基于相似日的遗传程序设计短期负荷预测模型
2012-02-28冯丽云
冯丽云
(山西省晋城市水利局,山西晋城 048000)
电力负荷预测是电力系统的研究热点之一[1-3].短期负荷预测是电力系统调度和管理部门制定负荷分配及开停机计划的主要依据.人工神经网络[4]、支持向量机[5]等方法在电力负荷预测中的应用取得了较好的效果.但人工神经网络方法具有隐层结点数不易确定、易陷入局部极小值、过拟合等缺陷;支持向量机在训练数据时存在数据处理量太大、处理速度慢等不足.遗传程序设计(Genetic Programming,GP)采用层次可变的形式表达问题,通过不断复制、交叉、变异以适应客观事实数据,针对具体问题自动给出恰当的函数解形式,在预测领域得到了广泛应用.如鞠平等将GP应用于电力负荷预测,可自动找出与负荷变化密切相关的因素[6].
短期负荷预报需要考虑的影响因素有很多,如温度、降水量、风力等,各种因素的影响最终又会反映到负荷的变化上;而相似日的选取中能直接考虑各种相关因素[7].笔者通过日特征量和日前趋势相似度及综合度量选取多个相似日,利用遗传程序设计进行建模,得到预测日的对应负荷.
1 相似日的选取
使用相似日的负荷数据可以提高预测结果的精度[5,8].日特征相似时,其负荷特征曲线的形状并不一定相似,所以在选取相似日时需考虑其负荷特征曲线形状的相似度.某特征曲线形状相似度等价于趋势相似度.这里从日特征相似度和前趋势相似度综合的角度选择趋势相似日.
定义1i,j两日的日特征相似度为
式中:Oij表示日特征相似度,它是m维空间中两个日特征向量之间的夹角余弦,反映了这两日的特征量在m维空间上的距离大小.
定义2i,j两日的前趋势相似度为
由上述定义可知,某两日的前趋势相似度涉及该两日的趋势相似度所涉及对象的大部分,因此可以利用这两日的前趋势相似度对它们的趋势相似度进行评估.将Oij和Fij结合,则有
式中:Tij为i,j两日的趋势相似度;μ,λ 为参数,可根据历史日期与参照日之间的趋势相似度、前趋势相似度及日特征相似度,应用最小二乘法优化求得.
2 短期负荷预测模型
影响短期电力负荷预测的因素很多,而相似日的选取直接考虑各种相关因素.这里通过日特征量和日前趋势相似度及综合度量选取多个相似日,以相似日负荷数据作为样本通过GP进行建模,最后用建好的模型对日96点电力负荷进行预测.
基于相似日的遗传程序设计进行短期负荷预测建模步骤如下.
1)伪数据的处理.用于GP建模的负荷数据大多来自电力部门的SCADA系统,由于各种因素的影响,历史负荷数据中往往包含“不良数据”或“坏数据”.因此,在使用这些数据前应进行适当处理,去除不规则数据,填补缺失数据,消除其对预测结果的不良影响.具体处理方法参见文献[9].
2)相似日的选取.根据日特征相似度和前趋势相似度综合的角度选择趋势相似日,详细处理方法参见文献[7]和文献[10].
3)GP负荷预测建模.考虑到负荷的相关特性,经过多次测试后,选取的参数见表1.
表1 GP演化建模参数表
4)将选取的相似日负荷数据作为GP演化建模的率定样本集,求出最优短期负荷预测模型,对日负荷进行预测.
基于相似日的遗传程序设计短期负荷预测的具体流程如图1所示.图中Gen代表遗传代数;Pr,Pc,Pm分别为复制概率、交叉概率、变异概率.
图1 GP短期负荷预测流程图
3 算例分析
根据贵州省各日的天气和电网实际负荷数据,从预测日的前一个月中的样本数据集中选取相似日,应用文中的GP模型进行演化建模,对2006年8月24日至8月30日每天96点的电力负荷进行预测.限于篇幅,这里仅将2006年8月30日的预测结果和实际值进行比较,如图2所示.各预测结果统计见表2.
图2 8月30日GP模型预测结果比较
表2 2006年8月24日至8月30日各日预测结果统计 %
由表2可知,周平均预测准确率为99.10%,周平均合格点百分比为99.11%,预测结果是令人满意的.
4 结语
综合考虑了影响电力负荷的各种因素,从日特征量、前趋势相似度以及这两者的综合3个角度评估两日的趋势相似度来选择预测日的相似日.根据所选取的多个相似日的样本数据,采用遗传程序设计进行自动演化建模,对贵州电网实际日负荷进行预测.实例分析结果证明了所建模型在短期负荷预测中的有效性,可应用于电力负荷预测的管理工作.
[1] Hippert H S,Pedreira C E,Souza R C.Neural networks for short-term load forecasting:a review and evaluation[J].IEEE Transactions on power systems,2001,16(1):44-55.
[2] Alfares H K,Nazeeruddin M.Electric load forecasting:literature survey and classification of methods[J].International Journal of Systems Science,2002,33(1):33 -34.
[3]康重庆,夏清,张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化,2004,28(17):1-11.
[4] Niu Dongxiao,Xing Ming,Meng Ming.Research on ANN power load forecasting based on united data mining technology[J].Transactions of China Electrotechnical Society,2004,19(9):62 -68.
[5]刘梦良,刘晓华,高荣.基于相似日小波支持向量机的短期电力负荷预测[J].电工技术学报,2006,21(11):59-64.
[6]鞠平,李靖霞,陆晓涛.电力负荷预测的遗传规划方法[J].电力系统自动化,2000,24(11):35 -38.
[7]康重庆,程旭,夏清,等.一种规范化的处理相关因素的短期负荷预测新策略[J].电力系统自动化,1999,23(18):32-35.
[8]姜勇,卢毅.基于相似日的神经网络短期负荷预测方法[J].电力系统及其自动化学报,2001,13(6):35 -40.
[9]杨奎河.短期电力负荷的智能化预测方法研究[D].西安:西安电子科技大学,2004.
[10]莫维仁,张伯明,孙宏斌,等.短期负荷预测中选择相似日的探讨[J].清华大学学报:自然科学版,2004,44(1):106-109.