一種基于誤差修正模型的電力系統(tǒng)中負(fù)荷預(yù)測(cè)裝置及方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及電力系統(tǒng)負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于誤差修正模型的電力系統(tǒng)中負(fù)荷預(yù)測(cè)裝置及方法。
【背景技術(shù)】
[0002]負(fù)荷預(yù)測(cè)是電網(wǎng)規(guī)劃工作的基礎(chǔ)，是進(jìn)行電源規(guī)劃、電網(wǎng)規(guī)劃的前提?；趪窠?jīng)濟(jì)發(fā)展形勢(shì)做出的準(zhǔn)確的中長期負(fù)荷預(yù)測(cè)，是電網(wǎng)建設(shè)、改造精益化管理的數(shù)據(jù)基礎(chǔ)，同時(shí)也是電力系統(tǒng)運(yùn)行部門安排年度檢修計(jì)劃以及運(yùn)行方式保障電力系統(tǒng)安全穩(wěn)定運(yùn)行的重要手段。
[0003]目前，中長期負(fù)荷預(yù)測(cè)的方法主要分為參數(shù)模型和非參數(shù)模型兩大類。前者包括電力彈性系數(shù)法、時(shí)間序列法、趨勢(shì)外推法、回歸分析法等，后者主要包括灰色系統(tǒng)、專家系統(tǒng)、模糊預(yù)測(cè)和人工神經(jīng)網(wǎng)絡(luò)等?，F(xiàn)有預(yù)測(cè)方法中，回歸模型因?yàn)槟Ｐ秃唵我讓?shí)現(xiàn)，且擁有相對(duì)較好的預(yù)測(cè)精度，應(yīng)用最為廣泛，然而中長期負(fù)荷預(yù)測(cè)由于時(shí)間跨度長，所受到的影響因素較多、情況較復(fù)雜，當(dāng)負(fù)荷變化不規(guī)律時(shí)，傳統(tǒng)線性回歸模型就難以很好的反映負(fù)荷的變化，表現(xiàn)出了較差的適應(yīng)性。而非線性回歸模型又有模型形式難以確定，參數(shù)估計(jì)困難等缺點(diǎn)。隨著電力系統(tǒng)規(guī)模逐漸擴(kuò)大以及其市場(chǎng)化程度的提高，中長期負(fù)荷預(yù)測(cè)問題變得更加復(fù)雜，難度更高。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問題在于，克服現(xiàn)有技術(shù)中存在的問題，提供一種基于誤差修正模型的電力系統(tǒng)中負(fù)荷預(yù)測(cè)裝置及方法。
[0005]我實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用如下技術(shù)方案:
一種基于誤差修正模型的電力系統(tǒng)中負(fù)荷預(yù)測(cè)方法，采用因子模型方法，以回歸模型為基礎(chǔ)，將遺傳算法、協(xié)整檢驗(yàn)與誤差修正模型有機(jī)結(jié)合，建立起中長期遺傳回歸預(yù)測(cè)模型GRM，對(duì)電網(wǎng)的負(fù)荷進(jìn)行中長期預(yù)測(cè)，其步驟如下:
1)、首先通過由遺傳算法提供的初始種群C，以及公共因子矩陣A，生成該種群內(nèi)所有個(gè)體對(duì)應(yīng)的目標(biāo)矩陣B，
2)、然后將目標(biāo)矩陣B輸送至協(xié)整與回歸建模模塊，該回歸建模模塊中對(duì)因變量的群用電量，與目標(biāo)矩陣B中的成分因子序列進(jìn)行協(xié)整檢驗(yàn)，
3)、對(duì)于通過協(xié)整檢驗(yàn)的目標(biāo)矩陣B，建立起相應(yīng)的誤差修正模型，求取適應(yīng)度函數(shù)值，對(duì)于未通過協(xié)整檢驗(yàn)的目標(biāo)矩陣B，直接建立四元線性回歸模型，并求取目標(biāo)矩陣B對(duì)應(yīng)的個(gè)體適應(yīng)度函數(shù)的值；
4)、最后，以種群中所有個(gè)體適應(yīng)度函數(shù)值作為遺傳算法進(jìn)行復(fù)制、交叉、變異的依據(jù)，由遺傳算法模塊生成新的種群，再次傳遞給因子提取模塊以用來生成新的目標(biāo)矩陣，實(shí)現(xiàn)算法的循環(huán)；
5)、當(dāng)適應(yīng)度函數(shù)值滿足優(yōu)化準(zhǔn)則或是遺傳算法達(dá)到最大的進(jìn)化代數(shù)，尋優(yōu)過程結(jié)束，輸出最優(yōu)個(gè)體；
6)、通過遺傳算法尋優(yōu)，得到滿足協(xié)整檢驗(yàn)的，使得適應(yīng)度函數(shù)值最小的最優(yōu)個(gè)體-因子提取方案，并由此確定模型參數(shù)，進(jìn)行預(yù)測(cè);其具體實(shí)施步驟如下:
開始，輸入原始數(shù)據(jù)矩陣，確定滯后階數(shù)及成分因子個(gè)數(shù)Gen=0;
染色體編碼，生成初始種群；
提取公因子，技術(shù)目標(biāo)矩陣B;
協(xié)整檢驗(yàn)建立回歸/誤差修正模型；
適應(yīng)度函數(shù)計(jì)算；
是否滿足優(yōu)化準(zhǔn)則判斷:
判斷N，通過選擇、交叉、變異、重插入Gen=Gen+l，至生成新一代群體，返回至提取公因子，技術(shù)目標(biāo)矩陣B，繼續(xù)進(jìn)行；
判斷Y，確定模型參數(shù)，輸出預(yù)測(cè)結(jié)果計(jì)算誤差指標(biāo)，結(jié)束。
[0006]一種基于誤差修正模型的電力系統(tǒng)中負(fù)荷預(yù)測(cè)方法，所述的協(xié)整檢驗(yàn)?zāi)K工作流程，其步驟如下:
目標(biāo)矩陣B;
目標(biāo)矩陣向量與電量向量進(jìn)行協(xié)整檢驗(yàn)；
判斷存在協(xié)整關(guān)系；
判斷Y，以目標(biāo)矩陣B為基礎(chǔ)，建立誤差修正模型，至適應(yīng)度函數(shù)；
判斷N，以目標(biāo)矩陣B為基礎(chǔ)，建立線性回歸模型，至適應(yīng)度函數(shù)。
[0007]一種基于誤差修正模型的電力系統(tǒng)中負(fù)荷預(yù)測(cè)方法，所述的適應(yīng)度函數(shù)計(jì)算工作流程，其步驟如下:
1)、以目標(biāo)矩陣B為基礎(chǔ)，建立誤差修正模型，計(jì)算各年擬合誤差，并對(duì)擬合誤差的絕對(duì)值求加和，至適應(yīng)度函數(shù)；
2)、以目標(biāo)矩陣B為基礎(chǔ)，建立多元線性回歸模型，計(jì)算各年擬合誤差，并對(duì)擬合誤差的絕對(duì)值求加和，最后，乘以懲罰系數(shù)K，至適應(yīng)度函數(shù)。
[0008]一種基于誤差修正模型的電力系統(tǒng)中負(fù)荷預(yù)測(cè)裝置，包括有回歸預(yù)測(cè)模型、遺傳回歸模型、誤差修正模型、協(xié)整單元組成。
[0009]由于采用如上所述的技術(shù)方案，本發(fā)明具有以下優(yōu)越性:
一種基于誤差修正模型的電力系統(tǒng)中負(fù)荷預(yù)測(cè)裝置及方法，利用好回歸模型算法簡單、預(yù)測(cè)精度高的優(yōu)點(diǎn)，同時(shí)提高線性回歸模型適應(yīng)性的出發(fā)點(diǎn)。提出了一種基于遺傳算法(Genetic Algorithm)和誤差修正模型相結(jié)合的回歸預(yù)測(cè)模型(Regress Model)，遺傳回歸模型(Genetic Regress Model，簡稱GRM模型)，GRM模型用GA提取建立誤差修正模型以及多元線性回歸模型的目標(biāo)矩陣B，并進(jìn)行協(xié)整檢驗(yàn)，相比于傳統(tǒng)的多元線性回歸預(yù)測(cè)模型有了以下方面的優(yōu)勢(shì):首先是使用來自各行各業(yè)量大面廣的數(shù)據(jù)列，使的模型建立在更加廣泛的數(shù)據(jù)基礎(chǔ)之上，同時(shí)，通過因子提取的方式，避免了模型自由度變高導(dǎo)致的模型擬合困難;其次，通過協(xié)整檢驗(yàn)，以及設(shè)定的懲罰系數(shù)K，保證待預(yù)測(cè)電量與生成的B矩陣的成分因子序列之間存在長期穩(wěn)定的關(guān)系，相較之傳統(tǒng)多元線性回歸模型建立變量間各種假設(shè)檢驗(yàn)下的相關(guān)性，有更為嚴(yán)謹(jǐn)?shù)睦碚摶A(chǔ);最后，遺傳算法全局搜索的能力保證了提取的最優(yōu)因子是全局最優(yōu)解。
【附圖說明】
[0010]圖1為電力系統(tǒng)中負(fù)荷預(yù)測(cè)GRM方法的邏輯流程圖；
圖2為電力系統(tǒng)中負(fù)荷預(yù)測(cè)裝置的協(xié)整檢驗(yàn)?zāi)K流程圖；
圖3為電力系統(tǒng)中負(fù)荷預(yù)測(cè)裝置的適應(yīng)度函數(shù)計(jì)算流程圖。
【具體實(shí)施方式】
[0011 ]下面結(jié)合具體附圖，進(jìn)一步闡述本發(fā)明。
[0012]如圖1、2、3所示，一種基于誤差修正模型的電力系統(tǒng)中負(fù)荷預(yù)測(cè)方法，采用因子模型方法，以回歸模型為基礎(chǔ)，將遺傳算法、協(xié)整檢驗(yàn)與誤差修正模型有機(jī)結(jié)合，建立起中長期遺傳回歸預(yù)測(cè)模型GRM，對(duì)電網(wǎng)的負(fù)荷進(jìn)行中長期預(yù)測(cè)，其步驟如下:
1、首先通過由遺傳算法提供的初始種群C，以及公共因子矩陣A，生成該種群內(nèi)所有個(gè)體對(duì)應(yīng)的目標(biāo)矩陣B，
2、然后將目標(biāo)矩陣B輸送至協(xié)整與回歸建模模塊，該模塊中對(duì)因變量的群用電量，與目標(biāo)矩陣中的成分因子序列進(jìn)行協(xié)整檢驗(yàn)，
3、對(duì)于通過協(xié)整檢驗(yàn)的目標(biāo)矩陣，建立起相應(yīng)的誤差修正模型，求取適應(yīng)度函數(shù)值，對(duì)于未通過協(xié)整檢驗(yàn)的目標(biāo)矩陣，直接建立四元線性回歸