CN107977742A - 一种中长期电力负荷预测模型的构建方法 - Google Patents

Abstract

本发明涉及负荷预测相关技术领域，特别是涉及一种中长期电力负荷预测模型的构建方法，包括：搭建基于灰色线性回归模型(Grey linear regression model,GLRM)的中长期负荷预测模型；分析GLRM模型拟合误差的转移规律，建立误差状态转移矩阵；提出基于马尔科夫链(Markov Chain,MC)的预测误差定量估计方法；建立GLRM模型预测值的动态修正模型，构建中长期负荷预测的GLRM‑MC模型。该模型能够更好地把握实际负荷的内在变化规律，可以在提高模型预测精度的同时，提升拟合和预测效果的稳定性。

Description

一种中长期电力负荷预测模型的构建方法

技术领域

本发明涉及负荷预测相关技术领域，特别是涉及一种中长期电力负荷预测模型的构建方法。

背景技术

准确的中长期电力负荷预测是电力规划、设计以及投资的基础和前提，也是实现电网安全经济运行的重要保障。由于中长期负荷受许多非线性及不确定因素的影响，所以实现中长期负荷的准确预测十分困难。许多学者对中长期负荷预测进行了研究，预测方法主要包括神经网络法、数据挖掘技术、支持向量机、回归方法以及灰色模型；其中，神经网络法需要样本数据多，不适合中长期负荷预测；支持向量机对训练样本的数量要求少，但它的一些学习参数需要依靠经验选取，这直接关系到预测精度，限制了支持向量机模型的推广使用。灰色模型可以通过少量的、不完全的信息，建立灰色微分预测模型，从而描述灰色系统内部事物的发展规律，而中长期电力负荷具备灰色系统少样本、贫信息的典型特征。因此，灰色模型在中长期负荷预测中得到了较为广泛的应用，但由于传统的GM模型是描述按指数规律变化的序列模型，忽略了数据的线性变化规律，因此，直接利用GM模型，可能导致预测误差较大。同时，由于灰色预测主要用于变化趋势比较明显的数据序列，对随机波动性大的序列预测误差偏大，或者拟合效果较好而预测效果较差。

由此可见，虽然传统的灰色模型在中长期负荷预测中得到了较为广泛的应用，但是存在适用范围窄以及对随机波动大的序列误差偏大的问题。

发明内容

基于此，有必要针对传统灰色模型并不能够满足准确预测中长期负荷的问题，提供一种中长期电力负荷预测模型的构建方法，以提供准确的中长期电力负荷预测，为电力规划、设计以及投资提供重要的参考基础，为实现电网安全经济运行的重要保障。

为实现上述目的，本发明的技术方案是：

一种中长期电力负荷预测模型的构建方法，所述构建方法包括：

S101、搭建基于GLRM的中长期负荷预测模型y(t)：

式中：为对序列进行累减还原后得到的拟合预测值序列中，t＝1时的值，为序列中，t＝1时的值，为对新数列采用指数方程和线性回归方程的和来拟合生成新的序列，为对中长期负荷原始数列累加生成的新数列，中长期负荷原始数列中t＝1，2，...，n；

S102、利用中长期负荷预测模型y(t)对进行拟合预测，得到拟合值序列Q′_t，预测值序列Q_t；其中Q′_t＝y(t)，t＝1，2，...，n；Q_t＝y(t)，t＝n+1，n+2，...，n+m，m为所需预测值个数；

获得拟合数据的误差序列

S103、分析GLRM模型拟合数据的误差序列D(t)的转移规律，建立误差的状态转移概率矩阵P；

S104、提出基于MC的预测误差定量估计方法，获得预测误差定量估计值

其中，Δh(E_k)和Δd(E_k)分别为负荷预测值误差所在状态E_k的上下限值；

S105、根据步骤S102得到的拟合值序列、预测值序列以及步骤S104的预测误差定量值估计值来建立GLRM模型预测值的修正模型：

其中，Δh(E)、Δd(E)表示t时刻误差最有可能所处状态的上下限值；

S106、建立GLRM-MC模型y^*(t)：

所述新的序列模型

所述模型中的待定参数为L、V₁，V₂，V₃；

求解所述的待定参数L步骤包括：

令则可得：

L_k(t)＝ln(U_k+1/U_k)，

用替换序列U_k中的k值不同，得到不同的值，经分析需计算的L值的个数为(n-2)(n-3)/2，参数L的估计值取所有值的算术平均值，即

求解所述的待定参数V₁，V₂，V₃步骤包括：

用最小二乘法求取参数V₁，V₂，V₃的估计值，其中

参数向量V的矩阵估计式为：

V＝(A^TA)^-1A^Tx⁽¹⁾

上述分析GLRM模型拟合误差D(t)的转移规律，建立误差的状态转移概率矩阵P的过程为：

根据预测所得的误差大小，将其划分为N个区间，并记为N(N≤n)个等级，|E₁，E₂，...，E_N|；

对于误差数列D(t)，确定n个时间范围内E_i发生的总次数S_i和从状态E_i转移到状态E_j的转移次数S_ij，得到灰色线性回归中长期负荷预测模型从误差状态E_i转移到状态E_j的转移概率P_ij，其中

建立误差的状态转移概率矩阵P：

上述提出基于MC的预测误差定量估计方法，获得预测误差定量估计值 的过程为：

设D(n)所处的误差状态为E_i，E_i状态的行向量A_i作为起始状态概率行向量，与状态转移概率矩阵相乘，得到新状态矩阵：

A_n+1＝A_iP；

若A_n+1中最大值所在第k列，则可认为在下一时刻，误差状态从E_i转向状态E_k的概率最大，即为下一时刻的误差最有可能所在的区间，预测误差定量估计值为

与现有技术相比，本发明的有益效果是：

采用GLRM模型对原始负荷序列进行拟合预测；利用MC原理分析GLRM模型拟合误差的转移规律，提出基于MC的误差预测定量估计方法；在此基础上，建立GLRM模型预测值的动态修正模型，构建了GLRM-MC模型。GLRM-MC模型改善和弥补灰色系统预测模型中不含线性因素的不足和线性回归预测模型中不能表达指数增长的缺陷，对随机性的干扰具有自适应能力，可以在提高模型预测精度的同时，提升拟合和预测效果的稳定性，从而可以为电力规划、设计以及投资提供重要的参考基础，为实现电网安全经济运行提供重要的保障。

附图说明

图1为本发明一种中长期电力负荷预测模型的构建方法的工作流程图。

具体实施方式

下面结合附表、附图和具体实施例对本发明做进一步详细的说明。

如图1所示为本发明一种中长期电力负荷预测模型的构建方法的工作流程图，包括：

步骤S101，构建基灰色线性回归模型(Grey linear regression model,GLRM)的中长期负荷预测模型，步骤包括对中长期负荷原始数列累加生成新数列采用指数方程和线性回归方程的和来拟合累加数据序列生成新的序列求解序列模型中的待定参数；累减还原得到中长期负荷预测模型y(t)。

所述中长期负荷原始数列中t＝1，2，...，n；

所述新的序列模型为

所述模型中的待定参数为L、V₁，V₂，V₃；

求解所述的待定参数L步骤包括：

设参数序列，

令U_k＝R_t+k-R_t,则可得：

L_k(t)＝ln(U_k+1/U_k),

，

用替换序列U_k中的k值不同，得到不同的值，经分析需计算的L值的个数为 (n-2)(n-3)/2，参数L的估计值取所有值的算术平均值，即

求解所述的待定参数V₁，V₂，V₃步骤包括：

用最小二乘法求取参数V₁，V₂，V₃的估计值，其中

参数向量V的矩阵估计式为：

V＝(A^TA)^-1A^Tx⁽¹⁾

所述中长期负荷预测模型y(t)的表达式为：

步骤S102，利用所述的中长期负荷预测模型y(t)，对进行拟合预测，得到拟合值序列Q′_t，预测值序列Q_t；其中Q′_t＝y(t)，t＝1，2，...，n；Q_t＝y(t)，t＝n+1，n+2，...，n+m，m 为所需预测值个数；

拟合数据的误差序列

步骤S103，分析所述GLRM模型拟合误差D(t)的转移规律，包括：

根据预测所得的误差大小，将其划分为N个区间，并记为N(N≤n)个等级，|E₁，E₂,…，E_N|；

对于所述误差数列D(t)，确定n个时间范围内E_i发生的总次数S_i和从状态E_i转移到状态E_j的转移次数S_ij，得到灰色线性回归中长期负荷预测模型从误差状态E_i转移到状态E_j的转移概率P_ij，其中

建立误差的状态转移概率矩阵P：

步骤S104，提出基于马尔科夫链(Markov Chain,MC)的预测误差定量估计方法：

设D(n)所处的误差状态为E_i，E_i状态的行向量A_i作为起始状态概率行向量，与状态转移概率矩阵相乘，得到新状态矩阵：

A_n+1＝A_iP；

若A_n+1中最大值所在第k列，则可认为在下一时刻，误差状态从E_i转向状态E_k的概率最大，即为下一时刻的误差最有可能所在的区间，预测误差定量估计值为

所述Δh(E_k)和Δd(E_k)分别为负荷预测值误差所在状态E_k的上下限值。

步骤S105，建立GLRM模型预测值的修正模型：其中Δh(E)、Δd(E) 表示t时刻误差最有可能所处状态的上下限值；

步骤S106，建立GLRM-MC模型y^*(t)：

采用GLRM模型对原始负荷序列进行拟合预测；利用MC原理分析GLRM模型拟合误差的转移规律，提出基于MC的误差预测定量估计方法；在此基础上，建立GLRM模型预测值的动态修正模型，构建了GLRM-MC模型。GLRM-MC模型改善和弥补灰色系统预测模型中不含线性因素的不足和线性回归预测模型中不能表达指数增长的缺陷，对随机性的干扰具有自适应能力，可以在提高模型预测精度的同时，提升拟合和预测效果的稳定性，从而可以为电力规划、设计以及投资提供重要的参考基础，为实现电网安全经济运行提供重要的保障。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种中长期电力负荷预测模型的构建方法，其特征在于，所述构建方法包括：

S101、搭建基于GLRM的中长期负荷预测模型y(t)：

式中：为对序列进行累减还原后得到的拟合预测值序列中，t＝1时的值，为序列中，t＝1时的值，为对新数列采用指数方程和线性回归方程的和来拟合生成新的序列，为对中长期负荷原始数列累加生成的新数列，中长期负荷原始数列中t＝1，2，...，n；

S102、利用中长期负荷预测模型y(t)对进行拟合预测，得到拟合值序列Q′_t，预测值序列Q_t；其中Q′_t＝y(t)，t＝1，2，...，n；Q_t＝y(t)，t＝n+1，n+2，...，n+m，m为所需预测值个数；

获得拟合数据的误差序列

S103、分析GLRM模型拟合数据的误差序列D(t)的转移规律，建立误差的状态转移概率矩阵P；

S104、提出基于MC的预测误差定量估计方法，获得预测误差定量估计值

其中，Δh(E_k)和Δd(E_k)分别为负荷预测值误差所在状态E_k的上下限值；

S105、根据步骤S102得到的拟合值序列、预测值序列以及步骤S104的预测误差定量值估计值来建立GLRM模型预测值的修正模型：

其中，Δh(E)、Δd(E)表示t时刻误差最有可能所处状态的上下限值；

S106、建立GLRM-MC模型y^*(t)：

2.根据权利要求1所述的中长期电力负荷预测模型的构建方法，其特征在于，所述新的序列模型

所述模型中的待定参数为L、V₁，V₂，V₃；

求解所述的待定参数L步骤包括：

令则可得：

L_k(t)＝ln(U_k+₁/U_k)，

计算的L值的个数为(n-2)(n-3)/2，参数L的估计值取所有值的算术平均值，即

求解所述的待定参数V₁，V₂，V₃步骤包括：

用最小二乘法求取参数V₁，V₂，V₃的估计值，其中

参数向量V的矩阵估计式为：

V＝(A^TA)^-1A^Tx⁽¹⁾。

3.根据权利要求1或2所述的中长期电力负荷预测模型的构建方法，其特征在于，

分析GLRM模型拟合误差D(t)的转移规律，建立误差的状态转移概率矩阵P的过程为：

根据预测所得的误差大小，将其划分为N个区间，并记为N(N≤n)个等级，|E₁，E₂，...，E_N|；

对于误差数列D(t)，确定t∈[1，n]的范围内E_i发生的总次数S_i和从状态E_i转移到状态E_j的转移次数S_ij，得到灰色线性回归中长期负荷预测模型从误差状态E_i转移到状态E_j的转移概率P_ij，其中

建立误差的状态转移概率矩阵P：

。

4.根据权利要求3所述的中长期电力负荷预测模型的构建方法，其特征在于，

提出基于MC的预测误差定量估计方法，获得预测误差定量估计值 的过程为：

设D(n)所处的误差状态为E_i，E_i状态的行向量A_i作为起始状态概率行向量，与状态转移概率矩阵相乘，得到新状态矩阵：

A_n+1＝A_iP；

若A_n+1中最大值所在第k列，则可认为在下一时刻，误差状态从E_i转向状态E_k的概率最大，即为下一时刻的误差最有可能所在的区间，预测误差定量估计值为