1. 研究目的与意义（文献综述）

1.1目的及意义在电力系统运行过程中，电力负荷预测问题对许多电力部门都起着重要作用，它涉及到电力系统规划和设计、电力系统经济安全运行以及电力市场交易等多个方面。

随着电力工业不断发展逐渐进入市场化，负荷预测在电力行业中扮演着越来越重要的角色，并已经成为市场营销和交易部门的核心业务，这也对负荷预测的精确度和稳定性提出了更高的要求[1]。

根据电力负荷特性的变化规律，考虑了日期类型、温度、天气情况等影响负荷预测的因素，本次课题提出将宽度学习算法应用于电力系统短期负荷预测。

2. 研究的基本内容与方案

2研究的基本内容与技术方案2.1电力负荷原理所谓电力系统负荷预测，就是基于历史数据和外因的影响，根据负荷变化规律得出未来电力需求的趋势和负荷的过程。

要得到准确的预测结果，就必须分析出预测工作的基本原理和方法，指导电力系统负荷预测的工作。

电力负荷预测基于以下原理[18]：（1）可知性原理：我们能对被预测对象进行分析和建立预测模型的基础就是要求被预测对象的发展趋势和条件、以及它的发展模式都是可以被人们所认识和感知的，它客观存在于现实生活之中，并且我们通过对它历史数据的分析可以得到它的变化规律和趋势，并可以在此基础上对未来的变化规律和趋势进行预测。

3. 研究计划与安排

3.进度安排1-2周，完成开题报告和文献翻译，完成开题答辩；3-4周，学习短期电力负荷预测的基本时间序列预测方法；5-7周，学习随机向量函数链接网络的相关知识；8-10周，学习利用随机向量函数链接网络搭建宽度学习系统；11-12周，完成基于宽度学习的短期电力负荷预测实验；13-15周，撰写毕业论文，完成论文答辩。

4. 参考文献（12篇以上）

4.参考文献[1] 杜子冰 . 短期电力负荷方法研究[2]Park.D.C,EI-Sharkawi,M.A..Eleetricloadforecastingusinganartificialneural network[J].IEEE Transaction on Power Systems.1991.6(2).442-449 [3]Ranaweera,D.K.Hubele.N.F.Applicationofradialbasisfunctionneuralnetwork Modelforshort-termloadforecasting[J].IEEProceedingsonGeneration, Transmission and Distribution.1995.142(l).45-50 [4]ChoueikiMH，Mount-CampbellCA,AhaltSC,BuildingaQuasiOptimalNeural Network to Solve the Short-term Load Forecasting Problem[J]. IEEE Trans on Power System.1997.12(4):1432-1439 [5] Chang-i L Kim，In-keun Yu，Y.H, .Kohonen neural network and wavelet transform basedapproachtoshort-termloadforecasting[J].EleetricPowerSystemsResearch. 2002(63).169-176 [6]TaylorJW,Buizza R.NeuralNetworkLoadForecastingwithWeather Ensemble Predictions[J].IEEE Trans on Power Systems.2002.17(3):626-632 [7]TatsuyaIizaka，Tetsuro Matsui，YoshikazuFukuyama.ANovelDailyPeakLoad ForecastingMethodusingAnalyzableStructuredNeuralNetwork[J].IEEETD Asia.Ybkoharna.Oct.2002.1-6 [8] Senjyu T，Takara H，Funabashi T. One-Hour-Ahead Load Forecasting Using Neural Network[J].IEEE Trans on Power System.2002.17(1):113-118[9]段俊东，陈昆薇 . 采用分时段模糊技术处理时限的短期负荷预报 [J]. 继电器.2002.30(11):13-15 [10]王武，张元敏，蔡子亮.基于遗传优化神经网络的电力系统短期负荷预测[J].继电器，2008.36(9):39-42 [11]冉启文,单永正,等电力系统短期负荷预报的小波—神经网络—PARIMA 方法[J].中国电机工程学报,2003,23(3):38-42 [12]鞠平.电力负荷预测的遗传规划方法[J].电力系统自动化,2000,24(11):35-38 [13]高峰，康重庆，程旭等.短期负荷预测相关因素的自适应训练[J].电力系统自动化.2002.26(18).1-5 [14]田丽，段争光、金礼力等.自适应模糊神经网络在用电预测中的应用[J].测控技术.2004.23(6).78-7 [15] Ansarimebr,P. Barghinia,I.Habibi,H. Vafadar,N. Short term load forecasting for Iran nationalPowerSystemusingartificialneuralnetworkandfuzzyexpert system[J]. International conference on Power System Technology.2002(2):1082-055 [16]杨英.一种基于模糊逻辑和神经网络的短期负荷预测的方法明[J].四川电力技术.2006.29(4):7-9.25 [17]史德明，李林川，宋建文.基于灰色预测和神经网络的电力系统负荷预测[J].电网技术.2001.25(12):14-17 [18]C.L.Philip Chen. Fellow, IEEE and Zhulin Liu. Broad Learning System An effective and efficient incremental learning system without the need for deep architecture