基于混沌时间序列的电力需求短期预测分析
基于时间序列分析的我国能源需求的预测
我国可以在 以下几个方面来 实施措施 , 障我国经济快速、 保 可持 续、 和谐发展。 第 一 , 整 我 国 经济 增 长 方式 和 经 济 发展 思路 , 调 降低 高 能 耗 部 门 的产 值 比例 , 数 量 上减 少 能源 消 耗 。 过 技 术 推 动来 提 高 终 端 使 用 从 通 部 门单位能源的效率 , 不断地开发新能源和 可再生能源 , 加大勘察的 图 2 1 A I A模型预测建模流程 — R M 资助 力 度 , 力 开 展 水 能 、 能 项 目的建 设 , 强 对 太 阳 能 、 能 、 大 核 加 风 生 3 预 测 物 能、 汐 能 以及 地 热 等 的利 用 , 筹 发 展 各 种 新 能 源 以 降低 全 社 会 潮 统 31 静 态预 测 . 对传 统 能源 的依 赖 。 依据模型对 ( 能源 消 费 量 ) 行 预 测 。首 先 , 最 小 均 方差 误 差 进 在 第 二, 在全社会扩大节能技术 的推广。为保障我国能源安全 , 要 条件 下 , 我 国 1 6 对 9 5年 到 2 0 0 8年 的 能 源消 费 量 进 行 静 态 预 测 得 到 不 断加 强 节 能 降 耗 的宣 传 力 度 ,节 能是 我 们 应 当密 切 关注 解 决 能 源 问题 的出路之一。通过提高能源的利 用率 , 降低 能耗 , 达到节约资源 趋势 预 测 图 , 下 : 如 由图 3 1 — 可以大概得到 , 所建模型对过去近四十年内的能源消费 的 目的。 量预 测基 本 准确 , 大部 分在 置 信 区间 内上 下 波动 , 1 9 但 9 7年 前 后 我 国 第 三 , 府 加 强 对 能 源 利 用 的监 督 机 制 , 励 循 环 经 济 , 少 能 政 鼓 减
f - p
正 1
基于混沌时间序列和神经网络的电力短期负荷预测
( col f l tcl -ier g G nx Un esy N n n 3 04,hn ) Sho Ee r a E s c i , n gi i ri , an g5 00 C ia o ci n n a v t i Absr c : meh d o h r—e m o d fr c sig b s d o ha t me s re n e a ewo k S t a t A to f s o ttr la o e a t a e n c oi t e i s a d n url n t r s i n ci
No . 2 O Y O 6
基 于混沌 时 间序 列和神 经 网络 的 电力 短 期 负 荷预 测
李如琦 , 孙
艳 ,孙志媛
( 广西大学 电气工程学院 , 广西 南宁 5 0 0 ) 3 0 4
摘 要 : 提出一种将混沌时间序列和神经网络相结合的短期负荷预测方法, 利用混沌理论重构相空间的吸引子 ,
5 7
经 网络法 】模糊 预 测法 [ , , 4 小波 分 析法 等 . ] 由于 电 力系统 负荷 实际 上是 一 个 受 温 度 , 度 , 力 , 湿 风 阴晴
率为P , , ( +) 其中概率 P ) P 可通过 ( 和 (“ )
在 相 应 时 间 序 列 中 出 现 的 频 率 得 到 , 合 概 率 联 P( , +) 可通 过在 平 面( , +) 数对 应 的格 子 上
短期负荷预测…是调度 安排开停机计 划 的基
经济效益. 负荷预测精度越高 , 越有利于提高发电设 备的利用率和经济调度的有效性. 目前 , 常见的短期
负荷预测方法有 : 间序列分析法 , 时 灰色预测法 , 神
础 , 尤其 是近年 来随着 电力市 场竞争 机 制 的引
电力系统短期负荷的混沌时间序列预测
Short-term load forecasting based on chaotic time
series
作者: 钟瑜[1] 张春涛[1] 黄孝超[2] 郭永慧[1]
作者机构: [1]重庆三峡学院数学与统计学院,重庆万州I404100 [2]重庆市电力公司万州 供电局,重庆万州404100
出版物刊名: 重庆三峡学院学报
页码: 15-19页
年卷期: 2011年 第3期
主题词: 混沌时间序列 负荷时间序列 相空间重构 Elman神经网络预测
摘要:电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.。
基于混沌理论的短期负荷局域多步预测法
Lo a - e i n M u t- t p a r c s i o l c lr g o li s e s Lo d Fo e a tng M de Ba e n Cha tc Th o y sdo o i e r
Z HENG n — a g,CHEN e—o g,J AN G n yo g k n W ir n I Ga g,HAO e — i W n bn
Ke r s h o ;s o t t r l a o e a tn y wo d :c a s h r —e m o d f r c s i g;p a e s a e r c n t u t n;l c l r dc in me h d h s p c e o s r ci o o a e ito t o p
l 前 言
短 期 负荷 预测 直接 影 响着 电力 系 统开 停 机 的
能得 到很好 的效果 州 , 因此受 到广 泛关 注 。
基 于嵌 入 定理 的混 沌 局域 法 预 测模 型 简单 实
用 , 常用 的加 权 一 阶局 域 法 [ 只 能 进 行单 步 预 但 8
测 , 当需要 进 行 多步 预 测 时 , 只能 将 得到 的预测 值
维普资讯
第 1 卷第 4 9 期
20 0 7年 8月
电 力 系 统 及 其 自 动 化 学 报
P o e d n s o h U— S r c e i g ft e CS EP A
V o .1 o. 1 9N 4 A ug. 20 07
基 于 混 沌 理 论 的 短 期 负 荷 局 域 多 步 预 测 法
郑 永 康 ,陈 维 荣 ,蒋 刚 ,郝 文 斌
( 西南 交通 大学 电气 工程 学 院 , 都 6 0 3 ) 成 1 0 1
混沌时间序列的预测及其在电力系统短期负荷预测中的应用
摘 要 : 在局域预 测法 的基 础上重点分析 了一种基 于 L au o y p n v指数的混沌时间序列 预测方 法 , 并将这种方法
应 用 于解 决 电力 系 统 短 期 负 荷 分 配 问题 , 到 了较 好 的仿 真 预测 结果 . 得
关键词 : 混沌时间序列 ; 短期负荷预测 ; 全域预测 ; 域预测 ;ypnv 局 L au0 指数
V .3 N o 5 .3
A ug. 07 20
文章 编 号 :0 0 2 6 ( 0 7 0 —0 6 — 0 10— 3720)3 11 4
混 沌 时 间序 列 的预测 及 其 在 电力 系统 短 期 负 荷 预 测 中 的应 用
王 庆 飞
( 阳工学 院, 南 安阳 450) 安 河 50 0
维普资讯
第3 5卷 第 3期 20 0 7年 8月
河 南 师 范 大 学 学报 ( 自然 科 学版 )
J u n l f e a r o r a H n n No malUn v riy ( t r l ce c ) o ie st Na u a in e S
1 1 全 域 预 测 法 .
全域 预测 法方 面 , a C o等 ( 9 5 将 小 波 网络 用 于 混沌 时 间序 列 的 预测 ; 19 ) Oh等 ( 0 2 提 出 了 HF N 20 ) P N
( bi F zyP ln mil ua Newo k ) 该 网络 将模 糊模 型与多 项式 网络 相结 合 , Hy r uz oy o a Ne rl t r s , d 其结 构是 基 于 GM— D (Gru to f aaHa dig 方 法 建立起 来 的 J H o pMeh do t n l ) D n .
混沌理论在年电力负荷预测中的应用
中圈分类号 :T 1 M7 5
文献标识码 :A
Usn h o h o y i o e a tn fa n a lc rc l a i g c a s t e r n f r c si g o n u lee ti o d
Z N o gp g , E G Z ii 2 E G D n - n Z N h- n i j a
( .Th e r e v ,Yih n 1 reGo g sUni. c a g,H u c 4 0 2,Ch n ;2.Gu n d n o rGrd Co p. bi 30 4 ia a g o gP we i r ,Gu n z o 1 6 0,Chn ) a g h u50 0 ia
纪 自然科学的第三次大革命l 。混沌是一种由确定 _ 4 ]
性系统产生 ,对初始条件有敏感依赖性的非周期运 动 Grs eg r Po ac as re 和 rcci b a首次 运用 相空 间重 构法 ,从实验数据时间序列计算 出实验系统的奇怪
混 沌 理 论在 年 电 力负 荷预 测 中的应 用
曾东平h ,曾智健
(. 1 三峡 大 学,湖北 宜昌 430 ;2 广 东电网公 司。广 州报是 电力 系统的重要工作之一 。电力 系统年 负荷 为非线性 时间序列 ,针 对 电力 系统 负荷 的
电力负荷预测具有不可预见性 ,为 了提高 预测精
度 ,人们研究 了许多科学的预测方法[ 。例如模型 1 ] 法 ,有指数平滑模 型、回归模型等。人工智 能法 , 主要包括人工神经网络模型[ 、模糊理论 、专家系 2 ] 统等非参数模型。预测方法的选择没有统一的标准 和理论 ,可采用不 同的模型和方法相结合 ,以吸取 各 自的优势来解决 电力负荷的预测问题[ 。 3 ] 研究以非线性 为特征的混沌理论被称为 2 0世
基于时间序列模型的电力负荷预测研究
基于时间序列模型的电力负荷预测研究随着经济的发展和人民生活水平的提高,电力需求增长迅速,电力负荷管理成为了能源领域的重点研究对象之一。
如何准确地预测电力负荷,满足能源的需求,是当前研究的重点。
时间序列模型是电力负荷预测研究中的一种重要方法。
时间序列模型是指在时间轴上进行数据观测、分析及预测的一种数学模型。
电力负荷预测问题也可以看做是一个时间序列预测问题。
时间序列模型主要包括ARIMA模型、指数平滑模型、神经网络模型等。
其中ARIMA模型是一种广泛应用的时间序列方法。
ARIMA模型是由Autoregression(自回归)、Integrated(差分)和Moving Average(移动平均)这三个部分组成的时间序列模型。
它可以通过一定的时间序列数据拟合出一个合适的模型,用来预测未来一段时间内的电力负荷。
ARIMA模型的预测精度准确,但其建模需要非常严格的数据前置处理和参数调优过程。
指数平滑模型是一种常用的时间序列模型,它的方法是通过不断更新历史数据的平均值来反映趋势的变化,进而预测未来一段时间内的电力负荷。
此中平滑系数被选取可以根据数据某些特征进行调整,其精度与时间序列长有关,适合于短时预测。
神经网络模型是一种基于神经元进行信息处理和模式识别的系统,也可以用来进行时间序列预测。
它通过对大量历史数据进行学习、训练,建立预测模型后,用来预测未来一段时间内的电力负荷。
神经网络模型的优点在于其自适应性强,可以自动调整模型参数,提高预测精度。
当然,不同的模型方法适用于不同的数据特点。
在实际应用中,可以进行多种模型融合,以便准确地预测未来一段时间内的电力负荷。
例如,基于ARIMA模型和指数平滑模型的融合,可以有效提高预测精度。
对于电力负荷预测问题,精度是关键,更准确的预测会带来更好的能源管理和节省更多的能源开支。
因此,在进行时间序列模型的预测前,需要对历史数据进行充分的数据预处理,以保证数据的稳定性和可靠性。
混沌时间序列分析方法研究及其应用
混沌时间序列分析方法研究及其应用一、综述近年来,随着大数据时代的到来,时间序列数据在各个领域的应用越来越广泛,如金融、气象、环境监测、生物技术等。
对于时间序列数据,由于其具有不确定性、复杂性和模糊性等特点,传统的数据分析方法已经难以满足需求。
针对时间序列数据的混沌时间序列分析方法逐渐受到关注。
本文将对混沌时间序列分析方法进行综述,包括其基本原理、特点、应用以及最新研究成果。
旨在为相关领域的研究和应用提供参考与借鉴。
混沌时间序列分析方法是一种针对具有混沌特性的时间序列数据进行预测和分析的方法。
自从20世纪80年代以来,混沌理论的发展为时间序列分析提供了新的思路。
与其他数据分析方法相比,混沌时间序列分析方法具有对初始条件敏感、普适性、可预测性等特点,使其在许多领域得到广泛应用。
相空间重构:通过对时间序列进行相空间重构,将高维的时间序列数据投影到低维的相空间中,以揭示其内在的混沌动力学规律。
常用的重构方法有CohenSteel算法、拉普拉斯矩阵和马尔可夫矩阵等。
李雅普诺夫指数计算:李雅普诺夫指数是衡量系统混沌程度的一个指标。
通过对时间序列进行分析,可以计算出其李雅普诺夫指数,从而了解系统的混沌特性。
常用的计算方法有奇异值分解法(SVD)和非线性最小二乘法等。
分布熵分析:分布熵是一种衡量时间序列复杂性的度量。
通过对时间序列进行分布熵分析,可以了解其混乱程度。
常用的分布熵计算方法有基于Shannon熵的算法和基于小波嫡的算法等。
神经网络预测:基于神经网络的混沌时间序列预测方法被认为是具有潜力的预测手段。
通过训练神经网络模型,可以实现对混沌时间序列的有效预测。
主要包括循环神经网络(RNN)、长短时记忆网络(LSTM)和门控循环单元(GRU)等模型。
集成学习方法:集成学习方法是将多个单一模型的预测结果进行融合以提高预测精度的策略。
通过对不同算法和模型的预测结果进行集成,可以提高混沌时间序列分析的稳定性和准确性。
电力系统短期负荷混沌预测法论文
电力系统短期负荷混沌预测法摘要:电力系统短期负荷预测,在日常工作中具有十分重要的意义,它是保证电力系统的安全、经济运行的基础。
文章简要对短期负荷预测的研究方法进行介绍,详细分析了混沌理论预测方法,包括相空间重构等主要思想。
另外,选择合适的综合预测模型才是提高预测精度的主要方法。
abstract: short-term load forecasting of electric power system is significant in daily work. it is the basis to guarantee the power system safety and economic operation. this paper briefly introduces short-term load forecasting research methods, analyzes the chaos theory prediction methods, including phase space reconstruction etc. in addition, choosing appropriate comprehensive prediction model is the main method to improve forecasting precision.关键词:电力系统;短期负荷预测;混沌key words: power system;short term load forecasting;chaos中图分类号:tm732 文献标识码:a 文章编号:1006-4311(2012)32-0104-020 引言负荷预测是指在充分考虑系统运行特性,自然条件、社会条件和地区经济条件影响的情况下,为满足一定的精度要求,得到未来某时刻的负荷值,对历史负荷数据采用一系列的数学方法进行计算。
短期负荷预测[1]是给电厂安排日、周发电计划,是电力系统的安全、自动控制调度、经济运行主要保障,主要是指未来几小时、一天的日负荷预测和未来一周的周负荷预测。
基于混沌时间序列的电力月负荷预测
系中所得 的状态轨迹保 留了原空间状态轨道的最主
要的特征。设有单变量时间序列 X 1, ( , ( ) ()x 2 …X , ) 1 则由此序列嵌入 m维相空间, 得到一系列 m维相空
间 的相点 :
此方法常用于资料点数不是很多的时间序列以及须 计算高维行为的离散系统。首先定义相关积分函数
C ( )如下 : e
映出数据序列 的全貌还是一个 需要探讨 的问题[。 2 ]
预测结果看 , 此种方法 的预测精度高、 计算速度快 ,
是 电力系统负荷短期预测 的一种简单易行的方法。
11 负荷 吸引 子 的相 空 间重构 .
电力系统负荷数据是以一定时间采样而得到的
离散 时 间序 列 。对 此 类 时 间序 列 ,aa Pkr 出 了相 d提
( . abnR rl l t fa o ueu H ri 506 h a 1H ri ua Ee r ct nB ra , abn10" ,C i ; ci i i / n
2 Eetcl Eet ncEli rl C lg , tri nvr t o c neadT cn l y H ri 5 0 C ia . lc i & l r i l 耻eig ol e l b U ie ̄y f i c n e oo , abn1 ̄ ,hn ) ra co g I e a n Se h g D4
A sr c :1 l a e d psafrcs n to fmo tl lcrclla ae i c at i eist b ta t ' sp p ra o t oeat gmeh d o n yee t a o db sd O h oi t } i i h i l c me sr o e frcs n l lcr a od.,1 to nye ly i oia d t f l t c od t oe atftr oeat mo t yee tc la h il n i me d o l mpo shs r l aao e r a la o frcs uu e s h t c ec il
电力负荷预测中的时间序列预测算法分析
电力负荷预测中的时间序列预测算法分析电力行业在全球经济中扮演着非常重要的角色,每年的电力生产和消费都是庞大的。
然而在电力供应时,发电厂往往会根据一些历史数据和预测数据来优化运营计划,让电力供应更加稳定和可靠。
以往的电力负荷预测算法主要是基于经验的科学方法,但是现在随着时间序列预测技术的发展,根据历史数据和未来趋势来预测电力负荷需求成为了一个流行的趋势。
一、时间序列预测算法的发展历程时间序列预测算法是一种非常古老的技术,最早的应用在天文学中预测行星的运动。
随着计算机技术的发展,时间序列预测算法的应用范围和精度逐渐得到扩展。
在电力负荷预测中,时间序列预测算法(TSP)是一种基于历史数据和趋势分析的预测技术。
二、电力负荷预测的目的电力负荷预测的主要目的是预测未来某个时间段内的负荷需求,以便制定合适的发电计划。
这种预测需要预测未来的负荷需求,不但需要考虑历史数据,还需要考虑未来可能发生的变化和趋势。
三、时间序列预测算法的基础时间序列预测算法的基础是一组已知的“时间序列”数据,这些数据中包含了每个时间点的不同指标或变量的值。
根据这些已知数据,时间序列预测算法可以使用一系列的数学函数模型、统计模型和机器学习模型来预测未来的的数据。
四、时间序列预测算法的种类时间序列预测算法主要有以下几类:1. 基于统计的时间序列模型:这种模型使用历史数据和统计方法来建立模型,并根据模型来预测未来数据。
2. 基于机器学习的时间序列模型:这种模型使用机器学习技术来训练模型,然后使用训练好的模型来预测未来的数据。
3. 混合模型:这种模型结合了统计模型和机器学习模型的优点,可以更好地进行预测。
五、时间序列预测算法的应用时间序列预测算法在电力行业中的应用非常广泛,主要应用在以下几个方面:1. 短期电力负荷预测:主要根据已知的历史数据和未来趋势来预测未来一天或一周的短期电力负荷需求,以便制定合适的电力供应计划。
2. 中长期电力负荷预测:主要根据已知的历史数据和未来趋势来预测未来几个月或一年的电力负荷需求,以便制定合适的电力发展计划。
基于时间序列模型的能源需求预测与优化
基于时间序列模型的能源需求预测与优化能源是现代社会发展和经济运行的重要支撑,科学准确地预测能源需求对于能源规划、供给侧结构改革和实现可持续发展具有重要意义。
时间序列模型作为一种常用的预测方法,在能源需求预测和优化中具有广泛的应用前景。
本文将探讨基于时间序列模型的能源需求预测与优化技术。
一、能源需求预测的重要性能源需求预测是指通过对历史能源需求数据和相关因素进行分析和建模,得出未来一段时间内的能源需求量。
精确的能源需求预测可以帮助政府和企业制定科学合理的能源规划,并为供应链管理、资源配置、生产计划等决策提供依据。
同时,能源需求预测也对于能源供应的安排和调控具有重要意义,可避免供需矛盾和资源浪费。
二、时间序列模型在能源需求预测中的应用时间序列模型是一种将变量的取值与时间顺序相关联的分析方法,通过分析历史数据的趋势和周期性,预测未来的能源需求。
常见的时间序列模型包括移动平均模型、指数平滑模型、自回归移动平均模型(ARMA)、自回归积分移动平均模型(ARIMA)等。
1. 移动平均模型移动平均模型是一种简单的时间序列模型,它基于历史数据的平均值来预测未来的能源需求。
该模型适合对稳定的能源需求进行预测,但对于存在趋势和季节性变化的需求预测效果较差。
2. 指数平滑模型指数平滑模型考虑了历史数据的权重问题,通过降低较早数据的权重,更加关注近期的数据,以反映能源需求的最新变化。
该模型适用于短期能源需求的预测,但对于存在长期趋势和季节性变化的需求预测效果有限。
3. 自回归移动平均模型(ARMA)ARMA模型是一种结合了自回归和移动平均的时间序列模型,通过分析历史数据的自相关和滑动平均性质来预测未来的能源需求。
该模型适用于存在趋势和季节性变化的能源需求预测,但需要对模型参数进行复杂的估计和优化。
4. 自回归积分移动平均模型(ARIMA)ARIMA模型是ARMA模型的扩展,通过引入差分操作来处理非平稳时间序列,适用于存在趋势和季节性变化的非平稳能源需求预测。
基于时间序列的电力系统负荷预测研究
基于时间序列的电力系统负荷预测研究摘要:时间序列预测是一个备受关注的研究领域,旨在根据以前观察到的趋势分量,使用最佳模型来预测未来的趋势分量。
由于电力负荷预测被认为是时间序列预测范式的一部分,所以可以根据电力系统负荷预测的要求进行时间序列预测研究分析。
关键词:时间序列预测;趋势分量;电力负荷预测1介绍电力负荷预测是电力系统管理的重要内容。
电力负荷预测问题已成为电力系统和电力市场寻求最低成本的一个重要课题[1]。
对电力公司来说,需求响应和可靠性能的管理是一项必不可少的任务。
事实上,电力公司要做的就是估算电力需求。
更准确的需求估计可以减少配电网络中电力负荷中断和短缺等问题。
另一方面,鉴于电力供应商的主要目标是降低发电和分配电力的成本,高准确度的预测可以帮助很好的解决这个问题。
负荷预测为负荷产生和分配单元提供了电力需求的先验知识。
这些先验知识可以帮助他们规划能源生产单元,并决定购买所需的电量。
准确预测电力负荷在发电和配电网中起着至关重要的作用,预测误差的大小直接决定着电力生产过程中的经济成本问题[2]。
电力负荷预测模型按照预测周期的一般分类可分为极短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测。
所以,电力系统负荷预测的预测本质上是进行时间序列预测研究分析[3]。
在多种负荷预测策略中,中期负荷预测对于电力规划与调度、电力需求管理以及临时制定电力共享协议具有重要意义。
由于电力负荷需求的上升,该技术进一步产生了未来网络扩展的容量规划。
另一方面,与短期和长期负荷预测相比,中期负荷预测的研究是负荷预测的重点工作。
2电力负荷序列预测用电负荷的消耗受多种外部因素的影响,如天气、季节、工作日或周末、节假日等,这对电力负荷时间序列负荷的预测带来了极大的挑战性。
电力负荷预测方法分为统计方法和基于人工智能的方法。
负荷预测的趋势正在从多元回归、自回归移动平均和自回归综合移动平均等统计方法转向基于机器学习的方法,如支持向量回归和基于深度学习的模型。
基于混沌因子及相空间重构后的神经网络短期电价预测的研究
中图分类号: T 3 F 2 . M7 ; 139
文献标识码: A
文章编号 : 10 .8 72 0 ) 1 0 80 0 34 9 (0 80 . 4 .4 0
0 引言
在 电力 市场 中 ,电价是 整个 电力 市场 的杠杆 和 支 点…,在整 个 电力市 场 中发挥着 核 心 的作用 ,各 个 参与 者之 问发 生的交 易和 关系 都是 以 电价 为基 础 的,市场 参与 者只 有较 为准确 地 预测到 电力 价格 , 才 能在激 烈 的市场竞 争 中处 于有利地 位 ,谋取 更 多 的利 益 。因此 ,近年 来 电价预 测 己成 为 电力市场 中 亟待 研究和 解 决 的热 点课 题之 一 。 电力市场 中,影响 电价 的因 素众 多,包括用 户
Ab t a t Th r r n a t r i h c n a e t h lcrct rc s b ti a t we C l n t e l o e i f r ai n o e e sr c : e e a ma y f c o swh c a f c e ee tii p e , u f c , al o tal f n o m to ft s e t y i n g t h h f c o s I i sae t r v e p e it ep e ii n t sp p ra ay e e c a t r p ryo ep c d l a mes re n a t r . n t s t t , o i o e t r d c i r c so , h a e l z s h o c p o e t f h r e a d t e sa d h mp h v i n h t i t i n o i i r c n tu t e ata t r sn C t e r . sd s t e s lrt e r h tc n q ei aa mi ig i d p e n e mo t i l e o sr c s t co su i g C— o y Be i e , i a y s a c h i u nd t n n a o td t f d t s mi h t r h h mi i e s oi h s r a t e e s t i i g d t . e e r ln t r ih h sh g b l y t ef la n n n e fa a t g i s d t n h i s r s a a n n ae Th n BP n u a ewo k wh c a i h a i t o s l r i g a d s l d p i s u e o f d t e me i r i e n i r c n t ci e f n t n T e a t a aa o e o s u t u c i . r v o h cu ld t fAme c J o rmak ti f r c se a e n t e t e r b v . e r s l a e in r a P M p we r e s o e a t d b s d o h o a o e Th e u t h v h y s g o r d c i ep e iin e p c al s d y 、 o d p e it r c so , s e i l i r t a s v y ne Ke r s p i ef r c s n ; c a t r p r ; BP n u a ewo k d t n n ; C— t e r ywo d : rc o e a t g i h oi p o e y c t e r l t r ; aami i g n C o h y
基于时间序列模型的电力功率趋势预测研究
基于时间序列模型的电力功率趋势预测研究随着电力行业的发展和人们对电力的日益重视,电力功率的稳定供应成为了国家和社会发展的重要基石。
因此,对电力功率趋势的预测成为了电力行业中的一个重要问题。
为了解决这个问题,时间序列模型成为了一种非常有效的预测方法。
时间序列模型基于历史数据对未来的变化趋势进行预测。
它主要通过对历史数据的分析,识别出其内在的规律,然后基于规律来预测未来的变化趋势。
时间序列模型的优势在于不需要事先对影响因素进行分析,而是利用历史数据中自然存在的信息来进行预测。
电力行业中,功率趋势的预测是非常重要的。
由于电力的特殊性,它的供需平衡往往是非常脆弱的。
如果供需平衡出现问题,就会导致电力故障和甚至停电。
因此,电力行业需要一种可靠的方法来预测电力功率的趋势。
时间序列模型可以通过分析历史数据来预测电力功率的趋势。
它主要分为自回归模型(AR)、移动平均模型(MA)和自回归移动平均模型(ARMA)三类。
这三种模型都是利用历史数据进行预测,但是它们的预测方法略有不同。
自回归模型是指时间序列模型中,当前数据的取值与前面的p个数据有关。
其中p是模型的参数,称为自回归系数。
自回归模型用于描述时间序列的自相关性,也就是前期的变化会影响后期的变化。
移动平均模型是指时间序列模型中,当前数据的取值与前面的q个数据的加权平均值有关。
其中q是模型的参数,称为移动平均系数。
移动平均模型用于描述时间序列的平滑程度。
自回归移动平均模型是指时间序列模型中,当前数据的取值与前面的p个数据和前面q个数据的加权平均值有关。
ARMA模型综合了自回归模型和移动平均模型的优点,可以描述时间序列的同时具有自相关性和平滑程度。
除了AR、MA和ARMA模型之外,还有ARIMA和VAR模型等基于时间序列的预测方法。
ARIMA模型是ARMA模型的扩展,更适合用于拟合非平稳时间序列。
VAR模型则可以用于描述多个时间序列之间的相互关系。
在实际应用中,时间序列模型可以采用不同的方法来确定其参数。
基于混沌理论和小波变换的电力系统短期负荷预测方法
基于 沌 论和小 变 电 系 短 荷 方 பைடு நூலகம் 混 理 波 换的 力 统 期负 预测 法
于 涛 杨 涛 ,
( . 和 浩 特 如 意 开 发 区 公 用 事 业 公 司 ;. 1呼 2 内蒙 古 电 力 ( 团 ) 限公 司 , 集 有 内蒙 古 呼 和 浩 特 000) 10 0 摘 要 : 章 首 先 对 目前 电 力 系统 负荷 预 报 理 论 和 方 法 进 行 了全 面 回顾 和 评 述 , 点 介 绍 了 混 沌 理 文 重 论 的 发 展 及 应 用 现 状 。 结 合 混 沌 时 间 序 列 的 分 析 方 法 , 对 现 在 广 泛 应 用 于 电 力 系 统 短 期 负 荷 预 测 的 在 混 沌 方 法 研 究 的 基 础 上 。 出 了将 混 沌 预 测 技 术 与 小 波 奇 异 性 检 测 和 消 噪 结 合 提 高 预 测 精 度 的 方 法 。 提 关 键 词 : 波 变 换 ; 异 性 检 测 ; 沌 ; 空 间 重 构 ; 期 负 荷 预 测 小 奇 混 相 短 中图分类 号 : TM 9 3 2 0. 2 3 .3 1 文献标 识码 : A 文 章 编 号 : 0 7 6 2 ( 0 7) 2 O 9 一 O 10- 9 120 2一 05 3
负 荷 预 测 是 根 据 历 史 负 荷 值 , 满 足 一 定 精 度 在 的情 况 下 决 定 未 来 某 特 定 时 刻 的 负 荷 值 。 一 般 说 来 , 小 时 以 内 的 负 荷 预 测 为 超 短 期 负 荷 预 测 , 于 一 用 安 全 监 视 、 防 性 控 制 和 紧 急 状 态 处 理 。 对 小 时 负 预 荷 的 预 测 有许 多 方 法 。 几 十 年 来 , 内 外 众 多 学 者 国 对 负 荷 预 测 及 其 相 关 技 术 进 行 了 大 量 的 理 论 分 析 和 实 例 应 用 研 究 。 目 前 常 见 的 预 测 方 法 有 时 间 序 列 法 …、 糊 预 测 法 、 经 网 络 法 l 和 专 家 系 统 法 模 】神 3 以及 将 各 种 方 法 加 权 组 合 的方 法 等 。 这 些 负 荷 预 测 方 法 基 本 上 都 属 于 根 据 负 荷 及 其 相 关 因 素 的历 史 数 据 记 录 建 立 数 学 模 型 , 后 根 据 然 模 型 进 行 预 测 。所 以 历 史 负 荷 数 据 的 准 确 性 成 为 预 测 精 度 的基 础 。尤 其 混 沌 预 测 法 纯 粹 是 建 立 在 历 史 负 荷 数 据 基 础 上 , 需 要 其 他 相 关 因 素 , 一 点 是 其 不 这 区别 于 其 他 方 法 的 主 要 优 点 , 时 也 使 其 更 依 赖 于 同 历 史 负 荷 数 据 的 准 确 性 。 而 在 实 际 电 力 系 统 中 当 电 力 短 缺 出现 拉 电 、 电 现 象 , 统 出 现 故 障 、 时 冲 限 系 短 击 负 荷 以及 由 于 系 统 中 终 端 数 据 采 集 测 量 、 表 的 读 同 步 偏 差 、 输 错 误 、 道 噪 声 等 原 因 , CADA 数 据 传 信 S 库 中 的 数 据 有 时 会 受 到 污 染 。所 以在 预 测 前 必 须 对 历史 负荷数据 去伪存 真 。 传 统 的 负 荷 预 处 理 的 一 般 做 法 是 : 虑 不 同 时 考 段 负 荷 之 间 的 变 化 关 系 , 出 现 一 个 超 出 常 规 的 数 当 值 时 , 判 断 发 生 了 坏 数 据 现 象 , 数 据 用 一 正 常 比 就 此 例 范 围 内的 估 计 值 代 替 。这 种 做 法 的难 度 在 于 不 同 时 段 、 同 日期 类 型 如 工 作 日 、 末 、 假 日 等 和 不 不 周 节 同 季 节 的 负 荷 其 变 化 规 律 将 不 同 。 要 确 定 负 荷 的 正 常 变 化 关 系 , 要 分 析 大 量 的 负 荷 数 据 , 对 不 同 的 需 针 情 况 作 调 整 。 这 种 方 法 不 仅 非 常 繁 琐 , 且 得 到 的 而 结 果 并 不 理 想 , 常 出 现 错 判 和 漏 判 , 不 同 地 区 的 经 且 负 荷 变 化 趋 势 也 不 同 , 冲 击 负 荷 比较 严 重 的 地 区 , 在 至 很 难 得 到 有 规 律 的 变 化 趋 势 。 各 个 地 区 的 负 荷 曲线需 要分别处 理 , 乏通用 性 。 缺 本 文 首 先 选 择 基 于 混 沌 理 论 的 电 力 系 统 短 期 负 荷 预 测 方 法 , 过 L gsi 通 o it c混 沌 序 列 在 噪 声 环 境 下 预测精度 的明显 降低 这 一 现 象 , 明 了运 用 混 沌理 说 论 进行 电力系统 负荷预 测前对 历史 负荷 数据 预处理 的 必 要 性 。 进 而 应 用 小 波 奇 异 性 检 测 理 论 分 别 对 冲 击 负 荷 和 噪声 进 行 了 消 除 , 过 在 电 力 系 统 混 沌 一 通 阶 局 域 法 负 荷 预 测 中的 应 用 证 明 该 方 法 对 提 高 预 测 精 度是可行 的和 有效的 。 1 基 于 混 沌 理 论 的 电 力 系统 短 期 负 荷 预 测 方 法
混沌神经网络在短期电力负荷预测中的应用
Ke r s: la o e a t g;c a s n u a e wo k y wo d o d fr c si n h o ; e r n t r l
0 引 言
电力 负荷 预测是 制定发 电计划和 电力 系统 发展 规划 的基础 , 精确 的负荷预报对 于 电力 系统经 济 、 安 全、 可靠地运行 具有 特别 重 要 的意 义 l 。电 力 系统 】 ] 的任 务是为各类 用户尽 可能经 济地 提供 可靠性 符合
基础 。
个光滑的微分 同胚 , : 一尺 Y有二 阶连续 导数, Y , ( ,) 朋 Y : , 中, 其
咖( Y =( ( ) Y ( ) … ,( ) ) , ) y x , ( ) , Y 加 ( ) 则 ( Y 是 到 尺D“的一个嵌 入 。 ,) 2 2
h ss f a a ss f c a tc i t e ba i o n y i o h oi t s re ,a a ay e t e l me ei s nd n lz s h mo e ’S haa t rsi a d c i v s d l c r ce it c, n a h e e
2 1 牟第 1 0 0 1期
中图 分类 号 :M75 T 1 文 献标 识 码 : A 文 章 编 号 :09—25 (0 0 1 — 0 9— 3 10 52 2 1 ) 1 04 0
混沌 神 经 网络在 短 期 电力 负荷 预测 中的应用
徐 明义
( 哈尔滨理工大学 ,哈尔滨 10 8 ) 50 0
XU Mi g Y n .i
( r i nvri f c nea dT c nlg , ri 50 0 C ia HabnU ies yo i c n eh ooy Ha bn10 8 , hn ) t Se
混沌时间序列预测在短期电力负荷预测中的应用
与经济发展等 因素 的条件下确定电力系统未来某 特定时刻 的负荷数值 ,是电力系统安排生产计划 、
分 析 系统 安 全 、 进行 实 时调 度 的重 要参 考 依 据 。选 择 恰 当 的方 法 提 高 负 荷 预测 精 度 始终 是 城 市 电 网 规 划 中的一 个重 要研 究 方 向 。鉴 于此 , 多 学 者使 很
O 引言
负荷预 测 是 在考 虑 系统 的运 行 特 性 、 自然 条件
轨 迹 。也 就是 说 , 由一 个混 沌 系统 产生 的轨迹 经 过
一
定 时 期 的 变 化 后 , 生 一 种 规 则 的 、 形 的轨 迹 产 有 ( 吸 引子) 混沌 ,这 种 轨迹 在经 过 类似 拉 伸 和折叠 后
关键词 :混沌 ;负荷预测 ;混沌时间序列;最大 L au o 指数 yp n v 中图分类号 :M74 T 1 文献标识码 : A 文章编号 :6 3 7 9 (O 7O 一 0 4 0 17— 5 8 2 o ) l0 2- 3
出系统 原 来 的规 律 , 这种 规 律是 高 维空 间下 的一 种
延 迟 坐 标 向 量法 对 山西 电 网时 负 荷 进 行 相 空 间重 构 。重构 的相 图如 图 1 所示 。 图1 中重构 的相 图 出现几 个 尖 峰 ,这说 明 电力
量的信息就隐含在任一分量的发展 中。这样 , 就可 以从 某 一 分量 的 一批 时 间序 列 数 据 中提 取 和 恢 复
维普资讯
r _・
L 一—]
0
20 00 4000 6 0 8 00 000 1 0000 2000 4000 l l
o
2000 4 000 6000 80 00 l 00 0 0 l 2oo 1 O 4000
配电网短期负荷预测方法
配电网短期负荷预测方法王宪安04111978电气10班配电网短期负荷预测方法摘要:随着市场经济的不断发展,负荷预测在配电网和运行方面发挥着越来越重要的作用,负荷预测也具有了更加明显的经济效益,其实质上是对电力市场需求的预测。
该文在介绍和分析了几种负荷预测的方法及特点的基础上,对短期负荷预测的方法做了全面综述,并比较了各种方法的优缺点。
关键词:负荷预测;短期预测;支持向量回归模型;神经网络0 引言随着我国电力事业的发展,电网的管理日趋现代化,电力系统负荷预测问题的研究也越来越引起人们的注意,现在已经成为了现代电力系统运行研究中的重要课题之一。
负荷预测可以分为长期、中期、短期、超短期以及节日预测。
其中短期负荷预测是电力系统安全运行的前提,随着分时电价方式的推广和电力市场化改革的深入,电力公司力求及时、准确地把握负荷变化的信息,将负荷预测的重要性和迫切性提到前所未有的高度,同时野队负荷预测的精度提出更高的要求,这必将推动我国对负荷预测新方法、新技术的研究。
1 市场环境下高精度的短期负荷预测的意义在当前的电力市场条件下,短期负荷预测精度的高低直接决定了发电计划制定的准确与否,这使得预测精度直接和消息相关,主要表现在:(1)在电力市场环境下,高精度的负荷预测是有效的维护各实体经济利益的前提条件之一;(2)准确的负荷预测为发电商投标竞价提供了真实的依据,它可以使发电商和电网公司签订的预购合同更接近实际交易合同,避免了因合同变更而产生的交易费用;(3)准确的负荷预测能够使电网公司在保证电网安全的前提下,减少冗余的旋转备用,从而降低电网公司的运营成本;(4)在电网公司与其他电网公司交换谈判时,准确的负荷预测起着非常重要的指导作用;(5)准确的负荷预测对电力市场的投资规划提供决策依据;(6)负荷预测是电价预测的基础和未来电力市场预测期货交易的基础。
可见,电力短期负荷预测的精度直接影响到了电网及各发电厂的经济效益。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
统计与决策2010年第8期(总第308期)基于混沌时间序列的电力需求短期预测分析摘要:文章通过对电力需求的混沌特征进行分析,建立了基于混沌时间序列的电力需求量的短期预测模型,为实现电力资源综合优化奠定了重要的、较为可靠的研究基础。
关键词:混沌时间序列;电力需求;短期预测中图分类号:F201文献标识码:A文章编号:1002-6487(2010)08-0038-02傅毓维,杨莉(哈尔滨工程大学经济管理学院,哈尔滨150001)0引言电力需求预测的核心问题是预测的技术方法,或者说是预测的数学模型。
随着现代科学技术的快速发展,电力需求预测技术的研究也在不断深化,从经典的单耗法、弹性系数法、回归分析预测法、时间序列分析预测法,到目前的专家系统法、模糊数学法、灰色预测法以及BP神经网络法,虽有各自的研究特点和适用条件,但预测原理都是基于预测要素的线性相关性、系统惯性、类推原理和概率等原理,在精确地了解各种要素的变化规律的基础上推算未来任何时刻的状态。
本文选择预测方法时将电力资源看作一个系统,力图精确地描述电力资源系统中的各种因素的变化规律。
建立了基于混沌时间序列的电力需求量的短期预测模型,为实现电力资源综合优化奠定重要的、较为可靠的研究基础。
1混沌时间序列方法的预测过程1.1重构相空间时间序列(状态空间){Xt}(t=1,2,…,n),其中n为采样的时间长度。
设采样的时间间隔为τ,嵌入相空间维数为m,则形成时间漂移序列:X1(x1,x1+τ),…,x1+(m-1)τ)X2(x1+τ,x1+2τ,…,x1+mτ)…,XN(x1+Nτ,x1+(N+1)τ,…,x1+(m+N)ττττττττττττττ)这样形成吸引子m维的相空间,并以Nm=n-(m-1)τ个点代替原状态空间。
确定最佳维m是建立相空间关键,由于吸引子的维(最佳)D<m,N个点向量相互独立。
1.2计算关联维数根据GP算法,分维是以评价尺度r去度量相空间,测量点对(Xi-Xj)的欧拉距离:||Xi-Xj||,N个点构成N2个点对,定义尺度r相空间的平均距离:C(r)=1N2NjΣNjΣδ(r-||Xi-Xj||)其中δ为海塞德(Heaviside)符号函数:δ(x)=1 x≥00 x<≥0如果动力系统存在吸引子,则有:C(r)~rD即lnC(r)~Dlnr通过点对(lnC(r),lnrj)形成一直线区域,其斜率为最佳的吸引子分维数。
当n充分大,r充分小时,即有分维数D:D=limr→0lnC(r)lnr 不断提高维数m,并可计算出D,当D不再变化为止。
当m足够大(表示系统足够复杂)时,重构的动力学系统完成描述原来的状态空间。
如果m>2D+1时,m值是相空间动力行为的最佳表示。
令m=2lnt(D)+1,lnt(D)表示取D的整数,则构造重构状态空间,同时指出描述该系统的最小变量数。
1.3计算最大李雅普诺夫(Lyapunove)指数Lyapunove指数是系统运动轨迹的平均发散或收敛的一基金项目:国家自然科学基金资助项目(90510016)作者简介:傅毓维(1946-),男,黑龙江哈尔滨人,教授,博士生导师,研究方向:技术经济。
杨莉(1972-),女,黑龙江哈尔滨人,博士研究生,研究方向:技术经济、电力系统。
理论新探38统计与决策2010年第8期(总第308期)图5加入噪声后的数据图图6混沌吸引子维数变化图图7电力需求量增长率预测结果种度量。
高维相空间的Lyapunove指数是一个谱系λi(i=1,2,…,m),其中任一指数表示相空间沿某方向上相邻轨道随时间演化的分离程度,其求解可按Wolf所建议的计算相空间线度增长率的方法进行。
首先重构m维相空间,取初始时刻t0的相点X0为基点,从其余相关点中选取与X0最邻近的点Xj构成一初始向量,计算X0Xj 间的距离,记为L(t0),经历一段时间t1演化后两条轨迹之间的距离就成为L'(t1)。
最邻近点Xj的选取应满足两条判据:(1)两点之间距离应是小的;(2)演化后的点与新选取的点之间夹角是小的。
这样的过程不断重复(见图1),直到所考虑的轨迹行走完所有的数据,就可以得到最大LyapuNove指数:λ1=limn→∞1tn-t0nk=1Σln L'(tk)L(tk-1)其中,n是在参考轨迹上演化进行的次数。
λ1>0,原时间序列{X(t)}存在混沌吸引子;λ1<0,原时间序列{X(t)}不存在混沌吸引子。
1.4预测设满足状态空间的函数关系为:X1+2r=f(X1+r),确定预测函数的方法有很多,如全域预测法、局域预测法、加权平均法等,本文采用局域预测法进行计算。
局域预测法只是在各状态点中挑选出与需要预测的状态点邻域的k个点来拟合函数,根据自组织理论确定函数的具体形式为Xt'=AXt+B,利用最小二乘法确定A和B。
预测建模程序见图2。
2混沌时间序列分析在电力需求预测中的应用选取1980~2006年我国电力需求量为原始数据(见表1),作出折线图(见图3),可以看出电力需求量呈现明显的递增规律。
我们知道规律与无序常常并存,为准确把握其内在规律,本文将原始数据作一个数据变换,转化为增长率指标,得到电力需求量增长率数据形态(见图4),可以看到增长率序列呈表面无规则性。
为了进一步探索电力需求量的混沌特征,有限的数据量严重阻碍了我们探索其规律性,特别是Lyapunove指数的求解更需求4~5位数以上的信息,这在数据收集上相当困难,因此本文对数据进行了噪声处理,首先对数据插入数据结点,使数据量增至1250个,同时对每个数据点加入其均值的2%的噪声,力求加入噪声后不会改变数据本身的状态,得到加入噪声后的数据图(如图5),可以看到加入噪声后的数据趋势与原来增长率序列呈相同的规律,因此我们以加入噪声后的增长率为对象进行混沌预测。
首先计算延迟时间,它的选取是重构相空间好坏的关键,考虑到相空间重构的目的是找出轨道的拟周期,故对于给定的序列{Xt},t=1,2,…,n,可以定义以下优化模型:minnτ=1ΣX(i)X(i+τ)s.t.τ>0;τ<100;τ∈Z∈∈∈∈∈∈∈∈∈+计算得到延迟时间为81,不断提高m,得到分形维数D如表2。
可以看出当D=1.6179时,m增大时D保持稳定,这时D就是该时间序列中混沌吸引子的关联维数,得到的混沌吸引子维数变化见图6。
根据公式m=2lnt(D)+1,得到系统最佳嵌入维m=3。
采用相空间重构法把xi分别嵌入到2维、3维空间中,初步可知该时间序列具有混沌特点。
然后计算最大李雅普诺夫指数,得到其值为0.0038>0,可以判定电力需求量增长率的序列是混沌序列。
从该指数还可以知道对电力需求量增长率预测能力的衰减速度,可知最长预测时间不应超过1/λ=263,由于加入2%噪声,故可知该年度电力需求量(亿千瓦时)增长率(%)年度电力需求量(亿千瓦时)增长率(%)年度电力需求量(亿千瓦)增长率(%)表1 1980年~2006年电力需求量及增长率原始数据表注:(1)资料来源:历年《中国电力年鉴》;(2)假定年电力需求量等于该年电力消费量。
19803006.3198957627.531998113472.7919813186.7619906030.44.661999120896.541982332 1.54.231991669611.04200013471.411.4419833545.46.7419927455.411.342001146838.9919 843777.66.5519938201.110200216331.511.2319854117.6919949046.510.31200319031.616. 5319864507.19.46199510023.410.80200421971.415.4519874902.78.781996105705.4520052 4940.413.5119885358.79.31997110394.4420062824813.26图3电力需求量趋势图图4电力需求量增长率趋势图理论新探39统计与决策2010年第8期(总第308期)时间序列的最大预测时间尺度为5年,由此进一步验证混沌时间序列方法只能作短期预测。
取τ=1,得到的预测结果见图7,对计算结果按表3作进一步分析可知,得到的电力需求量相对误差仅为0.0159%,预测结果与实际较为接近。
据此计算2007年度电力需求量,得到2007年预计较2006年增长率为0.1312%,得到的电力需求量预测值为31955.34亿千瓦时。
3结论从以上分析和计算可看出相空间重构技术能够提供大量有关非线性系统的有用信息,使得人们还没有建立近似模型就对经济时间序列的整体性质有了总体上的把握,同经典经济模型预测方法相比,这种把握和理解的信息更多来自于时间序列本身,而非主观判断。
混沌非线性预测以其独有的系统科学分析和预测是线性分析方法所不能体现的,这有助于我们改变传统的预测观念和预测范式。
参考文献:[1]Abarbanel H D I,Brown R,Sidorowich J J,et al.TheAnalysis of Observed Data in Physical Systems[J].RevMod Phy,1993,65(4).[2]Hastings S P,Troy W C.A Shooting Approach to Chaos in theLorenz Equations[J].J of Differential Equations,1996,127(1).[3]Fraser A rmation and Entropy in Strange Attractors[J].IEEE Trans on IT,1989,35(2).[4]Cao Liangyue,Mees Alistair,Judd Kevin.Dynamics from Multi-Variate Time Series[J].Physica D,1998,121(1~2).[5]Rosensrein M T,Collins J J,Luca C.Reconstruction Expansionas A Geometry-Based Framework for Choosing Proper DelayTime[J].Physica D,1994,73(1).[6]田立新.能源经济系统分析[M].北京:社会科学文献出版社.2005.[7]刘洪.经济系统预测的混沌理论原理与方法[M].北京:科学出版社,2003.[8]吕金虎,陆君安,陈士华.混沌时间序列分析及其应用[M].武汉:武汉大学出版社,2000.[9]孙海云,曹庆杰.混沌时间序列建模及预测[J].系统工程理论与实践,2001,(5).[10]刘殿海,杨勇平.计及环境成本的火电机组供电成本研究[J].中国电力,2005,(1).[11]牛东晓.电力负荷预测技术及其应用[M].北京:中国电力出版社,1998.[12]张立权,邵诚.基于完备模糊规则集的混沌时间序列预测[J].系统仿真学报,2006,(6).(责任编辑/亦民)嵌入维m分形维D31.336041.429951.458061.499271.545081.617991.6179101.6179表2电力需求量增长率混沌吸引子分形维数D年份增长率实测结果(%)增长率预测结果(%)电力需求量实测结果(亿千瓦时)电力需求量预测结果(亿千瓦时)增长率绝对误差(%)电力需求量相对误差20060.13260.13282824828252.50.00020.000159表3预测结果主成分旋转法的综合指标公式解与案例解析摘要:文章针对主成分旋转法综合指标解表示中存在的遗留问题,建立了数学模型,用柯西-许瓦茨(Cauchy-Schwarz)不等式,给出、证明了综合指标的公式解,明确了该综合指标解决问题的程度;按综合指标对全部变量具有较高的相关性和代表性为目的进行方法选取,用主成分分析和改进的、具有最大化条件的因子分析模型L更好地解答了主成分分析应用中的一些常见问题;通过案例解析,说明了因子分析模型L解决问题具有一般性、误差最小,能判断综合指标的正逆性,给出的结论更具有相对合理性。