一種優(yōu)化的電力數(shù)據(jù)短期預測方法
【技術領域】
[0001] 本發(fā)明設及電力數(shù)據(jù)分析領域，尤其設及一種優(yōu)化的電力數(shù)據(jù)短期預測方法。
【背景技術】
[0002] 在城市電網(wǎng)中，短期電力預測是指W月為單位預測未來一個月的電力數(shù)據(jù)，還指 W周、天、小時為單位，預測未來一周、未來一天、未來一個小時的電力數(shù)據(jù)，短期電力預測 是電力系統(tǒng)日常運行中的一項重要工作，是制定發(fā)電計劃和輸電方案的主要依據(jù)，精確的 電力數(shù)據(jù)預測，對電力系統(tǒng)的生產(chǎn)安排、經(jīng)濟調(diào)度和安全分析都有著重要的作用，也直接影 響著電力企業(yè)的經(jīng)濟效益。但是，影響用電的因素眾多，無法用確切的數(shù)學模型來表達電力 數(shù)據(jù)，目前，最常用的預測算法有灰度預測法、時間序列法、回歸模型等，其中灰度預測法對 于單變量模型的預測有著良好的預測精度，但是由于影響電力數(shù)據(jù)的因素很多，單一的模 型無法做到對電力需求的精準預測，造成電力數(shù)據(jù)的預測出現(xiàn)誤差，影響電力系統(tǒng)的正常 運行。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于提供一種優(yōu)化的電力數(shù)據(jù)短期預測方法，能夠提高電力數(shù)據(jù)預 測的準確性，為制定發(fā)電計劃和輸電方案提供重要依據(jù)。
[0004] 為實現(xiàn)上述目的，本發(fā)明采用如下技術方案：
[000引一種優(yōu)化的電力數(shù)據(jù)短期預測方法，依次包括W下步驟：
[0006] (1)將原始電力數(shù)據(jù)分為若干相同樣本數(shù)的子集，記為{Cl，C2,……Ck，……Cn}，其 中C表示原始電力數(shù)據(jù)的子集，下標k=l，2,......η，n為自然數(shù)；
[0007] (2)對原始電力數(shù)據(jù)的子集建立灰度模型GM(1，1)，對此灰度模型進行計算得到一 組灰度預測數(shù)列，此灰度預測數(shù)列組成灰度預測模型Pbp，求出灰度預測數(shù)列與原始數(shù)列之 間的殘差序列ε W，ε表示灰度預測數(shù)列與原始數(shù)列之間的殘差，上標0表示第0次迭加；
[0008] (3)將步驟(2)得到的灰度預測模型的殘差序列輸入ΒΡ神經(jīng)網(wǎng)絡進行訓練，得到ΒΡ 神經(jīng)網(wǎng)絡模型Pbp，求出ΒΡ神經(jīng)網(wǎng)絡模型的實際輸出值與期望輸出值之間的殘差序列δ^，δ 表示ΒΡ神經(jīng)網(wǎng)絡實際輸出值與期望輸出值之間的殘差，上標0表示第0次迭加；
[0009] (4)根據(jù)步驟(2)和步驟(3)，得出灰度預測模型和ΒΡ神經(jīng)網(wǎng)絡模型之間的平均殘 差序列eW，
[0010]

下標e僅為區(qū) 分作用，并非變量，下標n = l，2,……；
[0011] (5)用步驟(4)得到的平均殘差序列eW來訓練原始樣本子集Ci，得到初始化的誤 差神經(jīng)網(wǎng)絡Ebp;
[0012] (6)初始化α，β，使兩者滿足：
[0013]
[0014]其中，α和β是兩個假設計算權重，egi讀示第k個樣本第一次訓練得到的灰度預測 模型的殘差值，e表示殘差，g表示灰度預測模型，ep化表示第j個樣本第一次訓練得到的BP神 經(jīng)網(wǎng)絡模型的殘差值，P表示BP神經(jīng)網(wǎng)絡；
[0015] (7)依次用步驟(4)得到的灰度預測模型和BP神經(jīng)網(wǎng)絡模型的平均殘差序列eW來 訓練原始樣本的第k個子集，分別得到灰度預測模型的殘差序列eW、B巧巾經(jīng)網(wǎng)絡的殘差序 列δ W和平均殘差序列eW.
[0016 ] (8)更新Ebp網(wǎng)絡，同時更新α和β，使α和的馬足
[0017]
[0018] 直至所有樣本處理完畢，其中，egu表示第j個樣本第i次訓練得到的灰度預測模型 的殘差值，e表示殘差，g表示灰度預測模型，ep化表示第j個樣本第i次訓練得到的BP神經(jīng)網(wǎng) 絡模型的殘差值，下標P表示BP神經(jīng)網(wǎng)絡；
[0019] (9)利用步驟(2)得到的灰度模型GM和灰度預測模型Pbp，及步驟(8)得到的α、β值和 Ebp網(wǎng)絡，得到電力數(shù)據(jù)短期預測模型：
[0020] 地 M+胖 bp 巧 bp。
[0021] 所述步驟(2)中，對原始電力數(shù)據(jù)的子集建立灰度模型及殘差序列eW的計算方法 如下：
[0022] 將原始電力數(shù)據(jù)序列記為XW，
[0023] 貝 Ij
[0024]
[002引對xW累加計算，得到原始電力數(shù)據(jù)的生成數(shù)據(jù)序列x("，
[0026]
[0027]其中，
表示原始電力數(shù)據(jù)的第i個子集，k=l， 2,......，n = l ,2,......，上標1表示第一次累加，
[0030] zW為χω的緊鄰均值生成序列，χω化)表示第k個子集第一次累加計算之后的值， zw化)表示xw化)的緊鄰均值生成序列，X表示電力數(shù)據(jù)，上標(1)表示第一次累加；
[0031] xW化)+azW化）=b稱為灰度模型GM(1，1)，其中，xW化)表示原始電力數(shù)據(jù)的第k 個子集，k=l，2,……，a是發(fā)展系數(shù)，反映了第一次累加之后的預測值與原始數(shù)據(jù)之間的發(fā) 展態(tài)勢，b是灰色作用量，用于區(qū)別灰色建模與一般建模，
[0032] a和b的值通過建模求解，令a = (a，b) T，且
[0035] 求出微分方程xW化)+azW化）=b的最小二乘估計系數(shù)列，此最小二乘估計系數(shù) 列滿足α =作''"巧護Y的方程，3表示a的預測值，最小二乘法求解a和b的過程為現(xiàn)有技 術，不再寶述，灰度模型GM( 1，1)的建模過程為現(xiàn)有技術，不再寶述；
[0036] 灰度模型GM(1，1)的微分方程為：
[0037]
[0038] 其中t表示時間，將a，b的值代入灰度模型GM(1，1)微分方程，求解得到灰度模型的 時間響府序列：
[0043] 灰度模型實際值xW(n)與預測值fW(n)之間的差值即為殘差eW，則有灰度模型 預測數(shù)列與原始數(shù)列之間的殘差序列
[0044] 即

下標g表示灰度模型GM，并 非變量，下標gin表示第η個子集的數(shù)據(jù)經(jīng)第一次累加計算，下標n = 1，2，……。
[004引所述步驟(3)中，利用BP神經(jīng)網(wǎng)絡來訓練殘差序列的過程如下：
[0046] 指定BP神經(jīng)網(wǎng)絡只有一個輸出y，任一節(jié)點i的輸出為化，對某一輸入xk，網(wǎng)絡輸出 為yk，節(jié)點i的輸出為化k，下標k = 1，2，……，η，η為自然數(shù)，節(jié)點j的輸入為：
[0047]
[0048] 則誤差函數(shù)定義為
[0049]
[0050] 其中yk為網(wǎng)絡實際輸出，貂為網(wǎng)絡的期望輸出，
[0063] 設BP網(wǎng)絡有Μ層，其中第Μ層僅含輸出節(jié)點，第一層為輸入節(jié)點，貝化巧申經(jīng)網(wǎng)絡的計 算過程為：
[0064] ①選取初始權值W;
[0065] ②重復下述過程直至收斂；
[0066] (a)對于 n = l 到 Ν;
[0067] (b)計算Oik, net北和沉的值；
[0068] (C)對各層從Μ菌J2反向計算；
[0069] (d)對同一節(jié)點j,計算'▽典；
[0070] ③修正權值
[0073]通過W上計算過程可完成BP神經(jīng)網(wǎng)絡的訓練，
[0074] 求出BP神經(jīng)網(wǎng)絡的實際輸出值與期望值之間的殘差序列SW二{sW(i)，sW (2)，......，δ^(η)} = {epii，epi2,......，epin}，下標p表示BP神經(jīng)網(wǎng)絡模型，并非變量，下標n = 1,2,......〇
[0075] 本發(fā)明利用灰度模型對單變量預測的優(yōu)勢及人工神經(jīng)網(wǎng)絡對非線性及模糊信息 的處理能力，使用灰度模型對電力數(shù)據(jù)進行建模，再使用人工神經(jīng)網(wǎng)絡對實際值與預測的 殘差進行建模，最后疊加上述兩個模型，有效地提高了電力數(shù)據(jù)短期預測的魯棒性和準確 性，提高了電力調(diào)配的可靠性，有效提高了城市電網(wǎng)的用電效率。
【附圖說明】
[0076] 圖1為本發(fā)明的流程圖；
[0077] 圖2為本發(fā)明所述實施例一中S種電力數(shù)據(jù)預測的結果示意圖；
[0078] 圖3為本發(fā)明所述實施例一種Ξ種電力數(shù)據(jù)預測誤差結果示意圖。
【具體實施方式】
[0079] 如圖1所示，本發(fā)明所述一種優(yōu)化的電力數(shù)據(jù)短期預測方法，具體包括W下步驟：
[0080] (1)將原始電力數(shù)據(jù)分為若干相同樣本數(shù)的子集，記為{Cl，C2，……Ck，……Cn}，其 中C表示原始電力數(shù)據(jù)的子集，下標k=l，2,......η，n為自然數(shù)；
[0081] 若W月為單位預測下個月的電力數(shù)據(jù)，則原始電力數(shù)據(jù)為本月每一天的電力負荷 數(shù)據(jù);若W周為單位預測下個月的電力數(shù)據(jù)，則原始電力數(shù)據(jù)為本周每一天的電力負荷數(shù) 據(jù);若W天為單位預測第二天的電力數(shù)據(jù)，則原始電力數(shù)據(jù)為前一天每小時的電力負荷數(shù) 據(jù)。
[0082] (2)對原始電力數(shù)據(jù)的子集建立灰度模型GM(1，1)，對此灰度模型進行計算得到一 組灰度預測數(shù)列，此灰度預測數(shù)列組成灰度預測模型Pbp，求出灰度預測數(shù)列與原始數(shù)列之 間的殘差序列ε W，ε表示灰度預測數(shù)列與原始數(shù)列之間的殘差，上標0表示第0次迭加；
[0083] 將原始電力數(shù)據(jù)序列記為XW，
[0084] 貝 Ij
[00 化]x(〇) = {Ci，C2,......，Ck，......，Cn} = {X(〇)(l)，X(〇)(2)，......，X(〇)化），......，X(〇)(n)};
[0086] 對XW累加計算，得到原始電力數(shù)據(jù)的生成數(shù)據(jù)序列χ("，
[0087] Χ(" = {Χ(ι)α)，Χ(ι)(2)，……，Χ("化），……，X(i)(n)};
[008引其中，
，XW(。表示原始電力數(shù)據(jù)的第i個子集，k=l， 2,......，n = l ,2,......，上標1表示第一次累加；
[0089] 令 Z(i)(k)=0.放("化)+0.放("化-l)，k = l，2,……，n
[0090] Ζ(" = {Ζ(ι)α)，Ζ("(2)，……，Ζ(?；?，Ζ(ι)(η)}，
[0091] zW為χω的緊鄰均值生成序列，χω化)表示第k個子集第一次累加計算之后的值， zW化)表示xW化)的緊鄰均值生成序列，X表示電力數(shù)據(jù)，上標(1)表示第一次累加。
[009引xW化)+azW化）=b稱為灰度模型GM(1，1)，其中，xW化)表示原始電力數(shù)據(jù)的第k 個子集，k=l，2,……，a是發(fā)展系數(shù)，反映了第一次累加之后的預測值與原始數(shù)據(jù)之間的發(fā) 展態(tài)勢，b是灰色作用量，用于區(qū)別灰色建模與一般建模。
[0093] a和b的值通過建模求解，令a = (a，b) T，且
[0096] 求出微分方程xW化)+azW化）=b的最小二乘估計系數(shù)列，此最小二乘估計系數(shù) 列滿足泣=(；8'^巧--1技'|'1'的方程，3表示曰的預測值，最小二乘法求解曰和6的過程為現(xiàn)有技 術，不再寶述，灰度模型GM( 1，1)的建模過程為現(xiàn)有技術，不再寶述。
[0097] 灰度模型GM(1，1)的微分方程為：
[009引
[0099]其中t表示時間，將a，b的值代入灰度模型GM(1，1)微分方程，求解得到灰度模型的 時間響應序列