1.基于相似日分段和LM‑BP网络的短期负荷预测方法，其特征在于，该方法具体包括以下步骤：

步骤1、对于给定的历史数据，选用每日的最高温度、最低温度、平均温度、平均相对湿度和降雨量这5个气象数据作为相似日选取需考虑的气象特征因素；

选取n个除节假日外每个星期同一天的历史日负荷数据，则所组成的历史气象特征向量矩阵为W＝[wi,j]i＝1,2,...n；j＝1,2,...5；n个历史日中第j个气象特征向量W:,j＝[w1,j,w2,j,…,T

wn,j]与k时刻负荷向量Lk＝{lk(1),lk(2),…,lk(n)}之间的相关系数αjk为其中var(Lk)和var(W:,j)分别为Lk和W:,j的方差，cov(Lk,W:,j)为Lk和W:,j的协方差，k＝1,

2,···,96；

对k时刻的5个气象因素与负荷数据之间的相关系数求和，即可得到每个时刻对应的综合气象相关系数βk：

选择正负交替的时刻作为负荷曲线的分段点；

步骤2：计算气象相似度；

选取n个除节假日外每个星期同一天的历史日负荷数据，构成日平均负荷向量待预测日气象特征向量为Wo,:＝[wo,1,wo,2,wo,3,wo,4,wo,5]；第i个历史日气象数据构成的序列为Wi,:＝[wi,1,wi,2,wi,3,wi,4,wi,5]；利用式(1)可得历史负荷日平均负荷向量与第j个气象特征向量之间的相关系数为利用改进的曼哈顿距离公式计算气象相似度；第i个历史日与预测日的气象因子间，以相关系数为权重的曼哈顿距离Di表达式为：上述偏差权重之和反映了历史日和预测日的气象因子相似程度；偏差越小，说明相似程度越高；为了让相似程度与气象相似度成正相关，于是确定的气象相似度Oi为：Oi＝1‑Di                       (4)步骤3：计算趋势相似度；

选取的相似日负荷随时间波动的趋势应与待预测日的相似；

设历史日i前k个时刻的平均负荷序列为 则预测日前k个时刻的平均负荷序列为 则历史日i与预测日的趋势相似度Pi为：式中E(·)为对相应的序列求数学期望；

步骤4、计算历史日与预测日的日负荷曲线的形状相似度；

由于预测日负荷是未知的，因此以预测日前一星期同一天的历史日负荷代替预测日负荷为形状相似度的判断基准；

设第i个历史日的96点负荷序列为Li＝{li(1),li(2),…,li(96)}，则预测基准日96点负荷序列为L0＝{l0(1),l0(2),…,l0(96)}；则第i个历史日与预测日的形状相似度Qi为：步骤5、计算综合相似度；

由于气象相似度考虑的是气象数据对负荷的影响，是负荷预测的间接因素，而趋势相似度和形状相似度描述的是负荷自身的增长和波动情况，负荷预测必须综合考虑气象因素和负荷自身因素对负荷预测的影响；因此综合步骤2,3,4计算得到的三种相似度值来量化气象因素和负荷自身因素对负荷预测的影响；定义历史日与待预测日之间的综合相似度Ri为：

Ri＝Oi+Pi+Qi                      (7)求取历史日的综合相似度后，按照其从大到小的顺序排序，选取前p个历史日作为相似日；

步骤6、将选取相似日的历史负荷数据和气象数据进行归一化；两类数据方法相同，以负荷数据的归一化为例，其归一化公式为：其中，L(t)表示负荷数据，L*(t)为96个时刻对应的归一化负荷值，Lmax和Lmin分别为选取的历史负荷数据的最大值和最小值；

步骤7、针对负荷曲线不同的时间分段，将对应选择好的p个历史相似日的天气数据和对应时间段负荷数据进行分类，将除了相似度最高的历史日对应时间段的负荷数据作为预测日相应时间段的输入，其他的所有数据作为训练样本；以相似度排序最后一天的历史相似日对应的负荷数据和相似度排序倒数第二的天气数据BP神经网络模型的输入变量，以相似度排序倒数第二的历史相似日对应的负荷数据作为神经网络模型的输出变量；以此类推，直至该时间段内训练样本中所有的负荷数据都已用来训练神经网络模型，即完成了该时间段内神经网络模型的训练；重复上述过程直到所有分段对应的神经网络模型都训练完毕；

T

Bp神经网络训练的计算过程如下：设输入训练样本向量为X＝(x1,x2,...,xm) ，隐含层T T

输出向量为Y＝(y1,y2,...,yl) ，输出层输出向量为Z＝(z1,z2,...,zq) ，目标输出向量为TT

＝(t1,t2,...,tq) ；其中，ωij和θij分别为输入层到隐含层连接权值和阈值，i＝1,2,…,m；j＝1,2,…l；ωjk和λjk分别为隐含层到输出层连接权值和阈值，j＝1,2,…l；k＝1,2,…,q；m表示输出层输出向量个数，l表示隐含层输出向量个数，q表示输出层向量的个数；

给定网络的输入数据，BP神经网络经输入层和隐含层对输入数据逐个处理，然后再由输出层处理后输出；从输入层经隐含层再到输出层的过程，称为正向传播过程；其中，隐含层第j个神经元的输出为 输出层第k个神经元的输出为如果输出实际值和输出期望值之间的误差超过规定值，就要进行误差反向传播过程；

输出误差ΔE定义为各节点实际输出值与理想输出值之差的平方和：其中，tk表示输出层第k个目标输出；△ek表示第k个神经元的输出误差；xij表示第j个神经元的输入；从式(11)中可以看出，误差ΔE是ωij、ωjk、θij和λjk的函数；误差反向传播的过程就是使误差函数ΔE的值达到最小；

LM算法权值的调整规则为：

T ‑1 T

Δω＝[JJ+μI] JΔe                    (12)式中：J为误差对权值微分的Jacobian矩阵；I是单位矩阵；Δe是误差向量；μ是一个标量，在LM算法中，μ为自适应调节；

神经网络模型的层数和隐含层节点数经过试凑法经过多次仿真实验计算后选择误差最小的，而给定节点数和层数的BP网络的权值和阈值根据(11)和(12)即可计算出得出；至此，不同时段对应的神经网络训练完成；

步骤8、将相似度最高的历史相似日的负荷数据和对应的天气数据作为输入变量，输入步骤7中训练好的BP神经网络，得到待预测日的负荷预测的结果；

步骤9、预测得到的数据需反归一化后才能得到真正的负荷数据；但由于待预测日的负荷是未知的，因此不能将其作为反归一化的基准；由于不同星期同一天的历史日负荷曲线有一定的相似性，故选择待预测日前一周同一天的负荷作为反归一化的基准。