电力系统负荷预测思考题(考试版).docx

1. 光伏发电预测的影响因素有哪些？
环境温度,辐照强度,季节类型，天气类型,云量等。
主要影响因素:
气象因子对光伏发电功率的影响：云量作为表征天空遮蔽程度的气象因素,云量的多少会直接影响到达光伏阵列的辐照强度.
2. 风力发电预测的影响因素有哪些？
（1）风电出力预测模型的不同。不同的预测模型会因为输入因子的不同、采用的计算方法不完善和要求的精度不同等原因而造成不同程度的误差。
（2）风电场地理环境.根据空气动力系统理想模型，风能转换成风电机组功率,不仅与风速的大小有关，还与风向、气温、空气密度等有关 。
（3)风电功率预测时间间隔.风电功率预测按时间长短可以分为:长期预测、中期预测、短期预测和超短期预测，预测误差一般随着预测时间间隔的缩短而减小
（4）预测功率的水平。一般风电预测功率误差会随着预测功率的增大而增大,且分布越来越分散.
3。电价预测的影响因素有哪些？
• 简答：影响电价的因素众多，既包括发电侧和需求侧的因素,又包括输送电力的电力网络方面等因素 ：①历史电价。②负荷。③发电商报价。④时段因素。⑤市场内因素。⑥电力市场外因素，如煤、石油、天然气的价格。
• ①历史电价.前后时段的电价间具有较强的相关性，电价预测正是利用这种电价间的联系进行电价预测,时间序列法和神经网络法均将历史电价作为重要因素。
• ②负荷.电力用户的价格弹性很低，可以认为是刚性的，系统负荷几乎不随价格的变化而变化。因此，在系统供给曲线给定的情况下，代表需求侧信息的系统负荷就决定了市场出清价。负荷序列与电价序列的相关系数通常在0.4左右。
• ③发电商报价。系统中各发电商的报价曲线形成系统的总供给曲线，决定了电力市场的供给侧信息，因而对电价也有较大影响。拥有市场力的发电商的策略性报价，如容量持留、博弈投机等，是价格尖峰出现的主要原因 但发电商的报价由于涉及发电商的人为行为，很难量化。一个可行的方案是采用智能代理来模拟发电商竞价的人为行为，但在存电价预测中如何应用仍然未知.现有预测方法基本未考虑发电商报价对电价的影响。此外,系统可用容量和机组检修及故障也是一个重要的供给侧信息。
• ④时段因素。不同日的不同时段，电价会表现出较大的差异.如周末电价通常低于工作日电价，而下午用电高峰时段的电价通常高于深夜用电低谷时段的电价。因此，可以认为时段也是影响电价的一个因素。
• 此外，提出新的电价影响指标，如必须运行率、市场供给指数等。有的市场采用节点电价，在对系统中各节点电价进行预测时，系统的网络约束、阻塞状况和联络线潮流是一个必须考虑的因素.以上因素均为市场内因素，电能是二次能源,与一次能源有密切联系,因此电力市场外因素,如煤、石油、天然气的价格也可作为影响因素之一。
4。负荷预测的影响因素有哪些？
a.不同类型的负荷有着不同的变化规律
b。负荷随时间变化规律
l 季节影响
l 周和日的周期性变化
l 法定和民俗节日影响
c.气象变化的影响
l 电网中拥有大量的天气敏感负荷,例如空调、取暖器、农业灌溉负荷
l 阴雨天白天照明负荷增加,高温天气空调、电扇负荷上升，东北地区初冬的一次寒流会使负荷由北至南依次增加，南方夏季的台风一路解除各地的闷热天气会使负荷依次下降
l 许多系统中,温度是影响负荷的最重要因素
d。负荷随机波动
l 指由某些不确定性因素引起的负荷变化
l 除了大量的小干扰量外,轧钢厂的轧钢冲击负荷、系统中大型电动机和鼓风机的启动等是造成较大干扰的随机负荷
l 特殊事件：工厂的关闭、特殊电视节目的播放、游行等活动
l 湿度、风速、雷电等因素：比较特殊且数据难以收集，在预测时往往简化不予考虑
5。相似日原理及其在预测中的应用。
原理：在某日对未来某日进行预测时，首先需要确定基准日.在不考虑最新信息的情况下，为了保证整日曲线的完整性，基准日一般取为预测当日的前一天。以基准日为起点,以7天为周期，可对历史样本分出第1周期、第2周期…….每一周期中，必有一个与待预测日相同类型的负荷日,称为相似日.
应用：基于同类型日思想的正常日新息预测,基于同类型日思想的正常日负荷预测。
6.用电负荷、供电负荷及发电负荷之间的关系
将各工业部门消费的功率与农业、交通运输和市政生活消费的功率相加就可得到电力系统的综合用电负荷.综合用电负荷加网络中损耗的功率为系统中各发电厂应供出的功率,因而称作电力系统的供电负荷。供电负荷再加各发电厂本身消费的功率-—厂用电，为系统中各发电机应发出的功率，称作电力系统的发电负荷。
7. 预测按时间的分类及各类含义及应用
按时间分类（最常用）：长、中、短、超短期。
短期负荷预测：指一日至一周的负荷预测,通常以小时为单位。主要用于火电分配、水火电协调、机组经济组合和交换功率计划,使用对象是编制调度计划的工程师.
超短期负荷预测：指未来数十分钟、数分钟甚至数秒内的负荷值的预测,主要用于对电网进行计算机在线控制，实现发电容量的合理调度，使发电成本最小,使用对象是调度员。
中期预测指在五年左右以年为单位的预测
中长期负荷预测主要是用于制定电力系统的扩建规划，包括装容量的大小、形式、地点、时间和电网的增容扩建，它为所在地区或电网的电力发展速度、电力建设规模、电力工业布局、能源资源平衡、地区间的电力余缺调剂、电网资金和人力资源的需求平衡提供了可靠的依据
长期预测一般指十年以上并以年为单位的预测
超短期(时分）， 扩展短期(几个小时)，短期（日）,连续多日（几日），中期(月）,长期（年）
8. 预测误差产生的原因
产生误差的原因
数学模型只是一种简单化了的负荷状况的反映，与实际负荷存在差距，用它来预测,也就不可避免的会产生误差。
是否能正确选择合适的预测方法。如果选择不当，也就会产生误差。
负荷预测用到的各项资料并不能保证都是准确可靠，必然带来预测误差.
某种意外事件的发生或情况的突然变化，也会造成预测误差。此外，计算或判断上的错误,也产生不同程度的误差。
9. 常见误差分析指标
预测误差分析(指标)①②④③⑤⑥⑦⑧⑨
①绝对误差和相对误差
绝对误差＝
相对误差＝
②平均绝对误差
③均方误差
④均方根误差
⑤关联度误差分析
⑥后验差检验
10. 如何区分拟合和预测?
拟合：在生产过程，科学实验和统计分析中，往往需要通过得到一组实验数据或观测数据找出变化规律，确定函数的近似表达式,从图形上看,就是通过给定的一组数据点，求取一条近似曲线,这就是曲线拟合.
预测：是一门科学问题的总称，是对尚未发生或目前还不明确的事物进行预先的估计和推测.一般可以认为，预测是在一定的理论指导下，以事物发展的历史和现状为出发点，以调查研究所得的资料和统计数据为依据,在对事物发展过程进行深刻的定性分析和严密的定量计算的基础上，研究并认识事物的发展变化规律，进而对事物发展的未来变化预先做出科学的推测.
11。如何理解“近大远小”原则【第二讲思考题】
物理意义：物理量未来的变化趋势更多的取决于历史时段中近期的发展规律，远期的历史数据与未来发展趋势的相关性较弱.
在短期负荷预测处理中，则需要区别对待各日的虚拟预测误差，主要的处理方式是：可以用虚拟预测结果中各日与待预测日的相似度对虚拟预测的残差进行加权。
12.五级调度
国家调度机构
跨省、自治区、直辖市调度机构
省、自治区、直辖市级调度机构
省辖市级调度机构
县级调度机构
13。EMS的构成及发展历程【专门ppt】
EMS系统总体结构：
网络分析、能量管理、SCADA、支持系统、操作系统、计算机
【详】EMS应用软件(PAS）
数据收集级、能量管理级、网络分析级、培训仿真级。
SCADA—--———（数据收集软件）
· 实时发电控制—AGC（及以下：能量管理软件）
· 负荷预测
· 发电计划（火电调度计划)
· 机组组合
· 水火电协调计划
· 功率交换计划
网络接线分析（及以下：网络分析软件)
· 状态估计
· 潮流、调度员潮流
· 最优潮流
· 网络静态安全分析
· 短路电流计算
· 电压稳定性分析
· 暂态分析
· 调度员培训模拟
发展历史
３０年代建立了调度中心，固定模拟盘、电话，凭经验；
４０年代SCADA将电网上各厂站数据集中到模拟盘，开关状态、报警，增强了感知力；
５０年代AGC(LFC、EDC)，将调度员从最频繁的操作中解决出来－－重大技术进步;
６０年代(几次大的系统瓦解）重大变化：从模拟à数字,数字计算机；
７０年代出现第一代EMS,专用计算机和操作系统；
８０年代第二代EMS,通用计算机和操作系统（VAX) 的SCADA/EMS；
9０年代基于RISC/UNIX开放分布式第三代 EMS/DMS；
21世纪计算机、网络技术、数据库技术、电力市场－－第四代电网调度与运营系统；
集中反映了高科技:预测理论、优化理论、稳定理论、可靠性理论、智能技术、通信技术、计算机技术等。
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
14。预测中如何去除不良数据的影响【第三讲思考题】
参数辨识（数学理论）：（应用）不良数据的检测与辨识
参数辨识：参数辨识是根据实验数据和建立的模型来确定一组参数值，使得由模型计算得到的数值结果能最好的拟合测试数据（曲线拟合问题），从而可以为生产过程进行预测，提供一定的理论指导。当计算得到的数值结果与测试值之间的误差较大时，就认为该数学模型与实际的过程不符或者差距较大，进而修改模型,重新选择参数。
15。负荷预测和电价预测的关系【第六讲 专题】（类比供求关系）
在电力市场中，负荷预测模型必须考虑负荷对电价的响应。而电价随时间和电网运行状况的改变而改变,用户相应地对电价做出反应,从而产生负荷的涨落, 即要考虑负荷电价弹性系数。
电价的影响因素之一:负荷。
电力用户的价格弹性很低，可以认为是刚性的,系统负荷几乎不随价格的变化而变化。因此,在系统供给曲线给定的情况下,代表需求侧信息的系统负荷就决定了市场出清价。负荷序列与电价序列的相关系数通常在0.4左右。
电价预测方法：市场均衡分析法
市场均衡分析法的理论依据是经济学的市场均衡理论.它试图根据预测的发电报价曲线和系统负荷的预测值求解出市场的均衡点，进而导出电价的预测值.
年度负荷预测中
其最大负荷是容量市场交易、容量定价的基础；
电价：市场成员进行年度合约报价决策的基础，管理机构把握市场走势
月度负荷预测中
电价：市场成员进行月度合约报价决策的基础,管理机构把握市场走势
16。请分析BP神经网络在用于预测时的优缺点。
简答:优点1） 非线性映射能力； 2) 自学习和自适应能力; 3） 泛化能力; 4） 容错能力。
缺点1) 局部极小化问题；2） BP 神经网络算法的收敛速度慢；3） BP 神经网络结构选择不一；4） 应用实例与网络规模的矛盾问题；5） BP神经网络预测能力和训练能力的矛盾问题；6） BP神经网络样本依赖性问题.
详细:
缺点：首先，由于学习速率是固定的，因此网络的收敛速度慢,需要较长的训练时间。对于一些复杂问题,BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的,可采用变化的学习速率或自适应的学习速率加以改进.
其次,BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值.对于这个问题,可以采用附加动量法来解决。
再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。
最后,网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本,训练好的网络就需要从头开始训练,对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。
BP神经网络具有以下优点： 1) 非线性映射能力：BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力. 2） 自学习和自适应能力：BP神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中。即BP神经网络具有高度自学习和自适应的能力。 3） 泛化能力：所谓泛化能力是指在设计模式分类器时，即要考虑网络在保证对所需分类对象进行正确分类，还要关心网络在经过训练后，能否对未见过的模式或有噪声污染的模式,进行正确的分类.也即BP神经网络具有将学习成果应用于新知识的能力. 4） 容错能力:BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的.即BP神经网络具有一定的容错能力。 鉴于BP神经网络的这些优点,国内外不少研究学者都对其进行了研究，并运用网络解决了不少应用问题。
但是随着应用范围的逐步扩大,BP神经网络也暴露出了越来越多的缺点和不足,比如： 1) 局部极小化问题：从数学角度看,传统的 BP神经网络为一种局部搜索的优化方法，它要解决的是一个复杂非线性化问题，网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败.加上BP神经网络对初始网络权重非常敏感,以不同的权重初始化网络，其往往会收敛于不同的局部极小，这也是很多学者每次训练得到不同结果的根本原因。 2) BP 神经网络算法的收敛速度慢：由于BP神经网络算法本质上为梯度下降法，它所要优化的目标函数是非常复杂的,因此，必然会出现“锯齿形现象",这使得BP算法低效；又由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内,权值误差改变很小，使训练过程几乎停顿；BP神经网络模型中，为了使网络执行BP算法，不能使用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法也会引起算法低效。以上种种，导致了BP神经网络算法收敛速度慢的现象。 3） BP 神经网络结构选择不一：BP神经网络结构的选择至今尚无一种统一而完整的理论指导，一般只能由经验选定。网络结构选择过大，训练中效率不高,可能出现过拟合现象,造成网络性能低，容错性下降，若选择过小,则又会造成网络可能不收敛。而网络的结构直接影响网络的逼近能力及推广性质.因此，应用中如何选择合适的网络结构是一个重要的问题. 4) 应用实例与网络规模的矛盾问题:BP神经网络难以解决应用问题的实例规模和网络规模间的矛盾问题,其涉及到网络容量的可能性与可行性的关系问题,即学习复杂性问题。 5) BP神经网络预测能力和训练能力的矛盾问题:预测能力也称泛化能力或者推广能力,而训练能力也称逼近能力或者学习能力。一般情况下，训练能力差时，预测能力也差，并且一定程度上,随着训练能力地提高，预测能力会得到提高。但这种趋势不是固定的，其有一个极限,当达到此极限时，随着训练能力的提高,预测能力反而会下降,也即出现所谓“过拟合”现象.出现该现象的原因是网络学习了过多的样本细节导致，学习出的模型已不能反映样本内含的规律，所以如何把握好学习的度，解决网络预测能力和训练能力间矛盾问题也是BP神经网络的重要研究内容。 6） BP神经网络样本依赖性问题：网络模型的逼近和推广能力与学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。
17.请分析小波变化与傅里叶变换
简答：小波变换经常和傅立叶变换做比较，在那里信号用正弦函数的和栥表示。主要的区别是小波在时域和频域都是局部的而标准的傅立叶变换只在频域上是局部的。短时间傅立叶变换 (Short—time Fourier transform）（STFT)也是时域和频域都局部化？但有些频率和时间的分辨率问题,而？波通常通过 多分辨率分析 给出信号更好的表示。小波变换计箠复杂度 上也更小，只需要O（N）时间，而不是 快速傅立叶变换 的 O（N log N)，N代表数据大小
补充:
傅里叶变换：Gabor提出的视窗傅里叶变换是将一个长时间信号先乘上一段时间内不为零的视窗函数，再进行傅里叶变换
优点：同时获得信号时域与频域的所有信息
缺点：数据分辨率不高，信息精度有限
小波变换的思想是用可自动调节长度的母小波（Mother wavelet)代替视窗函数。母小波函数通过在时间轴上进行平移、放缩、幅度等尺度变换产生一系列派生小波。
小波系数表征派生小波与原信号的相似程度与视窗函数变换相比，小波函数有自动“变焦”功能,对高频部分有显微能力。
18.遗传算法中遗传操作的三个步骤是？
1．选择(Selection)
　　这是从群体中选择出较适应环境的个体。这些选中的个体用于繁殖下一代。故有时也称这一操作为再生(Reproduction）。由于在选择用于繁殖下一代的个体时，是根据个体对环境的适应度而决定其繁殖量的，故而有时也称为非均匀再生（differential reproduction)。
2．交叉（Crossover）
　这是在选中用于繁殖下一代的个体中,对两个不同的个体的相同位置的基因进行交换，从而产生新的个体.
3．变异(Mutation)
这是在选中的个体中，对个体中的某些基因执行异向转化。在串bi中，如果某位基因为1，产生变异时就是把它变成0；反亦反之。
19.常见的小波函数有哪些?
Haar函数,morlet函数,db6函数，meyer函数,sym8函数,coif2函数
20.组合预测的概念及应用?
概念:组合预测是选择预测精度高的单一预测模型,赋予各单一模型合适的权重，形成组合预测的结果。
• 组合预测一般用在中长期预测效果比较好。
作用：降低了单一模型中的预测误差,同时也提高了预测的精度。
组合预测法的应用原则以及一般步骤
1、应用原则：定性分析与定量分析相结合原则；系统性原则；经济性原则。
2、步骤：以经济预测为例,一般步骤是根据经济理论和实际情况建立各种独立的单项预测模型；运用系统聚类分析方法度量各单项模型的类间相似程度;根据聚类结果，逐层次建立组合预测模型进行预测.
组合预测模型模式一:线性组合模型;模式二：最优线性组合模型；模式三:贝叶斯组合模型；模式四：转换函数组合模型；模式五：计量经济与系统动力学组合模型。
21．BP神经网络的三个部分？
三部分：
输入层（input layer)：输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元;
隐藏层（Hidden Layer)：中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息，经进一步处理后,完成一次学习的正向传播处理过程；
输出层(Output Layer）:顾名思义，输出层向外界输出信息处理结果；
或两部分：
信息的正向传递,误差的反向传播
22。BP神经网络常见的激励函数？
阈值型函数、饱和型函数、双证切函数、S型函数、高斯函数
23。归一化及常见归一化方法
温度的归一化处理
Ø 归一化概念：将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。
Ø 归一化可以对模型的单个输入变量进行,也可以对全部输入变量进行。
常见方法：
1）简单归一化——将原始数据都除以其最大值.
例：将环境温度归一化,可以采用历史数据统计中的极限温度对环境温度数据进行归一化
是归一化之后的环境温度， 是历史气象数据中的环境温度， 为气象观测的最大环境温度.
2）线性变换到［0，1]区间
式中,
， ：原始输入、目标数据；
， ， ， ：x和y中的最小值、最大值;
, ：归一化后的输入、目标数据
24.混沌时间序列预测的适用范围
电站经济运行最优负荷分配、静态负荷模型辨识、模糊电力系统稳定器的参数优化以及短期负荷预测。
混沌被广泛应用于优化、神经网络、图像数据压缩、高速检索、非线性时间序列预测、模式识别、故障诊断等诸多领域
混沌时间序列预测是８０年代末发展起来的一种非线性预测新方法．它已在天气预报、经济预测、电力负荷预测、股市预测等方面得到成功应用。
混沌理论的目的是揭示貌似随机的现象背后可能隐藏的简单规律，以求发现一大类复杂问题普遍遵循的共同规律。随着混沌理论的发展，人们对时间序列预测的复杂性有了更深刻的认识。对混沌行为即使近似的长期预测也是不可能的，但短期内却可能做到准确的预测，因而研究混沌时间序列的预测可以解决以前许多难以解决的问题。此外，混沌理论提出了不同的特征参数对混沌时间序列进行刻划和描述,而通信信号也是一种非线性时间序列，调制类型的差异表现在时间序列的差异上，因而可以应用混沌理论对通信信号调制类型来识别。
29. Elam神经网络的特点及结构
Elman神经网络是一种典型的动态神经元网络，它在前馈人工神经网络基本结构的基础上,通过存储内部状态使其具备映射动态特征的功能，从而使系统具有适应时变特性的能力，能更生动、更直接地反映系统的动态特性，是一种极具潜力的系统预测工具
Elman网络结构下图。
1。输入层、隐含层、输出层的连接类似于BP神经网络.
2.承接层，用来记忆隐含层单元前一时刻的输出值并返回给网络的输入，可以认为是一个一步延时
25。关联度的求取
26.灰色预测中Y阵和B阵的生成
27。一次指数平滑法
28.指数平滑法中a的取值
30.调查问卷的相关内容