基于回归分析的短期负荷预测模型.docxVIP

基于回归分析的短期负荷预测模型 1 综合气象因子与负荷变化的关系 电力系统负荷的变化有其自身的规律。另一方面，它显示了季节性。随着春季、夏季、秋季和冬季的交替，每个季节都有自己的发展规律。就每周五次和周六的五份工作而言，负荷也非常相似，但周末的负荷值往往低于前一天，呈现出总体趋势。另一方面, 电力系统负荷的变化也受许多不确定因素的影响, 比如天气、人们活动等因素。 通过综合考虑各个气象因子之间的相互作用, 详细地描述了综合气象因子和负荷指标间的回归方程。定性分析了综合气象因子与负荷值之间的关系, 并且通过回归理论绘制出拟合曲线, 建立回归模型, 进一步定量分析综合气象因素与负荷之间的相关性。 在对短期负荷的预测时, 结合往年的数据以及近阶段的天气情况, 我们通过加拉格朗日乘子法来修正所建立的回归模型, 使得模型预测的结果更加准确。 2 名词解释 2.1 基于预测模型的方法进行预测的分析 指通过对两个或两个以上的自变量与一个因变量的相关分析, 建立预测模型进行预测的方法, 是一种普遍应用的统计分析与预测技术。多元线性回归中, 一般采用最小二乘方法估计回归系数, 以使残差平方和达到最小。 2.2 解的效用函数 将约束优化问题, 根据效用函数方法, 将其转变成无约束问题, 同时对无约束的效用函数利用拟牛顿算法求解其最优解, 更新乘子。其主要思想是引入一个新的参数 (即拉格朗日乘子) , 将约束条件函数与原函数联系到一起, 使能配成与变量数量相等的等式方程, 从而求出得到原函数极值的各个变量的解。 3 整体故障数据的检验 (1) 假设2015年1月11日至17日气象因素与往年差别不大。 (2) 假设不会因数据采集系统或管理系统自身出现故障导致部分负荷数据的丢失。 (3) 假设数据的采集过程是正确并且真实的, 没有因意外或其他特殊原因引起的数据非规则性变化。 (4) 假设统计数据不会因电网负荷统计的标准不同而产生误差。 (5) 假设不会因为其他人为因素而导致数据出现异常情况。 4 模型1的构建和求解 4.1 月内天气因素的修正 题目所给的数据存在一些问题, 需预先处理:地区一、二的天气因素中有几项缺失, 需要参考数据进行修正补加, 同时减少由于节假日因素影响到的数据。 4.2 y假定回归模型 (1) 将因变量组和自变量组进行n次标准化, 得到n标准化观测数据阵分别记为:F 问题二中自变量为5个气象因素, 因变量为日最高负荷值、日最低负荷值、日平均负荷值, 即m=5, p=3。 (2) 分别提取两变量组的第一对成分, 并使之相关性达到最大。 假设从两组变量分别提出第一对成分为t (3) 建立y 假定回归模型为: 其中, α (4) 用残差阵和代替和重复以上步骤。 记 w 分别为X, Y的第二对成分的负荷量。这时有: (5) 设数据阵的秩为r≤ (n-1, m) 使得: 把t 4.3 温度推荐算法 如果要用气象因素来提高负荷预测精度, 在诸气象因素中, 笔者会优先推荐最高温度、最低温度、平均温度。偏最小二乘回归方法的模型对研究两组多重变量之间的依赖关系的构造是合理, 并且有效的, 可以很好地解决所求问题。 5 2.模型的构建和求解 5.1 时间序列预测法arma的数学方法 问题二要求我们以已知数据作为参考, 预测两地区2015年1月11日至17日共7天的电力负荷。我们采用了时间序列预测法中的ARMA模型 (自回归滑动平均模型) , 利用已掌握的比较完备的历史统计数据, 采取一定的数学方法进行科学的加工整理。在这个模型中, 因为只有前几年同一时间段各地区负荷量的每日数据, 所以选择平稳时间序列预测法较为准确地预测两个地区2015年1月11日至17日共7天的电力负荷。 5.2 基于trend函数的预测值提取 ARMA模型 (自回归滑动平均模型) 是时序方法中最基本的模型。该模型具有随机差分方程的形式, 即 上式为一个n阶自回归m阶滑动平均模型 φ a 假定当k0时, a 利用Excel数据挖掘的方法中的Trend函数, 得到了2015年的预测值。而我们在问题三中只有前六年的数据, 信息资料的质量和数量都不是很高, 所以预测得到的结果误差应该较大。 6 模型三个问题的构建和解决 6.1 第二,负荷指标回归方程 问题3涉及了气象因素的负荷值预测, 该预测值主要由两部分构成:一为问题三中预测的负荷值;二为约束条件:2015年气象因子综合对负荷值的一个影响值。在问题二中, 已经得到过去几年气象因子对负荷指标的回归方程。基于原函数和约束条件的相关分析之上, 问题四所采用的优化算法为“拉格朗日乘子法”。 6.2 模型的构建 记y=f (x) 为我们希望得到的线性回归方程, 其中f (x 6.3 修正的检验方程 (1) 运用MATL