电力系统中长期负荷预测综合模型研究.pdf

第４Ｏ卷第ｌ４期２０１２年７月１６日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌｖ０１．４０Ｎｏ．１４Ｊｕｌｙ１６，２０１２电力系统中长期负荷预测综合模型研究袁铁江１，袁建党，晁勤，郭立，张龙音１７孔飞飞（１．新疆大学电气工程学院，新疆乌鲁木齐８３００４７；２．鸟鲁木齐电业局，新疆乌鲁木齐８３００１１）摘要：中长期电力负荷预测是电力系统规划的基础和重要前提。分析比较了目前中长期负荷预测方法的特点，并进行了简单的分类。对传统的电力消费弹性系数法进行了改进，结合灰色预测模型与二次滑动平均预测法，建立了新的综合预测模型，并利用遗传算法优化各单一预测模型的权重。通过与人工神经网络模型进行对比仿真验证，结果表明所提出的预测模型具有较高的预测精度和较强的适用性。关键词：负荷预测；弹性系数；灰色预测；二次滑动平均；遗传算法—Ｓｔｕｄｙｏｎｔｈｅｃｏｍｐｒｅｈｅｎｓｉｖｅｍｏｄｅｌｏｆｍｉｄｌｏｎｇｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇ——ＹＵＡＮＴｉｅ－ｊｉａｎｇ，ＹＵＡＮＪｉａｎｄａｎｇ，ＣＨＡＯＱｉｎ，ＧＵＯＬｉ，ＺＨＡＮＧＬｏｎｇ．ｙｉｎ，ＫＯＮＧＦｅｉｆｅｉ（１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＸｉｎｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｕｒｕｍｑｉ８３００４７，Ｃｈｉｎａ；２．ＵｒｕｍｑｉＰｏｗｅｒＩｎｄｕｓｔｒｙＢｕｒｅａｕ，Ｕｒｕｍｑｉ８３００１１，Ｃｈｉｎａ）—Ａｂｓｔｒａｃｔ：Ｍｉｄｌｏｎｇｔｅｒｍｐｏｗｅｒｌｏａｄｆｏｒｅｃａｓｔｉｎｇｉｓｔｈｅｆｏｕｎｄ￣ｉｏｎａｎｄａｌｓｏａｎｉｍｐｏ￣ａｎｔｐｒｅｍｉｓｅｏｆｔｈｅｐｏｗｅｒｓｙｓｔｅｍｐｌａｒｍｉｎｇ．Ｔｈｉｓｐａｐｅｒａ—ｎａｌｙｚｅｓａｎｄｃｏｍｐａｒｅｓｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｐｒｅｓｅｎｔｍｉｄｌｏｎｇｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｓ，ａｎｄｔｈｅｎｃｌａｓｓｉｆｉｅｓｔｈｅｍｓｉｍｐｌｙ．Ｉｔｉｍｐｒｏｖｅｓｔｈｅｔｒａｄｉｔｉｏｎａｌｅｌｅｃｔｒｉｃｃｏｎｓｕｍｐｔｉｏｎｅｌａｓｔｉｃｉｔｙｃｏｅｆｆｉｃｉｅｎｔｍｅｔｈｏｄ，ａｎｄｃｏｍｂｉｎｉｎｇｗｉｔｈｇｒｅｙｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌａｎｄｓｅｃｏｎｄａｒｙｍｏｖｉｎｇａｖｅｒａｇｅｍｅｔｈｏｄ，ｅｓｔａｂｌｉｓｈｅｓａｎｅｗｉｎｔｅｇｒａｔｅｄｍｏｄｅｌｆｏｒｌｏａｄｆｏｒｅｃａｓｔｉｎｇ，ａｎｄｕｓｅｓＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ（ＧＡ）ｔｏｏｐｔｉｍｉｚｅｔｈｅｗｅｉｇｈｔｏｆｅａｃｈｓｉｎｇｌｅｆｏｒｅｃａｓｔｉｎｇｍｏｄｅ１．ＴｈｒｏｕｇｈｓｉｍｕｌａｔｉｏｎｔｅｓｔｗｉｔｈＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ（ＡＮＮ）ｍｏｄｅｌ，ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｓｏｆｈｉｇｈｐｒｅｃｉｓｉｏｎａｎｄｓＶｏｎｇａｐｐｌｉｃａｂｉｌｉｔｙ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．５１０６７００９ａｎｄＮｏ．５１１６７０１８）ａｎｄＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＸｉｎｊｉａｎｇ（Ｎｏ．２０１０２１１Ａ１Ｏ１．Ｋｅｙｗｏｒｄｓ：ｌｏａｄｆｏｒｅｃａｓｔｉｎｇ；ｅｌａｓｔｉｃｉｔｙｃｏｅｆｆｉｃｉｅｎｔ；ｇｒｅｙｐｒｅｄｉｃｔｉｏｎ；ｓｅｃｏｎｄａｒｙｓｌｉｄｉｎｇａｖｅｒａｇｅ；ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ中图分类号：ＴＭ７１５文献标识码：Ａ—文章编号：１６７４－３４１５（２０１２）１４０１４３－０４０引言电力负荷预测是电力系统规划、调度等工作的重要组成部分，也是电力系统经济运行的重要基础【ｌＪ。中长期电力负荷预测是以年或月为预测期限，它是制定电力系统发展规划及燃料计划的重要前提Ｉ２Ｊ。基于准确的负荷预测可以经济合理地安排电源及电网的扩展规划方案及建设进度，以满足经济发展和社会生产的需求，同时保持电网的安全稳定运行，有效降低发电及运行成本，提高经济和社会效益Ｊ。因此，提高中长期电力负荷预测精度是电力系统规划和运行的必然要求。在中长期负荷预测方面，国内外研究主要集中基金项目：国家自然科学基金项目（５１０６７００９，５１１６７０１８）；新疆自然科学基金项目（２０１０２１１Ａ１０）；新疆教育厅重点项目（ＸＪＥＤＵ２００９１０４）于利用更为先进的理论或新的预测方法以及提高负荷预测的精度。文献【３］讨论了长期、中期与短期负荷预测的特点及各自对应的成熟预测方法，分析了负荷预测问题的各种解决方案，并指出了未来的研—究重点和方向。文献［４６］采用目前出现的一些先进智能理论，如灰色理论、模糊理论、神经网络等，通过一些改进或着组合建立中长期负荷预测模型，取得了一定的效果。然而，任何一种单一预测方法都是基于对负荷某一个或几个变化规律或特点的分析基础之上的，而忽略其他一些因素的影响，都有其缺陷或不足之处，如何更合理地将各种方法结合起来，取长补短，实现优势互补，提高负荷预测方法的普遍适用性及预测结果的准确性是迫切需要解决的一个课题。在这种背景下，综合预测成为大家的共识，即对单一预测结果加权组合［７－９］。但是，在综合预测模型中，选取哪些单一预测模型，如何确定它们的权重系数仍然是一个未能很好解决的问一１４４．电力系统保护与控制题。在单一预测模型的选取上，国内外公开发表的相关文献中并没有形成相对成熟的理论，大多根据经验选取几种普遍认为预测效果较好的模型，文献［１ｏ］应用ｏｄｄｓ．ｍａｔｒｉｘ方法对待选的单一预测模型进行优劣评价，然后选取几种评价较好的模型用于综合预测。在如何确定各单一预测模型的权重方面，国内外研究也给出了一些方法，如等权平均法、加权最小二乘法、关联函数法等。文献［１１］￣ｌＪ用最小二乘—支持向量机对单一预测模型进行组合，并用粒子群优化算法对模型中的一些关键参数进行优化。文献『１２］选取三个分别对总量、增长量和增长率预测较好的模型，然后利用径向基函数神经网进行综合预测。这两种方法都用到了智能理论的一些概念，但它们都需要通过选取样本对模型进行训练，由于在中长期负荷预测中，样本数量较少，使得模型的训练结果会出现较大误差。文献［１３】利用拉格朗日乘子法来求解权重系数。文献【１４】建立了基于物元理论的综合预测模型，利用关联函数求解各单一预测模型的权重，但是这些方法有一定的局限性，个别预测点的较大偏差对结果影响较大，而相对来说，利用拟合的思想更能从整体上把握各预测模型的预测效果。本文分析了目前较为常用的中长期负荷预测方法，并分为两大类：１）根据国民经济发展指标与负荷的关系，利用历史期的实际经济数据和预钡４期的经济发展规划数据，对未来一段时间内的负荷进行预测。２１依据负荷历史数据，寻找负荷发展变化规律，按照变化规律对未来一段时问内的负荷进行预测。根据划分的结果，选择本文综合预测法所需的单一预测方法，并对部分预测方法进行了改进。利用遗传算法对选取的单一预测方法分配权值，建立新的中长期负荷预测综合模型。仿真结果表明，本文提出的预测模型具有较高的预测精度，并且对负荷变化的适应性较强。．１中长期负荷预测方法的分类１．１概述由于中长期负荷预测的重要性，国内外专家学者进行了大量而深入的研究，也提出了许多先进的理论和方法。传统的预测方法如自身外推法、时间序列法等。在新兴模型中，如应用灰色理论、遗传规划法等建立起来的预测模型也都得到了较好的应用。经过分析，作者认为大多数的预测方法主要从两方面进行考虑，第一种是根据经济发展与负荷的相关性，利用历史期的实际负荷数据和经济数据，找出之间的关系，然后根据预测期的经济发展规划指标，对预测期的负荷数据进行预测。而另外一种主要是依据负荷历史数据，利用数学的方法寻找到其发展变化规律，认为预测期的负荷仍然满足该发展变化规律，然后按照一定的法则对预测期的负荷数据进行预测。１．２负荷与经济数据关联法能源是社会经济发展的动力，而电能又是经济发展中至关重要的二次能源，因此，一个区域内负荷的大小可间接地反应该地区的经济发展水平，反之亦然。该类方法主要有分产业产值单耗法、电力消费弹性系数法、负荷密度法及人均电量指标换算法等。这些方法相对比较简单，含义也比较清楚，反应了未来的一些经济信息。但是，这类方法一般需要的数据量较大，而且有些不易得到。１．３基于数学规律的趋势分析法基于数学规律的趋势分析法首先寻找负荷历史数据的变化规律，然后按照所得到的规律对未来预测年份的负荷进行预测。它一般不需要未来预测年份的信息，而只依赖于负荷的历史值序列。而且，这类预测方法认为负荷的变化呈现一定的规律性，并将这种规律延续到预测期。这类方法较多，如灰色预测法、滑动平均预测法、自回归预测等，这些方法认为负荷的变化规律符合其规律，然后利用该规律对负荷数据进行拟合。如果一个地区的负荷变化规律较明显且与某种预测方法的规律接近，即拟合程度较高，则该预测方法预测的结果就较准确，反之则偏差较大。２中长期电力负荷综合预测建模２．１综合预测模型概述及单一预测方法的选取综合预测模型，是在单个预测模型的基础上，考虑各种预测方法的优缺点及适用性，采用一定的方法确定各预测方法对总的预测结果的权重，然后通过加权求和得到新的负荷预测结果。避免了因某一种预测方法的局限而使得预测结果偏差增大。在综合预测中有两个关键的问题，一个是如何确定哪些要用到的单一预测模型，另一个是如何确定各单一预测模型对综合预测结果的权重。第一类方法中含有未来预测时段的经济信息，第二类方法中考虑了负荷发展的延续性、规律性。实际上中长期负荷预测问题不仅仅局限于系统内部，受其自身规律的影响，同时还受到许多外界因素的干扰或影响，如国家的经济发展规划、政策。对于一个政府主导型的区域，这些因素的影响将更大。因此，应将两类方法有机结合起来，以提高预测的精度与适用性。在第一类预测方法中，电力消费弹性系数法由于相对比较简单，含义比较明确，需要的数据也较袁铁江，等电力系统中长期负荷预测综合模型研究一１４５一容易得到而得到较多的应用。在第二类预测方法中，灰色预测法是在灰色理论模型的基础上发展起来的，以灰色生成来减弱原始序列的随机性。它是目前在中长期负荷预测中应用最为广泛、效果也最为理想的预测方法之一。二次滑动平均预测法是基于“”远小近大的预测原则，在建模过程中对数据加以不同权重，以强化近期数据的作用，而弱化远期数据的影响，从而提高预测精度，也符合负荷的发展变化规律。因此，本文选用电力消费弹性系数法、灰色预测、二次滑动平均相结合的方法。２．２电力消费弹性系数法的改进电力消费弹性系数是电量年平均增长率与国民生产总值年平均增长率之间的比值【ＪＪ，是从宏观角度来反映电力发展与国民经济发展关系的指标。电力弹性系数的大小与该区域的负荷组成结构及各组成部分的单位产值电耗有关。在计算电力消费弹性系数时，国民生产总值是以货币形式来表现的，而随着社会通胀率的变化，货币出现升值或贬值的情况，使得计算的值不在同一个水平下，无法进行比较，因此，应将国民生产总值全部折算到基准年。—…Ｇｂ。＝Ｇ。。（１一ａ１）（１０２）（１一ａ）（１）式中：Ｇｐ为当前年份的国民生产总值（亿元）；Ｇ。为当前年份国民生产总值折算到基准年的值（亿元）；…ａ，ａ，，，ａ为相对于基准年的第１年到第年各年的通胀率（％）；，ｚ为当前年份对基准年的年份差。计算各年份相对基准年的电量年平均增长率与国民生产总值的年平均增长率的比值，得到各年到基年时间段内的弹性系数为ｋ＝Ｅ％／Ｇ％ｆ２１式中：ｋ为电力消费弹性系数；％为当年到基准年的用电量年平均增长率；Ｇ％为当年到基准年的国民生产总值年平均增长率。得到的一系列弹性系数并不是一个定值，而弹性系数的大小和经济结构及能源利用效率有关。为“了得到预测期到基期的弹性系数，利用二次滑动”平均法预测弹性系数。２．３预测权值的优化确定当确定了所用的子预测方法以后，还要确定各预测方法的权重。近年来，遗传算法在优化领域得到快速发展并占有重要的位置，己大量应用于社会多个领域。在本文中，为了使得预测结果能与实际负荷具有较好的拟合度，以与实际负荷的偏差最小为目标，利用遗传算法对所选的单个负荷预测方法的权值进行优化。３基于某区域电力系统中长期负荷预测仿真分析对新疆某区域电网进行仿真，以２０００年￣２００７年的负荷用电量作为历史样本数据，对２００８～２０１０年的负荷用电量进行预测。历史数据参数见表１。所选三种单一预测模型在历史年份的预测值见表２。将该预测结果作为样本，按照上文提到的优化目标，利用遗传算法计算三种模型的权重系数，为了便于分析比较，同时利用人工神经网络计算权重系数，预测结果见表３。预测年年均ＧＤＰ增长率１１．５％，通胀率１．６％。表１某区域电力系统各年份用电量、ＧＤＰ、通胀率参数Ｔａｂｌｅ１Ｐａｒａｍｅｔｅｒｓｏｆｐｏｗｅｒｃｏｎｓｕｍｐｔｉｏｎ，ＧＤＰ，ａｎｄｉｎｆｌａｔｉｏｎｉｎａｒｅｇｉｏｎａｌｐｏｗｅｒｓｙｓｔｅｍ表２三种单一预测模型在历史年份的预测值Ｔａｂｌｅ２Ｆｏｒｅｃａｓｔｉｎｇｖａｌｕｅｓｏｆｔｈｅｔｈｒｅｅｓｉｎｇｌｅｍｏｄｅｌｓｉｎｔｈｅｈｉｓｔｏｒｙｙｅａｒｓ表３综合预测模型与三种单一预测模型的预测结果Ｔａｂｌｅ３Ｒｅｓｕｌｔｓｏｆｔｈｅｉｎｔｅｇｒａｔｅｄｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌａｎｄｔｈｅｔｈｒｅｅｓｉｎｇｌｅｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｓ－１４６一电力系统保护与控制表４给出了综合预测法与三种单一预测法的预［２］王锡凡．电力系统优化规划【Ｍ］．北京：水利电力出版测结果偏差对比。社，１９９０．表４各预测方法的预测结果偏差对比’Ｔａｂｌｅ４Ｒｅｓｕｌｔｓｄｅｖｉａｔｉｏｎｃｏｎｔｒａｓｔｏｆｔｈｅｓｅｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｓ由表４可以看出，弹性系数法在后两年的预测值相对实际值偏大，而灰色预测和二次滑动平均预测方法的预测值普遍偏小。弹性系数法和二次滑动平均预测法随着时间的延长，预测误差逐渐增大，而灰色预测则有小幅下降。新疆地区工业基础比较薄弱，用电水平低。随着产业结构的不断调整，工业化水平的不断提高，社会用电量也必将得到大幅增长。新疆属于资源型大省，随着产业结构的调整，一大批化工等高耗能产业迅速发展，使得用电量的增长大大超过ＧＤＰ的增长。另外，新疆的经济结构还不够成熟完善，经济发展受经济政策影响较大，出现了灰色预测和二次滑动平均预测等基于数学规律的趋势分析预测法的预测值普遍偏小的结果。通过对比分析，采用遗传算法对单一预测模型的权值进行优化，预测精度要高于利用人工神经网络的方法。综合预测法综合了各单一预测法的特点，降低了因某一种预测方法的缺陷而给预测结果带来误差的风险，相对于各单一预测法，预测精度明显得到了改善。４结语本文依据目前主要的中长期负荷预测方法的原理和特点，对这些预测方法进行了分类。为综合预测法中选取何种单一预测方法提供了依据。同时，将遗传算法用于优化各单一预测方法的权重，取得了较好的效果。成功地解决了综合预测中单一预测模型的选取及各自权重的确定两个关键的问题。经过仿真，所建立的综合预测模型具有较高的预测精度及较好的适用性。参考文献［１］程浩忠．电力系统规划【Ｍ］．北京：中国电力出版社，２００８．［３］康重庆，夏清，张伯明．电力系统负荷预测研究综述与发展方向的探讨【Ｊ】．电力系统自动化，２００４，２８（１７）：１．１０．——ＫＡＮＧＣｈｏｎｇｑｉｎｇ，ＸＩＡＱｉｎｇ，ＺＨＡＮＧＢｏｍｉｎｇ．Ｒｅｖｉｅｗｏｆｐｏｗｅｒｓｙｓｔｅｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇａｎｄｉｔｓｄｅｖｅｌｏｐｍｅｎｔ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２００４，２８（１７）：１－１０．［４］李伟，闫宁，张振刚．基于粗糙集的混合支持向量机长期电力负荷预测研究［Ｊ］．电力系统保护与控制，２０１０，３８（１３）：３１－３４．—ＬＩＷｅｉ，ＹＡＮＮｉｎｇ，ＺＨＡＮＧＺｈｅｎｇａｎｇ．Ｓｔｕｄｙｏｎｌｏｎｇ－ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｏｆＭＩＸ－ＳＶＭｂａｓｅｄｏｎｒｏｕｇｈｓｅｔｔｈｅｏｒｙ［Ｊ】．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，—２０１０，３８（１３１：３１３４．［５］张雪君，陈刚，周杰，等．基于粒子群优化鲁棒支持向量回归机的中长期负荷预￣ｌＪ［Ｊ１．电力系统保护与控—制，２００９，３７（２１１：７７８１．ＺＨＡＮＧＸｕｅ－ｊｕｎ，ＣＨＥＮＧａｎｇ，ＺＨＯＵＪｉｅ，ｅｔａ１．Ｍｅｄｉｕｍａ—ｎｄｌｏｎｇｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｂａｓｅｄｏｎ—ＰＳＯＲＳＶＲ［Ｊ】．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，—２００９，３７（２１）：７７８１．［６］白玮莉，刘志刚，彭权威，等．基于ＨＨＴ和神经网络组合的负荷预测模型研究【Ｊ】．电力系统保护与控制，２００９，３７（１９）：３１－３５．——ＢＡＩＷｅｉｌｉ，ＬＩＵＺｈｉｇａ—ｎｇ，ＰＥＮＧＱｕａｎｗｅｉ，ｅｔａ１．ＲｅｓｅａｒｃｈｏｆｔｈｅｌｏａｄｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎＨＨＴａｎｄｃｏｍｂｉｎａｔｉｏｎｏｆＡＮＮ［Ｊ】．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２００９，３７（１９１：３１－３５．［７］康重庆，夏清，沈瑜，等．电力系统负荷预测的综合模型【Ｊ】．清华大学学报，１９９９，３９（１）：８－１１．—ＫＡＮＧＣｈｏｎｇｑｉｎｇ，ＸＩＡＱｉｎｇ，ＳＨＥＮＹｕ，ｅｔａ１．Ｉｎｔｅｇｒａｔｅｄｍｏｄｅｌｏｆｐｏｗｅｒｓｙｓｔｅｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ，１９９９，３９（１）：８－１１．［８］徐光虎，申刚，顾沽，等．基于自适应进化规划的电力系统负荷预测综合模型【Ｊ１．电力自动化设备，２００２，—２２（６）：２９３２．—ＸＵＧｕａｎｇｈｕ，ＳＨＥＮＧａｎｇ，ＧＵＪｉｅ，ｅｔａ１．Ｉｎｔｅｇｒａｔｅｄｍｏｄｅｌｏｆｐｏｗｅｒｓｙｓｔｅｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｓｅｌｆ－ａｄａｐｔｉｖｅｅｖｏｌｕｔｉｏｎａｒｙｐｒｏｇｒａｍｍｉｎｇ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒＡｕｔｏｍａｔｉｏｎＥｑｕｉｐｍｅｎｔ，２００２，２２ｒ６）：２９－３２．［９］ＣｈｅｎＧＪ，ＬｉＫＫ，ＣｈｕｎｇＴＳ，ｅｔａ１．Ａｐｐｌｉｃａｔｉｏｎｏｆａｎｉｎｎｏｖａｔｉｏｎｃｏｍｂｉｎｅｄｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｉｎｐｏｗｅｒｓｙｓｔｅｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇ［Ｊ】．ＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓＲｅｓｅａｒｃｈ，２００１，５９（２）：１３１－１３７．［１Ｏ］高峰，康重庆，夏清，等．负荷预测中多模型的自动筛选方法［Ｊ］．电力系统自动化，２００４，２８（６）：１１．１３．（下转第１５１页ｃｏｎｔｉｎｕｅｄｏｎｐａｇｅ１５１）李德泉，等分布式发电效益分析及其量化模型－１５１・（上接第１４６页ｃｏｎｔｉｎｕｅｄｆｒｏｍｐａｇｅ１４６）—ＧＡＯＦｅｎｇ，ＫＡＮＧＣｈｏｎｇｑｉｎｇ，ＸＩＡＱｉｎｇ，ｅｔａ１．ｍｕｌｔｉ．ｍｏｄｅｌａｕｔｏｍａｔｉｃｓｉｆｔｉｎｇｍｅｔｈｏｄｏｌｏｇｙｉｎｌｏａｄｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２００４，２８ｆ６１：１１．１３．—１１１ＪＮＩＵＤｏｎｇ．ｘｉａｏ，ＺＨＡＮＧＹｕｎｙｕｎ．Ｃｏｍｂｉｎａｔｉｏｎｆｏｒ＿—ｅｃａｓｔｉｎｇｍｏｄｅｌｆｏｒｍｉｄｌｏｎｇｔｅｒｍ１ｏａｄｂａｓｅｄｏｎ１ｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓａｎｄａｍｅｎｄｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚｍｉｏｎａｌｇｏｒｉｔｈｍ［Ｃ１／／２００９ＩｎｔｅｍａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＢｉｏｉｎｆｏｒｍａｔｉｃｓ，ＳｙｓｔｅｍｓＢｉｏｌｏｇｙａｎｄＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｉｎｇ，２００９：５２５５２８．１ｌ２ｊＬＩＣｈｕｎ－ｘｉａｎｇ，ＭＥＮＧＬｉ．ｍｉｎ．Ｃｏｍｐｒｅｈｅｎｓｉｖｅｍｏｄｅｌｆｏｒｍｉｄ－ｌｏｎｇｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｂａｓｉｎｇｔｈｒｅｅ－ｔａｒｇｅｔｑｕａｎｔｉｔｉｅｓａｎｄＲＢＦＮＮＩｆ１／／ＦｏｕｒｔｈＩｎｔｅｍａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮａｔｕｒａｌＣｏｍｐｕｔａｔｉｏｎ，２００８：５２５．５２８．［１３］李林川，吕冬，武文杰．一种简化的电力系统负荷线性组合预测法［Ｊ】．电网技术，２００２，２６（１０）：１０．１３．Ⅵ—ＬＩＬｉｎ－ｃｈｕａｎ．ＬｎＤｏｎｇ．厂ＵＷｅｎｉｉｅ．Ａｌｉｎｅａｒｃｏｍｂｉｎａｔｉｏｎｂａｓｅｄｓｉｍｐｌｉｆｉｅｄｌｏａｄｆｏｒｅｃａｓｔｉｎｇ［Ｊ１．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２００２，２６（１Ｏ１：１０．１３．［１４］顾洁．基于物元模型的电力系统中长期负荷预测［Ｊ］．电力系统及其自动化学报，２００４，１６（６）：６８．７１．ＧＵＪｉｅ．Ｓｔｕｄｙｏｎｔｈｅｍｏｄｅｌｏｆｍｉｄ．１ｏｎｇｔｅｒｒｎ１ｏａｄｆｏｒｅｃａｓｔｉｎｇｆｏｒｐｏｗｅｒｓｙｓｔｅｍｂａｓｅｄｏｎｍａｔｔｅｒｅｌｅｍｅｎｔ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＵ．ＥＰＳＡ，２００４，１６（６）：６８．７１．收稿日期：２０１卜０８一Ｏ６；修回Ｅｔ期：２０１卜１Ｏ一１６作者简介：袁铁江（１９７６一），男，博士研究生，研究方向为风力发电及其并网技术；袁建党（１９８３－），男，硕士，研究方向为电力系统稳定—与控制：Ｅｍａｉｌ：ｂｕｄｏｎｇ９７９＠１６３．ｃｏｍ晃勤（１９５９－），女，教授，博士生导师，主要从事并网型风力发电系统及其控制方面的研究。