基于體感溫度的電力系統(tǒng)負(fù)荷分類(lèi)及負(fù)荷預(yù)測(cè)

謝家安

（廣東電網(wǎng)公司佛山供電局，廣東佛山 528000）

基于體感溫度的電力系統(tǒng)負(fù)荷分類(lèi)及負(fù)荷預(yù)測(cè)

謝家安

（廣東電網(wǎng)公司佛山供電局，廣東佛山 528000）

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是電力部門(mén)一項(xiàng)重要工作，是調(diào)度部門(mén)制定系統(tǒng)運(yùn)行方式、設(shè)備停電檢修計(jì)劃、功率調(diào)配及調(diào)峰調(diào)頻所依賴的重要參考依據(jù)之一。由于影響負(fù)荷預(yù)測(cè)因素眾多，且其變化趨勢(shì)與各因素之間呈現(xiàn)非線性關(guān)系，很難用固定的數(shù)學(xué)模型來(lái)加以描述，長(zhǎng)期以來(lái)為提高負(fù)荷預(yù)測(cè)精度，學(xué)者們也提出了多種不同短期負(fù)荷預(yù)測(cè)方法[1-3]，這些方法各有優(yōu)點(diǎn)，也都存在一定的局限性。

時(shí)間序列法、回歸分析法計(jì)算量小、速度快，但其線性化處理過(guò)程無(wú)法反映負(fù)荷與各影響因素的非線性關(guān)系，對(duì)復(fù)雜電力系統(tǒng)負(fù)荷預(yù)測(cè)效果不佳；專家系統(tǒng)法憑借其強(qiáng)大的數(shù)據(jù)庫(kù)能避開(kāi)復(fù)雜的數(shù)值計(jì)算，但通用性較差，缺乏學(xué)習(xí)能力，難以適應(yīng)負(fù)荷隨機(jī)性變化的要求[3]；而支持向量機(jī)中雖然考慮了非負(fù)荷因素對(duì)負(fù)荷的影響，但這種考慮是“黑箱”的，對(duì)非負(fù)荷因素對(duì)負(fù)荷影響如何并不清楚，也就談不上在氣象預(yù)測(cè)有誤差時(shí)如何根據(jù)分析結(jié)果對(duì)負(fù)荷預(yù)測(cè)結(jié)果來(lái)進(jìn)行有效的修正[4]。

近年來(lái)，體感溫度對(duì)負(fù)荷的影響研究得到極大重視，獲得了一定研究成果。將氣象因數(shù)中溫度、濕度及風(fēng)速綜合考慮而提出的體感溫度引入到電力系統(tǒng)負(fù)荷預(yù)測(cè)中，為提高預(yù)測(cè)精度打下良好的基礎(chǔ)。但目前體感溫度對(duì)負(fù)荷影響的研究還普遍停留在線性化補(bǔ)償階段，無(wú)法真實(shí)的反映它們之間非線性關(guān)系。

據(jù)此，本文提出將體感溫度差與具有強(qiáng)魯棒性、非線性映射能力、強(qiáng)大記憶力和自學(xué)能力、收斂速度快且可收斂到全局最小的徑向基神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法引入到短期負(fù)荷預(yù)測(cè)中來(lái)，是一種綜合考慮負(fù)荷本身特性及其與氣象因素非線性關(guān)系特征的預(yù)測(cè)方法，預(yù)測(cè)結(jié)果表明，該方法能有效提高短期負(fù)荷預(yù)測(cè)精度，是一種有效的負(fù)荷預(yù)測(cè)方法。

1 體感溫度計(jì)算及其對(duì)負(fù)荷影響

1.1 體感溫度計(jì)算方法

僅考慮氣象條件影響時(shí)，體感溫度計(jì)算公式可表示為

式中，Tg為體感溫度；Ts為氣溫；T（u）為空氣相對(duì)濕度修正項(xiàng)；T（v）為風(fēng)速修正項(xiàng)；T（r）為太陽(yáng)輻射修正項(xiàng)[5-7]。

T（r）修正項(xiàng)對(duì)個(gè)體而言，不同的輻射條件下夏天中午前后偏差可達(dá)8℃，冬至前后中午也可達(dá)4℃左右。由于本文考慮的是地區(qū)整體平均體感溫度對(duì)負(fù)荷的影響，而作為室外輻射條件下的溫度修正項(xiàng)，對(duì)用電負(fù)荷的影響幾乎可以忽略不計(jì)，因此，本文中的體感溫度計(jì)算略去了輻射修正項(xiàng)的作用，其具體的計(jì)算公式如下

式中，ui為靜風(fēng)、非太陽(yáng)直射條件下體感溫度等于氣溫時(shí)的相對(duì)濕度，也稱為臨界相對(duì)濕度，具體表達(dá)式為

式（3）表明，在溫度為25℃、靜風(fēng)和非太陽(yáng)直射條件下，人體感覺(jué)最舒適，不需要借助任何外在設(shè)施來(lái)保持舒適度。

圖1所示為2009年11月7日某市體感溫度曲線，從圖1中可以看出，在濕度、風(fēng)速影響之下，體感溫度較實(shí)際溫度產(chǎn)生了較大偏差，特別是在高溫和低溫天氣時(shí)，體感溫度受到濕度和溫度影響將更為明顯。圖1中體感溫度曲線更能表征人體對(duì)溫度實(shí)際感受，從而更精確表征氣象因數(shù)對(duì)負(fù)荷變化所產(chǎn)生的影響[8-10]。

1.2 體感溫度對(duì)負(fù)荷的影響

為了驗(yàn)證體感溫度對(duì)負(fù)荷變化的影響，通過(guò)計(jì)算可得出每天不同時(shí)刻經(jīng)修正后的體感溫度曲線，進(jìn)而計(jì)算出體感溫度與負(fù)荷變化量之間的關(guān)系。通過(guò)分析大量負(fù)荷數(shù)據(jù)與體感溫度之間的關(guān)系，并參考?xì)庀髮W(xué)研究成果得出了某市的負(fù)荷與體感溫度關(guān)系曲線，如圖2所示。

圖1 體感溫度曲線圖Fig.1 The curve of apparent temperature

圖2 負(fù)荷-體感溫度曲線圖Fig.2 The curve of load-apparent temperature

從圖2中可以看出，當(dāng)體感溫度小于29℃或者大于36℃時(shí)，體感溫度對(duì)負(fù)荷的影響將變得非常小，說(shuō)明這2個(gè)區(qū)域的體感溫度對(duì)負(fù)荷影響非常不敏感，而當(dāng)體感溫度處于兩者之間時(shí)，負(fù)荷的變化受體感溫度影響將非常的明顯，且表現(xiàn)出非線性關(guān)系。負(fù)荷與體感溫度之間的特性曲線為對(duì)負(fù)荷進(jìn)行分類(lèi)預(yù)測(cè)打下了良好的理論基礎(chǔ)。

2 預(yù)測(cè)方法分類(lèi)及其樣本選取方法

2.1 預(yù)測(cè)方法分類(lèi)

通過(guò)對(duì)體感溫度與負(fù)荷關(guān)系曲線并結(jié)合實(shí)際數(shù)據(jù)分析可知，當(dāng)日早上10點(diǎn)至下午17點(diǎn)之間平均體感溫度處在負(fù)荷對(duì)體感溫度敏感區(qū)時(shí)，負(fù)荷預(yù)測(cè)時(shí)必須考慮體感溫度對(duì)負(fù)荷的影響，將該類(lèi)負(fù)荷定義為類(lèi)型一；而當(dāng)日平均體感溫度處在負(fù)荷對(duì)體感溫度敏感區(qū)之外時(shí)，則負(fù)荷預(yù)測(cè)時(shí)不必考慮體感溫度對(duì)負(fù)荷影響，將該類(lèi)負(fù)荷定義為類(lèi)型二。

2.2 訓(xùn)練樣本選取及處理方法

如果氣象部門(mén)預(yù)測(cè)某天負(fù)荷為類(lèi)型一，則該負(fù)荷預(yù)測(cè)的訓(xùn)練樣本應(yīng)包括同類(lèi)型的最近某2天負(fù)荷數(shù)據(jù)和體感溫度，以及待預(yù)測(cè)當(dāng)天體感溫度數(shù)據(jù)。

具體樣本處理方法是首先從樣本庫(kù)里找出最近2天同類(lèi)型負(fù)荷數(shù)據(jù)和體感溫度數(shù)據(jù)，將第一天負(fù)荷數(shù)據(jù)和2天的體感溫度差分別進(jìn)行歸一化處理后作為訓(xùn)練樣本輸入，第二天負(fù)荷數(shù)據(jù)作為目標(biāo)輸出對(duì)徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在完成網(wǎng)絡(luò)訓(xùn)練后，同理將第二天的負(fù)荷數(shù)據(jù)和待預(yù)測(cè)天與第二天的體感溫度差做歸一化處理后作為輸入樣本，實(shí)現(xiàn)類(lèi)型一負(fù)荷預(yù)測(cè)。

如果判斷出要預(yù)測(cè)負(fù)荷為類(lèi)型二，則直接從樣本庫(kù)里搜索出離預(yù)測(cè)天最近的同類(lèi)型4天負(fù)荷數(shù)據(jù)，將前3天負(fù)荷數(shù)據(jù)進(jìn)行處理后作為樣本輸入。

具體樣本處理方法是將前3天的樣本總共288個(gè)數(shù)據(jù)按前后順序排成一列，運(yùn)用小波包函數(shù)對(duì)該列負(fù)荷數(shù)據(jù)進(jìn)行分解，具體分解層數(shù)依不同情況而定，本文對(duì)負(fù)荷數(shù)據(jù)6層分解后得到一個(gè)64行288列小波系數(shù)矩陣，然后求取每行小波系數(shù)能量，并形成64行1列的小波能量矩陣，最后對(duì)該小波能量矩陣進(jìn)行歸一化處理。將歸一化處理后小波能量矩陣作為訓(xùn)練輸入樣本，以第4天負(fù)荷數(shù)據(jù)作為目標(biāo)輸出對(duì)徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在完成網(wǎng)絡(luò)訓(xùn)練后，同理將后3天負(fù)荷數(shù)據(jù)做與之前相同處理過(guò)程后，將形成的歸一化能量矩陣作為輸入樣本，從而實(shí)現(xiàn)類(lèi)型二負(fù)荷的預(yù)測(cè)目的。

通過(guò)前節(jié)分析可知，本文提出的2種負(fù)荷預(yù)測(cè)方法均是以徑向基神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)和載體的，因此，有必要對(duì)徑向基神經(jīng)網(wǎng)絡(luò)原理做簡(jiǎn)要概述。

3 徑向基神經(jīng)網(wǎng)絡(luò)原理

徑向基（R B F）神經(jīng)網(wǎng)絡(luò)是一種性能良好的前向神經(jīng)網(wǎng)絡(luò)模型，它具有全局逼近的性質(zhì)，并且不存在局部最小問(wèn)題[11-13]。R B F網(wǎng)絡(luò)是一個(gè)包括輸入層、隱含層和輸入層的多輸入單輸出系統(tǒng)，其隱含層執(zhí)行的是一種用于特征提取的非線性變換，在輸出層則可實(shí)現(xiàn)輸出權(quán)值的線性組合，其結(jié)構(gòu)如圖3所示。

設(shè)R B F神經(jīng)網(wǎng)絡(luò)的輸入為n維，學(xué)習(xí)樣本為（X，Y），其中 X=（x1，x2，…，xn）為輸入變量，Xi=（xi1，xi2，…，xin）T，1≤i≤Ni；Y=（y1，y2，…，yn）為期望輸出變量；N為訓(xùn)練樣本數(shù)。當(dāng)神經(jīng)網(wǎng)絡(luò)輸入Xi為時(shí)，隱含層第j個(gè)節(jié)點(diǎn)的輸出為

式中，Gi=（ci1，ci2，…，cin）T，為第 j個(gè)隱含層高斯函數(shù)的中心；σi為第j個(gè)隱含層高斯函數(shù)的寬度。

對(duì)全體輸入學(xué)習(xí)樣本，網(wǎng)絡(luò)期望輸出為

式中，wi為第j個(gè)隱層節(jié)點(diǎn)與輸出層之間的網(wǎng)絡(luò)連接權(quán)；M為隱含層節(jié)點(diǎn)數(shù)；e為擬合誤差。

圖3 徑向基神經(jīng)網(wǎng)絡(luò)示意圖Fig.3 Schematic diagram of RBF neural network

對(duì)于隱含層高斯函數(shù)中心的選取參考文獻(xiàn)[13]，并對(duì)網(wǎng)絡(luò)輸出權(quán)值進(jìn)行最小二乘法擬合，使輸出總誤差達(dá)到最小，即

4 負(fù)荷預(yù)測(cè)方法步驟

本文提出的負(fù)荷預(yù)測(cè)方法，先對(duì)待預(yù)測(cè)天負(fù)荷類(lèi)型進(jìn)行分類(lèi)處理，通過(guò)對(duì)2種不同類(lèi)型待預(yù)測(cè)負(fù)荷的輸入樣本選取和處理，結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)便形成2種不同預(yù)測(cè)方法，具體實(shí)現(xiàn)步驟如下：

1）聯(lián)合氣象部門(mén)對(duì)待預(yù)測(cè)天體感溫度進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)的體感溫度對(duì)待預(yù)測(cè)天負(fù)荷進(jìn)行分類(lèi)。

2）對(duì)不同類(lèi)型負(fù)荷預(yù)測(cè)進(jìn)行數(shù)據(jù)庫(kù)樣本的選取，并對(duì)樣本進(jìn)行不同方法的處理。

3）依據(jù)不同類(lèi)型負(fù)荷預(yù)測(cè)要求，將處理后的數(shù)據(jù)樣本輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，實(shí)現(xiàn)對(duì)待預(yù)測(cè)天的負(fù)荷預(yù)測(cè)目的。

具體負(fù)荷預(yù)測(cè)流程如流程圖3所示。

5 實(shí)際負(fù)荷預(yù)測(cè)

圖4所示為按上節(jié)方法進(jìn)行天氣分類(lèi)后，預(yù)測(cè)的某市2009年9月29日全區(qū)總負(fù)荷與實(shí)際負(fù)荷曲線，誤差率為1.09%。從圖4中可以看出，最大預(yù)測(cè)誤差出現(xiàn)在夜間12點(diǎn)至早上7點(diǎn)左右，這是由于這之間負(fù)荷受到前1d負(fù)荷積累效應(yīng)的影響，使負(fù)荷與體感溫度的相關(guān)性下降所導(dǎo)致的。

圖4 負(fù)荷預(yù)測(cè)流程圖Fig.4 Logical procedure diagram of load forecasting

圖5所示為按上節(jié)方法進(jìn)行天氣分類(lèi)后，預(yù)測(cè)的某市2009年11月9日全區(qū)總負(fù)荷與實(shí)際負(fù)荷曲線，誤差率為1.13%。由于進(jìn)行天氣分類(lèi)后，最近幾天都屬于對(duì)體感溫度不敏感平行區(qū)，負(fù)荷預(yù)測(cè)選擇的是依據(jù)經(jīng)驗(yàn)數(shù)據(jù)預(yù)測(cè)方法，因此負(fù)荷預(yù)測(cè)精度較考慮體感溫度影響的曲線區(qū)要差一些，但總體來(lái)說(shuō)達(dá)到了預(yù)期的效果。

圖5 類(lèi)型一短期負(fù)荷預(yù)測(cè)曲線Fig.5 Short-term load forecasting curve of type 1

表1所示為本文預(yù)測(cè)方法與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的誤差比較，從表中可知本文方法對(duì)類(lèi)型一、類(lèi)型二負(fù)荷預(yù)測(cè)精度較傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)法都有明顯提高，類(lèi)型一預(yù)測(cè)精度提高了1.88%，類(lèi)型二預(yù)測(cè)精度提高了0.52%。

圖6 類(lèi)型二負(fù)荷預(yù)測(cè)曲線Fig.6 Short-term load forecasting curve of type 2

表1 負(fù)荷預(yù)測(cè)誤差比較表Tab.1 Comparison table of the error for short-term load forecasting

分析可知，本文方法對(duì)類(lèi)型一負(fù)荷的預(yù)測(cè)精度提高較對(duì)類(lèi)型二負(fù)荷預(yù)測(cè)精度更明顯，這是因?yàn)轭?lèi)型一負(fù)荷對(duì)體感溫度非常敏感，當(dāng)考慮體感溫度對(duì)負(fù)荷的影響后進(jìn)行負(fù)荷預(yù)測(cè)顯然要較只考慮溫度或根本不考慮氣象因數(shù)時(shí)的精確要高的多。

6 結(jié)語(yǔ)

本文通過(guò)對(duì)大量負(fù)荷數(shù)據(jù)與體感溫度之間關(guān)系分析，給出了體感溫與負(fù)荷的分段函數(shù)曲線。基于此，本文將負(fù)荷分為對(duì)體感溫度敏感和不敏感2種類(lèi)別，并提出了2種負(fù)荷預(yù)測(cè)方法，2種負(fù)荷預(yù)測(cè)方法均以徑向基神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，針對(duì)不同類(lèi)型待預(yù)測(cè)負(fù)荷采取差異化樣本的選取和處理方法，有效提了高該負(fù)荷預(yù)測(cè)模型的適用性和負(fù)荷預(yù)測(cè)的精度實(shí)際預(yù)測(cè)效果表明本方法具有一定的實(shí)用性。

同時(shí)也存在一些不足，本文只是對(duì)正常工作日的負(fù)荷預(yù)測(cè)進(jìn)行了研究，對(duì)休息日或節(jié)假日的適用性還需進(jìn)一步研究驗(yàn)證。

[1]栗然，曹磊，李莉，等.影響電力系統(tǒng)短期負(fù)荷預(yù)測(cè)因素的權(quán)重分析方法[J].華北電力大學(xué)學(xué)報(bào)，2007，34（5）：32-37.

LI Ran，CAO Lei，LI Li，et al.Analysis for weights allocation with influence factors in power system shortterm load forecasting[J].Journal of North China Electric Power University，2007，34（5）：32-37（in Chinese）.

[2]李兀誠(chéng)，方廷健，于爾鏗.短期負(fù)荷預(yù)測(cè)的支持向量機(jī)方法研究[J].中國(guó)電機(jī)工程學(xué)，2003，23（6）:55-59.

LI Yuan-cheng，F(xiàn)ANG Ting-jian，YU Er-keng.Study of support vector machines filr short-terml load forecasting[J].ProceedingsoftheCSEE，2003，23（6）：55-59（inChinese）.

[3]于希寧，牛成林，李建強(qiáng).基于決策樹(shù)和專家系統(tǒng)的短期電力負(fù)荷預(yù)測(cè)系統(tǒng)[J].華北電力大學(xué)學(xué)報(bào)，2005，32（5）:57-61.

YU Xi-ning，NIU Cheng-lin，LI Jian-qiang.Electric load forecast based on decision tree and expert system[J].Journal of North China Electric Power University，2005，32（5）:57-61（inChinese）.

[4]雷紹蘭，孫才新.一種多變量時(shí)間序列的短期負(fù)荷預(yù)測(cè)方法研究[J].電工技術(shù)學(xué)報(bào)，2005，20（4）:62-67.

LEI Shao-lan，SUN Cai-xin.Method of multivarivate time series of short-term load forecasting[J].Transactions of China Electrotechnical Society，2005，20（4）:62-67（in Chinese）.

[5]阮仁俊，劉天琪，吳安平.基于SCGM（1，1）的三種負(fù)荷預(yù)測(cè)模型及其組合[J].南方電網(wǎng)技術(shù)，2009，3（3）：54-58.

RUAN Ren-jun，LIU Tian-qi，WU An-ping.SCGM（1，1） based on Three Load Forecast Models and Their Combination[J].Journal of North China Electric Power University，2009，3（3）：54-58（in Chinese）.

[6]張建華，邱威，劉念，等.正交設(shè)計(jì)灰度模型在年電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電網(wǎng)與清潔能源，2010，6（2）:28-32.

ZHANG Jian-hua，QIU Wei，LIU Nian.Grey model based on orthogonal design and its application in annual load forecasting[J].Power System and Clean Energy，2010，6（2）:28-32（in Chinese）.

[7]VANAJA LYER，CHUN CHEFUNG，TAMAS GEDEON.A fuzzy-neural approach to electricity load and spotprice forecasting in a deregulated electricity market[C].IEEE Region l 0Conference on Convergent Technologies for the Asia-Pacific，Indian，2003，4：l479-l482.

[8]姚建剛，龍立波，錢(qián)衛(wèi)華，等.基于NET的負(fù)荷分析與預(yù)測(cè)系統(tǒng)的研究與實(shí)現(xiàn)[J].湖南大學(xué)學(xué)報(bào)，2007，34（9）：44-48.

YAO Jian-gang，LONG Li-bo，QIAN Wei-hua，et al.Research and Development of the Load Analysis and Forecasting System Based on.NET[J].Journal of Hunan University，2007，34（9）：44-48（in Chinese）.

[9]李邦云，丁曉群，程莉.基于數(shù)據(jù)挖掘的負(fù)荷預(yù)測(cè)[J].電力自動(dòng)化設(shè)備，2003，23（8）：52-55.

LI Bang-yun，DING Xiao-quan，CHENG Li.Load forecast based on data mining[J].Electric Automation Equipment，2003，23（8）：52-55（in Chinese）.

[10]康重慶，周安石，王鵬，等.短期負(fù)荷預(yù)測(cè)中實(shí)時(shí)氣象因素的影響分析及其處理策略[J].電網(wǎng)技術(shù)，2006，30（7）:5-10.

KANG Chong-qing，ZHOU An-shi，WANG Peng，et al.Impact analysis of hourly weather factors in short-term load forecasting and its processing strategy[J].Power System Technology，2006，30（7）:5-10（in Chinese）.

[11]雷紹蘭，孫才新，周淙，等.基于徑向基神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊系統(tǒng)的電力短期負(fù)荷預(yù)測(cè)方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（22）：78-82.

LEI Shao-lan，SUN Cai-xin，ZHOU Cong，et al.Shortterm load forcasting method based on RBF neural network and ANFIS system[J].Proceedings of the CSEE，2005，25（22）：78-82（in Chinese）.

[12]龍洪玉，江樂(lè)寧，陳耀武.基于組合式神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)模型[J].中國(guó)電機(jī)工程學(xué)報(bào)，2001，21（4）：79-82.

LONG Hong-yu，JIANG Le-ning，CHEN Yao-wu.Shortterm load forecasting with modular neural networks[J].Proceedings of the CSEE，2001，21（4）：79-82（in Chinese）.

[13]趙劍劍，張步涵，樣時(shí)杰，等.一種基于經(jīng)向基蛹數(shù)的短期負(fù)荷預(yù)測(cè)方法[J].電網(wǎng)技術(shù)，2003，27（6）：22-25.

ZHAO Jian-jian，ZHANG Bu-han，YANG Shi-jie，et al.A deterministic annealing clustering shortterm load forecasting rnethod with radial basis function network[J].PowerSystemTechnology，2003，27（61）：22-25（inChinese）.

Load Classification and Load Forecasting of Power System Based on Apparent Temperature

XIE Jia-an
（Foshan Power Supply Bureau，Guangdong Power Grid Corporation，F(xiàn)oshan 528000，Guangdong，China）

In-depth research on the relationships between the load and the apparent temperature suggests that，in different ranges，the apparent temperature responds to the regional load in totally different ways.Two kinds of loads are classified accordingly asinto apparent temperature-sensitive one and the apparent temperature non-sensitive one,based on which two load forecasting methods are proposed in this paper.Both of the two methods are based on Radial Basis Function（RBF）Neural Network with the differentiated sample selection and handling applied to improve the applicability of the load forecasting model effectively.The method recommended in this paper is applied in the load forecasting of a certain city,and the results show that it the method,with its high precision and good practicability，is an effective one forin short-term load forecasting.

short-term load forecasting；apparent temperature；radial basis function（RBF）neural network

針對(duì)體感溫度與負(fù)荷之間的變化關(guān)系進(jìn)行了深入研究，研究表明體感溫度在不同范圍內(nèi)變化時(shí)將對(duì)地區(qū)負(fù)荷影響表現(xiàn)出截然不同特征。將負(fù)荷分為對(duì)體感溫度敏感和不敏感2種類(lèi)別，并提出2種負(fù)荷預(yù)測(cè)方法。2種負(fù)荷預(yù)測(cè)方法均以徑向基神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，并針對(duì)不同類(lèi)型待預(yù)測(cè)負(fù)荷采取差異化樣本選取和處理方法，有效提高了該負(fù)荷預(yù)測(cè)模型適用性和負(fù)荷預(yù)測(cè)精度。將該方法運(yùn)用到某市總負(fù)荷預(yù)測(cè)中，預(yù)測(cè)結(jié)果表明該方法具有較高精度和較好實(shí)用性，是一種有效的短期負(fù)荷預(yù)測(cè)新方法。

短期負(fù)荷預(yù)測(cè)；體感溫度；徑向基神經(jīng)網(wǎng)絡(luò)

1674-3814（2012）08-0024-05

TM 714

A

2012-01-05。

謝家安（1980—），男，碩士，從事電力系統(tǒng)穩(wěn)定、繼電保護(hù)及高壓直流輸電方面的研究。

（編輯 董小兵）