1 绪论 1
1.1 选题背景及意义 1
1.2 国内外研究现状 6
1.3 主要工作 6
2 电力需求预测方法 9
2.1 电力负荷的构成及特点 9
2.2 负荷预测的步骤 10
2.2.1 历史数据的收集 10
2.2.2 历史数据的整理 10
2.2.3 负荷数据的预处理 11
2.2.4 负荷预测模型的建立 11
2.3 电力负荷预测方法简介 11
2.3.1 基于参数模型的中长期电力负荷预测方法 12
2.3.2 基于非参数模型的中长期电力负荷预测方法 14
2.3.3 与动态过程结合的预测方法 19
2.3.4 组合预测方法 19
2.4 电力需求预测的难点 21
3 江苏省电力供需现状及影响因素 22
3.1 电力市场环境分析 22
3.1.1 经济发展总体情况 22
3.1.2 能源环境 23
3.2 江苏电力供需形势分析 24
3.2.1 电力供应能力 24
3.2.2 可再生能源发电 26
3.2.3 电力需求情况 27
3.3 影响江苏用电量的因素分析 32
3.3.1 经济因素与用电量的关系分析 32
3.3.2 用电量预测的数据和解释变量选取 36
4 电力需求预测回归模型 39
4.1 多重共线性分析 39
4.1.1 产生多重共线性原因 39
4.1.2 多重共线性的影响 40
4.1.3 多重共线性的诊断 42
4.1.4 解决多重共线性的方法 44
4.1.5 对负荷影响因素多重共线性的实证分析 45
4.2 逐步回归 47
4.2.1 逐步回归法的基本思想和计算方法 47
4.2.2 负荷的逐步回归模型 49
4.3 岭回归 51
4.3.1 岭回归的基本原理和算法 51
4.3.2 负荷的岭回归模型 52
4.4 偏最小二乘回归 54
4.4.1 偏最小二乘回归分析原理和算法 55
4.4.2 基于偏最小二乘回归模型的负荷预测 58
4.5 结论 62
5 电力需求灰色预测模型 63
5.1 灰色系统 63
5.2 灰色模型建模机理 65
5.3 灰色预测模型 66
5.3.1 GM（1，1）预测模型 66
5.3.2 预测精度的检验 67
5.4 模型预测实例 68
5.4.1 模型建立及检验 68
5.4.2 预测结果与检验 70
6 电力需求预测遗传规划模型 74
6.1 遗传规划基本原理 74
6.1.1 算式表达 74
6.1.2 初始个体生成 75
6.1.3 确定适应度 76
6.1.4 复制 76
6.1.5 交叉 76
6.1.6 变异 77
6.1.7 终止准则 77
6.2 负荷预测遗传规划模型 78
6.2.1 负荷预测理论基础 78
6.2.2 算例分析 78
6.3 本章小结 79
7 基于BP神经网络的江苏用电量预测模型研究 80
7.1 引言 80
7.2 全省用电量增长与经济关系分析 80
7.2.1 江苏省GDP、固定资产投资总额、人均收入与用电量关系的定性分析 80
7.2.2 江苏省GDP、固定资产投资总额、人均收入与用电量关系的定量分析 81
7.3 BP神经网络的结构和训练方法 82
7.3.1 BP神经网络的结构 82
7.3.2 BP网络的训练方法 82
7.4 基于贝叶斯正则化优化BP神经网络的预测模型 84
7.4.1 正则化方法 84
7.4.2 神经网络的贝叶斯学习 85
7.4.3 贝叶斯正则化BP神经网络训练步骤 86
7.4.4 用电量模型的建立 87
7.4.5 仿真结果及分析 88
7.4.6 预测结果比较 88
7.5 结论 89
8 电力需求预测优选组合模型 90
8.1 优选组合预测方法 90
8.1.1 等权平均组合预测 90
8.1.2 方差-协方差优选组合预测 90
8.1.3 回归组合预测 92
8.1.4 模型群优选预测法 93
8.2 神经网络优选组合预测模型 93
8.3 基于回归神经网络的长期电力负荷组合预测模型研究 95
8.3.1 变量间多重共线性的判定 96
8.3.2 回归预测模型 97
8.3.3 负荷组合预测模型 98
8.3.4 负荷组合模型的求解 99
8.3.5 仿真结果及分析 99
8.3.6 预测结果分析 100
8.3.7 结论 102
9 主成分回归、偏最小二乘回归与神经网络耦合的中长期负荷预测研究 103
9.1 引言 103
9.2 指标与方法 104
9.2.1 年用电量预测模型变量的选取 104
9.2.2 经济增长与用电量增长的关系分析 104
9.2.3 自变量间多重共线性分析 105
9.2.4 建模方法 105
9.3 预测结果与分析 106
9.3.1 模型结果与拟合度检验 106
9.3.2 模型预测效果分析 108
9.4 结论 108
10 基于时间序列的江苏省用电量预测模型 110
10.1 时间序列及时间序列预测法 110
10.1.1 时间序列及时间序列预测法的概念 110
10.1.2 时间序列预测法的内容 111
10.1.3 时间序列预测法的基本特征 113
10.2 移动平均法 113
10.2.1 简单移动平均法 114
10.2.2 加权移动平均法 114
10.2.3 趋势移动平均法 115
10.3 指数平滑法 118
10.3.1 一次指数平滑法 119
10.3.2 二次指数平滑法 120
10.3.3 三次指数平滑法 123
10.4 自适应滤波算法 126
10.4.1 自适应滤波算法背景 126
10.4.2 典型的自适应滤波算法 126
10.4.3 自适应滤波法的基本过程 127
10.5 ARIMA模型 128
11 江苏省用电量消耗与经济发展关系及脱钩效应——基于STIRPAT模型和OECD脱钩指数的研究 131
11.1 研究方法 131
11.1.1 驱动因素分析方法 131
11.1.2 脱钩效应分析方法 134
11.2 结果与分析 135
11.2.1 用电量耗费驱动因素分解 135
11.2.2 用电量与经济发展脱钩效应 137
11.3 结论 139
12 总结 140
参考文献 144