布谷鸟优化算法电力负荷预测优化模型

提出了一种基于云模型的电力负荷预测模型.利用云模型中的云发生器,分别将有限的国民生产总值和工业生产总值的增长率和增长变化率样本数据空间扩充为更具随机性和普遍性的扩展样本数据.以国民生产总值为例,建立国民生产总值与电力负荷之间的规则推理,构造云规则推理器.利用云规则推理器获得电力负荷预测增长率,将国民生产总值和工业生产总值获得的电力负荷预测增长率进行加权平均,并换算得到最终的电力负荷预测值,获得的预测结果精度高.

支持向量机svm作为机器学习方法之一,有数据分类以及数据回归两种用途,支持向量机的回归能应用于预测领域.本文应用svm方法来建立电力负荷预测模型,首先以历史负荷、天气、日期类型作输入数据,然后对数据进行归一化处理,再利用svm构建预测模型,svm在负荷预测方面具有较高的可信度与精准度.

针对小样本数据,提出基于gm(1,1)模型进行电力负荷预测模型,并通过实例表明该模型在电力负荷预测中的可行性;开发了基于gm(1,1)模型的电力负荷预测系统,实现了在实际工作中所要求的数据录入、查询、分析和预测功能。

提出了一种基于云模型的电力负荷预测模型。利用云模型中的云发生器,分别将有限的国民生产总值和工业生产总值的增长率和增长变化率样本数据空间扩充为更具随机性和普遍性的扩展样本数据。以国民生产总值为例,建立国民生产总值与电力负荷之间的规则推理,构造云规则推理器。利用云规则推理器获得电力负荷预测增长率,将国民生产总值和工业生产总值获得的电力负荷预测增长率进行加权平均,并换算得到最终的电力负荷预测值,获得的预测结果精度高。

负荷预测是电力系统研究和电网规划的重要组成部分。采用隐马尔可夫模型,训练过程采用baum-welch算法,在matlab软件上隐马尔可夫模型进行训练,得到负荷特性预测最优模型,解码预测过程采用viterbi算法,通过模型可预测下一年地区负荷特性。以广东电网2011年至2016年负荷数据作为训练数据对隐马尔可夫模型进行训练,并对2017年广东典型日负荷率进行预测,仿真结果具有较优的准确性和计算效率。

方法的选择对电力负荷预测结果至关重要,本文通过对x(1)(1)增加干扰因素β,实现对初始值的优化,较已有研究文献使用x(1)(n)+β方法更加便于理解,保持运算前后一致,同时,改进背景值的设置。通过实例验证,此方法可以在负荷预测上得到很好的应用,提高预测精度。

灰色系统是部分信息已知、部分信息未知的系统。灰色系统把一般系统理论、信息控制的观点和方法延伸到社会、经济等广义系统，灰色系统理论能更准确地描述社会经济系统的状态和行为。研究基于灰色系统理论的灰色预测模型，对社会经济系统预测具有重要的意义。由于用电负荷增长情况受经济发展、产业机构、气候、居民收入水平等诸多因素的影响，其中有一些因素是确定的；而另外一些因素是不确定的，故可以把它看作一个灰色系统。

针对传统灰色模型的建模机理和存在的局限性,提出了改进方法,建立了新的电力负荷预测模型.通过实例计算表明,该模型具有良好的适用性和预性精度.

鉴于中长期负荷预测受很多不确定因素的影响,各种预测方法都有其局限性的问题,在分析基本灰色模型及其传统改进模型在负荷预测中局限性的基础上,提出了一种电力系统中长期负荷预测的实用新方法——组合优化灰色预测法.该预测法是一种对残差改进灰色模型(gm)和基于等维新息递补预测法的改进灰色模型进行优化的组合方法,能够实现在线预测模型参数,满足动态电力负荷能解决随机干扰影响的要求,最终的预测结果误差可基本控制在3%之内.经过实例计算,组合优化灰色预测模型用于中长期电力负荷预测,与传统的系统理论方法相比较,该方法计算简捷,预测精度高,具有很好的实用性.

论述了用优化灰色理论进行电力系统中长期负荷预测的建模过程．通过对原始负荷数据的预处理，把有起伏特性的原始数据序列变成规律性强的序列，再利用改进的ｇｍ（１，１）模型进行预测，可以大大提高预测精度和灰色方法的适用范围，而且简捷实用．经实际算例校核证明，该方法可以作为中长期电力负荷预测的理想工具．

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络（grnn）已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用grnn进行预测的关键点。提出了一种将多种群的果蝇优化算法（mfoa）和grnn相结合的混合年电力负荷预测模型,用以解决上述问题。其中,mfoa用作为grnn电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,mfoa-grnn模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型（de-svm）、粒子群优化的grnn模型（pso-grnn）、以及果蝇优化的grnn模型（foa-grnn）的预测结果进行了比较。最终得出,文中所提出的mfoa-grnn模型在年电力负荷预测中的预测性能优于上述3种模型。

基于正交设计和灰色系统理论,提出一种预测年电力负荷的新方法。采用新陈代谢技术和加权最小二乘参数辨识法对标准gm(1,1)模型进行改进。以背景值系数α、建模所需数据个数m和加权参数q作为可控因素,根据专家经验设计了三因素三水平正交表。以平均绝对百分比误差为输出目标,通过信噪比分析,得出最优参数水平组合,并通过方差分析,进一步得出各可控因素对预测效果的影响程度。对2个电网的负荷进行预测,结果验证了所提方法的可行性和有效性。

中长期电力负荷预测是规划的前提和基础。以建立线性回归模型来科学预测电力负荷在未来的变化趋势及状态，通过算例分析，得出利用线性回归模型进行电力学系统中长期负荷预测取得令人满意的效果。

负荷预测效果直接影响电网的安全稳定和经济效益,是电网调度的重要组成内容。针对极限学习机随机产生输入层权值和隐含层阈值导致网络模型不稳定的问题,提出了一种基于改进遗传算法优化极限学习机的负荷预测方法。利用爬山法改进的遗传算法对极限学习机的权值和阈值进行优化,以获得稳定性强,预测精度高的优化模型。并将此模型与bp网络、极限学习机的预测结果进行对比,仿真实验结果表明,改进模型具有较快的训练速度和更为准确的预测结果,适应于影响因素众多,数据量巨大的现代短期电力负荷预测。

利用标准bp神经网络建立短期电力负荷预测模型,其算法存在最终解过于依赖初值和过学习现象,并且训练过程中存在局部极小问题且预测精度低等缺点。为了提高电力负荷模型的预测精度,通过阅读相关文献,构建了基于改进bp神经网络的短期电力负荷预测模型,该模型采用遗传算法对权值和阈值进行初始化,以相对误差和附加动量法相结合的方式去计算权值修正量。比较改进后的bp算法和标准bp算法在短期电力负荷预测的效果,从实验仿真的效果表明改进后的模型提高了预测精度。

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与bp算法相结合,形成了粒子群优化bp算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的bp模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.

基于单项预测模型进行电网负荷预测已不能适应当前电网管理的要求。组合预测模型在很大程度上能够弥补单一预测方法的片面性,但在组合模型中固定负荷预测方法也存在预测不准确、可信度低等一系列问题。本文在电力负荷预测系统中引入动态组合的思想,通过自动筛选预测方法、动态配置权重,构建最优组合预测模型。实践证明,该组合预测方法比单个预测方法具有更高的预测准确性。

以忻州市1994~2004年用电量数据为例介绍了灰色预测技术在电力系统中的应用,并与忻州市1994年至2004年工农业生产总值(不变价)和同期用电量数据建立的一元线性回归模型预测结果进行了对比分析,进一步说明了灰色模型预测具有较高的置信度和应用价值。

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用gm(1,1)灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。

针对时间因素、季节因素和随机因素对短期电力负荷的影响,以某一地区电力负荷历史数据为基础,利用模糊推理算法对短期电力负荷进行预测,实现电力负荷短期预测值的自适应调整,实时保证电力系统的供需平衡。对本地区进行短期电力负荷预测仿真试验,试验结果表明,使用模糊推理算法的短期电力负荷预测系统具有较高的准确度。

讨论了灰色模型gm(1,1)及其改进模型在短期电力负荷预测中的应用,提出了适合电网普通日及特殊日电力负荷预测的数据处理方法,提高了预测的精度。