三種電力負(fù)荷預(yù)測(cè)模型的比較

摘 要：負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃、計(jì)劃、用電、調(diào)度等部門的基礎(chǔ)工作，電力負(fù)荷是影響電網(wǎng)壽命和可靠度的一個(gè)重要因素。文章結(jié)合某電網(wǎng)近年的電力負(fù)荷所給出的數(shù)據(jù)，分別運(yùn)用灰色GM（1，1）預(yù)測(cè)模型、小波神經(jīng)網(wǎng)絡(luò)模型和隨機(jī)森林模型對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)，比較模型的優(yōu)缺點(diǎn)。

關(guān)鍵詞：灰色模型；小波神經(jīng)網(wǎng)絡(luò)；隨機(jī)森林模型

中圖分類號(hào)：TM715 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8937（2016）27-0053-02

電力系統(tǒng)數(shù)字仿真已成為電力系統(tǒng)規(guī)劃設(shè)計(jì)、調(diào)度運(yùn)行和試驗(yàn)研究的主要工具，大量研究結(jié)果表明，負(fù)荷特性對(duì)電力系統(tǒng)分析計(jì)算結(jié)果具有重要影響，不同的負(fù)荷模型對(duì)電力系統(tǒng)的仿真計(jì)算都有不同的結(jié)果。因此，準(zhǔn)確的負(fù)荷預(yù)測(cè)，既可以保持電網(wǎng)運(yùn)行的安全穩(wěn)定性，又能夠有效降低發(fā)電成本，提高社會(huì)效益和經(jīng)濟(jì)效益。

負(fù)荷預(yù)測(cè)的核心問題是預(yù)測(cè)方法的使用，現(xiàn)代科學(xué)技術(shù)在不斷發(fā)展和進(jìn)步，負(fù)荷預(yù)測(cè)建模技術(shù)相關(guān)理論研究不斷深入，有關(guān)技術(shù)取得很大進(jìn)步，對(duì)建模方法的探索，一直是國(guó)內(nèi)外學(xué)者所關(guān)注的熱點(diǎn)，本文基于用戶用電量和電負(fù)荷量這兩個(gè)主要指標(biāo)，結(jié)合天氣溫度、季節(jié)、經(jīng)濟(jì)增長(zhǎng)和人口變化等因素，利用灰色預(yù)測(cè)、小波神經(jīng)網(wǎng)絡(luò)模型、隨機(jī)森林模型三種方法，較為合理的預(yù)測(cè)了用戶未來的電量及電負(fù)荷量，取得了較好的預(yù)測(cè)效果。

1 灰色預(yù)測(cè)模型

3 隨機(jī)森林模型

隨機(jī)森林模型是一種組合分類器，它在基于統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上，將決策樹算法與bootstrap重抽樣方法相結(jié)合，首先構(gòu)造一個(gè)集合，基于樹型分類器，然后使用該集合通過投票進(jìn)行分類與預(yù)測(cè)。

4 仿真預(yù)測(cè)

根據(jù)電網(wǎng)的數(shù)據(jù)，分別建立灰色GM（1，1）模型，小波神經(jīng)網(wǎng)絡(luò)模型和隨機(jī)森林模型，并對(duì)所得結(jié)果進(jìn)行檢驗(yàn)。

針對(duì)模型1，首先我們通過分析處理了異常數(shù)據(jù)，再使用累加法生成了累加生成序列，然后建立GM（1.1）灰微分方程模型。最后運(yùn)用MATLAB求出對(duì)應(yīng)的白微分方程、進(jìn)行殘差檢驗(yàn)、并求出預(yù)測(cè)值，所得結(jié)果如圖1和圖2所示。

針對(duì)模型2，首先整理數(shù)據(jù)，尤其是對(duì)神經(jīng)網(wǎng)絡(luò)中的輸入，輸出參數(shù)要進(jìn)行統(tǒng)一的線性變換，這樣就可以避免模型失敗因?yàn)橛捎跀?shù)據(jù)基準(zhǔn)的不同，可能導(dǎo)致學(xué)習(xí)過程不收斂。再對(duì)處理后的數(shù)據(jù)進(jìn)行規(guī)范化計(jì)算，取最小-最大的方法，對(duì)計(jì)算得到的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化數(shù)據(jù)還原。然后編寫MATLAB程序，對(duì)處理后的數(shù)據(jù)進(jìn)行計(jì)算。考慮到主變1和主變2是影響和決定總表的因素，將其作為輸入變量；總表是一個(gè)連續(xù)物理變量，時(shí)序性強(qiáng)，因此將其歷史數(shù)據(jù)也作為輸入變量。將t時(shí)刻主變1、主變2、和主表的前n個(gè)歷史數(shù)據(jù)（t-n+1，t-n+2，…，t+1時(shí)刻總表數(shù)據(jù)）作為輸入，輸出分別為t時(shí)刻主變1、主變2和總表。將對(duì)總表的數(shù)據(jù)進(jìn)行預(yù)測(cè)，然后再把主變1、主變2的預(yù)測(cè)結(jié)果對(duì)總表進(jìn)行擬合。多次實(shí)驗(yàn)，得到當(dāng)n=4時(shí)，結(jié)果誤差最小。最后生成預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)的散點(diǎn)圖，如圖3所示。

針對(duì)模型3，采取步驟：

第一步：將記錄所有數(shù)據(jù)，看作是一個(gè)節(jié)點(diǎn)；

第二步：尋找每個(gè)變量的各種分割方式，找出最好的分割點(diǎn)；

第三步：運(yùn)用分割點(diǎn)將記錄分割成兩個(gè)子結(jié)點(diǎn)C1和C2；

第四步：對(duì)子結(jié)點(diǎn)C1和C2重復(fù)執(zhí)行步驟Step2、Step3，直到滿足特定條件為止。

將每個(gè)時(shí)間段看作是一個(gè)節(jié)點(diǎn)，每隔15分鐘，劃分一個(gè)空間。決策樹的分割點(diǎn)就是各種因素，記錄子節(jié)點(diǎn)C1和C2。重復(fù)執(zhí)行直至結(jié)果在可接受誤差之內(nèi)。

5 模型優(yōu)缺點(diǎn)比較

5.1 灰色預(yù)測(cè)模型

模型優(yōu)點(diǎn)：不需要考慮數(shù)據(jù)的分布規(guī)律，變化趨勢(shì)，同時(shí)運(yùn)算比較方便，若用于短期預(yù)測(cè)，精度比較高，并且所需要的電力負(fù)荷數(shù)據(jù)少，對(duì)結(jié)果檢驗(yàn)非常方便。

模型缺點(diǎn)：只適用于原始數(shù)據(jù)具有良好光滑性能的中長(zhǎng)期預(yù)測(cè)，局限性體現(xiàn)在以下方面：①數(shù)據(jù)離散程度越大時(shí)，預(yù)測(cè)精度就越差；②不太適合對(duì)電力負(fù)荷進(jìn)行中長(zhǎng)期預(yù)測(cè)，特別是長(zhǎng)期后推若干年的預(yù)測(cè)[3]。

5.2 小波神經(jīng)網(wǎng)絡(luò)模型

模型優(yōu)點(diǎn)：小波神經(jīng)網(wǎng)絡(luò)可以避免MLP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的盲目性；可以從根本上避免局部最優(yōu)等非線性優(yōu)化問題，因?yàn)閷W(xué)習(xí)目標(biāo)函數(shù)的凸性，網(wǎng)絡(luò)權(quán)系數(shù)的線性分布；

模型缺點(diǎn)： 隨著網(wǎng)絡(luò)的復(fù)雜度增加呈幾何級(jí)數(shù)增長(zhǎng)趨勢(shì)，訓(xùn)練時(shí)所需的網(wǎng)絡(luò)隱含層較多，而且時(shí)間和迭代次數(shù)較多。

5.3 隨機(jī)森林模型

模型優(yōu)點(diǎn)：對(duì)于很多種不同數(shù)據(jù)，可以處理數(shù)據(jù)量較大的變量輸入，并且產(chǎn)生準(zhǔn)確度高的分類器。在內(nèi)部可以產(chǎn)生不偏差的估計(jì)對(duì)于一般化誤差后，在建造森林時(shí)。對(duì)于數(shù)據(jù)的挖掘、偵測(cè)的偏離和資料視覺化等方面非常有用，在計(jì)算親近度時(shí)。在決定類別時(shí)，評(píng)估變量的重要性。可被繼續(xù)應(yīng)用在使用非監(jiān)督聚類的未標(biāo)記的資料上。學(xué)習(xí)過程非常快速，同時(shí)在決定類別時(shí)，評(píng)估變量的重要性。

模型缺點(diǎn)： 在搜索中不進(jìn)行回溯，所以它容易收斂到非全局的局部最優(yōu)解；在學(xué)習(xí)中，由于分類器比較復(fù)雜，會(huì)過于適應(yīng)噪聲，可能會(huì)導(dǎo)致過擬合的問題[4]。

6 進(jìn)一步的討論

近十幾年來，隨著科技的發(fā)展，預(yù)測(cè)模型取得了深遠(yuǎn)的進(jìn)步。不斷涌現(xiàn)出新的模型，為提高預(yù)測(cè)模型的精準(zhǔn)度，需要進(jìn)一步使用組合預(yù)測(cè)。

組合預(yù)測(cè)有兩種方法：①對(duì)于幾種預(yù)測(cè)模型得到的預(yù)測(cè)結(jié)果，選取適當(dāng)?shù)臋?quán)重進(jìn)行加權(quán)平均運(yùn)算；②在幾種預(yù)測(cè)模型結(jié)果中進(jìn)行比較，選取擬合優(yōu)度最佳的預(yù)測(cè)模型作為最優(yōu)方法進(jìn)行預(yù)測(cè)。通過組合預(yù)測(cè)在大多數(shù)情況下，可以達(dá)到改善預(yù)測(cè)結(jié)果的目的。

參考文獻(xiàn)：

[1] 梅正陽，韓志斌.數(shù)學(xué)建模教程[M].北京：科學(xué)出版社，2012.

[2] 陳哲，馮天瑾，陳剛.一種基BP算法學(xué)習(xí)的小波神經(jīng)網(wǎng)絡(luò)[J].青島海洋大 學(xué)學(xué)報(bào)，2001，31（1）：122-128.

[3] 朱祥和.兩種短期電力負(fù)荷預(yù)測(cè)模型的比較[J].黃岡師范學(xué)院學(xué)報(bào)， 2012，（3）.

[4] 張焰，田世明.采用互信息與隨機(jī)森林算法的用戶用電關(guān)聯(lián)因素辨識(shí) 及用電量預(yù)測(cè)方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2016，36，（3）：604-614.