基于相似日和灰色理论的短期电力负荷预测研究*

邓春红, 王 蒙

(安徽机电职业技术学院 信息工程系，安徽 芜湖 241000)

基于相似日和灰色理论的短期电力负荷预测研究*

邓春红, 王 蒙

(安徽机电职业技术学院 信息工程系，安徽 芜湖 241000)

针对短期电力负荷预测易受气象因素影响的特点，提出基于相似日和灰色理论的短期电力负荷预测模型；首先通过对日类型的判断得到相同日类型的负荷数据，然后对气象数据序列进行模糊化聚类处理，并结合预测日的气象数据，采用灰色关联方法进行关联分析，选取与预测日关联度高的负荷数据作为相似日负荷数据，采用灰色预测方法对相似日负荷数据进行短期电力负荷预测；仿真结果表明，选取了相似日之后的预测结果比未选取相似日的预测结果精度要高。

相似日；灰色关联；负荷预测

1 预测模型及关键方法描述

1.1 预测模型

提出的预测模型如图1所示，预测模型的核心思想是对原始数据序列进行分析和处理，考虑气象因素对负荷预测的影响，对气象数据序列进行灰色关联分析，结合日类型来选取相似日数据序列，然后对相似日数据序列采用灰色系统理论进行预测，得到预测日负荷数据。

图1 预测模型流程Fig.1 Forecasting model process

1.2 关键方法描述

1.2.1 相似日选取方法

基于所构建的预测模型，相似日是通过对日类型的判断及气象数据序列的关联度分析来选取的。日类型判断主要是是判断节假日、周末和工作日3种类型，对原始数据序列进行日类型判断处理得到基础相似日数据序列[3]。对气象数据序列进行关联度分析，首先选取了降雨、风速、相对湿度、最高温度、最低温度5项气象因素，进行模糊化的聚类处理，得到气象数据序列，利用灰色关联理论求取相似日序列[4]。具体流程如图2所示。

图2 选取相似日序列流程图Fig.2 Similar days selection process

1.2.2 模糊化聚类处理

选取降雨、风速、相对湿度、最高温度、最低温度5项气象因素，进行模糊化聚类处理，具体过程表1所示。

老远就听到洋鼓洋号吹吹打打，乐队吹奏出一支耳熟的曲子。他常常在某些地方开业的时候听到那只曲子。虽然他并不知道曲子的意义，但每回听到那个曲调，他就产生一种想解开裤带畅快淋漓屙泡尿的冲动。

表1 气象因素模糊化

对气象数据进行模糊化处理后，得到气象数据序列(r,w,h,tmax,tmin)。

1.2.3 灰色关联度分析

选取预测日气象数据序列为母序列，样本气象数据序列为子序列，

记母序列为：X0=(x10,x20,…,xn0)T

记子序列为：Xj=(x1j,x2j,…,xnj)T

然后，计算两极最大差和最小差。记

(1)

最后求关联系数：

(2)

其中，ρ∈[0,1]为分辨系数，现取0.5。根据式(2)得到关联系数矩阵，R=(ξij)n×m，对R=(ξij)n×m的列求平均得到灰色关联度为

(3)

其中，ξj表示第j指标与母指标的关联程度，ξj越大，说明第j指标与母指标越靠近[4-5]。因此，ξj为选取相似日序列提供了依据。

2 灰色预测方法

GM(1,1)的建模过程如下：

选定原始数据序列：

对原始数据序列作一次累加生成，得：

其中，a为模型的发展系数，反映了X(1)和X(0)的发展趋势；u为模型的协调系数，反映了数据之间的变化关系[6-8]。利用最小二乘法求解出模型参数进而得到模型的时间响应方程：

(4)

对式(1)进行累减生成还原，可以得到原始数据序列X(0)的GM(1,1)预测模型为

(5)

3 算例分析

选取某地区3月1日到3月12日负荷数据及气象数据作为原始负荷数据，对3月13日负荷进行预测。原始数据序列如图3所示。

图3 原始负荷数据Fig.3 Original load data

利用上述方法进行分析处理，首先判断日类型，剔除周末和节假日数据，然后对气象数据进行模糊化聚类处理得到气象序列，对气象序列进行灰色关联分析，得到灰色关联度见表2。

表2 关联度数据

选取关联度超过0.6的日期为相似日，分别使用灰色预测方法进行预测，得到预测结果(图4)，同时对非相似日灰色预测结果及相似日时间序列预测结果进行误差分析。结果如表3所示。

表3 预测误差分析

图4 预测结果Fig.4 Forecast result curve

从预测结果图4可以看出，选取相似日的灰色预测方法得到的结果曲线与实际值曲线基本一致，预测误差较小。从预测误差分析表3可以看出，相似日灰色预测的精度更高，验证了所提预测模型的合理性和有效性。

4 结 论

考虑日类型和气象因素，使用灰色关联分析来选取相似日，然后利用灰色预测方法进行短期负荷预测，并且通过实例仿真，得到选取相似日的预测结果精度更高的结果，验证了所提预测模型的有效性。

[1] 牛东晓,魏亚楠.基于FHNN相似日聚类自适应权重的短期电力负荷组合预测[J].电力系统自动化,2013,37(2):54-57

NIU D X,WEI Y N.Short-term Power Load Combinatorial Forecast Adaptively Weighted by FHNN Similar-day Clustering[J].Automation of Electric Power Systems,2013,37(2):54-57

[2] 王惠中,刘轲,周佳.电力系统短期负荷预测建模仿真研究[J].计算机仿真,2016,33(2):175-179

WANG H Z,LIU K,ZHOU J.Pretreatment of Short-Term Load Forecasting Based on K-Means Clustering Algo-rithm[J].Computer Simulation,2016,33(2):175-179

[3] 高超,沈艳霞,杨雄飞.一种基于气温因素的短期电力负荷预测模型[J].控制工程,2016,23(3):346-352

GAO C,SHEN Y X,YANG X F.A Model for Short-term Load Forecasting Based on Temperature Factor[J].Control Engineering of China,2016,23(3):346-352

[4] 廖峰,刘清良,贺辉.基于改进灰色模型与综合气象因素的母线负荷预测[J].电网技术,2011,35(10):183-188

LIAO F,LIU Q L,HE H.Bus Load Forecasting Based on Improved Grey Model and Meteorological Elements[J].Power System Technology,2011,35(10):183-188

[5] SFETSOS A,MAGRO M C.Short Term Load Forecasting with a Hybrid Clusteri-ng Algorithm and Pattern Recog-nition[J].International Journal of Engineering Intelligent Systems for Electrical Engineering and Communications,2004,12(1):13-19

[6] 裴瑞平,田丽,魏安静.短期风功率自适应加权组合预测[J].重庆工商大学学报(自然科学版),2016,33(2):26-29

PEI R P,TIAN L,WEI A J.Short-tierm Wind Power Adaptively Weighted Combination Forecast[J].Journal of Chongqing Technology and Business University(Naturnal Science Edition),2016,33(2):26-29

[7] KANDIL M S,DEBEIKY S M,HASANIEN N E.Overview and Comparison of Long-term Forecasting Techniques for a Fast Developing[J].Utility Electric Power Systems Res-earch,2001,58(1):11-17

[8] 王蒙,张国友,田丽.基于最优组合预测模型的电力负荷预测研究[J].重庆工商大学学报(自然科学版),2012,29(9):65-69

WANG M,ZHANG G Y,TIAN L.Research on the Forecast of Electric Power Load Based on Optimal Combination Prediction Model[J].Journal of Chongqing Technology and Business University(Naturnal Science Edition),2012,29(9):65-69

责任编辑：田 静

Research on Short Term Power Load Forecast Based on Similar Day and Grey Theory

DENG Chun-hong, WANG Meng

(Department of Information Engineering,Anhui Technological College of Machinery and Electricity, Anhui Wuhu 241000, China)

According to the feature that short term power load is susceptible to meteorological factors, this paper proposes short term power load forecasting model based on similar day and grey theory, firstly tries to get the load data at the same day through the judgment on day type, then deals with the meteorological data sequence by fuzzy clustering analysis, uses the meteorological data at forecasting day and grey correlation method to conduct correlation analysis, chooses the load data which are highly correlated with forecasting day as the load data at similar day, and uses grey forecasting method to forecast short term power load based on similar day load data.Simulation results show that the accuracy of forecasting results is higher after the selection of similar day than without the selection of similar day.

similar day; grey correlation; load forecast

10.16055/j.issn.1672-058X.2017.0003.017

2016-12-11；

2017-02-26. * 基金项目：安徽省学科(专业)拔尖人才学术资助重点项目(GXBJZD2016098).

邓春红(1970-)，男，安徽芜湖人，副教授，硕士，从事数据挖掘研究.

TM391.9

A

1672-058X(2017)03-0093-05