粒子群优化灰色模型在负荷预测中的应用.docxVIP

粒子群优化灰色模型在负荷预测中的应用 第15卷 2007 矩 第1期 2月 中国管理科学 ChineseJournalofManagementScience Vol.15,N O」 Feb.,2007 文章编号:1003—207(2007] 01—0069 - 05 粒子群优化灰色模型在负荷预测中的应用 牛东晓，赵磊，张博，王海峰 (华北电力大学经济管理系，河北保定071003) 摘要:针对电力系统负荷特性,分析灰色模型GM(1,1)的应用局限性,引入向量改进 灰色模型背景值序列的计 算公式，从而构建了适应性更强的GM(1,1,)模型.应用粒子群优化算法非线性全局 寻优能力来求解最优值， 提出了基于粒子群优化算法的灰色模型PSOGM,并给岀了电力负荷预测的应用 实例?实例证明PSOGM模型具 有较高的预测精度和较广的应用范围. 关键词:负荷预测;灰色模型;背最值;粒子群优化 中图分类号:F830.59文献标识码:A 1引言 灰色预测方法具有要求样本数据少，不考虑分 布规律和变化趋势，预测精度高，可检验性强等优 点,因而灰色模型尤其是GM(1,1)模型在电力负荷 预测中得到了广泛关注11].但GM(1,1)模型主 要适用于负荷增长较平稳的情况，而实际问题中影 响负荷的不确定因素很多，对预测方法的适应性要 求很高，因此GM(1,1)模型的应用受到一定的限 制⑸.文献［7］证明GM(1,1)模型引人背景值 x气k)是导致模型在预测非平稳变化序列时精度 不高的主要原因.文献［8］引人一个参数来修正背 景值计算公式，提高了模型的预测精度，但是对具有 不同变化趋势的各时刻背景值取相同的参数值，不 能充分降低模型的预测误差. 基于此，本文引人向量a改进GM(1,1)模型背 景值序列的计算公式，即对不同时刻取不同的修正 参数,因此将GM(1,1)模型推广为GM(l,l,a)模 型;由于a与误差之间存在明显的非线性关系，应用 具有全局寻优能力的粒子群优化算法(Particle SwarmOptimization以卜简称PSO)求解a向量， 从而构建了基于PSO的灰色预测模型(简称 PSOGM);在 MATLAB6.5 环境下编写 GM(1,1) 收稿日期:2005 — 10—07:修订日期:2OO6—01—10 基金项目:国家自然科学基金资助项目;高等学校博 士点专项基金资助项目(20040079008) 作者简介:牛东晓(1962 —)，男(汉族)，安徽省宿州市人，华北 电力大学T商管理学院院长，博士生导师，教授，研究 方向:电力市场. 模型和PSOGM模型的预测程序，并进行实例分析. 结果证明,该优化模型优于传统GM(1,1)模型,拓 展了灰色预测的适用范围. 2基于粒子群优化的灰色预测模型 2.1GM(1?1)的建模原理 灰色系统理论的建模实际上是对牛成数据列的 建模，对应GM(1,1)模型即1阶1个变量的微分方 程，其建模步骤III为： 设有巩个原始负荷样本数据z°°—(z°°(l), zT(2),…，z~()); 作一阶累加生成1 一 AGO: z(是)-Ezf.(i)(- 1,2,…,)(4) =1 构造一阶线性灰色微分方程后,可得该方程的 白化微分方程为 +z ⑴一”(5) a 其屮,背景值zn(是)取前后两个时刻的等权滑 动平均代替 Z” (是)-[z(是+l)+z(是)]/2(6) 则背景值序列为zn 一｛zn(2),z”(3),…， *0) z” (是)-[zn(是+l)+zn(是)]/2(7) 利用最小二乘法求解参数A-a；1]: A —[占,]一 (BB)BY(8) 其中： B:= 一刃”⑵一(刃⑵). 一刃⑶一(z?)? ? ? 11 —Z() — zf0) ?y— ?⑵ z\.(3) 中国管理科学 Z8的灰色预测模型为 主(?(志 +1)-(1 -)(z(O(l) U)P 一(志一 0, a 1,2,…)⑼ 2.2GM(1,1)模型的局限性 文献E8］证明GM(1,1)引入背景值zk是导 致模型精度不高的主要原因，且当负荷增长速度较 慢,即对应的指数函数中lai较小时，预测精度较高; 当lai变大时，预测精度变差,背景值的精确计算公 式是： z(志)一 a 工 n(志)+(1 —1 a)zn(志+1)(0 W aWl)(10) 式中a和a具有a — 1/a — l/(e. — 1)的关系， 由此关系式可证明，当a — 0时,a — 0.5;当lai较小 时非常接近0.5;当lai较大时,a与0.5偏离较 大?因此，简单地取a 一 0.5而不考虑的大小是导 致模型在lai较人吋预测失效的重要原因. 基于此，木文引入向量a 一(a:,…,a,…,a), 构建包含修正向量的GM(l,l,a)模型,特别