中长期电力负荷预测技术与应用前言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。本书主要研究电力系统负荷中长期预测技术。在大量查阅国内外文献的基础上，对电力负荷预测研究做了较全面的综述。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。主要研究内容和创新点有：(1) 回归分析是一种被普遍应用的统计分析与预测技术。但当自变量高度相关时，回归系数用普通最小二乘法就很难估计。本书所建立的以人口、收入、GDP等指标为自变量的回归模型中，自变量之间高度相关。因此，本书建立了江苏省电力负荷预测逐步回归模型、岭回归模型和偏最小二乘回归模型。岭回归方法利用具有微小偏差的有偏估计量代替无偏估计，提高了精度。偏最小二乘回归实现了多元线性回归、主成分分析和典型相关分析的综合，克服了自变量之间的多重共线性，其计算过程更可靠。(2) 建立了江苏省电力负荷预测灰色预测模型：通过1997—2008年的数据来对模型进行了验证，结果表明模型的检验值P>0.95、C<0.35，表明模型的预测精度为“优”，说明江苏省全社会用电量用GM（1，1）完全能够满足要求。该模型对江苏省2010—2015年全社会用电量进行预测，结果表明，今后几年江苏省的用电量增加很快，到2015年将达到9 413.3 亿kW·h，这就要求加快电力建设，来满足今后几年经济发展对电力的需求。(3) 人工智能也被广泛用于预测，模仿人脑的智能化处理，对大脑非结构性、非精确性规律有自学习自适应功能，神经网络是被广泛应用的人工智能技术之一。本书应用贝叶斯正则化算法优化BP神经网络，通过多维经济数据（国内生产总值、固定资产投资总额、人均收入）与用电量的相关分析，来确定网络的拓扑结构，建立用电量的人工神经网络模型。用从江苏统计年鉴和江苏省电力局取得的17年数据为输入、用电量为输出来训练建立好的BP神经网络，经仿真表明该神经网络能很好地解决用电量多影响因素之间的不确定性和非线性，模型的预测精度较高。(4) 建立了江苏省电力负荷预测遗传规划预测模型：将遗传规划方法应用于江苏省电力系统中长期负荷预测，预测结果表明所建立的模型能根据历史负荷与其相关因素数据自动生成负荷预测模型，无需事先确定各变量之间的函数关系，避免了人为判断失误而产生的误差，从模型的运行效率来看，GP模型结构更简单、预测精度更高。(5) 每种模型的预测结果反映了其对历史序列变化规律的拟合以及对未来变化规律的推测，因此各单一预测方法的结果时好时坏，需要通过组合预测来提高预测精度，组合模型的关键是权重的取得。本书将神经网络技术与回归模型相结合，将通过各回归方法得出的预测值作为输入，实际用电量值作为输出，确定神经网络的拓扑结构，利用神经网络在处理非线性、不确定性或模糊关系方面具有的独特优势来确定各回归预测方法的变权系数，最后用训练好的神经网络预测江苏省全社会用电量。结果显示，组合预测的精度明显高于单个模型。(6) 建立了江苏省电力负荷神经网络优化组合预测模型：根据模型预测精度选择组合负荷预测的单个模型分别为：逐步回归模型、岭回归模型、偏最小二乘回归模型、二步预测校正法、灰色预测模型和遗传规划模型。首先定义网络的输入、输出样本，然后设定建立的神经网络，训练和仿真所建立的BP网络，同时通过一组样本数据来验证所建立网络的合理性。当训练到100步时，误差已很小，当训练到587步时，网络性能达到要求。最终得到的均方误差为9.995×10-4。(7) 为了提高负荷预测精度，将主成分回归（PCR）、偏最小二乘回归(PLSR)和反向传播神经网络（BPNN）结合用于中长期负荷预测，分别建立基于PCR、PLSR及与神经网络耦合的年用电量预测模型。模型结果表明，分别以PCR、PLSR方法提取成分作为神经网络的输入，以实际用电量作为输出建立的PCBPNN和LVBPNN非线性模型拟合优度优于PCR和PLSR模型。将2009—2011年的数据作为检验数据放入各模型，从检验效果来看，线性模型的预测值均高于实际值，非线性模型的预测值均低于实际值。(8) 历年积累的江苏省全社会用电量数据是个时间序列，时间序列预测是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。江苏省全社会用电量时间序列的散点图表明其发展趋势为曲线，更类似于生命周期曲线，即前期发展较慢，表现为较平稳的上升，随后发展迅速，表现为较陡峭的上升曲线，发展到一定程度后，发展速度再次变缓，曲线重新变平稳，但目前江苏省全社会用电量发展重新变平稳的曲线并不长，随着经济发展速度的放缓以及新能源的替代作用的发挥，可能会出现长期的平稳发展甚至出现下降趋势，这些均给利用时间序列预测带来困难，发展趋势发生拐点，使得时间序列带有的信息不能作为预测的基础，因此传统的时间序列预测方法并不适用。

编者2016年5月

1绪论

1.1选题背景及意义(1)

1.2国内外研究现状(6)

1.3主要工作(6)

2电力需求预测方法

2.1电力负荷的构成及特点(9)

2.2负荷预测的步骤(10)

2.2.1历史数据的收集(10)

2.2.2历史数据的整理(10)

2.2.3负荷数据的预处理(11)

2.2.4负荷预测模型的建立(11)

2.3电力负荷预测方法简介(11)

2.3.1基于参数模型的中长期电力负荷预测方法(12)

2.3.2基于非参数模型的中长期电力负荷预测方法(14)

2.3.3与动态过程结合的预测方法(19)

2.3.4组合预测方法(19)

2.4电力需求预测的难点(21)

3江苏省电力供需现状及影响因素

3.1电力市场环境分析(22)

3.1.1经济发展总体情况(22)

3.1.2能源环境(23)

3.2江苏电力供需形势分析(24)

3.2.1电力供应能力(24)

3.2.2可再生能源发电(26)

3.2.3电力需求情况(27)

3.3影响江苏用电量的因素分析(32)

3.3.1经济因素与用电量的关系分析(32)

3.3.2用电量预测的数据和解释变量选取(36)

4电力需求预测回归模型

4.1多重共线性分析(39)

4.1.1产生多重共线性原因(39)

4.1.2多重共线性的影响(40)

4.1.3多重共线性的诊断(42)

4.1.4解决多重共线性的方法(44)

4.1.5对负荷影响因素多重共线性的实证分析(45)

4.2逐步回归(47)

4.2.1逐步回归法的基本思想和计算方法(47)

4.2.2负荷的逐步回归模型(49)

4.3岭回归(51)

4.3.1岭回归的基本原理和算法(51)

4.3.2负荷的岭回归模型(52)

4.4偏最小二乘回归(54)

4.4.1偏最小二乘回归分析原理和算法(55)

4.4.2基于偏最小二乘回归模型的负荷预测(58)

4.5结论(62)

5电力需求灰色预测模型

5.1灰色系统(63)

5.2灰色模型建模机理(65)

5.3灰色预测模型(66)

5.3.1GM(1,1)预测模型(66)

5.3.2预测精度的检验(67)

5.4模型预测实例(68)

5.4.1模型建立及检验(68)

5.4.2预测结果与检验(70)

6电力需求预测遗传规划模型

6.1遗传规划基本原理(74)

6.1.1算式表达(74)

6.1.2初始个体生成(75)

6.1.3确定适应度(76)

6.1.4复制(76)

6.1.5交叉(76)

6.1.6变异(77)

6.1.7终止准则(77)

6.2负荷预测遗传规划模型(78)

6.2.1负荷预测理论基础(78)

6.2.2算例分析(78)

6.3本章小结(79)

7基于BP神经网络的江苏用电量预测模型研究

7.1引言(80)

7.2全省用电量增长与经济关系分析(80)

7.2.1江苏省GDP、固定资产投资总额、人均收入与用电量关系的定性分析

(80)

7.2.2江苏省GDP、固定资产投资总额、人均收入与用电量关系的定量分析

(81)

7.3BP神经网络的结构和训练方法(82)

7.3.1BP神经网络的结构(82)

7.3.2BP网络的训练方法(82)

7.4基于贝叶斯正则化优化BP神经网络的预测模型(84)

7.4.1正则化方法(84)

7.4.2神经网络的贝叶斯学习(85)

7.4.3贝叶斯正则化BP神经网络训练步骤(86)

7.4.4用电量模型的建立(87)

7.4.5仿真结果及分析(88)

7.4.6预测结果比较(88)

7.5结论(89)

8电力需求预测优选组合模型

8.1优选组合预测方法(90)

8.1.1等权平均组合预测(90)

8.1.2方差协方差优选组合预测(90)

8.1.3回归组合预测(92)

8.1.4模型群优选预测法(93)

8.2神经网络优选组合预测模型(93)

8.3基于回归神经网络的长期电力负荷组合预测模型研究(95)

8.3.1变量间多重共线性的判定(96)

8.3.2回归预测模型(97)

8.3.3负荷组合预测模型(98)

8.3.4负荷组合模型的求解(99)

8.3.5仿真结果及分析(99)

8.3.6预测结果分析(100)

8.3.7结论(102)

9主成分回归、偏最小二乘回归与神经网络耦合的中长期负荷预测研究

9.1引言(103)

9.2指标与方法(104)

9.2.1年用电量预测模型变量的选取(104)

9.2.2经济增长与用电量增长的关系分析(104)

9.2.3自变量间多重共线性分析(105)

9.2.4建模方法(105)

9.3预测结果与分析(106)

9.3.1模型结果与拟合度检验(106)

9.3.2模型预测效果分析(108)

9.4结论(108)

10基于时间序列的江苏省用电量预测模型

10.1时间序列及时间序列预测法(110)

10.1.1时间序列及时间序列预测法的概念(110)

10.1.2时间序列预测法的内容(111)

10.1.3时间序列预测法的基本特征(113)

10.2移动平均法(113)

10.2.1简单移动平均法(114)

10.2.2加权移动平均法(114)

10.2.3趋势移动平均法(115)

10.3指数平滑法(118)

10.3.1一次指数平滑法(119)

10.3.2二次指数平滑法(120)

10.3.3三次指数平滑法(123)

10.4自适应滤波算法(126)

10.4.1自适应滤波算法背景(126)

10.4.2典型的自适应滤波算法(126)

10.4.3自适应滤波法的基本过程(127)

10.5ARIMA模型(128)

11江苏省用电量消耗与经济发展关系及脱钩效应

——基于STIRPAT模型和OECD脱钩指数的研究

11.1研究方法(131)

11.1.1驱动因素分析方法(131)

11.1.2脱钩效应分析方法(134)

11.2结果与分析(135)

11.2.1用电量耗费驱动因素分解(135)

11.2.2用电量与经济发展脱钩效应(137)

11.3结论(139)

12总结(140)

参考文献(144)