电力系统短期负荷预测：神经网络与专家系统应用

"4预测结果的处理-advance steel 高级设置技巧" 在电力系统短期负荷预测中，处理预测结果是一个至关重要的步骤。本章节详细介绍了几种处理预测数据的方法和技术，以提升预测的准确性和实用性。 首先，对于负荷数据的异常检测，采用横向对比和纵向对比策略。横向对比通过比较当前时刻的负荷值与前后时刻的负荷，当差值超过阈值r1时，判断为毛刺干扰，并用前后时刻的平均值来替代，这一过程由预测程序自动执行。纵向对比则关注同一时刻在不同天的负荷值，若与前几天的均值误差超出阈值，同样用均值替换，以减少噪声影响。 接着，负荷数据的归一化处理是神经网络训练的前提。为了使神经网络训练更加高效，避免神经元饱和，输入和输出数据会被转换到【-1，1】的范围内。公式(4．23)用于输入数据的归一化，公式(4．24)用于将归一化后的预测值转换回实际负荷值。这两个公式涉及到了样本的最小值和最大值，确保了数据在合适范围内。 在训练样本选择策略上，选取与预测负荷高度相关的样本至关重要。通常，近似的负荷曲线之间存在较强的关联性，样本选择既要考虑输入与输出的关系，也要选择恰当的样本集。本文采用的是仅使用过去历史负荷数据的策略，认为短期负荷变化与前两天的负荷密切相关，且因地区电网负荷的影响因素如气象数据不足，故不考虑其他因素。 在预测结果处理阶段，由于神经网络生成的是每小时的负荷值，但实际需求可能是每15分钟的数据，因此需要进行插值处理。插值方法多种多样，选择合适的插值方法能有效地填补数据间隔，提高预测曲线的连续性和准确性。 此外，文中还提到了采用RANN（递归自适应神经网络）模型，包含48个输入节点和24个输出节点，隐节点数根据训练样本动态生成，并选用高斯核函数作为激活函数。这一模型在处理训练样本时，能够节省时间，保持预测模型的更新，同时确保预测精度。 最后，当遇到天气突变等特殊情况时，通过专家系统对神经网络的预测结果进行修正，可以进一步提升预测的精确度。这样结合了人工智能和人类专家知识的系统，使得负荷预测更适应实际电网的复杂变化。 电力系统短期负荷预测涉及到数据预处理、神经网络训练、样本选择、结果插值和异常处理等多个环节，通过这些综合技术，能够构建出高效且准确的预测系统，服务于调度自动化和电力市场的决策支持。