三種電力負荷預測模型的比較

摘 要：負荷預測是電力系統(tǒng)規(guī)劃、計劃、用電、調(diào)度等部門的基礎工作，電力負荷是影響電網(wǎng)壽命和可靠度的一個重要因素。文章結(jié)合某電網(wǎng)近年的電力負荷所給出的數(shù)據(jù)，分別運用灰色GM（1，1）預測模型、小波神經(jīng)網(wǎng)絡模型和隨機森林模型對電力負荷進行預測，比較模型的優(yōu)缺點。

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

中圖分類號：TM715 文獻標識碼：A 文章編號：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)劃設計、調(diào)度運行和試驗研究的主要工具，大量研究結(jié)果表明，負荷特性對電力系統(tǒng)分析計算結(jié)果具有重要影響，不同的負荷模型對電力系統(tǒng)的仿真計算都有不同的結(jié)果。因此，準確的負荷預測，既可以保持電網(wǎng)運行的安全穩(wěn)定性，又能夠有效降低發(fā)電成本，提高社會效益和經(jīng)濟效益。

負荷預測的核心問題是預測方法的使用，現(xiàn)代科學技術(shù)在不斷發(fā)展和進步，負荷預測建模技術(shù)相關(guān)理論研究不斷深入，有關(guān)技術(shù)取得很大進步，對建模方法的探索，一直是國內(nèi)外學者所關(guān)注的熱點，本文基于用戶用電量和電負荷量這兩個主要指標，結(jié)合天氣溫度、季節(jié)、經(jīng)濟增長和人口變化等因素，利用灰色預測、小波神經(jīng)網(wǎng)絡模型、隨機森林模型三種方法，較為合理的預測了用戶未來的電量及電負荷量，取得了較好的預測效果。

1 灰色預測模型

3 隨機森林模型

隨機森林模型是一種組合分類器，它在基于統(tǒng)計學習理論基礎上，將決策樹算法與bootstrap重抽樣方法相結(jié)合，首先構(gòu)造一個集合，基于樹型分類器，然后使用該集合通過投票進行分類與預測。

4 仿真預測

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)絡模型和隨機森林模型，并對所得結(jié)果進行檢驗。

針對模型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。最后運用MATLAB求出對應的白微分方程、進行殘差檢驗、并求出預測值，所得結(jié)果如圖1和圖2所示。

針對模型2，首先整理數(shù)據(jù)，尤其是對神經(jīng)網(wǎng)絡中的輸入，輸出參數(shù)要進行統(tǒng)一的線性變換，這樣就可以避免模型失敗因為由于數(shù)據(jù)基準的不同，可能導致學習過程不收斂。再對處理后的數(shù)據(jù)進行規(guī)范化計算，取最小-最大的方法，對計算得到的數(shù)據(jù)進行標準化數(shù)據(jù)還原。然后編寫MATLAB程序，對處理后的數(shù)據(jù)進行計算?？紤]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；總表是一個連續(xù)物理變量，時序性強，因此將其歷史數(shù)據(jù)也作為輸入變量。將t時刻主變1、主變2、和主表的前n個歷史數(shù)據(jù)（t-n+1，t-n+2，…，t+1時刻總表數(shù)據(jù)）作為輸入，輸出分別為t時刻主變1、主變2和總表。將對總表的數(shù)據(jù)進行預測，然后再把主變1、主變2的預測結(jié)果對總表進行擬合。多次實驗，得到當n=4時，結(jié)果誤差最小。最后生成預測數(shù)據(jù)與實際數(shù)據(jù)的散點圖，如圖3所示。

針對模型3，采取步驟：

第一步：將記錄所有數(shù)據(jù)，看作是一個節(jié)點；

第二步：尋找每個變量的各種分割方式，找出最好的分割點；

第三步：運用分割點將記錄分割成兩個子結(jié)點C1和C2；

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

將每個時間段看作是一個節(jié)點，每隔15分鐘，劃分一個空間。決策樹的分割點就是各種因素，記錄子節(jié)點C1和C2。重復執(zhí)行直至結(jié)果在可接受誤差之內(nèi)。

5 模型優(yōu)缺點比較

5.1 灰色預測模型

模型優(yōu)點：不需要考慮數(shù)據(jù)的分布規(guī)律，變化趨勢，同時運算比較方便，若用于短期預測，精度比較高，并且所需要的電力負荷數(shù)據(jù)少，對結(jié)果檢驗非常方便。

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

5.2 小波神經(jīng)網(wǎng)絡模型

模型優(yōu)點：小波神經(jīng)網(wǎng)絡可以避免MLP神經(jīng)網(wǎng)絡結(jié)構(gòu)設計的盲目性；可以從根本上避免局部最優(yōu)等非線性優(yōu)化問題，因為學習目標函數(shù)的凸性，網(wǎng)絡權(quán)系數(shù)的線性分布；

模型缺點： 隨著網(wǎng)絡的復雜度增加呈幾何級數(shù)增長趨勢，訓練時所需的網(wǎng)絡隱含層較多，而且時間和迭代次數(shù)較多。

5.3 隨機森林模型

模型優(yōu)點：對于很多種不同數(shù)據(jù)，可以處理數(shù)據(jù)量較大的變量輸入，并且產(chǎn)生準確度高的分類器。在內(nèi)部可以產(chǎn)生不偏差的估計對于一般化誤差后，在建造森林時。對于數(shù)據(jù)的挖掘、偵測的偏離和資料視覺化等方面非常有用，在計算親近度時。在決定類別時，評估變量的重要性?？杀焕^續(xù)應用在使用非監(jiān)督聚類的未標記的資料上。學習過程非?？焖伲瑫r在決定類別時，評估變量的重要性。

模型缺點： 在搜索中不進行回溯，所以它容易收斂到非全局的局部最優(yōu)解；在學習中，由于分類器比較復雜，會過于適應噪聲，可能會導致過擬合的問題[4]。

6 進一步的討論

近十幾年來，隨著科技的發(fā)展，預測模型取得了深遠的進步。不斷涌現(xiàn)出新的模型，為提高預測模型的精準度，需要進一步使用組合預測。

組合預測有兩種方法：①對于幾種預測模型得到的預測結(jié)果，選取適當?shù)臋?quán)重進行加權(quán)平均運算；②在幾種預測模型結(jié)果中進行比較，選取擬合優(yōu)度最佳的預測模型作為最優(yōu)方法進行預測。通過組合預測在大多數(shù)情況下，可以達到改善預測結(jié)果的目的。

參考文獻：

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

[2] 陳哲，馮天瑾，陳剛.一種基BP算法學習的小波神經(jīng)網(wǎng)絡[J].青島海洋大 學學報，2001，31（1）：122-128.

[3] 朱祥和.兩種短期電力負荷預測模型的比較[J].黃岡師范學院學報， 2012，（3）.

[4] 張焰，田世明.采用互信息與隨機森林算法的用戶用電關(guān)聯(lián)因素辨識 及用電量預測方法[J].中國電機工程學報，2016，36，（3）：604-614.