基于残差校正系数灰色模型月度负荷预测.docVIP

基于残差校正系数灰色模型月度负荷预测 　　摘要本文分析了采用GM（1,1）灰色模型预测技术应用在月度负荷预测中存在的问题，提出了基于残差校正的灰色模型预测方法，通过大量样本试验得出结论，引入偏差校正系数的灰色模型预测方法可以有效应用于月度负荷预测，既具有灰色模型建模相对简单的特点，也满足了预测精度的要求，具有较好的应用效果。 　　中图分类号：TM715文献标识码：A 　　 　　Monthly Load Forecast of Gray Model Based on Residual Correction Factor 　　LIU Yang 　　(Haidian Power Company Marketing Department,Beijing Power Company, Beijing 100086) 　　AbstractThis article analyzes the problems existed in Monthly Load Forecast by GM(1,1)Gray Model pridiction, conclude by a large number of sample tests. Bias correction factor into the gray model prediction method can be applied to monthly load forecast, which has both the characteristics of relatively simple model, but also meets the requirements of prediction accuracy, and it has better application results. 　　Key wordsgray model; residual correction; load forecast 　　 　　负荷预测最为电力部门一项重要工作，直接影响着电网的规划、生产的安全以及系统的经济运行。其中月度负荷预测对于电力企业生产计划的安排确定、指标的预测预控都具有重要的意义。通过对历史月度负荷数据的研究，发现具有离散度高、变化趋势极不规律的非线性特点。以某公司2006年为例，月度负荷曲线见图1： 　　由图1可见，月度负荷的变化受到气候因素、市场需求等方面因素影响，其变化的趋势性以及规律性均不明显，体现的是一个非平稳的随机过程，考虑上述多种输入因素对负荷建模是具有相当大难度的。而对于通过对累计负荷的研究，发现呈现较为规律的指数型增长趋势，上述特点与灰色模型的建立相吻合。 　　灰色模型具有避开研究系统内部结构、要求负荷数据少、无需考虑原始数据分布规律、变化趋势等特点，因此本文采用灰色模型对月度负荷预测进行了研究。但在研究过程中发现受月度负荷数据离散度高、季节波动性大影响，直接灰色模型预测精度不高。因此，本文引入了基于残差校正系数的办法，对GM（1,1）灰色模型预测结果进行修正，经过检验对于月负荷预测有较高的精度，使得灰色模型预测在月负荷预测中得以有效应用。 　　1 建立灰色模型 　　以某地区2006年月度负荷原始序列为样本，建立GM(1,1)灰色模型。（见表1） 　　取原始样本数据序列为x(0)k，则对序列x(0)k进行累加，获得的1-AGO为x(1)k，通过对微分方程GM(1,1)求解，获得参数与后，可建立灰色预测模型。 　　其中： 　　获得预测模型为： 　　（2） 　　（3） 　　2 采用GM(1,1)灰色模型预测在月度负荷预测中存在的问题 　　通过上述灰色建模过程，可以获得10月、11月、12月的负荷预测数据，同时对已知月度的负荷数据与预测数据进行比较，结果见下表2： 　　偏差定义： 　　偏差率定义： 　　在对多年样本数据反复试验过程中发现，经过对模型预测结果精度分析，可以看出通过灰色模型预测获得的值在负荷较前月发生突变时，预测精度很低，主要体现在4月、5月、9月、10月发生较大偏差，主要是由于原始数据在上述月份离散度较高造成的，月度负荷受空调及采暖负荷影响变化较大所引起模型预测数据与实际值偏差较大，导致预测精度不高。 　　经过对多个年度数据样本建立灰色模型，通过对多年的预测结果进行分析，获得多个年度模型预测偏差率曲线，该模型对于月度售电量预测的收敛性较差。具体偏差情况见图3： 　　 　　 图3 　　由多年数据经过灰色模型预测获得的预测结果可见，在负荷变化较大的4月、5月、9月、10月偏差较大，但每年的预测结果偏差具有相同的趋势，因此引入偏差校正系数对预测结果进行修正。 　　3 基于残差校正的灰色模型预测 　　选取近N个年度的样本数