基于组合函数和遗传算法最优化离散灰色模型的电力负荷预测 load forecasting based on discrete grey model optimized by composite function and genetic algorithm.pdfVIP

’ 第32卷第4期 电力自动化设备 v01．32No．4 E1ectricPowerAutomation 司多 2012年4月 Equipment Apr．2012 基于组合函数和遗传算法最优化离散 灰色模型的电力负荷预测 李 伟，董伟栋，袁亚南 (华北电力大学经济管理系，河北保定071003) 摘要：鉴于传统DGM(1，1)模型建模过程中假定原始数据序列服从近似指数增长规律，且以数据序列的第1 个数据保持不变得出预测结果的缺陷．利用组合函数“对数一幂函数”对原始数据进行处理，使其符合灰色预 测模型的建模规律．引入遗传算法寻求离散灰色模型初始迭代值的最优解。建立了基于组合函数和遗传算法 MAPE为1．580％，DGM(1，1)预测的MAPE为1．343％，证明该改进模型有效提高了预测精度。 关键词：电力系统；负荷预测；离散灰色模型；组合函数；遗传算法；数学模型 中图分类号：TM715 文献标识码：A 有哪些信誉好的足球投注网站过程中自动获取和积累有关有哪些信誉好的足球投注网站空间的知识， O 引言 自适应地控制有哪些信誉好的足球投注网站过程以求得最优解．因此本文引 对于电力系统而言．准确的负荷预测有利于提高 入遗传算法寻求离散灰色模型初始迭代值的最优 电网运行的安全性和经济性．改善电能质量．有效地 解。最后，通过案例分析得出改进的离散灰色模型 保证社会的用电需求。 有效地提高了电力负荷预测精度。对电力负荷预测 电力负荷历史数据是一组呈增长趋势的数据序 具有指导意义。 列。GM(1．1)灰色预测模型在负荷预测相关文献中 1 GM(1，1)预测模型 应用较多．该模型可以较好地对指数型增长曲线进行 模拟．并得到良好的预测精度。但当原始数据序列的 给定原始时间序列．并记作z(m．对此数据序列 发展系数较大时．即使试验数据为完全指数增长序 进行一阶累加(1一AG0)生成新数据序列： 列．其预测结果仍存在较大误差．相关学者提出多种 x‘1’=[戈‘1’(1)，戈‘1’(2)，…，戈‘1’(陀)] 方法对灰色模型进行改进[1_引。离散灰色DGM(1，1) 戈‘1’(尼)=∑戈∞’(i)Ii}=1，2，…，n (1) 模型解决了传统GM(1，1)模型从离散形式到连续形 式的直接跳跃而导致的预测不稳定问题．因而在预 对工(·)构造一阶线性微分方程如下： 测时比GM(1．1)有更大的优越性。但其建模过程 掣+d-)_6 (2) 是以整个数据序列的第1个数据保持不变而获得预 dt 测结果．事实上，序列的第1个数据为最旧的信息， 由此可以得到灰色GM(1，1)预测模型的时间响。 ’ 以此为基础建立模型与实际情况有差异。为此很多学 应函数： 者在此方面进行研究．对传统离散灰色模型进行了改 、 双川)=∽(1)一}卜+} 进[8_t¨。文献『8]比较了迭代初始值分别为始点、中间 点和终点3种不同形式对DGM(1，1)模型的影响，文献 忌=O，1，2，…，n (3)