（译文 页数：16 字数：9764）基于采用人工神经网络法的短期负荷预测
【摘要】应用人工神经网络（ANN）方法预测大型电力系统的短期负荷。负荷有两种不同模式：工作日模式和周末模式。周末模式包括周六，周日，和周一的负荷。提出了一个非线性负荷模型，并对几个用于短期负荷预测的人工神经网络结构进行了测试。人工神经网络的输入是过去的负荷，其输出是给定预测日的负荷预测结果。在不同神经元组合的情况下，对有一个或两个隐含层的人工神经网络进行了测试，并且根据预测误差对结果进行了比较。当分成不同的负荷模式时，人工神经网络能给出良好的负荷预测结果。
【关键字】神经网络，负荷预测，反向传播算法
目录
1.导言
2.负荷的分类与特征
3.人工神经网络
4.采用反向传播算法的负荷预测
5 .讨论
6.结论
1.引言
为了能够安全和经济地向用户提供高质量的电能，电力公司在电力系统的运行、规划和控制过程中面临着许多经济和技术问题。为了达到对大规模电力系统进行优化规划和运行的目的，采用现代系统理论和优化技术以期能够大量节省成本。为实现这一目标，未来电力系统负荷的知识是第一个先决条件，因此长期和短期负荷预测是非常重要的课题。
对于长期和中期电力负荷预测而言，其预测周期可能是一个月或一年[1] ，而对于短期电力负荷预测而言，预测周期是1日或几小时[2-7] 。长期和中期电力负荷预测用于确定发电容量、输电网或配电网系统条件、输电网规划中所需要的设备类型，以及年度水火电检修计划等。短期电力负荷预测用于电力系统控制和调度，同时也是负荷潮流研究和事故分析中的输入变量。
在文献[8]中提出了负荷预测模型的几种分类。一些不使用天气信息负荷模型通过时间序列来描述[2-4]。其他负荷模型则考虑了天气变量对电力系统负荷的影响[5-7]。前者是基于外推法，并且，负荷特性由傅立叶级数或是时间函数的趋势曲线来描述[2]。最近，状态变量模型[3]和自回归移动平均（ ARMA模型） 模型[4]被用来描述负荷特性。对于考虑了天气因素的负荷模型，总负荷被分解成的天气敏感型负荷和非天气敏感型负荷[5-7]。天气敏感型负荷主要使用相关性技术进行预测，非天气敏感型负荷则由上述方法建模。每个负荷分量都单独预测，其和为总负荷的预测值。
| 