链接：https://pan.baidu.com/s/1RyeyVDzEjXwEZ2OB4apNDA
提取码：y2da
对负荷进行中长期预测，有利于决定未来新发电机组的安装，决定电网的增容和改建，也有利于国民经济健康、协调、快速地发展。负荷预测核心问题是预测的技术方法，如何改进和简化方法，提高负荷预报的精度，使预测手段和结果满足市场经济的电力发展要求。 [1] 本书主要研究电力系统负荷中长期预测技术，传统的预测方法回归分析法，选取其中能消除变量多重共线性的逐步回归、岭回归和偏最小二乘回归；电力负荷是时间序列，传统的时间序列方法可用于预测未来电量需求；在借鉴前人所做工作的基础上，把当前先进的智能决策技术灰色系统、神经网络和遗传算法应用到电力负荷预测中，并且通过对多个模型的组合优化得到了组合预测模型 。
1.1.1 负荷预测方法
不管从国内还是国外来看，短期预测理论和技术发展要比中长期预测更深入，中长期预测研究则要远远地少于短期预测。随着计算机技术的快速发展，短期预测技术不管是作为一门科学还是在社会生产实践操作中，均得到了长足的进步。相反地，中长期负荷预测因为所受影响因素众多及不确定，可提供对照有效历史数据信息又少之又少，同时不同区域的发展又基本不相同，通用性高且精确的定量分析非常不易。而且，国外电力发展的趋势和国内不同，基于我国国情，国内电网又长期处于垄断经营的模式之下，中长期负荷预测长期不被重视，导致对这方面的研究与探索相对短期要少。
负荷预测的关键是建立合理的预测模型，然后计算出模型的参数，伴随计算机技术的迅猛发展，负荷预测的方式变得更加多样，理论也得到了相当程度的发展。为了探索更简便、准确率更高的预测模型，大量专家不管在理论还是实践上都进行了较为深入研究与讨论。
从负荷预测的技术上看，对方法的研究始终都是国内外的焦点问题，截止到目前已经发现很多种中长期负荷预测的方法，其可分为经典预测方法、传统预测方法、现代预测方法以及组合预测方法，尽管如此，众多的专家始终在努力探寻更优的预测方法。
1.1.1.1 经典预测方法
严格地说，经典预测方法主要依据专家的丰富经验以及并不复杂的变量间的关系，对未知负荷作出定性推测，因此预测的精度往往不高，所以在实际预测中往往需要与工作人员的经验相结合，对预测结果进行验证，基本包括以下几种常见方法：
（1） 单耗法
单耗法也就是创造单位产品所需耗电量法，用某产品的总产量与该产品平均用电量的乘积，来计算创造该产品所需的总耗电量。这种方法要求做繁琐的统计及收集数据任务，而且对远期的预测效果不太好。况且在现实生产中难以准确地得到产品的单耗，导致预测任务太多而不经济。
（2） 弹性系数法
电力弹性系数为社会总用电量年增速和GDP的增速之比，它是反映GDP和电力发展关系的一个宏观指标。对于发展速度较快的地区，因为电力行业要适度超前的发展的原因，以及对第一产业和第二产业较发达的地区，电力弹性系数基本应该大于1，对于第三产业则普遍小于1。由于地区的产业结构和发展模式不一，导致弹性系数也不同，所以要充分利用历史数据做出判断而不能套用其他地区的弹性系数进行预测。
（3） 负荷密度法
负荷密度预测法是将预测地区划分为各个功能小区，调查预测未来各功能小区单位土地面积的平均负荷，再将它们相乘再相加得到总的负荷。分区负荷密度法是考虑到近年的经济增长状况与目标、电力发展目标将预测地区分为各个功能空间，对这些功能空间分别用负荷密度法预测，之后把预测的各区电量求和统计出该地区的总用电量81。
（4） 人均用电量指标换算法
这种方法是基于相似的人文环境和经济发展情况以及用电结构的地区，人均用电量差别不大。基于此，可以挑选和本区域这几方面类似的区域作为参考，分析对比这几个区域当前和历史的人均用电量指标，接着预测该地区的人均用电量，再根据人口统计数据分析计算出总用电量。
（5） 分类负荷预测法
用电负荷除了包括生活用电和农业用电外，还包括工业用电和其他用电四大类。分类负荷预测法就是对各种类的负荷分别进行预测，最后求和得到。分类负荷预测的缺点主要表现在数据收集难度大且复杂，优点是可能发现某种分类中存在的反常情况，同时因为对不同种类的负荷都要进行预测，所以总预测值很直观因此总的负荷预测结果很明确。
1.1.1.2 传统的负荷预测方法
（1） 回归分析法
回归预测类模型通过建立负荷与经济变量之间的相关关系，以回归预测技术来实现对电力负荷发展规律的捕捉。回归预测法是目前广泛应用的定量预测方法。它通过对历史数据的分析研究，探索经济、社会等有关因素与电力负荷的内在联系和发展变化规律，并根据对规划期内，本地区经济、社会发展情况的预测来推算未来的负荷。在具体实现中，电力负荷预测的回归预测模型往往是通过对影响因子值和用电的历史资料进行统计分析，以确定用电量和影响因子之间的函数关系，从而实现预测。该方法依赖于模型的准确性，更依赖于影响因子其本身预测值的准确度。
（2） 时间序列法
对某一个变量或一组变量X(t)进行观察，对应一系列时刻得到一组数，用来分析离散时间序列的各种方法成为时间序列方法。时间序列预测法可用于短期和中长期负荷预测，是基于统计数据的预测方法，它要求尽量多的历史数据，因此也限制了该类方法的适用范围。这种方法认为预测年的负荷值只与历史数据有关，而没有考虑负荷变化的因果关系，所以一般适用于负荷变化比较均匀的情况。
（3） 灰色模型法
灰色系统理论是用于处理信息不完全系统的一项理论，为不确定性因素的处理提供了一个新的有力工具。该理论是由黑箱-白箱-灰箱理论拓展而来的，是系统控制理论发展的产物。其是目前中长期负荷预测中应用最为广泛、效果最为理想的不确定性预测方法之一。灰色系统的理论核心是灰色动态建模，其思想是直接讲时间序列转化为微分方程，从而建立系统发展变化的动态模型。灰色预测模型通常称GM模型，目前在电力负荷预测中经常采用的动态模型是GM(1,1)、GM(1,n)等模型。
1.1.1.3 智能预测方法
（1） 神经网络法
人工神经网络是模拟人脑信息处理、储存的检索机制而造成的，由大量人工神经元密集连接而成的网络。根据人工神经元结构以及互连方式的不同，可以获得各种不同的人工神经网络模型，目前比较有代表性的模型有多层前馈神经网络（BP）模型、Hopfield模型、Kohonen模型等。在电力负荷预测中应用 较多的人工神经网络模型是Kohonen模型、BP模型。
（2） 支持向量机法
支持向量机（SVM）是一种较新的智能算法，起初用来解决分类问题，但由于其也具有非线性拟合能力，故也可用于负荷预测之中。在利用SVM进行负荷预测时，需先处理数据，训练数据时分为训练集和验证集。SVM相较于神经网络，明显提升了收敛速度，解决了局部极小点的问题。然而支持向量机也有不足之处：该方法对于存贮需求量较大，对于模型的建立，程序的实现难度都较大。
（3） 小波分析法
小波变换的原理是在很多频域信号相组合的混合信号之中将各个频域的信号 通过技术手段分离出来，在负荷预测中即为将历史负荷数据看成是一个混合的信号，通过小波变换，将不同序列的信号分解到不同的尺度之内。该方法可以使子序列的周期性较总的历史数据更加明显，对负荷随时间变化考虑较多。该方法的不足是未能考虑其他外部因素对于负荷的影响，并且小波基的选择对于负荷预测结果影响很大。