目录 1 国内外基于神经网络的短期负荷预测方法
2 基于模型逼近度和接受概率的变步长变尺度BP算法[8]
3 基于改进级联神经网络的短期负荷预测
4 负荷预测仿真和算例分析
5 结论 参考资料 [1] Henrique Steinherz Hippert，Calos Eduardo Pedreira，and Reinaldo Castro Souza.Neural Networks for Short-Term Load Forecasting：A Review and Evaluation [J].IEEE Transaction on Power Systems，2001，16（1）：45 - 55.
[2] 金海峰，熊信良，吴耀武.基于级联神经网络的短期负荷预测方法[J]. 电网技术，2002，26（3）：49 - 52.
[3] 赵登福，王 蒙，张讲社，等.基于确定性退火方法的短期负荷预测[J].中国电机工程学报，2001，21（7）：1 - 8.
[4] 赵凳福，张 涛，杨增辉，等.基于GN-BFGS算法的RBF神经网络短期负荷预测[J].电力系统自动化，2003，27（4）：33 - 36.
[5] 陶小虎，黄民翔.一种基于模糊规则和神经网络的负荷预测方法[J].电力系统及其自动化学报，2000，12（5）：37 - 54.
[6] 冉启文，单永正，王 骐，等.电力系统负荷预报的小波－神经网络方法[J].中国电机工程学报，2003，23（3）：38 - 42.
[7] A.S.Aifuhaid. Cascaded Artificial Neural Networks For Shor-term Load Forecasting [J]. IEEE Transaction on Power Systems，1997，12（4）：1524 -1529.
[8] 叶东毅.基于模型逼近度和接受概率的一个变步长快速BP学习方法[J].计算机学报，1996，19（1）. 简单介绍 摘 要：提出了一种改进的级联神经网络方法，用于电力系统的短期负荷预测，并且采用基于模型逼近度和接受概率的变步长变尺度BP算法提高神经网络本身的效率和精度，通过对实际数据的仿真表明，可用于电力系统短期负荷预测。

短期负荷预测对电力系统的安全和经济运行起着重要的作用，是能量管理系统的重要组成部分。在电力系统的计划和管理中，它对发电、输电和电能分配等方面的合理安排有着重要的影响，因此负荷预测精度的提高有着十分重要的意义。 20世纪90年代，使用人工神经网络方法进行短期负荷预测受到了国内外广大研究人员的高度重视。人工神经网络方法的优点是具有模拟多变量，不需要对输入变量作复杂的相关假定，从而可以很好的考虑对负荷水平有重要影响的天气情况、日期类型等多种因素进行短期负荷预报[1]。文献[2]提出了一种基于径向基函数网络（RBF）和误差反向传播（BP），网络的级联神经网络，该文分开考虑天气因素以及历史负荷对预测负荷的影响，其中RBF子网用于描述历史负荷的影响，BP网络子网用于对RBF中难以描述的天气因素给出了较好的映射关系。该方法由于区别对待负荷影响因素，避免了因输入量值域的范围较大差异而导致某些负荷影响因素在总体的映射效果中被歪曲甚至淹没，而且缩减了网络拓扑结构，从而减少了预测时间。该文充分体现了级联神经网络的灵活性，但是它并没有针对神经网络本身的学习方法进行改进。本文采用级联的两层神经网络综合考虑了最高温度、最低温度、湿度、日期类型等诸多因素对负荷的影响，并使用改进的基于模型逼近度和接受概率的变步长变尺度BP算法，在加强训练最高负荷、最低负荷以及平均负荷的基础上进行短期负荷预测，可以很好地提高预测的精度。 1 国内外基于神经网络的短期负荷预测方法 通过研究国内外大量文献总结得到目前国内外基于神经网络的短期负荷预测方法，主要着重以下几点： ......