空間電力負荷預測方法

現(xiàn)有的空間負荷預測方法有幾十種之多，若按照預測原理來分類，可分為用地仿真類空間負荷預測方法、負荷密度指標法、多元變量法及趨勢類空間負荷預測方法;若根據(jù)預測過程是否可以寫出解析表達式，可分為解析類預測方法和非解析類預測方法;若從確定元胞負荷與總量負荷的先后順序來說，可分為自上而下的預測方法和自下而上的預測方法。具體分類情況如下：

（1）用地仿真類預測法：基于模糊邏輯技術的用地仿真法、基于粗糙集理論的用地仿真法、基于元胞自動機的用地仿真法、基于蟻群算法的用地仿真法基于負荷細分與SVM技術的用地仿真法、基于系統(tǒng)動力學與運輸模型的用地仿真法、非均勻區(qū)域法、考慮不確定性因素的用地仿真法。

（2）負荷密度指標法：

傳統(tǒng)方法：直觀預測法(涂色法)、分類負荷平均密度指標法

智能算法：基于雙層貝葉斯模型的負荷密度指標法、基于模糊理論的負荷密度指標法、基于AHP和TOPSIS的負荷密度指標法、基于ANFIS的負荷密度指標法、基于LS-S VM的負荷密度指標法。

發(fā)展曲線：基于VAI的負荷密度指標法、基于飽和密度與相對系數(shù)的負荷密度指標法、計及元胞屬性及發(fā)展時序的負荷密度指標法。

（3）多元變量預測法：基于經(jīng)濟計量模型的方法

（4）趨勢類預測法：

措施：元胞負荷轉(zhuǎn)移招合法、負荷規(guī)律性分析、空區(qū)推論(或模板法)、 元胞負荷聚類分析。

外推算法：回歸分析法、指數(shù)平滑法、增長速度法、生長曲線法、灰色理論法、馬爾可夫法、灰色馬爾可夫法。

空間電力負荷預測方法用地仿真法的基本原理

用地仿真類空間負荷預測法是通過分析土地利用的特性及發(fā)展規(guī)律，來預測土地的使用類型、地理分布和面積構成，并在此基礎上將土地使用情況轉(zhuǎn)化為空間負荷。其具體做法通常是將預測區(qū)域劃分為大小一致的網(wǎng)格，每個網(wǎng)格為一個元胞，通過分析它的空間數(shù)據(jù)及相關信息，將其空間屬性與用地需求相匹配，以評分的方式對各元胞適合于不同用地類型發(fā)展的程度進行評價。同時，結合整個預測區(qū)域的總量負荷預測結果與分類負荷密度預測結果，推導出未來年各用地類型的使用面積。根據(jù)元胞用地評分，建立用地分配模型，將分類土地使用面積分配到各元胞內(nèi)，得到預測區(qū)域用地分布預測結果，結合分類負荷密度預測值，從而求出空間負荷分布，進而還可得到預測區(qū)域內(nèi)匹配后的系統(tǒng)負荷 。

綜上，用地仿真類空間負荷預測方法的實現(xiàn)流程可以參考《實現(xiàn)用地仿真類SLF法的流程圖》來表示，其核心部分是用地決策，而且假設了各類用地面積和分類負荷密度是已知的?？梢娫玫卦u分才是用地仿真類空間負荷預測方法的關鍵所在。

空間電力負荷預測方法基于模糊邏輯技術的空間負荷預測方法

傳統(tǒng)用地仿真法中的用地決策環(huán)節(jié)，通常依靠專家的意見來對元胞適合于每種土地使用類型的發(fā)展程度進行評分，并根據(jù)分值高低推斷各元胞未來用地面積分配情況。但這樣得到的評分結果受主觀因素影響較大，勢必導致基于用地面積分配而得到的元胞負荷預測值出現(xiàn)不同程度的偏差。

1996年，模糊邏輯技術首次應用于用地仿真法的元胞用地決策中，其具體做法是:首先在對元胞空間屬性分析的基礎上，確定模糊集，將元胞的空間信息模糊化;然后根據(jù)專家經(jīng)驗建立模糊規(guī)則庫，使用專家指定的隸屬函數(shù)，得到模糊推理結果;最后，經(jīng)過對模糊推理結果的清晰化，將模糊量轉(zhuǎn)化為清晰量，從而得出元胞用地評分。

隨著預測區(qū)域內(nèi)部情況的變化，或預測區(qū)域的擴展，先前合理的模糊規(guī)則可能在一段時間后不再適用，因此模糊邏輯技術采用的模糊集和模糊規(guī)則都需要不斷地調(diào)整，為此又引入了神經(jīng)網(wǎng)絡、遺傳算法 。其具體做法是:利用模糊知識庫來模擬每個用地類型的用地要求，將元胞空間屬性數(shù)據(jù)作為訓練樣本，使用神經(jīng)網(wǎng)絡和遺傳算法來調(diào)整模糊規(guī)則，訓練模糊集的參數(shù)，最終獲得元胞適用于各用地類型的發(fā)展程度。這種算法既融合了神經(jīng)網(wǎng)絡的學習能力、自適應能力，又保留了模糊系統(tǒng)的知識表達的靈活性和嚴謹?shù)耐评磉壿嬓?，能夠修正?guī)劃人員憑經(jīng)驗給定的模糊規(guī)則庫(模糊規(guī)則庫能根據(jù)負荷發(fā)展而不斷地自調(diào)整)，在建立模糊規(guī)則的過程中也可以有效地減少主觀因素帶來的影響。

空間電力負荷預測方法基于粗糙集理論的空間負荷預測方法

雖然在元胞用地決策過程中可以采用模糊邏輯技術，但是考慮到地理環(huán)境、社會條件以及經(jīng)濟發(fā)展等諸多因素的影響，并且采用較高的空間分辨率的時候，模糊規(guī)則將成倍增加，導致用地決策過程變得繁雜而難于實現(xiàn)。

為此，粗糙集理論被引入到了空間負荷預測中。通過對可能影響元胞用地決策的眾多相關屬性進行約簡，去除冗余屬性，使得用地決策過程相對簡單，提高了空間負荷預測的效率。

把粗糙集理論和模糊邏輯技術結合起來用于空間負荷預測，便產(chǎn)生了一種基于模糊粗糙集理論的綜合數(shù)據(jù)挖掘方法。其具體做法是:采用粗糙集理論的信息系統(tǒng)循環(huán)采樣技術，通過數(shù)據(jù)庫知識獲取手段把各樣本按照自身的屬性值進行聚類，根據(jù)聚類中心對連續(xù)取值的屬性設定模糊值，根據(jù)決策屬性包含度對模糊粗糙規(guī)則進行篩選，同樣通過數(shù)據(jù)庫知識獲取手段來判斷用地類型的轉(zhuǎn)換，從而得到元胞用地類型的變化情況 。

然而，基于模糊粗糙集理論的綜合數(shù)據(jù)挖掘方法在數(shù)據(jù)離散過程中，忽略了數(shù)據(jù)離散化本身所具有的不確定性，而且進行元胞用地評分時也忽略了元胞空間屬性泛化后概念的模糊性。

空間電力負荷預測方法基于元胞自動機的空間負荷預測方法

考慮到元胞自動機在模擬空間復雜系統(tǒng)的時空動態(tài)演變方面具有很強的能力，有文獻將其引入用地仿真類SLF方法的用地決策過程中，提出了一種基于元胞自動機理論的SLF方法。其具體做法是：首先提出了電力負荷元胞、元胞樣區(qū)、元胞時空數(shù)據(jù)庫、樣本數(shù)據(jù)庫的概念;然后基于所提出概念制定了考慮多種相關因素的負荷元胞轉(zhuǎn)換規(guī)則和相關參數(shù)，確定出各元胞的用地情況;最后在此基礎上使用同類用地典型負荷密度推出其負荷值。雖然該方法具有可以從多個規(guī)則來描述影響電力負荷時空發(fā)展相關因素的優(yōu)點，但是還需要進一步優(yōu)化和完善其相關參數(shù)和規(guī)則。

空間電力負荷預測方法基于蟻群算法的空間負荷預測方法

針對用地決策過程中靜態(tài)轉(zhuǎn)換規(guī)則不能適應負荷發(fā)展的局限性，有文獻則提出了基于蟻群算法的SLF方法，即在對元胞未來土地使用類型進行模擬的過程中，采用蟻群算法動態(tài)地獲取用地類型的轉(zhuǎn)換規(guī)則，評判出元胞的用地情況，并結合分類負荷密度預測值，得到最終的空間負荷分布結果。

空間電力負荷預測方法基于SVM的空間負荷預測方法

該方法首先在待預測區(qū)域內(nèi)按照等大小網(wǎng)格生成元胞，然后在GIS平臺上提取各元胞的空間信息，并利用主成分分析法對元胞的空間信息進行處理，實現(xiàn)元胞屬性的簡化，形成支持向量機(SVM)的訓練樣本集，用訓練好的SVM算出元胞屬性值，最后將其與待預測區(qū)域未來的發(fā)展規(guī)劃相結合，并利用分類負荷密度得出SLF結果 。

空間電力負荷預測方法基于系統(tǒng)動力學的空間負荷預測方法

該方法首先基于系統(tǒng)論中的整體與個體的關系，利用系統(tǒng)動力學建模的方法對各個元胞建立統(tǒng)一的預測模型，通過分析實際情況來修正負荷預測模型，使個體差異性得到體現(xiàn);然后利用上述預測模型所得到的預測結果生成分配因子，對總量負荷進行分配;最后建立運輸模型并對其求解，從而得到具體的負荷分布與增長情況。

空間電力負荷預測方法考慮不確定性因素的空間負荷預測方法

傳統(tǒng)的用地仿真類SLF方法通常僅適用于土地利用平穩(wěn)發(fā)展的情況，在土地跳躍式發(fā)展時得到的預測結果則偏差較大。所以，在預測過程中還需要考慮用地變化過程中的不確定性因素。

空間電力負荷預測方法用地仿真類空間負荷預測方法存在的問題

1)該類方法把分類負荷用地面積和分類負荷密度當作已知條件，前者由規(guī)劃部門確定，相對容易獲得，并且該信息往往比較準確、可信，但是后者數(shù)值大小的確定卻并不容易。

2)由于該類方法在生成元胞時往往采用等大小的網(wǎng)格來實現(xiàn)，所以通常無法獲得元胞負荷的實際測量值，而只能推算出其理論負荷值，這樣就會在評估預測結果精度的時候遇到困難。

3)該類方法都含有保證元胞負荷和總量負荷的相等(要么由總量直接分配下去，要么通過不同調(diào)整手段來平衡)的環(huán)節(jié)，但若考慮到電力負荷的同時率，則元胞最大負荷之和與總量負荷最大值不相等才更為合理。

電力系統(tǒng)規(guī)劃的基礎是空間負荷預測(spatial load forecasting ，SLF)，伴隨著近幾年電力系統(tǒng)在精益化管理過程中，空間電力負荷已經(jīng)成為電力行業(yè)最為關注的問題?？臻g電力負荷預測也被稱之為空間負荷預測，主要是對于某范圍內(nèi)的電力負荷數(shù)值及方位進行判斷。空間電路負荷預測是電力系統(tǒng)重點工作之一，按照預測結果對于某范圍內(nèi)電力負荷安裝位置及容量進行確定，能夠有效提高電路系統(tǒng)經(jīng)濟效益及穩(wěn)定性能。傳統(tǒng)負荷預測方法主要是對未來負荷數(shù)值進行確定，但不能夠給出合理范圍設定。伴隨著電力系統(tǒng)精益化管理，傳統(tǒng)負荷預測方法已經(jīng)不能夠滿足電力規(guī)劃實際需求，因此空間電力負荷預測就成為電力行業(yè)重點研究的課題 。

國外自從20世紀30年代中期出現(xiàn)有關電力負荷分布的負荷預測的記載以來，一直稱之為小區(qū)負荷預測。直到1983年，H.L.Willis給出了空間負荷預測 的定義，即在未來的供電范圍內(nèi)，根據(jù)電壓水平不同，將用地按照一定原則劃分為相應大小的規(guī)則或不規(guī)則小區(qū)(每個小區(qū)又稱為一個負荷元胞，簡稱元胞)，通過對元胞負荷的歷史數(shù)據(jù)的分析，以及對元胞內(nèi)土地利用的特征和發(fā)展規(guī)律的分析，來預測每個元胞中電力用戶負荷的數(shù)量、用量和產(chǎn)生的時間。從此空間負荷預測一詞被廣為接受和使用。

國內(nèi)關于空間負荷預測的研究起步相對較晚，最早明確使用空間負荷預測術語的文獻出現(xiàn)在1989年，但最近20年對空間負荷預測理論進行了越來越深入的研究，并充分發(fā)揮地理信息系統(tǒng)(geographic information system GIS) 平臺的作用，取得了更多、更快的進展。

空間電力負荷預測方法負荷密度指標法的基本原理

如果認為規(guī)劃門制定的土地利用方案將會得以有效地執(zhí)行與落實，即未來土地的使用性質(zhì)基本已經(jīng)明確，那么用地決策不再是突出問題。同時，過于粗陋的分類負荷的負荷密度指標給用地仿真類SLF方法帶來的不利影響卻顯得更為嚴重。為此，基于負荷密度指標的SLF方法得到了更多重視，特別是在最近5年內(nèi)，已經(jīng)出現(xiàn)了十多篇專門討論這類方法的論文 。

負荷密度指標法一般先把負荷分類(如居民、商用、市政、醫(yī)療等)，然后在待預測區(qū)域內(nèi)按功能小區(qū)邊界生成元胞，最后通過預測各分類負荷密度，并結合用地信息來計算每個元胞的負荷值，從而實現(xiàn)SLF。因該方法先對負荷分類，后給待測地塊分區(qū)(即生成元胞)，故又稱之為分類分區(qū)法。

所謂功能小區(qū)是指一片用地類型相同的地塊或街區(qū)，其中包括1個或多個負荷類型相同的電力用戶?；谄渖傻脑麅?nèi)只含一個類型的負荷。該類方法的核心就是在各類用地面積及其位置已知的條件下，求取分類負荷密度指標。

空間電力負荷預測方法傳統(tǒng)的負荷密度指標法

傳統(tǒng)的負荷密度指標的求取通常采用經(jīng)驗法、簡單類比法，以及粗略估算分類負荷平均密度法。這樣做在實際應用中難以滿足精度的要求。

1)直觀法。

所謂“直觀法”就是利用所搜集和存儲的相關數(shù)據(jù)與信息，依據(jù)規(guī)劃人員的經(jīng)驗和主觀判斷來確定負荷的大小及其分布。

涂色法(coloring book)是直觀法中的一個典型代表，這個古老的方法是以專家的歷史經(jīng)驗為依據(jù)，主觀地估計出各元胞的負荷密度，并按照負荷密度大小，為元胞涂上與之相對應的不同顏色。

2)分類負荷平均密度指標法。

有文獻認為分析元胞負荷變化的特征是研究該類方法的基礎，元胞內(nèi)不同種類負荷的構成變化及其增長情況決定了元胞負荷的增長，元胞負荷等于計及同時率的所有構成負荷的代數(shù)和。該方法在預測過程中將所有元胞內(nèi)相同性質(zhì)負荷聚合成一類，通過預測分類負荷平均密度，結合市政規(guī)劃方案中的用地信息，并根據(jù)各元胞內(nèi)分類負荷所占的面積，最終分別計算出各元胞的負荷值。其實質(zhì)是把各個元胞的負荷預測轉(zhuǎn)化為分類負荷及其分布的預測。

空間電力負荷預測方法基于智能算法的負荷密度指標法

該類方法的思路是，首先通過大量調(diào)研，搜集并整理相關數(shù)據(jù)，對負荷進行精細分類，形成盡可能全面的負荷密度指標樣本庫，并按類確定影響負荷密度的主要因素，構建分級的負荷密度標準樣本指標集;然后在待預測區(qū)域內(nèi)按照功能小區(qū)的邊界生成元胞;最后根據(jù)已經(jīng)規(guī)劃好的用地信息及元胞的輸入特性，對各元胞進行正確的屬性分類，并與標準樣本指標集相對照，從而獲取各元胞的負荷密度指標。

1)基于雙層貝葉斯分類模型的負荷密度指標法。

考慮到?jīng)Q定負荷密度的各屬性之間并非完全獨立，傳統(tǒng)分類器的分類效果并不理想。利用基于樣本訓練完成的分類模型，對各元胞依據(jù)其輸入特征進行合理分類，從而獲得其類標簽，即負荷密度指標。其實現(xiàn)步驟如下：

根據(jù)負荷特性對該負荷進行分類令對每一細分負荷建立分類模型令按細分負荷類型進行大量樣本數(shù)據(jù)的采集令對已經(jīng)生成的樣本集根據(jù)其類標簽劃分等級令收集待預測元胞的屬性值并利用雙層貝葉斯分類模型計算其屬于各等級的概率令采用類內(nèi)相似度方法進行負荷密度的修正。

該方法在實際應用中必將面臨如何收集和處理大量樣本數(shù)據(jù)的問題，因為樣本的數(shù)量、質(zhì)量、分布，及其對模型的訓練效果，都會影響到其預測精度。另外還需要修正環(huán)節(jié)才能給出量化結果。

2)基于模糊理論的負荷密度指標法。

針對在求取負荷密度指標時采用經(jīng)驗法或簡單類比法難以滿足精度要求的問題，有文獻把模糊理論引入到負荷密度指標的求取過程當中。其基本思路是先盡可能多地搜集樣本數(shù)據(jù)，并且在此基礎上構建分級標準指標集(一般分為5級)；然后利用模糊理論對待測元胞的相關屬性數(shù)據(jù)進行分析評判，確定其歸屬范圍;最后對所選取的負荷密度指標進行細微調(diào)整。

3)基于AHP和TOPSIS的負荷密度指標法。

為了避免因通過經(jīng)驗或簡單類比所獲得的負荷密度指標不能滿足精度要求，也為了降低在確定隸屬度函數(shù)時由主觀因素導致的不利影響，有文獻把層次分析(AHP)法和逼近理想解排序(TOPSIS)法引入到負荷密度指標的求取過程當中。其基本思路是采用AHP法確定評價指標的權重，并運用TOPSIS法對評價指標進行規(guī)范化和排序計算，對影響負荷密度指標的因素實現(xiàn)量化，最后使用類內(nèi)相似度法修正負荷密度指標。

在實際使用AHP的過程中，由于信息不完備，當通過兩兩比較量化評價指標時，會出現(xiàn)不確定的主觀判斷，對此若采用點值來表述并不合適。

空間電力負荷預測方法基于分類負荷發(fā)展曲線的負荷密度指標法

1)基于VAI的負荷密度指標法。

對于無歷史數(shù)據(jù)的新、老城區(qū)的SLF問題，有文獻提出了一種基于空區(qū)推論(VAI)的空間負荷預測分類分區(qū)實用法。其基本思路是用老城區(qū)的分類負荷總量減去有歷史負荷數(shù)據(jù)的老城區(qū)的分類負荷總量得到無歷史數(shù)據(jù)的老城區(qū)的同類負荷總量，用規(guī)劃中的整個城區(qū)的分類負荷總量減去老城區(qū)的分類負荷總量得到新城區(qū)的分類負荷總量，再結合城市用地規(guī)劃方案即可分別求出無歷史數(shù)據(jù)的新、老城區(qū)各類負荷的平均密度。其中分類負荷總量是以負荷發(fā)展曲線為基礎求取的。

2)基于飽和密度與相對系數(shù)的負荷密度指標法。

針對新開發(fā)地塊的SLF問題，有文獻提出了一種基于飽和負荷密度和負荷相對系數(shù)的負荷密度指標求取方法。其基本思想是在大量調(diào)研，搜集并整理樣本數(shù)據(jù)的基礎上，通過對各類負荷(分為11類)發(fā)展規(guī)律的研究，估算分類負荷的飽和負荷密度，確定不同時間的分類負荷相對系數(shù)，并計及同類負荷內(nèi)部同時率，結合預先按照功能小區(qū)的方式生成元胞，從而推算出元胞的負荷密度指標。

雖然該方法的思路清晰，原理簡單，但是其在實際應用中的可操作性值得討論。例如，如何判斷樣本中一些數(shù)據(jù)就是飽和負荷密度值

電力負荷預測分為經(jīng)典預測方法和現(xiàn)代預測方法 。

經(jīng)典預測方法

趨勢外推法

就是根據(jù)負荷的變化趨勢對未來負荷情況作出預測。電力負荷雖然具有隨機性和不確定性，但在一定條件下，仍存在著明顯的變化趨勢，例如農(nóng)業(yè)用電，在氣候條件變化較小的冬季，日用電量相對穩(wěn)定，表現(xiàn)為較平穩(wěn)的變化趨勢。這種變化趨勢可為線性或非線性，周期性或非周期性等等。

時間序列法

時間序列法是一種最為常見的短期負荷預測方法，它是針對整個觀測序列呈現(xiàn)出的某種隨機過程的特性，去建立和估計產(chǎn)生實際序列的隨機過程的模型，然后用這些模型去進行預測。它利用了電力負荷變動的慣性特征和時間上的延續(xù)性，通過對歷史數(shù)據(jù)時間序列的分析處理，確定其基本特征和變化規(guī)律，預測未來負荷。

時間序列預測方法可分為確定型和隨機性兩類，確定型時間序列作為模型殘差用于估計預測區(qū)間的大小。隨機型時間序列預測模型可以看作一個線性濾波器。根據(jù)線性濾波器的特性，時間序列可劃為自回歸(AR)、動平均(MA)、自回歸-動平均(ARMA)、累計式自回歸-動平均(ARIMA)、傳遞函數(shù)(TF)幾類模型，其負荷預測過程一般分為模型識別、模型參數(shù)估計、模型檢驗、負荷預測、精度檢驗預測值修正5個階段。

回歸分析法

回歸分析法就是根據(jù)負荷過去的歷史資料，建立可以分析的數(shù)學模型，對未來的負荷進行預測。利用數(shù)理統(tǒng)計中的回歸分析方法，通過對變量的觀測數(shù)據(jù)進行分析，確定變量之間的相互關系，從而實現(xiàn)預測。

現(xiàn)代負荷預測方法

20世紀80年代后期，一些基于新興學科理論的現(xiàn)代預測方法逐漸得到了成功應用。這其中主要有灰色數(shù)學理論、專家系統(tǒng)方法、神經(jīng)網(wǎng)絡理論、模糊預測理論等 。

灰色數(shù)學理論

灰色數(shù)學理論是把負荷序列看作一真實的系統(tǒng)輸出，它是眾多影響因子的綜合作用結果。這些眾多因子的未知性和不確定性，成為系統(tǒng)的灰色特性?；疑到y(tǒng)理論把負荷序列通過生成變換，使其變化為有規(guī)律的生成數(shù)列再建模，用于負荷預測。

專家系統(tǒng)方法

專家系統(tǒng)方法是對于數(shù)據(jù)庫里存放的過去幾年的負荷數(shù)據(jù)和天氣數(shù)據(jù)等進行細致的分析，匯集有經(jīng)驗的負荷預測人員的知識，提取有關規(guī)則。借助專家系統(tǒng)，負荷預測人員能識別預測日所屬的類型，考慮天氣因素對負荷預測的影響，按照一定的推理進行負荷預測。

神經(jīng)網(wǎng)絡理論

神經(jīng)網(wǎng)絡理論是利用神經(jīng)網(wǎng)絡的學習功能，讓計算機學習包含在歷史負荷數(shù)據(jù)中的映射關系，再利用這種映射關系預測未來負荷。由于該方法具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學習能力，因此有很大的應用市場，但其缺點是學習收斂速度慢，可能收斂到局部最小點；并且知識表達困難，難以充分利用調(diào)度人員經(jīng)驗中存在的模糊知識。

模糊負荷預測

模糊負荷預測是近幾年比較熱門的研究方向。

模糊控制是在所采用的控制方法上應用了模糊數(shù)學理論，使其進行確定性的工作，對一些無法構造數(shù)學模型的被控過程進行有效控制。模糊系統(tǒng)不管其是如何進行計算的，從輸入輸出的角度講它是一個非線性函數(shù)。模糊系統(tǒng)對于任意一個非線性連續(xù)函數(shù)，就是找出一類隸屬函數(shù)，一種推理規(guī)則，一個解模糊方法，使得設計出的模糊系統(tǒng)能夠任意逼近這個非線性函數(shù)。

模糊預測的一些基本方法

(1)表格查尋法：

表格法是一種相對簡單明了的算法。這個方法的基本思想是從已知輸入--輸出數(shù)據(jù)對中產(chǎn)生模糊規(guī)則，形成一個模糊規(guī)則庫，最終的模糊邏輯系統(tǒng)將從組合模糊規(guī)則庫中產(chǎn)生。

這是一種簡單易行的易于理解的算法，因為它是個順序生成過程，無需反復學習，因此，這個方法同樣具有模糊系統(tǒng)優(yōu)于神經(jīng)網(wǎng)絡系統(tǒng)的一大優(yōu)點，即構造起來既簡單又快速。

(2)基于神經(jīng)網(wǎng)絡集成的高木-關野模糊預測算法：

它是利用神經(jīng)網(wǎng)絡來求得條件部輸入變量的聯(lián)合隸屬函數(shù)。結論部的函數(shù)f(X)也可以用神經(jīng)網(wǎng)絡來表示。神經(jīng)網(wǎng)絡均采用前向型的BP網(wǎng)絡。

(3)改進的模糊神經(jīng)網(wǎng)絡模型的算法：

模糊神經(jīng)網(wǎng)絡即全局逼近器。模糊系統(tǒng)與神經(jīng)網(wǎng)絡似乎有著天然的聯(lián)系，模糊神經(jīng)網(wǎng)絡在本質(zhì)上是模糊系統(tǒng)的實現(xiàn)，就是將常規(guī)的神經(jīng)網(wǎng)絡(如前向反饋神經(jīng)網(wǎng)絡，HoPfield神經(jīng)網(wǎng)絡)賦予模糊輸入信號和模糊權。

對于復雜的系統(tǒng)建模，已經(jīng)有了許多方法，并已取得良好的應用效果。但主要缺點是模型精度不高，訓練時間太長。此種方法的模型物理意義明顯，精度高，收斂快，屬于改進型算法。

(4)反向傳播學習算法：

模糊邏輯系統(tǒng)應用主要在于它能夠作為非線性系統(tǒng)的模型，包括含有人工操作員的非線性系統(tǒng)的模型。因此，從函數(shù)逼近意義上考慮，研究模糊邏輯系統(tǒng)的非線性映射能力顯得非常重要。函數(shù)逼近就是模糊邏輯系統(tǒng)可以在任意精度上，一致逼近任何定義在一個致密集上的非線性函數(shù)，其優(yōu)勢在于它有能夠系統(tǒng)而有效地利用語言信息的能力。萬能逼近定理表明一定存在這樣一個可以在任意精度逼近任意給定函數(shù)的高斯型模糊邏輯系統(tǒng)。反向傳播BP學習算法用來確定高斯型模糊邏輯系統(tǒng)的參數(shù)，經(jīng)過辨識的模型能夠很好的逼近真實系統(tǒng)，進而達到提高預測精度的目的。

全國性電力負荷中心通常是由許多工業(yè)城市（工業(yè)樞紐）、工業(yè)區(qū)和工業(yè)點組成的工業(yè)地區(qū) 。

地區(qū)性電力負荷中心由某一工業(yè)城市（工業(yè)樞紐）或數(shù)個工業(yè)區(qū)及工業(yè)點組成。