CN103617467A - 一种短期组合负荷预测方法 - Google Patents

Abstract

本发明公开了一种短期组合负荷预测方法，先根据电网原始负荷数据，运用至少两种不同的单模型预测方法对负荷进行预测，得到不同的负荷数据预测结果；再将各种预测方法的预测结果进行加权求和，便得到组合预测结果。各种预测方法的最佳权重采用遗传算法确定，以误差平方和最小的权重为所求解，最后根据求解的权重系数将各种预测方法的预测值进行加权求和即得到本方法负荷预测结果。本发明弥补了常规组合预测模型对初值依赖性高、不收敛等不足，预测精度高。本发明算法简单，通用性较好。

Description

一种短期组合负荷预测方法

技术领域

本发明涉及电力系统负荷预测技术，具体涉及一种短期组合负荷预测方法，属于电力系统规划、经济调度领域。

背景技术

在电力系统规划、经济调度、稳定运行和优化控制领域，负荷预测具有十分重要的意义，它决定了发电、输电和配电等方面的合理安排。负荷预测的准确与否直接关系到电力系统的安全经济运行、国民经济发展等诸多方面。传统的电力负荷预测方法有卡尔曼滤波、Box-Jenkins方法、回归方法、分解模型、气候（主要是温度，其次还有湿度、风速等）辨识方法。

由于建模机制和出发点不同，存在着不同的负荷预测方法。将这些不同的预测方法进行适当组合，综合利用各种方法提供的信息，便形成所谓组合预测方法。组合预测将各种预测结果进行总体性综合考虑，比单个预测模型更系统、更全面。Bates和Gran_ger证明两种或两种以上无偏的单项预测可以组合出优于每个单项的预测结果，即能有效地提高预测精度。应用组合预测模型的关键是恰当地确定各单个预测模型的权重。现有文献虽然给出了几种最优权系数估计的方法，但往往因为算法对初值有较强的依赖性、收敛慢，易陷入局部最小等原因，未能在实践中得到较好的应用。

发明内容

针对现有电力系统负荷预测方法的不足，本发明的目的是提供一种电力系统负荷的短期组合预测方法。本方法弥补了常规组合预测模型对初值依赖性高、不收敛等不足，预测精度高。

为了实现上述目的，本发明采用的技术方案如下：

一种短期组合负荷预测方法，具体步骤如下：

1）根据电网原始负荷数据，运用至少两种不同的单模型预测方法对负荷进行预测，得到不同的负荷数据预测结果；

2）随机产生各种预测方法的权重系数；

首先从[0,1]随机地选取M个点w₁(m,0)(i=1,2,…,M，整数M为群体的规模参数)；在[0，

]随机地选取M个点w_i(m,0)，i=2,3,…,K-1；这些点组成初始群体P(0)={w₁(1,0),…,w_K-1(1,0)；w₁(2,0),…,w_K-1(2,0)；…；w₁(M,0),…,w_K-1(M,0)}；显然每代有M个染色体，每个染色体有K-1个分量；

3）编码表示：将w_i(m,q)表示为一个二进制串，其中q表示代数(初始代q=0，q≤Q,Q为迭代代数)；w_i(m,q)的编码由n位二进制串构成，从而每个染色体由K-1个二进制串构成；

4）适应值：计算群体P(q)中每个个体w(m,q)的适应值Fit(w(m,q))，

其中 $f\left(w(m,q)\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_t-\underset{i=1}{\overset{K-1}{\mathrm{\Σ}}}{w}_i(m,q)f_{\mathrm{it}}-(1-\underset{i=1}{\overset{K-1}{\mathrm{\Σ}}}{w}_i(m,q))f_{\mathrm{Kt}})}^2,$ C_max为该代中误差平方和的最大值；

5）遗传、杂交和变异算子：计算每代中各个个体的生存概率

然后设计一个随机选择策略，使得每个个体w(m,q)被选择进行繁殖的概率为将繁殖生成的个体组成父代P(q+1)；

6）对该代中相同或相近的个体作等适应值变换，形成新一代P(q+1)；

7）停止准则：遗传算法循环执行计算适应值、选择复制和应用杂交和变异算子这几个步骤，直到算法已找到一个能接受的解，或已迭代了预置的代数；

8）用遗传算法求出二进制的最优权w后，将其转换成十进制，利用式

即利用遗传算法求得的各种预测方法的权重，将各种预测方法预测的负荷数据进行加权求和即得到本方法负荷预测结果。

相比现有技术，本发明具有如下有益效果：

1、本方法充分利用原始数据和各预测方法的信息，弥补了单模型预测方法的不足，同时也弥补了常规组合预测模型对初值依赖性高、不收敛等不足，其预测精度比单模型预测方法和现有的组合预测方法精度高。

2、本方法主要求解各种单模型预测方法的权重系数，首次应用遗传算法实现组合预测，取得了较好的效果，是一种有效的、可行的电力系统负荷预测模型。

3、本发明算法简单，便于工程人员学习使用，并且通用性较好，可广泛应用于电力系统负荷预测中，特别适用于年、月、小时等时段的电力系统负荷预测。

具体实施方式

本发明给出了电力系统短期负荷的固定权系数组合预测模型—基于遗传算法的组合预测模型。本发明利用改进的遗传算法确定组合预测模型的权系数，然后进行负荷预测。本方法利用多种方法的预测结果与实际负荷数据的非线性关系，建立了基于遗传算法的负荷组合预测模型。为增加样本的多样性、避免陷入局部极小，本方法对遗传算法每代的相同或相近个体作等适应值变换，改进后的遗传算法具有更好的全局优化特性。

具体步骤为：

1）根据电网原始负荷数据，运用至少两种不同的单模型预测方法对负荷进行预测，得到不同的负荷数据预测结果；单模型预测方法可以为变差分析模型和年度分解模型。

2）随机产生各种预测方法的权重系数；

首先从[0,1]随机地选取M个点w₁(m,0)(m=1,2,…,M，整数M为群体的规模参数)；在[0，

]随机地选取M个点w_k+1(m,0)，i=2,3,…,K-2（K代表预测方法数目）；这些点组成初始群体P(0)={w₁(1,0),…,w_K-1(1,0)；w₁(2,0),…,w_K-1(2,0)；…；w₁(M,0),…,w_K-1(M,0)}；显然每代有M个染色体，每个染色体有K-1个分量；

3）编码表示：将w_i(m,q)表示为一个二进制串，其中q表示代数(初始代q=0，q≤Q,Q为迭代代数)；w_i(m,q)的编码由n位二进制串构成(n值的大小可以根据w_i(m,q)的精度来确定)，从而每个染色体由K-1个二进制串构成；

4）适应值：计算群体P(q)中每个个体w(m,q)的适应值Fit(w(m,q))，

其中 $f\left(w(m,q)\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_t-\underset{i=1}{\overset{K-1}{\mathrm{\Σ}}}{w}_i(m,q)f_{\mathrm{it}}-(1-\underset{i=1}{\overset{K-1}{\mathrm{\Σ}}}{w}_i(m,q))f_{\mathrm{Kt}})}^2,$ y_t表示实际负荷值；f_it表示第i种预测方法的预测值；C_max为该代中误差平方和的最大值；

5）遗传、杂交和变异算子：计算每代中各个个体的生存概率

然后设计一个随机选择策略(如“赌盘选择”技术)，使得每个个体w(m,q)被选择进行繁殖的概率为

将繁殖生成的个体组成父代P(q+1)；

6）对该代中相同或相近的个体作等适应值变换，形成新一代P(q+1)；

7）停止准则：遗传算法循环执行计算适应值、选择复制和应用杂交和变异算子这几个步骤，直到算法已找到一个能接受的解，或已迭代了预置的代数；

8）用遗传算法求出二进制的最优权w后，将其转换成十进制，利用式

即利用遗传算法求得的各种预测方法的权重，将各种预测方法预测的负荷数据进行加权求和即得到本方法负荷预测结果。

本发明以某段历史期间的电网负荷数据运用至少两种不同的单模型预测方法对该历史期间之后的某时期的电力负荷进行预测，得到不同的负荷数据预测结果；将各种预测方法的预测结果进行加权求和，便形成了组合预测模型。组合预测模型的各权重系数不同时，最终预测结果不同，为了确定各种预测方法的最佳权重，使预测值与实际值之间误差最小，提出采用遗传算法确定组合预测方法的权系数。该方法主要用于对未来多时段负荷进行预测，建立了的模型以负荷预测值和实际值之间的欧氏距离的平方最小为目标，即负荷各时段的预测值和实际值差值的平方之和最小，以各种预测方法权重系数为决策变量，通过遗传算法进行迭代计算。在利用遗传算法求解过程中，各种预测方法的权重系数构成的一维数组作为遗传算法的一个的染色体，随机产生多个染色构成遗传算法的初始种群，然后通过进行选择、交叉和变异操作，逐代对种群进行筛选，直到算法找到一个能接受的解，或已迭代了预置的代数；那么误差平方和最小的权重即为所求解，最后根据求解的权重系数将各种预测方法的预测值进行加权求和即得到本方法负荷预测结果。

本发明建立了以误差平方和最小为目标的组合预测模型,然后给出求解模型的改进的遗传算法（Improved Genetic Algorithm，IGA）。

下面结合具体实施方式，对某电网负荷的变权系数组合预测方法进行进一步说明。

1）输入电网的原始负荷数据，运用单模型预测方法对负荷进行预测。

某电网1984年1月～1990年12月的最大负荷如下表所示：

运用变差分析模型、年度分解模型对上述电网月最大负荷进行预测(以前6年数据建立模型，将1989和1990年的数据作为后验检验，为节省篇幅，只列出最后两年的预测结果)，如下表所示：

本文中以两种负荷预测模型的计算方法为例，进行分析。根据变差分析模型、年度分解模型两种负荷预测模型预测的结果，利用遗传算法确定两种预测方法的权重系数，遗传算法中所选种群数M取30；具体实现过程如下：

1）随机产生各种预测方法的权重系数；

首先从[0,1]随机地选取M个值w₁(m,0)作为变差分析模型的权重系数，则对应的年度分析模型权重系数就为1-w₁(m,0)；

2）编码表示：将w₁(m,q)表示为一个二进制串，其中q表示代数(初始代q=0，q≤Q,Q为迭代代数)；w₁(m,q)的编码由n位二进制串构成(n值的大小可以根据w₁(m,q)的精度来确定)，由于本文只计算两个预测模型组合结果，因此每个染色体由1个二进制串构成；

4）适应值：计算群体P(q)中每个个体w(m,q)的适应值Fit(w(m,q))假设一个个体w=0.4，则表示第一种预测方法计算结果权重占0.6，第二种预测方法阶段结果权重占0.4，根据两种方法所占权重计算出该个体的适应值，

5）遗传、杂交和变异算子：计算每代中各个个体的生存概率

然后设计一个随机选择策略(如“赌盘选择”技术)，使得每个个体w₁(m,q)被选择进行繁殖的概率为

将繁殖生成的个体组成父代P(q+1)；

6）对该代中相同或相近的个体作等适应值变换，形成新一代P(q+1)；

7）停止准则：遗传算法循环执行计算适应值、选择复制和应用杂交和变异算子这几个步骤，直到算法已找到一个能接受的解，或已迭代了预置的代数；根据遗传算法求解，确定两种预测模型的权重系数分别为：0.247、0.753。

8）利用式

即利用遗传算法求得的各种预测方法的权重，将各种预测方法预测的负荷数据进行加权求和即得到本方法负荷预测结果。

从上述结果可知，运用本方法进行电力系统负荷预测时，可以弥补单模型预测方法的不足，且预测精度比单模型预测方法的高；算法简单，便于工程人员学习使用，并且通用性较好，可以有效地处理年、月、小时等时段的负荷预测。

本发明的上述实施例仅仅是为说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (2)

1.一种短期组合负荷预测方法，其特征在于：具体步骤如下：

1）根据电网原始负荷数据，运用至少两种不同的单模型预测方法对负荷进行预测，得到不同的负荷数据预测结果；

2）随机产生各种预测方法的权重系数；

首先从[0,1]随机地选取M个点w₁(m,0)(i=1,2,…,M，整数M为群体的规模参数)；在[0，

]随机地选取M个点w_i(m,0)，i=2,3,…,K-1；这些点组成初始群体P(0)={w₁(1,0),…,w_K-1(1,0)；w₁(2,0),…,w_K-1(2,0)；…；w₁(M,0),…,w_K-1(M,0)}；显然每代有M个染色体，每个染色体有K-1个分量；

3）编码表示：将w_i(m,q)表示为一个二进制串，其中q表示代数(初始代q=0，q≤Q,Q为迭代代数)；w_i(m,q)的编码由n位二进制串构成，从而每个染色体由K-1个二进制串构成；

4）适应值：计算群体P(q)中每个个体w(m,q)的适应值Fit(w(m,q))，

其中 $f\left(w(m,q)\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_t-\underset{i=1}{\overset{K-1}{\mathrm{\Σ}}}{w}_i(m,q)f_{\mathrm{it}}-(1-\underset{i=1}{\overset{K-1}{\mathrm{\Σ}}}{w}_i(m,q))f_{\mathrm{Kt}})}^2,$ C_max为该代中误差平方和的最大值；

5）遗传、杂交和变异算子：计算每代中各个个体的生存概率

然后设计一个随机选择策略，使得每个个体w(m,q)被选择进行繁殖的概率为

将繁殖生成的个体组成父代P(q+1)；

6）对该代中相同或相近的个体作等适应值变换，形成新一代P(q+1)；

7）停止准则：遗传算法循环执行计算适应值、选择复制和应用杂交和变异算子这几个步骤，直到算法已找到一个能接受的解，或已迭代了预置的代数；

8）用遗传算法求出二进制的最优权w后，将其转换成十进制，利用式

即利用遗传算法求得的各种预测方法的权重，将各种预测方法预测的负荷数据进行加权求和即得到本方法负荷预测结果。

2.根据权利要求1所述的一种短期组合负荷预测方法，其特征在于：第1）步单模型预测方法为变差分析模型和年度分解模型。