足球比分直播

基于灰色与神经网络组合模型的中长期电力负荷预测.pdf

返回
基于灰色与神经网络组合模型的中长期电力负荷预测.pdf_第1页
第1页 / 共58页
基于灰色与神经网络组合模型的中长期电力负荷预测.pdf_第2页
第2页 / 共58页
基于灰色与神经网络组合模型的中长期电力负荷预测.pdf_第3页
第3页 / 共58页
基于灰色与神经网络组合模型的中长期电力负荷预测.pdf_第4页
第4页 / 共58页
基于灰色与神经网络组合模型的中长期电力负荷预测.pdf_第5页
第5页 / 共58页
点击查看更多>>
资源描述:
西安理工大学 工程 硕士学位论文 II 万方数据Abstract III Title MEDIUM AND LONG TERM POWER LOAD FORECASTING BASED ON COMBINATION MODEL OF GRAY AND NEURAL NETWORK Major Electrical Engineering Name Meng Quan Signature Supervisor Associate prof. Kaoshe ZHANG Signature Senior engineer.Jun Suo Signature Abstract Mid-long term power load forecasting is an important content and infrastructure in power system planning and its safe operation. Power load changes by many factors, these constraints relationship are difficult to qualitative description. It is not only affected by the GDP, industrial structure and the total population, and the weather changes, regional policy will also directly affect the results of the power load forecasting. Against the complexity and uncertainty of load factors, the thesis based on the history data of a region s total electricity consumption and related economic in 1990-2009, use a variety of forecasting s to predict, and then contrast the error with the 2010-2013 annual electricity. Finally establish the combination model of gray and neural, the resulting prediction error is only 0.3475, accomplish the optimal predict of medium and long-term power load in the area. The main work is as follows 1 Elaborate the current research status of mid-long term load forecasting at home and abroad, and determine the selected several prediction s of this paper For the traditional forecasting s, select the multiple linear regression model to analysis; While for the modern forecasting s, choose grey model, BP neural network model and combination forecasting model to analysis. 2 Study the traditional forecasting s, use SPSS to establish multiple linear regression model, the ridge regression programming embedded in SPSS to reduce multi-collinearity. Comparison of the use of ridge regression and prediction error, the error of the improved multiple linear regression model is 7.826, which is obviously weaken the multi-collinearity. 3 In-depth study of modern forecasting s, learn gray GM1,1 model and BP neural network model respectively. For gray GM1,1 model, select the length of the sample for the historical load data for 10 years, get grey model’s prediction error is 1.335. While 万方数据西安理工大学 工程 硕士学位论文 IV for BP neural network model, determine the number of hidden layer is 4 and build the model of 4-4-1 neural network. Thus, the prediction error is 0.652. 4 Learn how to create a combination forecasting model and calculation for weights. Thus create combination forecasting model of gray and neural network, the prediction error is 0.3475. 5 Use the basic model of the average error to compare each forecast to verify the superiority and effectiveness of the combined model. At the end of the paper, outlook 2014-2018 and electricity load. Keywords Ridge Regression; Gray GM l, 1 model; BP neural network; Combined Model; Weights. 万方数据目录 V 目 录 1 绪论 ................................................................................................................................................ 1 1.1 电力负荷预测意义 ............................................................................................................ 1 1.2 国内外研究进展 ................................................................................................................ 1 1.3 本文主要研究工作 ............................................................................................................ 8 2 负荷预测的基本内容 ................................................................................................................. 11 2.1 电力负荷的特点 ............................................................................................................... 11 2.2 负荷预测的原则和要求 ................................................................................................... 11 2.2.1 基本原则 ................................................................................................................ 11 2.2.2 基本要求 ................................................................................................................ 12 2.3 负荷预测的分类 ............................................................................................................... 13 2.4 数据分析 ............................................................................................................................ 14 2.4.1 数据预处理 ............................................................................................................ 14 2.4.2 误差的成因 ............................................................................................................ 16 2.4.3 误差的检验 ........................................................................................................... 16 2.4.4 误差的反馈校正 .................................................................................................... 17 2.5 基本步骤 ............................................................................................................................ 17 2.6 本章小结 ............................................................................................................................ 18 3 传统预测模型 ............................................................................................................................... 19 3.1 多元线性回归模型 ........................................................................................................... 19 3.1.1 基本模型 ................................................................................................................ 19 3.1.2 参数估计 ................................................................................................................ 20 3.2 多重共线性 ....................................................................................................................... 22 3.2.1 产生原因 ................................................................................................................ 22 3.2.2 检验方法 ................................................................................................................ 23 3.2.3 多重共线性的削弱方法 ....................................................................................... 24 3.3 本章小结 ............................................................................................................................ 25 4 现代预测模型 ............................................................................................................................... 27 4.1 灰色模型 ........................................................................................................................... 27 4.1.1 灰色系统理论 ....................................................................................................... 27 4.1.2 数据生成 ................................................................................................................ 28 4.1.3 GM1,1模型 .......................................................................................................... 31 4.1.4 灰色模型的局限性 ................................................................................................ 33 4.2 神经网络模型 ................................................................................................................... 34 4.2.1 特点和结构 ............................................................................................................ 34 4.2.2 学习过程 ................................................................................................................ 37 4.2.3 具体流程 ................................................................................................................ 37 4.2.4 神经网络模型的局限性 ....................................................................................... 39 4.3 组合模型 .................................................................................................................................... 39 4.3.1 组合模型的特点 .................................................................................................... 40 4.3.2 权重的确定 ............................................................................................................ 40 万方数据西安理工大学 工程 硕士学位论文 VI 4.4 本章小结 .................................................................................................................................... 42 5 算例分析 ...................................................................................................................................... 43 5.1 数据来源 ........................................................................................................................... 43 5.2 预测分析 ........................................................................................................................... 43 5.2.1 多元线性回归模型 ................................................................................................ 43 5.2.2 灰色 GM1,1模型 ............................................................................................... 45 5.2.3 BP 神经 网络模型 .................................................................................................. 46 5.2.3 灰色与 BP 的组合预测 ........................................................................................ 48 5.2.4 模型的比较 ........................................................................................................... 49 5.3 展望 2014-2018 年负荷预测 .......................................................................................... 49 5.4 本章小结 ........................................................................................................................... 49 6 总结与展望 ................................................................................................................................... 51 6.1 总结 ................................................................................................................................... 51 6.2 展望 ................................................................................................................................... 51 致 谢 ................................................................................................................................................. 53 参考文献 .......................................................................................................................................... 55 万方数据第一章 绪论 1 1 绪论 电力负荷是电力系统的基本概念之一。 电力负荷 是指 发电厂 、电网、地区、用户或电气设备在某个时刻段所消耗的电功率 ,简称 为 负荷。 其中,用电负荷指电力用户的用电设备某一时段 的电功率总和,也就是用户在某一 时段 实际消耗的电功率总和。 电力 负荷 对于 人民生活和国民经济各个部门 极其 重要 , 随着我国经济的高速发展,电力需求快速增长,但装机容量不足 等一系列问题也随之呈现出来。 现阶段 ,全国电力供需形势依然呈现不平衡的局面 [1], 由于电能的生产、输送 、分配 和消费 是同时进行的,现有的储能技术还不能实现电能的大 规模经济 存储 [2]。因此 ,对未来负荷的变化必须要 事先进行预测评估,以便安排电能生产,保证正常供电, 这就使得电力系统负荷预测 尤为重要 。 1.1 电力负荷预测 意义 电力负荷有两 方面的 含义一是指 安装在政府、工厂、企业、居民等用户处的各种 用电设备;二是指 上述用电设备 的 用 电量 数值 。电力负荷预测 则是以 负荷 为研究对象进行的预测工作 , 负荷预测的对象既包括对未来功率(电力需求量)的预测,又包括对未来能量(用电量)的预测,还包括对负荷曲线(负荷特性)的预测。其主要工作是预测未来电力负荷的时间和空间分布,提供可靠的依据和决策给电力系统运行与规划部门 [3]。 电力负荷预测是 电网公司的 一项 重要 的工作 内容 。 精确可靠的预测结果,能够作为 合理的安排电网内部发电机组启停 的指导 , 保证电力系统的安全稳定运行 ,减少 多余的热 备用容量 投入 , 有效降低发电成本, 为机组检修计划提供 合理安排的依据 , 提高经济和社会效益, 保证 国家长治久安,保证安全稳定的社会生产生活秩序,为经济社会的高速发展提供坚强的后盾 。 另外 , 准确预测电力 负荷, 对 新的发电机组的 投入特别重要 , 它 可以安排装机容量的大小和 地点 ,进 而 指导 电网的 发展和 建设 。由此可见 , 电力负荷预测 水平已成为衡量电力企业 实现 管理 现代化 的重要标志之一 。我国电力系统高速发展的今天,用电管理正 逐步成为了我们需要面对的重要 课题和研究方向 [4]。 负荷预测的核心是预测手段的选择 , 既 预测 中 数学模型 的使用 。随着 计算机技术的快速 发展,电力负荷预测 水平 得到了 长足发展 ,理论研究 也 逐步 向更深的层次迈进 , 相适应地出现了很多的预测程序和 软件 ,如何选择一个适合未来某时期负荷预测的数学模型是学者们研究的重要课题 [5]。 1.2 国内外研究进展 电力负荷预测的发展是建立在电力供需水平上的,它通过对历史负荷数据和相关经济、政策、气候等信息的分析,利用现有的预测方法来预测被解释变量(即电力负荷)的未来发展趋势,我们将这一过程称为电力负荷预测。电力负荷预测方面的研究是近几十年出现的技术, 早在上世纪五、六十年代, 国外就开始对其进行研究;虽 然我国较国外的发展晚了大约 20年,但是国家高度重视对负荷预测工作的研究,因而也取得了一定的实用效果 [6]。万方数据西安理工大学 工程 硕士学位论文 2 另外, 由于发达国家经济稳定,导致 负荷发展变化规律 性强 , 所有他们对于 短期预测 要比中长期 预测 的研究 多得多; 而 我国处于高速发展阶段,负荷变化规律性弱,对于中长期和短期负荷预测的研究基本对等 [7]。 文献 [9]分别通过指数回归模型、灰色理论建模以及一元二次回归模型对某地区 的2003-2005 年的电力负荷进行了预测分析, 经过残差处理的等维新息模型加权得到预测结果,误差为 1.6;文献 [10]以杭州市 居民 汽车保有量 为 案例 , 分别 采用回归分析法 和弹性系数法 , 对 汽车保有量的增长进行 预测 , 结果表明 , 弹性系数法的预测结果更为精准 ;文献 [18]选择国内生产总值、工业总产值、社会消费品零售额、居民消费水平作为神经网络的输入变量,经过归一化处理 ,建立了 5-5-1 结构的神经网络模型,最终得到的预测误差为 3.08;文献 [59]在改进的灰色模型和改进的 BP 神经网络模型的基础上,利用最优加权系数对两者进行组合,发现组合模型能够弥补单一预测模型的缺陷,是热点研究方向。通过研究国内外学者 关于电力负荷预测方面 的文献 得知,负荷 预测所采用的方法和 得 到的精度 各有特点 , 通过归类可以将负荷预测分为 经典预测方法、传统预测方法 和 现代预测方法等 三个 主要 类型 [8]。 一、经典预测方法 经典预测方法依靠 简单的变量之间的相关关系或者 专家的经验 , 对未来 电力负荷大小 做 出预测 , 其实它并 不是真正 意义上 的负荷预测方法,预测 误差比 较差 且不实用,它 包括 单耗法、弹性系数法、 负荷密度法、 综合用电水平法、 平均增长率法 等 [9]。 ( 1)单耗法 根据预测期的产品产量(或产值)和用电单耗计算需要的用电量的方法,称为单耗法,它比较 适用于计划经济时代 [10]。单耗法方法简单,对短期负荷预测效果较好 ;但它需做大量细致的调研工作且 比较笼统,随着经济快速发展,它已经很难反映现代经济、政治、气候等条件的影响。 ( 2)弹性系数法 [11] 弹性系数 两个相互联系的经济指标在某个时间段之 内 的 增长 率 之比 , 用来表示一个变量增幅和另一个变量增幅之间的依赖 关系。 弹性系数法即为利用弹性系数 对一个变量的发展进行预测,在此条件下对 另一 变量进行预测 。 弹性系数法,指 两个 变量 ??和 ??之间 存在 指数函数关系 ???? α?????? ( 1.1) 其中, α为比例系数, ??是 ??对 ??的弹性系数。 弹性系数指材料长度变形的百分比同所施加力变化的百分比的比率。随着学者们研究的深入, 弹性的概念 逐渐 被推广应用于社会经济领域。弹性系数表示 的是 两个 变量的 各自相对增长率之间的比率。 例如, 某一时期内能源消耗相对于工农业总产值的弹性系数,指的是 在 该 时期内能源消耗的增长率同工农业总产值的增长率的比率 。如果弹性 系数为 0.9, 比例系数 α为 1.096,工农业总产值预测增长为7.2, 则能源消耗增长的预测为 6.48。 万方数据第一章 绪论 3 ( 3)负荷密度法 根据供电范围内不同功能地区占地面积及相应的用电负荷密度 或年用电密度 ,测算预测期用电负荷 或年用电量 的方法,称为负荷密度法。 用电负荷密度 用电负荷占地面积 年用电量密度 年用电量占地面积 ( 4)综合用电水平法 综合用电水平法是根据总人口和每人的平均用电量来推测城市的用电量 ,用来预测城市 居民 生活 的电力负荷 。其中,人均用电量可通过对典型小区的调查分析来确定,总人口数通过统计部门的统计年鉴获得。它们之间的关系如下 全年用电量 总人口 人均用电量 对统计结果进行逐年纵向和相互横向的对比分析,选择适当的方法和参数,将分析统计数据结合为一个综合用电水平,将使结果更加精确。 ( 5)平均增 长率法 平均增长率指造成几年内增长幅度的每年平均的增长幅度。假设一个经济变量 ??的值由初始值 ??0经过 n 年后变为 ????,则在每年里 ??的平均增长率应该是 ?? √???? ??0??? ? 1 ( 1.2) 例如,假设某地区 2005 年的用电量是 210 亿 kWh, 2010 年的用电量是 395 亿 kWh,则该地区用电量的平均增长率为 11 二 、 传统预测方法 随着电力系统对负荷预测精度要求的提高和预测技术的发展,古典预测方法已经不能满足负荷预测的要求,应运而生的出现了传统预测方法。 传统预测方法基于计量 经济 学 , 负荷序列的规律是其研究的重点 , 它 通过分析 历史负荷 数据 与其他因素 (气候、政策、经济数据等)之间的关系, 建立负荷趋势的数学模型 。其 具体做法是 首先 对历史数据进行参数估计, 然后得到预测模型的 参数, 最后根据 模型的残差值 对模型予以 评价。 传统预测方法主要包括回归分析法、趋势分析法、 比例系数增长法、 时间序列法等方法。 ( 1) 回归分析法 [12] 回归分析是通过观察数据的统计分析和处理,研究与确定事物间相关关系和联系形式的方法。运用回归分析法寻找预测对象与影响因素之间的因果关系,建立回归模型进行电力负荷预测 [13]。 回归分析法在预测中主要用来分析统计数据,确定几个特定变量间的数学关系,即建万方数据西安理工大学 工程 硕士学位论文 4 立回归模型;对回归模型的进行参数估计和统计性检验,分析影响因素对电力负荷预测的影响程度,确定使用的模型;利用确定的模型和解释变量的未来值,估计电力负荷的预测值,并进行误差分析。 回归分析法 通 常 包括以下几种模型 [14] ① 一元 线性回归模型 ?? ???? ?? ( 1.3) ② 多元线性回归模型 Y β0 β1X1 β2X2 ? βkXk ε ( 1.4)③ 幂函数回归模型 Y aXib εi ( 1.5)④ 指数函数回归模型 Y aebXi εi ( 1.6) 式中, Y是被解释变量, X是解释变量; ??0是回归常数, ????是回归系数; ??和 ??是系数参数; ?? 是除了 ????以外的,被忽略或无法考虑到的随机因素,称为随机误差。 ( 2)趋势分析法 [15] 趋势分析法又叫曲线拟合,它 根据 历史资料的 过去和现在发展 变化 趋势 来 推断未来 ,是一种定量预测方法。 当预测对象 随 时间变化 而 呈现某种 升降 趋势, 无 明显季节波动,且能找到一个 适宜 的曲线 来 反映这种 变化趋势 时, 便 可以 采 用趋势外推法进行预测 分析 。 当电力负荷无异常值且变化 趋势 不大的情况下,可 使用 趋势外推 法进行负荷预测。趋势 外推法一般 包括 线性外推法 、 生长曲线法 、 指数曲线法 、 包络曲线法 等 ① 线性外推法 最简单的外推法就是线性外推法,它用来研究随时间按恒定增长率变化的事物。以时间为横坐标的坐标图中,事物的变化规律几乎接近于一条直线,可根据这条直线推断事物未来的变化。 ② 生长曲线法 生长曲线预测法满足生长曲线规律变化的一个随机序列,建立 生长曲线模型 对其 预测。 所有的事物都经历 出生 、 生长 、 成年 三个阶段,且每个阶段事物 的 变化呈现不 同 的速度 。 出生 阶段,事物 的发展呈现 较为缓慢 的速度 ; 生长 阶段, 事物逐渐 加快 生长 ;在成 年阶段,变化 速度降低 趋 于缓慢成熟 。 生长曲线就是 按照上述规律得到的
展开阅读全文
收藏
下载资源

加入会员免费下载





足球比分直播