[发明专利]基于粒子群优化的改进灰色模型的电力负荷预测方法

权利要求书

1.基于粒子群优化的改进灰色模型的电力负荷预测方法，其特征在于，所述方法包括：

步骤一，获取电力系统中的中长期负荷数据作为观测序列；

步骤二，对所述观测序列进行数据变换，对变换后的观测序列进行一次累加求和，得到累加生成序列；

步骤三，根据所述累加生成序列建立DTGM(1,1)预测模型，根据最小二乘法估算DTGM(1,1)预测模型的参数；

步骤四，将观测序列输入所述DTGM(1,1)预测模型中，得到观测序列的预测值序列；

步骤五，利用粒子群算法优化算法对所述预测值序列进行修正；

步骤五具体包括：

计算所述预测值序列与观测序列之间的残差序列：

δ⁽⁰⁾(k)＝{δ⁽⁰⁾(1),δ⁽⁰⁾(2),…,δ⁽⁰⁾(n)}

根据残差值将残差序列划分为n个状态区间，表示如下：

E₁＝[α₁,β₁],E₂＝[α₂,β₂],...E_n＝[α_n,β_n]

利用粒子群优化算法算出每个状态区间的最优参数λ1，λ2,…,λn；

计算每个残差所属的状态区间，并计算每个残差的最优修正残差值：

ξ(k)＝λ_k·α_k+(1-λ_k)β_k k＝1,2,3,…,n

故最终预测值为：

计算每个状态区间的最优参数的方法具体包括：

构造适应度函数；

适应度函数取平均相对误差最小，即适应度函数为：

初始化粒子群；

初始化种群粒子的所有参数，以及粒子的位置和速度，种群大小取M、粒子维数D、迭代次数k；

令位置x∈[0,1],速度v＝[-0.01,0.01]，粒子i在第k次遍历的位置为x_i^k＝[x_i1^k,x_i2^k,…x_iD^k]^T，速度为v_i^k＝[v_i1^k,v_i2^k,…v_iD^k]^T；在每次迭代中粒子i跟踪个体极值点p_besti＝[p_besti1,p_besti2,...,p_bestiD]^T和全局极值点g_besti＝[g_besti1,g_besti2,...,g_bestiD]^T来更新自己的位置和速度，速度和位置的更新公式为：

v_iD^k+1＝w·v_iD^k+c₁·r₁·(p_bestiD^k-x_iD^k)+c₂·r₂·(g_bestiD^k-x_iD^k)

x_iD^k+1＝x_iD^k+x_iD^k+1

其中，c₁、c₂分别是个体最优的学习因子和群体最优的学习因子；r₁、r₂分别是[0,1]之间的随机数；w为惯性权重；

根据上述公式计算出适应度函数值，并用每个粒子当前的适应度值f与当前自身最好适应度p_best作比较，如果f比p_best小，用f取代p_best，用x_iD取代个体极值p_bestiD，得到当前参数的最优解；

用每个粒子当前的适应度f与粒子群最好适应度g_best作比较，如果f比g_best小，用x_iD取代全局最优的g_bestiD，得到当前最优的参数值λ_k；

判断迭代次数是否大于或等于最大迭代次数，若是，则输出全局极值f(p_besti)和整体最佳位置；若否，则继续迭代，一直到符合迭代要求为止；

利用马尔科夫预测模型计算每个残差所属的状态区间[α_k,β_k]的方法为：

假设状态i出现的次数为N_i,状态i转移到状态j的次数N_ij，故状态转移概率可表示为：

一步状态转移矩阵为：

n步状态转移矩阵为：

利用马尔科夫预测模型，根据前一时刻的残差状态区间来预测后一时刻残差的状态区间。