基于量子神經網絡的短期電力負荷預測.doc

學校代號 10532 學 號 G06009010 分 類 號 TM714 密 級 普通 碩士學位論文基于量子神經網絡的短期電力負荷預測學位申請人姓名 李 程培 養(yǎng) 單 位 電氣與信息工程學院導師姓名及職稱 譚陽紅 教授學 科 專 業(yè) 電氣工程研 究 方 向 電力系統及其自動化論文提交日期 2010年10月06日學校代號：10532學號：G06009010密級：普 通湖南大學碩士學位論文基于量子神經網絡的短期電力負荷預測 學位申請人姓名： 李 程 導師姓名及職稱： 譚陽紅教授 培養(yǎng)單位： 電氣與信息工程學院 專業(yè)名稱： 電氣工程 論文提交日期： 2010年10月06日 論文答辯日期： 2010年10月13日 答辯委員會主席： 李欣然 教授 Short term load forecasting based on Quantum Neural NetworkbyHUANG YinhuaB.E.(Hunan University)2007A thesis submitted in partial satisfaction of the Requirements for the degree ofMaster of EngineeringinElectrical Engineeringin the Graduate Schoolof Hunan UniversitySupervisorProfessor TAN YanghongApril, 2010湖 南 大 學學位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的論文是本人在導師的指導下獨立進行研究所取得的研究成果。除了文中特別加以標注引用的內容外，本論文不包含任何其他個人或集體已經發(fā)表或撰寫的成果作品。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本人完全意識到本聲明的法律后果由本人承擔。作者簽名： 日期： 年 月 日學位論文版權使用授權書本學位論文作者完全了解學校有關保留、使用學位論文的規(guī)定，同意學校保留并向國家有關部門或機構送交論文的復印件和電子版，允許論文被查閱和借閱。本人授權湖南大學可以將本學位論文的全部或部分內容編入有關數據庫進行檢索，可以采用影印、縮印或掃描等復制手段保存和匯編本學位論文。本學位論文屬于1、保密，在_年解密后適用本授權書。2、不保密。（請在以上相應方框內打“”）作者簽名： 日期： 年 月 日導師簽名： 日期： 年 月 日V摘 要短期負荷預測既是電力系統優(yōu)化調度的基礎工具，又是電力企業(yè)日常經營管理工作的重要組成部分，準確的負荷預測是電網調度機構制定發(fā)供電計劃和做好電網供需平衡的關鍵。合理而精準的負荷預測將直接影響到電力系統運行的安全性、經濟性和供電質量。本文首先介紹了負荷預測的分類依據和短期負荷預測的主要特點，詳細論述了已有短期負荷預測的方法以及各種方法的原理、計算過程、適用范圍和基本特征。對比分析了各種預測方法的優(yōu)劣；。然后論述了常規(guī)人工神經網絡理論在短期負荷預測方面的局限性。針對常規(guī)人工神經網絡理論的局限性，論述了量子神經網絡的理論形成和技術優(yōu)勢，得出量子神經網絡能夠很好應用于短期負荷預測的結論。對量子神經網絡的研究現狀進行了分析，論述了已有方法的優(yōu)勢和局限性。最后，介紹了量子神經網絡的基本理論基礎，包括量子計算的基礎知識，量子神經網絡的網絡模型和量子神經網絡的學習方法；文中提出一種QNN網絡結構及其更新算法，給出量子間隔更新式的推導過程。針對QNN收斂速度慢這一情況，引入反正切函數作為隱含層激活函數，并引入了假飽和預防函數，提出了改進的量子神經網絡模型；。最后詳細論述了基于量子神經網絡的短期負荷預測的具體步驟。首先分析了影響負荷特性的主要因素，然后介紹了短期負荷預測中所需的數據去偽和數據量化方法。最后，詳細分析了基于量子神經網絡的短期負荷預測方法在預測日負荷和小時負荷的預測流程。并給出了整個電力系統短期負荷預測模型的具體實例。實例表明，該方法計算簡單，預測精度高，具有很好的實用性。關鍵詞：電力系統；短期負荷預測；量子神經網絡；神經元；負荷特性基于量子神經網絡的短期電力負荷預測馬爾科夫理論在中長期負荷組合預測中的應用AbstractShort term load forecasting(STLF)is not only the basic tool of running and dispatching of power system, but also one of the most important daily contents of management and administration to power enterpriseAccurate short term load forecasting is the key to arrange Generator maintain plan and nergy development strategy. Reasonable and accurate STLF will directly affect the security, ecnomical and power supply quality of the power system.Firstly, we introduct the basis classification rules of the load forecasting, and the main features of the short term load forecasting is also disccused. And then we detailed description the remained short term load forecasting methods including their principles, computing proccessing, application scopes and basic haracteristics. Comparative analysis is also presented among the above methods. The limitations of artificial neural network theory(ANN) appling to the short-term load forecasting is disccussed. Aiming to these limitations, we analysis the theory and technical advantages of the quantum neural network model, and its feasibility to the short term load forecasting is also disccused. Then, we introduct the research situation and its advantages and limitations of the remained quantum neural network model.At last, the basic theory include the quantum computing method, the remained quantum neural network model and some study methods are all introducted.An improved quantum neural network model and updating algorithm are presented. In this improved method, arc tangent function is introduced to the hidden layers active function, and construction of an error saturation prevention function is also introduced. Based on the above model, the detail forecasting step is presented. First, the main reason to the load characteristics is analysis, and then the method of bad data eliminationand and the data quantifying are preseted. At last, the daily and hour short-term load forecasting flowchat is developed. loadThe effectiveness of the method is verified by the results of some practical examplesKey words: Electrical power system; Short-Term Load Forecasting; Quantum Neural Network; Neuron; Load characteristics 目 錄學位論文原創(chuàng)性聲明I摘 要IIAbstractIII第1章 緒 論11.1 研究背景11.2 目的和意義11.3 研究現狀31.4 本文所做的工作5第2章 負荷預測的方法和特點72.1 負荷預測的分類72.2 短期負荷預測的特點82.3 幾種常見的負荷預測方法92.3.1 比例系數增長法92.3.2 彈性系數法92.3.3 回歸分析方法102.3.4 指數平滑法122.3.5 專家系統法142.3.6 模糊預測法152.3.7 灰色預測法152.3.8 組合預測法172.3.9 神經網絡法192.4 常見的負荷預測方法的優(yōu)劣202.5 小結20第3章 量子神經網絡的基本理論213.1 常規(guī)神經網絡的局限性213.2 量子神經網絡理論的形成和優(yōu)勢223.2.1量子神經網絡理論的形成223.2.2量子神經網絡理論的優(yōu)勢233.3 量子神經網絡的研究現狀243.3.1 多層激活函數的量子神經網絡243.3.2 Qubit神經元模型253.3.3 多宇宙的量子神經網絡模型253.3.4 其他量子神經網絡模型253.4 量子神經網絡基本理論263.4.1 量子計算的基礎知識263.4.2 量子神經網絡模型283.4.3 量子神經網絡的學習方法343.5 小結35第4章 改進多層激活函數的量子神經網絡模型364.1 多層激活函數的量子神經網絡模型364.1.1多層激活函數的神經元364.1.2量子神經網絡模型374.1.3量子間隔更新算法384.2 假飽和預防函數394.3 小結40第5章 基于量子神經網絡的短期負荷預測415.1 影響負荷特性的因素415.1.1 負荷構成的影響415.1.2 日類型對負荷特性的影響415.1.3 天氣因素對負荷特性的影響425.1.4 節(jié)假日對負荷的影響425.1.5 電價對負荷的影響435.1.6 隨機因素的影響435.2 預測數據預的處理435.2.1 數據的去偽435.2.2 數據的量化445.3 基于量子神經網絡的短期負荷預測465.3.1 日負荷預測流程465.3.3 小時負荷預測流程485.4 小結50第6章 仿真實例516.1 基本數據516.2 日負荷預測算例516.3 小時負荷預測算例546.4 小結57結論與展望58結論58展望58參考文獻60致 謝65碩士學位論文第1章 緒 論1.1 目的和意義電力工業(yè)是國民經濟發(fā)展的基礎，電力系統通過電力網向各類用戶提供可靠和合格的電能，是實現用戶正常的生產和生活的基本保證。近年來，隨著我國經濟改革不斷深入，國家重構電力工業(yè)結構的步伐也隨之加快，打破行業(yè)壟斷、引入公平競爭、實現電力工業(yè)的市場化已經成為電力改革的重點，電力工業(yè)的市場化趨勢不可避免。在市場環(huán)境下，電能由計劃供應轉為市場化獲取，電能也成為了一種商品，既有它的一般商品屬性，又有其自身的特殊性。作為一般商品，電能在市場交易中，必然與其他商品一樣，要服從價值規(guī)律，按照等價交換原則公平、公開地進行。但電能與一般商品存在明顯的不同，主要表現在：電力行業(yè)是公用性服務行業(yè)，中斷供電或電力供給不足會給國民經濟和廣大用戶造成巨大損失，。因此，實現電力市場化，必須以安全、可靠、優(yōu)質供電為前提，除保持電力供需平衡外，還必須留有足夠的發(fā)電備用容量；其次，電能不能作大量儲存，產、供、銷是同時進行的，瞬間完成，這就需要信息反饋迅速，市場預測準確，電網調度統一。電力系統負荷預測是指從已知的經濟、社會發(fā)展和電力系統需求出發(fā)，考慮政治、經濟、氣候等相關因素，通過對歷史數據的分析和研究，探索各個因素之間的內在聯系和發(fā)展規(guī)律，以未來經濟和社會發(fā)展情況的預測結果為依據，在滿足一定精度要求的意義下，對未來的電力需求做出估計和預測近年來，由于預測的較大誤差，我國多次出現了局部地區(qū)的大面積停電事故，這些大面積停電事故大多是由于非預計負荷而引起的，由于切負荷不果斷而擴大并因切負荷不果斷而擴大。為降低這類事故出現的風險，往往通過配置較大比例的旋轉備用來滿足這些非預計負荷，大量的旋轉備用容量極大的浪費了電力系統的已有資源，使整個電網的經濟運行水平大大降低。目前我國對中長期負荷預測研究得較多，而對短期負荷預測研究得較少1,2。在我國的大多數地區(qū)電網，短期負荷預測都是由調度人員人工通過尋找相似日直觀地預測，這就很大程度上依賴于調度人員的經驗，且一般僅限于提前一天預測，因此迫切需要能自動提前一天或一周預測系統負荷的負荷預測系統，以滿足經濟調度和機組調停的需要，重要的是這一系統應具有規(guī)范化的預測過程，減少對運行人員經驗的依賴性，能夠適用于不同系統并滿足精度要求。在上述背景下,電力負荷預測理論在電力系統的運行和管理中得到了足夠的重視，它已經在成為現代電力系統工程學科中占有重要地位的研究領域。提高負荷預測技術水平，有利于計劃用電管理、合理安排電網運行方式和機組檢修計劃、制定合理的電源建設規(guī)劃、提高電力系統的經濟效益和社會效益，并有利于節(jié)煤、節(jié)油和降低發(fā)電成本。因此負荷預測已經成為實現電力系統管理現代化和智能電網發(fā)展中的重要內容之一。短期負荷預測的重要意義可以歸納為以下幾個方面：(1) 短期負荷預測是電力系統優(yōu)化調度的基礎。準確的短期負荷預測是電網調度機構制定發(fā)供電計劃、合理安排機組啟停和做好電網供需平衡的關鍵。以短期負荷預測和在線實時負荷預報為依據，系統才能有計劃地安排旋轉備用以及不同網間可能實現的功率交換，這是決定系統供電安全水平的重要因素。另外，準確的短期負荷預測有助于運行人員準確地估計電能的生產、輸送、分配和消費各個環(huán)節(jié)的情況，制定出合理的運行方案，確保電網和機組的安全、穩(wěn)定、經濟運行。以短期負荷預測和在線實時負荷預報為依據，系統才能有計劃地安排旋轉備用和不同網間可能實現的功率交換，這是決定系統供電安全水平的重要因素。(2) 在電力市場條件下，短期負荷預測不再是純技術性的問題，它應當是一個技術性與經濟性相結合的問題。同時，其也不再僅僅是能量管理系統(EMS)系統的一部分，它是電力市場制定各種計劃的重要依據而是電力市場制定各種計劃的重要依據。對于發(fā)電單位，短期負荷預測是制定發(fā)電計劃和報價的依據；對供電部門，短期負荷預測為供電方制定購電計劃提供依據；對輸電單位，短期負荷預測也是制定發(fā)電計劃及安全、可靠、經濟運行的基礎。(3) 對電力系統來說，必須為對用戶提供可靠而經濟的電能，以滿足用戶的負荷需求，而另一方面，在確保系統安全的情況下盡量減少實時發(fā)電備用容量。精確的負荷預測，可以使電力企業(yè)經濟地安排機組生產；利用精確的負荷預測對水電系統而言，可以確定最優(yōu)的水庫放水和機組投產計劃；對火電系統而言，可以確定機組按最經濟地組合起停生產；對水火電結合的系統，可確定系統按最經濟的狀態(tài)進行水電火電分配；對聯網的系統，精確的負荷預測不但決定系統按最經濟的線路進行電能傳輸，還可決定系統按最經濟的形式向鄰網輸電和購電。(4) 為用戶提供安全、可靠、經濟、優(yōu)質的電能是電網運營企業(yè)的首要目標，如果電網運營商須沒有按規(guī)定完成網供電量、負荷預測和低谷電量比三大指標。這樣，準確的負荷預測就使得電網運營企業(yè)可以在電力市場中以較便宜的電價購電。1.2 研究現狀電力負荷預測的起源可以追溯到20世紀20年代初。由于當時的電力系統規(guī)模很小，人們對負荷預測并沒有給予足夠的重視，沒有進行相應的理論研究。到60年代中期，隨著世界各國經濟的迅猛發(fā)展，人們對電力的需求越來越大，對電能質量要求也越來越高，加上幾次大的系統瓦解事故的出現，電力系統的安全分析被提上了日程，負荷預測也相應的得到了初步的發(fā)展。這一階段，基本采用經濟領域的預測技術來進行負荷預測。采用的方法大致可以分為比例系數增長法、彈性系數法、時間序列法和回歸分析法。比例系數增長法是一種最簡單、直接的方法。它假定今后的電力負荷與過去有相同的增長比例，用歷史數據求出比例系數，按比例預測未來發(fā)展。該方法思路簡單、計算簡便，但該方法把負荷在若干時間段的增長看成一致，沒有考慮負荷增長的特殊性和復雜性，在實際工程中由于其產生的誤差很大僅能作為大致的估算。電力彈性系數法是常用的一種負荷預測方法，它計算方法簡單，容易理解。對于僅考慮經濟和負荷大小的兩因素的系統時，彈性系數法具有較好的比率關系，預測結果能在接受的范圍內，但對于短期負荷預測中負荷與多個因素的非線性關系，該方法很難得到就好的預測結果。時間序列法是通過對預測對象的歷史觀測數據一時間序列的分析處理，來研究其發(fā)展過程的基本特征和變化規(guī)律，并據此預測未來行為的方法。電力系統的負荷變動同樣具有慣性，在時間上具有連續(xù)性，因而時間序列法成為早期傳統負荷預測技術中的主要方法，并且是現代各種預測方法的基礎。時間序列法3-7分為確定型時序法和隨機型時序法，前者包括時間序列平滑法、趨勢外推法和季節(jié)變動法等；后者包括馬爾科夫法和BoxJenking法等。大量學者對該方法進行了研究，文獻4根據采樣定理和對具體的負荷記錄的觀察提出了負荷預測準確度的上限估計應該在更密集的負荷采樣序列中進行的觀點。文獻5分析了負荷歷史數據，負荷預報模型以及預報誤差之間的關系，構建了一種基于統計分析的負荷規(guī)律性評價方法。時間序列分析法的主要不足在于片面突出了時間因素在預測中的作用，而不考慮外界具體因素的影響，該方法只承認所有影響因素的綜合作用，并在未來對預測對象仍然起作用，并未去分析探討預測對象和影響因素之間的因果關系。回歸分析法8-10屬于相關預測法，它通過建立某些變量與負荷之間的因果關系而獲得預測負荷。由于電力負荷的變化受到很多相關因素的影響，所以采用回歸分析法進行負荷預測是自然的想法和可行的途徑。大量學者對該方法進行了研究，文獻8提出了一種基于改進回歸法的電力負荷預測方法，在對歷史數據進行分析和參數估計的基礎上，先用嶺回歸法剔除奇異值，再用主成分回歸法提取影響負荷的主要因素，得出模型的解析形式。文獻9對偏最小二乘回歸分析在電力系統短期負荷預測中的應用進行了研究。上述方法都是通過先確定變量間的關系然后通過回歸分析求得未知參數，但實際預測過程中由于電力負荷具有非線性、時變性和不確定性的特點，所以要通過清晰的數學方程來表達輸入與輸出之間的非線性關系存在著一定的困難。即使構造出了數學模型，也存在著如模型的定階、求解、識別困難、模型適應性不強、建模所需的數據量大、運算速度慢以及預測精度不高等缺點。從60年代中期到現在，隨著計算機技術和新的智能算法的日新月異，人工智能技術的興起，負荷預測迅速進入了使用智能化負荷預測技術的階段。專家系統、模糊邏輯系統、灰色系統理論和人工神經網絡代表著當今人工智能技術的幾大分支，它們都在負荷預測領域逐步得到應用。專家系統方法11-13是使用專家知識建立預測規(guī)則的一種方法。專家系統主要是將在某方面專家在實際工作中對事物獲得的感性認識進行提取，建立知識庫，并在系統的實際運行過程中對知識庫不斷進行更新和維護，以跟隨事物的變化軌跡，達到模擬專家的目的。大量學者對該方法進行了研究，文獻11利用專家經驗，模仿專家處理問題的方法，設計了一個模糊專家系統，對負荷預測結果進行修正，以提高負荷預測精度。文獻12將人工智能中的事例推理技術引入到電力系統短期負荷預測中，針對傳統規(guī)則專家系統知識獲取的瓶頸問題，事例推理充分利用另一種知識資源來解決新的預測問題。文獻13提出決策樹與專家系統相結合的負荷預測系統。這些方法的制藥優(yōu)點在于很好地處理了氣象及特殊事件等干擾因素，該方法的預測精度基本上達到了令人滿意的效果，但把專家知識轉換為一系列的數學規(guī)則在目前情況下是較難實現的。模糊預測方法14-19通過對相關歷史數據進行加工處理，提煉出負荷變化的若干種典型模式，進而由影響負荷變化的相關因素的未來狀態(tài)去判定未來負荷變化屬于哪種模式，從而做到負荷預測的目的。其僅僅是模擬專家的推理和判斷方式，并不需要建立精確的數學模型。由于電力系統中許多現象是不精確的、模糊的，而模糊理論中的“隸屬函數”可比較明確的描述專家的意圖。故該方法應用到電力系統中較為適宜。大量學者對該方法進行了研究，文獻14將模糊聚類分析和粗糙集理論結合在一起對電力系統短期負荷進行預測，該文獻首先通過模糊聚類分析，根據氣溫、相對濕度以及日類型等影響負荷的因素將負荷歷史數據分成若干類，然后應用粗糙集理論分別建立相應的負荷預測模型。文獻15采用模糊聚類分析的方法對已知負荷數據、溫度和天氣類型等影響短期負荷預測的相關因素進行聚類分析文獻17將模糊聚類技術和粗糙集理論結合，利用客觀信息熵對影響負荷的因素進行權重分配。文獻18基于模糊粗糙集理論，提出了一種綜合數據挖掘方法并將其應用于空間負荷預測中。模糊數學在預測方面還沒有形成完整而深刻的理論以及成系統的方法，還有待于進一步研究與探索?；疑到y理論20-23是研究解決灰色系統分析、建模預測、決策和控制的理論?；疑A測的模型簡稱GM模型,它所需建模信息少、運算方便、建模的精度較高，因而在各種預測領域有著廣泛的應用。近年來該理論已被引入到電力系統負荷的預測中,獲得了較好的效果。但其微分方程指數解只適合于具有呈指數增長趨勢的負荷指標，在其它增長趨勢下預測的精度變差，而且簡單的灰色預測在數據離散程度較大的情況時，精度下降的很快。許多文獻對灰色預測做出了改進，文獻21提出了一種基于灰色預測和神經網絡組合的電力系統負荷預測方法。文獻22討論了當預測對象系統存在轉折性變化時，灰色預測校正模型在此方面的有效應用。文獻23討論了當預測對象系統存在轉折性變化時，灰色預測校正模型在此方面的有效應用。上述方法有效改善了負荷預測的精度，但是對于具體的負荷預測問題，目前并不存在通用的改進模型，因此要提高精度就要針對具體問題進行進一步的研究。人工神經網絡24-43具有很強的學習和映射能力，可方便地擬合出任意復雜的非線性關系，很適合于電力系統的負荷預測問題，這一領域的國內外對這一領域研究都相當活躍，并已提出了不少模型和算法。文獻32提出了對樣本數據進行處理的一些有效方法，從歷史數據中選取那些與預測時間的特征量(即網絡輸入量)相似的數據作為訓練用的樣本。文獻33研究了采用不同結構BP網絡進電力負荷需求預測的問題，分/靜態(tài)和動態(tài)兩種模式構造訓練樣本。文獻34采用自適應模糊神經元網絡進行短期負荷預測。文獻35提出的是一種混和自適應模糊學習算法。文獻36則提出了基于混沌學習算法的神經網絡模型。文獻37提出的天氣敏感型神經網絡模型。文獻38提出了一種改進的徑向函數網該方法能夠體現負荷波動性和氣候對負荷影響。文獻39提出了應用混合法進行RBF神經網絡的學習算法。文獻40以Morlet小波作為隱節(jié)點激勵函數，建立了單輸入單輸出的小波神經網絡。文獻41則進一步用Morlet小波建立了多輸入多輸出的小波神經網絡。文獻42建立了以Morlet小波為激勵函數的小波神經網絡。文獻43利用現有的時頻分析方法來確定網絡結構，同時還提出通過利用小波系數的局部極大值來進一步提高局部精確近似性能。人工神經網絡技術的主要優(yōu)點在于它不需要任何負荷模型，但其缺點是訓練過程比較消耗時間，并且它并不能保證一定收斂，這在一定程度上影響了人工神經網絡負荷預測方法對特殊的負荷變化的預測精度。但這種方法仍然具有其不可比擬的優(yōu)點：具有很好的函數逼近能力；較好的解決了天氣和溫度等因素與負荷的對應關系；通過學習，能夠反映輸入/輸出之間復雜的非線性關系等。負荷預測方法發(fā)展至今，已經積累了不少經驗。但是，由于電力系統的負荷要受到很多因素的影響：如負荷構成，負荷隨時間變化規(guī)律，氣象變化的影響及負荷隨機波動。按照系統負荷構成，不同的負荷有著不同的變化規(guī)律44，而且一個地區(qū)負荷往往含有幾種類型的負荷，比例不同。各類用電負荷的時間變化規(guī)律是不同的，由它們構成的系統負荷具有不同的變化規(guī)律。氣象對負荷有明顯的影響45，氣溫、陰晴、降水和大風都會引起負荷的變化，但每個電網負荷對各種氣象因素的敏感程度是不相同的，這是研究負荷預測的重要內容。負荷的隨機波動是指某些未知的不確定因素引起的負荷變化，對每一電網隨機波動負荷大小是不相同的?；谟绊懾摵深A測的眾多不同的因素，各種氣象因素的敏感程度是不同的。由于影響負荷預測的眾多不同因素，迄今還沒有一種通用方法。1.3 本文所做的工作短期負荷預測既是電力系統優(yōu)化調度的基礎工具，又是電力企業(yè)日常經營管理工作的重要組成部分，準確的負荷預測是電網調度機構制定發(fā)供電計劃和做好電網供需平衡的關鍵。短期負荷預測不僅時間間隔短，而且受節(jié)假日、天氣和溫度的影響負荷波動大；同時，短期負荷預測的精度要求較高，需要同時考慮多個影響因素。因此，采用一般的負荷預測模型難以達到預測要求。鑒于此，本文試著將量子神經網絡理論運用到短期負荷預測中來。論文分六章，其組織結構如下：第一章主要介紹了電力負荷預測的研究現狀以及負荷預測的目的和意義。在此基礎上，討論了短期負荷預測的研究現狀；。第二章主要介紹了負荷預測的分類依據和短期負荷預測的主要特點。詳細論述了已有短期負荷預測的方法以及各種方法的原理、計算過程、適用范圍和基本特征。對比分析了各種預測方法的優(yōu)劣，為后文的發(fā)展做好鋪墊。第三章論述了常規(guī)人工神經網絡理論在短期負荷預測方面的局限性。針對常規(guī)人工神經網絡理論的局限性，論述了量子神經網絡的理論形成和技術優(yōu)勢，得出量子神經網絡能夠很好應用于短期負荷預測的結論。對量子神經網絡的研究現狀進行了分析，論述了已有方法的優(yōu)勢和局限性。最后，介紹了量子神經網絡的基本理論基礎，包括量子計算的基礎知識，量子神經網絡的網絡模型和量子神經網絡的學習方法；。第四章介紹了QNN網絡結構及其更新算法，給出量子間隔更新式的推導過程。針對QNN收斂速度慢這一情況，引入反正切函數作為隱含層激活函數，并引入了假飽和預防函數，提出了改進的量子神經網絡模型；。第五章詳細論述了基于量子神經網絡的短期負荷預測的具體步驟。首先分析了影響負荷特性的主要因素，然后介紹了短期負荷預測中所需的數據去偽和數據量化方法。最后，詳細分析了基于量子神經網絡的短期負荷預測方法在預測日負荷和小時負荷的預測流程；。第六章結合論文的上述工作，解決了對電力系統短期負荷進行預測的具體方法問題，將預測工作分成工作日和周休日兩部分，給出了整個電力系統短期負荷預測模型的具體實例。- 49 -第2章 負荷預測的方法和特點2.1 負荷預測的分類根據負荷預測的目的、負荷預測的時限、負荷預測的對象以及待預測負荷的特性，負荷預測可以根據上述特性進行三種分類，具體為：按時間分類、按預測對象分類、按負荷特性分類。1按時間分類電力系統負荷預測按時間進行分類46，可分為超短期負荷預測、短期負荷預測、中期負荷預測和長期負荷預測。其內容如下表2.1所示。四種負荷預測的預測時限和預測目的有明顯不同：超短期負荷預測指對未來1小時、未來0.5小時甚至未來10分鐘的電力負荷變化情況的預測。主要用于對電網進行計算機的在線監(jiān)控，實現發(fā)電容量的合理調度，滿足運行要求，使發(fā)電成本最小等。短期負荷預測是指對1年以內的電力負荷變化情況的預測，通常預測未來1個月度、未來1周、未來1天的負荷指標。主要是解決電網存在的主要問題，逐步滿足負荷的需要，提高供電質量和電網的可靠性，用于電力生產檢修計劃，安排電力系統短期運行方式等。中期負荷預測通常是對5年左右的電力負荷的發(fā)展變化情況所做的預測。主要是就著重將電網的結構及設施有步驟的過渡到規(guī)劃網絡，用制定電力系統的擴建、增容和改建規(guī)劃，安排電力系統長期運行方式等。電力系統長期負荷預測是指對10 年以上(可長達30 年)的電力負荷的發(fā)展變化所做的預測，主要是用于制定電力系統遠景規(guī)劃，研究確定電源布局和規(guī)劃網絡，使之滿足遠期負荷預測水平的需要。表2.1 負荷預測的時間分類負荷預測的類別預測時限預測目的超短期負荷預測l天以內按小時或按分鐘計對電網進行計算機在線控制，實現發(fā)電容量的合理調度，滿足給定的運行要求，同時使發(fā)電成本最小。 短期負荷預測l天以上至1年以下為電力系統調度、發(fā)電以及檢修計劃服務。 中期負荷預測5年左右10年以內用于電力系統規(guī)劃，包括發(fā)電設備及輸變電設備靜擴建計劃、退役計劃、改建計劃。長期負荷預測10年到30年以內制定電力戰(zhàn)略規(guī)劃，包括燃料需求量、系統發(fā)展規(guī)劃以及重要技術更新、科研規(guī)劃等。2按預測對象行業(yè)分類按預測對象行業(yè)分可分為城市民用負荷預測、商業(yè)負荷預測、農村負荷預測、工業(yè)負荷預測以及其他負荷預測。不同類型的負荷有不同的變化規(guī)律。其構成和特點見表2.2。.表2.2 按預測對象行業(yè)分時各負荷的構成和特點負荷預測類別負荷構成負荷特點城市民用負荷預測主要是城市居民的家用負荷具有經常的年增長以及明顯的季節(jié)性波動特點，與居民的日常生活和工作的規(guī)律緊密相關。商業(yè)負荷預測主要指商業(yè)部門里的照明、空調、動力等用電負荷具有覆蓋面積大，且用電增長平穩(wěn)，以及季節(jié)性波動的特點。農村負荷預測主要指農村居民用電和農業(yè)生產用電與工業(yè)負荷相比，受氣候、季節(jié)等自然條件的影響很大，也受農作物種類、耕作習慣的影響。工業(yè)負荷預測主要指工業(yè)企業(yè)用于工業(yè)生產的用電負荷變動較小，受氣候影響較小，與工業(yè)用戶的工作方式及行業(yè)的行業(yè)特點等有緊密的聯系。3按負荷特性分類根據負荷預測表示的不同特性，可分為最高負荷、最低負荷、平均負荷、負荷峰谷差、高峰負荷平均、低谷負荷平均、平峰負荷平均、全網負荷、母線負荷、負荷率等類型的負荷預測24，以滿足供電、用電部門的管理工作的需要。本文采用第一種方法分類方法對負荷進行分類，并將重點對短期負荷進行分析預測。2.2 短期負荷預測的特點負荷預測是根據過去和現在的負荷值來預測未來的數值，其研究對象是不確定的，需要采用適當的預測技術和模型來推知負荷的發(fā)展趨勢和未來可能達到的狀況。影響負荷預測的因素是多種多樣，選用不同的預測模型其結果也不盡相同。因此電力負荷預測具有如列特點：不確定性或不完全準確性、條件性、負荷預測的地區(qū)效應、時間性以及多方案性。特別的，對于短期負荷還具有如下特點：（1）從數學模型上看，電力系統負荷是一個多因素影響的高度綜合模型，其變化規(guī)律混沌、繁雜，很難用一套算法對其進行精確的模擬。；（2）電力負荷本身的不確定性使得預測結果是一個概率的值；（3）各地區(qū)，各時段電力負荷的發(fā)展具有可比性和相似性。；（4）電力負荷預測的機理是一個數學模型的過程，不同的模型使用條件不同，有其各自的優(yōu)缺點；（5）預測時間較短，對計算時間有明確要求；（6）影響電力負荷預測的精度的因素復雜多樣、規(guī)律各異，包括經濟因素、時間因素、氣候因素、隨機干擾等，各因素影響的大小也因不同地區(qū)電力系統的不同而異；（7）相對中長期預測而言，短期負荷預測對預測精度要求較高。2.3 幾種常見的負荷預測方法2.3.1 比例系數增長法比例系數增長法假定今后的電力負荷與過去有相同的增長比例，用歷史數據求出比例系數，按比例預測未來發(fā)展，設第m年的用電量為Am kWh，第n年的用電量為An kWh，則從第n年到第m(nm) 的用電量Al為 (2.2)這與以Am為起點的預測結果相同，這是因為： (2.3)由比例增長法的理論推導可知，該方法思路簡單、計算簡便，但該方法把負荷在若干時間段的增長看成一致，沒有考慮負荷增長的特殊性和復雜性，在實際工程中由于其產生的誤差很大僅能作為大致的估算，而不能作為調度和生產的數據使用。2.3.2 彈性系數法電力彈性系數法是編制電力發(fā)展規(guī)劃時常用的一種負荷預測方法，它計算方法簡單，容易理解。彈性一詞來源于材料力學中的彈性變形的概念。彈性系數指材料長度變形的百分比同所施加力變化的百分比的比率。后來彈性的概念被推廣應用于社會經濟領域。彈性系數被用來表示兩個因素各自相對增長率之間的比率。在對一個因素發(fā)展變化預測的基礎上，通過彈性系數對另一個因素的發(fā)展變化作出預測的一種間接預測方法。彈性系數法適用于兩個因素y和x之間有指數函數關系yt=x的情況，式中為比例系數，b為y對x的彈性系數。電力彈性系數是用電量的平均年增長率與國民生產總值(或社會總產值)平均年增長率的比值，當然也可以考慮用電量與其他經濟指標的彈性系數。在一般情況下，電力彈性系數應大于1。由以往的用電量和國民生產總值可分別求出它們的平均增長率，記為Ky和Kx從而求得電力彈性系數E (2.4)如果用某種方法預測未來m年的彈性系數為，國民生產總值的增長率為，可得電力需求增長率為 (2.5)這樣就可用比例系數增長預測法得出第m年的用電量， (2.6)式中：A0 基年（預測起點年）的用電量。此外，彈性系數預測法的建模方法還包括： y 與K x 均取對數形式的模型、K x 取對數形式的模型、y 取對數形式， K x 取倒數形式的模型和線性函數形式的模型。2.3.3 回歸分析方法回歸分析方法是研究變量和變量之間依存關系的一種數學方法，根據回歸分析方法涉及變量的多少，可以分為單元回歸分析和多元回歸分析。在回歸分析中，自變量是隨機變量，因變量是非隨機變量，由給定的多組自變量和因變量資料，研究各自變量和因變量之間的關系，形成回歸方程，回歸方程根據自變量和因變量之間的函數形式，又可分為線性回歸方程和非線性回歸方程?；貧w方程求得后，若如給定各自變量數值，即就能求出因變量值。2.3.3.1 線性回歸模型在一元線性回歸中，自變量是可控制或可以精確觀察的變量，用x表示，因變量是依賴于x的隨機變量，用y表示，假設x與y的關系為 (2.7)式中：是除x之外，被忽略或無法考慮到的因素，它服從正態(tài)分布。a，b及都是不依賴于x的未知參數， x與y的這種關系稱為一元線性回歸模型。對固定的x，隨機變量y的數學期望為： (2.8)顯然是x的函數，稱它為y關于x的回歸。在實際問題中，對自變量x和因變量y作n次實驗觀察，且在x不全相同的各個值上對y的觀察是相互獨立的，其n對觀察值為(x1, y1),( x2, y2),( xn, yn)。如果依據上述樣本能估計出未知參數a、b，記估計值分別為，則稱下式 (2.9)為y關于x的線性回歸方程。用最小二乘法估計a和b。先作離差平方和 (2.10)由極值定理，選取參數a 、b 使F(a,b) 達到最小，令 (2.11) (2.12)將式2.11-2.12變形，并用和分別代替a和b，得 (2.13) (2.14)式(2.13)- (2.14)有唯一的一組解 (2.15) (2.16)當a、b的估計值和和求出后，便得出y對x的線性回歸方程式。2.3.3.2 非線性回歸模型設有兩個變量x和y，它們之間存在非線性關系。給定一組觀測值(x1, y1),( x2, y2),( xn, yn)。其散點圖明顯的表明不能用一條直線近似地擬合。如果將此種情況按一元線性回歸研究，顯然是不合適的，這就需要用適當的曲線加以擬合，依據散點圖， 通通常常選擇雙曲線、冪函數曲線、指數曲線、倒指數曲線、對數曲線，S 型曲線等六種曲線之一。當選擇的曲線類型確定下來后，可以根據最小二乘法確定估計值。兩個變量x和y的關系可以寫成如下的一般形式 (2.17)式中：Y是因變量，是待估計的對象；X是自變量，是影響因素；是未知常數(待求)；是除X之外，被忽略或無法考慮到的因素，它服從正態(tài)分布。設已知觀測值，按統計學理論，問題就是如何求取的最小二乘估計值，即求使得對任何都有，為殘差平方和函數： (2.18)極小等價于下面的導數為零 (2.19)式中： 。按非線性回歸的Gauss-Raphson解法，用的一階泰勒級數展開式近似代替求解問題。設的初始值為，則可近似為： (2.20)其中。對于有m個樣本數據的情況，殘差平方和為： (2.21)式中：。由于是事先設定的一個初值，因此式(13)和(14)中的和可由樣本計算得到。這樣，式(14)所示的殘差平方和函數就轉換為一個線性回歸模型的殘差平方和函數，即： (2.22)對式(2.22)按最小二乘法構造殘差平方和得： (2.23)式中：為關于的列向量，為關于的列向量。由式(2.23)可知，當設定的一個初值后，就可以求得一個新的估計值。反復進行迭代，便得到的迭代序列。的一般表達式為： (2.24)依據式(2.24)，當迭代過程達到時，有，即此時的為非線性回歸模型參數的最優(yōu)估計。本文的實際計算中取相對誤差為迭代收斂條件。2.3.4 指數平滑法假設時間序列有著某種數據模式，而觀測值既體現著這種基本數據模式，又反映著隨機變動。指數平滑法的目標就是采用“修勻”歷史數據來區(qū)別基本數據模式和隨機變動。這相當于在歷史數據中消除極大值和極小值，獲得該時間序列的“平滑值”，并以它作為對未來時期的預測值。指數平滑法又可以分為移動算術平均法，單指數平滑法，線性指數平滑法，二次指數曲線平滑法，季節(jié)性指數平滑法等幾種典型方法。2.3.4.1 移動算術平均法設當前時期為t ，已知時間序列觀測值為(x1, y1),( x2, y2),( xt, yt)，假設按連續(xù)n個時期的觀測值計算一個平均數，作為對下一個時期，即(t+1)時期的預測值，用表示： (2.25)它的優(yōu)點是計算簡單，缺點是要保存的數據比較多，而且n的大小不容易確定，故它只能用于平穩(wěn)時間序列時間數列。2.3.4.2 單指數平滑法單指數平滑法實際上是從移動算術平均法演變而來的，它也只能用于平穩(wěn)時間序列，它的優(yōu)點是不需要保留較多的歷史數據，只要有最近的一期的實際觀測值和這期的預測誤差，就可以對未來時期進行預測。 (2.26)式中：a 是平滑常數， 0 a 1?？梢赃\用最小均方差的原則