混沌时间序列预测理论与方法：电力负荷短期预测

电力负荷预测不仅涉及到工农业的发展和国民经济的增长，而且受政治、经济、环境和气候等不确定性因素的影响，因此负荷预测是一项十分复杂的工作。如何提高预测精度是目前研究短期负荷预测理论与方法的中心和重点，准确的短期负荷预测已成为实现电力系统管理现代化的重要内容之一。

电力系统负荷是由无数个用电个体的用电总和组成，通常每个个体的用电目的和模式各有不同，而且具有随机性，从而使电力负荷难于预测。然而在整体上系统负荷又表现出一定的规律性，即日周期规律、周周期规律和节假日负荷下降等，使得系统负荷的预测成为可能。由于负荷预测是根据电力负荷的过去和现在推测它的未来数值，所以负荷预测工作所研究的对象是不确定事件，需要人们采用适当的预测技术推知负荷的发展趋势和可能达到的状况。

在实际问题中，短期电力负荷往往表现为多变量动态演化行为和多层次结构等，因此很难用某种函数关系来表示其非线性预测模型，但其负荷序列具有一定的规律性，如某时期的发展变化与以前某时期的发展有着相似或相同的规律。混沌预测正是利用混沌吸引子在不同层次间的自相似性进行混沌系统的短期预测，它不需要了解各影响因素与负荷之间的相互关系，也无需对负荷序列建立工作日和节假日预测模型，仅通过相空间重构来近似恢复原来的多维非线性混沌系统。(www.xing528.com)

近年来，随着非线性系统研究的发展，基于混沌理论的非线性时间序列预测模型在日负荷预测中的应用引起了人们的广泛兴趣，越来越多的基于混沌理论的预测方法应用于电力系统短期负荷预测，而且取得了较好的预测效果[83～101]。张智晟等[83]提出了优化近邻点的短期负荷预测方法，即在满足欧氏距离的基础上，再按随时间演化轨迹的指数分离速率准则进行最近邻域点的选取，有效克服了伪近邻点在高嵌入维时对局域动力学估计的不利影响，同时将具有动态性能的递归性时延神经网络按优化近邻相点的演化轨迹建立预测模型。因此增强了模型对系统动力学的联想性和泛化能力，进而提高了预测精确度。如Mori等[84]较早地将混沌时间序列预测法应用于电力短期负荷预测，作者通过计算Lyapunov指数显示该负荷系统具有混沌特性（具有正的Lyapunov指数），并对负荷时间序列进行相空间重构，最后通过多层感知机对重构相空间进行预测，梁志珊等[85，86]根据电力负荷的混沌特性，由计算出的Lyapunov指数模式进行电力短期负荷预测，同时对预测时间尺度进行了分析和计算。丁军威等[89]基于电力负荷的混沌特性和神经网络的非线性特性进行电网日负荷预测，提出了神经网络的混沌学习算法，该算法充分利用了混沌轨道的游动性以使系统跳出局域极值的束缚而寻求全局最优，克服了前馈神经网络BP算法存在的不足；王孙安等[92]将奇异值分解的噪声消减算法应用到数据预处理，再将处理后的负荷时间序列进行相空间重构，使所获得的吸引子形状变得光滑且有规律，有效地削弱了测量噪声的影响，同时将混沌学习算法用于神经网络的参数训练中，通过电力短期负荷的实际应用显示该预测模型具有较高的预测精度。杨正瓴等[98，99]根据电力负荷的组成成分对电力负荷进行了“双周期+混沌”预测，研究了负荷时间序列相空间重构参数的优化选择和负荷预报天数的确定。