组合预测方法在电力负荷预测中的应用
电力系统负荷预测方法分析及应用
电⼒系统负荷预测⽅法分析及应⽤电⼒系统负荷预测⽅法分析及应⽤摘要：本⽂⾸先简要介绍了电⼒系统负荷预测的基本原理，然后系统地介绍和分析了⼏种主要的电⼒系统负荷预测的⽅法及其应⽤。
关键词：电⼒系统；负荷预测；基本原理1.引⾔负荷预测就是以已知的电⼒需求为出发点，详细分析电⼒的历史数据并综合考虑政治、⽓候、经济等⼀些相关的因素，对以后⽤电需求做出预测与估计。
负荷预测包含两⽅⾯，即预测未来的需求量和未来的⽤电量前者的预测可以决定发电、输电、配电系统容量的⼤⼩，⽤电量能够决定发电设备的类型。
负荷预测的⽬的是提供负荷发展的⽔平，通过分析，可以确定每个供电区、各规划年供⽤电量，规划地区总的负荷发展⽔平以及每⼀规划年⽤电负荷的构成等。
负荷预测是电⼒系统调度、规划、供电等管理部门的基础⼯作；准确、有效的负荷预测不仅可以合理安排电⽹内部机组的启停、保持电⽹安全稳定的运⾏，还可以减少⼀些不必要的储备容量，合理安排检修计划；从⽽保证了正常的⽣产，有利于经济效益和社会效益的提⾼。
2.电⼒系统负荷预测的原理通常来说预测电⼒系统负荷最直接最有效的⽅法是建⽴⼀个负荷模型，该模型有两层含义：⼀是负荷的时空特性，⼆是负荷电压和频率特性。
对于负荷的时空特性指的是随着时间与空间的不同分布，负荷的分布也会不同。
这种负荷模型往往是⽐较复杂的，研究⼈员通常是采⽤负荷时间曲线来描述这种特性。
这样负荷曲线以时间为依据，就可以分为⽇负荷、周负荷、季负荷以及年负荷；如果换成以时空⾓度为划分依据，则此曲钱⼜可分为系统、节点和⽤户三种负荷曲线；若按照负荷的性质来分，负荷曲线⼜可以分为⼯业、农业、市政以及⽣活负荷等。
在⼀般的安全运⾏的过程中，负荷模型指的就是未来时空特性，因此也可以将此作为负荷预测模型。
通常负荷预测模型包含的内容是⾮常⼴泛的，在运⾏的过程中不仅能进⾏短期或者实时的负荷预测，还能在规划电⼒系统时做长期的预测。
负荷的预测通常采⽤的是概率统计，有效地分析⼯具即为时间序列分析，由于是预测未来的负荷，所以会存在或多或少误差。
电力系统短期负荷预测方法的研究及实现
电力系统短期负荷预测方法的研究及实现一、本文概述随着经济的发展和人民生活水平的提高，电力系统的稳定运行对于社会的正常运转和人民的生活品质具有至关重要的作用。
电力负荷预测作为电力系统规划、调度和运行的基础，其准确性和实时性直接影响到电力系统的安全性和经济性。
研究和实现高效的电力系统短期负荷预测方法具有重要的理论价值和实际应用意义。
本文旨在深入研究电力系统短期负荷预测方法，包括传统的预测方法以及基于人工智能、大数据等新兴技术的预测方法。
我们将对短期负荷预测的基本概念、影响因素和预测精度评估方法进行详细阐述。
我们将对传统的短期负荷预测方法，如时间序列分析、回归分析、灰色预测等进行梳理和评价。
我们将重点探讨基于人工智能的短期负荷预测方法，如神经网络、支持向量机、深度学习等，并详细介绍这些方法的原理、模型构建和训练过程。
我们将通过实际案例，对本文所研究的短期负荷预测方法进行实证分析和效果评估，以验证其有效性和实用性。
本文的研究将为电力系统短期负荷预测提供新的思路和方法，有助于提高预测精度和效率，为电力系统的规划、调度和运行提供有力支持。
同时，本文的研究也将为人工智能和大数据技术在电力系统中的应用提供有益的参考和借鉴。
二、短期负荷预测的基本理论短期负荷预测是电力系统运行中的重要环节，其基本理论涉及统计学、模式识别、人工智能等多个领域。
其核心目标是利用历史负荷数据、气象信息、经济数据等相关因素，对电力系统未来一段时间内的负荷变化进行准确预测，以指导电力系统的调度和运行。
时间序列分析理论：该理论认为负荷数据具有一定的时间序列特性，通过分析历史负荷数据的时间序列特征，可以挖掘出负荷变化的规律和趋势，进而对未来的负荷进行预测。
常见的时间序列分析方法包括自回归模型（AR）、移动平均模型（MA）和自回归移动平均模型（ARMA）等。
回归分析理论：回归分析是一种通过建立自变量和因变量之间数学关系来预测因变量变化的方法。
在短期负荷预测中，可以将历史负荷数据、气象信息、经济数据等作为自变量，未来负荷作为因变量，通过回归分析建立它们之间的数学关系，从而进行负荷预测。
数据处理组合方法在电力负荷预测中的应用
刍议数据处理组合方法在电力负荷预测中的应用【摘要】：电力负荷预测是供电企业必不可少的一项工作，其准确性可以保障供电企业经济合理的安全运行，适时的安排检修计划，从而有效节约成本，为供电企业创造效益。
而数据处理组合方法是运用多项式作为数据处理和建模的基本形式，更加提高了数据的准确性。
【关键词】：数据处理；供电企业；负荷预测；准确性中图分类号：c29 文献标识码：a 文章编号：电力负荷预测有很多种方法，但形式比较单一，很难应用于所有情况，因此通过利用组合的方法进行预测成为众多专家的共识。
一、电力负荷预测的意义电力预测之所以近年来的重视程度在加大，是与其内在的重要意义相关联的。
负荷预测是电价预测的基础和未来电力市场预测期货交易的基础，是电力市场化商业运营必需的基本内容。
根据我国的目前用电情况来看，用电的领域在拓宽，用电的人数在激增，而目前的电力开发还不能满足所有的用电需求。
只有进行负荷预测之后，按照预测数据进行合理的电力划分，才能确保人们的生活正常进行，才能保证工厂顺利施工，是国家长治久安的保证，是国民经济提升的基础，同时也是构建和谐社会的保障。
负荷预测结果对电力规划提供依据，用于决定未来发电机组的安装，决定装机容量的大小、地点和时间，决定电网的增容和改建，决定电网的建设和发展。
二、负荷预测的基本原理与分类1、预测的基本原理①可知性原理。
即预测对象的发展趋势和状况可以被人们知道，客观世界是可以被认知的，不但可以知道其过去和现在，而且可以通过总结它的过去和现在来推测未来。
②可能性原理。
由于事物的发展是多种因素导致的，所以事物发展会有多种可能。
对某一指标进行预测，往往需要按照发展变化的规律，进行多方案预测。
③连续性原理。
强调事物总是从过去发展到现在，有现在发展到未来，而在这个发展过程中某些原有的特征或趋势将会延续下去。
④相似性原理。
预测对象现在的发展过程和状况可能和其它事物过去的某一阶段类似，这时人们可以根据后一事物的已知状况，来对预测对象未来发展进行预测。
组合预测方法在电力负荷预测中的应用
ｅ 一 夕
％：ｅ ｔ
（） ２
（） ３
组合 预 测方 法 的难 点 在 于权 重 系数 的确 定 ． 希 望所 求得 的权 重系数 使得 ｅ和 Ｎ／ Ｎ￣ 。 目前 所 Ｉ ￣ ＇
些有 用 的信 息 ， 这种做 法应 予 以避免 。因此 ， 做 在
具 体规 划 时 ．往 往先对 同一 问题 采用 几种不 同的方 法 进行 预测 ． 同方法 的预 测精度 往往 不 同 不 将不 同 的预测 方法 进行 适 当地 组合 ．从 而形 成所谓 的组 合 预测方 法 组合 的 目的是 充分利 用各 个负荷 预 测模 型 的有 用信 息 ． 可 能地提 高预 测精 度 合预 测方 尽 组
的原 始数据 为基 础建 立如下 ３种 预测模 型 ：线性 回 归模 型 、 色模 型和指 数模 型 ． 用本 文所述 的组 合 灰 利 预测方 法进 行预 测 ． 对预 测结 果进行 了 比较 分析 并 利 用上 述单 个模 型对盐 城市 的供 电量 和最高 负 荷 历史 数据 分别进 行处 理 ．得到 的供 电量和最 高 负 荷 的 拟合 值 如表 １、 ２所 示 （ 表 由于历 史 数据 有 限 ， 仅 给 出 ５年 的拟合 结果 ）
法是 当前 预测科 学研 究 中最热 门 的课 题之 一 ＿ 参 】
采用 的方 法大 致有 等权平 均法 、 方差 协方 差法 、 递
归 等权 法 、 间序列 回归 法等 ， 同的方法 所确定 的 时 不 权 重系数 也不 一样 。本 文引进 如下 ２个参 数 ， ：
ｎ
：
ｌ
等 问题 因此 ．近几 年进 化规 划在 电力 系统 中 的应用 进
式 （０ 中 ： 为个 体 ｉ １） 的适 应 度 ； 为 ｇ个 测试 群体 中第 ｍ 个个 体 的适 应 度 上 述得分 的测 试分 别对 ２ ｎ个个 体进 行 ． 次测 每 试 时重新 选择 ｑ个个 体 组成新 的测试 群体 最后 ． 按 个体 的得 分选 择分值 高 的 凡个 个体组 成下 一代新 群 体 ，一 争 选择 法 中 ， ｑ竞 ｑ的大 小 是一 个 重 要 参数 ， 通 常 ｑ在 ｌ ０以上 ． 一般 可取 ０９ ． ｎ 重 复第 ２２节 、 ２３节 、 ２４节 ， ． 第 － 第 ． 直到 得到 满
变权重组合预测模型在区域电网负荷预测中的应用
（） １ 建立 了西藏林芝 电网最大负荷 的最优组合预测模型 ，预测 出２１、２１年 电网的最大 负荷分 别为２ ． ＭＷ和４． ＭＷ。根据 ００ ０５ ３５ ３ ３７ ９
这 一结 果 ，林 芝 电网 “ 一五 ” “ 二 五 ”年 均 增 长 率 分 别为 十 十
【０ 潘峰 ，陈浩忠，杨镜非，等． １】 基于支持向量机的电力系统短期 负
技 术 创 新
（） ２ 基于变 权重组合预测方法构建 的西藏 林芝 电网最大负荷预 测模型能够有效地利用各种信息 ，降低模型的预测 误差 ，有效地改进 单项 预测模 型的误差 ， 组合模型 的拟合均方误差均低于各单项预测模 型 ， 体表现 良好 。 整 （） ３ 本次负荷预 测以历年的最大负荷基础进 行预测 ，整个西藏 的负荷特性 与当地的地理环境、气候关系十分密切 ，全球气候变化与 当地 小气候 的变化 对负荷预测影 响十分明显 。（ 如林芝 出现 暖冬必将 影响最大负荷的数值） 。
效果最好 ，其预测结果拟合出的曲线与实际值 曲线几乎重合 。因此 ， 可以用变权 重组合模型来预测林芝电网未 来几 年的最大负荷值 。预测 结果见表４ 。
卑 静 ２ １ ００ ２１ ０１ ２ １ ０２ ２ １ ０３ ２ １ ０变权组合预测模 型研 究Ⅱ． 】系统工程理论与 实
Ａｐ ｒ ａ ｈ ｓ ２ ０ Ｅ ， ５ ６ ５ １ ｐｏ ｃ ｅ ， ０ ０Ｉ ＥＥ ６ — ６
【】 郝 卫 平 ， ７ 李琼 慧 ，赵 一农 ． 我国 电力弹性 系数 的现 实 意义Ⅱ． 】 中国
电 力 ， ２ ０ ， ３ （ ：８ ９ ０ ３ ６５ ） －
表 ４ 林 芝 电 网 ２ １ —２ １年 最 大 负荷 （ ００ ０５ ＭＷ ）
基于熵值法的组合预测模型及其在高峰负荷预测中应用
２ 组 合 预 测 及 熵 值 法 的 基 本 思 想
组 合预 测方 法是 由 Ｂ ｔｓ和 Ｇｒｎ ｅ ａｅ ａ ｇ ｒ在 题 为 “ ｅＣ ｍｂｎ ｔ ｎ ｏ ｏｅａ ｔ” Ｔｈ ｏ ｉａｉ ｆ ｒｃｓｓ 的论 文 中首 次 提 出 ｏ Ｆ 的， 其基 本思 想 是将 几种 预测 方法 所 得 的预测 结 果 ， 选取 适 当的权 重 进 行 加权 平 均 以提 高 预测 的精 度 ， 组合 预测 方 法建 立在 最 大信 息利 用 的基础 上 ， 集结 了多 种单 一 模 型所 包 含 的信 息 ， 行最 优 组 合． 它 进 因 此 ， 大多数 情 况下 ， 过组 合预 测 可 以达到 改 善预测 结 果 的 目的． 基本 思 想如 下 ： 在 通 其
假设 任 意两个 信 息集 是相 互独 立 的． 因此 ， 宙 问的所 有 信息 可 由如下 集合 所表 示 ： 宇
，
Ｕ ：｛ ， Ｊ一 １ ２， ， ）． Ｊ ， … Ｎ
如果 【 ， 可知 的 ， 是 则 的下 一期 预测 值
［ 稿 日期 ］ ２ ０ — ８０ 收 ０ ８０ — １
１ 引
言
随 着 人 民 生 活 的 提 高 和 第 三 产 业 的 发 展 ， 力 需 求 结 构 发 生 了 迅 速 地 变 化 ． 当 酷 暑 严 寒 ， 高 峰 电 每 在
负荷急 速攀 升 时 ， 多 电 网调度 中心仍 然处 于 紧张 状态 ． ０ ３年 我 国大 片疆 域 持续 酷 热 ， 高 峰期 有关 许 ２０ 使
（ ｊ 电力 大 学 数 理 学 院 ， 北 保 定 ０ １ ０ ） 华 Ｅ 河 ７ ０ ３
［ 摘 要］ 组 合 预 测 可 以综 合 利 用 各 单 一 预 测 方 法 所 提 供 的 信 息 ， 提 高 预 测 精 度 的有 效 途 径 ． 文 在 指 是 本
基于相似日的短期负荷预测模型优选组合方法
基于相似日的短期负荷预测模型优选组合方法在当今社会，电力系统的稳定运行对于经济发展和人们的日常生活至关重要。
准确的短期负荷预测是电力系统规划、调度和运营的重要基础，能够帮助电力企业更好地进行资源配置、优化电力生产和供应，提高电力系统的可靠性和经济性。
而基于相似日的短期负荷预测模型优选组合方法则是一种有效的提高预测准确性的手段。
相似日的概念基于这样一个前提：在相似的日期条件下，电力负荷的变化模式往往具有相似性。
这些相似的条件可以包括日期类型（工作日、周末、节假日等）、天气状况（温度、湿度、降雨量、风速等）、季节等。
通过找出与预测日相似的历史日期，并分析这些相似日的负荷数据，我们可以为预测日的负荷预测提供有价值的参考。
在短期负荷预测中，有多种模型可供选择，常见的有时间序列模型、回归模型、人工神经网络模型等。
每种模型都有其特点和适用范围。
时间序列模型，如自回归移动平均（ARMA）模型和自回归积分滑动平均（ARIMA）模型，适用于负荷数据具有明显的时间序列特征的情况。
它们通过对历史负荷数据的自身规律进行分析和建模，来预测未来的负荷。
回归模型则将负荷与相关的影响因素（如温度、湿度等）建立线性或非线性的关系，从而进行预测。
人工神经网络模型具有强大的学习能力和非线性拟合能力，能够处理复杂的负荷变化模式。
然而，没有一种单一的模型能够在所有情况下都表现出色。
这是因为电力负荷受到多种因素的综合影响，其变化模式非常复杂。
不同的模型在不同的场景下可能会有不同的预测效果。
因此，为了提高预测的准确性和可靠性，我们需要对多种模型进行优选组合。
模型的优选组合可以采用多种方法。
一种常见的方法是基于预测误差的评估。
我们可以使用历史数据对每个模型进行训练和测试，计算它们的预测误差，如平均绝对误差（MAE）、均方根误差（RMSE）等。
然后，根据误差的大小对模型进行排序，选择误差较小的模型作为优选模型。
另一种方法是基于权重的组合。
为每个模型分配一个权重，权重的确定可以根据模型的历史表现、预测误差或者专家经验等。
智能组合预测法在短期电力负荷预测中的应用研究
中图 分 类 号 ： ３ １ ＴＰ ９
随着 电力企业 逐 渐走 向市场 ， 对短期 电力 负荷预测 提 出了更高 的精 度要求 ． 短期 电力 负荷 预测 主要用
来 预报未来 几小 时 、 一天 至几 天 的电力 负荷 ， 是能量 管理 系统 （Ｅ ） 它 ＭＳ 的重要组 成部 分 ， 在现代 电力 系统
１ １ 采 用 Ｋｈ ｎ ｎ ． ｏ ｏ ｅ网络 实 现 负 荷 曲 线 聚 类
自组织 特征 映射 网络 又叫 Ｋｈ ｎ ｎ ｏ ｏ ｅ网络 ， 是一 种 由全 连接 的神经元 阵列 组成 的无 教 师示 教 的 聚类方
法， 它能将 处于 空间 中不 同区域 的神经元 分为 不 同的反应 区域 ， 区域 对输 人 模 式具 有 不 同 的响 应 特性 ． 各
由于 影响 短期 电力负荷 预测 的 因素众多及 其不确 定 性 ， 因此 至今仍 没 有 一种 方 法 可 以保证 在 电力负
荷 领域保 持稳定 的预 测精度 ． 能组合 预测方 法是建 立在最 大信 息利用 的基 础上 ， 智 最优 组合 各种单 一预测 模 型的优点 ， 高负荷 预测精 度［ ． 能组合 预测 模型 的结构 流程如 图 １ 示． 对原 始数 据进行 处 理时 ， 提 ３智 ］ 所 在
趋 势外推法 等 ） 和现代 预测 方法 （ 如神 经 网络法 、 波分 析法 、 小 模糊 集 理论 、 子 群算 法 和 遗传 算法 等） 传 粒 ． 统 预测方法 具有模 型 简单 ， 要 的历史 数据少 等优点 ， 天气 变化 对 负荷 的影 响却 很 难 估 计 ， 需 但 一旦 气候 变 化， 传统预 测方法 的 预测结果 便会 与实 际产生 较大 的差距 ， 于是人 们又提 出了以神 经 网络 为代 表 的现代预 测 方法． 经 网络 的优点在 于它具 有模 拟多变 量而不 需要对 输入 变量作 复杂 的相关 假定 ， 神 不要 求知 道输入 输 出变量 问的 函数关 系 ， 通过 对输 入输 出数据 进行训 练 ， 就可 获得 输入 输 出 之间 的 映射 关 系 ， 而 进 行负 从 荷预 测 ． 统 的 Ｂ ］传 Ｐ神 经 网络是 一种静 态神经 网络 ， 在训 练速 度慢 、 易陷 入 局部 极 小等 问题 ， 响 了 存 容 影
基于误差平方和最小的电力系统负荷预测模型的研究及应用
间互相联系互相影响， 用一个 函数来表示全社会 的用 电量与所有各 因素之 间的关系是非常困难的。因此 ， 本文针对不 同单一－ ＿模型 ， 分析它们 的特 点，
根 据 它们 之 间互 相 联 系 ， 互相 补 充 这 一 特 点 ， 分 利 用 单 项 预 测 的优 点 ， 充 对 它 们进 行 最 优 组 合 。 确 定 加 权 系 数 的过 程 中 ， 析 历 史 数据 的特 点 ， 据 在 分 根
一
将 ３ ，Ｊ
端
Ｒ ｌ
：
２ 工十五尺 ＝ ０ Ｒ Ｅ一 Ｒ
（ ４，
Ｉ
ｌ ） 、（ ． 甜 刘 ： 、ｉ １ ３ ４）
一
Ｅ 尺 只 Ｊ Ｒ
一
（ ） ５
ｌ乃 ｆ Ｉ ｉ
７
一 一
１
— —
２ 最优组合预测 的基本原理 列 ｊ 个 测川 仃卅神 － 巧江 ，删… 何 法 ｛ 个采 牝 ｌ Ｊ 纠ｆ 毁进 豫 ＂ Ｊ ￣ 颈 ＾ ＾ 州 受 ０ ｉ ｌ ｌ － ４ ： Ｊ 理察 ：＿ Ｙ 乃氆 卅
为 ｆ ｌ沦ｆ ｉ 堆’ ０ 逸 刘最 小 ． Ｈ ，嵌 存 ： （语々 墩 ￣？ ｔ ！ｉ ； ｉｑ ／ ２ ｒ１ 约 Ｌ 最 小 的 牧 系 数 ｝ Ｌ 构 造 啦 赣 翻Ｉ 赡数 数 Ｈ
ｚ ＝ ＥＬ ＋ Ｌ～１、
ｚ取
々 ０ 阻 ＝０ 辩 ｚ。
ｊ
“ 月 一 １ 月
３ 实例分析
利 用 上 述 讨 论 结 果 ，对 美 国 加 州 电力 市 场 １９ ９ ８年 ９月 １ ２日至 １９ ９８
哑ｆ ０ ｆ ｒ ＆ｌ 霹 ‘ ￡川 Ｉ ！
７
Ｉ“； ｘ ｆ
电力负荷组合预测模型权重算法设计与应用
ｃｅ ｔ ｆ ａｈｓ ｇｅｆｒｃ ｓ ｍｏ ｅ． ｔ ｈ ｏ ｌ ｆ ｅｔ ｉ ｏｉａ ｆ ｔ ｇａ ｄｂ ｓ ｇｃ ａａｔｒ ｔ ｓ ｆ ｂｅｔ ｅｆｎ ｔ ｎ ｉｎ ｃ ｉ ｌ ｏｅａｔ ｄ １ Ｗｉ ｔｅｇａ ｓ ｈｓ ｒ ｌ ｉ ｉ ｎ ｙｕｉ ｈ ｒｃｅｉ ｉ ｊｃｉ ｕ ｃｉ ｓ ｏｅ ｎ ｈ ｏ ｂ ｔ ｃ ｔｎ ｎ ｓｃ ｏ ｏ ｖ ｏ
电力 负 荷 组 合 预 测 模 型 权 重算 法设 计 与 应 用
邓 灿Байду номын сангаас新
（ 东 电 网公 司 江 门开 平供 电局 ，广 东 开平 ５ ９ ０ ） 广 ２３ １
摘 要 ：为 改 善 电力 负荷 预 测 模 型 的拟 合 能 力 和 提 高预 测 精 度 ，提 出集 结 多种 单 项 预 测 模 型信 息 的 组 合 预 测模 型 ， 其 关键 点是 确 定 各 单 项 预 测 模 型 的 权 重 系数 。 以历 史 拟 合 效 果 最 佳 为 目标 ，利 用 目标 函 数 和 约 束 条 件 的特 性 ，
应 用最优化计算方 法中的混合 罚函数 法和最速 下降法设 计权重 系数 的算法 ，并通过 计算机程 序 求解。将 组合预
测 模 型 应 用 于 广 东省 开 平 市 的 电 力 负荷 预 测 ，其 拟 合 方 差 比 各 单 项 预 测 模 型 的 拟 合 方 差 小 ，说 明 该 组 合 预 测 模
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
这样, 变异后的 n 个个体加上原来旧群中的 n 个个体形成由 2n 个个体组成的组合群 (Com b ined Pop u la t ion ) 。 计算出组合群中每个个体的适应值。 ( 4) 竞争 组合群中的每个个体跟其它个体竞争, 以有机 会进入下一代群体中。 首先, 给于每个个体一个权重:
如以绝对误差 e t 为优化标准, 则优化组合预测问题 变成以下的条件极值问题:
m inJ 1 = (
y tm
∑
t= 1 i
et
p
)1
p
∑w
i= 1 i
m
f it = e t
( 7)
∑w
i= 1
= 1
W ≥0
— 3 —
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
3 对盐城市电力负荷进行预测
通过对盐城市电力负荷历史数据[ 11 ] 的初步分 析, 在进行负荷预测时应用以下方法: 趋势分析预测 法、 相关分析法、 电力弹性系数法、 增长速度法和布 朗适应性指数平滑法。 利用上述单个模型对盐城市供电量和最高负荷 历史数据进行处理后得到的对供电量和最高负荷的 拟合值分别见表 1 和表 2, 得到对 2000 年的预测值 见表 3 ( 包括优化组合预测值) 。 表 1 供电量历史数据和各模型拟合值
P i = [w 1 , w 2 , ……, w n ] i = 1, 2, …, n w i ∈ [w
i
其中, u 是 0 到 1 之间的随机数; J 1 r 和 J 1 i 分别为个 体 r 和个体 i 的适应值。 其次, 按权重的大小, 对所有个体进行排序。 最后, 选取权重大的 n 个个体进入新群体。 ( 5) 重复 ( 2) 、 ( 3) 、 ( 4) , 直到得到满意的解。
年 份 实际值
1988 1989 1990 1991 1992 1993
( 8)
m in
,w
i
m ax
]。
( 2) 统计
将公式 ( 7) 中的 J 1 作为适应函数, 对每个串求 出相应的适应值, 然后统计出最大适应值 J 1m ax、 最 小 适 应 值 J 1m in、 总 的 适 应 值 J 1sum 和 平 均 适 应 值 J 1avg。
∑
t= 1 n
Γt p ) 1 p
。 组合预测理论
认为: 对同一预测问题而言, 多个不同预测模型的线 性组合, 在一定条件下能够有效地改善模型的拟合 能力和提高预测的精度。 参考文献 [ 4, 5 ] 中有公式给 出了最优组合预测方法, 预测误差平方和达到极小 值, 且该极小值不大于参与组合预测的各个单项预 测方法误差平方和的最小值。 因此, 利用组合预测模 型进行电力负荷预测可以将各个模型有机地组合在一 起, 综合各个模型的优点, 提供更为准确的预测结果。
第 31 卷
组合预测方法在电力负荷预测中的应用
1998 年第 6 期
本文在以上负荷预测模型的基础上, 建立优化 组合预测模型, 以绝对误差最小为优化标准, 具体见 公式 ( 7) , 并取范数 P = 2。
表 2 最高负荷历史数据和各模型拟合值
年 份 实际值
1988 328 1989 337 1990 348 1991 380 1992 405 1993 436 1994 501
值的最大值; J 1 i 为该个体的适应值; Β 是变异尺度, 在 0 到 1 之间取值; P i+ n , j 表示由第 i 个个体变异出 第 i+ n 个个体的第 j 个元素值。 — 4 —
趋势预测 值 ( 一元线 11697 性回归) 相关分析 ( 一元线性 21112 回归) 电 力 弹 性 11826 系数法 增 长 速 度 11729 法
个预测模型和优化组合预测模型各自的误差平方 和。 结果表明, 组合预测模型的预测误差要小于任一 单个预测模型的误差。
MW
1995
5 参考文献
1 Kang, H. U n stab le W eigh ts in the Com b ination of Fo recasts . M anagem en t Science, 1986; 32: 683 2 Gup ia, S. and P. W ilton. Com b ination of Fo recasts: A n Ex ten 2 sion. M anagem en t Science, 1987; 33: 372 3 D avid C. Schm ittlein. Com b in ing Fo recasts: O p erational A d ju st2 m en ts to theo retically O p tim al R u les. M anagem en t Science, 1990; 36: 1044 4 唐小我 1 组合预测计算方法研究 1 预测, 1991; 4 5 唐小我 1 最优组合预测方法及其应用 1 数理统计与管理, 1992; 1 6 王应明, 傅国伟 1 基于不同误差准则和范数的组合预测方法研
1 组合预测方法原理
假设在某一预测问题中, 在某一时段的实际值 为 y t ( t= 1, 2, …, n ) 。而对该问题有 m 种预测方法, 其中利用第 i 种方法对 t 时段的预测值为 f it ( i = 1, 2, …, m ) 。 这样相应的预测误差为 e it = y t - f it , 如果 各种预测方法的权重为W = [w 1 , w 2 , ……, w m ] T , 满 足∑w i = 1, 组合预测模型可表示为:
第 31 卷
中 国 电 力
1998 年第 6 期
组合预测方法在电力负荷预测中的应用
T he A pp lica t ion of the Com b ined Fo reca st ing M ethod in the Pow er L oad Fo reca st
东 南 大 学 谢敬东 唐国庆 ( 南京 210096) 盐城供电局 徐高飞 陈高文 ( 盐城 224002) 【摘要】 为了提高负荷预测的准确性, 引入了优化 组合预测模型, 从而将几个电力负荷预测模型有机 地结合起来, 通过综合各个预测模型的优点, 得出更 为准确的结果。 文中采用了进化规划作为优化方法, 对盐城市的供电量和负荷预测的历史数据进行了优 化分析计算, 得到了满意的结果, 并对盐城市 2000 年负荷进行了预测。 【关键词】 负荷预测 组合预测 进化规划
[1 ～ 3]
组合预测方法的关键在于怎样确定组合权系 数。 不同的方法有不同的导出组合权系数的优化标 准。在进行组合预测时, 总是希望加权向量的选择应 使误差 e t 和 Γt 越小越好。 为此引进范数性能指标[ 6 ]:
n
m inJ 1 = ( m inJ 2 = (
∑e
t= 1 n
t
p
)1
p
( 5) ( 6)
Si=
∑S
t= 1
q
t
( 10)
问题时, 避免了常规数学优化方法所存在的诸如局 部最优、 约束条件和目标函数的不易处理等问题。 因 此最近几年有关进化规划在电力系统中应用的研究 工作进展很快[ 7～ 9 ]。进化规划在处理问题时, 不需要 对变量进行二进制编码和解码, 因而它跟遗传算法 相比, 更适合于连续优化问题
1998 年第 6 期
中 国 电 力
第 31 卷
这样的优化规划问题, 在一般情况下, 应用常规 数学方法来处理有一定的困难, 因此本文采用进化 规划方法来处理。
2 进化规划
进化规划 ( Evo lu t iona ry P rog ramm ing ) 跟遗传 算法一样都是模拟进化优化方法的一个分支, 同属 于随机优化方法。 它是本世纪 60 年代由美国学者
m ax
- w
j
m in
)
J J
1i
1m ax
) ( 9)
m ax
j = 1, 2, …, m 示均值为 Λ, 方差为 Ρ2 的 高 斯 随 机 变 i, j 表示第 i 个个体的第 j 个元素; N ( Λ, Ρ2 ) 表 和
m in
是第 j 个元素的上下限; J 1m ax 是旧群体中适应
Abstract To im p rove the resu lt s of load fo recast, the com b ined fo recast ing m ethod has been in t roduced in th is p ap er. T h is m ethod can be u sed to in tegrate the advan tages of several fo recast ing m ethods in one to get m o re exact resu lt s. T he evo lu t ionary p rogram 2 m ing has been u sed, the h isto ricaly load data have been analyzed, and the sat isficto ry resu lt s have been ob tained. W e also give the fo recast ing resu lt s fo r Yancheng city to the year 2000.
[ 10 ]
其中, q 是竞争数目; S t 取 0 或 1, 表示个体 i 跟随机 选取的个体 r 竞争, 1 表示赢, 0 表示输, 它表示为:
1 ( u <
S t= J 1r ) J 1r + J 1i J