#查“t數(shù)值表”，自由度df=n-m-1，所對(duì)應(yīng)的t數(shù)值。若ta-t，所有的tbj-t，則有95%的置信度認(rèn)為所有的回歸系數(shù)均與零有顯著性差異。若其中有小于t數(shù)值,則應(yīng)修改原有的回歸方程。多元回歸的主要優(yōu)點(diǎn)在于它能夠通過模型來解釋各變量之間的關(guān)系，它對(duì)因果關(guān)系的處理是十分有效的。同時(shí)，它也存在有缺點(diǎn)：（1）在預(yù)測(cè)因變量y之前，必須用時(shí)間序列分析法對(duì)每一個(gè)自變量x都要加以預(yù)測(cè)；（2）計(jì)算量大，所需要的歷史數(shù)據(jù)多；（3）要求經(jīng)常評(píng)審模型?！?.3非線性回歸法所謂非線性相關(guān)，是指因?yàn)樽宰兞康淖儎?dòng)而引起的因變量的變動(dòng)是非線性的。對(duì)于一些非線性問題可以采用取對(duì)數(shù)等的數(shù)學(xué)方法使之轉(zhuǎn)化為線性問題?！?灰色系統(tǒng)法灰色系統(tǒng)是指部分信息已知、部分信息未知的系統(tǒng)?；疑到y(tǒng)理論的實(shí)質(zhì)是將無規(guī)律的原始數(shù)據(jù)進(jìn)行累加生成，得到規(guī)律性較強(qiáng)的生成數(shù)列再重新建模。由生成模型得到的數(shù)據(jù)通過累加生成的逆運(yùn)算一一累減生成得到還原模型，由還原模型作為預(yù)測(cè)模型。累加生成方法：設(shè)原始數(shù)列如下：1，2，3，4，5，6，一次累加生成（記為1-AG0）,即令1，3，6，10，15，21，...二次累加生成（記為2-AGO），即令1，4，10，20，35，56，...一般地，對(duì)非負(fù)數(shù)列，累加生成次數(shù)越多，數(shù)列的隨機(jī)性就弱化得越多。當(dāng)累加生成次數(shù)足夠大時(shí)，時(shí)間序列便由隨機(jī)轉(zhuǎn)化為非隨機(jī)了。目前在電力負(fù)荷預(yù)測(cè)中經(jīng)常采用的動(dòng)態(tài)模型是預(yù)測(cè)模型GM（1,1）,即只有一個(gè)變量、一階的GM模型。解算步驟為：設(shè)原始數(shù)列為x={x(t),t=l,2,…,n},對(duì)此數(shù)列作一次累加后形成新的數(shù)列XG)(t)=Xtx(k)k=11—40)其中：XG)=<x⑴,t=1,2,…,n}。(t)用一階累加生成建立GM(1,1)模型，其微分方程為:dx(1)/、+ax(1、=udt其中，a稱為模型的發(fā)展系數(shù)，它反映x(1)與X(0)的發(fā)展趨勢(shì),1—41)口稱為模型的協(xié)調(diào)系數(shù)，反映了數(shù)據(jù)間的變化關(guān)系。a和口可用下式求得:-—(x(i)(1)+x(i)(2))2?——(x(i)(k—1)+x(i)(k))2x(0)(2)x(0)(3)x(o)(n)x(1)(k+1)=(xo(1)一卩/a)e—ak+p/a1—42)經(jīng)累減還原得：x(0)(k+1)二x(1)(k+1)—x(1)(k)1—43)灰色預(yù)測(cè)模型(GM(1,1))分類：(1)一次擬合參數(shù)模型一即通常的GM(1,1)模型，通過對(duì)原始數(shù)據(jù)進(jìn)行累加生成，得到規(guī)律性較強(qiáng)的序列，用指數(shù)曲線去擬合得到預(yù)測(cè)值。(2)兩次擬合參數(shù)模型—為提高模型精度，根據(jù)第一次估計(jì)的參數(shù)值和原始數(shù)據(jù)的累加序列對(duì)參數(shù)進(jìn)行二次估計(jì)，再預(yù)測(cè)。(3)GM(1,1)殘差模型一為有效地保證GM(1,1)模型的精度，對(duì)灰色預(yù)測(cè)模型所得到的預(yù)測(cè)值，提取殘差序列再進(jìn)行灰色建模，從而對(duì)預(yù)測(cè)值進(jìn)行修正。遞推預(yù)測(cè)模型一將GM(1,1)模型中的參數(shù)a,u視為隨時(shí)間t而變的變數(shù)，根據(jù)參數(shù)a,u隨時(shí)間t的變化趨勢(shì)，自動(dòng)對(duì)a,u進(jìn)行修正，進(jìn)而對(duì)原始序列進(jìn)行動(dòng)態(tài)預(yù)測(cè)。新息GM(1,1)模型一將新息數(shù)據(jù)充實(shí)到原始數(shù)列中建立GM(1,1)模型的預(yù)測(cè)。所謂新息數(shù)據(jù)是指與預(yù)測(cè)時(shí)間更接近的時(shí)期中的信息。新息遞推預(yù)測(cè)模型一將新息數(shù)據(jù)充實(shí)到原始數(shù)列中并建立灰色遞推模型進(jìn)行預(yù)測(cè)。等維新息GM(1,1)模型一該模型的建立同新息GM(1,1)模型的建立相似，只是在加入新息X(0)(n+1)到原數(shù)列X(。)中的同時(shí)去掉了X(0)(1)，從而構(gòu)成了新的與X(o)等維的數(shù)列，然后在此基礎(chǔ)上進(jìn)行建模。等維新息遞推模型一該模型的建立同新息遞推預(yù)測(cè)模型的建立相似，只是前者在加入新息X(o)(n+1)到原數(shù)列X(o)中的同時(shí)去掉了X(o)(1)，從而構(gòu)成了新的與X(o)等維的數(shù)列，然后在此基礎(chǔ)上進(jìn)行建模。組合模型一給定原始數(shù)據(jù)列，采用灰色系統(tǒng)方法和另一種預(yù)測(cè)方法同時(shí)進(jìn)行預(yù)測(cè)，設(shè)文i(o)(k)和文2o)(k)分別為兩種方法對(duì)原始數(shù)據(jù)列x(o)(k)的擬合值，則為組合GM模型。X(o)(k)=PX(o)(k)+(1-P)X(o)(為組合GM模型。12其中，a.O<P<1；b.文1(o)(k)和文()(k)至少有一個(gè)是用灰色預(yù)測(cè)方法得到的。§4神經(jīng)網(wǎng)絡(luò)法§4.1神經(jīng)網(wǎng)絡(luò)概述神經(jīng)網(wǎng)絡(luò)系統(tǒng)［20］是由大量的、同時(shí)也是很簡(jiǎn)單的處理單元(或稱神經(jīng)元)廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。它反映了人腦功能的許多基本特性，但它并不是人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)的真實(shí)寫照，而只是對(duì)其作某種簡(jiǎn)化、抽象和模擬，這也是現(xiàn)實(shí)情況(當(dāng)前對(duì)腦神經(jīng)和其智能機(jī)理的研究水平)所能做到的，是目前神經(jīng)網(wǎng)絡(luò)研究的基本出發(fā)點(diǎn)。一般認(rèn)為，神經(jīng)網(wǎng)絡(luò)系統(tǒng)是一個(gè)高度復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)，雖然每個(gè)神經(jīng)元的結(jié)構(gòu)和功能十分簡(jiǎn)單，但由大量神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)的行為卻是豐富多彩和十分復(fù)雜的。如何把這些神經(jīng)元構(gòu)成一個(gè)復(fù)雜的具有多方面功能的系統(tǒng)是神經(jīng)網(wǎng)絡(luò)理論要研究的問題。神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有一般非線性系統(tǒng)的共性，更主要的是它還具有自己的特點(diǎn),比如高維性、神經(jīng)元之間的廣泛互聯(lián)性以及自適應(yīng)性或自組織性等。在神經(jīng)網(wǎng)絡(luò)中發(fā)生的動(dòng)力學(xué)過程有兩類：一類稱之為快過程；另一類稱之為慢過程。所謂快過程，即是神經(jīng)網(wǎng)絡(luò)的計(jì)算過程，它是神經(jīng)網(wǎng)絡(luò)的活躍狀態(tài)的模式轉(zhuǎn)變過程。神經(jīng)網(wǎng)絡(luò)在輸入的影響下進(jìn)入一定的狀態(tài)，由于神經(jīng)元之間相互聯(lián)系以及神經(jīng)元本身的動(dòng)力學(xué)性質(zhì)，這類外界刺激的興奮模式會(huì)迅速地演變而進(jìn)入平衡狀態(tài)。這樣,具有特定結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)就可以定義一類模式變換，而計(jì)算過程就是通過這類模式變換而實(shí)現(xiàn)的。神經(jīng)網(wǎng)絡(luò)只有通過學(xué)習(xí)才能逐步具有上述模式變換的能力，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程即為慢過程。圖2表示了一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，其中每個(gè)小圓圈表示一個(gè)神經(jīng)元，各個(gè)神經(jīng)元之間通過相互連接形成一個(gè)網(wǎng)絡(luò)拓?fù)?，這個(gè)網(wǎng)絡(luò)拓?fù)涞男问椒Q為神經(jīng)網(wǎng)絡(luò)的互連模式。不同的神經(jīng)網(wǎng)絡(luò)模型對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)果和互連模式都有一定的要求和限制，如不允許它們是多層次的、是全互連的等等。神經(jīng)網(wǎng)絡(luò)以外的部分（即虛線方框以外的部分）可統(tǒng)稱為神經(jīng)網(wǎng)絡(luò)的環(huán)境。神經(jīng)網(wǎng)絡(luò)從其所處的環(huán)境中接收信息，對(duì)信息進(jìn)行加工處理之后又返回（或作用）到其所處的環(huán)境中去。輸出輸出圖1神經(jīng)網(wǎng)絡(luò)示意圖各個(gè)神經(jīng)元之間的連接并不只是一個(gè)單純的傳送信號(hào)的通道，而是在每對(duì)神經(jīng)元之間的連接上有一個(gè)加權(quán)系數(shù)，這個(gè)加權(quán)系數(shù)可以加強(qiáng)或減弱上一個(gè)神經(jīng)元的輸出對(duì)下一個(gè)神經(jīng)元的刺激，這個(gè)加權(quán)系數(shù)通常稱為權(quán)值。在神經(jīng)網(wǎng)絡(luò)中，修改權(quán)值的規(guī)則稱為學(xué)習(xí)算法，這也就是說權(quán)值并非固定不變的。相反地，這些權(quán)值可以根據(jù)經(jīng)驗(yàn)或?qū)W習(xí)來改變。這樣，系統(tǒng)就可產(chǎn)生所謂

的“進(jìn)化”同樣的，處理單元所表示的內(nèi)容也是可以變化的，因而也就可以用任何合適的物質(zhì)來實(shí)現(xiàn)。一個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)中有許多處理單元，每個(gè)處理單元的具體操作都是從與其相鄰的其它單元中接受輸入，然后產(chǎn)生輸出送到與其相鄰的單元中去。神經(jīng)網(wǎng)絡(luò)的處理單元可以分為三種類型：輸入單元、輸出單元和隱含單元。輸入單元是從外界環(huán)境接收信息，輸出單元?jiǎng)t給出神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)外界環(huán)境的作用。這兩種處理單元與外界都有直接的聯(lián)系。隱含單元?jiǎng)t處于神經(jīng)網(wǎng)絡(luò)之中,它不與外界環(huán)境產(chǎn)生直接的聯(lián)系。它從網(wǎng)絡(luò)內(nèi)部接受輸入信息，所產(chǎn)生地輸出則只作用于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的其它處理單元。隱含單元在神經(jīng)網(wǎng)絡(luò)中起著極為重要的作用。神經(jīng)網(wǎng)絡(luò)是由許多處理單元互連而形成的，互連模式反映了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),它決定著這個(gè)網(wǎng)絡(luò)的能力。在通常情況下，所有來自其它鄰近單元的輸出乘上相應(yīng)的權(quán)值，再相加起來而得到所有輸入的組合再送入處理單元中。正的權(quán)值表示激勵(lì)輸入，而負(fù)的權(quán)值表示抑制輸入，因而用權(quán)矩陣可以表達(dá)神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu)?！??2多層前向網(wǎng)絡(luò)O（1+i）（1+1）Pi（1—44）I（1+1）=乂Wi-01-0（1+1）（1—45）P1（/Pji式中：I=1,2,…,L;對(duì)輸入層，0i即為輸入變量x；對(duì)輸出層，O（L+1）O（1+i）（1+1）Pi（1—44）I（1+1）=乂Wi-01-0（1+1）（1—45）P1（/Pji式中：I=1,2,…,L;對(duì)輸入層，0i即為輸入變量x；對(duì)輸出層，O（L+1）即為輸出變量y；pi10（1+1）為第（1+1）層第i個(gè)神經(jīng)元閾值。若令:-0(1-0(1+1)=W1iNl+1Ol=1pNl+11—46)則式（1－46）可表示為：O(l+1)O(l+1)=pispiI(1+1)=乞+1W1?O1plijpjj=11—47)上式中，f［】為網(wǎng)絡(luò)節(jié)點(diǎn)函數(shù)：s1—48)fh］=1，i>o1—48)s1+exp（一I/1）00§4.3BP算法BP算法［21］的學(xué)習(xí)過程由正向傳播和反向傳播組成，正向傳播過程輸入樣本從輸入層經(jīng)隱含層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望輸出dpi，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原連接通路返回，通過修正各神經(jīng)元的權(quán)系數(shù)，使得誤差信號(hào)最小。定義誤差函數(shù)Ep為期望輸出dpi與實(shí)際輸出ypi。之間誤差的平方和：E=-￡￡2=1刃（d一y）2（1—49）p2pi2pipii=1i=1我們希望改變網(wǎng)絡(luò)的各個(gè)權(quán)系數(shù)Wj，使得Ep盡可能減小，從而使實(shí)際輸出值盡量逼近期望輸出值。這實(shí)際上是求誤差函數(shù)的極小值問題，可采用最陡下降算法，使權(quán)系數(shù)沿著誤差函數(shù)的負(fù)梯度方向改變。權(quán)系數(shù)Wj的調(diào)整量可按下式計(jì)算:1=1,2,…，L6EAW1=—a—，a>0，i=1,2,…，N(1—50)p可QWi1+1ijj=1,2,…,Ni+1QE式中：a為學(xué)習(xí)步幅，隨學(xué)習(xí)過程而變化?！杀硎緸橄铝袕?fù)合微分：QW1ijQEQEQI(1+1)—=—=p(1——51)QW1QI(1+1)QW1ijpiij由式(1—47)易得：0I(l+1)p=OidWipj人6E令：5i=p—pidI(i+1)Pi將式(1—51)?(1—53)代入式(1—50)得:(1—52)(1—53)AWi=a5i-OipijpipjWi=Wi+AWiij(p)ij(p-1)pij(1—54)(1—55)Oi已在正向傳播過程中計(jì)算得到，現(xiàn)進(jìn)一步求取5i。再一次采用復(fù)合微分,pj0由式（1—53）可得：dEdO(i+i)5i=—p—p—pidO(i+i)dI(i+i)pipi(1—56)由式（1—48）易得上式中第二項(xiàng)為:dO(i+1)O(i+1)(1—O(i+1))=——pipp—dI(i+i)

pi(1—57)dE中右邊第一項(xiàng)———應(yīng)分為兩種情況求取:dO(i+1)pi(1)對(duì)于輸出層I=L,O(i+1)=y,pipidEp=—(d—y)=—￡dyp1p1p1pi將式(1—57)和式(1—58)代入式式(1—56)由式（1—49）可得:(1—56)得:(1—58)(d—y)y(1—y)8-y5=pipipipi—=—pi-piI(1—y.)pipi(1—59)0（2）對(duì)于其它中間隱含層i=（1,2,,L）有:dENi+2)dEdI(i+2)忙)p—=上—-pk=上)(—5(i+1))-W(i+1)dO(i+1)dI(i+2)dO(i+1)pkkipik=1pkpik=1將式(1—57)和(1—60)代入式(1—56)得：cNncO(i+1)(1—O(i+1))5=(K(一5(i+1))-W(i+1))-pipi-pipkkiIk=10(1—60)(1—61)可見，計(jì)算本層5p必需用到前一層的5丁1）。因此，誤差函數(shù)的求解是一個(gè)始于輸出層的反向傳播遞歸過程，即通過誤差函數(shù)反向傳播來修正權(quán)系數(shù)。經(jīng)過多個(gè)樣本的反復(fù)訓(xùn)練，并朝減小誤差方向修正權(quán)系數(shù)，最后得到滿意的結(jié)果?！?狀態(tài)空間法狀態(tài)空間法[22]，又稱為Kalman濾波法[23]，是一種常用的信息處理方法。改方法通過在實(shí)時(shí)量測(cè)的信息中消除隨機(jī)干擾和無用信息，濾出較可靠的有用信息。它是把受擾信號(hào)看作一個(gè)動(dòng)態(tài)過程，利用噪聲的統(tǒng)計(jì)特征，把它從受擾信號(hào)中消去，從而獲得較精確的有用信號(hào)。利用該方法，負(fù)荷可作為狀態(tài)變量來模擬并通過兩個(gè)狀態(tài)空間方程組表達(dá)其變化模型。表達(dá)負(fù)荷模型的方程組，可表達(dá)為Y=0Y+W(1—62)k+1kkkZ=HY+V(1—63)kkkk式中：Y—t時(shí)刻的(nx1)維過程狀態(tài)向量；kk0—無強(qiáng)制函數(shù)存在時(shí)關(guān)聯(lián)Y與Y的(nxn)維狀態(tài)轉(zhuǎn)移矩陣；kkk+1W—具有已知協(xié)方差Q的一個(gè)(nx1)維白噪聲；kkZ—t時(shí)刻的(mx1)維負(fù)荷測(cè)量值向量，為無噪聲時(shí)關(guān)聯(lián)Y與Z的(mxn)kkkk維矩陣；V—(mx1)維負(fù)荷量測(cè)誤差向量，為具有一個(gè)已知協(xié)方差R的維白噪聲。kk式(1—62)稱為狀態(tài)空間方程，式(1—63)稱為量測(cè)方程。向量W和V的協(xié)方kk差給定為：[Q(i=k)/、E(W,Wt)=廣k'丿(1—64)ki[O(i豐k)[R(i=k)E(V,Vt)Jk'丿(1—65)ki[0(i豐k)假定過程噪聲W和量測(cè)噪聲V互不相關(guān)，即對(duì)于任意i,k,有E(V,VT)=0kkki在任意t時(shí)刻，基于直到t為止的知識(shí)可以作為過程的估計(jì)值。這個(gè)估計(jì)值稱為k(k-1)先驗(yàn)估計(jì)，并用Y表達(dá)。相應(yīng)的實(shí)際值同該估計(jì)值的誤差為：k(k-1)j=Y—Y(1—66)k1(k-1)kk(k-1)該誤差向量的協(xié)方差矩陣為：E(eieT)=P(1—67)k1(k-1)k1(k-1)k(k-1)

將先驗(yàn)估計(jì)值和量測(cè)噪聲進(jìn)行線性組合，可得到后驗(yàn)估計(jì)值:(1—68)(1—69)Y=Y+K(Z—HY|)(1—68)(1—69)kkk(k—1)kkkk1(k—1)式中：Y和K分別為后驗(yàn)估計(jì)值和混合系數(shù)。kkk相應(yīng)的實(shí)際值同后驗(yàn)估計(jì)的誤差為：j=Y-Yklkkkk(1—70)該誤差向量的協(xié)方差矩陣為:(1—70)E(e|eT)二Pklkkkkk根據(jù)式(1—69)采用最小均方差準(zhǔn)則，使Y|最優(yōu)，可求出混合系數(shù)k。該klkk系數(shù)稱為Kalman增益。尋找過程先驗(yàn)估計(jì)Y及其誤差協(xié)方差矩陣P。k尋找過程先驗(yàn)估計(jì)Y及其誤差協(xié)方差矩陣P。k(k—1)klk—1計(jì)算Kalman增益：K二PHt(HPHt+R)—1。kk1(k—1)kkk(k—1)kk計(jì)算后驗(yàn)估計(jì)的誤差協(xié)方差矩陣：P=(1—KH)P|。kkkkk1(k—1)推廣到下一時(shí)刻，計(jì)算先驗(yàn)估計(jì)Y|及其誤差協(xié)方差矩陣P.:(k+1)Ik(k+1)Ik1—71)(1)(2)(3)(4)Y|=QY.(k+1)|kkk|k(1—72)pipet+q(1—72)(k+1)Ikkkkkk(5)轉(zhuǎn)到步驟(2),對(duì)下一時(shí)刻進(jìn)行預(yù)測(cè)。由于Kalman濾波遞推特性，該方法很適合在線估計(jì)。但最優(yōu)預(yù)測(cè)是基于假定模型做出的，因此，在使用Kalman濾波前，必須預(yù)先知道改模型。識(shí)別過程是該方法存在的主要問題，特別是，噪聲協(xié)方差R不容易估計(jì)。當(dāng)需要將負(fù)荷同相關(guān)因素聯(lián)系起來考慮時(shí)，可以采用上面的無控制項(xiàng)的狀態(tài)方程組表達(dá)。同樣，也可以用有控制項(xiàng)的狀態(tài)方程組表達(dá)。有控制項(xiàng)存在時(shí)，量測(cè)方程仍采用式(1—63)表達(dá)，而狀態(tài)空間方程可表達(dá)為：YY+BX+W(1—73)k+1kkkkk其中：X為t時(shí)刻的(sX1)維非隨機(jī)外加控制向量；kkB為己知的(nxs)維矩陣。k此時(shí)，預(yù)測(cè)過程同上面介紹的Kalman濾波過程一樣，只需將式Y(jié).=eY(k+1)Ikkkk改為p1pet+q即可。(k+1)Ikkkkkk§6專家系統(tǒng)法專家系統(tǒng)是一個(gè)用基于知識(shí)的程序設(shè)計(jì)方法建立起來的計(jì)算機(jī)系統(tǒng)（在現(xiàn)階段主要表現(xiàn)為計(jì)算機(jī)軟件系統(tǒng)），它擁有某個(gè)特殊領(lǐng)域內(nèi)專家的知識(shí)和經(jīng)驗(yàn)，并能像專家那樣運(yùn)用這些知識(shí)，通過推理做出智能決策。因此，在負(fù)荷預(yù)測(cè)中，專家系統(tǒng)法是運(yùn)用電力系統(tǒng)的專家或有經(jīng)驗(yàn)的預(yù)測(cè)人員的知識(shí)利和經(jīng)驗(yàn)快速地做出最佳的預(yù)測(cè)結(jié)果。通?！獋€(gè)以規(guī)則為基礎(chǔ)以問題求解為中心的專家系統(tǒng)主要包括五個(gè)組成部分：知識(shí)庫(kù)、推理機(jī)或推理（控制）機(jī)制、綜合數(shù)據(jù)庫(kù)或工作存貯器、解釋接口或人機(jī)界面、知識(shí)獲取或預(yù)處理程序。一、知識(shí)庫(kù)知識(shí)庫(kù)（規(guī)則基）是專家系統(tǒng)的核心之一，其主要功能是存貯和管理專家系統(tǒng)的知識(shí)。知識(shí)庫(kù)中存貯的知識(shí)主要有兩種類型：一類是相關(guān)領(lǐng)域中所謂公開性的知識(shí)，包括領(lǐng)域中的定義、事實(shí)和理論在內(nèi)，這些知識(shí)通常收錄在相關(guān)學(xué)術(shù)著作和教科書中；另一類是領(lǐng)域?qū)＜业乃^個(gè)人知識(shí)，它們是領(lǐng)域?qū)＜以陂L(zhǎng)期業(yè)務(wù)實(shí)踐中所獲得的一類實(shí)踐經(jīng)驗(yàn)，其中很多知識(shí)被稱為啟發(fā)性知識(shí)。正是這些啟發(fā)性知識(shí)使領(lǐng)域?qū)＜以陉P(guān)鍵時(shí)能做出訓(xùn)練有素的猜測(cè)，辨別出有希望的解題途徑，以及有效地處理錯(cuò)誤或不完全的信息數(shù)據(jù)。二、推理機(jī)（推理控制機(jī)制）專家系統(tǒng)中的推理機(jī)實(shí)際上也是一組計(jì)算機(jī)程序。其主要功能是協(xié)調(diào)控制整個(gè)系統(tǒng)，決定如何選用知識(shí)庫(kù)中的有關(guān)知識(shí)，對(duì)用戶提供的證據(jù)進(jìn)行推理，以最終對(duì)用戶提出的特定問題做出回答。在專家系統(tǒng)中，問題的求解有賴于系統(tǒng)對(duì)以存貯的各類常規(guī)的和專業(yè)知識(shí)的綜合運(yùn)用。在系統(tǒng)求解問題過程中，所涉及到的知識(shí)常常包括三個(gè)方面的內(nèi)容：（1）敘述性或現(xiàn)實(shí)性知識(shí)。（2）操作性、過程性或啟發(fā)性知識(shí)。（3）策略性或控制性知識(shí)。在專家系統(tǒng)中，推理過程控制方式主要有正向推理、反向推理和正反向混合推理三種。三、綜合數(shù)據(jù)庫(kù)（工作存貯器）綜合數(shù)據(jù)庫(kù)是專家系統(tǒng)中用于存放反映系統(tǒng)當(dāng)前狀態(tài)的事實(shí)數(shù)據(jù)的“場(chǎng)所”其數(shù)據(jù)包括用戶輸入的事實(shí)、已知的事實(shí)以及推理過程中得到的中間結(jié)果等。它們能反映系統(tǒng)要處理問題的主要狀態(tài)和特征，是系統(tǒng)操作的對(duì)象。綜合數(shù)據(jù)庫(kù)小的內(nèi)容在系統(tǒng)運(yùn)行中是不斷改變的，并且（1）它可被所有的規(guī)則訪問；（2）沒有局部的數(shù)據(jù)庫(kù)是特別屬于某些規(guī)則的；（3）規(guī)則之間的聯(lián)系只有通過數(shù)據(jù)庫(kù)才能發(fā)生。在專家系統(tǒng)中，綜合數(shù)據(jù)庫(kù)的數(shù)據(jù)表示和組織，通常與知識(shí)庫(kù)中知識(shí)的表示和組織相容或相一致，以使推理機(jī)能方便地去使用知識(shí)庫(kù)中的知識(shí)和綜合數(shù)據(jù)庫(kù)中描述問題當(dāng)前狀態(tài)的數(shù)據(jù)去求解問題。四、解釋接口（人一機(jī)界面）解釋模塊負(fù)責(zé)回答用戶提出的各種問題，包括與系統(tǒng)推理有關(guān)的問題和與系統(tǒng)推理無關(guān)的關(guān)于系統(tǒng)自身的問題。它可以對(duì)推理路線和提問的含義給出必要清晰的解釋，為用戶了解推理過程以及系統(tǒng)維護(hù)提供方便的手段，是實(shí)現(xiàn)系統(tǒng)透明性的主要模塊。人機(jī)界面或人機(jī)接口則負(fù)責(zé)把用戶輸入的信息轉(zhuǎn)換成系統(tǒng)內(nèi)規(guī)范化的表示形式，然后把這些內(nèi)部表示交給相應(yīng)的模塊去處理。系統(tǒng)輸出的內(nèi)部信息也由人機(jī)接口轉(zhuǎn)換成用戶易于理解的外部表示形式顯示給用戶。五、知識(shí)獲取模塊（預(yù)處理程序）這是專家系統(tǒng)中能將某專業(yè)領(lǐng)域內(nèi)的事實(shí)性知識(shí)和領(lǐng)域?qū)＜宜赜械慕?jīng)驗(yàn)性知識(shí)轉(zhuǎn)化為計(jì)算機(jī)可利用的形式并送入知識(shí)庫(kù)的功能模塊。同時(shí)也負(fù)責(zé)知識(shí)庫(kù)中知識(shí)的修改、刪除和更新，并對(duì)知識(shí)庫(kù)的完整性和一致性進(jìn)行維護(hù)。知識(shí)的獲取是實(shí)現(xiàn)系統(tǒng)靈活性的主要部分，它使領(lǐng)域?qū)＜铱梢孕薷闹R(shí)庫(kù)而不必了解知識(shí)庫(kù)中知識(shí)的表示方法、知識(shí)庫(kù)的組織結(jié)構(gòu)等實(shí)現(xiàn)上的細(xì)節(jié)問題，這大大提高了系統(tǒng)的可擴(kuò)充性。由于專家系統(tǒng)的類型較多，包括演繹型、經(jīng)驗(yàn)型、工程型、操作型、探索型、工具型和咨詢型等，各種類型的專家系統(tǒng)在功能和結(jié)構(gòu)方面不可能完全相同。上述只是應(yīng)用較為普遍的一類專家系統(tǒng)的功能結(jié)構(gòu)。在具體設(shè)計(jì)和開發(fā)一個(gè)實(shí)用的短期負(fù)荷預(yù)測(cè)的專家系統(tǒng)時(shí)，完全可以根據(jù)系統(tǒng)的實(shí)際需要做出適當(dāng)?shù)淖儎?dòng)?！?優(yōu)選組合預(yù)測(cè)法優(yōu)選組合預(yù)測(cè)有兩類概念，一是指將幾種預(yù)測(cè)方法所得的預(yù)測(cè)結(jié)果，選取適當(dāng)?shù)臋?quán)重進(jìn)行加權(quán)平均的一種預(yù)測(cè)方法；二是指在幾種預(yù)測(cè)方法中進(jìn)行比較，選擇擬合優(yōu)度最佳或標(biāo)準(zhǔn)離差最小的預(yù)測(cè)模型作為最優(yōu)模型進(jìn)行預(yù)測(cè)。例如，設(shè)對(duì)某預(yù)測(cè)對(duì)象f利用k個(gè)預(yù)測(cè)方法得到k個(gè)模型的預(yù)測(cè)值為小=12…，k），利用這k個(gè)預(yù)測(cè)值構(gòu)成一個(gè)對(duì)f的最終預(yù)測(cè)結(jié)果，即ff（打打…'人），分別可?。?（f,f,…,f）=丈①f芒?二1）（1—74）12kiiii=1i=1這就是一種組合預(yù)測(cè)方式。組合預(yù)測(cè)方法是建立在最大信息利用的基礎(chǔ)上集結(jié)多種單一模型所包含的信息，進(jìn)行最優(yōu)組合。因此，在大多數(shù)情況下通過組合預(yù)測(cè)可以達(dá)到改善預(yù)測(cè)結(jié)果的目的。§7.1等權(quán)平均組合預(yù)測(cè)法等權(quán)平均組合預(yù)測(cè)方法［25］（也稱EW方法）是一類經(jīng)常使用的組合預(yù)測(cè)方法。設(shè)4°=1,2,…,k）為第i個(gè)模型的預(yù)測(cè)值，如果用fc代表組合預(yù)測(cè)值，則EW方法得到的組合預(yù)測(cè)值為：f=1丈f（1—75）ckii=1EW方法不需要去了解單一預(yù)測(cè)值＜的預(yù)測(cè)精度，也不需要知道單一預(yù)測(cè)的誤差之間的相互關(guān)系。因此，只有事先了解到這些預(yù)測(cè)值有相接近的誤差方差時(shí)，EW方法才是合理的。EW組合預(yù)測(cè)方法是組合預(yù)測(cè)方法中最簡(jiǎn)單的一種，雖然方法簡(jiǎn)單，但也是在對(duì)各種預(yù)測(cè)方法的預(yù)測(cè)精度完全未知的情況下所采用的一種較為穩(wěn)妥的方法。通過對(duì)此方法的研究認(rèn)為，僅使用單一方法進(jìn)行預(yù)測(cè)時(shí)，這個(gè)方法選擇的是否合適就很重要，我們要冒一定的風(fēng)險(xiǎn)。當(dāng)使所用的一些方法進(jìn)行簡(jiǎn)單平均組合預(yù)測(cè)時(shí)這種風(fēng)險(xiǎn)就大大降低了。簡(jiǎn)單平均組合預(yù)測(cè)方法的選擇并不敏感，它比僅僅依賴于某一種預(yù)測(cè)方法更可靠，風(fēng)險(xiǎn)更可以小一些?！?.2方差一協(xié)方差優(yōu)選組合預(yù)測(cè)法在不知道各預(yù)測(cè)方案預(yù)測(cè)精度時(shí)，等權(quán)平均法盡管沒有優(yōu)選組合的含義，但降低了預(yù)測(cè)數(shù)據(jù)嚴(yán)重偏離實(shí)際的風(fēng)險(xiǎn)。而在各預(yù)測(cè)值的預(yù)測(cè)精度已知的情況下，就應(yīng)采用加權(quán)平均的方法，并對(duì)權(quán)重按照“較精確的預(yù)測(cè)值賦以較大的權(quán)重”的原則進(jìn)行優(yōu)化確定。方差一協(xié)方差預(yù)測(cè)法就是該類模型之一。其基本原理是通過求取使綜合預(yù)測(cè)結(jié)果的方差達(dá)到極小值時(shí)的組合權(quán)重?cái)?shù)值來確定綜合預(yù)測(cè)模型，所得到的模型具有預(yù)測(cè)結(jié)果的方差最小的特點(diǎn)。從理論上講，該方法能夠求出最優(yōu)權(quán)重，但常出現(xiàn)權(quán)重?cái)?shù)值不穩(wěn)定的問題?！?.3模型群優(yōu)選預(yù)測(cè)法該方法對(duì)于所要研究的負(fù)荷預(yù)測(cè)問題，先選擇n個(gè)可用的預(yù)測(cè)模型分別進(jìn)行預(yù)測(cè)，得到n個(gè)預(yù)測(cè)結(jié)果，在比較這n個(gè)模型的優(yōu)劣，比較判據(jù)可根據(jù)標(biāo)準(zhǔn)離差、擬合優(yōu)度、關(guān)聯(lián)度和相對(duì)誤差等來決定，從中選擇一