[发明专利]一种基于粒子群算法的变权组合电力负荷短期预测方法

摘要

本发明公开了一种基于粒子群算法的变权组合电力负荷短期预测方法，针对传统单一负荷预测模型和固定权重组合预测模型预测准确度低的缺点，综合考虑电力负荷的时间相关性和其他相关因素对电力负荷的影响，将多种电力负荷预测模型相结合，建立了一种电力负荷短期预测的变权组合预测模型。同时，针对粒子群优化变权参数组合预测法容易陷入局部最优解的缺点，建立了一种参数动态调整粒子群算法，实现了对变权组合预测模型的权重参数的优化求解，最终实现了电力负荷的短期预测。本发明中的组合预测模型优于传统负荷预测法、固定权重组合预测法以及粒子群优化变权参数组合预测法，具有较高的预测准确度。

主权项

1.一种基于粒子群算法的变权组合电力负荷短期预测方法，其特征在于，包括以下步骤：步骤1：根据ARIMA模型的基本原理，对电力负荷数据作平稳化处理，根据已知平稳信号，建立相应的ARIMA模型，得到ARIMA模型的预测结果yA(t)；步骤2：读取电力部门所提供的短期负荷数据，构成负荷时间序列矩阵： x 1 , 1 x 1 , 2 ... x 1 , n x 2 , 1 x 2 , 2 ... x 2 , n . . . . . . . . . . . . x m , 1 x m , 2 ... x m , n ]]>其中，矩阵同一行的数据表示一个电力负荷周期内的数据，矩阵同一列的数据表示不同电力负荷周期的相似点数据；采用相似点电力负荷预测模型进行短期负荷预测，得到相似点电力负荷的预测结果yB(t)；步骤3：将气温、湿度、节假日、雨雪天气因素离散化定量处理，设置隐层神经元个数、隐层函数、输出层函数的相关参数，采用Elman神经网络模型对电力负荷进行预测，得到预测结果yC(t)；步骤4：建立组合预测模型：y(t)＝α(t)yA(t)+β(t)yB(t)+γ(t)yC(t)其中，α(t)、β(t)和γ(t)分别表示ARIMA负荷预测、相似点负荷预测、Elman神经网络负荷预测三种方法的权重系数，且满足α(t)+β(t)+γ(t)＝1；步骤5：采用动态参数粒子群算法进行权重参数的优化；步骤6：综合步骤4中的组合预测模型和步骤5中得到的权重参数，进行组合预测。