CN113935517A - 一种基于粒子群和滚动修正的电能替代潜力灰色分析方法 - Google Patents

Abstract

本发明属于电力替代潜力分析的技术领域，具体涉及一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，包括建立电能替代潜力的量化模型；采用灰色预测模型对步骤S1中的电能替代潜力的量化模型进行预测；采用改进粒子群算法对步骤S2中的灰色预测模型进行优化；基于优化后的灰色预测模型，设置滚动规则，建立滚动的电能替代潜力灰色预测模型；本发明定义了电能替代量来量化电能替代潜力，利用滚动灰色预测提高结果的精度，并利用粒子群算法修正灰色模型中的参数，进一步提高预测的精确性。

Description

一种基于粒子群和滚动修正的电能替代潜力灰色分析方法

技术领域

本发明属于电力替代潜力分析的技术领域，具体涉及一种基于粒子群和滚动修正的电能替代潜力灰色分析方法。

背景技术

当前，国际能源格局正在发生深刻变化，全球能源转型的途径仍在探索中，我国也正在积极推进能源革命以解决包括能源安全、环境压力等在内的相关问题。在此背景下，电能替代面临着难得的历史机遇，目前电能占终端能源消费比重较低，而能源终端利用环节的节能环保成效具有倍数放大效应，故电能替代亟待有序推进。同时，对各区域的电能替代潜力进行评估，制定相应的推进策略也就成为急需研究的问题之一。掌握电能与终端能源消耗量的变化趋势有利于分析电能耗能情况，为指导电能替代工作提供数据支持与政策引导。目前国内外学者研究的重点主要集中在需求侧预测及潜力分析上，对于电能替代的潜力分析研究较少，而近年来电能替代的相关工作已经陆续开启，因此需要提出一种精确、有效的电能替代的潜力分析方法来解决这一问题。

发明内容

为了解决上述问题，本发明提供了一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，具体技术方案如下：

一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，包括以下步骤：

S1：建立电能替代潜力的量化模型；

S2：采用灰色预测模型对步骤S1中的电能替代潜力的量化模型进行预测；

S3：采用改进粒子群算法对步骤S2中的灰色预测模型进行优化；

S4：基于优化后的灰色预测模型，设置滚动规则，建立滚动的电能替代潜力灰色预测模型，并用滚动的电能替代潜力灰色预测模型对电能替代潜力进行预测；所述滚动规则为：在灰色预测模型预测的过程中，在数据列末尾添加最新预测得到的数据，同时删除每个数据列头部的旧数据，不断循环；数据列末尾的数据通过预测得到，重复预测过程。

优选地，所述步骤S1中电能替代潜力的量化模型具体为：

采用电能替代量来表征电能替代潜力，设第t年实际电能使用量为C_e(t)，能源总使用量为C(t)，定义第t+1年电能替代量为当年电能使用量占总能源使用量与上一年电能使用量占总能源使用量之差与当年能源总使用量的乘积；即：

式中，D_e(t+1)为第t+1年的电能替代量；C_e(t+1)为第t+1年的实际电能使用量量；C(t+1)为第t+1年的能源使用量总量。

优选地，所述步骤S2灰色预测模型的建立包括以下步骤：

S21：生成1次累加序列：

已知参考数据序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，1次累加生成序列为：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))＝(x⁽⁰⁾(1),x⁽⁰⁾(1)+x⁽⁰⁾(2),…,x⁽⁰⁾(1)+…+x⁽⁰⁾(n))； (2)

式中：

x⁽¹⁾的均值生成序列为：

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n))； (4)

式中，z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1),k＝2,3,…n； (5)

S22：建立灰微分方程：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b,k＝2,3,…,n； (6)

相应的白化微分方程为：

记

μ＝[a,b]^T； (8)

Y＝[x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n)]^T； (9)

S23：求解相关参数：

由最小二乘法，求得使J(u)＝(Y-Bu)^T(Y-Bu)达到最小值的u的估计值为：

于是求解白化微分方程得

优选地，所述步骤S3采用改进粒子群算法对步骤S2中的灰色预测模型进行优化具体为：采用改进粒子群对步骤S22中的参数a和参数b进行优化。

优选地，所述改进粒子群算法的步骤如下：

(1)初始化粒子的速度和位置：

令D表示粒子群所在空间的维数，x_i＝[x_i1,x_i2,…x_iD]表示粒子i当前所在的位置，pbest_i＝[p_i1,p_i2,…,p_iD]用于记录粒子i曾经达到的最好位置，g表示种群中最优粒子的序号，粒子i的速度用向量v_i＝[v_i1,v_i2,…v_iD]表示；

(2)更新粒子的速度和位置：

每个粒子可根据下式来更新自己的速度和位置：

式中，k表示迭代次数；n表示粒子群规模；c₁、c₂为学习因子；r₁、r₂是区间[0,1]上的随机数；α为控制速度权重的约束因子；ω为惯性权重；

表示v_id、x_id、pbest_id、p_gd的第k次迭代值；

(3)优化惯性权重：惯性权重可根据下式进行迭代：

式中，ω_max和ω_min分别代表粒子惯性权重的最大值和最小值；k_max为迭代的最大次数；k_n为当前迭代次数。

优选地，采取压缩因子法修正速度，速度更新公式如下所示：

优选地，所述采用改进粒子群对步骤S22中的参数a和参数b进行优化的步骤如下：

S221：初始化改进粒子群算法的参数；

S222：对灰色预测模型的参数a和b进行优化；

S223：基于优化后的参数构a和b建立滚动的电能替代潜力灰色预测模型；

S224根据历史数据计算预测结果；

S225：计算预测结果与实际数据的误差；

S226：若误差满足要求，则记录参数a和参数b，结束；否则返回步骤S222。

优选地，所述滚动的电能替代潜力灰色预测模型的步骤如下：

(1)数据的检验与处理：

设参考数据为x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，计算序列的级比：

如果所有的级比λ(k)都落在可容覆盖

内，则序列x⁽⁰⁾可以作为模型GM(1,1)的数据进行灰色预测；

否则，需要对序列作必要的变换处理，使其落入可容覆盖内，即取适当的常数c，做平移变换：

y⁽⁰⁾(k)＝x⁽⁰⁾(k)+c,k＝1,2,…,n； (17)

使序列y⁽⁰⁾＝(y⁽⁰⁾(1),y⁽⁰⁾(2),…,y⁽⁰⁾(n))的级比

(2)建立GM(1,1)模型：

按照优化后的参数a和参数b建立GM(1,1)模型，则可得到预测值：

而且，

(3)检验预测值：

31)残差检验：令残差为ε(k)，计算：

这里

如果ε(k)＜0.2，则可认为达到一般要求；如果ε(k)＜0.1，则认为达到较高的要求；

32)级比偏差值检验：首先由参考数据x⁽⁰⁾(k-1)，x⁽⁰⁾(k)计算出级比λ(k)，再用发展系数a求出相应的级比偏差：

如果ρ(k)＜0.2，则可认为达到一般要求；如果ρ(k)＜0.1，则认为达到较高的要求。

(4)预测预报：

由模型GM(1,1)所得到的指定时区内的预测值，根据实际需要给出相应的预测预报。

本发明的有益效果为：本发明提供了一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，定义了电能替代量来量化电能替代潜力。利用滚动灰色预测提高结果的精度，并利用粒子群算法修正灰色模型中的参数，进一步提高预测的精确性。本发明提出的方法能够进一步提升结果的精确性，为电能替代发展趋势及潜力分析提供了量化的理论支撑，能够更好的指导面向电能替代的电源、电网、产能规划，对推进我国能源互联网建设具有参考价值。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为本发明的流程图；

图2为滚动的电能替代潜力灰色预测模型示意图；

图3是基于本发明方法与现有技术的预测结果对比；

图4已公开文件中粒子群与改进粒子群收敛速度对比；

图5是本发明与对比文件的误差对比。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，包括以下步骤：

S1：建立电能替代潜力的量化模型；电能替代潜力的量化模型具体为：

采用电能替代量来表征电能替代潜力，设第t年实际电能使用量为C_e(t)，能源总使用量为C(t)，定义第t+1年电能替代量为当年电能使用量占总能源使用量与上一年电能使用量占总能源使用量之差与当年能源总使用量的乘积；即：

式中，D_e(t+1)为第t+1年的电能替代量；C_e(t+1)为第t+1年的实际电能使用量量；C(t+1)为第t+1年的能源使用量总量。

S2：采用灰色预测模型对步骤S1中的电能替代潜力的量化模型进行预测；灰色预测的主要特点是模型使用的不是原始数据序列，而是生成的数据序列。其核心体系是灰色模型，即对原始数据作累加生成(或其他方法生成)得到近似的指数规律在进行建模的方法。优点是不需要很多的数据，一般只要4个数据，就能解决历史数据少、序列的完整性即可靠性低的问题；能利用微分方程来充分发掘系统的本质，精度高；能将无规律的原始数据进行生成得到规律性较强的生成序列，运算简便，易于检验。

灰色预测模型的建立包括以下步骤：

S21：生成1次累加序列：

已知参考数据序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，1次累加生成序列为：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))＝(x⁽⁰⁾(1),x⁽⁰⁾(1)+x⁽⁰⁾(2),…,x⁽⁰⁾(1)+…+x⁽⁰⁾(n))； (2)

式中：

x⁽¹⁾的均值生成序列为：

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n))； (4)

式中，z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1),k＝2,3,…n； (5)

S22：建立灰微分方程：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b,k＝2,3,…,n； (6)

相应的白化微分方程为：

记

μ＝[a,b]^T； (8)

Y＝[x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n)]^T； (9)

S23：求解相关参数：

由最小二乘法，求得使J(u)＝(Y-Bu)^T(Y-Bu)达到最小值的u的估计值为：

于是求解白化微分方程得

S3：采用改进粒子群算法对步骤S2中的灰色预测模型进行优化；具体是采用改进粒子群对步骤S22中的微分方程的参数a和参数b进行优化。现有技术虽已提出粒子群算法对灰色预测模型中的参数进行优化，但公开的算法仅仅是采用了传统的粒子群算法，容易在对灰色预测模型参数寻优过程中调入局部最优解，从而无法找到全局最优，并且已公开的方法求解过程收敛速度较慢，不利于推广到大数据时代下的预测。因此，本发明提出基于改进的粒子群算法来优化参数a和b，在粒子群算法中，系统从一组随机的潜在方案开始求解。所述改进粒子群算法的步骤如下：

(1)初始化粒子的速度和位置：

令D表示粒子群所在空间的维数，x_i＝[x_i1,x_i2,…x_iD]表示粒子i当前所在的位置，pbest_i＝[p_i1,p_i2,…,p_iD]用于记录粒子i曾经达到的最好位置，g表示种群中最优粒子的序号，粒子i的速度用向量v_i＝[v_i1,v_i2,…v_iD]表示；

(2)更新粒子的速度和位置：

每个粒子可根据下式来更新自己的速度和位置：

式中，k表示迭代次数；n表示粒子群规模；c₁、c₂为学习因子；r₁、r₂是区间[0,1]上的随机数；α为控制速度权重的约束因子；ω为惯性权重；

表示v_id、x_id、pbest_id、p_gd的第k次迭代值；

(3)优化惯性权重：ω是对于粒子群算法的收敛速度影响非常大，是用来控制粒子的历史速度对当前速度的影响程度，如果需要加速粒子搜索新的区域，可以给一个较大的ω。考虑到PSO算法容易陷入局部最优，因此提出动态变化的惯性权重法来适当弥补算法的缺陷。初始的时候取较大的惯性权重，能够让粒子跳出局部最优解，找寻全局最优。随着迭代次数的进行，逐步减小惯性权重，这样能够让粒子搜索到更精确的解。惯性权重可根据下式进行迭代：

式中，ω_max和ω_min分别代表粒子惯性权重的最大值和最小值；k_max为迭代的最大次数；k_n为当前迭代次数。

PSO算法的收敛速度也会随着参数的取值呈现不同的趋势，为了提高PSO算法的效率，加快算法的收敛速度，可以采取压缩因子法修正速度，速度更新公式如下所示：

采用改进粒子群对步骤S22中的参数a和参数b进行优化的步骤如下：

S221：初始化改进粒子群算法的参数；

S222：对灰色预测模型的参数a和b进行优化；

S223：基于优化后的参数构a和b建立滚动的电能替代潜力灰色预测模型；

S224根据历史数据计算预测结果；

S225：计算预测结果与实际数据的误差；

S226：若误差满足要求，则记录参数a和参数b，结束；否则返回步骤S222。

S4：基于优化后的灰色预测模型，设置滚动规则，建立滚动的电能替代潜力灰色预测模型，并用滚动的电能替代潜力灰色预测模型对电能替代潜力进行预测；通常，在原始灰色模型中，所有的数据都用于预测。如图2所示，本发明采用滚动原则，滚动规则为：在灰色预测模型预测的过程中，在数据列末尾添加最新预测得到的数据，同时删除每个数据列头部的旧数据，不断循环；数据列末尾的数据通过预测得到，重复预测过程。不断更新数据列，从而提高预测精度。

滚动的电能替代潜力灰色预测模型的步骤如下：

(1)数据的检验与处理：

设参考数据为x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，计算序列的级比：

如果所有的级比λ(k)都落在可容覆盖

内，则序列x⁽⁰⁾可以作为模型GM(1,1)的数据进行灰色预测；

否则，需要对序列作必要的变换处理，使其落入可容覆盖内，即取适当的常数c，做平移变换：

y⁽⁰⁾(k)＝x⁽⁰⁾(k)+c,k＝1,2,…,n； (17)

使序列y⁽⁰⁾＝(y⁽⁰⁾(1),y⁽⁰⁾(2),…,y⁽⁰⁾(n))的级比

(2)建立GM(1,1)模型：

按照优化后的参数a和参数b建立GM(1,1)模型，则可得到预测值：

而且，

(4)检验预测值：

31)残差检验：令残差为ε(k)，计算：

这里

如果ε(k)＜0.2，则可认为达到一般要求；如果ε(k)＜0.1，则认为达到较高的要求；

32)级比偏差值检验：首先由参考数据x⁽⁰⁾(k-1)，x⁽⁰⁾(k)计算出级比λ(k)，再用发展系数a求出相应的级比偏差：

如果ρ(k)＜0.2，则可认为达到一般要求；如果ρ(k)＜0.1，则认为达到较高的要求。

(4)预测预报：

由模型GM(1,1)所得到的指定时区内的预测值，根据实际需要给出相应的预测预报。

本实施例将本发明与对比文件王晶等的《基于粒子群优化的灰色预测方法》中的方法利用同本发明相同的数据源进行对比，得到：

表1误差结果

	对比文件	本发明
			误差均值(10<sup>3</sup>)	9.1486	6.3779
误差均方差(10<sup>4</sup>)	2.5719	2.0745

如图3所示，对比文件采用了传统的粒子群算法，容易在对灰色预测模型参数寻优过程中调入局部最优解，从而无法找到全局最优，并且已公开的方法求解过程收敛速度较慢，不利于推广到大数据时代下的预测，而本发明的改进后的粒子群算法可以实现快速收敛，并能找到全局最优。

本发明定义了电能替代量来量化电能替代潜力，利用滚动灰色预测提高结果的精度，并利用粒子群算法修正灰色模型中的参数，进一步提高预测的精确性。目前有相关公开文献《基于粒子群优化的灰色预测方法》提及粒子群算法，以及文献《基于粒子群优化的灰色预测方法》采用粒子群算法优化灰色模型参数，而本发明提出了滚动修正的方法并利用改进的粒子群算法进行优化。为了比较本发明算法的优越性，对公开文献的方法进行了复现，并利用本发明相同的测试数据进行测试，对两者的最终误差进行了比较。如图4和图5所示，本发明设置滚动规则修正后，预测精度比目前现有技术中的采用粒子群优化灰色预测模型的方法得到的预测精度还高，误差更小，由此说明了本发明的精度更高。

结果表明，本发明提出的方法能够进一步提升结果的精确性，为电能替代发展趋势及潜力分析提供了量化的理论支撑，能够更好的指导面向电能替代的电源、电网、产能规划，对推进我国能源互联网建设具有参考价值。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的实施例中，应该理解到，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元可结合为一个单元，一个单元可拆分为多个单元，或一些特征可以忽略等。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (8)

1.一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，其特征在于：包括以下步骤：

S1：建立电能替代潜力的量化模型；

S2：采用灰色预测模型对步骤S1中的电能替代潜力的量化模型进行预测；

S3：采用改进粒子群算法对步骤S2中的灰色预测模型进行优化；

S4：基于优化后的灰色预测模型，设置滚动规则，建立滚动的电能替代潜力灰色预测模型，并用滚动的电能替代潜力灰色预测模型对电能替代潜力进行预测；

所述滚动规则为：在灰色预测模型预测的过程中，在数据列末尾添加最新预测得到的数据，同时删除每个数据列头部的旧数据，不断循环；数据列末尾的数据通过预测得到，重复预测过程。

2.根据权利要求1所述的一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，其特征在于：所述步骤S1中电能替代潜力的量化模型具体为：

采用电能替代量来表征电能替代潜力，设第t年实际电能使用量为C_e(t)，能源总使用量为C(t)，定义第t+1年电能替代量为当年电能使用量占总能源使用量与上一年电能使用量占总能源使用量之差与当年能源总使用量的乘积；即：

式中，D_e(t+1)为第t+1年的电能替代量；C_e(t+1)为第t+1年的实际电能使用量量；C(t+1)为第t+1年的能源使用量总量。

3.根据权利要求1所述的一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，其特征在于：所述步骤S2灰色预测模型的建立包括以下步骤：

S21：生成1次累加序列：

已知参考数据序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，1次累加生成序列为：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))＝(x⁽⁰⁾(1),x⁽⁰⁾(1)+x⁽⁰⁾(2),…,x⁽⁰⁾(1)+…+x⁽⁰⁾(n))； (2)

式中：

x⁽¹⁾的均值生成序列为：

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n))； (4)

式中，z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1),k＝2,3,…n； (5)

S22：建立灰微分方程：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b,k＝2,3,…,n； (6)

相应的白化微分方程为：

记

μ＝[a,b]^T； (8)

Y＝[x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n)]^T； (9)

S23：求解相关参数：

由最小二乘法，求得使J(u)＝(Y-Bu)^T(Y-Bu)达到最小值的u的估计值为：

于是求解白化微分方程得

4.根据权利要求3所述的一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，其特征在于：所述步骤S3采用改进粒子群算法对步骤S2中的灰色预测模型进行优化具体为：采用改进粒子群对步骤S22中的参数a和参数b进行优化。

5.根据权利要求4所述的一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，其特征在于：所述改进粒子群算法的步骤如下：

(1)初始化粒子的速度和位置：

令D表示粒子群所在空间的维数，x_i＝[x_i1,x_i2,…x_iD]表示粒子i当前所在的位置，pbest_i＝[p_i1,p_i2,…,p_iD]用于记录粒子i曾经达到的最好位置，g表示种群中最优粒子的序号，粒子i的速度用向量v_i＝[v_i1,v_i2,…v_iD]表示；

(2)更新粒子的速度和位置：

每个粒子可根据下式来更新自己的速度和位置：

式中，k表示迭代次数；n表示粒子群规模；c₁、c₂为学习因子；r₁、r₂是区间[0,1]上的随机数；α为控制速度权重的约束因子；ω为惯性权重；

表示v_id、x_id、pbest_id、p_gd的第k次迭代值；

(3)优化惯性权重：惯性权重可根据下式进行迭代：

式中，ω_max和ω_min分别代表粒子惯性权重的最大值和最小值；k_max为迭代的最大次数；k_n为当前迭代次数。

6.根据权利要求5所述的一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，其特征在于：采取压缩因子法修正速度，速度更新公式如下所示：

7.根据权利要求6所述的一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，其特征在于：所述采用改进粒子群对步骤S22中的参数a和参数b进行优化的步骤如下：

S221：初始化改进粒子群算法的参数；

S222：对灰色预测模型的参数a和b进行优化；

S223：基于优化后的参数构a和b建立滚动的电能替代潜力灰色预测模型；

S224根据历史数据计算预测结果；

S225：计算预测结果与实际数据的误差；

S226：若误差满足要求，则记录参数a和参数b，结束；否则返回步骤S222。

8.根据权利要求7所述的一种基于粒子群和滚动修正的电能替代潜力灰色分析方法，其特征在于：所述滚动的电能替代潜力灰色预测模型的步骤如下：

(1)数据的检验与处理：

设参考数据为x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，计算序列的级比：

如果所有的级比λ(k)都落在可容覆盖

内，则序列x⁽⁰⁾可以作为模型GM(1,1)的数据进行灰色预测；

否则，需要对序列作必要的变换处理，使其落入可容覆盖内，即取适当的常数c，做平移变换：

y⁽⁰⁾(k)＝x⁽⁰⁾(k)+c,k＝1,2,…,n； (17)

使序列y⁽⁰⁾＝(y⁽⁰⁾(1),y⁽⁰⁾(2),…,y⁽⁰⁾(n))的级比

(2)建立GM(1,1)模型：

按照优化后的参数a和参数b建立GM(1,1)模型，则可得到预测值：

而且，

(3)检验预测值：

31)残差检验：令残差为ε(k)，计算：

这里

如果ε(k)＜0.2，则可认为达到一般要求；如果ε(k)＜0.1，则认为达到较高的要求；

32)级比偏差值检验：首先由参考数据x⁽⁰⁾(k-1)，x⁽⁰⁾(k)计算出级比λ(k)，再用发展系数a求出相应的级比偏差：

如果ρ(k)＜0.2，则可认为达到一般要求；如果ρ(k)＜0.1，则认为达到较高的要求。

(4)预测预报：

由模型GM(1,1)所得到的指定时区内的预测值，根据实际需要给出相应的预测预报。

Images