.,,.,.,.,,.,,.,.,.,负荷数据训练而产生预测逆值。这些低适应能力将会被丢弃，高适应能力将会繁殖下代。突变也用来随机修改下代中独特。结果就是经过多代繁殖过程，曲线具有高度适应性低值，这就是用电力负荷通过训练后最好预测值。短期负荷预测系统本文短期负荷预测系统是个线性神经网络模型和非线性神经网络组合。整个系统结构如图.示。图.短期负荷预测系统结构图在这个系统中，线性系统和非线性系统两者都有第二部分中提到影响负荷预测几种或全部因素作为历史数据输入。数据处理器数据是从线性和非线性神经网络历史数据中提取出来，分别地，线性神经网络输出作为反馈，输入到非线性神经网络中。有历史数据和线性神经网络输出作为输入，非线性神经网络就会预测出天或者周负荷值。这两个网络组成最初网络结构是基于统计分析和遗传算法。如图.所示，时刻负荷值很大程度上取决于时刻历史负荷值。所以，准确地预测小时后负荷会提高短期负荷预测准确度。但是，天小时后或在个星期小时后预测，在之前几个小时负荷值仍然是预测值。例如，我们要预测明天上午点负荷值，显然，我们拥有明天上午点负荷值不是实际值，我们只有明天上午点预测值。因为在点负荷对点负荷影响较密切，准确预测点负荷会提高预测点负荷准确度。在我们这个系统中，线性神经网络模型是用来预测个小时后负荷值。对于非线性神经网络来说，输入层包括不同时间滞后变量。虽然时刻负荷受到时刻显著影响，但是时刻负荷本身准确度不足够以至影响预测时刻负荷准确度。这主要受长期负荷变化影响见图.仿真结果我们可以通过公共事业公司获得历史数据和各种天气数据。我们用来仿真数据是，和年每小时历史负荷数据和当年每小时温度数据。非线性神经网络由个子网组成，没个代表天中个特定时间。相似，线性神经网络也有个子网。全部个子网有很多个输入节点，但是只有个输出节点。在任何时候，只有个非线性子网和个线性子网在工作总共只有个网。这种独无二结构具有以下优点预测速度快重新训练系统快模块化。可以在特定时间根据预测精度更新系统预测精度高可以得出系统这些优点对于商业应用来说是很重要。根据每小时或每天预测原则来说，预测速度很精度对于公共事业来说是非常需要我们用和年历史负荷数据和温度数据来训练年负荷和温度来作验证。在训练和验证期间，用到了未来实际温度。图.显示了利用年第季度数据验证我们系统预测小时后值曲线。图.第季度验证结果优化处理由经验可知，我们发现只有个传统神经网络系统不足够处理我们往往遇到那些具有多种变化情况公共事业公司。例如，当天气突然变化时，利用常规数据来训练系统不能得到较好预测效果。当系统历史数据点不足够系统来学习时，可以通过简单地增加相似历史负荷点到训练数据中来解决上述问题。我们将增加两个附加子系统到我们短期负荷预测系统中，给它取名为基于规则系统和模式识别系统。这两个字子系统在遇到上述些情况下会起不同作用和完成不同任务。.基于规则系统模式识别，遗传算法和人工神经网络时间序列模型所构成神经网络都可用作短期负荷预测。但是，为了获得最小预测误差，且在可接受复杂程度和训练时间，需要知道使用这个网络特殊公共事业使用范围。特别是对于区域负荷预测，这些特殊地理区域和服务场所或多或少受到诸如温度和假期影响，取决于这个区域负荷是工业负荷占重要部分，还是商业负荷，或是民用负荷，或取决于负荷是在夏季达到峰值还是冬季达到峰值等。为了使公共事业单位或其他没背景公司能够成功使用人工智能短期负荷预测系统，当它达到最佳性能时候，有必要提供根据当地条件来设置变化参数规则。.模式识别系统这个系统被很多公共事业单位所用来作日常负荷预测种方法，它给出了个小时为单位负荷大型数据库，只要找出与预测日相似负荷记录，将它所在那天数据作为预测依据。这个系统问题就是如何在历史负荷数据记录中找出相似记录。有很多种可行方式来定义相似，我们所用其中种就是比较平均绝对误差百分比，我们概括为神经网络可以用来识别模式或评估相似匹配程度。这些神经网络应该组合起来，如用时间序列法利用延迟线那样单独来预测，就存在每种方法矛盾错误权重。结论在本文中，我们介绍了以用线性和非线性网络组成负荷预测系统为基础混合神经网络。我们已经论证了这个系统是理想，可为公共事业或是商业应用服务。另外本文也描述两个子系统，它们作为优化处理我们现有系统来处理各种不平常情况。,.,.外文文献原文,.,.,.,,.,.,.,.,..,.,.,.,.,,.,.,.,,.,外文文献原文,.,.,.,.