人工智能综述

[1]。人工智能“人工智能”(ArtificialIntelligence)简称AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是计算机科学的一个分支。是计算机科学技术的前沿科技领域。人工智能虽然是计算机科学的一个分支，但它的研究却不仅涉及到计算机科学，而且还涉及到脑科学、神经生理学、心理学、语言学、逻辑学、认知(思维)科学、行为科学和数学以及信息论、控制论和系统论等许多学科领域。因此，人工智能实际上是一门综合性的交叉学科和边缘学科。在世界各地对人工智能的研究很早就开始了。但对人工智能的真正实现要从计算机的诞生开始算起，这时人类才有可能以机器实现人类的智能。AI这个英文 单词 英语单词 下载七年级上册英语单词表下载英语单词表下载深圳小学英语单词表 下载高中英语单词 下载 最早是在1956年的一次会议上提出的，在此以后．因为一些科学家的努力使它得以发展。但人工智能的进展并不像我们期待的那样迅速，因为人工智能的基本理论还不完整．我们还不能从本质上解释我们的大脑为什么能够思考，这种思考来自于什么，这种思考为什么得以产生等一系列问题。但经过这几十年的发展，人工智能正在以它巨大的力量影响着人们的生活一、人工智能涉及的技术或方法的基本功能、特点与适用对象目前，人工智能的研究是与具体领域相结合进行的。基本上有如下领域[2]：问题求解人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序。在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题归约这样的人工智能基本技术。今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋和国际象棋。另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平，并正在为许多科学家和工程师所应用。有些程序甚至还能够用经验来改善其性能。逻辑推理与定理证明逻辑推理是人工智能研究中最持久的子领域之一。其中特别重要的是要找到一些方法，只把注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。为此不仅需要有根据假设进行演绎的能力，而且需要某些直觉技巧。理解自然语言NLP(NaturallanguageProcessing)自然语言处理也是人工智能的早期研究领域之一，已经编写出能够从内部数据库回答用英语提出的问题的程序。这些程序通过阅读文本材料和建立内部数据库，能够把句子从一种语言翻译为另一种语言，执行用英语给出的指令和获取知识等。有些程序甚至能够在一定程度上翻译从话筒输入的口头指令(而不是从键盘打入计算机的指令)。目前语言处理研究的主要课题是：在翻译句子时，以主题和对话情况为基础，注意大量的一般常识一世界知识和期望作用的重要性。人工智能在语言翻译与语音理解程序方面已经取得的成就。发展为人类自然语言处理的新概念。自动程序设计也许程序设计并不是人类知识的一个十分重要的方面，但是它本身却是人工智能的一个重要研究领域。这个领域的工作叫做自动程序设计。已经研制出能够以各种不同的目的描述(例如输入，输出对，高级语言描述。甚至英语描述算法)来编写计算机程序。这方面的进展局限于少数几个完全现成的例子。对自动程序设计的研究不仅可以促进半自动软件开发系统的发展。而且也使通过修正自身数码进行学习(即修正它们的性能)的人工智能系统得到发展。自动编制一份程序来获得某种指定结果的任务同证明一份给定程序将获得某种指定结果的任务是紧密相关的。后者叫做程序验证。许多自动程序设计系统将产生一份输出程序的验证作为额外收获。专家系统专家系统是依靠人类专家已有的知识建立起来的知识系统。目前专家系统是人工智能研究中开展较早、最活跃、成效最多的领域，广泛应用于医疗诊断、地质勘探、石油化工、军事、文化教育等各方面。它是在特定的领域内具有相应的知识和经验的程序系统，它应用人工智能技术、模拟人类专家解决同题时的思维过程，来求解领域内的各种问题，达到或接近专家的水平。一般地说，专家系统是一个智能计算机程序系统，其内部具有大量专家水平的某个领域知识与经验，能够利用人类专家的知识和解决问题的方法来解决该领域的问题。也就是说，专家系统是一个具有大量专门知识与经验的程序系统，它应用人工智能技术，根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。专家系统可以解决的问题一般包括解释、预测、诊断、设计、规划、监视、修理、指导和控制等。高性能的专家系统也已经从学术研究开始进入实际应用研究。随着人工智能整体水平的提高，专家系统也获得发展。正在开发的新一代专家系统有分布式专家系统和协同式专家系统等。在新一代专家系统中，不但采用基于规则的方法，而且采用基于模型的原理。机器学习学习能力无疑是人工智能研究上最突出和最重要的一个方面。人工智能在这方面的研究近年来取得了一些进展。学习是人类智能的主要标志和获得知识的基本手段。机器学习(自动获取新的事实及新的推理算法)是使计算机具有智能的根本途径。正如香克(R.Shank)所说：“一台计算机若不会学习，就不能称为具有智能的。”此外，机器学习还有助于发现人类学习的机理和揭示人脑的奥秘。所以这是一个始终得到重视，理论正在创立，方法日臻完善，但远未达到理想境地的研究领域。人工神经网络由于冯·诺依曼(VanNeumann)体系结构的局限性，数字计算机存在一些尚无法解决的问题。人们一直在寻找新的信息处理机制，神经网络计算就是其中之一。研究结果已经证明，用神经网络处理直觉和形象思维信息具有比传统处理方式好得多的效果。神经网络的发展有着非常广阔的科学背景，是众多学科研究的综合成果。神经生理学家、心理学家与计算机科学家的共同研究得出的结论是：人脑是一个功能特别强大、结构异常复杂的信息处理系统，其基础是神经元及其互联关系。因此，对人脑神经元和人工神经网络的研究，可能创造出新一代人工智能机—神经计算机。对神经网络的研究始于40年代初期，经历了一条十分曲折的道路，几起几落，80年代初以来，对神经网络的研究再次出现高潮。霍普菲尔德(Hopfield)提出用硬件实现神经网络，鲁梅尔哈特(Rumelhart)等提出多层网络中的反向传播(BP)算法就是两个重要标志。现在，神经网络已在模式识别、图象处理、组合优化、自动控制、信息处理、机器人学和人工智能的其它领域获得日益广泛的应用。机器人学人工智能研究日益受到重视的另一个分支是机器人学．其中包括对操作机器人装置程序的研究。这个领域所研究的问题，从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法，无所不包。机器人和机器人学的研究促进了许多人工智能思想的发展。它所导致的一些技术可用来模拟世界的状态，用来描述从一种世界状态转变为另一种世界状态的过程。它对于怎样产生动作序列的规划以及怎样监督这些规划的执行有了一种较好的理解。复杂的机器人控制问题迫使我们发展一些方法，先在抽象和忽略细节的高层进行规划，然后再逐步在细节越来越重要的低层进行规划。机器人已在各种工业、农业、商北、旅游业、空中和海洋以及国防等领域获得越来越普遍的应用。模式识别计算机硬件的迅速发展，计算机应用领域的不断开拓，急切地要求计算机能更有效地感知诸如声音、文字、图像、温度、震动等等信息资料，模式识别便得到迅速发展。“模式”(Pattern)一词的本意是指完美无缺的供模仿的一些标本。模式识别就是指识别出给定物体所模仿的标本。人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式，是对人类感知外界功能的模拟。研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。模式识别是一个不断发展的新学科。它的理论基础和研究范围也在不断发展。随着生物医学对人类大脑的初步认识，模拟人脑构造的计算机实验即人工神经网络方法早在50年代表、60年代初就已经开始。至今，在模式识别领域，神经网络方法已经成功地用于手写字符的识别、汽车牌照的识别、指纹识别、语音识别等方面。目前模式识别学科正处于大发展的阶段，随着应用范围的不断扩大，随着计算机科学的不断进步，基于人工神经网络的模式识别技术。在90年代将有更大的发展。10)机器视觉机器视觉或计算机视觉已从模式识别的一个研究领域发展为一门独立的学科。机器视觉的前沿研究领域包括实时并行处理、主动式定性视觉、动态和时变视觉、三维景物的建模与识别、实时图像压缩传输和复原、多光谱和彩色图像的处理与解释等。机器视觉已在机器人装配、卫星图像处理、工业过程监控、飞行器跟踪和制导以及电视实况转播等领域获得极为广泛的成用。智能决策支持系统决策支持系统是属于管理科学的范畴，它与“知识—智能”有着极其密切的关系。在80年代以来专家系统在许多方面取得成功，将人工智能中特别是智能和知识处理技术应用于决策支持系统，扩大了决策支持系统的应用范围，提高了系统解决问题的能力，这就成为智能决策支持系统。智能控制人工智能的发展促进自动控制向智能控制发展。智能控制是一类无需(或需要尽可能少的)人的干预就能够独立地驱动智能机器实现其目标的自动控制。或者说，智能控制是驱动智能机器自主地实现其目标的过程。随着人工智能和计算机技术的发展，已可能把自动控制和人工智能以及系统科学的某些分支结合起来，建立一种适用于复杂系统的控制理论和技术。智能控制正是在这种条件下产生的。它是自动控制的最新发展阶段，也是用计算机模拟人类智能的一个重要研究领域。1965年。傅哀孙首先提出把人工智能的启发式推理规则用于学习控制系统。十多年后，建立实用智能控制系统的技术逐渐成熟。1971年，傅京孙提出把人工智能与自动控制结合起来的思想。1977年，美国萨里迪斯提出把人工智能、控制论和运筹学结合起来的思想。1986年，中国的蔡自兴提出把人工智能、控制论、信息论和运筹学结合起来的思想。按照这些结构理论已经研究出一些智能控制的理论和技术，用来构造用于不同领域的智能控制系统。智能检索随着科学技术的迅速发展．出现了“知识爆炸”的情况。对国内外种类繁多和数量巨大的科技文献之检索远非人力和传统检索系统所能胜任。研究智能检索系统已成为科技持续快速发展的重要保证。数据库系统是储蓄某学科大量事实的计算机软件系统，它们可以回答用户提出的有关该学科的各种问题。数据库系统的设计也是计算机科学的一个活跃的分支。为了有效地表示、存储和检索大量事实，已经发展了许多技术。当我们想用数据库中的事实进行推理并从中检索答案时，这个课题就显得很有意义。智能调度与指挥确定最佳调度或组合的问题是我们最感兴趣的又一类问题。一个古典的问题就怒推销员旅行问题。这个问题要求为推销员寻找一条最短的旅行路线。他从某个城市出发，访问每个城市一次，且只许一次，然后回到出发的城市。大多数这类问题能够从可能的组合或序列中选取一个答案，不过组合或序列的范围很大。试图求解这类问题的程序产生了一种组合爆炸的可能性。这样，即使是大型计算机的容量也会被用光。在这些问题中有几个(包括推销员旅行问题)是属于计算理论家称为NP完全性一类的问题。他们根据理论上最佳方法计算出所耗时间(或所走步数)的最坏情况来排列不同问题的难度。智能组合调度与指挥方法已被应用于汽车运输调度、列车的编组与指挥、空中交通管制以及军事指挥等系统。系统与语言工具入工智能对计算机界的某些最大贡献已经以派生的形式表现出来。计算机系统的一些概念，如分时系统、编目处理系统和交互调试系统等，已经在人工智能研究中得到发展。几种知识表达语言(把编码知识和推理方法作为数据结构和过程计算机的语言)已在70年代后期开发出来，以探索各种建立推理程序的思想。特里.威诺格雷(TerryWinograd)在文章《在程序设计语言之外》(1979年)讨论了他的某些关于计算机的未来思想；其中部分思想是在他的人工智能研究中产生的。80年代以来，计算机系统、如分布式系统。并行处理系统、多机协作系统和各种计算机网络等，都有了发展。在人工智能程序设计语言方面，除了继续开发和改进通用和专用的编程语言新版本和新语种外，还研究出了一些面向目标的编程语言和专用开发工具。对关系数据库研究所取得的进展．无疑为人工智能程序设计提供了新的有效工具。二、人工智能的发展现状、前景及局限性[3,4,5]目前绝大多数人工智能系统都是建立在物理符号系统假设之上的。在尚未出现能与物理符号系统假设相抗衡的新的人工智能理论之前，无论从设计原理还是从已取得的实验结果来看，Soar在探讨智能行为的一般特征和人类认知的具体特征的艰难征途上都取得了有特色的进展或成就，处在人工智能研究的前沿。80年代，以NewellA为代表的研究学者总结了专家系统的成功经验，吸收了认知科学研究的最新成果，提出了作为通用智能基础的体系结构Soar。目前的Soar已经显示出强大的问题求解能力。在Soar中已实现了84多种搜索方法，实现了若干知识密集型任务（专家系统），如RI等。rooks提出了人工智能的一种新的途径。它认为无需概念或者说无需符号表示，智能系统的能力可以逐步进化。在它的研究中突出4个概念：(1)所处的境遇：机器人不涉及抽象的描述，而是处在直接影响系统的行为的境地。(2)具体化：机器人有躯干，有直接来自周围世界的经验，他们的感官起作用后立即会有反馈。(3)智能：智能的来源不仅仅是限于计算装置，也是由于与周围进行交互的动态决定。(4)浮现：从系统与周围世界的交互以及有时候系统的部件间的交互浮现出智能。智能行为不仅仅体现在构成世界的个体的活动，而更体现在个体之间的相互依存的活动中。因此，新的AI系统应由一系列的“自力”的个体组成这些个体，在问题求解时，可以发生争论，争论的目的是为了找到问题更准确的答案，同时在争论的过程中发生学习过程。人工智能虽然取得了一定的成果，但是在研究中也遇到了一系列的问题，这主要表现在下列几个方面：宏观与微观隔离一方面是哲学、认知科学、思维科学和心理学等学科所研究的智能层次太高、太抽象；另一方面是人工智能逻辑符号、神经网络和行为主义所研究的智能层次太低。这两方面之间相距太远，中间还有许多层次未予研究，无法把宏观与微观有机地结合起来和相互渗透。全局与局部割裂人类智能是脑系统的整体效应，有着丰富的层次和多个侧面。但是，符号主义只抓住人脑的抽象思维特性；连接主义只模仿人的形象思维特性；行为主义则着眼于人类智能行为特性及其进化过程。它们存在明显的局限性。必须从多层次、多因素、多维和全局观点来研究智能，才能克服上述局限性。理论和实际脱节大脑的实际工作，在宏观上我们已知道得不少；但是智能的千姿百态，变幻莫测，复杂得难以理出清晰的头绪。在微观上，我们对大脑的工作机制却知之甚少，似是而非，使我们难以找出规律。在这种背景下提出的各种人工智能理论，只是部分人的主观猜想，能在某些方面表现出“智能“就算相当成功了。着眼于这些难题的解决，抓住人工智能的生长点，使人工智能产生质的飞跃，是我们将要作的工作。这些工作归纳起来可以概括为：(1)关联性；(2)整体性；(3)主动性；(4)动态性；(5)抽象性；(6)归纳性；(7)开放性等方面的研究。人工智能在电力系统负荷预测中的应用众所周知，电力负荷的变化呈现出周期性有规律的变化，同时又包含有随机性，按随机性的表现又可分为外部随机和内部随机。如天气、气候，特殊事件等不确定因素的影响，属于外部随机。在地区性总负荷组成中含有各种随机变化的分量，属于内部随机。如何正确的分析出负荷变化中的周期分量和随机分量，是研究负荷预测高精度的关键问题[6]。而负荷预测研究已有五十多年历史，从经典的回归分析方法、时间序列法、相似日法等开始研究，一直到七十年代开始，随着人工智能技术引入负荷预测领域，开辟了不少新的研究方法，如灰色系统理论、专家系统(ES)、神经网络(NN)、模糊理论(FST)、混沌理论(CT)、小波分析(Wavelets)、数据挖掘(DM)等[7]。一、电力系统负荷预测的实质与难点由于负荷预测是根据电力负荷的过去和现在推测它的未来数值，所以负荷预测研究的对象是不肯定事件，可以从以下几个方面分析负荷预测的实质:①预测结果的非准确性。电力负荷的未来发展受各种复杂因素的影响，这些影响因素是发展变化的，如社会经济发展、人口增长、全球气候变化、新技术发展、能源产业政策等。人们对有些因素能预先估计，有些因素则不能或很难被准确预测。同时，预测方法与理论的不断更新，也将影响到预测的精度。②预测的条件性。各种电力负荷预测都是在一定条件下做出的。这些条件有必然条件和假设条件，按必然条件做出的负荷预测往往是可靠的，按假设条件做出的预测准确性显然具有条件性。比如说：对于工业负荷，由于其与国民经济的整体发展密切相关，但是对某一特定期限内，很难预测国民经济的增长率。这就决定了在所有预测中，工业负荷的预测最为困难，为此必须引入某些假设条件，如设定在预测期内经济的递增率。很显然，由此做出的负荷预测就具有了特定的条件性。③预测结果的多 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 性[8]。由于负荷预测具有精度问题和受一定预测条件的制约，再加上预测手段及理论数学模型的多样性，使得预测的结果并非是唯一的。为搞好电力系统负荷预测，面临着两大难点：第一，搜集和掌握大量的历史数据。历史资料是进行电力系统负荷预测的基础，既要收集负荷数据，又要收集影响负荷情况的相关因素数据。这些资料的来源主要有两种途径：1)国家部门及相关机构定期或不定期发表的报刊、资料、文献及出版物。2)预测人员通过调查获得的资料．对历史资料要进行整理与校核，力图保证完整性与准确性，对异常数据需要修正或删除。做出客观而又全面的统计分析，为预测工作打好基础。统计分析的目标是选出有代表性的，真实的、可用程度高的资料，作为预测的基础数据。第二，采用新的科学预测理论与分析方法，同时，还必须注意与负荷预测相关的领域的发展动向，使电力负荷预测的理论基础保持先进性。此外，在世界各国，由于电力需求随经济增长的趋势类同，因此，在进行全国范围的电力负荷预测时，可以参照国外的电力消费资料，确定本国的电力需求量。这种方法的关键是在于选择合适的对比国家。一般选经济发达、且经济结构与本国有某种相似的国家作对比和分析。二、应用人工智能技术解决电力系统负荷预测原因分析电力系统是一个有机体，在电网范围内，必须每时每刻保持发、供电之间的平衡，这就要求电力负荷预测精度要相当地高。影响负荷预测准确性的因素有以下几种：①没有一种预测模型能适用于所有的负荷预测，各种负荷预测模型都有一定的时间范围。因此要对负荷在各种情况下可能的发展状况进行预测，就需要一个多种方案组合的负荷预测。②电力负荷的发展变化受各种各样复杂因素的影响，而且各种影响因素也是发展变化的，人们对这些发展变化有些能够预先估计，有些却很难事先预见到，加上一些临时情况发生变化的影响，这就决定了预测结果的非准确性或不完全准确性。③负荷预测受不确定因素影响较大。在影响电力负荷变化的诸多因素中，许多因素是具有很大的不确定性的，如政治经济条件、天气变化等，往往难以准确预料，这就给电力负荷预测工作带来了很大的困难，使电力负荷预测也具有显着的不确定性。因此，预测人员应对可能影响到预测结果准确性的各因素做出科学合理的分析和判断，对这些因素可能产生的变化或变化的可能性和趋势做出尽可能定量的估计。在进行实际的负荷预测时，由于预测量发展变化的规律复杂多样，采用单一方法进行预测，很难取得令人满意的结果。这就要求建立完备的预测模型库。其次，预测方法本身应能具备较强的适应性，应该能够在多种预测模型得到的结果基础上，进行合理的综合分析、优化组合，得到最接近于客观规律、可靠性好、预测精度高的综合模型。而目前广泛采用的人工神经网络技术的主要优点在于它不需要任何负荷模型，并具有很好的函数逼近能力，较好地解决了天气和温度等因素与负荷的对应关系，通过学习能够反映输入、输出之间复杂的非线性关系。与传统预测方法相比，这种方法具有其不可比拟的优点，所以，人工神经网络得到了众多学者的赞誉。所以能够应用人工智能的方法解决电力系统的负荷预测问题。同时，传统的基于统计学的负荷预测方法，如时间序列法、回归分析法等，其本质都是通过对历史用电数据及相关因素分析整理，求出负荷变化的趋势，从而借此外推实现预测，因此对数据的要求很高，特别是在历史数据残缺或存在较大误差的情况下，具有较大的局限性。随着人工智能技术的发展，80年代中后期，在人工智能领域最为活跃的专家系统技术在负荷预测技术中首先得到了成功的应用[9]，随后陆续出现了模糊系统和神经网络法等新方法，它们在处理非线性问题上取得了很大的进展。三、解决负荷预测的基本思路[10]确定预测目标，制定预测 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 确定预测目标就是在明确预测目的的前提下，规定预测对象的范围、内容和预测期限，从而制定有效的预测计划。预测范围一般视研究问题所涉及的范围而定；预测的内容一般包括电力、电量、电力负荷的地区分布，电力负荷随时间的变化规律以及电力负荷曲线等负荷特性相关指标；预测期限一般分短期预测(5年期)、中期预测(5～10年期)和长期预测(15年以上期)；制定预测计划一般要考虑的主要问题有：需要的历史资料(按年、按季、按月、按周或按日)，需要多少项资料，资料的来源和搜索资料的方法，预测的方法、预测工作的分工及完成时间和所需经费来源等。调查、搜集和选择资料资料是预测的基本依据，占有资料的充裕程度及资料的权威可信性对预测结果的可信度是至关重要的。一般做电力负荷预测时需要搜集的资料主要是电力企业和国民经济有关部门的资料，主要包括：历年电力消费用电负荷、用电量、用电构成；经济发展目标(如国民生产总值、三次产业生产总值等)，国民经济结果的历史现状及可能的变化发展趋势；人口预测资料及人均收入水平；能源利用效率及用电比重变化；工业布局及用户的用电水平指标；国家重要政策资料(如小康规划目标，限制高耗能政策等)及国内外参考地区的上述类似历史资料。资料的主要来源一般有两种途径：一是各国政府、研究机构等定期或不定期发表或在网上公布的报刊、资料文献和其他相关出版物(比如统计年鉴、电力年鉴等)；二是预测人员通过调查所获取的资料。由于资料的来源、统计计算口径及调查方法的不同都会对资料的可信度产生不同的影响，因此要对调查搜集起来的资料进行鉴别，去伪存真，以保证预测所用的资料翔实可靠。一般挑选资料的 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 为直接相关性、可靠性和最新性。要先把符合这三点的资料挑出来加以深入研究，此后再考虑是否还需要再搜集其他资料。资料的整理整理资料的目的是为了保证预测所使资料的质量，从而为保证预测结果的质量打下基础。衡量一个统计资料质量高低的标准主要有以下几个方面：①资料是否完整无缺，各期指标是否齐全。②数字是否准确无误,是否反映正常状态下的水平，是否有异常值。③时间数列各值间是否有可比性。④历史资料的表现形式是否适合需要,是否需要交换以及计算单位是否规范化等问题也要注意。资料的整理主要有以下几项内容：①资料的补缺推算：如果中间某一项的资料空缺，则可利用相邻两边资料取平均值近似代替；如果开头或末尾某一项空缺，则可利用比例趋势法计算代替。②对不可靠资料要加以核实：对能查明原因的异常值可用适当的方法加以修正；对原因不明而又没有可靠修正根据的资料，最好删去。③对时间数列中不可比资料要加以调整，务必使资料在时间上有可比性：时间数列资料的可比性主要包括各期统计指标的口径范围是否完全一致，各期价值指标所用价格有无变动，各期时间单位长度是否可比，周期性的季节变动资料的各期资料是否可比及是否能如实反映周期性变动规律等。④根据研究目的，认真考虑时间数列的起止时间，即应截取哪段时期的资料使用。资料的初步分析在经过整理之后，还要对资料进行初步分析，一般包括以下几个主要方面：①画出动态折线图或散点图，从图形中观察资料变动的轨迹特别要注意离群的数值和转折点，并且研究它是偶然的还是其他什么确定的原因所致。②查明异常值的原因后，用适当的方法加以处理，使历史数据趋于平稳。常用的处理方法是：设负荷的历史数据为,令，若，取；若，取。③计算一些统计量，如相关系数，以进一步辨别资料的轨迹性质,为建立模型做准备。深入分析资料，选择预测方法对经过鉴别整理后的资料进行深入分析，寻求预测量的演变规律或发展趋势，选择合适的预测方法。由于各种预测方法均有其不同的特点和使用范围，因此应根据对资料的占有情况和资料样式以及预测目的、预测期限、预测规模、预测结果的准确度，同时考虑预测本身的效益成本分析等进行权衡，做出合理的选择。由于正确选择预测方法在负荷预测中具有关键的作用，有时选择不当，预测误差就会很大，也就失去了负荷预测的意义，因此，在尽可能选择适当的预测方法的情况下，可同时采用多种预测方法进行预测，以便对比、选择，可采用相关方法或手段处理各种预测结果(如加权取平均，概率分布取值等)，从而选择尽可能正确的预测结果。确定预测结果在进行预测时，要依据选择的预测方法进行预测预算得到预测值。如果是采用定量方法进行预测，就要根据建立的定量预测模型代入预测期的自变量目标值，从而获取预测期所需的预测变量值；如果是采用定性的预测方法来进行预测，就要根据掌握的客观资料进行科学合理的逻辑推理，推断出预测期的预测值。由于影响预测对象的诸多因素可能会发生变化，从而使未来的实际结果与预测依据的历史资料呈现的规律不相吻合，因为事物过去到现在的发展变化规律不一定就是事物未来的发展变化规律。因此，预测人员必须对影响预测对象的新因素进行分析，对预测模型及预测结果加以适当的修正和调整。当然，预测值的确定并不能通过某一、两个预测运算就能轻而易举得出，搞好预测工作应遵循“重在分析，贵在方法，巧在应用”的基本思想。也就是说负荷预测工作的第一步应该是确定什么因素最可能影响预测对象，第二步是决定如何在预测中使用这些因素。其中需要良好的综合判断能力，预测人员的经验、理论素养及分析判断能力也起重要的作用。评价预测阶段预测的主要成果就是得出预测结果。因此预测结果应该是明确的，可以被检验的。所以在得到预测结果后必须对预测结果的准确度和可靠性进行评价，使预测误差在允许接受的范围内。若误差太大，就失去了预测的意义，也会导致电力规划的失误。一般来说，短期负荷预测的误差不应超过±3%，中期负荷预测的误差不应超过±5%，长期负荷预测的误差不应超过±15%。编写提交预测 报告 软件系统测试报告下载sgs报告如何下载关于路面塌陷情况报告535n,sgs报告怎么下载竣工报告下载 ，交付使用预测报告是预测结果的文字表述。一般包括题目、摘要、正文、结论、建议和附录等部分。预测题目主要反映预测目的、预测对象、预测范围和预测时期。摘要通常说明预测中的主要发现，预测结果及提出的主要建议和意见。一般采用摘要与提出相配合引起有关方面的重视。正文包括分析及预测过程，预测模型及说明，有关计算方法，必要的图表，预测的主要结论及对主要结论的评价。结论与建议是扼要地列出预测的主要结果，提出的有关建议及意见。附录主要包括说明正文的附表、附图,预测中采用的计算方法的推导和说明及其使用的历史数据，以及正文中未列出的有价值的其他资料。需要强调的是，由于负荷预测的结果经常是多方案的，所以报告中也要对取得这些结果的预测条件、假设及限制因素等情况详细说明，在报告中应有数据资料、报告分析、数学模型、预测结果及必要的图表，让使用者一目了然，便于应用。负荷预测的管理将负荷预测报告提交主管部门后，只是本预测告一段落，并不等于全部预测工作的结束，随后应根据主客观条件的变化及预测应用的反馈信息进行检验，必要时应修正预测值。例如,预测值交付使用后，经过一段时间的实践，发现这一时期的实际值和预测值之间有较大差距，就要利用反馈性原理对远期预测值进行调整，这就叫负荷预测的滚动修编，也就是对负荷预测的滚动性管理。四、目前应用人工智能解决负荷预测的途径神经网络以其在负荷预测中的广泛的应用，得到多少专家学者的认可。神经网络方法以传统显示函数的自变量和因变量作为网络的输入和输出，将传统的函数映射关系转化为高维的非线性映射。神经网络是一个高度非线性的超大规模连续时间动力系统，可以映射任意复杂的非线性关系，且能够识别有噪声或变形的样本，通过学习能把样本隐含的特征和规律分布于神经网络的连接权上。而电力系统的负荷预测从根本上讲就是非线性系统的辨识问题，因此采用神经网络进行预测有着传统方法所没有的优点。采用神经网络进行预测，可以通过以下两个途径来解决[11]：1)人工神经网络结构确定。要保证经过足够多的样本学习后人工神经网络才能够任意精确地逼近被预测的非线性系统，并且具有简单的结构形式和最少的可调参数。目前，如何确定神经网络的结构，如网络的层数，每层神经元的数量，神经元的连接方式仍是还没有解决的问题，只能靠在实际应用中的经验或通过大量的实验获得。现在大多文献研究的重点在于如何构成预测样本、如何构成输入层数据等。2)人工神经网络训练算法的改进。基于误差反向传播算法的BP神经网络在负荷预测中得到了广泛应用，但标准BP算法最大的缺点就是收敛速度慢，容易陷入局部最优解。为了达到更快更好的预测效果，需要学者做大量研究。五、运用人工智能技术解决负荷预测存在的技术障碍和难点应用人工智能方法解决电力系统负荷预测时常采用神经网络技术方法。近几年来，随着对神经网络技术的深入研究，也发现了神经网络在负荷预测中存在着一些问题，需要进一步的探讨[12]。训练样本神经网络的性能与训练样本的选取紧密相关。样本的复杂性和代表性将严重影响网络训练的结果。训练样本的选取主要受两个因素的影响：其一是训练样本的长度。样本长度并非越长越好，过长的训练样本不仅影响计算速度，还会导致“过拟合”现象。其二是训练样本的代表性。代表性好的样本即便用常规的BP算法仍可以得到令人满意的结果。网络结构在实际应用中，网络结构最难确定的是隐层神经元个数。一般而言是依靠试算的办法。该方法计算量大，且不易确定所得结构的优劣。网络算法神经网络中常用的BP算法是按梯度下降法进行推算，大量实践已发现该方法存在计算速度较慢、不易找到最优解的缺点。目前有很多改进，在一定程度上可以改善BP算法的上述缺陷，但是仍然存在一些问题。例如，标准BP算法及大多数改进算法通常是以计算值与实际值的误差平方和最小为目标函数，这里的“最小”是以事先给定的一个较小的误差允许值或一定的迭代次数求得的。而实际的计算中，会遇到这样的情况：稍微改变训练样本，却可得到几组差别较大的权重，使目标函数都满足要求。这说明算法的稳健性不强。若要从几组不同的权值中挑选最优，仅仅以计算值与实际值的误差平方和最小为目标函数似乎是不够的，还要求增加目标函数的约束条件。网络泛化能力网络泛化能力是指经训练后的网络对未在训练集中出现的样本做出正确反应的能力。“过拟合”现象，实质就是泛化能力低的表现。网络泛化能力与样本资料、网络结构、网络算法均有关系。因此充分挖掘资料信息、改善网络结构、改进网络算法都可在一定程度上提高网络的泛化能力。人工神经网络在进行负荷预测建模时，原理新颖，思路明确。引入非线性模拟概念比较接近于客观实际，可以考虑比较多的影响因素，但是人工神经网络样本的选择困难，计算速度慢，有时会出现不收敛情况，外推特性差，所以至今还没有一个方法能引导我们从可能适合于用户的无数个模型中最合理地选择一个最为合适的模型[13]。