专家系统及其应用摘要：电力系统负荷预测是电力生产管理的重要环节之一，本文详细综述了BP 网络、RBF网络以及小波神经网络在电力负荷预测领域的研究和应用现状，并指出目前神经网络还存在的一些问题。

关键词：人工智能，专家0．引言电力系统负荷预测是电力生产管理的重要环节之一，按预测周期长短可以分为长期、中期和短期负荷预测。

其中短期负荷预测中的日负荷预测对于电力系统的实时运行调度至关重要：依据准确的日负荷预测数据，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益，有利于保持电网的安全稳定性，有利于提高经济效益和社会效益。

因此日负荷预测结果的准确性对电力系统的安全稳定运行和经济性具有重要影响。

许多学者对此进行了研究，继而提出了相应的预测方法并及时地将数学领域的最新研究成果应用到负荷预测中去，使预测水平得到了迅速提高，预测研究取得了较大进展。

近几年来，随着电力改革的深入和电力市场的逐步建立，无论是电网的安全运行和经济运行，还是发电公司的竞价上网、电力公司或供电公司的购电计划的制定等，都与短期负荷预测特别是日负荷预测曲线有着密切的关系。

1．人工智能概述1.1 人工智能的基本概念人工智能（Artificial Intelligence，简称AI）这一术语是1956年在美国的Dartmouth大学召开的世界第一次AI会议上由麻省理工学院的青年数学教师John McCarthy提议而使用的。

AI这一学科至今已有50多年的历史，在国际上已确认AI是当代高科技的核心之一。

其基本含义是：AI是用机器（计算机或智能机）来模仿人类的智能行为。

AI也叫机器智能，是研究如何使机器具有认识问题与解决问题的能力，研究如何使机器具有感知功能（如视、听、嗅）、思维功能（如分析、综合、计算、推理、联想、判断、规划、决策）、行为功能（如说、写、画）及学习、记忆等功能。

AI是使技术适应于人类的钥匙，是自动化技术向智能技术方向发展的关键，也是揭示人类智能和人脑奥秘的有力工具。

人工智能的理论基础有三个方面：数学理论（离散数学、模糊数学等）；思维科学理论（认知心理学、逻辑或抽象思维学、形象或直感思维学等）；计算机工程技术（软件技术和硬件技术）。

由于大规模电力系统一般具有先进的自动控制水平，且电力系统研究的大量问题已具备相应的数学模型和数值算法，因此在AI早期对电力部门的吸引力不大。

随着专家系统应用的巨大成功亦启发电力部门研究人员去尝试，很快发现AI在电力系统的应用潜力也是很大的，同时加上电力系统具备AI应用的技术基础，因此AI在电力系统的应用研究发展很快。

人工智能在电力系统中的应用主要在故障诊断、报警处理和恢复控制三个方面，主要方法是专家系统，其它有人工神经网络、模糊控制、遗传算法等。

1.2 人工智能的研究内容要了解人工智能的研究内容，必须先搞清楚什么是人类的智能。

“智能”词源来自拉丁语Legere，字面意思是采集、收集和汇集，并由此进行选择。

而Intellegere意思是从中进行选择，进而理解、领悟和认识。

因此，人工智能的研究内容应包括三个方面：1．知识表达(Knowledge Representation)：——研究如何在机器中表示知识，使知识形式化、模型化，用以建立合适的符号逻辑系统。

2．知识获取(Knowledge Acquisition)：——研究机器如何从各种知识源获取知识。

3．知识处理(Knowledge Inference)或问题求解(Problem Solving)：——运用存贮于机器中的知识进行相应知识处理，并推出结论。

2．神经网络在电力系统负荷预测中的应用2.1 电力系统负荷预测概况过去几十年来，国内外学者对电力系统短期负荷预测进行了较充分的研究。

这些研究可分为3类：①负荷预测传统算法(时间序列法、回归方法等)的研究，研究重点放在负荷序列本身的规律上；②负荷预测现代算法(专家系统、神经网络等)的研究，研究重点放在用新的技术替代传统方法，其中以BP神经网络应用最为广泛，取得了比传统负荷预测更好的效果；③负荷预测的应用研究，重点是各种预测方法的结合，分析影响负荷的各种因素，特别是天气因素[1]。

目前已有的负荷预测方法包括回归法、时间序列法、神经网络法、灰色方法和模糊方法等，根据不同的预测要求用于不同的场合。

应用较多的为神经网络预测，它实际上是一种非线性拟合的方法，对于训练样本分布较全且预测点在样本空间附近的短期日负荷预测有较好的效果。

神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。

一般而言，神经网络理论(ANN)应用于短期负荷预测要比应用于中长期负荷预测更为适宜。

因为短期负荷变化可认为是一个平稳随机过程，而长期负荷预测与国家或地区的政治、经济政策等因素密切相关，通常会有些大的波动，而并非一个平稳随机过程。

进入上世纪90年代以来，国内外利用人工神经网络进行负荷预测的研究达到了高潮。

2.2 神经网络概述人工神经网络，英文名称是Artificial Neural Network，简称ANN。

人工神经网络是采用物理可实现的手段来模仿人脑神经系统结构和功能的系统。

人工神经网络是由大量的简单计算单元（即人工神经元）广泛连接而成的大规模并行分布处理网络。

人工神经网络的主要模型有：误差反向传播(BP)模型、Hopfield网络模型(离散和连续)、Kohonen自组织特征映射模型、逆向传播(CNP)模型、自适应谐振理论(ART)模型、双向联想记忆模型。

ANN的实现方式有：硬件实现（采用大规模集成电路技术，将大量人工神经元连接成网络，制成神经网络计算机），软件模拟（基于传统的计算机，通过数值计算软件来模拟人工神经网络，将知识以权矩阵方式存储在数据文件中）。

ANN的主要用途有：模式识别和分类、函数逼近与控制过程仿真建模、语音和图像处理、优化问题、预测问题和过程控制。

ANN在电力系统中的应用领域有：报警处理和故障诊断、静态和暂态安全评估、发电机模型的仿真和控制、过程控制和自动化、大机组组合优化和经济运行、短期负荷预测、配电网线损计算。

采用神经网络进行预测．要解决的问题主要有以下两个[2]：1 ）ANN结构确定要保证经过足够多的样本学习后ANN能够任意精确地逼近被预测的非线性系统，并且具有简单的结构形式和最少的可调参数。

目前，如何确定神经网络的结构，如网络的层数，每层神经元的数量，神经元的连接方式仍是还没有解决的问题。

只能靠在实际应用中的经验或通过大量的实验获得，现在大多文献研究的重点在于如何构成预测样本、如何构成输入层数据等。

2 ）ANN训练算法的改进基于误差反向传播算法的BP神经网络在负荷预测中得到了广泛应用，但标准BP算法最大的缺点就是收敛速度慢．容易陷入局部最优解。

2.3 几种常见的人工神经网络1) BP神经网络BP(Back Propagation)神经网络通常是指基于误差反向传播算法(BP算法)的多层前向神经网络，它是D．E．Rumelhart和J．L．McC1e1land及其研究小组在1986年研究并设计出来的。

BP神经网络是一个多层感知模型，，网络不仅有输入层节点，输出层节点，而且有隐含层节点（如图1所示）。

由于BP神经网络的强非线性拟和能力，尤其是对预测中天气、温度等因素处理方便，而且学习规则简单，便于计算机实现，所以目前多利用BP学习算法来进行神经网络的训练[3]。

图1：BP网络结构图BP网络的训练方式采用反向误差传播学习过程，是按照误差大小由输出层经隐层逐步向输人层调整各神经元的阈值以及联结权值的过程。

对给定的输人样本，经当前网络参数映射可以得到一个输出，该输出与给定的输出样本相比较，若误差不满足要求，则按上述规则调整阈值和联结权值，直至网络输出与输出样本间的偏差小于给定值。

采用BP神经网络进行短期日负荷预测时，首先要依据强关联性原则合理组织训练样本，即样本数据和待预测时段在负荷变化规律上应具有较强的内在相似性。

考虑到神经网络的预测推广能力主要通过实验确定，在组织输人输出样本时也主要依据经验判断：一般采用近期的历史负荷数据以及相应的日期和天气数据，它们包含了导致负荷波动的主要因素。

此外，为了获得良好的训练和预测效果，还应根据样本数据量选择适当的网络规模以保证良好的收敛速度和精度。

在众多的人工神经网络模型中，基于误差反向传播理论的前馈网络方法(BP 算法)是一种比较成熟而又简单的方法。

BP算法由两部分组成，即信息的正向传递和误差的反向传播。

BP算法的基本思想是：整个网络的学习由输入信号的正向传播和误差的逆向传播两个过程组成。

正向传播过程是指样本信号由输入层输入，经网络的权重、域值和神经元的转移函数作用后，从输出层输出。

如果输出值与期望值之间的误差大于规定量，则进行修正，转入误差反传播阶段，即误差通过隐层向输入层逐层返回，并将误差按“梯度下降”原则“分摊”给各层神经元，从而获得各层神经元的误差信号，作为修改权重的依据。

以上两过程是反复多次进行的。

此循环一直进行到网络的输出误差减小到允许值或到达设定的训练次数为止[3]。

2) RBF神经网络径向基函数网络是一种对多输入、多输出非线性系统的辨识方法，依此建立的神经网络可实现对非线性系统的辨识和预测，因为该类型网络有高于BP网络的收敛速度而且在预测节假日负荷的独特优势，因而近来也受到广泛关注。

径向基函数RBF神经网络的结构与多层前向网络类似，它也是一种三层前向网络(结构如图2所示)。

输入层由信号源节点组成；第二层为隐含层，它将输入空间映射到新的空间，其单元数视所描述问题的需要而定；第三层为输出层，它对输入模式的作用做出响应。

从输入空间到隐含层空间的变换是非线性的，它执行的是一种用于特征提取的非线性变换，而从隐含层空间到输出层空间变换是线性的。

隐含层单元的变换函数是RBF函数，与BP网络中的Sigmoid函数相类似，只不过它是一种局部分布的对中心点径向对称衰减的非负非线性函数[4]。

图2：RBF网络结构图径向基函数网络具有以下特点：1)很强的泛函逼近能力，原理上能逼近任意的非线性函数；2)典型的局部逼近网络，对于每一个输入输出样本，网络中只需要调整少量的权值，从而具有训练速度快的优点；3)不需要大量的样本，在每一个输入、输出样本附近均有较好的泛化能力[5]。

3) 小波神经网络小波神经网络(Wavelet Neural Network，简称WNN)是在小波理论基础上结合人工神经网络而提出的一种前馈型网络。

它是在傅立叶分析基础上发展起来的一种信号处理方法，它克服了傅立叶变换和短时傅立叶变换的一些缺点，能够将信号分解到各个时频区域进行观察和处理，而且能够根据待分析信号的特点调整时频窗口的形状，在时域和频域都具有良好的分辨能力。