CN107977742A - 一种中长期电力负荷预测模型的构建方法 - Google Patents
一种中长期电力负荷预测模型的构建方法 Download PDFInfo
- Publication number
- CN107977742A CN107977742A CN201711218873.XA CN201711218873A CN107977742A CN 107977742 A CN107977742 A CN 107977742A CN 201711218873 A CN201711218873 A CN 201711218873A CN 107977742 A CN107977742 A CN 107977742A
- Authority
- CN
- China
- Prior art keywords
- error
- model
- state
- prediction
- value
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012417 linear regression Methods 0.000 claims abstract description 12
- 230000001394 metastastic effect Effects 0.000 claims abstract description 8
- 206010061289 metastatic neoplasm Diseases 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000012546 transfer Methods 0.000 claims abstract description 6
- 230000007704 transition Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 230000001373 regressive effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012549 training Methods 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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Qt;其中Q′t=y(t),t=1,2,...,n;Qt=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(Ek)和Δd(Ek)分别为负荷预测值误差所在状态Ek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:
Lk(t)=ln(Uk+1/Uk),
用替换序列Uk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=(ATA)-1ATx(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,...,EN|;
对于误差数列D(t),确定n个时间范围内Ei发生的总次数Si和从状态Ei转移到状态Ej的转移次数Sij,得到灰色线性回归中长期负荷预测模型从误差状态Ei转移到状态Ej的转移概率Pij,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Ei,Ei状态的行向量Ai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:
An+1=AiP;
若An+1中最大值所在第k列,则可认为在下一时刻,误差状态从Ei转向状态Ek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Uk=Rt+k-Rt,则可得:
Lk(t)=ln(Uk+1/Uk),
,
用替换序列Uk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=(ATA)-1ATx(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Qt;其中Q′t=y(t),t=1,2,...,n;Qt=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,…,EN|;
对于所述误差数列D(t),确定n个时间范围内Ei发生的总次数Si和从状态Ei转移到状态Ej的转移次数Sij,得到灰色线性回归中长期负荷预测模型从误差状态Ei转移到状态Ej的转移概率Pij,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Ei,Ei状态的行向量Ai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:
An+1=AiP;
若An+1中最大值所在第k列,则可认为在下一时刻,误差状态从Ei转向状态Ek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(Ek)和Δd(Ek)分别为负荷预测值误差所在状态Ek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Qt;其中Q′t=y(t),t=1,2,...,n;Qt=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(Ek)和Δd(Ek)分别为负荷预测值误差所在状态Ek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:
Lk(t)=ln(Uk+1/Uk),
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=(ATA)-1ATx(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,...,EN|;
对于误差数列D(t),确定t∈[1,n]的范围内Ei发生的总次数Si和从状态Ei转移到状态Ej的转移次数Sij,得到灰色线性回归中长期负荷预测模型从误差状态Ei转移到状态Ej的转移概率Pij,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Ei,Ei状态的行向量Ai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:
An+1=AiP;
若An+1中最大值所在第k列,则可认为在下一时刻,误差状态从Ei转向状态Ek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
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711218873.XA CN107977742B (zh) | 2017-11-28 | 2017-11-28 | 一种中长期电力负荷预测模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711218873.XA CN107977742B (zh) | 2017-11-28 | 2017-11-28 | 一种中长期电力负荷预测模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107977742A true CN107977742A (zh) | 2018-05-01 |
CN107977742B CN107977742B (zh) | 2021-07-13 |
Family
ID=62008296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711218873.XA Active CN107977742B (zh) | 2017-11-28 | 2017-11-28 | 一种中长期电力负荷预测模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977742B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI783826B (zh) * | 2021-12-14 | 2022-11-11 | 國立中山大學 | 電力系統狀態的分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268082A (zh) * | 2013-05-16 | 2013-08-28 | 北京工业大学 | 一种基于灰色线性回归的热误差建模方法 |
CN104021432A (zh) * | 2014-06-18 | 2014-09-03 | 温州大学 | 基于改进灰色预测模型的电力负荷中长期预测方法 |
CN104850916A (zh) * | 2015-05-31 | 2015-08-19 | 上海电机学院 | 一种改进型灰色马尔可夫模型的电力设备故障预测方法 |
CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
EP3186681A1 (en) * | 2014-10-02 | 2017-07-05 | Siemens Aktiengesellschaft | Method of estimating a system value |
CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 |
-
2017
- 2017-11-28 CN CN201711218873.XA patent/CN107977742B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268082A (zh) * | 2013-05-16 | 2013-08-28 | 北京工业大学 | 一种基于灰色线性回归的热误差建模方法 |
CN104021432A (zh) * | 2014-06-18 | 2014-09-03 | 温州大学 | 基于改进灰色预测模型的电力负荷中长期预测方法 |
EP3186681A1 (en) * | 2014-10-02 | 2017-07-05 | Siemens Aktiengesellschaft | Method of estimating a system value |
CN104850916A (zh) * | 2015-05-31 | 2015-08-19 | 上海电机学院 | 一种改进型灰色马尔可夫模型的电力设备故障预测方法 |
CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 |
Non-Patent Citations (2)
Title |
---|
张栋梁 等: "基于马尔可夫链筛选组合预测模型的中长期负荷预测方法", 《电力系统保护与控制》 * |
曹益铭 等: "基于Matlab的灰色回归组合模型在沉降监测中的应用", 《测绘与空间地理信息》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI783826B (zh) * | 2021-12-14 | 2022-11-11 | 國立中山大學 | 電力系統狀態的分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107977742B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488395B (zh) | 一种配电网线损预测方法及系统 | |
CN109978403B (zh) | 一种产品装配过程的质量管控方法、装置及设备 | |
CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
CN103106535B (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
CN110135635B (zh) | 一种区域电力饱和负荷预测方法及系统 | |
CN104021300B (zh) | 一种基于分布式电源接入对配电网影响的综合评估方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN106503919A (zh) | 一种基于供电分区特性的配电网评价方法 | |
CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN106208043B (zh) | 一种中低压配电网关键耗能环节辨识方法 | |
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 | |
CN111639111A (zh) | 面向调水工程的多源监测数据深度挖掘和智能分析方法 | |
CN106650959A (zh) | 一种基于改进灰色聚类的配电网抢修能力评估方法 | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN107633316A (zh) | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 | |
CN112308298A (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
CN106874568B (zh) | 一种球磨过程的物料粒径分布预测方法 | |
CN106952042A (zh) | 一种售电量预测方法及装置 | |
CN101206727B (zh) | 数据处理装置和数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |