电力论文哪里有？笔者认为电力系统内一切行为的目标是使电力系统高效，安全且经济地运行。电力系统的短期负荷预测对于电力系统调度、电力系统状态监测具有重要意义，而针对在各类负荷中比重最大的工业负荷的特点，建立适合的模型进行短期负荷预测则是未来一个重要的发展方向。
第 1 章 绪论
1.2 课题国内外研究现状
国内学者从上世纪 70年代起就开始了对于电力负荷预测问题的研究，国外学者则开始于上世纪 50 年代。目前已经提出并实施了一些可以用于负荷预测的技术有：
（1）多元线性回归法 （2）随机时间序列法 （3）一般指数平滑法 （4）状态空间法 （5）基于知识的专家方法 （6）人工神经网络 方法（1）至（4）使用统计方法得出预测解决方案[2]
方法（5）的算法会根据一组规则选择一个参考日，并使用其他特定于研究系统的规则来重整当日的电力负荷曲线[2]。方法（6）使用了一种算法，该算法结合了先前的系统负载和天气数据并预测了未来的负载模式。用输入数据集对人工神经网络（Artificial Neural Networks, ANN）进行训练，以近似目标数据集。负荷预测是一个固有的非线性问题，人工神经网络的结构适用于非线性建模[2]。这 6 种方法将在第 2 章中进一步探讨，重点是将 ANN 作为计算工业负荷短期预测的首选方法。文章将鞍山铝镁工业园区的历史电力负荷将用作ANN 的输入和训练数据。该算法将被优化以产生具有低百分比误差的短期负荷预测结果。
本节对国内外文献进行总结，发现国内外学者关于负荷预测研究的内容主要有以下两个方面：
（1）影响电力负荷的主要因素
以往的文献和研究表明，影响电力负荷的因素很多，比如历史负荷数据，气象因素，以及地区的经济状况甚至当地人民生活方式等因素都在不同角度和不同程度上影响着电力负荷预测。董波（1987）[3]认为天气是影响负荷预测精度的一个重要因素，文章根据地区负荷特点和气象因素的影响和规律，引入了“级”的概念，将干扰负荷描述为“级”的指数函数引入负荷预测模型中。方鸽飞，胡长洪（2010）[4]等学者将气象敏感负荷从总负荷中提取出来，分析温度、湿度对气象敏感负荷的影响，提出了将温度累积效应对负荷的影响分为日内温度累积效应和多日温度累积效应，再综合考虑这两部分进行处理的新思路。康重庆，周安石（2016）[5]等人详细考虑了温度、湿度等实时气象因素建立了电力短期负荷预测模型，得到了气象因素与负荷曲线之间的相关关系和变化规律。祝滨，刘耀年[6]（1999）等学者提出了日期类型、气象因素、电价因素都会对负荷预测产生影响，并对其进行仿真分析。葛少云，贾鸥莎（2012）[7]等学者建立了基于实时电价影响的短期负荷预测模型，通过与不考虑电价因素的负荷预测仿真结果的对比，验证了电价与负荷曲线的相关性。
第 3 章 负荷数据预处理
3.1 基于经验模态分解的电力负荷噪声抑制
对于以数据为指导和以数学模型为基础的短期电力负荷预测，数据预处理是整个过程中非常重要的一个环节。优秀的数据预处理可以有效清洗噪点，为后续预测模型的效率和质量提供保障。如何将信号中的噪声准确识别并去除，在保持其大部分重要特性（例如平滑度）的同时尽可能接近原始信号是信号处理中的经典问题。
传统的降噪方法基于线性信号，其中最常见的方法是维纳滤波法[32]。线性方法易于设计和实现，但对于包含尖锐边缘和瞬时脉冲的信号其降噪效果一般，特别是涉及瞬态非平稳分量时，其降噪效果更差，因为这类分量的频谱和噪声十分相似，易被当作噪声而误除。为克服这一问题，后来的研究学者提出了一种非线性方法，小波分析[33-34]法。小波分析法基本思想是：信号的能量通常会集中在小波域中的几个系数中，而噪声的能量会散布在小波域中的所有系数中。Donoho 和 Johnstone [33]提出了硬阈值和软阈值去噪方法，如果前者大于给定阈值，则前者保持系数大小不变，而后者仅将阈值缩小到零。但小波分析法的缺陷是其基函数的基函数是固定的，并不匹配信号的变化性质。
基于此，Huang等人[35]引入了经验模态分解（Empirical Mode Decomposition, EMD）方法来分析来自非平稳和非线性过程的数据。相对于小波分析法，EMD方法具有的明显优势是其基函数是从信号本身派生的。因此，与基函数固定的小波方法相反，该分析是自适应的。EMD 方法的基本思想是：EMD 基于与信号的各种固有时间尺度相关的能量的顺序提取，该信号从较细的时间尺度（高频模式）到较粗的时间尺度（低频模式）开始。噪声信号通过称为筛选的过程被自适应地分解为称为本征模式函数（Intrinsic Mode Function, IMF）的振荡分量。IMF 的总和与信号非常匹配，因此可以确保完整性。所提出的方法依赖于基本概念，第一个 IMF（最佳模式）比最后一个IMF（收束模式）更加受噪声支配。因此，可以使用滤波或阈值 IMF 来重建恢复的信号。
第 5 章 仿真分析
5.1 工业负荷分析
本文仿真部分使用以矿业为主的工业园区为算例进行分析，数据来自鞍山铝镁新材料工业园区，采样点时间间隔为 15min，每天有 96 个采样点。该园区坐落于海城市经济开发区，重点发展镁合金、镁建材等菱镁新材料产业集群。该园区是新建园区，包含 HM 矿业，DH 新材，HY 胜鹏，ZH 镁亚四家企业。企业典型日负荷曲线如图 5.1所示，工业园区典型日负荷曲线如图 5.2 所示。
通过分析该工业园区的典型时序特性曲线可以看出，四家企业的工作型式不同，HM 矿业属于全天作业，而其余三家企业均为夜间作业型企业。这是由交通运输、噪音污染、施工效率等多方面因素决定的。a 到 d 图表明，工业负荷数据波动性强，曲线呈复杂的非线性。b 到 d 图显示，工业负荷往往在夜间 21：00 和早晨 07：00 左右数据爬坡率很高，负荷值波动极大，且工作过程中曲线波动剧烈。基于这一问题，论文选取人工神经网络算法利用其构建非线性复杂关系的优良能力对其进行预测；同时利用和声搜索算法以及粒子群算法优秀的全局搜索性能优化其权值及阈值，有效避免人工神经网络引入局部极值点，建立了一种融入和声搜索的粒子群优化人工神经网络模型对工业负荷进行预测。
5.2 预测结果及误差分析
负荷数据来源于鞍山市铝镁新材料工业园区 2020年的负荷数据库。该数据库的采集点时间间隔为 15min。为了消除以季节因素为主的其他因素的影响，得到有说服力的数据支撑，分别选取春季 3 月份，夏季 6 月份，秋季 9 月份，冬季 12 月份的数据作为数据库，使用上半月数据作为训练样本，下半月数据为测试样本。使用 Matlab 软件的神经网络工具箱进行预测。图 5.3 显示了神经网络训练结果。
设置最小全局均方误差（MSE）为 10-4，避免过度拟合。隐含层第一层节点数设置为 80，迭代次数设置为 20000 次。由训练结果可知 MSE 在迭代开始后迅速收敛，逐渐收敛于 0.00028062，这一数值是整个迭代过程中表现最好的误差值。
第 6 章 结论与展望
6.2 展望
论文在工业负荷的短期预测方向前探了一小步，但由于经验和能力的限制仍有一些设想尚未实现：
ANN 负荷预测被认为是黑盒方法。这种方法通常提供的错误结果很少，但是有些突发事件会严重影响 ANN，使其无法准确预测实际负荷。例如断电就属于这类事件。
计划外中断仍将导致更高的错误预测，但计划内中断可以用作 ANN 的输入。如果计划中断，则可以将估计的受影响负荷作为专用输入提供给 ANN。将中断值作为输入提供给 ANN 会比仅从 ANN 预测中减去受影响的中断负荷更好。当电力系统发生重大负载变化事件时，会在一天的剩余时间内更改负载模式，这种效应称为负载惯量。例如，如果将大负载切换到电力系统中，则负载曲线将在切换时发生阶跃变化。
如果电力系统定期出现此类大负载变化事件，则 ANN 训练算法应能够预测这种惯性和负载阶跃变化。但是，如果这些事件没有定期发生，则应将它们作为预测预测器数据集的一部分提供，以便 ANN 可以相应地调整其负荷预测。由于没有鞍山铝镁工业园区电力系统计划停机和其他系统运行的数据，这一设想并未包括在本研究中。未来的研究应尝试将电力系统的运行信息作为 ANN 的输入。
参考文献（略）
