[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

说明书

本发明公开了一种基于粒子群优化的改进灰色模型的电力负荷预测方法，属于电力系统负荷预测技术领域，本发明针对现有的灰色预测模型存在随着负荷变化波动性大，出现预测效果不佳的问题，利用基于数据变换的灰色预测模型DTGM(1,1)，在获取前n年的负荷数据的情况下，去预测(n+1)年的负荷值，再通过粒子群优化算法(PSO)求取残差状态区间参数λ₁,λ₂,…λ_n的最优值，得到最优的残差修正值来修正原有的预测模型，最终得到修正后的预测值；本发明修正后的DTGM(1,1)具有更高的预测精度，弥补了传统的灰色预测模型的不足。

技术领域

本发明属于电力系统负荷预测技术领域，特别涉及一种基于粒子群优化的改进灰色模型的电力负荷预测方法。

背景技术

随着我国科技与经济地快速发展，电能已经成为人们日常生活中必不可少的能源，随着生活水平的提高，用户对供电可靠性的要求也是越来越高。但是由于电能属于二次能源，因此，电能是不可大量储存的，为了提高供电可靠性，保证供电和用电的平衡，必须要了解用电情况，也就是负荷的特性，合理地预测和掌握负荷的变化趋势，为电能调度提供准确的建议，以保证供电的可靠性，提供高质量的电能。

电力系统在运行过程中必须满足发电与用电的动态平衡。若用电负荷增加，但是发电量没有相应的增加，则会导致系统的频率降低，系统的相关设备极有可能会发生故障，从而导致电网崩溃，会影响供电可靠性，难以保证供电质量，所以如何对负荷进行精确预测已经是众多研究人员关注的焦点。

现如今有很多的文献对基础灰色预测模型GM(1,1)进行了深入的研究和改进(如公开号为CN110222882A的中国发明专利——一种电力系统中长期负荷的预测方法和装置；公开号为CN104021432A的中国发明专利——基于改进灰色预测模型的电力负荷中长期预测方法)，其中包括对灰色模型迭代初值进行优化、在原始序列中加入缓冲算子等等。虽然这些方法能够在一定程度上降低模型拟合时的误差、提高预测时的精度，但却无法改变GM(1,1)模型本身的局限性，即利用离散的方法去估计参数，而采用连续时间响函数模型进行预测所造成的跳跃性误差。基于数据变换的灰色模型GM(1,1),能够有效地将离散序列转化为光滑的离散序列，从而降低了利用离散的方法去估计参数而导致的误差，然而基于数据变换的灰色预测模型预测结果仍然存在总是偏向递增或递减而忽略了实际值变化的缺点。

在中长期的负荷预测过程中，灰色预测模型只对负荷值波动不大才有较准的预测精度。但随着用户量的增加以及用电产品种类的增加，电网负荷变化的波动性增强，原始的灰色模型的拟合和预测效果并不是特别理想，因此，在灰色预测模型中利用数据变换来降低跳跃性误差，并添加修正模型来提高预测结果的精度是十分有必要的。

发明内容

本发明的目的是针对现有技术存在的原灰色预测模型GM(1,1)具有跳跃性误差大以及抗干扰能力差的问题，提供一种基于粒子群优化的改进灰色模型的电力负荷预测方法。

为实现上述目的，本发明采用的技术方案是：

基于粒子群优化的改进灰色模型的电力负荷预测方法，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。

具体地，步骤一中，所述观测序列为：