基于改进灰色模型电力负荷预测.docVIP

基于改进灰色模型电力负荷预测 　　摘要： 随着电力市场的推进，负荷预测已成为保证电网稳定运行的基础，电力负荷预测在电力系统规划中的重要性和迫切性越来越受到高度重视。然而，基于电力系统的复杂性，保证预测的准确性是电力企业负荷预测工作的关键。传统的GM（1，1）模型在实际应用中存在很多缺点和局限性，本文从初始条件处理和初值的选取方面进行了改进：对原始输入数据的处理，运用了指数加权法，对初值的处理，利用预测值和实际值的欧氏距离最小化的方法来确定的连续变化微分方程时间响应函数中的参数c值来代替x（1 ）（1）作为初值。通过实例分析得出本文中的改进取得了较好的效果。 关键词： 负荷预测；灰色模型；指数加权法；欧式距离最小化；时间响应函数 中图分类号：TM715 文献标识码：A 文章编号：1006-4311（2014）05-0052-03 0 引言 负荷预测是电力系统安全、经济和可靠运行的基础，并且对国民经济也有重要的意义，因此，电力负荷预测理论与技术一直是国内外研究的重点[1-2]。目前国内外负荷预测领域中，传统的预测方法主要有：线性回归预测算法[3]、时间序列法[4]、灰色预测法。灰色系统（GS）是由邓聚龙在1982年原先创立的。灰色系统理论经过20多年的发展，目前已经成为一门新兴的边缘学科，应用日益广泛。灰色系统理论主要解决少数据、小样本、信息不完全和经验缺乏的不确定性问题[5-6]。原始的灰色模型GM（1，1）模型存在许多局限性，因此，从灰色模型提出开始，就有大量学者对灰色模型进行改进。牛东晓等在其文献中介绍了通过改造初始条件对灰色模型进行优化的方法：指数加权法、滑动平均法、缓冲算子处理法等，取得良好的效果[1]。针对灰色模型的局限性，很多学者结合智能算法对其进行了改进，目前有与蚁群、粒子群优化、BP神经网络、支持向量机等智能仿真算法相结合的灰色预测模型，并且广泛应用到实际负荷预测中[7][8]。基于智能算法对灰色模型的改进虽然取得了很好的效果，但是智能算法也存在着模型复杂度高、寻优不确定等缺点。本文运用指数加权法对初始数据进行处理，结合对初值x（1）（1）的改进，即利用预测值和实际值的欧氏距离最小化的方法来确定连续变化微分方程时间响应式中的参数c值来代替x（1）（1），通过对多个预测年用电量的预测值与真实值之间的误差的计算，发现新模型的预测误差明显低于传统的GM（1，1）灰色模型，说明新模型对原模型有明显的改进效果。另外，改进后的新模型在算法实现方面并没有明显增加计算的复杂度，这又从另一个方面证实了该改进方案的有效性。 1 灰色系统的基本理论与预测模型 1.1 灰色电力负荷预测概述 电力负荷预测的实质是对电力市场的需求进行预测，它是电力系统规划的基础，作为衡量电力系统管理现代化的重要标志。准确预测未来城市对电力的需求量和未来城市电网的供电容量，对城市供电电源点的确定和发电规划具有重要的指导意义。灰色系统（GS）是由邓聚龙在1982年首先创立的。灰色系统理论经过20多年的发展，目前已经成为一门新兴的边缘学科，应用日益广泛。灰色系统理论主要解决少数据、小样本、信息不完全和经验缺乏的不确定性问题，将其有用影响因素复杂、不确定性较强的电力负荷预测中有很高的理论和实际意义。 1.2 灰色建模过程 1.2.1 建立原始数列X（0） 1.2.4 确定方程参数 根据最小二乘原理求参数： 1.2.5 建立时间相应函数 通过上述计算，得到模型的时间响应函数： 2 改进灰色模型电力负荷预测 2.1 GM（1，1）模型的局限性 GM（1，1）在许多领域尤其是数据缺乏和不确定性显著的状况中得到了广泛应用。但是由于GM（1，1）存在合理选择背景值、从微分离散方程求得参数直接带入到连续方程中的直接跳跃等模型本身存在固有的参数估计缺陷问题，模型预测值和实际值可能会存在较大误差，在进行实际电力负荷预测时具有以下局限性： ①传统GM（1，1）模型对数据要求比较高，当原始数据的离散程度较大时，会使得模型预测的不准确。 ②灰色负荷预测适用于有少量历史负荷数据的系统，当原始数据量过大时，传统灰色模型便会表现出不适宜性。 ③原始灰色预测模型对中长期的预测不是特别准确，可能出现增长率过快的情形。 ④传统GM（1，1）模型仅考虑用电负荷这一单一的因素，而电力负荷往往会受到很多复杂因素的影响，并且该模型也不能在未来任何时刻都能充分反映电力负荷的发展趋势。 传统GM（1，1）模型的局限性导致其不能满足实际电力负荷预测应用的需要，因此需要对GM（1，1）模型进行改进，改善GM（1，1）模型的缺陷，从而提高其预测精度和模型实用性。 2.3 对初值选择的改进 在原始灰色模型GM（