CN109447332A - 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 - Google Patents

Abstract

本发明涉及一种适用于S型负荷曲线的中长期电力负荷组合预测方法，步骤⑴以中长期负荷历史数据为输入；步骤⑵以中长期负荷历史数据为输入，采用生长曲线模型进行中长期负荷测；步骤⑶以社会经济、人口数据和中长期负荷历史数据为输入，采用径向基神经网络模型进行中长期负荷预测；步骤⑷将步骤⑴、⑵、⑶获得的历史预测结果作为训练样本，对最小二乘支持向量机进行训练，训练过程中结合粒子群算法优化最小二乘支持向量机的参数；步骤⑸利用训练后的最小二乘支持向量机组合预测模型，预测未来一段时间的电力负荷需求，最终获得预测值。本发明所提出的组合预测方法得到的预测值与实际值相接近，具有较高的预测精度，能够很好地预测具有“S”型增长趋势的中长期电力负荷。

Description

一种适用于S型负荷曲线的中长期电力负荷组合预测方法

技术领域

本发明属于电力负荷预测技术领域，涉及中长期电力负荷预测方法，尤其是一种适用于S型负荷曲线的中长期电力负荷组合预测方法。

背景技术

近中长期电力负荷预测是电力系统进行规划、设计以及投资的基础和前提，准确的中长期负荷预测能够给电力系统带来巨大的经济效益和社会效益。随着我国经济发展进入新常态，我国的用电需求逐渐告别了“单边上扬”的高速增长模式，开始呈现出一定的饱和趋势，中长期电力负荷曲线呈现明显的“S”型特征。负荷增长模式的转变加大了中长期负荷预测的难度。一方面，常见的中长期负荷预测方法如灰色模型、指数平滑法适用于具有较强指数规律的负荷序列，只能描述单调的变化过程，当负荷按照“S”型曲线增长或增长处于饱和阶段时，这些方法进行负荷预测的误差较大，预测精度难以满足实际要求。另一方面，随着影响电力负荷的因素呈现多元化特征，中长期负荷发展变化规律的多样性和复杂性变得愈加显著，包含的不确定性因素也越来越多，采用单一的预测方法难以取得令人满意的结果。

为此，本发明提出一种适用于经济发展新常态下负荷曲线呈“S”型时的中长期电力负荷组合预测方法。该方法首先采用灰色Verhulst模型、生长曲线模型和径向基神经网络模型分别进行中长期负荷预测，再将这3个单一模型的预测结果作为最小二乘支持向量机的输入，进而得到组合预测的结果。其中，灰色Verhulst模型和生长曲线模型对具有饱和状态的“S”型负荷序列具有良好的预测效果，径向基神经网络模型能够很好地反映经济社会等因素与中长期负荷之间复杂的非线性关系。本发明充分利用这3类预测模型的优点，构造组合预测模型，能够提高对“S”型中长期负荷曲线预测的精度。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种适用于S型负荷曲线的中长期电力负荷组合预测方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种适用于S型负荷曲线的中长期电力负荷组合预测方法，其特征在于：具体执行步骤包括：

步骤⑴以中长期负荷历史数据为输入，采用灰色Verhulst模型进行中长期负荷预测；

步骤⑵以中长期负荷历史数据为输入，采用生长曲线模型进行中长期负荷测；

步骤⑶以社会经济、人口数据和中长期负荷历史数据为输入，采用径向基神经网络模型进行中长期负荷预测；

步骤⑷将步骤⑴、⑵、⑶获得的历史预测结果作为训练样本，对最小二乘支持向量机进行训练，训练过程中结合粒子群算法优化最小二乘支持向量机的参数；

步骤⑸利用训练后的最小二乘支持向量机组合预测模型，预测未来一段时间的电力负荷需求，最终获得预测值。

而且，在所述步骤⑵的生长曲线模型利用预测对象发展过程中表现的延续性，通过用一类形状呈“S”型的函数曲线拟合预测对象的历史统计数据，建立能描述其发展变化过程的数学模型，然后外推进行预测。

而且，所述步骤⑴中采用灰色Verhulst模型进行中长期负荷预测，包括以下步骤：

S11：将n个中长期负荷历史数据形成数列i＝1,2,...,n，对此数列进行一阶累加生成新数据序列为

并利用此新序列生成紧邻均值生成序列z⁽¹⁾(k)为：

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1),k＝2,3,...n

S12：建立灰色Verhulst模型的白化微分方程为：

式中，a、b为参数，可由最小二乘估计而得：

A＝[a,b]^T＝(B^TB)^-1B^TY

其中，

S13：令x⁽¹⁾(0)＝x⁽⁰⁾(0)，求解上述白化微分方程可得到灰色Verhulst模型的时间响应式为：

S14：对所得的时间响应式进行一阶累减还原计算，得到了原始序列x⁽⁰⁾的灰色Verhulst预测模型为：

其中，即为预测值。

而且，所述步骤⑵中采用生长曲线模型进行中长期负荷预测，具体步骤为：

S21：选用生长曲线模型中的Logistic曲线模型进行预测，Logistic曲线的方程如下：

式中，S、c、d为模型的待定系数，其中：S＞0，c＞0，0＜d＜1；

S22：基于历史年度负荷数据，使用SPSS软件拟合Logistic曲线，获得该模型的参数S、c、d。得到以上3个参数后，将待预测年份t带入Logistic曲线的方程，得到预测年份对应的负荷预测值。

而且，所述步骤⑶中采用径向基神经网络模型进行中长期负荷预测，具体步骤为：

S31：建立如下径向基神经网络的计算模型：

y＝∑wgρ(x，c)

式中，y为径向基神经网络的输出值，即中长期负荷预测值；w为径向基神经网络隐藏层至输出层的权重矩阵；ρ(x,c)为径向基函数；x为径向基神经网络的输入矩阵；c为径向基函数的中心参数；

S32：由神经网络参数学习过程确定参数w和c，将待预测样本的输入变量作为径向基神经网络预测模型的输入数据，计算出输出层神经元的输出，作为待预测样本的负荷预测值。

而且，所述步骤S31中径向基神经网络的输入为中长期负荷的影响因素，具体包括国内生产总值(GDP)、固定资产投资金额、人口、待预测年份前第1年的负荷值、待预测年份前第2年的负荷值。

而且，所述步骤⑷的具体步骤为：

S41：将上述灰色Verhulst模型、生长曲线模型和径向基神经网络模型的负荷预测结果作为输入数据，形成最小二乘支持向量机的训练样本，得到如下最小二乘支持向量机预测模型：

f(x)＝β^Tφ(x)+b

式中：β为权向量；φ(x)为核空间映射函数；x为三种负荷预测的结果值；b为偏置系数；

S42：以预测数据的实际值作为样本训练的目标值，对支持向量回归模型进行训练，训练过程中结合粒子群算法对核参数和惩罚因子进行优化，最终获得训练结果最优的组合预测模型；

S43：利用训练后的支持向量回归模型预测未来的一段时间的中长期电力负荷。

本发明的优点和积极效果是：

本发明用户电能计量误差在线检测分析系统通过完善的监测手段，降低电能表周期检验和管理成本，从而节省了大量的人力、物力。周期检验及维护的成本主要有：设备维护工作的分配、维护人员来往现场的交通及时间成本、维护人员的培养成本、维护检测数据的整理和录入成本、数据分析及管理成本、支持各种维护管理的事务成本、技术管理及其他资源开销成本等。该系统可以实时监测了解电能表误差状况，避免超差带来的电量损失，从而确保相关单位经济效益。

附图说明

图1为本发明方法流程示意图。

具体实施方式

下面并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种适用于S型负荷曲线的中长期电力负荷组合预测方法，如图1所示，包括以下步骤：

S1：以中长期负荷历史数据为输入，采用灰色Verhulst模型进行中长期负荷预测。

灰色Verhulst模型主要反映了任何事物自身的发生、发展及消亡的过程，因此该模型主要用来进行具有饱和状态的“S”型序列的预测。所述步骤S1具体为：

(1)将n个中长期负荷历史数据形成数列i＝1,2,...,n。对此数列进行一阶累加生成新数据序列为

并利用此新序列生成紧邻均值生成序列z⁽¹⁾(k)为：

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1),k＝2,3,...n (2)

(2)建立灰色Verhulst模型的白化微分方程为：

式中，a、b为参数，可由最小二乘估计而得：

A＝[a,b]^T＝(B^TB)^-1B^TY (4)

其中，

(3)令x⁽¹⁾(0)＝x⁽⁰⁾(0)，根据式(4)、(5)，求解微分方程(3)可得到灰色Verhulst模型的时间响应式为：

(4)对式(6)进行一阶累减还原计算，得到了原始序列x⁽⁰⁾的灰色Verhulst预测模型为：

其中，即为预测值。

S2：以中长期负荷历史数据为输入，采用生长曲线模型中的Logistic曲线模型进行中长期负荷测。

生长曲线的特点是开始增长较为缓慢,以后随着某些条件的变化,在某一段时间内增长速度较快,当达到某一极限之后,生长速度又趋缓慢。生长曲线的这一特点与我国电力负荷的需求有共同之处。生长曲线模型利用预测对象发展过程中表现的延续性，通过用一类形状呈“S”型的函数曲线拟合预测对象的历史统计数据，建立能描述其发展变化过程的数学模型，然后外推进行预测。本发明选用生长曲线模型中的Logistic曲线模型进行预测，具体步骤为：

(1)建立Logistic曲线的方程如下：

式中，S、c、d为模型的待定系数，其中：S＞0，c＞0，0＜d＜1。

(2)通过使用SPSS软件拟合Logistic曲线，得到该模型的参数S、c、d。得到以上3个参数后，将待预测年份t带入Logistic曲线的方程，便得到对应的预测值。

S3：以社会经济、人口数据和中长期负荷历史数据为输入，采用径向基神经网络模型进行中长期负荷预测。所述步骤S3具体为：

(1)建立如下径向基神经网络的计算模型：

y＝∑wgρ(x,c) (9)

式中，y为径向基神经网络的输出值，即中长期负荷预测值；w径向基神经网络为隐藏层至输出层的权重矩阵；ρ(x,c)为径向基函数；x为径向基神经网络的输入矩阵，本发明选择中长期负荷的影响因素作为径向基神经网络的输入，这些影响因素包括国内生产总值(GDP)、固定资产投资金额、人口等；c为径向基函数的中心参数。

(2)由神经网络参数学习过程确定参数w和c，将待预测样本的输入变量作为径向基神经网络预测模型的输入数据，计算出输出层神经元的输出，作为待预测样本的负荷预测值。

S4：将步骤S1、步骤S2、步骤S3的历史预测结果作为训练样本，对最小二乘支持向量机进行训练，训练过程中结合粒子群算法优化最小二乘支持向量机的参数。利用训练后的最小二乘支持向量机组合预测模型，预测未来一段时间的电力负荷需求。所述步骤S4具体为：

(1)将上述灰色Verhulst模型、生长曲线模型和径向基神经网络模型的负荷预测结果作为输入数据，形成最小二乘支持向量机的训练样本，得到如下最小二乘支持向量机预测模型：

f(x)＝β^Tφ(x)+b (10)

式中：β为权向量；φ(x)为核空间映射函数；x为三种负荷预测的结果值；b为偏置系数。

(2)以预测数据的实际值作为样本训练的目标值，对支持向量回归模型进行训练，训练过程中结合粒子群算法对核参数和惩罚因子进行优化，最终获得训练结果最优的组合预测模型。

(3)利用训练后的支持向量回归模型预测未来的一段时间的中长期电力负荷。

下面以天津市中长期年度用电量预测为例，对本发明的一种适用于“S”型负荷曲线的中长期电力负荷组合预测方法进行实施应用。

算例基础数据

选取天津市2002年-2017年的用电量及经济、人口数据进行算例分析，以验证本发明所提方法的适用性。取2002年-2015年的数据作为历史数据样本，对2016年、2017年该市的全社会用电量数据进行预测。算例基础数据如表1所示。

表1天津市2002-2017年用电量及经济、人口数据

(2)3种单一负荷预测模型的预测结果

基于表1的数据，采用灰色Verhulst模型、生长曲线模型和径向基神经网络模型分别进行中长期负荷预测，预测天津市2009年-2017年全社会用电量，预测结果如表2所示。

表2 3种单一预测模型对全社会用电量的预测结果(单位：亿千瓦时)

(3)组合预测模型的预测结果

将上述3种单一预测模型对2009年-2015年的全社会用电量预测结果作为最小二乘支持向量机的训练样本，以预测数据的实际值作为样本训练的目标值，对最小二乘支持向量机进行训练。训练过程中结合粒子群算法对最小二乘支持向量机的参数进行优化。

将上述3种单一预测模型对2016年、2017年的全社会用电量预测结果输入到训练好的最小二乘支持向量机中，得到组合预测结果，如表3所示。

表3组合预测模型预测结果(单位：亿千瓦时)

年份	实际值	组合预测值
			2016	807.93	825.85
2017	805.59	817.63

由表1可看出，天津市的全社会用电量经历了快速增长阶段后，到2014年增速开始减缓，具有典型的“S”型曲线特征。由表3可看出，本发明所提出的组合预测方法得到的预测值与实际值相接近，具有较高的预测精度，能够很好地预测具有“S”型增长趋势的中长期电力负荷。

尽管为说明目的公开了本发明的实施例，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例所公开的内容。

Claims (7)

1.一种适用于S型负荷曲线的中长期电力负荷组合预测方法，其特征在于：具体执行步骤包括：

步骤⑴以中长期负荷历史数据为输入，采用灰色Verhulst模型进行中长期负荷预测；

步骤⑵以中长期负荷历史数据为输入，采用生长曲线模型进行中长期负荷测；

步骤⑶以社会经济、人口数据和中长期负荷历史数据为输入，采用径向基神经网络模型进行中长期负荷预测；

步骤⑷将步骤⑴、⑵、⑶获得的历史预测结果作为训练样本，对最小二乘支持向量机进行训练，训练过程中结合粒子群算法优化最小二乘支持向量机的参数；

步骤⑸利用训练后的最小二乘支持向量机组合预测模型，预测未来一段时间的电力负荷需求，最终获得预测值。

2.根据权利要求1所述的适用于S型负荷曲线的中长期电力负荷组合预测方法，其特征在于：在所述步骤⑵的生长曲线模型利用预测对象发展过程中表现的延续性，通过用一类形状呈“S”型的函数曲线拟合预测对象的历史统计数据，建立能描述其发展变化过程的数学模型，然后外推进行预测。

3.根据权利要求1所述的适用于S型负荷曲线的中长期电力负荷组合预测方法，其特征在于：所述步骤⑴中采用灰色Verhulst模型进行中长期负荷预测，包括以下步骤：

S11：将n个中长期负荷历史数据形成数列对此数列进行一阶累加生成新数据序列为

并利用此新序列生成紧邻均值生成序列z⁽¹⁾(k)为：

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1),k＝2,3,...n

S12：建立灰色Verhulst模型的白化微分方程为：

式中，a、b为参数，可由最小二乘估计而得：

A＝[a,b]^T＝(B^TB)^-1B^TY

其中，

S13：令x⁽¹⁾(0)＝x⁽⁰⁾(0)，求解上述白化微分方程可得到灰色Verhulst模型的时间响应式为：

S14：对所得的时间响应式进行一阶累减还原计算，得到了原始序列x⁽⁰⁾的灰色Verhulst预测模型为：

其中，即为预测值。

4.根据权利要求1所述的适用于S型负荷曲线的中长期电力负荷组合预测方法，其特征在于：所述步骤⑵中采用生长曲线模型进行中长期负荷预测，具体步骤为：

S21：选用生长曲线模型中的Logistic曲线模型进行预测，Logistic曲线的方程如下：

式中，S、c、d为模型的待定系数，其中：S＞0，c＞0，0＜d＜1；

S22：基于历史年度负荷数据，使用SPSS软件拟合Logistic曲线，获得该模型的参数S、c、d。得到以上3个参数后，将待预测年份t带入Logistic曲线的方程，得到预测年份对应的负荷预测值。

5.根据权利要求1所述的适用于S型负荷曲线的中长期电力负荷组合预测方法，其特征在于：所述步骤⑶中采用径向基神经网络模型进行中长期负荷预测，具体步骤为：

S31：建立如下径向基神经网络的计算模型：

y＝∑wgρ(x,c)

式中，y为径向基神经网络的输出值，即中长期负荷预测值；w为径向基神经网络隐藏层至输出层的权重矩阵；ρ(x,c)为径向基函数；x为径向基神经网络的输入矩阵；c为径向基函数的中心参数；

S32：由神经网络参数学习过程确定参数w和c，将待预测样本的输入变量作为径向基神经网络预测模型的输入数据，计算出输出层神经元的输出，作为待预测样本的负荷预测值。

6.根据权利要求5所述的适用于S型负荷曲线的中长期电力负荷组合预测方法，其特征在于：所述步骤S31中径向基神经网络的输入为中长期负荷的影响因素，具体包括国内生产总值(GDP)、固定资产投资金额、人口、待预测年份前第1年的负荷值、待预测年份前第2年的负荷值。

7.根据权利要求1所述的适用于S型负荷曲线的中长期电力负荷组合预测方法，其特征在于：所述步骤⑷的具体步骤为：

S41：将上述灰色Verhulst模型、生长曲线模型和径向基神经网络模型的负荷预测结果作为输入数据，形成最小二乘支持向量机的训练样本，得到如下最小二乘支持向量机预测模型：

f(x)＝β^Tφ(x)+b

式中：β为权向量；φ(x)为核空间映射函数；x为三种负荷预测的结果值；b为偏置系数；

S42：以预测数据的实际值作为样本训练的目标值，对支持向量回归模型进行训练，训练过程中结合粒子群算法对核参数和惩罚因子进行优化，最终获得训练结果最优的组合预测模型；

S43：利用训练后的支持向量回归模型预测未来的一段时间的中长期电力负荷。