1、電力負荷預測不僅可以提高電能配送的安全，還可以使電網(wǎng)企業(yè)合理有效運轉(zhuǎn)，是一種提高能源利用率的重要方法。短期電力負荷預測有著隨機、時變、非線性等特點，現(xiàn)階段主要有傳統(tǒng)的數(shù)據(jù)統(tǒng)計與現(xiàn)代人工智能兩種方法來對電力負荷進行預測。傳統(tǒng)的數(shù)據(jù)統(tǒng)計方法注重數(shù)據(jù)的擬合、模型的建立，而對電力負荷預測的影響因素利用不足，其預測結(jié)果往往不是很理想。在現(xiàn)代人工智能算法中，對電力負荷進行預測使用最多的就是BP神經(jīng)網(wǎng)絡。該方法也存在著隱含層數(shù)、隱含層節(jié)點個數(shù)、初始權(quán)

2、值等選擇的不確定性，較為依賴使用者個人的專家經(jīng)驗，還有著隱含層的黑箱處理、過擬合、過訓練等一系列缺點。
　　為了提高短期電力負荷預測的準確率,本文作了以下幾方面工作：
　　（1）傳統(tǒng)的模糊神經(jīng)網(wǎng)絡模糊規(guī)則是根據(jù)專家經(jīng)驗而事先確定好的，而現(xiàn)在電力負荷數(shù)據(jù)存在著數(shù)據(jù)量過大，數(shù)據(jù)過于繁雜等特點，此時,模糊規(guī)則的確定就成為一個難題。為了解決模糊神經(jīng)網(wǎng)絡的這個缺點，本文使用動態(tài)模糊神經(jīng)網(wǎng)絡來預測短期電力負荷，動態(tài)模糊神經(jīng)網(wǎng)絡最大的特點

3、就是其模糊規(guī)則不是事先就確定好，而是根據(jù)輸入樣本進行動態(tài)調(diào)整，首先通過系統(tǒng)誤差和可容納邊界兩個因素來決定系統(tǒng)是否需要新增模糊規(guī)則，然后使用了分級學習技術來加快整個網(wǎng)絡建立模型的速度，并且還使用了誤差下降率算法來剔除對整個網(wǎng)絡影響不大的一些模糊規(guī)則。
　?。?）當使用全部的負荷數(shù)據(jù)來訓練動態(tài)模糊神經(jīng)網(wǎng)絡時，會增加網(wǎng)絡建模的復雜度，也會影響網(wǎng)絡的建模速度。為了解決這個難題，本文使用相似日和動態(tài)模糊神經(jīng)網(wǎng)絡結(jié)合的方法來預測短期電力負荷，

4、該方法就是在訓練模型之前對訓練樣本作一個相似日處理，通過相似日自動尋找出與預測日在平均溫度與星期因素上相似的樣本，相似日與預測日在負荷消耗水平也比較相似，把預測日的相似日樣本作為訓練數(shù)據(jù)而不是將全部數(shù)據(jù)作為訓練數(shù)據(jù)，從而提高建模速度及簡化模型復雜度。
　　（3）在以EUNITE公司提供的電力負荷數(shù)據(jù)基礎上分別采用動態(tài)模糊神經(jīng)網(wǎng)絡、相似日和動態(tài)模糊神經(jīng)網(wǎng)絡結(jié)合的方法來進行負荷預測。實驗取得了較為理想的結(jié)果，為電力負荷預測提供了新的方