优选组合预测法在短期负荷预测中的应用

2013-07-25褚金胜陈宙平

电气开关 2013年2期

褚金胜，陈宙平

（1.广西电网公司永福供电公司，广西永福 541800；2.福建省厦门超高压输变电局，福建厦门 61004）

1 引言

短期负荷预测是电力系统调度运行部门的重要日常工作，准确的负荷预测可以实现电力网的经济调度运行，并改善电力系统的安全性和稳定性。因此，提高负荷预测的准确性有着重大意义。

目前，国内外对短期负荷预测的研究工作已经取得了很大成就，研究出了很多种负荷预测方法，如时间序列法［1－3］、回归分析法［1－3］、灰色预测法［1－3］、小波分析法、神经网络法［4－6］等，它们均有着各自的优缺点。故本文采用优选组合预测法［1］将时间序列法、灰色模型法、人工神经网络法进行有效组合，综合这三种方法各自的优缺点，从而达到更好的预测效果。

2 方法介绍

2.1 时间序列法

时间序列法是针对整个观测序列呈现出的某种随机过程特性，去建立和估计产生实际序列的随机过程的模型，再用这些模型进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，从而预测未来负荷。时间序列法主要包括的模型有:①自回归模型（AR）；②滑动平均模型（MA）；③自回归滑动——平均模型（ARMA）；④累计式自回归——滑动平均模型（ARIMA）。本文采用AR模型。

2.2 灰色模型法

灰色数学理论是把负荷序列看作一个真实的系统输出，它是众多影响因子综合作用的结果。这些众多因子的未知性和不确定性，成为系统的灰色特性。灰色系统理论将一切随机变化量看作是在一定范围内变化的灰色量，常用累加生成（AGO）、累减生成（IAGO）、均值生成、级比生成等方法将杂乱无章的原始数据整理成规律性较强的生成数据列，然后再进行建模并用于负荷预测。最常用的两种模型是:GM（1，1）和GM（1，n）。本文采用 GM（1，1）模型。

2.3 人工神经网络法

人工神经网络是一个具有高度非线性的超大规模连续时间动力系统，可以映射任意复杂的非线性关系，且能够识别有噪声或变形的样本，通过学习能把样本隐含的特征和规律分布于神经网络的连接权上。因此，近年来在电力负荷预测中得到了广泛应用。最常用的两种模型是:BP神经网络法和RBF神经网络法。本文采用RBF神经网络法。

2.4 优选组合预测法

优选组合预测有两种类型，一是指将几种预测方法所得的预测结果，选取适当的权重进行加权平均的一种预测技术；二是指在几种预测方法中进行比较，选择拟合优度最佳的或标准离差最小的预测模型作为最优模型进行预测。优选组合预测法是建立在最大信息利用的基础之上，它集结了多种单一模型所包含的信息进行最优组合。因此，在大多数情况下可以达到改善预测结果的目的。本文采用前一种方法。

3 优选组合预测法

假设对某一预测对象f利用k种预测方法得到k个模型的预测值为fi（i=1，…，k），再利用这k个预测值构成一个对f的最终预测结果，即

从上面的式子可以看出，其相当于一个多元线性回归方程。如何确定该方程的回归系数（即ωi（i=1，…，k））才能使得预测结果最优，这就是要解决问题的关键所在。本文采用最小二乘法来对其进行求解。

用上述所说的AR模型、GM（1，1）模型、RBF神经网络法，分别预测出预测日前10天的负荷值，再与预测日前10天的实际值对照，从而可以列出一个多元线性回归方程组，如下所示:

其中，yi（i，1，…，10）表示预测日前 10天的实际值，fi，1（i=1，…，10）表示用 AR 模型预测出预测日前10 天的负荷预测值，fi，2（i=1，…，10）表示用 GM（1，1）模型预测出预测日前10天的负荷预测值，fi，3（i=1，…，10）表示用RBF神经网络法预测出预测日前10天的负荷预测值。式（3）用矩阵表示为: