CN105447598A - 一种基于误差修正模型的电力系统中负荷预测装置及方法 - Google Patents
一种基于误差修正模型的电力系统中负荷预测装置及方法 Download PDFInfo
- Publication number
- CN105447598A CN105447598A CN201510849883.8A CN201510849883A CN105447598A CN 105447598 A CN105447598 A CN 105447598A CN 201510849883 A CN201510849883 A CN 201510849883A CN 105447598 A CN105447598 A CN 105447598A
- Authority
- CN
- China
- Prior art keywords
- model
- vec
- matrix
- objective matrix
- fitness function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012937 correction Methods 0.000 title abstract 4
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 238000012417 linear regression Methods 0.000 claims abstract description 19
- 230000007774 longterm Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims description 25
- 230000006978 adaptation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000013277 forecasting method Methods 0.000 claims description 5
- 230000001373 regressive effect Effects 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000013459 approach Methods 0.000 abstract 1
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000013439 planning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力系统负荷预测技术领域,公开一种基于误差修正模型的电力系统中负荷预测装置及方法,采用因子模型方法,以回归模型为基础,将遗传算法、协整检验与误差修正模型有机结合,建立起中长期遗传回归预测模型GRM,对电网的负荷进行中长期预测;本发明相通过因子提取的方式,避免了模型自由度变高导致的模型拟合困难;其次,通过协整检验,以及设定的惩罚系数K,保证待预测电量与生成的B矩阵的成分因子序列之间存在长期稳定的关系,相较之传统多元线性回归模型建立变量间各种假设检验下的相关性,有更为严谨的理论基础;最后,遗传算法全局搜索的能力保证了提取的最优因子是全局最优解。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,尤其涉及一种基于误差修正模型的电力系统中负荷预测装置及方法。
背景技术
负荷预测是电网规划工作的基础,是进行电源规划、电网规划的前提。基于国民经济发展形势做出的准确的中长期负荷预测,是电网建设、改造精益化管理的数据基础,同时也是电力系统运行部门安排年度检修计划以及运行方式保障电力系统安全稳定运行的重要手段。
目前,中长期负荷预测的方法主要分为参数模型和非参数模型两大类。前者包括电力弹性系数法、时间序列法、趋势外推法、回归分析法等,后者主要包括灰色系统、专家系统、模糊预测和人工神经网络等。现有预测方法中,回归模型因为模型简单易实现,且拥有相对较好的预测精度,应用最为广泛,然而中长期负荷预测由于时间跨度长,所受到的影响因素较多、情况较复杂,当负荷变化不规律时,传统线性回归模型就难以很好的反映负荷的变化,表现出了较差的适应性。而非线性回归模型又有模型形式难以确定,参数估计困难等缺点。随着电力系统规模逐渐扩大以及其市场化程度的提高,中长期负荷预测问题变得更加复杂,难度更高。
发明内容
本发明所要解决的技术问题在于,克服现有技术中存在的问题,提供一种基于误差修正模型的电力系统中负荷预测装置及方法。
我实现上述发明目的,本发明采用如下技术方案:
一种基于误差修正模型的电力系统中负荷预测方法,采用因子模型方法,以回归模型为基础,将遗传算法、协整检验与误差修正模型有机结合,建立起中长期遗传回归预测模型GRM,对电网的负荷进行中长期预测,其步骤如下:
1)、首先通过由遗传算法提供的初始种群C,以及公共因子矩阵A,生成该种群内所有个体对应的目标矩阵B,
2)、然后将目标矩阵B输送至协整与回归建模模块,该回归建模模块中对因变量的群用电量,与目标矩阵B中的成分因子序列进行协整检验,
3)、对于通过协整检验的目标矩阵B,建立起相应的误差修正模型,求取适应度函数值,对于未通过协整检验的目标矩阵B,直接建立四元线性回归模型,并求取目标矩阵B对应的个体适应度函数的值;
4)、最后,以种群中所有个体适应度函数值作为遗传算法进行复制、交叉、变异的依据,由遗传算法模块生成新的种群,再次传递给因子提取模块以用来生成新的目标矩阵,实现算法的循环;
5)、当适应度函数值满足优化准则或是遗传算法达到最大的进化代数,寻优过程结束,输出最优个体;
6)、通过遗传算法寻优,得到满足协整检验的,使得适应度函数值最小的最优个体-因子提取方案,并由此确定模型参数,进行预测;其具体实施步骤如下:
开始,输入原始数据矩阵,确定滞后阶数及成分因子个数Gen=0;
染色体编码,生成初始种群;
提取公因子,技术目标矩阵B;
协整检验建立回归/误差修正模型;
适应度函数计算;
是否满足优化准则判断:
判断N,通过选择、交叉、变异、重插入Gen=Gen+1,至生成新一代群体,返回至提取公因子,技术目标矩阵B,继续进行;
判断Y,确定模型参数,输出预测结果计算误差指标,结束。
一种基于误差修正模型的电力系统中负荷预测方法,所述的协整检验模块工作流程,其步骤如下:
目标矩阵B;
目标矩阵向量与电量向量进行协整检验;
判断存在协整关系;
判断Y,以目标矩阵B为基础,建立误差修正模型,至适应度函数;
判断N,以目标矩阵B为基础,建立线性回归模型,至适应度函数。
一种基于误差修正模型的电力系统中负荷预测方法,所述的适应度函数计算工作流程,其步骤如下:
1)、以目标矩阵B为基础,建立误差修正模型,计算各年拟合误差,并对拟合误差的绝对值求加和,至适应度函数;
2)、以目标矩阵B为基础,建立多元线性回归模型,计算各年拟合误差,并对拟合误差的绝对值求加和,最后,乘以惩罚系数K,至适应度函数。
一种基于误差修正模型的电力系统中负荷预测装置,包括有回归预测模型、遗传回归模型、误差修正模型、协整单元组成。
由于采用如上所述的技术方案,本发明具有以下优越性:
一种基于误差修正模型的电力系统中负荷预测装置及方法,利用好回归模型算法简单、预测精度高的优点,同时提高线性回归模型适应性的出发点。提出了一种基于遗传算法(GeneticAlgorithm)和误差修正模型相结合的回归预测模型(RegressModel),遗传回归模型(GeneticRegressModel,简称GRM模型),GRM模型用GA提取建立误差修正模型以及多元线性回归模型的目标矩阵B,并进行协整检验,相比于传统的多元线性回归预测模型有了以下方面的优势:首先是使用来自各行各业量大面广的数据列,使的模型建立在更加广泛的数据基础之上,同时,通过因子提取的方式,避免了模型自由度变高导致的模型拟合困难;其次,通过协整检验,以及设定的惩罚系数K,保证待预测电量与生成的B矩阵的成分因子序列之间存在长期稳定的关系,相较之传统多元线性回归模型建立变量间各种假设检验下的相关性,有更为严谨的理论基础;最后,遗传算法全局搜索的能力保证了提取的最优因子是全局最优解。
附图说明
图1为电力系统中负荷预测GRM方法的逻辑流程图;
图2为电力系统中负荷预测装置的协整检验模块流程图;
图3为电力系统中负荷预测装置的适应度函数计算流程图。
具体实施方式
下面结合具体附图,进一步阐述本发明。
如图1、2、3所示,一种基于误差修正模型的电力系统中负荷预测方法,采用因子模型方法,以回归模型为基础,将遗传算法、协整检验与误差修正模型有机结合,建立起中长期遗传回归预测模型GRM,对电网的负荷进行中长期预测,其步骤如下:
1、首先通过由遗传算法提供的初始种群C,以及公共因子矩阵A,生成该种群内所有个体对应的目标矩阵B,
2、然后将目标矩阵B输送至协整与回归建模模块,该模块中对因变量的群用电量,与目标矩阵中的成分因子序列进行协整检验,
3、对于通过协整检验的目标矩阵,建立起相应的误差修正模型,求取适应度函数值,对于未通过协整检验的目标矩阵,直接建立四元线性回归模型,并求取目标矩阵对应的个体适应度函数的值,
4、最后以种群中所有个体适应度函数值作为遗传算法进行复制、交叉、变异的依据,由遗传算法模块生成新的种群,再次传递给因子提取模块以用来生成新的目标矩阵,实现算法的循环;
5、当适应度函数值满足优化准则或是遗传算法达到最大的进化代数,寻优过程结束,输出最优个体;
6、通过遗传算法寻优,得到满足协整检验的,使得适应度函数值最小的最优个体-因子提取方案,并由此确定模型参数,进行预测。
其GRM方法的逻辑流程具体如下:
开始,输入原始数据矩阵,确定滞后阶数及成分因子个数Gen=0;
染色体编码,生成初始种群;
提取公因子,技术目标矩阵B;
协整检验建立回归/误差修正模型;
适应度函数计算;
是否满足优化准则判断:
判断N,通过选择、交叉、变异、重插入Gen=Gen+1,至生成新一代群体,返回至提取公因子,技术目标矩阵B,继续进行;
判断Y,确定模型参数,输出预测结果计算误差指标,结束。
所述的协整检验模块工作流程,其步骤如下:
目标矩阵B;
目标矩阵向量与电量向量进行协整检验;
判断存在协整关系;
判断Y,以目标矩阵B为基础,建立误差修正模型,至适应度函数;
判断N,以目标矩阵B为基础,建立线性回归模型,至适应度函数。
所述的适应度函数计算工作流程,其步骤如下:
1)、以目标矩阵B为基础,建立误差修正模型,计算各年拟合误差,并对拟合误差的绝对值求加和,至适应度函数;
2)、以目标矩阵B为基础,建立多元线性回归模型,计算各年拟合误差,并对拟合误差的绝对值求加和,最后,乘以惩罚系数K,至适应度函数。
一种基于误差修正模型的电力系统中负荷预测装置,包括有回归预测模型、遗传回归模型、误差修正模型、协整单元组成。
GRM模型用GA提取建立误差修正模型以及多元线性回归模型的目标矩阵B,并进行协整检验,相比于传统的多元线性回归预测模型有了以下方面的优势:首先是使用来自各行各业量大面广的数据列,使的模型建立在更加广泛的数据基础之上,同时,通过因子提取的方式,避免了模型自由度变高导致的模型拟合困难;其次,通过协整检验,以及设定的惩罚系数K,保证待预测电量与生成的B矩阵的成分因子序列之间存在长期稳定的关系,相较之传统多元线性回归模型建立变量间各种假设检验下的相关性,有更为严谨的理论基础;最后,遗传算法全局搜索的能力保证了提取的最优因子是全局最优解。
Claims (4)
1.一种基于误差修正模型的电力系统中负荷预测方法,其特征是:采用因子模型方法,以回归模型为基础,将遗传算法、协整检验与误差修正模型有机结合,建立起中长期遗传回归预测模型GRM,对电网的负荷进行中长期预测,其步骤如下:
1)、首先通过由遗传算法提供的初始种群C,以及公共因子矩阵A,生成该种群内所有个体对应的目标矩阵B,
2)、然后将目标矩阵B输送至协整与回归建模模块,该回归建模模块中对因变量的群用电量,与目标矩阵B中的成分因子序列进行协整检验,
3)、对于通过协整检验的目标矩阵B,建立起相应的误差修正模型,求取适应度函数值,对于未通过协整检验的目标矩阵B,直接建立四元线性回归模型,并求取目标矩阵B对应的个体适应度函数的值;
4)、最后,以种群中所有个体适应度函数值作为遗传算法进行复制、交叉、变异的依据,由遗传算法模块生成新的种群,再次传递给因子提取模块以用来生成新的目标矩阵,实现算法的循环;
5)、当适应度函数值满足优化准则或是遗传算法达到最大的进化代数,寻优过程结束,输出最优个体;
6)、通过遗传算法寻优,得到满足协整检验的,使得适应度函数值最小的最优个体-因子提取方案,并由此确定模型参数,进行预测;其具体实施步骤如下:
开始,输入原始数据矩阵,确定滞后阶数及成分因子个数Gen=0;
染色体编码,生成初始种群;
提取公因子,技术目标矩阵B;
协整检验建立回归/误差修正模型;
适应度函数计算;
是否满足优化准则判断:
判断N,通过选择、交叉、变异、重插入Gen=Gen+1,至生成新一代群体,返回至提取公因子,技术目标矩阵B,继续进行;
判断Y,确定模型参数,输出预测结果计算误差指标,结束。
2.根据权利要求1所述的一种基于误差修正模型的电力系统中负荷预测方法,其特征是:所述的协整检验模块工作流程,其步骤如下:
目标矩阵B;
目标矩阵向量与电量向量进行协整检验;
判断存在协整关系;
判断Y,以目标矩阵B为基础,建立误差修正模型,至适应度函数;
判断N,以目标矩阵B为基础,建立线性回归模型,至适应度函数。
3.根据权利要求1所述的一种基于误差修正模型的电力系统中负荷预测方法,其特征是:所述的适应度函数计算工作流程,其步骤如下:
1)、以目标矩阵B为基础,建立误差修正模型,计算各年拟合误差,并对拟合误差的绝对值求加和,至适应度函数;
2)、以目标矩阵B为基础,建立多元线性回归模型,计算各年拟合误差,并对拟合误差的绝对值求加和,最后,乘以惩罚系数K,至适应度函数。
4.一种基于误差修正模型的电力系统中负荷预测装置,其特征是:包括有回归预测模型、遗传回归模型、误差修正模型、协整单元组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510849883.8A CN105447598A (zh) | 2015-11-30 | 2015-11-30 | 一种基于误差修正模型的电力系统中负荷预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510849883.8A CN105447598A (zh) | 2015-11-30 | 2015-11-30 | 一种基于误差修正模型的电力系统中负荷预测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105447598A true CN105447598A (zh) | 2016-03-30 |
Family
ID=55557750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510849883.8A Pending CN105447598A (zh) | 2015-11-30 | 2015-11-30 | 一种基于误差修正模型的电力系统中负荷预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447598A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805343A (zh) * | 2018-05-29 | 2018-11-13 | 祝恩元 | 一种基于多元线性回归的科技服务业发展水平预测方法 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
-
2015
- 2015-11-30 CN CN201510849883.8A patent/CN105447598A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805343A (zh) * | 2018-05-29 | 2018-11-13 | 祝恩元 | 一种基于多元线性回归的科技服务业发展水平预测方法 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112467807B (zh) | 一种多能源电力系统日前优化调度方法及系统 | |
CN103455716B (zh) | 一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法 | |
CN109638812B (zh) | 一种自适应的配电线路超短期负荷预测方法及系统 | |
CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN112633316A (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
CN103761420A (zh) | 一种火电设备性能逐步回归评测方法 | |
Rossi et al. | Stochastic evaluation of distribution network hosting capacity: Evaluation of the benefits introduced by smart grid technology | |
CN109325880A (zh) | 一种基于Verhulst-SVM的中长期负荷预测方法 | |
CN104392056A (zh) | 一种直驱风电机组建模方法及装置 | |
CN103887792B (zh) | 一种含分布式电源的低压配电网建模方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN110009181A (zh) | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 | |
CN106600145A (zh) | 一种配电网的可靠性分析方法及装置 | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN105447598A (zh) | 一种基于误差修正模型的电力系统中负荷预测装置及方法 | |
CN108767855A (zh) | 一种时序持续混合的电力系统随机生产模拟方法 | |
CN117117983A (zh) | 一种结合配电网需求的火电厂调峰管理方法及系统 | |
CN116488149A (zh) | 微电网发电策略确定方法、装置以及微电网 | |
CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
Li et al. | Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities | |
CN109657332B (zh) | 一种大规模电网电磁暂态自动建模的分网解耦方法及系统 | |
Saravanan et al. | Unit commitment using DP—An exhaustive working of both classical and stochastic approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160330 |