布谷鳥優(yōu)化算法電力負荷預測優(yōu)化模型

提出了一種基于云模型的電力負荷預測模型.利用云模型中的云發(fā)生器,分別將有限的國民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長率和增長變化率樣本數(shù)據(jù)空間擴充為更具隨機性和普遍性的擴展樣本數(shù)據(jù).以國民生產(chǎn)總值為例,建立國民生產(chǎn)總值與電力負荷之間的規(guī)則推理,構(gòu)造云規(guī)則推理器.利用云規(guī)則推理器獲得電力負荷預測增長率,將國民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負荷預測增長率進行加權(quán)平均,并換算得到最終的電力負荷預測值,獲得的預測結(jié)果精度高.

支持向量機svm作為機器學習方法之一,有數(shù)據(jù)分類以及數(shù)據(jù)回歸兩種用途,支持向量機的回歸能應用于預測領域.本文應用svm方法來建立電力負荷預測模型,首先以歷史負荷、天氣、日期類型作輸入數(shù)據(jù),然后對數(shù)據(jù)進行歸一化處理,再利用svm構(gòu)建預測模型,svm在負荷預測方面具有較高的可信度與精準度.

針對小樣本數(shù)據(jù),提出基于gm(1,1)模型進行電力負荷預測模型,并通過實例表明該模型在電力負荷預測中的可行性;開發(fā)了基于gm(1,1)模型的電力負荷預測系統(tǒng),實現(xiàn)了在實際工作中所要求的數(shù)據(jù)錄入、查詢、分析和預測功能。

提出了一種基于云模型的電力負荷預測模型。利用云模型中的云發(fā)生器,分別將有限的國民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長率和增長變化率樣本數(shù)據(jù)空間擴充為更具隨機性和普遍性的擴展樣本數(shù)據(jù)。以國民生產(chǎn)總值為例,建立國民生產(chǎn)總值與電力負荷之間的規(guī)則推理,構(gòu)造云規(guī)則推理器。利用云規(guī)則推理器獲得電力負荷預測增長率,將國民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負荷預測增長率進行加權(quán)平均,并換算得到最終的電力負荷預測值,獲得的預測結(jié)果精度高。

負荷預測是電力系統(tǒng)研究和電網(wǎng)規(guī)劃的重要組成部分。采用隱馬爾可夫模型,訓練過程采用baum-welch算法,在matlab軟件上隱馬爾可夫模型進行訓練,得到負荷特性預測最優(yōu)模型,解碼預測過程采用viterbi算法,通過模型可預測下一年地區(qū)負荷特性。以廣東電網(wǎng)2011年至2016年負荷數(shù)據(jù)作為訓練數(shù)據(jù)對隱馬爾可夫模型進行訓練,并對2017年廣東典型日負荷率進行預測,仿真結(jié)果具有較優(yōu)的準確性和計算效率。

方法的選擇對電力負荷預測結(jié)果至關(guān)重要,本文通過對x(1)(1)增加干擾因素β,實現(xiàn)對初始值的優(yōu)化,較已有研究文獻使用x(1)(n)+β方法更加便于理解,保持運算前后一致,同時,改進背景值的設置。通過實例驗證,此方法可以在負荷預測上得到很好的應用,提高預測精度。

灰色系統(tǒng)是部分信息已知、部分信息未知的系統(tǒng)?；疑到y(tǒng)把一般系統(tǒng)理論、信息控制的觀點和方法延伸到社會、經(jīng)濟等廣義系統(tǒng)，灰色系統(tǒng)理論能更準確地描述社會經(jīng)濟系統(tǒng)的狀態(tài)和行為。研究基于灰色系統(tǒng)理論的灰色預測模型，對社會經(jīng)濟系統(tǒng)預測具有重要的意義。由于用電負荷增長情況受經(jīng)濟發(fā)展、產(chǎn)業(yè)機構(gòu)、氣候、居民收入水平等諸多因素的影響，其中有一些因素是確定的；而另外一些因素是不確定的，故可以把它看作一個灰色系統(tǒng)。

針對傳統(tǒng)灰色模型的建模機理和存在的局限性,提出了改進方法,建立了新的電力負荷預測模型.通過實例計算表明,該模型具有良好的適用性和預性精度.

鑒于中長期負荷預測受很多不確定因素的影響,各種預測方法都有其局限性的問題,在分析基本灰色模型及其傳統(tǒng)改進模型在負荷預測中局限性的基礎上,提出了一種電力系統(tǒng)中長期負荷預測的實用新方法——組合優(yōu)化灰色預測法.該預測法是一種對殘差改進灰色模型(gm)和基于等維新息遞補預測法的改進灰色模型進行優(yōu)化的組合方法,能夠?qū)崿F(xiàn)在線預測模型參數(shù),滿足動態(tài)電力負荷能解決隨機干擾影響的要求,最終的預測結(jié)果誤差可基本控制在3%之內(nèi).經(jīng)過實例計算,組合優(yōu)化灰色預測模型用于中長期電力負荷預測,與傳統(tǒng)的系統(tǒng)理論方法相比較,該方法計算簡捷,預測精度高,具有很好的實用性.

論述了用優(yōu)化灰色理論進行電力系統(tǒng)中長期負荷預測的建模過程．通過對原始負荷數(shù)據(jù)的預處理，把有起伏特性的原始數(shù)據(jù)序列變成規(guī)律性強的序列，再利用改進的ｇｍ（１，１）模型進行預測，可以大大提高預測精度和灰色方法的適用范圍，而且簡捷實用．經(jīng)實際算例校核證明，該方法可以作為中長期電力負荷預測的理想工具．

文章分析了影響電力負荷的因素,對現(xiàn)存的短期電力負荷預測方法進行了研究,采用粒子群算法對支持向量機進行參數(shù)尋優(yōu),建立了基于粒子群優(yōu)化的預測模型,并對短期電力負荷進行預測仿真,為精準且快速地預測短期電力負荷提供了有效的方法。通過實例分析驗證了該模型在電力負荷中的預測精度,結(jié)果顯示其精度值較高。

精確的年電力負荷預測為電力建設和電網(wǎng)運行提供可靠的指導。受多種因素的影響,年電力負荷曲線呈現(xiàn)出非線性特性,因此年電力負荷預測問題的解決需要建立在非線性模型的基礎之上。廣義回歸神經(jīng)網(wǎng)絡（grnn）已被證明在處理非線性問題上是非常有效的。該網(wǎng)絡只有一個擴展參數(shù),如何確定適當?shù)臄U展參數(shù)是使用grnn進行預測的關(guān)鍵點。提出了一種將多種群的果蠅優(yōu)化算法（mfoa）和grnn相結(jié)合的混合年電力負荷預測模型,用以解決上述問題。其中,mfoa用作為grnn電力負荷預測模型選擇適當?shù)臄U展參數(shù)。最后通過模擬實驗數(shù)據(jù)分析,mfoa-grnn模型的年電力負荷預測平均絕對百分比誤差為0.510%,均方誤差為0.281。并且將其結(jié)果與差分進化的支持向量機模型（de-svm）、粒子群優(yōu)化的grnn模型（pso-grnn）、以及果蠅優(yōu)化的grnn模型（foa-grnn）的預測結(jié)果進行了比較。最終得出,文中所提出的mfoa-grnn模型在年電力負荷預測中的預測性能優(yōu)于上述3種模型。

基于正交設計和灰色系統(tǒng)理論,提出一種預測年電力負荷的新方法。采用新陳代謝技術(shù)和加權(quán)最小二乘參數(shù)辨識法對標準gm(1,1)模型進行改進。以背景值系數(shù)α、建模所需數(shù)據(jù)個數(shù)m和加權(quán)參數(shù)q作為可控因素,根據(jù)專家經(jīng)驗設計了三因素三水平正交表。以平均絕對百分比誤差為輸出目標,通過信噪比分析,得出最優(yōu)參數(shù)水平組合,并通過方差分析,進一步得出各可控因素對預測效果的影響程度。對2個電網(wǎng)的負荷進行預測,結(jié)果驗證了所提方法的可行性和有效性。

中長期電力負荷預測是規(guī)劃的前提和基礎。以建立線性回歸模型來科學預測電力負荷在未來的變化趨勢及狀態(tài)，通過算例分析，得出利用線性回歸模型進行電力學系統(tǒng)中長期負荷預測取得令人滿意的效果。

負荷預測效果直接影響電網(wǎng)的安全穩(wěn)定和經(jīng)濟效益,是電網(wǎng)調(diào)度的重要組成內(nèi)容。針對極限學習機隨機產(chǎn)生輸入層權(quán)值和隱含層閾值導致網(wǎng)絡模型不穩(wěn)定的問題,提出了一種基于改進遺傳算法優(yōu)化極限學習機的負荷預測方法。利用爬山法改進的遺傳算法對極限學習機的權(quán)值和閾值進行優(yōu)化,以獲得穩(wěn)定性強,預測精度高的優(yōu)化模型。并將此模型與bp網(wǎng)絡、極限學習機的預測結(jié)果進行對比,仿真實驗結(jié)果表明,改進模型具有較快的訓練速度和更為準確的預測結(jié)果,適應于影響因素眾多,數(shù)據(jù)量巨大的現(xiàn)代短期電力負荷預測。

利用標準bp神經(jīng)網(wǎng)絡建立短期電力負荷預測模型,其算法存在最終解過于依賴初值和過學習現(xiàn)象,并且訓練過程中存在局部極小問題且預測精度低等缺點。為了提高電力負荷模型的預測精度,通過閱讀相關(guān)文獻,構(gòu)建了基于改進bp神經(jīng)網(wǎng)絡的短期電力負荷預測模型,該模型采用遺傳算法對權(quán)值和閾值進行初始化,以相對誤差和附加動量法相結(jié)合的方式去計算權(quán)值修正量。比較改進后的bp算法和標準bp算法在短期電力負荷預測的效果,從實驗仿真的效果表明改進后的模型提高了預測精度。

為提高電力系統(tǒng)短期負荷預測的精度,引入一種新型的群智能方法——粒子群優(yōu)化算法,并將這種智能算法與bp算法相結(jié)合,形成了粒子群優(yōu)化bp算法模型,建立了計及氣象因素的短期負荷預測模型.通過具體算例將此模型與單純的bp模型進行比較,結(jié)果表明:該算法具有較高的預測精度,完全能滿足實際工程的要求.

基于單項預測模型進行電網(wǎng)負荷預測已不能適應當前電網(wǎng)管理的要求。組合預測模型在很大程度上能夠彌補單一預測方法的片面性,但在組合模型中固定負荷預測方法也存在預測不準確、可信度低等一系列問題。本文在電力負荷預測系統(tǒng)中引入動態(tài)組合的思想,通過自動篩選預測方法、動態(tài)配置權(quán)重,構(gòu)建最優(yōu)組合預測模型。實踐證明,該組合預測方法比單個預測方法具有更高的預測準確性。

以忻州市1994~2004年用電量數(shù)據(jù)為例介紹了灰色預測技術(shù)在電力系統(tǒng)中的應用,并與忻州市1994年至2004年工農(nóng)業(yè)生產(chǎn)總值(不變價)和同期用電量數(shù)據(jù)建立的一元線性回歸模型預測結(jié)果進行了對比分析,進一步說明了灰色模型預測具有較高的置信度和應用價值。

通過對電力負荷變化規(guī)律和影響因素的分析,提出了一種新的短期電力負荷預測模型。首先利用混沌理論將雜亂無章的歷史數(shù)據(jù)進行相空間重構(gòu),找出其中的潛在規(guī)律,并粗選預測參考點;然后利用蟻群優(yōu)化算法,考慮距離因素和相點演化的相關(guān)性因素,對粗選的預測參考點作進一步精選,提高其質(zhì)量;最后采用gm(1,1)灰色模型得到預測日的負荷數(shù)據(jù)。實際算例驗證了提出的方法具有較好的預測精度。

針對時間因素、季節(jié)因素和隨機因素對短期電力負荷的影響,以某一地區(qū)電力負荷歷史數(shù)據(jù)為基礎,利用模糊推理算法對短期電力負荷進行預測,實現(xiàn)電力負荷短期預測值的自適應調(diào)整,實時保證電力系統(tǒng)的供需平衡。對本地區(qū)進行短期電力負荷預測仿真試驗,試驗結(jié)果表明,使用模糊推理算法的短期電力負荷預測系統(tǒng)具有較高的準確度。

討論了灰色模型gm(1,1)及其改進模型在短期電力負荷預測中的應用,提出了適合電網(wǎng)普通日及特殊日電力負荷預測的數(shù)據(jù)處理方法,提高了預測的精度。