摘 要：随机时间序列方法更实用于电力系统短期负荷预测，但无法考虑实时气象因素变化的影响。因此，本文提出一种基于时间序列，然后用考虑实时气象因素的神经网络法去优化的负荷预测方法。在时间序列法中，通过大量的历史数据随机序列对负荷进行预测，对于其结果再用考虑实时气象的神经网络预测结果进行修正。算例表明所提方法极大地提高了预测精度。

　　关键词： 时间序列; 实时气象因素; 神经网络;负荷预测

　　The Load Forecasting of Electric Energy Based on Time Sequence and Optimized by Real Time Weather Neural Network

　　Abstract：According to the neglect of the influence of the factors such as real time weather in using time sequence to forecast the load of electric energy, a new method for electric energy load forecasting based on the combination of time sequence and considering real time weather neural network is proposed ,The nonlinear fitting of real time weather neutral network is used sufficiently in this method. In the time sequence, the load is forecasted through vast historical data stochastic sequence. Then its result is corrected by artificial neutral network which considering the real time weather factors. Calculation examples show that the presented method is considerable improved the forecasting precision.

　　Key words: time sequence; real time weather factors; neural network; load forcasting.

引 言 电力系统负荷预测是电力生产部门的重要工作之一，是电力系统运行和规划的依据，准确的负荷预测有利于提高电力系统运行的经济性和可靠性。负荷预测结果的准确性将直接影响调度的结果，从而对电力系统的安全运行和经济性带来重要影响。目前，常用的负荷预测方法有回归法、时间序列法、神经网络法、灰色方法和模糊方法等[1]，其中以时间序列法应用最为广泛。时间序列法中使用最多的是累积式自回归移动平均模型(ARIMA)，对大量数据的随机序列来建模，最后达到预报的目的。它所需建模信息少、运算方便，可以成功应用于电力系统负荷预测[2]。然而，用ARIMA模型进行预测时，只是对历史数据进行建模分析，无法考虑实时气象因素变化对负荷的影响，这必定会影响预测的准确度。利用考虑实时气象因素的神经网络进行负荷预测是最近提出来的负荷预测方法，该模型基于神经网络，力图寻求温度、湿度等气象因素与负荷曲线之间的相关关系和变化规律，实际应用表明该模型和处理策略可以得到更加精确的预测结果[3]。 时间序列法原理和模型 通常负荷的历史资料都是按一定的时间间隔进行采样记录的，对于一个负荷记录来说，其最主要的特点就是负荷总是一个符合某种统计规律的变化量，而由这个变量描述的过程就是一个随机过程。Box-Jenkins法是一类典型的随机时间序列分析法，该方法的基本原理是，负荷序列可以用图1所示的线性滤波器的输出来模拟，滤波器的输入信号为一随机序列,通常称为白噪声。随机输入具有一个零均值和未知的固定方差。

　　图 1 负荷时间序列模型

根据线性滤波器特性的不同，处理单时间序列的时间序列模型可分为：自回归模型(AR)、移动平均模型(MA)、自回归移动平均模型(ARMA)、累积式自回归移动平均模型(ARIMA)等。其中AR主要是应用有限项过去观测值及现实干扰来预测现实值，而MA则是利用现实干扰与过去干扰的有限项来预测现实值，将二者结合起来就得到ARMA模型。以上的AR、MA、ARMA序列称为平稳序列。如果这个序列是非平稳的，必须首先将其转化为平稳序列。这一过程可以通过一个差分过程来实现。引入算子，采用后移算子B，一个一阶差分后的时间序列可以写为：，

更进一步，一个d阶差分后的时间序列可以写为：。差分后的平稳序列可以用AR，MA，ARMA模拟，对于一个需要d阶差分，AR部分和MA部分分别为 p和q阶的时间序列模型可以写为：。由此得到的模型就称为ARIMA模型。

负荷预测中的历史资料是过去负荷按一定间隔的记录，通常具有周期性，为了将周期性因子去掉，可以应用周期后移算子，这里T是周期。这样，原始资料的周期性就可以去掉，则这个模型就不再含有周期性。但还可能有其它的非平稳因素存在，要从一个非平稳随机过程中抽出平稳因子，可以采用差分算子，记作，即：。

这样就可得到如下的ARIMA模型：。与的阶数分别为p与q，从而这两个多项式的阶数分别是与，并且均应满足平稳性条件与可逆性条件。

通过分析可见，确定模型的问题就成了辨识模型参数p,D,q,与估计两个多项式的有关系数。需特别指出的是，在这里与，,……,是相关的，从而建造另外一个模型：，在这个模型中，是白噪声，它与，，…..无关，与都是B的多项式，而它们的阶数分别为和，因此模型的最后形式变为：。为了确定这个模型;必须确定d,D,p,,q和，以及诸多项式中各有关项系数。通过考察，以及或者更高次差分以后变量的自协方差和自相关函数，来断定d,D.将模型简化为相应的AR，MA，ARMA模型，进而确定，，，，以及多项式中各有关项系数。通过历史数据序列()及()对负荷进行预测[4]。 考虑实时气象因素的神经网络模型 电力系统负荷变化是一个非常复杂的问题，受天气情况等因素的强烈影响，存在大量的非线性关系，同时，节假日与正常日差别较大，负荷的发展规律很难用一个显式的数学公式予以表示。上述的ARIMA模型根据历史数据序列进行预测，无法考虑实时变化的气象因素对负荷的影响，这必然会给预测带来较大的误差。为提高预测准确度，这里建立考虑实时气象因素的BP神经网络。其优点是对大量的非结构性、非准确性规律具有自适应功能，BP神经网络具有较强的非线性拟合能力[5]，尤其对预测中天气、温度等因素更适合处理。

　　这里设计的是三层BP网络，即只有一个隐含层;输出层只有一个神经元，即待预测日某时刻的负荷植。输入层共19个神经元，它们是： 当日的星期类型(用于识别“同类型日”); 当前时段负荷; 当日当前时段的前一时段的负荷; 当日当前时段的前一小时(4时段)的负荷; 当日当前时段的温度; 当日当前时段前一时段的温度; 当日当前时段前一小时(4时段)的温度; 当日当前时段的湿度; 当日当前时段的前一时段的湿度; 当日当前时段前一小时(4时段)的湿度; 上周同类型日的当前时段的负荷; 上周同类型日的当前时段的前一时段的负荷; 上周同类型日的当前时段的前一小时(4时段)的负荷; 上周同类型日的当前时段的温度; 上周同类型日的当前时段的前一时段的温度; 上周同类型日的当前时段的前一小时(4时段)的温度; 上周同类型日的当前时段的湿度; 上周同类型日的当前时段的前一时段的湿度; 上周同类型日的当前时段的前一小时(4时段)湿度; 隐层神经元个数由实验确定，这里选择八个;由于神经网络传统BP算法中有一些固有的缺陷;如容易陷入局部极小，学习收敛速度慢等[5]。为了克服这些缺陷并提高负荷预测准确度，本文采用改进的神经网络法[6]，主要采用如下的指数型能量函数：

 1/2    1 2 下一页 尾页