短期气候预测

2024-09-22

短期气候预测（共11篇）

短期气候预测篇1

1 引言

运用八卦预测天气, 古已有之。《黄金策》、《增删卜易》等书中都对运用八卦预测天气的方法进行了精辟的论述。当代易坛泰斗邵伟华先生在其所著《周易预测学讲义》中，也对运用八卦预测天气的方法进行了详细的介绍。1994年4月，《辽宁气象》曾发表了郭文华、田丽艳同志的《周易预测方法在天气预报中的探索》一文。

短期气候预测是世界难题。短期气候预测工作者们正在寻求各种不同手段，以提高短期气候预测准确率。俗话说：“不管白猫黑猫，抓到老鼠就是好猫”。本人经过多年实践，发现运用八卦开展短期气候预测，常常得到惊人准确的结论，确是一条值得大力摸索的途径。

2 基本思路

本人主要是运用八卦预测方法中的六爻预测法开展短期气候预测的。这主要涉及下列三方面的知识：

1)六亲所代表的天气现象。六爻预测法中的六亲，即父母、兄弟、子孙、妻财、官鬼。按惯例，运用六爻预测法开展短期气候预测时，父母代表降水，兄弟代表风力，子孙和妻财均代表晴天，官鬼则代表雷电。

2)五行的生克规律：所谓五行，就是金木水火土，其生克规律是:金生水，水生木，木生火，火生土，土生金;金克木，木克土，土克水，水克火，火克金。

3)五行的生旺死绝规律：a.木长生在亥，沐浴在子，官带在丑，临官在寅，帝旺在卯，衰在辰，病在巳，死在午，墓在未，绝在申, 胎在酉, 养在戌;b.火长生在寅，沐浴在卯，官带在辰，临官在巳，帝旺在午，衰在未，病在申，死在酉，墓在戌，绝在亥，胎在子，养在丑;c.金长生在巳，沐浴在午，官带在未，临官在申，帝旺在酉，衰在戌，病在亥，死在子，墓在丑，绝在寅, 胎在卯, 养在辰;d.水土长生在申，沐浴在酉，官带在戌，临官在亥，帝旺在子，衰在丑，病在寅，死在卯，墓在辰，绝在巳，胎在午，养在未。

3 若干成功卦例介绍

3.1 汛期雨量高峰月预测

1) 1998年3月16日, 本人测当年汛期雨量高峰月，摇得主卦“泽天夬”(坤宫)，变卦为“泽火革”(坎宫)：

结论：二爻官鬼，一年多灾。父母巳火为用神，处伏地，得乙卯月建及动爻、青龙生之，故伏神旺而得出。因火帝旺在午，而农历五月属午，故农历五月为巳火最旺之时。因公历7月份处于农历闰五月之内，参考其它资料，最后对外预报公历7月份为1998年汛期雨量高峰月，雨量为900～1200毫米，属特多，灾重。

实况：1998年7月份，东兴雨量为991.5毫米，与历年同期平均值相比, 偏多73.6%，确属汛期雨量高峰月，亦属特多，灾重。

2) 2003年12月30日, 本人测来年汛期雨量高峰月，摇得主卦“火天大有”(乾宫)，变卦为“火风鼎”(离宫)：

结论：父母辰土为用神，临日建、月建旺地，为多雨之象。主卦“火天大有”，处在乾宫，属金，而变卦“火风鼎”处在离宫，属火;此为卦化回头克，是成灾的迹象。因火帝旺在午，农历2004年五月属午，火旺生土，而父母辰土得旺火之生，势必旺上加旺，因此可断农历五月为2004年汛期雨量高峰月。但2004年农历五月，包括了公历的6月18～30日及7月1～16日，之后考虑到公历的7月17～31日处在农历六月，而农历六月属未，属土，父母辰土临之，必旺。因此，最后参考其它资料，进行综合分析，然后对外预报公历7月份为2004年汛期雨量高峰月，雨量为900～1000毫米, 属特多，灾重。

实况：2004年7月份，东兴雨量为1069.8毫米，与历年同期平均值相比，偏多87.4%, 确属汛期雨量高峰月，亦属特多，灾重。

3) 2009年2月1日，本人测当年汛期雨量高峰月，摇得主卦“山泽损”(艮宫)，变卦为“火泽睽”(艮宫)：

结论：二爻官鬼，一年多灾。父母巳火为用神，得丙寅月建生之，为多雨之象。因火帝旺在午，而农历五月属午，故农历五月为巳火最旺之时。因公历6月份处于农历五月及闰五月之内，参考其它资料，最后对外预报公历6月份为2009年汛期雨量高峰月，雨量为650毫米以上，属偏多到特多。

实况：2009年6月，东兴雨量为661.7毫米，确属汛期雨量高峰月，雨量偏多42.9%，灾重。

3.2 汛期相对多雨阶段预测

1) 2006年12月20日，有人求测2007年汛期相对多雨阶段，我根据问卦时间起卦，得主卦“山水蒙”(离宫)，变卦为“地水师”(坎宫)：

结论：主卦“山水蒙”，处在离宫，属火，而变卦“地水师”处在坎宫，属水;此为卦化回头克，是成灾的迹象。动爻父母寅木为用神，得月建子水生之，为旺。来年农历五月份属午，动爻父母寅木、世爻子孙戌土与月建午火合成火局。据此，断定2007年农历五月份为汛期相对多雨阶段，而公历六月中旬～七月中旬这段时间处在农历五月, 因此对外预报称：“汛期洪涝灾害比较严重，其中最值得重视的是六月中旬～七月中旬这段时间”。

实况：2007年汛期，东兴市的两次洪涝造成的灾情都出现在六月中旬～七月中旬这个时间段内，其余时段的降水则未成灾。

2) 2007年12月25日，有人求测2008年汛期相对多雨阶段，我根据问卦时间起卦，得主卦“山地剥”(乾宫)，变卦为“坤为地”(坤宫)：

结论：父母戌土为用神，旺于月建，又得日建生之，此为多雨的迹象。来年农历三月建辰, 戌遇辰为月破, 因此农历三月不可能多雨。农历四月建巳，巳属火生戌土，因此可断农历四月起多雨。农历五月建午，午属火生戌土，因此可断农历午月同样多雨。农历六月建未，父母戌土临月建为旺，因此可断农历六月处于多雨期。农历七月建申，因土长生于申，为旺，因此可断农历七月仍处于多雨期。农历八月建酉，土处于沐浴旺地，据此可断农历八月雨仍多。综上所述，2008年汛期相对多雨阶段，应是农历四月起到农历八月止;换算成公历，就是5月上旬～9月下旬之间。对外预报也是这样说的。

实况：2008年汛期，东兴市第一场暴雨及最后一场暴雨分别出现于5月19日和9月25日。这同八卦预测结论之间的误差是相当小的。

3.3 春季雨量趋势预测

1) 1999年1月1日，本人测当年春季雨量趋势，摇得六静卦“雷泽归妹”(兑宫)：

结论：世爻父母丑土为用神，1999年为农历己卯年，属木，太岁克世，大凶。农历正月、二月，分别建寅、建卯，均属木，克世爻父母丑土。世爻父母丑土受克无生。据此可断农历正月、二月即公历即2月16日至4月15日之间，大旱!参考其它资料，在对外发布2、3月预报时，预报2、3月雨量分别为30毫米以下和40毫米以下，均属偏少到特少，春旱严重!

实况：1999年2月和3月，东兴雨量分别为0.1毫米和13.5毫米，与历年同期平均值相比，分别偏少99.8%和80.7%，均属特少，与预报结论完全吻合。另外，2月16日至4月15日之间东兴雨量仅有50.9毫米，与历年同期平均值相比，偏少72.4%，确属大旱!

2) 2000年12月24日，本人测来年春季雨量趋势，摇得主卦“地风升”(震宫)，变卦为“地天泰”(坤宫)：

结论：父母亥水为用神，处月建旺地，是多雨之象。农历正月建寅, 寅、亥相合，据此可断农历正月(即公历1月24日至2月22日)多雨;农历二月建卯，卯、亥半合，据此亦可断农历二月(即公历2月23日至3月24日)多雨。参考其它资料，对外预报时，指出公历2、3月雨量分别为40～60毫米和60～80毫米，属基本正常，春季干旱不明显。

实况：2001年2月和3月，东兴雨量分别为62.2毫米和105.9毫米，与历年同期平均值相比，分别偏多21.2%和51.5%，春季干旱确实不明显。这与预报结论基本吻合。

4 小结

1)本文所列卦例，是典型卦例。实际上，运用八卦开展短期气候预测的成功率，约为70%左右，而且对于灾害性、极端性气候事件的预测，往往得到惊人准确的结论。为此，确实值得进一步探索。

2)因气候变化规律复杂，开展短期气候预测，不能仅仅依据八卦，还须参考其它资料和工具，才能作出最后结论。

3)相比之下，根据问卦时间起卦预测的准确率比摇卦预测的准确率稍高。

4)本文所列短期气候预测卦例，只限于降水方面，至于气温、风、雷、湿度等方面的八卦预测方法，目前尚在摸索之中。

参考文献

[1]邵伟华, 周易预测学讲义[M].甘肃:敦煌文艺出版社, 1994.

[2]郭文华, 田丽艳.周易预测方法在天气预报中的探索[J], 辽宁气象, 1994.

[3]邵伟华, 周易预测例题解[M].甘肃:敦煌文艺出版社, 1993.

[4]孙乾坤, 中国民俗百科万年例[M].海南:海南摄影美术出版社, 1993.

短期气候预测篇2

2.本文开篇用了一个设问句。如果不用设问句，这话该怎样说?作者运用设问句有什么好处?

答：改写句：____________________________________________________

好处：______________________________________________________

3.根据第三段的内容，用一个“是”字句给短期气候预测下一个定义。

答：_______________________________________________________________________

4.在第五段空缺处填入恰当的关联词语。

依次为：________、________

5.给第十段中的“变幻莫测”写出两个同义成语和一个反义成语。

短期气候预测篇3

关键词 Elman网络；时间序列；残差分析；涨落方向

中图分类号 O29 文献标识码 A

1 引言

汇率，即以另一国的货币来衡量本国货币的价格.它作为一个重要的经济变量，其变动对国民收入的增减、工农业的发展、国内利率、人民就业等各方面都有着重要的影响.汇率同时也是国际贸易中一个极其重要的调节杠杆，它对在对开放条件下的宏观经济运行和微观经济层面上的资源配置具有重要的影响，在某种意义上说，它直接影响着商品在国际市场上的竞争力.因此，汇率预测受到广泛的关注，大量的模型被用于汇率波动的预测.

一般常用的预测方法包含时间序列方法（随机时间序列方法、指数平滑法、移动平滑法）、灰色预测方法、相关（回归）分析法等.由于汇率为服从耗散结构的非线性、开放的动态系统，传统的预测方法对其经济指标预测难以胜任，固定汇率制度下汇率的变化是确定性的，且利用中国的汇率数据采用实证方法，得到固定比率制度下汇率是时间的函数；而浮动汇率制度下汇率的变化是随机的^[1]，而考虑到神经网络具有非线性映射、自适应学习及鲁棒容错性等优良特性，使其能够较为精确地描述非线性的动态过程.并且神经网络具有传统的建模方法所不具备的许多优点：对被建模对象经验知识的要求不多，一般情况不必事先知道有关被建模对象的参数、结构以及动态特性等方面的知识，而只需给出对象的输入及输出数据，通过网络本身的学习功能便可达到输入和输出的映射关系.因此这也为对汇率变化趋势的预测研究提供一条崭新的思路.

利用神经网络进行汇率预测的模型有两大类：同质模型和异质模型^[2].同质模型主要通过历史汇率来预测未来汇率；异质模型中要考虑影响汇率的一些关键因素，如利率、通货膨胀率、原油价格等.由于影响汇率波动的因素太多，关键因素很难确定且历史数据也不容易得到，因此通常采用同质模型进行预测.目前应用最广的两类神经网络是前馈神经网络和递归神经网络.前馈神经网络是一种静态映射，它是单元之间的连接，不会形成有向圈，不适合用来表示动态映射，动态递归神经网络具有逼近系统的动态过程，而且由于其固有的反馈结构，往往只需单层的网络就可以表达复杂的动态系统，其中Elman网络就是一种典型的动态递归神经网络.

3 结论

本文采用神经网络Elman网络模型对汇率进行预测.可见，在预测期内，实际值与预测值的走势大致相当，但预测值与实际值之间的偏差略为偏大，尤其是170期以后的预测值，导致偏差较大的原因可能是：

1）影响因素的复杂性.影响汇率变动的因素是多样的，不仅仅受到经济因素的影响也受到政治因素等不确定因素的影响.影响汇率的外汇市场具有一定非线性特征，而汇率预测的依据是以过去与现在推测未来，使其预测难度较大.这些均会影响预测效果，使得预测的准确性欠佳.

2）误差传递.由于神经网络是通过学习输入模式进行建模的，在神经网络训练过程中，网络输出值要反馈给输入端作为输入的一部分，那么在网络输出存在的误差又将带入输入层.因此，这种反馈模式下的误差与不确定性，进而影响到预测的准确性.

3）无自检验.在神经网络预测过程中，每一次输入得到一个相应结果，而这样的结果并不能确保可靠性，进而也会影响预测的准确性.^[6]

参考文献

[1] 李亚琼，黄立宏. 两种汇率制度的双币种期权定价模型及其解[J]. 经济数学， 2009， 26（4）：14-19.

[2] Xiaofeng HUI， Zhewei Li，Quan QING.Using fuzzy neural networks for RMB/USD real exchange rate forecasting [J].Journal of Harbin Institute of Technology （New Series），2005，12（2）：189-192.

[3] 陈明等. MATLAB神经网络原理与实例详解[M]. 北京：清华大学出版社， 2013：388-389.

[4] 国家外汇管理局：人民币汇率中间价. http：//www.safe.gov.cn/

[5] 朱新玲，黎鹏. 基于BP神经网络的人民币汇率拟合与预测研究[J]. 中南民族大学学报， 2010， 29（3）：114-115.

[6] 戴钰. 最优组合预测模型的构建及其应用研究[J]. 经济数学， 2010， 27（1）：93-96.

农谚在短期气候预测中的应用篇4

中华民族的发展史本身就是一部“以农立国”的历史。直至如今, 我国的“农历”、“二十四节气”仍在与“公历”并行。几千年来, 一代又一代的乡贤老农, 根据他们对云、雾、雷、风、雨、旱、涝、丰、欠的观察及历代传承的经验, 编造了许多农谚, 作为安排耕作的依据, 它们以口语、谚语相传, 成为历代农民必知应会的信条。这些农谚虽不一一应验, 却也还是有一定可靠性, 对从事的农活、天气灾害的预防颇有裨益。结合现代气象理论和天气预报技术, 归纳和提炼有关天气预测的部分农谚服务于农业生产, 有其现实的意义和易于推广的价值[1,2]。

我国幅员辽阔, 南北差异很大, 因而在不同的地方, 谚语的意义也不尽相同。那么, 在用气象谚语作预报时, 首先要搞清楚谚语的含义, 对其进行分析、总结、分类使用, 找出天气演变的规律, 以此作为气候预报的一种判据[3]。这些天气谚语, 反映了季节气候特点之间的联系, 通过对长治地区近40年的气象资料进行普查, 发现下列气象谚语对长治地区的旱涝预报有一定的指导意义。

1 短期气候预测的气象谚语

相距一定时间2种天气气候之间有一定的变化联系, 气象学上把这种联系叫做韵律。许多做天气气候预测的天气谚语是属于韵律性质的。

1.1 预报降水量

1.1.1 春雷来的早, 雨水来的好。

即春雷的迟早与夏季及7月降水量的多少有一定的对应关系。春雷3月响为早, 6月响为晚。早雷时, 7月的雨量≥180 mm, 晚雷时, 7月的雨量≤150 mm。早雷时, 夏季的雨量≥430 mm, 晚雷时, 夏季的雨量≤295 mm。

1.1.2 腊月船不通, 6月水来冲。

即1月雨水少, 则7月雨量多。

1.1.3 正月十五雪打灯, 来年定是好收成。

即正月十五有降水, 对应春播期 (4月10日至5月10日) 降水量偏多。

1.1.4 正月初一有雪是旱年。

即正月初一有降水, 对应春播期 (4月10日至5月10日) , 降水量偏少。

1.1.5 重阳黑洞洞, 来年好收成。

或重阳无雨一冬晴。所谓“重阳黑洞洞”, 是指农历九月初九有雨或阴雨。“来年好收成”指下一年降水量偏多, 庄稼丰收。若九月初九无雨, 则对应下半年降水稀少。

1.1.6 八月初一洒一阵, 旱到来年五月尽。

所谓“八月初一洒一阵”, 是指农历八月初一这一天有降水, R≥0 mm, “旱到来年五月尽”, 指冬季或冬春降水量偏少。

1.1.7 收秋不收秋, 全看五月二十六。

即阴历五月二十六前无雨, 则在农作物生长的关键时期 (一般在8月) , 降水稀少, 出现卡脖子旱, 造成农作物减产。

1.2 预报霜冻

1.2.1 秋天暖, 秋霜晚。

即秋季气温偏高, 则初霜冻将晚于历年平均值。

1.2.2 冬天暖, 春霜晚。

即冬季气温偏高, 则终霜冻将晚于历年平均值。

1.2.3 春雷来的早, 下霜也来的早。

用来预报终霜冻比较适用。

1.2.4 雷打180 d, 霜冻在眼前。

用来预报初霜冻指标, 意为春雷和初霜冻相隔180 d[4-5]。

1.3 预报温度

例如:春暖的迟, 秋冷的迟;冬暖防春寒;年前立春过年暖, 正月立春二月寒等等。

1.4 3个月韵律测气候

3个月韵律表现为季节之间的联系:如“春雨贵如油, 夏雨遍地流”、“春季无大风, 夏季雨水穷”、“大暑不雨秋天旱”、“夏寒秋长”、“秋水纷纷, 冬雪满天”、“秋有旱, 冬有冰”、“寒水枯, 春水多”、“打冬雷, 落春鱼”、“春雪百日雨”。

1.5 5个月韵律测气候

许多天气谚语反映天气气候5个月的变化和联系, 大约相隔1个季节[6,7]。如“不得春风, 难得秋雨”、“春有几次大风, 秋有几次大雨”;“九里一场风, 伏里一场雨”、“九九南风伏里旱”、“四九南风伏里旱”。

以上2组天气谚语主要是根据冬春冷空气活动来预报5个月 (150 d) 左右的降水天气。针对天气谚语进行验证, 利用西风环流指数, 查近5年1月冷空气活动与6月降水的联系, 发现10次冷空气活动, 8次在以后的150 d左右有降水过程, 占80%, 降水过程平均为3 d。由此可以看出, 用5个月韵律预测气候变化, 可靠程度还是比较高的。

2 典型谚语的预报实例对比分析

2.1“八月初一洒一阵, 旱到来年五月尽”

经对当地的气象资料对比分析, 发现八月初一有降水, 对应冬季降水偏少。

从表1可以看出, 历年八月初一有雨的年份共19年, 对应当年冬季降水量和春季降水量偏少的年份均为13年, 预报准确率为68.4%。从春季的降水特征来看, 20世纪80年代至90年代初, 春季降水普遍偏多, 利用谚语预报连续6年都是失败的, 没有受到谚语的印证。但此方法应用十分简单, 只要查下农历八月初一是否有雨就可大体断定冬季干旱趋势。

2.2“重阳黑洞洞, 来年好收成”

通过普查长治市历年日降水量的资料, 发现农历九月初九有雨且日降水量≥0.0 mm时, 对应下一年年降水量偏多。

从表2可以看出, 历年九月初九有雨的年份共9年, 对应下一年年降水量偏多的年份共7年, 预报准确率为77.8%, 可信度偏高。此方法应用简单, 只要查下农历九月初九是否有雨就可大体断定下一年降水量多少。

3 结语

气候预测问题是个很复杂的问题, 在这里不再累述。单用一个谚语即做预报是不科学的, 但它的神秘性与魅力也在于此, 预报准确率也是我们气象工作者追求的一个目标, 只有预报准确了, 才能发挥气象预报的作用, 因而能更好地为工农业生产服务。

参考文献

[1]王廷彩.气象谚语同农业生产的关系[J].现代农业, 2012 (6) :76.

[2]马晓虹, 陈洁.气象谚语在海晏地区气候预测中的应用验证[J].青海气象, 2007 (2) :26-27.

[3]贾小龙, 陈丽娟, 高辉, 等.我国短期气候预测技术进展[J].应用气象学报, 2013 (6) :641-655.

[4]黄秀艳.常见气象谚语中的气象知识[J].现代农业科技, 2011 (21) :37-38.

[5]邓昕.浅谈气象谚语在观测工作中的运用[J].四川气象, 2004 (1) :57-58.

[6]丁一汇.季节气候预测的进展和前景[J].气象科技进展, 2011 (3) :14-27.

短期气候预测篇5

摘要：BP算法较强的自学习能力使之可对短期电力负荷进行预测，将一种改进的BP神经网络学习算法应用于短期电力负荷预测中，该算法由于加入动量项修正权值阈值提高了BP神经网络本身的精度，使得预测结果具有更高的精度，算例验证了该算法处理短期电力系统负荷预测的高效性。

关键词：神经网络；短期负荷预测；BP算法；动量项

1 概述

电力系统负荷预测实质是对电力市场需求的预测，短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等，其中智能预测中最典型的就是人工神经网络。

人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义，能通过学习已存在的历史负荷数据，来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响，所以可以把神经网络算法引用到负荷预测中来，提高电力负荷的预测精度。本文针对短期电力负荷预测的问题，采用了一种增加动量项改进BP算法的负荷预测方法，并对某城市的有功负荷进行短期负荷预测仿真。

2 传统BP算法及其改进

2.1 传统BP模型及其学习过程

传统BP算法的实质是求均方误差函数的最小值问题，常选择Sigmoid型函数作为激励函数。如图2-1所示即为典型的三层BP神经网络的结构图，从左至右依次为输入层、隐含层、输出层。一般情况下，输入层单元数与输出层相等，隐含层比输入层多，一般多取2n-1，其中n为输入层单元数。

[图2-1 三层BP神经网络结构图]

令输入模式向量为Xk=（x，x，…，x）T，（k=1，2，…，m），m是学习模式对的个数，n为输入层单元数；对应输入模式的期望输出模式向量为Yk=（y，y，…，y）T，q为输出层单元数；中间隐含层的净输入向量为Sk=（S，S，…，S）T，输出向量为Bk=（b，b，…，b）T，p为隐含层单元数；输出层净输入向量为Lk=（l，l，…，l）T，实际输出向量为Ck=（c，c，…，c）T；输入层至隐含层的连接权值为W={wij}（i=1，2，…，n，j=1，2，…，p），隐含层到输出层的连接权值为V={vjt}，（j=1，2，…，p，t=1，2，…，q）；隐含层各个单元的阈值为θ={θj}（j=1，2，…，p），输出层各个单元的阈值为γ={γt}（t=1，2，…，q）。

中间隐含层各个神经元的净输入和输出：

S=wijs-θj j=1，2，…，p b=f（s） j=1，2，…，p

输出层各个神经元的净输入和实际输出：

l=vjtb-γt t=1，2，…，q c=f（l） j=1，2，…，q

依据给定的期望输出值，得到输出层各个神经元的校正误差：

d=（y-c）f′（l） t=1，2，…，q；隐含层各个神经元的校正误差：

e=[vjtd]f′（S） j=1，2，…，p修正隐含层和输出层神经元之间的阈值γ，其中α为学习速率，0<α<1：

Δvjt=αdd i=1，2，…，p，t=1，2，…，q Δvjt=αdb i=1，2，…，p，t=1，2，…，q

Δγt=αd t=1，2，…，q

修正输入层与隐含层的连接权值和隐含层神经元的阈值θ，其中β为学习速率，0<β<1：

Δwij=βex i=1，2，…，n，j=1，2，…，p Δθj=βe j=1，2，…，p

直到全部m个学习模式对训练完毕，然后判断该神经网络的全局误差E是否满足训练精度要求。

2.2 BP算法的改进

传统BP算法在调整连接权值时，只考虑了此次调整的误差梯度下降方向，因而经常会使训练过程发生振荡，收敛速度缓慢。本文通过增加动量项调整连接权值来改进传统BP算法，进而克服这些缺点。

为了提高神经网络的训练速度，可以在对连接权值进行调整时，以一定的比例加上前一次学习时的调整量，即动量项，带有动量项的连接权值调整公式为：

Δwij（n）=-β+ηΔwij（n-1）

其中ηΔwij（n-1）為动量项，n为学习次数，η为动量系数，0<η<1。加入动量项的实质，就是使其学习速率在训练过程中不再是一个恒定的值。动量项对于n时刻的权值调整起着阻尼作用。在引入动量项后，向同一方向来进行连接权值的调整，即使两次连接权值调整的方向不一样，也可以减小训练过程中的振荡趋势，提高训练速度，加快网络的收敛。

3 基于BP算法的短期电力系统负荷预测及其仿真分析

3.1 负荷预测的基本思想

利用BP神经网络预测未来时日的数据，主要思想是以过去的历史数据作为网络的训练数据，当网络训练完毕，就可通过输入新的时序数据来预测未来数据。因各种因素都会对短期负荷造成一定影响，于是便可建立如图3-1所示的电力系统负荷预测的模型。

3.2 BP神经网络的设计

将一星期内的每一天看成是相同的负荷类型，每隔两小时对电力负荷进行一次测量，得12组整点测量的负荷数据，记为输入变量，输出变量为预测日当天的12个整点的电力负荷值，中间层取神经元位数为25。网络中间层和输出层神经元的激励函数均采用S型函数。

3.3 实例分析

参考文献[2]中的数据，以某城市2009年6月13日到6月23日的12个整点电力负荷值，作为该网络的样本数据，预测6月24日的电力负荷值。分别采用传统和改进的BP算法对这些数据用matlab进行编程仿真，预测结果如表1所示，预测结果仿真图及误差曲线图分别如图3-2、3-3所示。

由以上仿真结果可知，传统BP算法电力负荷预测的最大误差为0.4857%，平均绝对值相对误差为0.0760%；改进BP算法电力负荷预测的最大误差为0.0548%，平均绝对值相对误差为0.0213%。综合图3-2和3-3的比较可得，加入动量项改进后的BP算法在预测精度上明显优于传统BP神经网络算法，故该神经网络满足应用要求。

4 结语

电力系统短期负荷预测对供输电以及电力系统安全分析具有重要的意义。本文在传统BP神经网络的基础上，提出了加入动量项改进BP算法，克服了传统BP算法的一些缺点和不足之处。仿真结果表明，该方法具有较高的预测精度，可以为电力系统提供有效的决策依据。

参考文献：

[1]马锐.人工神经网络原理[M].北京：机械工业出版社.2010：45-57.

[2]米阳，朱旺青，李正辉.改进的BP算法在短期负荷预测中的应用[J].上海电力学院学报，2011，27（1）：14-18.

[3]潘雪涛.基于改进BP神经网络算法的短期负荷预测[J].上海电力学院学报，2012，28（4）：388-391.

[4]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社.2007：43-53.

[5]王小川，史峰，郁磊等.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2011：4-9.

作者简介：

短期气候预测篇6

关键词：夏季旱涝,OLR特征,短期气候预测,内蒙古通辽

通辽市地处大兴安岭南麓浅山丘陵地带, 属中纬度季风气候区[1], 近年来无论是春季还是夏季干旱都比较严重, 降水量比平均值偏少33.0%～63.5%。有必要研究通辽地区的干旱, 分析影响这种干旱的低纬度天气系统。因此, 利用卫星观测到的长波辐射资料OLR场, 研究影响中纬度地区降水的热带及副热带天气系统, 分析预测通辽地区的夏季降水的旱涝情况。副热带高压是影响中纬度地区降水量多少的间接因子, 弄清楚低纬度系统的强弱, 也就能预测通辽地区的旱涝情况。选取4—9月的OLR资料, 分析通辽地区的旱涝与低纬度的OLR场的对应关系。

1 通辽地区旱涝副热带天气系统的OLR数值特点

OLR场不仅反映了大气中的云量云顶层高度的温度, 而且在热带地区晴空大气状态下, 间接地反映了下垫面的海温情况。中纬度地区夏季多雨或少雨, 又与副热带高压有很好的相关关系。因此, 了解副热带高压、赤道太平洋海温以及低纬度OLR场与通辽地区降水量之间的关系, 有利于做好短期气候预测工作。分别从通辽地区8个测站平均降水量中选取旱涝年各7个个例, 划分标准。

其中:M为站点数, xi为降水量, x为历年降水量平均值, y′降水量距平百分率新序列。旱涝年距平百分率为±20%。一般在低纬度地区OLR小值区域为对流区域, 大值区域为大规模下沉区域。西太平洋副热带高压西伸脊点为东经110°～150°范围588线的西界位置经度数值, 西太平洋副热带高压北界位置为副高体北侧588线平均纬度数值, 印度低压面积指数取值范围为南纬10°至北纬3°, 东经70°～110°;OLR值是选取上述副高体北界及西伸脊点所对应的OLR场上最大轴线数值。通过对影响通辽地区夏季降水副热带高压的位置与OLR强度值对照可以看出, 在低纬度地区OLR≥240 W/m2的区域为大规模的下沉干区。因此, 涝年的副高体很强很明显, 而旱年的副高体很弱, 甚至说形成不了大规模的完整的下沉区。从另外一个角度讲, 上述说明了对应通辽地区涝年的副高体的下垫面海温要比旱年的副高体的海温高, 即涝年副高体强大, 这和人们通常所说的副高进退与雨带的移动同步是一致的。仔细观察西太平洋副热带高压北界位置, 涝年和旱年均为北纬27°, 平均在同一个位置, 没有区别;但是, 从OLR场上的数值可以看出二者之间有很大的区别, 相差12 W/m2, 即涝年比旱年大。一般在低纬度地区OLR数值≤220 W/m2为对流活动区和降水区, 这说明了不管是涝年还是旱年副高北界都是对流活动区;旱涝年份的副高体的平均北界位置在500 hPa高度图上, 虽然不能很好地区分, 但是从辐射通量上可以明显地看出差异, 说明涝年的副高体面积要比旱年的副高体面积明显强大。上述副高位置上的OLR值所反映的地气系统射出的长波辐射, 其物理意义非常明显, 表明在副热带上空的副高体与所对应的下垫面辐射量场在物理意义上是一致的。

1.1 通辽地区旱涝与中低纬度OLR场特征

OLR场的范围为南纬50°至北纬50°, 东经60°至西经60°。主要是考虑到太平洋洋面地区, 副热带高压维持的地区以及北半球中纬度地区。通辽地区夏季旱涝年份, OLR场特征在副热带地区及赤道热带太平洋地区, 有明显的差异。特别是西北太平洋副热带高压控制区及印度至孟加拉湾和赤道中东部太平洋等地区的差别更为显著。涝年在东经120°～150°, 北纬20°～30°范围, 即西北太平洋副热带高压附近有1个大值区, 最大OLR值可达265 W/m2左右;而旱年在东经120°～150°, 北纬20°～30°范围高值中心不明显, 上述范围最大值也只有245 W/m2。涝年的赤道中东部太平洋OLR场的中心数值最大为280 W/m2, 比旱年的270 W/m2数值大, 二者相差10 W/m2左右, 而且涝年的OLR大值轴线向西延伸的要多一些, 可达到东经150°, 旱年的仅仅到东经180°, 并且比涝年OLR最大值轴线略偏南。

综上所述, 涝年的OLR场副高体 (范围东经120°～150°, 北纬20°～30°) 明显且有中心闭合体;旱年的OLR场副高体 (范围东经120°～150°, 北纬20°～30°) 不明显, 很弱甚至没有明显的中心闭合体。赤道中东部太平洋OLR场存在1个大值轴线, 并且涝年比旱年偏西偏北。

1.2 通辽地区旱涝与OLR的相关关系

从1975年至2010年夏季 (6—8月) 中选取7个涝年和7个旱年个例, 分析中低纬度纬度地区的OLR场气候特征。蒋尚城等[2]对长江流域旱涝同OLR的关系研究结果表明, OLR同降水存在负相关关系。笔者的研究结果也是负相关关系, 因此可以把卫星观测资料应用于天气气候研究中。

1.2.1 通辽地区涝年与OLR距平场特征。

在副热带地区的东经120°～160°、北纬20°～40°范围有一正距平区域, 最大值中心在北纬30°、东经140°附近为17 W/m2。在这个范围内基本上是夏季西太平洋副热带高压所在的位置, 所对应的天气系统是大范围的高压晴空区。在这个范围卫星观测的长波辐射能通量自然就是高值区, 这是因为晴空海平面所放出的辐射能要比有云的海区所放出的辐射能要大得多的缘故[3,4,5,6]。因此, 通辽地区夏季涝年的OLR场对应西太平洋副热带高压区域有1个明显的高值区。通辽涝年在赤道中东部太平洋OLR场上存在正距平这一特征可能与ENSO事件有联系。

1.2.2通辽地区旱年与OLR距平场特征。

通辽地区夏季旱年的OLR场对应西太平洋副热带高压区域有1个明显的高值区, 比涝年副高体弱。在赤道上有1个负距平中心, 在西经180°附近, 中心值为-19 W/m2。这一特征与涝年恰恰相反, 但是不同的是旱年的负距平中心位置要比涝年的正距平中心的位置略偏南。从通辽旱涝年的OLR场特征上, 可以得出旱涝年的副高体的OLR值均为高值区, 涝年副高体比旱年副高体偏西偏强;旱涝年的赤道中东部太平洋地区OLR场存在明显的差别, 即涝年是狭长的正距平带, 旱年是狭长的负距平带, 且中心位置旱年比涝年偏南。

1.2.3 通辽地区旱涝年OLR距平差值场特征。

为了进一步分析通辽地区的旱涝年的中低纬度OLR场的差异, 把涝年的距平场减去旱年的距平场得到OLR特征场。并可以看出副热带地区, 为正值区域, 说明了涝年的OLR值在这个区域要比旱年的OLR值高, 这就是通常人们所说的副热带高压涝年强于旱年。赤道中东部太平洋旱涝年有明显的差异, 涝年的OLR场值大于旱年, 这就是通辽地区夏季旱涝低纬度长波辐射场的最大区别所在。另外, 涝年的副高西伸脊点比旱年的偏西, 而当副高体特别偏北时 (副高北界达到北纬35°) 又会产生干旱, 只有在副高体形成完整的带状时, 通辽地区才会产生洪涝。综上所述, 涝年的赤道中东部太平洋OLR值大于旱年的值。

2 实际应用情况

从普查通辽地区的旱涝年份的OLR场和所对应的天气图上的副热带地区, 一般情况, 5月涝年的副热带高压脊 (OLR场正距平区域) 都有所加强西伸;旱年恰恰相反。选取5月的ORL场月平均距平图, 作当年通辽地区的夏季旱涝趋势预测, 分3种情况。

2.1 预测指标

在北纬15°～25°、东经105°～145°范围内主体OLR距平场, 5月有明显正距平区域, 网格距5°×5°, 网格点数≥5个, 为涝年。在北纬15°～25°、东经105°～145°范围内主体OLR距平场, 5月有明显负距平区域, 网格距5°×5°, 网格点数≥4个, 为旱年。不满足上述2个条件的为非涝年非旱年。

2.2 预测应用

2010年夏季预测情况, 5月负距平场网格距为7个, 结论2010年夏季是旱年, 实况全市降水量距平百分率为-48.6%～-20.2%, 全市平均降水量距平百分率为-23.6%, 属于划分的涝年, 正确;2011年夏季预测情况, 5月正距平场网格距为3个;结论2011年夏季涝年, 实况全市降水量距平百分率为23%～69%, 全市平均降水量距平百分率为45.7%, 属于划分的涝年, 正确。从近2年的预测情况上看, 全市8个站的降水量预测基本上都是正确的。因此, 利用卫星观测的地面长波辐射OLR场资料, 在短期气候预测中应用效果非常好, 为短期气候预测开辟一条很好的气候诊断及气候预测的新途径。

3 结语

通过分析通辽地区旱涝年的OLR场特征, 得出一些有实际意义的结果。通辽地区的旱涝年在OLR场上呈反位相配置, 即西北太平洋副热带高压控制区、印度至孟加拉湾以及赤道中东部太平洋等地区, 当上述地区OLR分布异常时对通辽地区的旱涝有重要的影响。通辽地区涝年, 西北太平洋副热带高压位置偏西, 强度偏强;印度低压偏强;赤道中东部太平洋OLR为明显的正距平。而旱年西北太平洋副热带高压脊线位置偏东, 强度偏弱;印度低压偏弱;赤道中东部太平洋OLR为明显的负距平。

参考文献

[1]金秀良, 唐宏艳, 么文.火星冲日与通辽地区干旱及气候预测[J].内蒙古气象, 2003 (1) :17.

[2]蒋尚城, 朱亚芬, 朱元竞.卫星观测的中国辐射区气候[J].气象学报, 1991, 49 (4) :512-517.

[3]南庆红.东昆仑山区OLR场的气候特征[J].新疆气象, 1997 (2) :21-23.

[4]王旭, 于锋.青藏高原和新疆OLR的时空变化[J].新疆气象, 1990 (12) :8-13.

[5]陈少勇, 乔立, 林纾, 等.中国西部OLR与秋季降水的关系[J].干旱气象, 2011, 29 (1) :1-9.

短期气候预测篇7

负荷预测是电力系统的一项重要任务,也是电网运行中的一个难题。负荷预测的精度直接关系到电力系统运行方式安排和调度计划的制定,影响着电力系统的安全、稳定和经济运行。短期负荷预测是电力工业提高安全性和经济运行水平的重要基础,又是电力系统安全经济运行的重要依据[1]。国内外大量的文献资料在短期负荷预测方面做了较充分的研究,特别是在近年来,在短期负荷预测方面取得了一定的成果。

电网用电负荷与所在地区负荷结构、气候条件等密切相关。随着国民经济的发展和人民生活水平的提高,工业用电和商业居民用电量不断增加,负荷结构越来越趋于复杂。部分省份小水电装机容量较大,小水电分布不均,小水电丰富地区用电负荷受降雨影响非常大。各种因素加大了负荷预测的难度,尤其是短期负荷预测的难度。在国内,一些比较成熟的短期负荷预测方法在一些条件比较特殊的情况下,通常会发挥失常,预测精度难以满足要求。在这种情况下,如果省级电力公司要求地市供电公司按时申报负荷预测数据,充分利用地市公司的预测数据,来形成省级电网的预测结果,对提高省级电网的负荷预测精度将具有一定的意义。

基于以上考虑,本文提出了一种基于地市公司负荷预测数据来预测省公司负荷的方法,对提高省级电网的负荷预测精度起到了一定的作用。

1 利用地市公司预测结果预测省公司负荷的原理

1.1 省级电网负荷特点

省级电网具有一定的独立性,省级电网负荷由该省所辖各地市负荷组成。省级电网负荷特点如下:

(1)负荷曲线的季节性变化和日变化具有一定的规律可循;

(2)供电区域大,供电负荷受各种因素影响相对较小;

(3)历史负荷数据较完整、详细,能够利用相似日来提高负荷预测精度;

(4)负荷的互补性强,电网越大,越有利于短期负荷预测;

(5)电网坚强的程度要高于地市级电网。

1.2 地市电网负荷特点

随着我国城镇人民经济水平的高速发展,居民生活用电比重不断上升。特别是夏季,空调负荷快速增长。城镇居民用电的增加,不仅表现在用电量的增加,更重要的是带来了季节性用电高峰问题,同时各地区电网用电负荷受气象条件变化影响的规律也不同,这在无形中加大了负荷预测的难度。地市级电网作为省级电力市场的基础,其短期负荷预测精度不但关系到本地区的用电计划,而且直接影响到省级电网管理部门的负荷预测精度和日发电量[5][6]。

与省级电网相比,地市级电网有以下特点:

(1)负荷的季节性变化和日变化都比较大;

(2)地市级电网供电区域较小,供电量有限,且供电负荷易受各种因素影响,变化较大[8];

(3)历史负荷数据不全,缺乏先进的管理手段,给规划和负荷预测工作带来一定困难[7];

(4)由于受经济结构调整影响,地市级电力负荷波动性较大,随着经济的发展,有些年份的用电量反而比以前降低,使负荷预测难度加大[8];

(5)地市级用电互补性差,白天一般是工业用电,用电量较大;夜里一般为居民生活用电,用电量较小,峰谷差大。

1.3 基于地市公司预测结果预测省公司负荷的原理

针对省级和地市级电网负荷的上述特点,本文提出了基于地市级电网负荷预测值预测省级电网负荷的新方法,并从理论上证明该方法的合理性和优越性。

在不考虑损耗的情况下,省公司的负荷应等于所有地市公司负荷之和,但在实际情况下,考虑到统调电厂厂用电和省网线损,省公司统调负荷高于各个地市负荷之和。高出的程度,由统调电厂厂用电和省网线损而定,而且高出的程度保持相对稳定。即:

undefined

式中:Lt为t时刻的省公司负荷;N为地市个数;Lit为t时刻第i个地市公司的负荷;k为省公司负荷相对地市公司负荷之和高出的比率。

式(1)的含义为:省公司负荷是地市公司负荷之和乘以一定比率。

经过理论推导,k会根据负荷水平在一个较小的范围内波动,但波动范围一般不超过1%。

假设各地市公司的负荷预测数据已知,根据式(1),求出省公司负荷的关键在于求得k值。

由概率论可知,如果一个量是由大量相互独立的随机因素组成,而每一个个别因素,在总影响中所起的作用不是很大,则这种量通常都服从或近似服从正态分布。由于地市级负荷(作为个体)满足相互独立、互不影响的条件,因此省公司负荷(作为母体)服从正态分布。在预测各个地市局负荷时,即使预测误差较大,由于这些正、负误差的相互独立,且均服从某一区间上的均匀分布,所以,各个地市公司负荷预测数据相加后,误差相互抵消,不会对省公司负荷实际值产生较大影响。这种理论的可行性证明如下。

中心极限定理指出,大量相互独立的随机变量之和(在每个随机变量对总和的影响都很微小的情况下)近似服从正态分布。以随机变量li表示第i个地市公司负荷预测数值,则N个地市局共同作用的和undefined。因此,只需证明,当N趋于无穷时,undefined的极限仍然服从正态分布。

设随机变量序列{Xn}相互独立,且同分布,并有共同的数学期望μ和方差σ2 ,部分和由undefined定义,则Sn的标准化undefined依标准正态分布收敛,即对任何undefined。其中,Φn(x)是ξn的特征函数。因此,只需用中心极限定理证明Φn(t)以标准正态分布N(0,1)收敛到e-t2/2。

证明过程如下:

设μ=0,σ2=1,X1的特征函数Φ1(t)=EeitX1.

其中: Φ1′(0)=iEX1=0

Φ1″(0)=i2EX12=-1

将Φ1(t)在t=0处用Taylor公式展开:

undefined

于是,undefined的特征函数为:

undefined

其中:n→∞

令: Yj=(Xj-μ)/σ

则有:

E(Yj)=0, D(Yj)=1

undefined

因此,上述定理成立。

根据以上证明可以得出:如果地市公司的负荷预测精度较高,则省公司负荷预测精度也会相当高。这是因为,在将各个地市公司负荷相加的过程中,各个地市公司的预测偏差相互抵消。

设各个地市公司的实际负荷数据为li′,则负荷预测的误差为:

Δli=li-li′,(i=1,2,…,N)

在不考虑厂用电和线损情况下,各个地市公司负荷预测误差相加后即为省网负荷预测的误差。下面以计算各个地市负荷预测误差在±15%的情况下,省级电网负荷预测误差大于±15%的概率为例,进一步证明误差的相互抵消。

计算过程:设某省有12个地级市,且各个地级市负荷预测误差最大为±15%,且各个地级负荷预测误差为:

Δli(i=1,2,…,12)

由以上分析可知,li独立同分布,且在(-0.15,0.15)上服从均匀分布。因此:

undefined

记undefined为省级电网负荷预测误差,根据独立同分布的中心极限定理有:

undefined近似服从N(0,1).

所以:

P{|l|>0.15}=1-P{|l|≤0.15}

undefined

查表得: Φ(1.5)=0.93319

因此:

P{|l|>0.15}=0.13362

即:各个地市负荷预测误差在±15%的情况下,省级电网负荷预测误差大于±15%的概率为13.362%,预测偏差的期望值将小于地市公司负荷误差绝对值15%。这说明利用地市公司的负荷预测值去预测省级电网负荷值的方法能够提高负荷预测精度。因此,可以得出如下结论:

(1)若各个地市公司的负荷预测相互独立,误差也相互独立,则对于提高省公司的负荷预测精度非常有利。

(2)地市公司越多,对提高省公司负荷预测精度越有利。不过,地市局达到10个或以上时,个数增加,各个地市负荷预测偏差相互抵消的效果增长情况并不明显。

(3)各个地市公司负荷水平越接近,对提高省公司的负荷预测精度越有利。

(4)各地市公司负荷预测水平越高,对提高省公司的负荷预测精度越有利。如果上述条件1、2和3比较理想,即便各个地市局负荷预测水平比较差(如偏差达到15%或以上),省公司负荷预测精度仍然能够达到比较理想的结果。

2 预测方法的简化处理

根据上述分析,基于下级地市公司的负荷预测结果获得省公司的负荷预测结果的关键是求k。虽然k值理论上是各个地市公司负荷之和的函数,但对于省网而言,根据大量的历史数据可得,k值波动幅度不大,并保持相对稳定。为了简化预测方法,可以根据历史负荷计算k值,将其作为常数处理。

公式如下:

undefined

比如,根据省公司2007年1月23日的历史负荷预测2007年1月24日的负荷,可以取省公司2007年1月16日～1月22日(一周)的历史上各个时段的实际负荷,求和之后除以各地市公司各个时段实际负荷之和,从而求出k值。

根据(2)式获得k值后,将各个地市公司的预测负荷相加,再由(1)式便可计算出省公司预测负荷。

根据上述原理,可以先采取某种预测方法,对各个地市进行预测,再形成地市公司负荷之和;然后计算统计口径,最终得出省公司预测负荷。

3 计算实例

使用上述方法,对江西电网部分日期进行了预测,预测结果如下:

(1)气象异常日(高温、气象条件波动大的日期)

以2006年8月12日为例,各地市预测平均偏差统计如表1所示:

采用本文算法预测省网负荷,预测平均偏差为4.03%。

从表1可以看到,平均偏差低于全省预测偏差的地市只有C和D两个;其他地市预测偏差都高于全省;各个地市预测偏差的平均值为7.11%;全省的预测偏差为4.03%。可见,各个地市预测偏差相互抵消的程度比较高。

其他若干个气象异常日的预测偏差情况如下:

2006年8月13日偏差:7.67%;

2006年8月14日偏差:6.82%;

2006年9月4日偏差:6.84%。

(2)气象正常日

以2007年1月11日为例,各地市预测平均偏差统计如表2所示:

采用本文算法预测省网负荷,预测平均偏差为2.32%,明显低于每个地市的预测偏差。其他各气象正常日采用上述方法预测,偏差如下:

2007年1月12日偏差:1.42%;

2007年1月13日偏差:2.10%;

2007年1月14日偏差:1.36%。

从以上数据可以看出,采用本文所提出的方法,对提高短期负荷预测精度具有较大的意义。

4 结论

本文提出了一种基于下级短期负荷预测的新方法,即利用各地市公司负荷预测数据预测省公司负荷的方法。由于各个地市公司负荷相互独立,根据中心极限定理,大量相互独立的随机变量之和在每个随机变量对总和的影响都很微小的情况下,近似服从正态分布。所以,在各个地市公司负荷预测数据既有正误差、又有负误差的情况下,各负荷预测数据相加之后,正负误差可以相互抵消,从而减小省公司负荷预测误差。这一负荷预测新方法对提高省公司负荷预测精度具有一定的积极意义。

摘要：省级电网企业要求下级电网企业(地市公司)对辖区内的网供负荷进行预测。下级单位的负荷预测含有该区域内较多的信息,充分利用下级单位的负荷预测结果,可以提高短期负荷的预测精度。针对在利用下级单位负荷预测结果时统计口径不一致的问题,提出了利用下级单位负荷预测结果提高省级电网负荷预测精度的具体方法。算例表明,提出的方法是有效可行的。

关键词：短期负荷预测,中心极限定理,省级电网

参考文献

[1]康重庆,周安石,王鹏,等.短期负荷预测中实时气象因素的影响分析及其处理策略[J].电网技术,2006,30(7).

[2]罗军,何光宇,张思远,等.基于负荷点相似的地区短期负荷预测新方法[J].电网技术,2007,31(6).

[3]刘耀年,祝滨,曾令全,等.一种利用可加性模糊系统的短期负荷预测新方法[J].电网技术,2003,27(8).

[4]康重庆,程旭,夏清,等.一种规范化的处理相关因素的短期负荷预测新策略[J].电力系统自动化,1999,23(18).

[5]郑瑞峰.县级电网短期负荷预测方案研究[J].河北电力技术,2006,25(5).

[6]左新南,龚里.县级电网规划负荷预测方法的探讨[J].红水河,2006,25(2).

[7]陈根永,杨丽徙,郑自强.县级城区电网规划研究[J].郑州工业大学学报,2000,21(2).

[8]吴敏敏.地市级电力负荷预测方法初探[J].浙江电力,2002(4).

[9]马丽,张闻宇.基于省级电网的短期负荷预测系统的开发[J].华北电力技术,2003(10).

有关电力负荷的短期预测初探篇8

按照各用电部门的属性可以将电力负荷划分为工业负荷、农业负荷、市政民用负荷、交通运输负荷以及其它负荷等等。由于各个部门的行业性质不同, 其电力负荷的特点也各不相同。其中工业电力负荷的显著特点就是用电量大, 但是比较稳定, 工业用电占全社会用电量的六成以上。工业用户的生产工艺、生产班次不同, 相应的电力负荷也有差异, 通常全日制流水线连续生产企业的用电量最大, 且有较高的负荷率, 三班制企业次之, 两班制企业次次之, 用电量最小且负荷率最低的要数一班制企业。农村用电负荷相对来说用电量最小, 比重只占全社会的百分之五, 农村用电表现出明显的季节性特点, 即月度、季度变化比较大, 单日内则无太大变化, 通常农村用电夏季的负荷率最大, 这是受到农业排灌的影响。市政民用用电负荷的显著特点就是用电量每年都不断升高, 比重大概占全社会用电量的百分之十五。在夏天日间的负荷率有较大起伏, 而冬天则相对较小。造成市政用电日间负荷变化大的主要原因是居民照明、空调、电视机以及电饮具等, 且功率也比较高;各商业负荷集中出现在营业时间, 主要是照明、空调、动力用电以及霓虹灯等用电负荷;市政排水用电量比较稳定, 不过负荷率比较高。交通运输的用电负荷相对最小, 只占全社会用量总量的百分之二, 电车、地铁的负荷比较平稳, 不过在上下班时间会出现一个较大的峰值。其它用电负荷主要是电厂用电以及电网自身的损耗。用户的用电量与电网的损耗功率及损耗电量是成正比关系的。要做出准确的用电负荷, 就要经过多方面的调查, 收集更全面的内部资料与外部资料, 主要包括预测地区历年的国民经济与社会发展情况;电力系统的运行状态、用电结构以及用电量;预测地区的经济增长情况;大型用户的用电计划以及动力资源与自然资源情况;各主要变电站日常运行记录;无功设备安装容量、电压以及频率等参数的统计分析等。

二、导致电力负荷发生变化的主要原因

造成电力负荷发生变化的主要原因包括以下几个方面:第一, 工业生产, 通常连续性生产的企业有着稳定的电力负荷, 而二、三班制企业在交接班时的电力负荷比较小, 其它的时间相对稳定, 而一班制的企业用电负荷白天比较大, 而晚上比较小, 所以日负荷起伏较大。第二, 作息时间的影响, 通常白天上班时间有较高的用电负荷, 从傍晚到凌晨的负荷是最大的, 深夜为最低点, 白天中午休息时间的负荷也比较低。第三, 季节因素的影响, 通常由于居民用电的习惯、用电设备的增长与大修、农业排灌等因素会造成一年中每个季度的用电负荷存在明显差异, 且在年内呈现出一定的规律性。第四, 气候的原因, 电力负荷受气候因素的影响十分明显, 比如日间光线不足会增大照明负荷, 而高温天气则会提高空调设备的负荷。第五, 节假日的影响, 一些法定节假日、学校的寒暑假、重大的政治事件等等均会明显的影响到某一地区的电力负荷变化规律。由此可见, 对电网负荷进行短期预测最显著的特点即为周期性、非平稳性, 大周期包含了小周期, 而且负荷序列取值不同会直接影响到负荷的波动幅度。

三、短期负荷预测的预处理

电力短期负荷尽管呈现出一定的规律性, 但是其随机性也很明显。分析预处理所收集的资料, 就是对历史资料中的突变值的平稳化与缺失数据进行补遗, 如果出现异常数据, 可以采取水平处理与垂直处理的方法。所谓的数据水平处理就是在数据分析过程中, 以前后两个时间的负荷数据为基础, 将待处理数据的最大变动范围设定出来, 如果待处理数据超出了设定范围则为不良数据, 利用平均值将其变化进行平稳。而数据的垂直处理则是指在预处理负荷数据时, 将二十四小时内的小周期, 即在不同日期的同一时刻的负荷具有相似性, 则该时刻的负荷值要保持在相应的范围内, 如果超出该范围则要进行修政, 使其为待处理数据近几天该时刻的负荷平均值。

四、负荷预测的方法

负荷预测模型概括了统计资料的所有轨迹, 模型的种类也各不相同, 所以资料不同所选择的预测模型也应该有所不同。在建立预测模型时的注意事项包括以下几点:第一, 要能够将电力负荷在季度、周、日等小周期内的波动特点反映出来;第二, 可以将负荷的自然增长规律反映出来;第三, 可以将气象因素, 比如气温或者日照等反映出来;第四, 节假日的负荷变化不同于正常日期, 所以要另外建立针对性强的负荷模性, 提前对节假日的用电负荷做出预测。

(一) 神经网络预测方法

随着人工智能的不断发展, 短期负荷预测中也开始应用人工神经网络, 其优势主要体现在其具有模拟多变量, 对于输入的变量无需做过多、复杂的相关假定。仅仅利用所观察的数据就能够从训练过程中通过学习来抽取与逼近隐含的输入与输出非线性关系, 而无需凭借专家经验。神经网络的代表模型为误差反传网络, 即BP网络, 其属于带有隐层的前馈型神经网络, 具备结构简单、算法完整且清晰的特点, 所以电力负荷的短期预测大多数应用这种模型。在进行短期负荷预测时采用人工神经网络的方法, 可以使得短期、平稳、随机过程的预测问题得到有效的解决, 而且一些针对样本数据与参数以及神经网络级联的改进方法, 使得神经网络预测法的精度在一定程度上得到了明显的提高。不过神经网络预测法也有一定的不足, 比如较慢的收敛速度, 可能收敛到局部最小点;且对训练样本要求比较高, 要求训练样本数据的数量比较多, 训练时间也相对较长, 如果样本中存在不良数据或者坏数据, 则神经网络对这些数据无法适应, 造成其学习产生偏差, 最终对预测的精确性产生影响;此外神经网络表达知识比较困难, 无法将调度人员经验中的模糊知识充分的调用起来。

(二) 模糊预测模型

该方法是利用规则的形式表达已有的工作经验、历史数据记录或者二者的综合, 然后将其转化为计算机能够识别的算法, 最终顺利完成各种任务。以模糊理论为基础建立的预测模型在近几年在电力负荷短期预测领域比较热门, 该模型主要的研究方向为系统建模、选择预测算法以及改进算法。通常要想取得更为理想的预测结果, 往往要将模糊理论与其它方法结合起来, 比如模糊指数平滑法与模糊线性顺归法相结合。通常在中长期的电力负荷预测中会采取模糊理论结合其它理论的预测方法。与其它预测方法相比, 模糊系统结合神经网络的预测模型效果相对更好, 该方法使得神经网络与模糊系统的优点充分发挥出来, 将二者结合提出了模糊神经网络的概念。虽然二者的表述与处理方法各不相同, 但是他们的互补性却比较强。

(三) 小波预测模型

小波分析是一种用于信号时频局部化分析的方法, 其具有自适应变化的时频窗口。现阶段在电力负荷短期预测领域, 小波分析法的研究还处于一个初步阶段。该方法是通过伸缩与平移基小波, 多尺度细化分析函数或者信号序列, 所以其具有良好的时频局部化特点。小波变换是把时频信号表示为若干描述子频带的时域分量之和, 因此可以在多时间尺度意义下利用小波分析法对系统进行研究。在短期电力负荷预测中应用小波分析, 以变化频率将负荷做出分类, 而电力系统自身呈现出以年、季、月、周以及天为周期产生波动的特点, 因此可以利用周期自回归模型对分解序列进行有选择的预测。

(四) 灰色预测模型

灰色系统理论是把所有随机变化量视为在固定范围内变化的灰色量, 灰色预测模型常用的方法有两种, 即累加生成与累减生产, 无序的原始数据经过处理变成有序的数据列, 如果某预测系统利用灰色模型进行预测, 对其微分方程的时间响应函数进行求解, 即可得出所求的灰色预测模型, 经过相应的校验与修正, 就可利用该模型对未来的数据做出预测。不过灰色模型也存在一定的不足, 灰色系统是呈指数变化的模型, 其预测精度受对象变化规律的影响比较大, 如果原始数据有较大变化则预测精度也就相应的降低。

摘要：所谓的电力负荷短期预测指对一年以内用户需求用电量的预测, 其包括小时预测、日预测、周预测以及月预测。通常短期预测是预测电功率。在短期内用户需求电量呈现一种随机起伏的状态, 其以过去负荷为基础, 用户负荷变动、系统内部设备检修以及重大事件与气候变化等因素均会对其产生影响。所以对电力负荷进行短期预测可以为经济调度、发电机组的停启、错峰避峰用电等有着重要的现实意义。

关键词：电力负荷,短期预测

参考文献

[1]高庆敏, 孟繁为, 王利平.智能电网中电力负荷短期预测数据挖掘模型[J].华北水利水电学院学报, 2011 (3) .

[2]刘文博.合肥市电力负荷短期预测模型探讨[J].安徽电子信息职业技术学院学报, 2012 (1) .

[3]康重庆, 夏清, 刘梅.电力系统负荷预测[M].北京:中国电力出版社, 2007.

电力系统短期负荷预测方法综述篇9

1 基于短期负荷的预测特点

对于短期电力负荷来讲其预测便是基于在电力负荷以及相关的历史数据对模型进行全面的建立，从而使得新世纪型的电力负荷更具备科学性和全面性。对于短期负荷所面临的事件不确定性以及其随机性，包含了各种特点： (1) 在预测的结果上其短期的负荷存在着一定的不确定性。 (2) 不同的负荷预测方法存在相应的条件性。 (3) 短期负荷预测在时间上各有不同。 (4) 预测的结果包含多方案性。

短期负荷预测精度的影响因素： (1) 以往历史数据。 (2) 自然天气情况。 (3) 其日期类型。 (4) 负荷预测模型。 (5) 相关社会事件等。

2 简述短期负荷预测方法

短期负荷由于受到来自不同方向的因素影响，面临时间序列问题上其随机的过程表现的很不平稳，就算面临的影响因素包罗万象，不过在这些因素中都存在一个特点那就是有规律性。能够为实际预测打下基础，其短期负荷预测的方法大致分为四类。

2.1 经典性负荷预测法

2.1.1 回归类分析法。

将相关的历史数据在变化上的规律同负荷在影响上的相关变化因素，来对自变量还有因变量在二者之间所出现的共同的关系作一个寻找还有它回归的方式。从而对其模型参数作一个确定，能够推测出在未来时刻的相关负荷值。对于该方法存在着计算原理和结构形式简单其预测的速度较快的优点，在缺点上存在着针对历史数据要求高，其复杂的问题是通过线性的方法来进行描述，所以其精度低结构简单。就这些缺点来看，对于在负荷在预测中的影响是做不了详细的描述的，而且在描述的过程中，只有基于丰富的经验以及技巧下其难度才不会很高。

2.1.2 时间序列法。

利用不同时间段之间的间隔来对电力负荷进行历史数据的采集上，对于这个方法将其叫做时间序列。在现代电力系统的短期负荷预测来讲，其时间序列法在算法中与其它方法相比较要成熟的多。在这个方法下可以对电力负荷的历史数据来进行电力负荷数学模型建立，其特点是可以随时间变化。这个模型主要是预测未来负荷的。这个方法的优点在于在历史数据的需求量上较少，其工作量比较小而且在计算的速度是比较快的，能够将在近期里负荷的变化连续性反映出来。不过对于建模的过程中其程序的建设是极为复杂的，在过程中需要高的知识理论进行模型的建设。而且就原始时间序列来说，在其平衡性上必须具备高性能。综上所述，针对时间序列法就只能在那种各方面来讲都比较均匀的短期负荷中进行预测。可是在对负荷的考虑因素中没有考虑的很合理的以及自然天气变化等不确定的因素下，就会导致其预测的误差会很大。

2.2 传统方法

2.2.1 负荷求导法。其负荷序列为P (i） (i=1, 2, 3…），其负荷求导法的预测公式为：

其中Δp (i) fore里i点对于负荷变化率的预测值是：

就这个方法的优点来讲，在对原理的表达上清楚且又方便。在电力的负荷变化率上必须达到规律及稳定性的高要求，在预测的误差上具有累计的效应。

2.2.2 类似日法。

对于类似日法而言，是把即将预测的日类似的负荷进行一个修改，然后得到预测日的负荷。这个方法用的是某种差异的评价函数，也就是在进行与预测日负荷最为类似的类似日的寻找时，则即将预测的负荷日的参数所进行的修正。

2.2.3 卡尔曼滤法。

在电力负荷中又把它叫作状态空间法，是一个把负荷分解成能够确定的分量以及随机分量的原理。在反映未来系统的状态上可以利用对于预报的方法来获得新的相关数据，在组合的过程中就会得到新的预测模型信息，提升预测值的准确性。

2.2.4 指数平滑法。

指数平滑法是利用电力系统负荷趋势外推测技术。为了达到平均的效果可以对其利用加权的形式，再加计算过程里的新数据其相关的权系数进行加大，也可以将陈旧的数据的权系数进行减小。在时变性的体现过程上，能够将近期的数据反映到影响未来负荷的程度值上，这个方法的作用主要是采用其平滑来对存在序列里的随机波动进行消除。

2.2.5 灰色预测方法。

灰色预测这个方法主要是对系统中存在着不确定的因素进行的一个专门预测，是利用灰色模型里的微分方程中的单一指标来对电力系统进行预测。可以根据模型预测未来的负荷，这种方法适合在贫信息的条件下进行分析与预测。

2.3 智能型预测法

2.3.1 专家型系统法。

基于对知识程序的设计来建立计算机系统，而且还拥有了相关领域里的专家知识以及经验，通过推理来对未来进行预测。

2.3.2 人工神经网络法。

神经网络能够处理大量随机性以及非线性关系因素的问题，是建立在过去某时间的负荷上作为训练的样本，进行网络结构的构建。

2.3.3 模糊类预测法。

主要用到了模糊预测法中的模糊数学理论所包含的负荷预测这一现代新技术来进行的建立，对于电力系统中发生的模糊现象可以通过对其概念来进行描述。

2.3.4 综合模型预测法。

在实际运作里，就历史负荷数据所具有的复杂性与随机性，来对单一模型进行预测，是难以达到一个准确可靠的效果的，需要联系实际中各种算法的优缺点，将它们进行有效的结合，才能够提高其预测的精度。

2.3.5 小波分析法。

因为电力负荷具有特殊的周期性，它能够将各类组合为一体频率再由对组合的发展形式演化成一种全新的所谓的混合型信号，这个信号能够把不同的频带块信号进行有序的分解，将其产生的负荷序列来进行小波变换的过程，把小波分析方法运用到电力系统短期负荷预测中。

2.4 短期负荷预测新方法

2.4.1 混沌理论。

混沌时间的序列预测方法是才兴起的负荷预测计算方法。对于系统状态下的变量，将所需要的相关动力学的信息涵盖到系统里的任何一个变量在时间的序列上去。然后对于单变量进行时间序列重组到重构相的空间中去，但是其空间状态的轨迹所进行的是数据保留更改。

2.4.2 支持向量机。

它是一种在统计学习的相关理论上所进行的一种预测的方法，是一个将经典进行二次规划的一个问题所在，这样的方法可以快速的避免局部进行最优解同时也是唯一一个全局最优解。

2.4.3 数据挖掘。

对于数据隐含或未知的含义，我们可以采取挖掘的形式来处理，同时在其具体的决策中我们能根据知识的一定规则来进行知识的提取，而这种挖掘主要以概念及规则等形式来表现知识的提取。

3 结语

通过对短期负荷预测方法所进行的综合性的比较与分析，能够更好的将各种短期负荷预模型上所存在的优缺点指出来。在实际的操作中，可以把短期负荷所具有的特征和影响因素进行一个灵活地选用预测模型。

摘要：本文主要是针对电力系统的短期负荷预测的概念和意义进行综述, 就短期负荷预测的一些特点及其影响预测精度的各方面原因进行总体的分析。在目前的预测方法里, 主要有经典的预测方法和传统的预测方法以及智能预测方法和预测新方法。从这些预测方法入手进行综合的应用原理分析, 比较其不同预测方法的优点及不足的地方。并且提出了短期负荷预测的精度提升了, 不仅在历史的数据上重视了其积累, 还应重视在预测的模型选择上要合适, 综合型预测模型在未来电力负荷预测方法的必然性。

关键词：电力系统,短期负荷预测

参考文献

[1]廖旎焕, 胡智宏, 马莹莹等.电力系统短期负荷预测方法综述[J].电力系统保护与控制, 2011, 39 (1) :147-152.

[2]路轶, 王民昆.基于短期负荷预测的超短期负荷预测曲线外推法[J].电力系统自动化, 2006, 30 (16) :102-104.

[3]马瑞, 姜飞, Garng M huang等.基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测[J].电力自动化设备, 2012, 32 (2) :81-84.

短期气候预测篇10

收稿日期：20131222

基金项目：国家自然科学基金资助项目（71271084）；国家电网公司2014年总部科技项目65



作者简介：陈宏义（1966-），男，湖南汉寿人，中国能源建设集团有限公司高级政工师，华北电力大学博士研究生

通讯联系人，Email:shlg87@163.com

（1．华北电力大学经济与管理学院，北京 102206；2．中国能源建设集团有限公司，北京 100029）

摘要：短期电力负荷预测作为电网企业的基本工作，其精度的提高对于电网企业运营管理和调度管理具有较大的意义，然而由于电力负荷受到诸多非线性因素的影响，因此得到高精度的电力负荷预测结果是比较困难的.本文首先利用数据挖掘中的kmeans聚类技术对训练集的气象数据进行聚类分析，分析提取相似日，在提取相似日的相关历史数据后，建立支持向量机模型进行短期电力负荷预测.经算例结果证明，由该方法得出的预测结果平均相对误差为0.88%，和同结构支持向量机预测的平均相对误差（1.66%）以及ARMA预测的平均相对误差（3.81%）相比，预测精度得到明显的提高，证明了该方法的有效性.

关键词：数据挖掘；负荷预测；聚类；支持向量机；kmeans



中图分类号：TM715 文献标识码：A

A New Forecasting Approach for Shortterm Load 

Intelligence Based on Cluster Method



CHEN Hongyi1，2, LI Cunbin1, SHI Ligang1



（1．School of Economics and Management, North China Electric Power Univ, Beijing 102206, China；

2．China Energy Engineering Group Co Ltd, Beijing 100029,China）

Abstract:Load forecasting is one of the basic issues of the electric power industry. However, because load has a certain social attributes, the improvement of the accuracy of load forecasting result is a difficult issue. This paper first used kmeans cluster method to find similar data from historical date and weather data, and then used support vector machine (SVM) for forecasting. Seen from the result, the proposed method's MAPE is 0.88%, but BPANN and ARMA are 1.66% and 3.81% respectively. It is proved that this method has a high accuracy.

Key words: data mining; load forecasting; clustering; support vector machine(SVM);kmeans



随着电力工业市场化的进展，短期电力负荷预测精度的提高对电网企业的电力调度安排，电网调度自动控制，电网企业的营销行为具有十分重要的意义[1].20世纪80年代，国外学者Bunn和Farmer在研究负荷预测精度对电网企业的经济效益影响时就已经指出，负荷误差每增加1%将会增加10 000 000英镑的电力经营成本[2]，因此，负荷预测精度的提高对电网企业而言将会产生较大的社会经济效益.

很多研究负荷预测的学者已经对电力负荷预测的建模问题开展深入研究，其方法包括回归拟合预测模型、灰色预测方法、时间序列分析以及几种方法组合在一起的组合预测方法等.近二十年来，随着人工智能领域的发展，越来越多的研究人员将神经网络为代表的人工智能预测方法应用到负荷预测中，取得了一定的成果.其中人工神经网络由于具有无需先验经验便可以按照任意精度进行非线性拟合的优点，受到了众多学者的青睐，成为近些年来主要的研究方法之一.国内外学者对应用神经网络进行电力负荷预测的文献进行了综述，并指出，和非智能的预测方法相比，神经网络得到的负荷预测结果精度更高[3-6].但是也有学者指出利用神经网络进行预测的缺点是可能收敛于局部最优解，并且在训练时需要大量的样本[7].

支持向量机预测方法的出现极大地改善了神经网络的上述缺陷，具有要求确定的参数少、在理论上有全局最优唯一解的特点，在小样本的条件下被认为是可以替代神经网络的智能预测方法[8].很多学者针对支持向量机在不同领域内的运用展开研究，均取得了不俗的效果，证明了支持向量机的实用性[9-11].但是由于短期的负荷预测受到大量复杂影响因素的多重非线性干扰，如气象、电力的实时需求、经济影响、电力系统的影响、电力市场各参与方、政治活动等.因此，无论模型如何先进，如果不尽可能地考虑这些因素的影响，很难进一步提高负荷预测的精度.

近几年，很多学者意识到利用数据挖掘技术首先对数据进行处理，再利用模式识别技术提取出相应的负荷预测影响相关的知识，能够进一步提高预测的精度.在提取出的相关知识里，尤其是气象相关的知识，如分类[12]、寻找相似日特征[13]等对提高负荷预测的精度作用最大.这表明将数据挖掘技术引入到电力负荷预测中不但是可行的，而且可以提高预测的精度.受此思路启发，本文首先利用待预测日的气象因素，采用数据挖掘中的kmeans聚类算法进行聚类，得到相似日的结果，然后提取相似日的相关历史负荷数据，并利用支持向量机模型对负荷进行预测.由于该预测方法在建模前，首先通过聚类方法找出和待预测日相似的负荷数据样本进行短期负荷预测，因此和传统预测方法利用近期样本进行预测相比，能够有效地进一步提高负荷预测的精度.

1 利用kmeans聚类方法选取相似日数据

聚类分析是对样本或指标按照各自的特性进行分类的一种多元统计分析方法，一般基于距离的标准对样本数据分成不同的类或者簇.和分类相比，聚类不需要先验知识，即，可以在无监督、无指导的条件下进行机器学习.聚类目前应用于很多领域中，包括数学、计算机科学、统计学、生物学和经济学等.聚类算法主要以统计方法、机器学习、智能计算等方法为基础，其中较著名的聚类方法是kmeans划分算法，也是最具有代表性的聚类方法之一.该算法只需要一个参数，即聚类个数k，然后将样本n分为k个簇，分类原则是具有较高相似度的尽量划分为一个簇，而不同簇之间的相似度则尽可能的小.kmeans 算法过程如下[14]：

1）从n个样本中任选k个对象作为簇中心；

2）计算中心外样本和中心之间的相似度（一般采用距离函数）；

3）按照相似度进行分配，具有较高相似度的样本聚类为一簇；

4）计算聚类后所得簇的新的簇中心，并不断重复，直到标准测度函数开始收敛为止.

kmeans聚类的标准测度函数一般采用如式（1）所示的均方差予以计算：

E=∑ki=1∑p∈Cip－mi2(1)

其中E是所有样本的平方误差的总和；p是聚类空间中的样本点；mi是簇Ci的平均值.

由于短期电力负荷预测受到较多因素的影响，因此能否针对待预测日，利用和待预测日相近日的数据进行预测是进一步提高短期电力负荷预测精度的一个关键步骤.这是因为利用数据挖掘在预测前先选取相似日可以将具有高度相似特征的类似负荷点寻找出来，尤其在利用智能算法对负荷进行预测时，可以避免由于具有不同特征的预测点对智能预测方法训练时产生的收敛慢的问题.利用kmeans聚类方法提取相似日电力负荷数据，结合智能预测模型进行预测的流程如下：

1）针对待预测日/时点，收集相关预测影响因素的数据，如天气，日期类型等，组成一条数据记录；

2）对上述数据记录，针对历史负荷数据中的数据，设定聚类个数k，利用kmeans算法进行聚类寻找；

3）根据聚类结果，记录日期标识，按照预测的“近大远小”原则，选择距离待预测日最近日期的相关历史负荷数据，确定出待预测日的输入因素，建立智能预测模型进行预测.

2 支持向量机预测模型

本文的智能预测模型选取的是支持向量机 (support vector machine，SVM)，该模型是Vapnik于20世纪90年代中期提出的一种新的智能学习方法，起先用于非线性的模式识别问题，随着应用领域的不断扩展和对支持向量机研究的深入，支持向量机逐渐应用于非线性的拟合中，表现出了良好的性能，并且由于支持向量机利用结构风险最小化代替了神经网络的经验风险最小化对网络结构进行训练，因此具有较好的泛化能力，在理论上能够搜索到全局最优解，能够克服神经网络易陷入局部最小值的缺点.由于支持向量机在小样本的条件下学习速度快，因此可以认为支持向量机方法是可以在小样本条件下取代神经网络方法的较好的选择.

支持向量机进行非线性拟合预测方法的原理如下[1]．

假设有训练样本集G={(xi,di)},i=1，…，N,xi∈Rn，di∈R1.支持向量机回归的基本原理是通过映射将数据映射到一个高维特征空间中，并在该空间中寻找一个输入空间到输出空间的非线性映射

Symbol`@@

ψ(x)，其回归函数如下：

y = f(x)=wψ(x)+b （2）

其函数逼近问题等价于如下函数最小：

R(C)=(C/N)∑Ni=1Lε(di,yi)+‖w‖2/2 （3）

Lε(d,y)=0 d－y≤εd－y－εotherwise （4）

其中‖w‖2/2表示平滑程度，Lε(d,y)为ε敏感损失函数.

通过引入两个松弛变量ζ，ζ*，上述函数可以变成如下形式：

R(w,ζ,ζ*)=‖w‖2/2+C∑Ni=1(ζi+ζ*i)s.t.wψ(xi)+bi－di≤ε+ζ*i,i=1,2,…,Ndi－wψ(xi)－bi≤ε+ζi,i=1,2,…,Nζi,ζ*i≥0,i=1,2,…,N （5）

利用拉格朗日型和KarushKuhnTucker条

件，解其对偶问题，可以得到支持向量机回归函数：

f(x,β,β*)=∑Ni=1(βi－β*i)K(x,xi)+b （6）

式中K(x,xi)称为核函数，需要满足Mercer条件，一般选取最常用的高斯核函数K(x,

Symbol`@@

xi)

Symbol`@@

Symbol}@@

exp(

Symbolm@@

‖

Symbol`@@

x

Symbol`@@

Symbolm@@

Symbol`@@

xi

Symbol`@@

‖2/2

SymbolsA@



Symbol`@@

2).

3 实证分析

本文以我国南方电网某地市级电力局的日整点负荷数据为例进行实证分析.利用聚类分析的因素数据有日期类型数据、气象数据（包括气压相关数据、气温相关数据、湿度相关数据、降水量、人体舒适程度等）共12项属性相关数据,共组织形成54条记录形式，将最后1条数据作为测试记录使用.其具体数值如表1所示.

接下来对这些记录进行预处理，对于标识型的数据，利用数值予以替代.以星期为例，分别用0，1，…，6代替星期日，星期一，…，星期六，对于原本是数据类型的属性值，利用等距离方法将其离散化，从而得到初始分析记录集.

对于支持向量机模型的训练，按照相关文献，将输入层节点选取L(t－24i),L(t－j)，其中i=1,2,3;j=1,2，即，使用待预测时点的前三个时点和同一聚类中的日期待预测时间最近两天的同一时点的数据作为输入变量.此外，为方便对比分析，选取同结构的支持向量机，即，使用待预测时点的前三个时点和前两天的同一时点数据作为输入变量，同时，利用自回归滑动平均模型ARMA(1，1)对上述数据分别进行预测.实验计算环境选择matlab2011a，libsvm2.8.8软件包，误差对比分析采用平均相对误差eMAPE，计算结果如表2所示.

eMAPE=1n∑ni=1A(i)－F(i)A(i)×100% （7）

从图1和表2中可以明显发现，本文提出的方法具有较高的精度值，并且在大多数预测点上均表现良好，平均误差值达到了0.88%，而同结构未进行聚类寻找相似数据的支持向量机预测的平均误差为1.66%，根据ARMA（1，1）得到的预测平均误差为3.81%.从误差对比中可以直观地看出，本文的方法具有更高的拟合精度.

表1 处理后的待聚类数据集

Tab.1 Clusters data set to be processed

月

日

周

最低

温度

/℃

最高

温度

/℃

7：00

温度

/℃

16：00

温度

/℃

最大

湿度

/(%rh)

最小

湿度

/(%rh)

人体舒

适程度

26.5

32.6

0.85

0.5

26.3

32.4

0.85

0.5

28.2

32.2

0.85

0.5

25.6

33.1

基于模糊插值模型的短期负荷预测篇11

短期负荷预测是电力系统安全经济运行的基础,已逐步发展成为电力系统自动化领域中的重要研究方向之一。由于电力系统是一个时变参数和具有动态特性的大系统,各种传统的负荷预测技术已经越来越难以满足电力部门的要求,建立高质量的负荷预测模型愈显得重要和迫切[1]。而对难于建模的模糊系统,常常借助于模糊辨识方法来解决问题。常用的模糊辨识[2]方法有:直接建模法、相关分析法、基于参考模糊集的模糊辨识方法、加权动态聚类分析法等。文献[3,4]提出了基于模糊推理的模糊插值建模方法,主要用分片线形插值函数来描述系统的非线性。为了进一步提高基于模糊插值的模糊系统辨识的适用性,对一般非线性系统,本文提出了一种基于参数可调隶属函数的模糊插值建模方法。设计了一类参数可调的隶属函数,用它作为插值函数,调整其参数,从而可改变函数的形状,使之能逼近常用的三角形、高斯型等隶属函数,于是得到一个较适用的模型框架,将其应用于短期负荷预测,获得良好的效果。

2 基于参数可调隶属函数的模糊插值建模

首先考虑系统的自由运动(即输入u(t)=0)的建模问题。设Y=[a1,b1], $\dot{Y} = [a_{2} ‚ b_{2}]$ ,分别为y(t)、 $\dot{y}$ (t)的论域,即y(t)∈Y, $\dot{y} (t) \in \dot{Y}$ ,A={Ai}(1≤i≤p),B={Bi}(1≤i≤p)分别为相应论域上的模糊划分(即基元组),其中Ai∈F(Y), $B_{i} \in F (\dot{Y})$ 叫做基元,yi, $\dot{y}$ i分别是Ai,Bi的峰点,满足条件:a1≤y1≤y2≤…≤yp≤b1,视A,B为语言变量,由此形成一组模糊推理规则库,如下所示:

if y(t) is Ai then $\dot{y}$ (t) is Bi (1)

定义参数可调隶属函数:

$A_{i} (x) = \exp (- | \frac{x - x_{i}}{d} |^{c}) (i = 1 ‚ 2 ‚ \dots ‚ p) (2)$

函数是以yi为轴的左单调递增右单调递减函数,满足凸函数的要求,可以作为插值基函数。其中c,d为可调参数。在上面假设条件下,基于式(1)的一般非线性系统的自由运动可用如下带参数的插值模型描述:

$F (x) = Σ_{i = 1}^{n} A_{i} (λ_{i} ‚ θ) \cdot y_{i} (3)$

可调参数为λi,c,d,记θT=(c,d)。

证明:

当x(t)∈xi,xi+1时,由式(1)并注意插值函数的构造,有:

$\begin{array}{l} F (x) = Σ_{i = 1}^{n} A_{i} (x) \cdot y_{i} = A_{i} (x) y_{i} + A_{i + 1} (x) y_{i + 1} \\ = \exp (- | \frac{x - x_{i}}{d} |^{c}) y_{i} + \exp (- | \frac{x - x_{i + 1}}{d} |^{c}) y_{i + 1} \end{array}$

由于x(t)是xi,xi+1的内分点,于是有:

$x (t) = \frac{x_{i} + λ_{i} x_{i + 1}}{1 + λ_{i}}$

$λ_{i} = \frac{x (t) - x_{i}}{x_{i + 1} - x (t)} (4)$

所以

$| \frac{x - x_{i}}{d} |^{c} = | \frac{λ_{i} (x_{i + 1} - x_{i})}{d (1 + λ_{i})} |^{c}$

$| \frac{x - x_{i + 1}}{d} |^{c} = | \frac{x_{i} - x_{i + 1}}{d (1 + λ_{i})} |^{c}$

故Ai(x)和Ai+1(x)均化为可调参数λi和θT=(c,d)的函数,于是当x(t)∈X时,有式(3)存在。

插值函数中的参数c,d影响函数的形状。当d确定,c越大,函数形状越接近矩形,灵敏度差,所以c的取值应尽量小。当c确定,d越大,灵敏性越好,所以d取值应尽量大。

3 基于粒子群的参数优化算法

这里采用粒子群优化算法[5](PSO)优化模型中的参数c和d。

设在一个D维的目标搜索空间中,有m个粒子组成一个群落,其中第i个粒子的位置为xi=(xi1,xi2,…,xiD),其速度vi=(vi1,vi2,…,viD)。在每次迭代中,粒子通过跟踪两个“极值”来更新自己。记第i个粒子本身搜索到的最优位置为pbesti=(pbesti1,pbesti2,…,pbestiD),整个粒子群搜索到的最优位置为gbest=(gbest1,gbest2,…,gbestD)。

vid(k+1)=wvid(k)+c1r1pbestid(k)-xid(k)

+c2r2gbestd(k)-xid(k) (5)

xid(k+1)=xid(k)+vid(k+1)

(i=1,2,…,m;d=1,2,…,D) (6)

式中:c1,c2——学习因子,c1≥0,c2≥0;r1,r2——随机数,r1,r2∈[0,1];vid∈-vmax,vmax,vmax为常数,由用户设定;w——非负常数,称为惯性权重,用来控制历史速度对当前速度的影响程度,一般在[0.1,0.9]之间取值。

将PSO作为学习算法来优化模型中的参数关键在以下两点:

(1)建立PSO粒子的维度空间与系统参数之间的映射。粒子群中每个粒子的维度分量都对应为系统的一个参数,也就是说模糊系统有多少个参数,作为学习算法的PSO中的每个粒子就应该有多少维。

(2)使用模糊系统的均方差作为PSO的适应函数,通过PSO算法强大的搜索性能使系统的均方差最小化。因此给出PSO的适应函数如下:

$Μ S E = \frac{1}{2} Σ_{i = 1}^{n}$ $y_{s} - Σ_{i = 1}^{n} A_{i} (λ_{i} ‚ θ) \cdot y_{i}$ 2 (7)

式中:ys——期望输出,当x(t)∈xi,xi+1取p个等间距离散点时,则λi有计算公式:

$λ_{i} = \frac{i}{p - i} (i = 0 ‚ 1 ‚ 2 ‚ \dots ‚ p - 1)$

下面给出基于粒子群算法的参数优化步骤:

步骤1:确定输入论域X。求出x(t)的最大值xmax和最小值xmin,论域X=xmin,xmax。

步骤2:计算峰点。给定插值点数n:

$h = \frac{x_{\max} - x_{\min}}{n - 1}$

按下式计算等距划分的节点(即峰点)λi:

λi=xmin+(i-1)·h (i=1,2,…,n)

步骤3:初始化粒子群,包括群体规模,粒子维度,每个粒子的位置和速度。设定最大惯性权值ωmax,最小惯性权值ωmin,学习因子c1、c2,最大速度vmax,误差精度ε和最大迭代次数Tmax。

步骤4:粒子的个体极值pbesti和全局极值gbest初始化,pbesti=gbest=∞。

步骤5:计算每个粒子的适应度值。

步骤6:对每个粒子,用它当前的位置与其极值pbesti比较,如果当前的位置所对应的适应度值较好,则用当前位置替换pbesti。

步骤7:每个粒子的个体极值pbesti都要与全局极值gbest比较,若有某个粒子的个体极值pbesti优于全局极值gbest,则gbest被pbesti替换。

步骤8:根据式(5)、(6)更新粒子的速度和位置。

步骤9:如果满足结束条件(误差足够好或到达最大迭代次数),那么循环结束,继续执行步骤10;否则,回到步骤5。

步骤10:全局极值gbest与优化问题的最优解对应。

4 短期负荷预测仿真

电力系统是个典型的非线性系统,负荷作为电力系统的重要组成部分,也体现出非线性的特性。这种特性表现在一系列负荷历史记录中呈现一种数值上的随机变化状态和负荷变化的周期性。一般随温度及日照小时的季节变化,负荷模型逐渐发生变化,但对于短期负荷预测来说,季节相对于每天24 h是缓慢变化的,因此,当以近几日负荷为基础,构成基本负荷,对未来24 h负荷进行预测时,就不用考虑季节因素了。利用负荷历史记录,得到如图1的一周日小时负荷曲线。

从图中可以看到负荷的日期变化特点,尽管每日负荷有一定随意性,但负荷曲线在形状上有一定相似性。负荷不仅有按天的周期变化特性,还有按星期的周期变化特点。大致呈现出周末两天负荷较低,工作日负荷较高,这些都与人们的日常生活习惯紧密相连。

依据负荷历史资料建立的模型能否正确描述或较好地反映研究负荷变化过程的特征,还需要进行检验。检验标准就是:实际观测到的样本序列值yt与预测估计得到的样本值 $\hat{y}$ t之差构成残差序列:

$\hat{a}_{t} = y_{t} - \hat{y}_{t} (t = 1 ‚ 2 ‚ \dots ‚ Ν)$

是不是白噪声的一个样本序列。

图2为实际负荷与预测负荷的残差序列自相关函数,其置信度为95%,根据规定,残差序列是白噪声样本序列,所以所要检验的随机模型是合适的。根据负荷历史记录资料,建立工作日72 h的数学模型并给定模型识别和模型参数估计,确定一个具体的预测模型。每4 h选取一个插值点并选择合适的粒子群算法参数,运行Matlab仿真程序,当达到目标函数设定值时,得到参数c=2.11,d=0.3,此时的插值模型与真实模型相应的比较曲线见图3所示。

取某日24 h的负荷预测结果分析,可以看到,绝对平均误差为2.60%,效果比较理想,而负荷峰值相对误差为5.29%,相当接近合格点(相对误差小于等于5%)的要求,不合格点数非常少。并且预测曲线在负荷波动较大的峰、谷时段的预测效果较好,其它时段拟合也较好。插值模型基本上反映了实际系统的动态特征。参数调节后得到的插值基函数(模糊论域划分),两个相邻模糊集合重叠因子是α=0.5,满足隶属函数完备性中重叠因子0.3<α<0.8的要求;而且隶属函数的形状很合理,近似接近高斯型隶属函数,从而满足了隶属函数的语义性。也就是说,无论从模型的对比曲线和误差数据,还是从调节后参数得到的模糊论域划分分析,这种调节参数的插值模型都是合理的。

5 结束语

基于参数可调隶属函数的模糊插值建模方法在插值点间利用曲线拟合,因此存在一定的截断误差,在一定程度上影响了模型的精度。但常规插值基函数一经确定,建立的模型也随之确定,如果想用其它插值基函数对系统建模时,还要重新建立系统模型,这样不仅浪费资源,也不易实现。建立一个负荷预报程序常常不是一劳永逸的工作,既使一个负荷预报员经过各种判断,决定采用某种方法建立一种模型,也必须在预报的过程中随时对已建立的模型有效地进行校正,以确保这个方法或模型能在较长的预报时间中适用。因此本文设计的一类可调插值函数应用于模糊推理建模,虽然牺牲了一定的逼近精度,但得到的“泛模型”适应度很广,而且如实地反映了系统的动态行为,近似模型对真实模型的逼近程度也很高,能够满足要求。

参考文献

[1]AMJADY N.Short-Term Hourtly Load Forecasting Using Time-Series Modeling with Peak Load Estimation Capability[J].IEEE Transactions on Power Systems,2001,16(4):798-805.

[2]何平,王鸿绪.模糊控制器的设计及应用[M].北京:科学出版社,1997:245-276.

[3]李洪兴.模糊控制系统的建模[J].中国科学:A辑,2002,32(9):72-78.

[4]李洪兴.从模糊控制的数学本质看模糊逻辑的成功[J].模糊系统与数学,1995,9(4):1-14.

【短期气候预测】推荐阅读：

短期风速预测08-13

超短期负荷预测05-27

超短期风速预测05-31

短期预报07-14

短期波动06-25

短期关系07-06

短期运行07-07

短期项目07-11