一種基于智能算法優(yōu)化組合的電網負荷率預測方法
【技術領域】
[0001] 本發(fā)明屬于電網負荷率預測方法技術領域，特別是涉及一種基于智能算法優(yōu)化組 合的電網負荷率預測方法。
【背景技術】
[0002] 負荷率是電力生產能力利用程度的指標。2003年國家《銷售電價改革方案》中就 提出了根據用戶負荷特性進行電價改革的設想。2012年國家開始研宄制定考慮負荷率因素 的銷售電價即負荷率電價實施辦法，以此推動電力工業(yè)和國民經濟從粗放到集約發(fā)展的轉 型。成本因素是制定電價的基礎，根據用戶負荷率分攤和計算不同用戶的用電成本，是負荷 率電價實施的技術關鍵?；诖?，負荷率的預測分析對于負荷率電價的合理制定和推廣起 到了至關重要的作用。
[0003] 然而，目前國內外對負荷率預測的研宄仍較少，但關于負荷預測的技術方法已經 相對成熟。在電力負荷預測方面，傳統(tǒng)的負荷預測方法有回歸預測模型、隨機時間序列預測 模型、灰色預測模型、專家系統(tǒng)法等?？紤]到負荷率自身受影響因素眾多、各因素作用原理 不明等性質以及各種預測方法本身的局限性，傳統(tǒng)的負荷預測方法很難達到準確預測的目 的。例如，回歸預測模型是采用結構過于簡單的線性模型去解決嚴重非線性的問題，因此無 法詳盡描述負荷率的各種影響因素；隨機時間序列預測模型在建模時過程復雜，對影響負 荷率變動的因素（如天氣、經濟等）考慮也不全面；灰色預測模型的應用范圍較小，用于長 期預測時誤差容易擴大；專家系統(tǒng)法過分依賴規(guī)則，普適性較差。
[0004] 而一些人工智能算法如神經網絡法、SVR、遺傳算法等，跳過了對負荷率相關因素 內在作用原理的深宄，可以有效解決傳統(tǒng)預測方法中存在的過簡單化處理、遺漏影響因素、 普適性差等問題。而人工智能算法普遍存在算法參數多依據主觀經驗確定，缺少適當的理 論指導的新問題。為了解決此問題，需要以縮小預測誤差為目標，對相關不同人工智能方法 的預測結果進行合理的優(yōu)化組合。

【發(fā)明內容】

[0005] 為了解決上述問題，本發(fā)明的目的在于提供一種基于智能算法優(yōu)化組合的電網負 荷率預測方法。
[0006] 為了達到上述目的，本發(fā)明提供的基于智能算法優(yōu)化組合的電網負荷率預測方法 包括按順序執(zhí)行的下列步驟：
[0007] 第一步：對可能對電網負荷率造成影響的因素進行梳理，以這些因素相對應的數 據作為基礎數據，采用的時間序列樣本數不低于10個；
[0008] 第二步：應用Eviews軟件對以上多種因素進行篩選，剔除與電網負荷率相關性差 的因素；
[0009] 第三步：對保留下的序列因素相應的基礎數據進行歸一化處理，以消除量綱對預 測的影響；
[0010] 第四步：根據電網負荷率類型從下面表格中依據對應關系選擇合適的預測方法， 并基于不同軟件平臺結合上述歸一化的相關數據進行預測，以得到預測結果；
[0011] 表1負荷率類型與預測方法對應表
【主權項】
1. 一種基于智能算法優(yōu)化組合的電網負荷率預測方法，其特征在于：其包括按順序執(zhí) 行的下列步驟： 第一步：對可能對電網負荷率造成影響的因素進行梳理，以這些因素相對應的數據作 為基礎數據，采用的時間序列樣本數不低于10個； 第二步：應用Eviews軟件對以上多種因素進行篩選，剔除與電網負荷率相關性差的因 素； 第三步：對保留下的序列因素相應的基礎數據進行歸一化處理，以消除量綱對預測的 影響； 第四步：根據電網負荷率類型從下面表格中依據對應關系選擇合適的預測方法，并基 于不同軟件平臺結合上述歸一化的相關數據進行預測，以得到預測結果； 表1負荷率類型與預測方法對應表
第五步：經過逆向還原將上述預測結果處理為正常量綱下的數據； 第六步：以平均絕對百分誤差MPE作為適應度函數，基于遺傳算法將RBF神經網絡算 法、GRNN神經網絡算法和SVR算法的預測結果利用組合預測數學模型進行優(yōu)化組合，以得 到最佳預測結果。
2. 根據權利要求1所述的基于智能算法優(yōu)化組合的電網負荷率預測方法，其特征在 于：在第一步中，所述的可能對電網負荷率造成影響的因素主要包括經濟發(fā)展因素、需求側 管理因素、氣溫氣候因素、電網環(huán)境因素和低碳經濟發(fā)展因素。
3. 根據權利要求1所述的基于智能算法優(yōu)化組合的電網負荷率預測方法，其特征在 于：在第二步中，所述應用Eviews軟件對以上多種因素進行篩選，剔除與電網負荷率相關 性差的因素的方法是：首先借助Eviews軟件對以上單個因素的時間序列進行單位根檢驗， 以考量每個時間序列是否平穩(wěn)，如果平穩(wěn)，則與電網負荷率做Granger因果分析；若不平 穩(wěn)，則與電網負荷率進行協(xié)整檢驗，若存在協(xié)整關系，則進一步與電網負荷率做Granger因 果分析，否則將該因素舍去；通過Granger因果分析，若該因素為電網負荷率的Granger因， 則保留該因素用于電網負荷率預測；否則將該因素舍去。
4. 根據權利要求1所述的基于智能算法優(yōu)化組合的電網負荷率預測方法，其特征在 于：在第三步中，所述的歸一化處理方法如下：將以上保留下的序列因素相關的基礎數據 進行歸一化到區(qū)間[〇，1]，如果該數據本身即在區(qū)間[〇，1]內則跳過此步驟，如電網負荷率 本身則不需進行處理，公式如下：
其中，X為處理前數值，y為處理后數值，Xmax、Xmin分別為該項數據的最大值和最小值。
5.根據權利要求1所述的基于智能算法優(yōu)化組合的電網負荷率預測方法，其特征在 于：在第六步中，所述的組合預測數學模型如下： r=i r=i
其中，yit(i = 1，2,. . .，k ;t = 1，2,. . .，η)為第i種預測方法在t時刻的預測值，WiS 第i種預測方法的權系數。
【專利摘要】一種基于智能算法優(yōu)化組合的電網負荷率預測方法。本發(fā)明首先基于Granger檢驗等手段在不遺漏信息的情況下篩選留下大量與負荷率存在關系的因素，保證負荷率相關因素分析的準確性和負荷率預測的精度。在進行負荷率預測時，考慮RBF神經網絡、GRNN神經網絡、SVR等智能算法，充分發(fā)揮智能算法遺漏信息少、不深究內部關系、預測精度高等相對傳統(tǒng)預測方法的優(yōu)勢，并運用遺傳算法對多種預測結果進行優(yōu)化組合以進一步提高預測精度。該方法既可用于年、月、日等不同時間范圍的負荷率預測，又可用于大工業(yè)用戶、居民用戶等分類用戶的負荷率預測，為負荷率電價的有關研究提供一定的理論支撐。
【IPC分類】G06Q50-06, G06Q10-04
【公開號】CN104834975
【申請?zhí)枴緾N201510241100
【發(fā)明人】王學軍, 張軍, 張振高, 李慧, 劉艷霞, 何永秀, 李大成, 張吉祥
【申請人】國家電網公司, 國網天津市電力公司, 華北電力大學
【公開日】2015年8月12日
【申請日】2015年5月13日