基于线性回归和神经网络的电力短期负荷预测_开题报告

电力负荷指电力需求量或者用电量，及广义负荷。而需求量指能量的时间变化率，即功率。电力系统的任务是给广大用户不间断的提供优质电能，满足负荷的需求。

电力负荷预测，在充分考虑系统的一些运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一整套系统的处理过去与未来负荷的数学方法，在满足一定精度的条件下，确定未来某特定时刻的负荷数值。

电力作为一种特殊的商品，保存比较困难，必须按需生产。因此，对于电力负荷做一个准确的预测变得十分重要。对于电力负荷的预测，国内国外很多机构都在进行研究。

电力负荷的变化具有一定的不确定性，受到各个方面因素的影响，气候变化、意外事故等都会对电力负荷产生随机扰动。同时，电力负荷的变化也存在着明显的规律性，居民生活用电会随着季节、时间做周期性的波动。在冬天，每日的清晨，照明用电负荷会显著上升；然后到傍晚之后，家用电器等的用电负荷也会上升。

电力负荷预测是供电部门的重要工作之一，准确的负荷预测，可以经济合理的安排电网内部发电机组的启停，保持电网运行的安全性和稳定性，有效的降低发电成本，提高经济效益和社会效益。

负荷预测的结果，还可以有利于决定未来新的发电机组的安装，决定装机容量的大小、地点和时间，决定电网的增容和改建，决定电网的建设和发展。

     因此，电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一。

（一）国内研究现状

国内研究方向有经验技术。经验技术主要依靠专家和专家组的判断，而不是依靠数量模型。目的不是弄清楚电力负荷变化的规律和结构，而是给出一个方向性的判断。

经验预测法包括：专家预测法、类比法、主观概率预测法、调查预测法、预警分析法、情景预测法。

专家预测法，通过召集专家开会，面对面的讨论问题，每个专家都能充分发表意见，并听取其他专家的意见。

类比法，是对类似的事物作对比分析，通过已知事物对未知事物或新事物作出预测。

主观概率法，是指请若干专家来估计某特定事件发生的主观概率，然后综合得出该事件的概率。

调查预测法，指实地直接调查，掌握第一手的资料。通过调查具有代表性的大用户，预测整体的情况。

预警分析法，根据经济发展中各个经济指标的变化来分析、判断市场未来发展变化趋势的预测方法。预警分析法主要有领先落后指标法和扩散指数法两种。

情景预测法是对将来的情景作出预测的一种方法，它把研究对象分为主题和环境，通过对环境的研究，识别影响主题发展的外部因素，模拟外部因素可能发生的多种交叉情景，以预测主题发展的各种可能前景。

经验技术的优点在于简单方便，缺点是受到专家团队的主观影响比较大，结果可量化的程度比较低，所以往往只能做一些定性的判断，而不能做到定量的精确预测。

同时，国内也使用一些电力负荷趋势外推预测模型，包括线性回归技术、时间序列预测技术。本文将着重研究多元线性回归技术。

时间序列分析，研究变量随着时间而波动的规律，在理论和实践上都取得很大的进步。其中平稳随机序列模型最简单，研究的也最充分；非平稳的随机序列模型，比如说季节波动，可以通过数学转换，转化为平稳的随机时间序列模型来研究。

线性回归技术，计算原理比较简单，有显式的最优解，相对于经验预测法，是一个很大的进步。基于线性回归的分析，理论也比较完整，可以进行有效的检验，从而判断模型的健壮性。但是线性回归有着自身的缺点，首先是只能对短期电力负荷进行预测，因为长期的电力负荷增长可能并不是线性的；其次是模型没有自学习的功能，当外界条件改变了以后，需要重新设定模型，灵活性较差。

回归算法对原有的线性算法做了改进，产生了logistic回归、广义线性回归模型，从而大大拓展了算法适用的范围，但是对于结构更加复杂的关系，就不能进行计算了。

（二）国外研究现状

    国外研究电力负荷预测的方法，包括灰色理论、优选组合预测技术、专家系统预测技术、神经网络预测技术和小波分析预测技术。

灰色系统理论的研究中，将各类系统分为白色、黑色和灰色系统。“白”指信息完全已知；“黑”指信息完全未知；“灰”则指信息部分已知、部分未知，或者说信息不完全，这是“灰”的基本含义。

   优选组合预测有两类概念：一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一种预测方法；二是指在几种预测方法中进行比较，选择拟合优度最佳或者标准离差最小的预测模型作为最优模型进行预测。

专家系统是一个用基于知识的程序设计方法建立起来的计算机系统，它拥有某个特殊领域内专家的知识和经验，并能像专家那样运用这些知识，通过推理，在那个领域内作出智能决策。一个完整的专家系统由四部分组成，即知识库、推理机、知识获取部分和解释界面。

小波分析预测，是20世纪数学研究成果中最杰出的代表。它作为数学学科的一个分支，吸取了现代分析学中诸如泛函分析、数值分析、Fourier分析、样条分析、调和分析等众多分支的精华，并包罗了它们的特色。

神经网络预测，是较先进的研究方法，其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，具有信息记忆、自主学习、知识推理和优化计算的特点。人们已经开始使用神经网络、深度学习、加强学习等人工智能方面的理论，这些理论部分还处在初期阶段，理论验证和方程求解还存在着一定的困难，但是它们具有的很多优点，使得人们不断加强对这方面的研究投入。

   神经网络的研究已经有50年的历史，它的发展是曲折的，几经起伏。1943年，心理学家McCulloch和数学家Pitts合作，融汇了生物物理学和数学，提出了第1个神经计算模型(MP模型)。1982年，美国加州工学院的物理学家Hopfield提出了一个用于联想记忆和优化计算的新途径——Hopfield网络模型，使得神经网络的研究有了突破性进展。

    神经网络模型有三个基本属性：结构、神经元传递函数和学习算法。当然，最突出的贡献之一是发展了多层BP算法，为解决多层网络学习开辟了一条道路。BP学习已成为迄今为止应用最普遍的神经网络学习算法。

    神经网络的优点在于：

能够充分逼近任意复杂的非线性关系。

能够学习与适应严重不确定性系统的动态特性。

所有定量或定性的信息都等势分布存储与网络内的各种神经元及其连接权中，故有很强的容错性。

采用并行分布处理方法，使得快速进行大量运算成为可能。

这些说明，神经网络在解决高度非线性和严重不确定性系统的控制上有巨大潜力。

二、^范文提纲

第1章文献综述

1.1国内研究现状

1.2国外研究现状

第2章线性回归模型

2.1一元线性回归模型

2.2多元线性回归模型

2.3多元线性回归模型显著性检验

2.4基于多元线性回归模型的电力负荷预测

2.5本章小结

第3章BP神经网络模型

3.1神经网络的概念

3.2神经网络的一般模型

3.3BP神经网络的定义和特点

3.4基于BP神经网络模型的电力负荷预测

3.5本章小结

第4章实证与预测

4.1多元线性回归模型对用电量的预测

4.2BP神经网络模型对用电量的预测

4.3本章小结

第5章结论

参考文献

[1]王科俊，王克成.神经网络建模、预报与控制[M]. 哈尔滨：哈尔滨工程大学出版社. 1996.12.

[2] 肖国泉等编著.电力负荷预测[M]. 北京：中国电力出版社. 2001.07

[3] 牛东晓，曹树华，卢建昌等编著. 电力负荷预测技术及其应用[M]. 北京：中国电力出版社. 2009.06.

[4] 牛东晓等编著. 电力负荷预测技术及其应用[M]. 北京：中国电力出版社. 1998.10.

[5] 俞大刚著. 线性回归模型分析[M]. 北京：中国统计出版社. 1987.10

[6]白雪.基于神经网络的葫芦岛地区短期电力负荷预测方法研究[D].华北电力大学.

[7] 王松桂等编. 线性统计模型 线性回归与方差分析[M]. 北京：高等教育出版社. 1999.09.

[8]张益名.基于线性回归模型的我国电力市场输配电发展的研究与预测[D].河北工程大学.

[9]吴杰康，陈明华，陈国通.基于PSO的模糊神经网络短期负荷预测[J].电力系统及其自动化.2007,19(1):63:67.

[10]王黎明，王艳松，魏志远.基于回归分析与神经网络的短期负荷预测[J]。电力系统，2007,26(11)：37-39.

[11]王建学，王锡凡，王秀丽.电力市场可中断负荷合同模型研究[J].中国点击工程学报.2005(09)：29-31.

[12]Winters,Tobey.Retail electricity markets require marginal cost real-time pring.The Electricity Journal.2001(02):15-19.

[13] McCulloch, Warren; Walter Pitts (1943). "A Logical Calculus of Ideas Immanent in Nervous Activity". Bulletin of Mathematical Biophysics. 5 (4): 115–133.

[14] Farley, B.G.; W.A. Clark (1954). "Simulation of Self-Organizing Systems by Digital Computer". IRE Transactions on Information Theory. 4 (4): 76–84.

[15] Damas, M.; Salmeron, M.; Diaz, A.; Ortega, J.; Prieto, A.; Olivares, G. (2000). "Genetic algorithms and neuro-dynamic programming: application to water supply networks". Proceedings of 2000 Congress on Evolutionary Computation. 2000 Congress on Evolutionary Computation. La Jolla, California, USA: IEEE.

[16] Deng, Geng; Ferris, M.C. (2008). "Neuro-dynamic programming for fractionated radiotherapy planning". Springer Optimization and Its Applications. 12: 47–70