[發(fā)明專利]一種電力負(fù)荷中長期預(yù)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(shè)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(quán)）人: 國網(wǎng)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(wù)所(普通合伙) 11689
• 代理人: 張紅蓮

一種電力負(fù)荷中長期預(yù)測模型的性能提升方法，所述方法包括以下步驟：S10：輸入實際負(fù)荷數(shù)據(jù)序列X⁽⁰⁾，并進行一次累加生成累加負(fù)荷數(shù)據(jù)序列X⁽¹⁾；S20：建立GM(1,1)灰色系統(tǒng)模型；S30：建立IALO優(yōu)化GM(1,1)模型；S40：基于灰色關(guān)聯(lián)分析重新構(gòu)建IALO中的適應(yīng)度函數(shù)，二次優(yōu)化GM(1,1)模型參數(shù)a和b；S50：通過多輪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(fù)荷數(shù)據(jù)序列，最終根據(jù)不斷更新的負(fù)荷數(shù)據(jù)序列得到全部目標(biāo)預(yù)測點。該方法相比一些常用的群體智能算法具備更高的準(zhǔn)確度，有效保障了電力負(fù)荷預(yù)測模型的預(yù)測性能。

技術(shù)領(lǐng)域

本發(fā)明涉及電力系統(tǒng)負(fù)荷預(yù)測技術(shù)領(lǐng)域，特別是涉及一種電力負(fù)荷中長期預(yù)測模型的性能提升方法。

背景技術(shù)

準(zhǔn)確的中長期負(fù)荷預(yù)測是制定合理的電力系統(tǒng)發(fā)展規(guī)劃的前提，也是實現(xiàn)電網(wǎng)安全經(jīng)濟運行的重要保障。我國中長期電力負(fù)荷的發(fā)展既有逐年增長的確定性，又有隨機波動的不確定性，可視為一種典型的灰色系統(tǒng)，因此鄧聚龍教授提出的灰色模型GM(1,1)及其優(yōu)化模型在中長期負(fù)荷預(yù)測中得到了較為廣泛的應(yīng)用。

但中長期電力負(fù)荷由于受到經(jīng)濟、氣候等因素的影響，常呈現(xiàn)一定的突變性，直接利用原始負(fù)荷數(shù)據(jù)建立GM(1,1)模型，可能會導(dǎo)致模型誤差較大或擬合效果較好而預(yù)測效果較差。隨著基礎(chǔ)理論研究的逐步深入，人們開始利用群體智能算法來不斷優(yōu)化灰色模型參數(shù)以提高模型的預(yù)測精度，其中蟻獅優(yōu)化算法(ALO，以下簡稱為ALO)是最近提出的一種自然元啟發(fā)式算法。ALO算法的原理是模仿了自然界中的蟻獅狩獵機制，相比于其它優(yōu)化算法具有收斂速度較快、求解效率較高等特點，但是ALO算法在某些復(fù)雜的優(yōu)化問題上具有不平衡的勘探開發(fā)能力的缺點，從而在實際求解過程中常會陷入局部最優(yōu)的問題。此外，ALO算法利用平均相對預(yù)測誤差最小為目標(biāo)構(gòu)建適應(yīng)度函數(shù)來篩選最優(yōu)模型參數(shù)值，常常會導(dǎo)致模型預(yù)測精度高而擬合精度低的問題，預(yù)測結(jié)果的片面性和局限性也將會使灰色模型預(yù)測的可信度進一步降低。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種電力負(fù)荷中長期預(yù)測模型的性能提升方法，可以有效地解決ALO-GM(1,1)模型自身的局限性問題和顯著地提升預(yù)測精度。

為解決上述技術(shù)問題，本發(fā)明具體采用以下技術(shù)方案。

一種電力負(fù)荷中長期預(yù)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(fù)荷數(shù)據(jù)序列X⁽⁰⁾，并進行一次累加生成累加負(fù)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(guān)聯(lián)分析重新構(gòu)建改進型蟻獅算法(IALO)中的適應(yīng)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(diào)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(fù)荷數(shù)據(jù)序列，最終根據(jù)不斷更新的負(fù)荷數(shù)據(jù)序列得到全部目標(biāo)預(yù)測點。

本發(fā)明還進一步采用以下優(yōu)選技術(shù)方案：

在所述步驟S10中，

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