[發(fā)明專利]一種電力負荷中長期預測模型的性能提升方法

在審

• 申請?zhí)枺?/td>: 202010180165.7
• 申請日: 2020-03-16
• 公開（公告）號: CN111582535A
• 公開（公告）日: 2020-08-25
• 發(fā)明（設計）人: 龔遜東;錢立軍;薛溟楓;謝照軍;張博;毛曉波;潘湧濤;吳寒松
• 申請（專利權）人: 國網江蘇省電力有限公司無錫供電分公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00
• 代理公司: 北京智繪未來專利代理事務所(普通合伙) 11689
• 代理人: 張紅蓮

1.一種電力負荷中長期預測模型的性能提升方法，其特征在于，所述方法包括以下步驟：

步驟S10：輸入實際負荷數(shù)據(jù)序列X⁽⁰⁾，并進行一次累加生成累加負荷數(shù)據(jù)序列X⁽¹⁾；

步驟S20：建立GM(1,1)灰色系統(tǒng)模型；

步驟S30：建立改進型蟻獅算法IALO優(yōu)化GM(1,1)模型；

步驟S40：基于灰色關聯(lián)分析重新構建改進型蟻獅算法IALO中的適應度函數(shù)，二次優(yōu)化GM(1,1)模型參數(shù)a和b，其中a為模型的發(fā)展系數(shù)，b為模型的協(xié)調系數(shù)；

步驟S50：通過多輪改進型蟻獅算法IALO動態(tài)滾動過程不斷修正GM(1,1)模型參數(shù)a、b值以獲得最新負荷數(shù)據(jù)序列，最終根據(jù)不斷更新的負荷數(shù)據(jù)序列得到全部目標預測點。

2.根據(jù)權利要求1所述的電力負荷中長期預測模型的性能提升方法，其特征在于：

在所述步驟S10中，

輸入電力負荷的實際值序列為X⁽⁰⁾＝{x⁽⁰⁾(1),⁽⁰⁾(2),…,⁽⁰⁾(p)}，

經過一次累加生成累加負荷數(shù)據(jù)序列為X⁽¹⁾＝{x⁽¹⁾(1),⁽¹⁾(2),…,⁽¹⁾(p)}，其中x⁽⁰⁾(p)是時間p點的負荷實際值；

3.根據(jù)權利要求1或2所述的電力負荷中長期預測模型的性能提升方法，其特征在于：

所述步驟S20包括以下步驟：

S201：在所述步驟S10輸入的實際負荷數(shù)據(jù)序列和累加負荷數(shù)據(jù)序列的基礎上，建立灰色系統(tǒng)模型方程：

S202：根據(jù)累加負荷數(shù)據(jù)序列X⁽¹⁾滿足指數(shù)增長的規(guī)律，建立一階白化線性方程：

S203：設參數(shù)向量

其中

S204：根據(jù)參數(shù)向量求解S202中的方程獲得時間響應函數(shù)：

對所述時間響應函數(shù)進行累減還原處理，得到預測序列

4.根據(jù)權利要求3所述的電力負荷中長期預測模型的性能提升方法，其特征在于：

在所述S201中建立的灰色系統(tǒng)模型方程為

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

其中，a為模型的發(fā)展系數(shù)，b為模型的協(xié)調系數(shù)。

5.根據(jù)權利要求1所述的電力負荷中長期預測模型的性能提升方法，其特征在于：

所述步驟S30包括以下步驟：

S301：設置改進型蟻獅算法IALO的五個參數(shù)，所述參數(shù)包括螞蟻和蟻獅的數(shù)量Agents_no、變量數(shù)目dim、最大迭代次數(shù)Max_iteration、變量下限lr＝[lr₁,lr₂,…]以及變量上限ur＝[ur₁,ur₂,…]；

S302：位置初始化，即隨機生成螞蟻和蟻獅的位置，得到兩者的位置矩陣：

S303：選擇初始精英，計算蟻獅的適應度值：

S304：使用矩陣M_OAL存儲蟻獅的適應度值：

S305：在矩陣M_OAL中選擇最優(yōu)蟻獅適應度值作為精英適應度值，其中精英是指在每一次迭代中根據(jù)適應度值得到的最佳蟻獅，根據(jù)蟻獅適應度函數(shù)，將每次迭代中求得的最大適應度值對應的蟻獅作為初始精英，其中，包括精英在內的每只蟻獅僅對應一個適應度值。