模糊器则是反过来将处于论域V中的模糊集，逐一映射到V上的确定的点；模糊推理机则是结合了模糊产生器、反模糊器和模糊规则库，通过模糊规则库将“if-then”转化成为另一种映射，然后通过模糊产生器产生模糊集，得到模糊结论，最后将模糊集输出到反模糊化器中；模糊规则库即是大量的模糊推理规则构成的。常见的模糊逻辑系统可分为三类：纯模糊逻辑系统、高木—关野模糊逻辑系统和广义的具有模糊产生器和消除器的模糊逻辑系统。模糊逻辑系统的优点是能够在应用于负荷预测时，通过输入真值，能够使模糊逻辑系统的输出同样为真值，体现出了精确性。由于模糊逻辑系统的构成也具有一定的自由性，内部结构能够比较自由的选择，因此在进行负荷预测时，能够选择最优的系统。2.4.2模糊预测系统的模型建立模糊预测系统的模型如图2-4所示，其中的内容可分为两个部分：参数估计、结构辨识。结构辨识部分参数估计部分模糊推理算法实现模糊规则区间划分结构辨识部分参数估计部分模糊推理算法实现模糊规则区间划分图2-4模糊预测系统模型完整的模糊预测系统，这两部分都不能缺失，选择的算法也要在每个部分中能够运用。在结构辨识的部分中，先进行区间划分，再利用模糊规则。所以，结构辨识的主要工作就是将隶属函数变量的个数、形状及模糊规则进行确定，再利用选择的算法将参数进行估计，以此求得其他参数。如今，模糊逻辑系统在全世界都有广泛的应用与研究，也越来越受到各类领域专家的关注对象，研究、建模、算法各种各样。在负荷预测中，模糊逻辑系统建模与传统的建模方式相比，它能够模拟专家知识来进行推理判断，具有更高的智能性。

3电力系统短期负荷预测原理及建模考虑一些重要的电力系统运行特性、增容决策和自然条件下，采用一套系统的方法处理过去和将来的负荷，在一定精度要求下，决定未来某一特定时刻的负荷数据，负荷预测的重要性体现在电力系统的经济调度中，是电力系统的重要任务之一，也是能量管理系统（EMS）的重要模块。3.1电力系统负荷预测分类负荷预测可以根据时间长短进行分类，如图3-1所示，分为超短期、短期、中期、长期负荷预测这四种，可以看出从占用的时间上看可以将这四种预测进行清晰的分类。一年两周一天一年两周一天长期负荷预测短期负荷预测长期负荷预测短期负荷预测中期负荷预测超短期负荷预测长期负荷预测短期负荷预测长期负荷预测短期负荷预测中期负荷预测超短期负荷预测图3-1负荷预测按照时间跨度的分类将这四类负荷预测进行对比，介绍其时间跨度及其作用，如表3-1所示。表3-1不同种类负荷预测对比负荷预测分类预测时限作用超短期负荷预测以分、小时为单位监控相关电力设备状况，实时计划调度短期负荷预测以日、周为单位电力系统调度运行、机组启停和生产计划中期负荷预测以月为单位安排电力系统的检修计划、调度计划长期负荷预测以年为单位用于电网的长期计划，如电网的改造和扩建本文的负荷预测为短期负荷预测，它主要指日前负荷预测和周前负荷预测，对电力系统的调度运行、机组启停和生产计划提供可供参考的依据。短期负荷预测在现实中的意义十分巨大，它能够提高预测精度，降低系统的运行成本和发电成本，同时也能提高安全性。因此，提高预测精度，模型的建立，算法的选择和改进，是非常重要的。短期负荷预测的研究不论是在国内还是国外，都举足轻重，短期负荷预测的两类，经典预测法和现代预测法，其研究重心都在负荷序列本身。短期负荷预测不断地发展与应用，预测精度要想更加准确，那就要考虑预测方法以及影响负荷变化的因素。3.2影响短期负荷预测的因素影响负荷变化的因素主要有：（1）天气情况天气情况是指，保证日类型一样的情况时，天气的变化情况会对某些对于天气较为敏感的气象敏感性负荷造成较大影响，会因为天气情况有增有减，进而影响了负荷变化曲线。例如夏季会因为炎热，人们会选择使用一些制冷设备，冬季会因为寒冷人们会选择一些取暖设备。天气状况包括：日最低温度和日最高温度、日天气情况以及日平均湿度等。（2）日类型日类型由节假日、休息日以及工作日构成。当历史负荷数据的观测日类型不同时，负荷变化曲线会随负荷变化范围而变化。通过对历史数据的观察，负荷变化范围不同，负荷变化曲线也不同，这对预测精度有很大影响。（3）特别事件它是指的平常难得出现的一些事件，比如开展演唱会这类活动。特别事件与前面两种因素不相关联，它具有较大的随机性，会对负荷预测造成一定的影响，的一些非经常出现的事件，例如大型的活动。它对负荷预测的影响，具有很大的随机性，是一个必须考虑的因素。在这些因素中，天气情况对短期负荷预测的影响最大，因为负荷对天气条件的敏感性不同，所以，考虑天气状况是提高负荷预测精度的一个重要方面，只有这样才能让负荷预测有更好的发展和应用。3.3负荷预测的基本步骤及要求电力系统的负荷预测，具体步骤如下：确定预测地区，考虑时间问题，确定预测方法。预测之前确定负荷预测种类，如短期负荷预测，并确定预测负荷期限。收集历史负荷数据，其中包括最大最小负荷、天气状况等信息，并确保信息的可靠性，进而提高预测精度。对历史负荷数据进行分析处理，保证数据完整性和准确性。将分析处理后的数据进行预测，最后对预测结果进行评估。本文选取了三种预测方法，根据实际算例，证明其具有有效性。负荷预测基本步骤可用图3-2表示。是开始模型辨别与参数估计建立预测模型历史数据预处理历史数据的处理收集历史数据结束输出负荷预测值校正与改进模型否负荷预测误差分析是开始模型辨别与参数估计建立预测模型历史数据预处理历史数据的处理收集历史数据结束输出负荷预测值校正与改进模型否负荷预测误差分析图3-2负荷预测基本步骤3.4负荷预测的误差分析负荷预测的误差就是最后得到的预测负荷和通过收集得来的负荷数据之间的差值就是负荷预测的误差，负荷的变化可以进行预测，但是其变化规律却是不容易随机的，因为各种原因，各种影响因素都不在我们的预知范围内，例如大型活动等不常见的情形，而且在模型的建立过程中也不是完全精确的，难免也会加大误差，误差因此存在。负荷预测误差的主要原因：预测模型的误差电力系统的负荷预测多种多样，对同一种负荷进行预测，预测方法的不同，其导致的预测结果也会因此不同，因为模型的建立可能因为训练、经验而造成误差，例如运用神经网络进行预测，试探法不能进行完美的选择，因此造成误差。（2）历史负荷数据信息的错误历史负荷数据的记录，可能会因为某种原因，出现了一定的偏差，那这时候就需要我们对数据信息进行分析和处理，但因为数据的偏差，分析处理也很难将信息完全复原，因此也有一定的误差。（3）影响因素导致的误差负荷变化的影响因素各种各样，数不胜数，人们虽能预知，但也不一定准确，况且还有那些未知的，以及突发情况，只能通过一些分析处理，来减少误差，让误差在我们的接受范围内。3.5短期负荷预测的建模用短期负荷预测对于各点的负荷有三个指标，日最大、日最小负荷、各点负荷变化系数。用负荷变化系数lcoe⁡(i)表示日负荷的变化形状： lcoe⁡(i)=loadmax−load其中loadmax代表日最大负荷；loadmin代表日最小负荷；lcoe⁡(i)代表第i点的电网负荷；i代表负荷曲线中个点的序号，一般为i通过运用日最大、日最小负荷和各点负荷变化系数分别进行建模，可以将loadmax、loadmin l(i)=lcoe⁡(i)⋅(loadmax−3.4.1负荷变化系数的预测建模天气情况、日类型以及特别事件会影响负荷变化系数，影响因素与负荷变化系数的关系表示为： lcoe⁡(i)=f(Dt,We,Sp,lcoe⁡(j,i)) （3-3）其中Dt代表日类型函数；We代表天气情况；Sp代表特别事件因数；lcoe⁡(j,i)代表预测日前第j天的第i点的负荷系数。在式（3-3）中的三种影响因素Dt，We和Sp，三种因素表达的意义各不相同，但从物理上来说都是日类型的不同。进而考虑将这三个因素考虑为日类型，那么当日类型差不多的时候，负荷变化系数就是差不多的，虽说还有一些其他原因导致负荷变化系数的变化，但与前者相比，可以忽略不计。负荷变化系数预测建模有以下步骤：（1）进行日类型的确定Dt设Dt为预测日基本日类型，预测日的附近的n天中，选取k天和D Dtni=D上式中Dtni代表接近预测日第（2）运用聚类法来将预测日的相近日进行确定聚类法就是将抽象或者是物理的对象的集合进行分类，再用相似的对象同样组成多累的一个分析过程通过已知的影响因素区别系数对天气情况We以及特别事件Sp进行预处理，如表3-2和表3-3。再运用聚类法，由式（3-4）中的三个影响因素，在k维的样本空间中选择相似的l维样本空间表3-1天气状况区别系数序号天气情况区别系数12345678910晴天（云量<5成多云（云量5~9成）阴天（日降水量>9成）小雨（日降水量<10中雨（日降水量10~25大雨（日降水量>25mm）雷雨小雪中雪大雪

表3-2天气状况区别系数序号特别事件名称区别系数1234567无大型政治活动大型体育活动拉路限电大机组故障供热机组投停其它事件0.2003）通过下式计算日类型系数： Tki=F其中Tki代表预测日临近第ki天的日类型系数；F1ki代表预测日临近第ki填的天气状况区别系数；F4）以预测日的预测天气情况和特别事件情况为依据，由式（3-5）计算出日类型系数，在样本空间Dtni(i=1,2,⋯k)中，选取T−Tki最小的5）对预测日的负荷变化系数lcoe⁡(i)进行求取样本空间Dtki(i=1,2,⋯l)中的 lcoe⁡(j)=1l⋅∑其中j代表负荷曲线中各点序号，一般取值24或96；loce⁡ki,j代表预测日临近第k3.4.2最大负荷和最小负荷的预测建模无论是日最大负荷还是日最小负荷都会受到日类型、天气情况以及特别事件的影响，除此之外，还与临近的前n天的最小和最小负荷有关联，影响因素与最大负荷、最小负荷之间的关系可以表示为： loadmax=fDt,We,Sp loadmin=fDt,We,Sp,load其中loadmin(j代表预测日前j天最小负荷；load因此，本文运用到了模糊逻辑系统，并考虑影响因素的日最大、日最小负荷，建立（3-7）以及（3-8）的算法及其预测模型，影响因素中的天气情况着重考虑。4基于模糊集理论的短期负荷预测方法及其算例4.1运用表格查寻法的短期负荷预测4.1.1表格查寻法概述表格查寻法（表格法）是模糊预测其中的一种基本方法，可以运用表格法来对自适应模糊系统进行相应的设计。它的特点是简单直接，将输入—输出空间进行模糊划分，通过“如果—则”的形式给出输入一输出数据对和语言性模糊规则。通过进一步的运算，由数据对生成模糊规则库，再由组合后的模糊规则库得到模糊逻辑系统。开始，先将所有输入—输出进行合理划分，得出相应隶属度，根据输入输出数据，建立相应的模糊规则库。模糊规则库中每个规则的可信度由隶属度决定。模糊规则表的置信度应选择最大置信度。最后再由模糊规则库，获得与输入相对应的预测输出。4.1.2工作步骤以下所取数据为。表格查寻法的具体步骤如下：输入数据和输出数据划分模糊区间设所有数据的取值范围其变量都在其中，然后划分每个变量的取值范围，取区间宽度相等，划分为2N+1个区间，将这些区间进行标识，且这些区间一一对应相应的模糊隶属度函数。如图4-1，为双输入—单输出，x1以5个区间为取值范围，N取2，x2以7个区间为取值范围，N取3，y以5个区间为取值范围，N取2，隶属度函数值都取1，三角形的纵向顶点对应于其间隔的中点，其他两个横向顶点的隶属度函数为0。根据已经知道的输入—输出数据对建立模糊规则得出在不同区间x1(i),再根据所处不同区间的x1(i),S1B2B1CES2S2B1B3B2BCES1S3S21.01.01.0CES1B2B1S1B2B1CES2S2B1B3B2BCES1S3S21.01.01.0CES1B2B1图4-1输入—输出的模糊区间划分及隶属函数之后，得出模糊规则，如：x1(1),x2(1)规则1：Ifx1为Blandxx1(2),x2(2)规则2：Ifx1为Blandx这些规则中，“如果”中的一些条件得到满足，则之后的“那么”才能得到相应部分的结果，也就是得到逻辑与规则，在全部已知信息里得到有效信息，得出模糊规则。由于有相应方向的结论，满足了以所有输入方向为前提，符合模糊规则要求的就只有类型与逻辑。（3）赋予每条规则对应相应的置信度数据信息的众多容易发生一些矛盾的规则，因为输入输出数据都会对应相应规则，产生的规则也会因此变多，出现前者容易一部分是相同的规则，而后一部分是不同的。所以赋予每条规则相应的置信度就变得非常重要，一般在矛盾规则之中选择置信度最高的规则，这样既能使规则数量也变得更少又可以解决矛盾。定义置信度D（规则）1： D(规则)=μAx1以上述规则举例，规则1置信度则为： D(规则规则2置信度则为： D(规则2输入输出的数据对，在某些应用中，会有一些如选取关键数据对、模糊规则的专家信任度的先验信息，将这些数据进行处理分析。（4）模糊规则库的组合与产生由上述规则1和规则2，并给出一个模糊规则库，如表4-1。表4-1规则库表格S3S2S1CEB1B2B3S2S1CEB1B2CEB1（5）依据组合而来的模糊规则确定出对应的映射关系，求预测值对已经知道的输入x1,x2运用式（4-4）模糊消除策略来得出输出控制量V。已经知道的输入x1, μoi其中oi代表规则i的输出区间，Iji规则i μCE再通过下列公式得出输出y： y=∑i=1其中，区间oi中心点的取值为y依照数据，输入最高、最低气温，最大、最小负荷，并用x1,x4.1.3程序实现结束误差分析求出预测值查找数据库中与预测日条件部分相同的所有“if-then”规则通过n维数组形成模糊规则库定义输入输出隶属函数求出各数据隶属度从数据库取所有数据样本程序初始化数据预处理结束误差分析求出预测值查找数据库中与预测日条件部分相同的所有“if-then”规则通过n维数组形成模糊规则库定义输入输出隶属函数求出各数据隶属度从数据库取所有数据样本程序初始化数据预处理图4-2程序流程图4.1.4算例及分析运用负荷预测法中的表格查寻法，关键是对模糊区间的划分及其输入变量的选取进行充足的准备，是预测工作中重要一步。所以本算例负荷预测是考虑到了二者对于精度的影响。定义和取值范围如下所示： Tℎ：日最高温度 Tl：日最低气温-15≤Tl≤15

lm:早峰负荷5500≤lm≤11500

lmax:所选数据共有147对，是1999.11.1〜2000.3.26的顺序历史数据记录。一般规定，短期负荷预测允许的相对误差<3%，这里我们可以让1%为分界点，并将均方误差值做出计算。以下是在输入量不同对划分的模糊区间的预测值及误差值分析。（1）三输入—单输出表4-2日最大负荷预测结果数据模糊区间个数误差<1％误差<3％均方误差（5，5，7，7）（7，7，7，9）（9，9，9，11）（11，11，11，11）（13，13，15，17）3428404660708789991060.621％0.592％0.553％0.504％0.419％表4-3日最小负荷预测结果数据模糊区间个数误差<1％误差<3％均方误差（7，7，7，9）（9，9，9，11）（11，11，13，15）（13，13，15，17）（15，15，17，19）29313646506172841031090.697％0.645％0.586％0.453％0.376％数据的模糊区间个数分别为日最高、日最低气温，日平均、日最大、早峰负荷的划分个数。均方误差的计算中，误差是预测与实际的相对误差绝对值。从这两个表中可以看出来，只要预测数据是增加的，均方误差降低，那么划分的区间就会更密，虽然划分越密误差越低，但仍然也有一些预测数据不满足条件，例如重大的活动，其特点是随机型较高，其负荷变化范围难以预测，因此不能仅仅考虑天气情况，下列表考虑了影响因素为日峰负荷的负荷预测。（2）四输入—单输出：表4-4日最大负荷预测结果数据模糊区间个数误差<1％误差<3％均方误差（3，3，5，5，5）（5，5，7，9，11）（7，7，9，11，11）（9，9，9，13，13）277973671051301461470.25％0.15％0.11％0.10％表4-5日最大负荷预测结果数据模糊区间个数误差<1％误差<3％均方误差（3，3，5，5，5）（5，5，9，11，11）（9，9，9，13，13）（13，13，15，17）37566181871241351450.33％0.17％0.15％0.11％数据的模糊区间个数分别为日最高、日最低气温，日平均、日最大、早峰负荷的划分个数。均方误差的计算中，误差是预测与实际的相对误差绝对值。在原有基础上继续增加变量，其误差看以看出明显减少，因此得到的预测值也较为精确，大致满足了预测的要求。附录1和附录2分别是以每天预测一次的某地一个月的最大负荷预测全部数据和最小负荷预测的全部数据，其模糊区间划分分别为（9,9,9,13,13）和（13,13,13,15,17）。将实际数据与预测数据进行对比分析，利用matlab软件绘制对比图，如图4-3，图4-4。图4-3最大负荷预测数据对比图图4-4最小负荷预测数据对比图4.1表格查寻法研究过程的分析首先，在进行研究和分析的过程之中，可以发现，历史数据的数量越多，能够生成的如果—则的模糊规则就越多，那组成的模糊规则库也会因此变多，那么规则也会变得更加完整；其次，划分的模糊区间越密，那模糊规则就越多，一定程度上对同日类型预测精度有所提高，从另一角度看，模糊规则与数据是对应的，在反模糊过程时没有进行实际的运算，在一定程度上，又将预测精度的准确性限制了，因此，对于模糊区间的划分，需要仔细的斟酌和考虑；再者，预测日的负荷与临近几日的负荷会相互影响，由它们形成的模糊规则库中的数据应该是动态的，每一日都会有相应的运行结果，会持续形成新的模糊规则库；又因不同因素影响，对于一些特殊日子，需要定性分析预测。所以运用表格查寻法来进行短期负荷预测，仍然需要做仔细的工作。4.2运用高木—关野模糊预测法的短期负荷预测4.2.1高木—关野模糊系统高木—关野模糊逻辑系统，即T-S模糊逻辑系统，在许多的领域中都有广泛且成功的应用与研究，将高木—关野模糊逻辑系统运用到短期负荷预测，验证其预测能力。高木—关野模糊逻辑系统结构如图4-5。y∈V加权平均x∈Uy∈V加权平均x∈UR(1):Ifx1isF11and⋯andx⋯R(N):Ifx1isF1Nand⋯图4-5T-S模糊逻辑系统结构图4.2.2预测原理及其步骤该模糊系统应用广泛，但因为它的特性是对输入的变量相互之间是独立的，若输入变量的空间为线性的，那就需要将空间划分得很细，那就会增加大量的模糊规则数量。R3R2R1X100X2X1R3R2R1X00XXAAAAX图4-6模糊空间的划分这种情况是需要避免的，可采取下列模型。如果X∈ y=fj(X) 其中，Rj是部分空间，为输入空间分割之后的空间，X=x1,x2,…,xnTTΣURNN2NNmfX=x1,x2,…,TΣURNN2NNmfXU2U1⋯⋯⋯NNRNN1TT图4-7基于神经网络的模糊系统由图4-5可知，共有R+1个神经网络，函数fj(X)的表示方法可以用NN1~NNR分别表示，每条规则对于输入X的适用度用NNmf来表示，该模 y=∑j=1R uj其中gj为N基于神经网络的模糊系统，需要得到模糊规则中总的条数m，得到计算机规则适用度的神经网络NNmf，还需要得到生成结论部的非线性函数的神经网络NN其中，m可用聚类法来进行决定，神经网络用BP网络，神经元的传递函数采取Sigmoid函数，而NNj的输出层为了能够产生大小任意的输出，故以上的系统步骤如下（1）对给定的输入输出样本(Xi,yi)划分为训练网络和测试评价系统性能的两部分。（2）以训练用样本为依据，通过聚类法聚类输入样本，每组对应相应规则。组数的确定，考虑因素较多，但一般可以运用以下方法：运用聚类法中的K-mean法，判断当组数增加时，D减少的程度；分组之后确定每组体积大小。（3）对NNmf进行训练，该网络输入量n，输出量为R。设训练样本中xi ωji即： ω1= ω1=ON/OFF的取值可以是1/0，但因为神经网络中的Sigmoid函数，不能都是1/0，故用0.9/0.1来进行代替，这还可以加快网络训练速度。然后运用BP算法将选择好的样本(Xi,ωj神经网络的训练所用值是0N/0FF值，可以通过神经网络的特性来对规则输入合适的适用度。（4）对结论部神经网络NNs进行训练并对应通过聚类后分组的第S条规则，NNs学习样本作为S组中的输入和输出样本，并运用准则函数来防止网络过学习： Is=其中nc代表测试评价样本数，yjs为在S组中对应x以上过程，其输入量均相同，但在结论部中，gS εns在n个输入变量中，任意去掉一变量xp，按上述第四步重新训练网络，然后按上式计算没有xp时的εPs书。如果εPs4.2.3算例及分析算例见附录3，附录4将实际数据与预测数据进行对比分析，利用matlab软件绘制对比图，如图4-8，图4-9所示。图4-8最小负荷预测数据对比图图4-9最大负荷预测数据对比图高木—关野法研究过程的分析利用高木—关野进行聚类，对规则单独训练，对规则的使用度训练，这样就能减弱一些错误的数据对网络造成的影响。此外，高木—关野法是通过神经网络的学习来进行参数的确定，神经网络的输入空间分割是线性的，而聚类法所得空间则不一定，这时候就要利用神经网络学习功能对输入输出样本进行相应规则的提取。高木—关野法如今有较为广泛的应用，但它依旧有网络训练时间所需时间较长，易进入局部最小这些缺点。高木—关野法的预测误差大都属于大误差，一般是选择训练样本的时候造成的。4.3运用改进模型法的短期负荷预测4.3.1改进的模糊神经网络模型21m321m3ωm321m321xnx3x221m321m3ωm321m321xnx3x2x1y图4-10改进的模糊神经网络模型像模糊系统、神经网络这些较为复杂的模型，如今已有很多方法取得了较为良好的应用，但是众多方法，却依旧存在训练时间过长，模型精度不高这些缺点。改进的模糊神经网络，在这方面的物理意义明确，它的模型精度高，收敛速度快。如图4-10所示，它共由4层构成，从左至右分别为输入层、隶属度函数生成层、推理层、反模糊化层，在第三层推理层中经过样本聚类得到格式m，依据实际的需要调整参数值。隶属度生成函数可以用： uij=exp⁡uij、mij，σij与模型中第二层隶属度函数生成层中的各个结点相对应。在隶属度函数生成层立，输出表示为：u11在推理层中，各结点输出为所处结点所有结点代数乘积。反模糊输出为： y=ω1从式（4-15），可以看出：基于模糊系统的神经网络输出为： y=∑i=1输出为y=∑（2）由(1)可以看出，改进的模型是一个计算简洁的一个模型。改进的模型它与现有的网络模型相比，由于它的推导过程，它的物理意义显得更加显著。（3）要将改进的模型运用到实际之中，发挥出它的优点，那就要证明它具有全局逼近性质。4.3.2程序实现样本的平均误差满足要求结束训练满足精度否是是初始化取样本求输出存在样本否否是开始样本的平均误差满足要求结束训练满足精度否是是初始化取样本求输出存在样本否否是开始图4-11程序图4.3.3算例及分析算例见附录5，附录6将实际数据与预测数据进行对比分析，利用matlab软件绘制对比图，如图4-12，图4-13所示。图4-12最大负荷预测数据对比图图4-13最小负荷预测数据对比图改进模型法法研究过程的分析改进模型法所用的模型是改进的模糊神经网络模型，由输入层、隶属度函数生成层、推理层和反模糊化层这四层组成，每一层都有比其他模型明确的物理意义。他对于前面的两种方法来说，它的模型精度更高，收敛速度也更快。虽然从结果上很难看出有所提高，但因为它的实用性在许多领域都有广泛的应用。5结论电力系统负荷预测在电力市场的建立和发展中，起到的作用越来越强，要让电力系统的建立和运行满足于各行各业的要求，而且可以得到更高的效用，那就需要对电力系统负荷进行准确地预测，提出更多、更高的要求。电力系统负荷预测是整个电力市场发展的物质和技术基础，其中的短期负荷预测更是有着举足轻重的作用。随着电力市场的不断发展，对负荷预测精度的要求也不断加强，精度的加强不仅能够帮助提高系统稳定性，还能降低系统的运行成本和发电成本。电力市场调度也会更加的着重加强负荷预测精度，因此对于负荷预测的研究还在不断地探索，以便让负荷预测能够满足各种要求。传统的负荷预测大都研究负荷序列本身，没有对外在影响因素进行考虑，本文对影响因素中的天气情况重点考虑，考虑天气情况对负荷预测造成的影响，并说明短期负荷预测进行分解建模的方法。天气情况对日最大负荷和日最小负荷的影响这种问题，具有非线性特性，传统的负荷预测在统计的时候存在估计值和实际值之差过大的现象，所得预测结果不令人满意。基于神经网络的短期负荷预测能较好地处理非线性问题，具有较高的预测精度和较快的收敛速度。但它的缺点也比较明显，因为其训练时间长，容易陷入局部最小，让它的实用性有所降低。本文采用了基于模糊集理论的电力系统负荷预测，并选取了三种模糊预测技术，使其具有人性化的推理能力，获得较为良好的预测精度，虽然在运用聚类法建立相应的模型时，训练时间较长，但从实际数据的结果来看，该技术在电力系统短期负荷预测中的应用具有实用可行性。总体而言，本文是基于模糊集理论对电力系统进行短期负荷预测，通过模糊规则保证负荷预测精度，对实际数据与预测结果进行分析，证明了本文的算法对短期负荷预测具有可行性和有效性。

参考文献李元诚，方廷健，于尔铿．短期负荷预测的支持向量机方法研究［J］．中国电机工程学报，2003（06）：55-59．周潮，邢文洋，李宇龙．电力系统负荷预测方法综述［J］．电源学报，2012(06)：32－39．李茂林.论对于短期负荷预测的方法及其应用[J].中小企业管理与科技,2010(07):290.夏昌浩，张毓哲．电力系统负荷预报方法综述［J］．电力学报，2001（02）：79－82．陈志巧.基于模糊理论的电力负荷预测研究[J].山东科技大学学报，2006（02):81-83.康重庆,夏清,张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化,2004(17):1-11.雷水平,王超胜,崔景顺.短期电力负荷预测影响因素分析与研究[J].硅谷,2014,7(21):220+225.廖春映,梁润善,李乃标.气象因素对电网负荷特性影响的研究[J].科技创新导报,2010(17):128.Abdel-Aal，RedwanE.Short-TermhourlyLoadForecastingUsingAbductiveNetworks[C].IEEETransactionsonPowerSystems，2004，19(1):164-173.MoghramI,RahmanS.Analysisandevaluationoffiveshort-termloadforecastingtechniques[J].IEEETransactionsonPowerSystems,1989,4(4):1487-1491侯志俭,吴际舜,张琦雨,万亮,潘龙兴.电力系统短期负荷预报的几种改进手段[J].电力系统自动化,1996(07):27-31.颜金木.基于趋势外推法的电力负荷预测[J].中国外资,2011(04):228.杨萍.浅谈灰色预测法及其应用[J].内江科技,2006(03):116+124.张宁,韩富春,武天文,柴建中.基于灰色模型的电力系统负荷预测[J].电力学报,2006(01):26-27+30.杨如辉,黄伟琼,杨川.自适应灰色预测法在配电网短期负荷预测中的应用[J].电工电气,2012(09):35-38.XieNai-ming,LiuSi-feng.ResearchonDiscreteGreyModelandItsMechanism[J].IEEETransactionsSystem,ManandCyberne-tics,2005(1)：606-610.褚金胜,陈宙平.优选组合预测法在短期负荷预测中的应用[J].电气开关,2013,51(02):86-87+90.李子奈,叶阿忠.高等计量经济学[M]，2000，清华大学出版社，北京，P260-263.PriyankaSingh,PragyaDwivedi.Integrationofnewevolutionaryapproachwithartificialneuralnetworkforsolvingshorttermloadforecastproblem[J].AppliedEnergy,2018,217.彭显刚,胡松峰,吕大勇.基于RBF神经网络的短期负荷预测方法综述[J].电力系统保护与控制,2011,39(17):144-148.王成,代祥,刘飞,陈程.基于RBF神经网络的电力系统负荷预测[J].电力学报,2018,33(05):399-407.RUMELHARTDE,HINTONG,WILLIAMSRJ.Learningrepresentationsbyback-propagatingerrors[J].Nature,1986,323(6088):533-536郭龙钢.基于BP人工神经网络电力负荷预测[J].洛阳理工学院学报(自然科学版),2013,23(01):62-64.张彦宇,肖茜.国内外关于电力系统负荷预测的研究现状分析[J].山东工业技术,2016(11):215+208.Lin,Yao-Tsung,Tseng,etal.TheDesignandImplementationofaComputer-AssistedLearningExpertSystem.[J].InternationalJournalofComputerProcessingofOrientalLanguages,2002.张涛,朱建良.小波回归分析法在短期电力系统负荷预测中的应用[J].哈尔滨理工大学学报,2008(01):74-76.陈水利,李敬功,王向公.模糊集理论及其应用[M].北京:科学出版社,2005.刘小艳,刘欣宇,王梅.隶属函数的确定及应用[J].电脑知识与技术,2010,6(31):8831-8832.曹云娟,章真.模糊理论及技术的发展[J].浙江电力,1998(06):18-21+71.黄战,姜宇鹰,张镭.基于表格查寻学习算法的自适应模糊分类器[J].计算机应用,2005(04):750-753.孙多青.基于高木-关野型模糊系统的直接自适应控制[J].河北职业技术师范学院学报,2001(04):41-46.高君.模糊神经网络预测算法改进及应用[D].吉林大学,2017.张景元,韩江洪,高隽.模糊系统反向传播学习算法在系统辨识中的应用[J].计算机研究与发展,1998(02):33-37.夏琳琳,潘旭影,王丹,魏洪磊.基于类高斯隶属函数的模糊万能逼近器性能分析[J].沈阳工业大学学报,2014,36(03):316-321.董武,李树祥,沈振康.神经网络BP学习算法的改进[J].中国医学物理学杂志,1997(01):23-25.附录附录1表格查寻法的短期负荷预测预测算例1附表1表格查寻法的短期负荷预测算例1序号最高温度最低温度早峰负荷实际负荷预测负荷相对误差12345678910111213141516171819202122232425262728293031778442-1002223422111122-1-2-2-3-3-10-2-3-1-1-1-2-2-6-8-5-5-5-4.5-4-4.5-6-6-7-7-8-9-9-7-6.5-9-9-10-10-10-7-8-11-12875888449889104791050010346105181048310209105111061810433104581042610139965510367105641045810498105641018010094105961043410395103959884944691219461100771071811344115711152811729118551174611426117911173611727117371168411422112001168111730116931173811877114731150811987117781188811776114281099411068111411000011223.7511565.9211666.6711666.6711666.6711785.0611877.341125011666.6711666.6711561.4211666.6711868.161125011031.8211868.1611666.6711666.6711874.1611868.161132511666.6712083.3311666.6711874.7411874.741125010943.4310904.19112500.76%1.08%1.06%0.83%1.20%0.53%0.59%1.12%1.54%1.05%0.59%1.41%0.60%1.58%1.51%1.50%1.60%0.54%0.23%1.16%0.07%1.29%1.38%0.80%0.95%0.11%0.84%1.56%0.46%1.48%0.98%附录2表格查寻法的短期负荷预测预测算例2附表2表格查寻法的短期负荷预测算例2序号最高温度最低温度早峰负荷实际负荷预测负荷相对误差12345678910111213141516171819202122232425262728293031778442-1002223422111122-1-2-2-3-3-10-2-3-1-1-1-2-2-6-8-5-5-5-4.5-4-4.5-6-6-7-7-8-9-9-7-6.5-9-9-10-10-10-7-8-11-128758884498891047910500103461051810483102091051110618104331045810426101399655103671056410458104981056410180100941059610434103951039598849446912194616589687673017303744576067663751373807618754775257533741573087244742374647481755574857299