月度需求预测（精选7篇）
月度需求预测 篇1
月度用电量预测是中期负荷预测的主要内容, 也是制定月度发电规划的基础。 近年研究发现, 用电量不仅呈逐年变化的趋势, 而且受气温波动的影响[1]。 因此将月度用电量数据逐年变化趋势的特征和随气温波动的特征这2种特征进行分离剖析, 能够提高预测的准确性[2，3]。 小波分析法是一种运用伸缩平移运算, 对高频分量进行时间细分, 低频分量进行频率细分, 最终将信号分解成一系列小波函数叠加的分析方法。 该方法实现了时间频率的局部化分析。 相较于傅里叶分析, 小波函数可以逼近非稳态信号中尖锐变化的部分, 也可以逼近离散不连续具有局部特性的信号, 描述能力更强, 是信号分解的一种常用方法, 对非线性信号具有较好的分解效果[4]。
文献[3]采用小波分析法, 将用电量数据分解成若干不同尺度的分量, 使得数据逐年变化趋势的特征和随气温波动的特征这两种特征分离, 然后采用BP神经网络对各分量分别进行预测, 总体预测精度更高。 然而小波分析每进行一次分解, 小波系数的采样点会减少一半, 影响预测精度, 文献[3]并未对小波分解的这种不足加以分析。
针对这种不足, 本文将做如下改进:首先采用小波分析法对月度用电量进行分解;然后采用小波重构将各小波系数恢复到原数据的长度; 最后采用RBF神经网络对恢复长度的各系数进行月度用电量预测, 并与传统的小波分析法进行比较。
1小波分析法
1989年, Mallat等人采用滤波器的方法实现了离散小波变换[4], Mallat离散小波变换可表示为:
式 (1, 2) 中:j为分解尺度;k, n为平移系数;cAj为第j层小波系数的低频部分;cAj+1和cDj+1分别为第j+1层小波系数的近似分量和细节分量;H, G为小波分解滤波器。
式 (1) 和式 (2) 所示的离散小波变换等效于分别采用高通滤波器H和低通滤波器G对cAj进行滤波, 并进行降采样, 得到近似分量cAj+1和细节分量cDj+1。
形象化的小波分解过程如图1所示。首先对原信号x (t) 进行小波变换, 即对x (t) 进行滤波和降采样, 得到近似分量cA1和细节分量cD1; 然后对近似分量cA1进行小波变换, 即对cA1进行滤波和降采样, 得到cA2和cD2;接着对近似分量cA2进行小波变换, ……, 以此类推, 直至得到近似分量cAj+1和细节分量cDj+1。
文献[3]中采用小波分析法, 将原信号x (t) 进行3次滤波和降采样, 得到相应的近似分量和细节分量。 其中近似分量表征逐年变化趋势的特征, 细节分量表征随气温波动的特征。 然后采用组合预测的方法, 利用小波系数cD1, cD2, cD3和cA3, 对波动分量和趋势分量分别进行预测。 然而, 这种仅利用小波系数cD1, cD2, cD3和cA3进行组合预测的方法存在2个缺点。
(1) 各小波系数中横坐标为采样点, 纵坐标为系数值, 缺乏具体的物理意义。
(2) 在离散小波分解过程中, 每进行一次滤波和降采样, 采样点就会减少一半。 如果原信号数据有269个采样点, 那么, 经4次滤波和降采样后得到的cA4仅剩17个采样点, 显然会降低表征逐年变化趋势的特征分量的预测精度。
为了克服上述缺点, 可以对小波系数cD1, cD2, cD3, cD4和cA4分别进行重构, 使得它们恢复原来的数据长度。 借助Mallat离散小波变换对应的反变换, 可以有效实现该重构目标。 Mallat离散小波变换对应的反变换可表示为:
式 (3) 中:H', G'为小波重构滤波器, 且H' 为高通滤波器, G' 为低通滤波器。
式 (3) 表示的离散小波反变换等效于采用低通滤波器G'对近似分量cAj+1进行滤波, 同时采用高通滤波器H' 对细节分量cDj+1进行滤波, 然后对这2个输出量进行求和并升采样, 重构得到上一层小波系数的低频部分cAj。 升采样过程中要在各系数各采样点之间插零, 并通过重构滤波器H', G'进行滤波。 形象化的小波分解和重构的全过程如图2所示。
通过小波重构, 各小波系数不仅恢复了原来的长度, 且都被赋予了明确的物理意义, D1, D2, D3, D4和A4可以看作是原信号x (t) 的4个分量, 并且有:
小波函数决定着小波变换及其反变换过程中各滤波器H, G, H', G'的表达式, 其选取直接关系着分解效果的好坏。Daubechies是一类正交小波函数, 在分解的过程中不会造成信息的丢失, 因此被广泛应用于负荷预测领域。
2算例分析
以美国亚利桑那州从1990年1月至2007年5月共209个月的月用电量数据为例, 该数据来自美国能源信息局官方网站:http://www.eia.gov/electricity/data. cfm。数据曲线如图3所示。其中, 前173个月的数据用于训练, 后36个月的数据用于测试。 本文进行月度用电量预测方法的流程图如图4所示。
首先对月度用电量数据x (t) 进行小波分解, 4次滤波和降采样之后, 再通过小波重构恢复数据长度, 得到D1, D2, D3, D4和A4的5个分量;然后对D1, D2, D3, D4和A4分别采用RBF神经网络进行预测, 本次预测模型需要建立5个RBF神经网络;最后对5个预测结果进行求和, 得到预测值。 具体的, 首先采用Daubechies 4小波函数, 将亚利桑那州月用电量数据进行小波分解, 结果如图5所示。
从图5中可以看出, 第4次小波变换后, 近似分量cA4已基本没有波动的特征, 因此可以认为系数cA4代表了月度用电量数据中不随气温变化的那一部分趋势分量, 此外的cD1, cD2, cD3和cD4, 与cA4相对应, 是反映月度用电量数据随气温波动的那一部分分量。
经过小波分解, 原信号x (t) 中不同尺度的分量已基本被分离出来, 在此基础上对各分量进行对应的小波重构, 使得各分量恢复原来的数据长度。重构后的各分量分别为D1, D2, D3, D4和A4, 它们的曲线图如图6所示。
获得上述分析结果后, 就可以对未来一个月的用电量值进行预测了。虽然月度用电量数据受到气温、经济、政治等因素的影响, 但是这些因素大多以12个月为周期, 因此采用过去12个月的月用电量数据来预测未来一个月的用电量是非常合理的[5，6]。本文采用RBF神经网络对上述分析结果进行预测。 RBF神经网络是一种三层前馈网络, 具体的结构图如图7所示。 图中x (tp-1) , x (tp-2) …x (tp-12) 为所需预测月度tp之前连续12个月的用电量数据, 而xpre (tp) 为该月度用电量的预测值。
本次算例中, 需要建立5个如图7所示的RBF神经网络, 依次命名为RBFNN1~5。然后, 将恢复原来数据长度的小波系数D1, D2, D3, D4和A4作为历史数据, 分别输入RBFNN1~5中, 每个小波系数对应一个RBF神经网络。 譬如, 将D1中前173个月的数据每连续12个月作为一组输入RBF神经网络RBFNN1中, 预测相应未来一个月的用电量, 预测值输出量结合对应月份已知用电量可以训练RBFNN1。 利用训练好的神经网络RBFNN1预测小波系数D1中后36个月的数据D1pre (i) , 其中变量i为1~36的自然数。 参照以上步骤, 分别预测D2, D3, D4和A4中后36个月的数据, 分别为D2pre (i) , D3pre (i) , D4pre (i) , A4pre (i) , 其中变量i为1~36的自然数。 D1pre (i) , D2pre (i) , D3pre (i) , D4pre (i) 和A4pre (i) 是后36个月的预测用电量xpre (i) 的5个分量, 并且有:
MATLAB仿真结果显示, 本文提出的方法预测精确度较高。为了充分说明这点, 接下来将采用另外2种方法进行预测对比。其中, 方法1不对月度用电量数据x (t) 做任何分解, 直接采用RBF神经网络对x (t) 进行预测;方法2采用文献[3]提出的小波分析法对x (t) 进行预测;方法3是本文提出的方法。 3种方法的36个月用电量数据预测结果如图8所示。
从图8中可以看出, 相比于其他2种方法, 本文所提出的方法具有更高的预测精度。 为进一步比较上述3种方法的预测精度, 还可以比较它们预测结果的2个指标。
平均绝对百分误差:
均方根误差:
式 (6, 7) 中:N为测试样本的个数, 这里为36个;x (i) 为实际值;xpre (i) 为预测值。 3种方法的平均绝对百分误差 δMAPE和均方根误差 δRMSE如表1所示。
从表1可以看出, 方法3的 δMAPE和 δRMSE比另外2种方法要小, 再一次证明了本文所提出的方法对月度用电量数据的预测更加精确。
3结束语
本文提出了一种应用于月度用电量预测的小波分析法。 传统的Mallat小波分析法在小波分解过程中, 每进行一次分解, 采样点就会减少一半, 从而影响预测精度。针对这种现象, 该法可以通过小波重构将各分量的采样点个数恢复到原来数据的长度, 再通过RBF神经网络进行预测, 大大提高预测精度。
参考文献
[1]许琦, 曾凌.南京电网负荷与气温敏感性分析[J].江苏电机工程, 2012, 31 (5) :55-57.
[2]刘学琴, 吴耀华, 崔宝华.小波软阈值去噪和GRNN网络在月度负荷预测中的应用[J].电力系统保护与控制, 2009, 37 (14) :59-62.
[3]姚李孝, 刘学琴.基于小波分析的月度负荷组合预测[J].电网技术, 2007, 31 (19) :65-68.
[4]MALLAT S.A Theory for Multiresolution Signal Decompositionthe Wavelet Representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11 (7) :674-693.
[5]CHEN Y, LUH P B, GUAN C.Short-Term Load Forecasting:Similar Day-Based Wavelet Neural Networks[J].IEEE Transactions on Power Systems, 2010, 25 (1) :322-330.
[6]AGNALDO R R, ALEXANDRE P A.Feature Extraction via Multiresolution Analysis for Short-term Load Forecasting[J].IEEE Transactions on Power Systems, 2005, 20 (1) :189-198.
月度需求预测 篇2
控制图是对过程特性值进行测量、记录、评估, 从而监测过程是否处于受控状态的一种常用统计方法, 控制图广泛适用于所有类型产品 (硬件、软件、流程性材料和服务) 的生产和测量过程, 被称为统计技术中的核心工具。控制图由中心线CL、上控制限Ucl、下控制限Lcl以及按时间顺序抽取的样本统计量数值的描点序列组成, 控制图的判断准则以小概率事件原理为理论依据。控制图的种类有计量型的均值-极差控制图、均值-标准差控制图等和计数型不合格率控制图、单品缺陷数控制图等。由于零售客户销量差别很大, 本文采用相对偏差 (又称变异系数CV) 来控制零售客户周销量。
一、预测原理
移动平均法以假设预测期相邻的若干观察期数据有密切关系为基础, 利用过去若干实际值的均值来预测现象的发展趋势。季节指数预测法是运用统计方法测定反映时间序列季节变动规律的季节指数, 与趋势变动结合, 预测未来市场需求的方法。
控制图原理基于正态分布的重要结构, 它利用有效数据建立控制界限, 如果该过程不受异常或特殊原因的影响, 则下一步的观察数据将不会超出这一界限。
二、模型建立
预测月片区销量= (目前的片区周平均销量/5) ×预测月的有效工作日×上年同期月增长趋势率K,
上年同期月增长趋势率K= (当月销量-前n个月平均销量) /前n个月平均销量
(n为移动间隔, 可为3、5、6等, 目前我市取值n=3) 。
三、运用销量-CV控制图和增长率趋势图预测的结果
1. 历史需求量测算
(1) 以贵阳市一位客户经理 (杨立) 为例, 计算客户经理服务片区的历史销售各月增长趋势率K。 (见表1)
(2) 从营销管理系统中查询片区各周销量 (见表2)
(3) 计算当前的周平均销量水平, 对历史需求进行预测
当前周平均销量以此前两个月的周平均销量为准, 如要预测2006年6月需求, 当前的周平均销量水平为2006年3、4两月的各周销量平均数。 (见表3)
2. 预测2007年月需求量 (见表4)
3. 需求预测吻合率的标准偏差
标准偏差是样本方差的平方根, 在对实际问题进行分析时, 人们较多使用标准差。通过Excel对需求预测吻合率率的标准偏差进行计算, 结果如表5:
4. 制作销量-CV控制图和销售增长率趋势图
从图我们可看出, 2006年3月和6月底7月初出现了几次周销量异常, 销量落点在上、下限之外。经分析, 3月份属于政策性的偶然增量导致的销量上升, 而6月底7月初的三次异常属客户的订货不均衡导致, 说明客户经理对客户的库存指导不够到位。
5. 模型验证
在全市110个客户经理中, 我们挑选了不同区域的24位客户经理的服务片区, 作模型预测的准确率验证, 误差均在10%左右, 说明此方法较符合贵阳市实际情况。各区域营销部客户经理预测准确率情况如表6:
2007年3月, 我们借助软件开发公司搭建了客户经理月度预测系统。
四、讨论
1. 本方法仅适用于客户经理对服务片区需求的预测, 若对较大区域 (如全市) 的卷烟需求预测, 应选用其他的预测方法, 如:时间序列分解模型。
2. 本方法只适用于近期需求预测, 不能对更远的未来作出预测。
3. 采用移动平均法的预测效果与移动间隔n有关。一般说来, 当序列中常值趋势较稳定时可采用较大的n值, 当序列中常值趋势变化较大时宜采用较小的n值, 所以本案中我们采用n=3。
4. 模型预测只是客户经理在预测中的过程之一, 预测时需整合各种因素定性分析, 得出最终预测数据。客户经理在开展定性分析修正最终预测数时, 主要考虑以下几方面内容:
(1) 消费环境因素:季节原因、城建改造、经济事件的发生、外来人口变迁、红白喜事用烟等, 这些情况的发生对卷烟消费者的需求结构和需求量都会造成一定的突变性。
(2) 社会环境因素:由于节日原因引起卷烟市场的异常销售, 如春节、中秋等传统节日消费。
(3) 人为干预因素:由于零售户对货源的预期不同, 因此在预测时要避免“蝴蝶效应”, 防止预测数被人为的放大。
(4) 促销调价因素:由于促销活动或价格调整, 零售户对该品牌的进货量会受到相当影响, 因此要及时对需求进行修正。
(5) 市场价格因素:由于价量之间存在关系, 因此卷烟市场价格的波动, 会同时引起其销量的变化。
5. 建立零售客户销量-CV控制图, 可根据控制图的判断准则, 对零售客户的卷烟销售过程实施控制, 规范卷烟零售市场秩序, 实现卷烟销售网络“以我为主, 由我调控”。
参考文献
[1]屈援:市场预测理论与应用[J].广州:暨南大学出版社, 2003:48～111
[2]蒲伦昌王毓芳:ISO9000标准统计技术实用教程中国[M].北京:中国质量管理协会, 1998:46～64
[3]贾俊平金勇进:统计学[M].北京:中国人民大学出版社.2004:88～89
[4]陈杰:Excel函数、图表与数据分析[M].北京:电子工业出版社, 2005:54
[5]邹亮:订单供货中需求预测方法探讨[J].中国烟草, 2007 (15) :56～57
[6]邹亮:怀化市卷烟市场需求时间序列分析[J].北京:中国烟草学报.2007 (6) :51～56
[7]王定国:客户经理对服务片区的整体需求预测方法[J].石家庄:糖烟酒周刊 (烟草版) 2008 (10) :64～65
[8]中国卷烟销售公司.国家烟草专卖局“按客户订单组织货源”工作领导小组办公室关于印发《“按客户订单组织货源”业务操作规范 (修订) 》的通知[S].2008:3～12
[9]白远良吴应禄等:我国卷烟需求分析 (上) [J].北京:中国烟草学报, 2007 (2) :6～10
月度需求预测 篇3
关键词：用电量预测方法,电力需求预测,温度,线性回归模型
电力需求是经济发展的晴雨表, 电力需求预测对电力部门及相关经济和能源部门的工作具有重要意义, 全社会用电量是反映电力需求的重要指标之一。
目前, 全社会用电量常用的预测方法包括趋势外推法、总量回归、ARIMA、增速外推、弹性系数和产值单耗法等[1,2,3,4]。王鹏飞[5]利用我国1987-2002年年度数据, 以GDP和总人口作为自变量, 全社会用电量作为因变量, 建立线性回归模型, 预测我国未来年份的全社会用电量;陈莉[6]运用甘肃省1999-2005年年度数据, 采用总量回归法, 并通过灰色系统理论中的GM (1, 1) 模型, 预测出GDP的未来年份的预测值, 从而进一步对甘肃省2006-2010年的全社会用电量进行了预测;张璇[7]通过分析我国2007年7月-2012年6月全社会用电量的月度数据, 建立时间序列ARIMA乘积季节模型, 对我国未来6个月的全社会用电量进行了预测。
这些研究大多基于年度数据进行年度预测, 其中趋势外推法、ARIMA和增速外推都是根据过去和现在的发展趋势推断未来的一类方法, 只能反映全社会用电量自身的变化趋势, 无法反映和预测经济发展对其影响, 因此无法准确预测未来的全社会用电量。传统弹性系数法和产值单耗法常用于预测年度全社会用电量, 但是传统电力消费弹性系数法中GDP增速是与上一年可比价计算得到的, 而用电量是实物量的增速, 这种方法计算得出的弹性系数在历史区间内包含了价格因素, 因此, 用其与不含价格因素的变量进行比较是不合理的。产值单耗法亦是如此[2,3,4]。
鉴于此, 本文综合考虑温度和经济增长因素对全社会用电量的影响, 建立考虑温度和经济增长因素的预测模型, 对月度全社会用电量进行准确预测。
1 原理
在建立考虑经济增长趋势因素的预测模型时, 经济增长趋势的量化方式可以是加入时间趋势项, 也可以用由月度工业增加值增速转换得到的经济增长指数来表示。因为二产增加值增速与GDP增速走势高度一致, 而规模以上工业增加值在二产增加值中占比很大, 考虑到数据的可获得性, 本文在月度层面选用规模以上工业增加值增速表示月度经济增长趋势情况。
1.1 第1种方法
1.1.1 获取数据并排序。
获取历史期与预测月同月的全社会用电量、月平均温度数据, 并将数据按照年份先后顺序排列。
1.1.2 赋予时间趋势项。
按照年份顺序, 如数据样本从2009-2013年, 则依次赋予时间趋势项1、2、3、4和5, 预测期如为14a, 赋予时间趋势项即6。
1.1.3 建立加入时间趋势项的预测模型。
以月度全社会用电量为因变量, 时间趋势项和月平均温度为自变量, 建立线性回归方程, 即:
式 (1) 中, Ei为月全社会用电量, i为时间趋势项, Ti为月平均温度, A为常数项, B为时间趋势项的系数, C为Ti的系数。
1.1.4 求出预测月的平均温度预测值。取样本期月平均温度的平均值作为预测月的平均温度预测值。
1.1.5 计算预测月的全社会用电量。
根据上述预测模型回归得到的常数项和系数值, 并将预测月的平均温度预测值、时间趋势项代入式中, 可得到预测月全社会用电量的预测值。
第1种方法计算流程图详见图1。
1.2 第2种方法
1.2.1 获取工业增加值增速数据。
获取历史期与预测月同月的规模以上工业增加值增速数据, 并将其折算成以基期I0=100的经济增长指数:
式 (2) 中, Ii为月度经济增长指数, GYi为当月的规模以上工业增加值增速, I0为基期的经济增长指数。
1.2.2 获取全社会用电量、月平均温度数据并排序。获取历史期与预测月同月的全社会用电量, 以及月平均温度数据, 并与1.2.1中数据一起按照年份先后顺序排列。
1.2.3 建立加入经济增长指数的预测模型。
以月度全社会用电量为因变量, 月平均温度和月度经济增长指数为自变量, 建立线性回归方程, 即
式 (3) 中, Ei为月全社会用电量, Ti为月平均温度, A为常数项, B为Ti的系数, C为Ii的系数。
1.2.4 求出预测月的平均温度预测值。取样本期平均温度的平均值作为预测月的平均温度预测值。
1.2.5 求预测月的经济增长指数。
根据相关经济研究部门给出的预测月规模以上工业增加值增速预测值, 折算成预测月的经济增长指数。
1.2.6 计算预测月的全社会用电量。
根据1.2.3回归得到的常数项和系数, 并将预测月的平均温度预测值、经济增长指数预测值代入回归方程中, 可计算得到预测月全社会用电量的预测值。
第2种方法计算流程图详见图2。
由上述技术方案可知, 本文通过分别构建月度全社会用电量电量与平均温度、用时间趋势项或经济增长指数, 表示经济增长趋势的量化指标之间的线性回归方程, 得到月度全社会用电量预测值, 以有助于月度电力规划, 以及电网生产调度与电网月度生产计划的制定。
2 算例分析
通过本文提出的2种方法预测, 以2007-2013年历年6月历史数据作为样本期, 预测2014年6月全社会用电量。其中, 样本期某省全社会用电量、月平均温度、规上工业增加值增速、经济增长指数详见表1。
2.1 第1种方法
2.1.1 赋予时间趋势项。
数据样本期为2007-2013年6月, 依次赋予其时间趋势项1、2、3、4、5、6和7。预测期为2014年6月, 赋予时间趋势项8, 详见表1。
2.1.2 建立加入时间趋势项的预测模型。预测模型如下:
式 (4) 中, Ei为月全社会用电量, i为时间趋势项, Ti为月平均温度。回归方程的系数全部通过T检验, R2=0.994。
2.1.3 确定2014年6月平均温度预测值。
取2007-2013年6月平均温度的平均值25.54作为2014年6月平均温度预测值。
2.1.4 计算2014年6月全社会用电量预测值。
将2014年6月的时间趋势项8、平均温度预测值25.54代入2.1.2的预测模型中, 得到2014年6月全社会用电量预测值约为129.450亿k W·h。
2.2 第2种方法
1获取2007-2013年6月的规模以上工业增加值增速数据, 并将其折算成以2006年为100的经济增长指数:2获取2007-2013年6月全社会用电量、月平均温度数据, 并将这些数据与步骤1中数据一起按照年份先后顺序排列, 详见表1;3建立加入经济增长指数的预测模型:Ei=13.817+0.886Ti+0.221Ii, 其中Ei为月全社会用电量, Ti为月平均温度, Ii为月度经济增长指数。回归方程的系数全部通过T检验, R2=0.999, 模型对历史数据拟合得非常好, 可以解释99.9%的历史数据;4取2007-2013年6月平均温度的平均值25.536作为2014年6月平均温度预测的值;5因为目前安徽省统计局已公布2014年6月规模以上工业增加值增速为11.5%, 折算成预测月的经济增长指数为425.53 (如未公布, 则根据相关经济研究部门给出的预测月规模以上工业增加值增速预测值, 折算成预测月的经济增长指数) ;6将2014年6月的平均温度预测值、经济增长指数值代入步骤3回归方程中, 可得到2014年6月全社会用电量预测值为130.480亿k W·h。
2014年6月安徽省全社会用电量实际值为130.323亿k W·h, 上述2种方法的预测误差分别为-0.66%、-0.01%, 准确性较高。
3 结语
短期电力需求预测是保证电力系统安全运行的一项基础性工作, 本文提出了2种考虑温度和经济增长因素的月度全社会用电量预测方法, 通过选用规模以上工业增加值增速表示月度经济增长趋势情况, 科学构建了月度全社会用电量与平均温度以及当月的经济增长指标之间的线性回归模型, 可以准确预测月度全社会用电量。
参考文献
[1]张士强, 王雯, 王健.ARIMA模型在城市年用电量预测中的应用[J].电力需求侧管理, 2010 (6) :31-34.
[2]王文圣, 丁晶, 赵玉龙, 等.基于偏最小二乘回归的年用电量预测研究[J].中国电机工程学报, 2003 (10) :17-21.
[3]葛斐, 石雪梅, 荣秀婷, 等.电力消费弹性系数与产业结构关系研究——以安徽省为例[J].四川大学学报:哲学社会科学版, 2015 (3) :79-85.
[4]郭挺, 饶建业.“新常态”下广东省中长期电力需求预测[J].广东电力, 2015 (6) :6-11.
[5]王鹏飞.多元线性回归方法在中国用电量预测中的应用研究[J].华北电力技术, 2005 (8) :16-18.
[6]陈莉.统计方法在预测全社会用电量中的应用[J].华北电力技术, 2006 (S2) :192-194.
月度需求预测 篇4
关键词：月度负荷预测,广义回归神经网络,小波软阈值,去噪
0 引言
电力负荷预测是电力系统中一项重要的工作,是电力系统运行、控制和规划不可缺少的组成部分,特别是电力系统逐步过渡到商业化运行的情况下,电力负荷预测工作更为重要。在保证系统安全可靠运行、满足用户需求的前提下,电力企业必须更多地从经济效益方而考虑系统的规划、运行。而通过准确的负荷预测,可以避免资源的浪费,从而提高电力系统的经济效益。
负荷预测的核心是根据其历史变化规律,推断出负荷未来的发展。电力系统的月负荷,随着社会经济的发展,人民生活水平的提高,呈现不断增长的趋势;同时,由于各月的情况不同,月负荷每年重复出现循环变动,即以12个月为周期的季节性波动;电网月负荷同时具有增长性和季节波动性的二重趋势,因此使得负荷的变化呈现出复杂的非线性组合特征[1,2]。
基于此,本文提出的预测方法仅仅是考虑负荷数据本身,不考虑其影响因素,把负荷序列看作一个信号序列,应用小波去噪原理,将信号与噪声分离,然后把去噪后的数据分解为反映负荷增长趋势的纵向历史负荷和反映负荷波动趋势的横向历史负荷,最后将横向历史负荷和纵向历史负荷共同作为神经网络的输入神经元,同时反映波动趋势和增长趋势这两种不同的变化,预测未来月份的负荷数据。
1 小波阈值去噪理论简介
小波去噪的根本任务是在小波域将信号的小波变换与噪声的小波变换有效的分离。小波阈值收缩(Wave Shrink)的方法是由Donoho和Johnstone于1992年提出的,该方法在最小均方误差意义下可达到近似最优,并且可取得较好的视觉效果,因而能得到了深入的研究和广泛的应用[3]。
小波阈值收缩法去噪的主要理论依据是,小波变换特别是正交小波变换具有很强的去数据相关性,它能够使信号能量在小波域集中在一些大的小波系数中,而噪声的能量却分布于整个小波域内,因此,经小波分解后,信号的小波系数幅值要大于噪声的系数幅值,可以认为,幅值比较大的小波系数一般以信号为主,而幅值比较小的系数在很大程度上是噪声。于是,采用阈值的方法可以把信号系数保留,而使大部分噪声系数减少至零。
小波阈值收缩法去噪的具体处理过程为:将含噪信号在各尺度上进行小波分解,保留大尺度低分辨率下的全部小波系数;对于各尺度高分辨率下的小波系数,可以设定一个阈值,幅值低于该阈值的小波系数置为0,高于该阈值的小波系数或者完全保留,或者作相应的“收缩”(shrinkage)处理。最后将处理后获得的小波系数利用逆小波变换进行重构,恢复出有效的信号。
目前,人们提出了多种阈值的选取方法:Visu Shrink、Risk Shrink、Sure Shrink、Wave JSShrink等。最常用的是Visu Shrink,这种方法采用全局统一阈值其中σ是噪声信号的标准差(度量噪声的强弱),N是信号长度。去噪算法如下:
1)计算含噪信号的正交小波变换。对于长度为N的含噪信号X,不妨设N=2J,利用正交小波变换的快速算法获得低分辨率L(0≤L
2)对小波系数进行非线性阈值处理。为保持信号的整体形状不变,保留所有的低频系数{vL,k,k=1,L,2L}。取阈值对每个小波系数,采用软阈值方法进行处理:
即,将含噪信号的小波系数与所选定的阈值进行比较,大于阈值的点收缩为该点值与阈值的差值;小于阈值相反数的点收缩为该点与阈值的和;幅值小于等于阈值的点变为零。
3)进行逆小波变换。由所有低频尺度系数,以及经由阈值处理后的小波系数做逆小波变换进行重构,得到恢复的原始信号的估计值。
2 广义神经网络模型
GRNN网络是由The Lockheed Palo Alto研究实验室的Donald Specht提出的一种新型的神经网络,它建立在数理统计的基础上,能够根据样本数据逼近其中隐含的隐射关系,主要用于系统模型和预测。优点是学习速度快,网络最后收敛于样本量集聚最多的优化回归面,一旦学习样本确定,则相应的网络结构和神经元之间的连接权值也随之确定,网络训练过程实际上只是确定平滑参数的过程,并且在样本数据较稀少时,效果也很好,网络可以处理不稳定的数据。人为调节的参数少,只有一个阈值。网络的学习全部依赖数据样本。这个特点决定了网络得以最大限度地避免人为主观假定对预测结果的影响。GRNN用标准的统计学公式来计算在随机变量x的给定测量值X时,变量y的有条件平均值Y。在计算这个条件平均值是要用到相关可能性密度函数(pdf),在GRNN中,相关的pdf使用泊松估计,由训练矢量近似来得到[4,5]。
2.1 广义回归神经网络的算法理论
广义回归神经网络的理论基础是非线性回归分析。当给定矢量随机变量x的一个测量值X时,随机变量Y的条件平均为
在此f(X y)是y和x的相关可能性密度函数。在GRNN中,f(X y)用泊松来近似,其窗口为常对角斜方差矩阵。
式中:{(X(t),Y(t)),t=1,L,T}是一组输入输出值,并且
为x和X(t)之间的欧几里德距离,N是输入空间的维数,即在网络中的输入单元数。
σ是一个宽度函数,当泊松窗口的数量T变化大时,必须满足下列的趋势。
将pdf的估计方程(2)直接带入(1),改变积分求和顺序,可得到下面的条件平均估计。
若设变量z=y-Y(t),分子的积分项可化简为
分母中的积分项化简为
将式(5)、(式6)代入式(4),可得到
2.2 广义回归神经网络的结构
GRNN结构如图1所示,包括输入层,模式层,求和层与输出层四层神经元。对应网络输入X=[X1,X2,L,Xm]T,其输出为Y=[y 1,y2,L,y l]T。
输入层的神经元数目等于学习样本中输入层的维数m,各神经元是简单的分布单元,直接将输入变量传递给隐含层。
模式层的神经元数目等于学习样本的数目n,各神经元对应不同的样本,模式层中神经元i的传递函数为
其中:X为网络输入变量,Xi为神经元i对应的学习样本,σ为平滑参数,也就是说,神经元i的输出为输入变量X与其对应的样本Xi之间的Euclid距离平方的指数形式
求和层包括两种类型神经元,其中一种神经元对所有模式层神经元的输出进行算术求和,模式层各神经元与该神经元的连接权值为1,传递函数为
其它神经元对所有模式层神经元的输出进行加权求和,模式层中第i个神经元与求和层中第j个求和神经元之间的连接权值为第i个输出样本iY中的第j个元素yij,求和神经元的传递函数为
输出层中的神经元数目等于学习样本中输出向量的维数L,各神经元将求和层的输出相除,即
2.3 光滑因子的确定
对于广义回归神经网络,其初始化就是对训练样本的学习过程,学习样本确定,则相应的网络结构和各神经元之间的连接权值也随之确定,网络的训练实际上只是确定光滑因子的过程。与传统的误差反向传输算法不同,广义回归神经网络的学习算法在训练过程中无需调整神经元之间的连接权值,而是改变光滑因子,从而调整各单元的传递函数,以获得最佳回归估计结果。
由式(7)可以看出,光滑因子σ对网络的预测性能影响较大,令平滑参数以增量σ在一定范围[σmin,σmax]内递增变化;在学习样本中,除去一个样本,用剩余的样本构造广义回归神经网络对该样本进行估计,得到估计值与样本值之间的误差,对每一样本重复该过程,得到误差序列,将误差序列的均方值
作为网络性能的评价指标,将最小误差对应的平滑参数用于最后的广义回归神经网络。在确定平滑参数的过程中,初始值σmin太小,式(4)可能会出现除以0的情况,给出如下σmin的计算方法
其中:Dmin为学习样本中各输入样本之间Euclid距离的最小值,ε>0为计算机能够表达的最小正数。
平滑参数的确定过程隐含了网络性能的验证过程。因此,在网络的学习样本中不需要另外的验证数据。
3 研究算例
本文所取负荷数据是以月为单位的时间序列,负荷数据由陕西某供电局提供,资料取自1989年—2005年共17年(204个月)的历史负荷数。
3.1 原始数据分析
首先基于Matlab语言对1989—2004这连续192个月的负荷数据应用小波软阈值进行去噪处理,小波去噪前后数据曲线如图2,由图可以看出,软阈值法去噪不仅几乎完全可以抑制噪声,而且可很好地保留反映原始信号的特征尖峰点,因而具有较好的去噪效果[6]。
3.2 样本选择
通过分析月度负荷特性数据序列可知,随时间的推移,月度负荷和往年同一月的历史负荷相比具有明显的增长趋势;同时,月度负荷随季节变化与最近相邻几个月的历史负荷呈现出某种波动趋势。因此,考虑将横向历史负荷和纵向历史负荷共同作为广义神经网络的输入神经元,同时反映波动趋势和增长趋势这两种不同的变化[7]。
将待预测年某月的负荷数据用f(i,j)表示,其中i代表年,j代表月,j=1,…,12,i=4,…,16。未来一年各月负荷f(i,j)预测模型如下:
样本输入:f(i,j-1),f(i,j-2),f(i,j-3),f(i-1,j),f(i-1,j-1),f(i-1,j-2),f(i-2,j),f(i-2,j-1),
其中:
样本输出:f(i,j)
3.3 模型结构
其网络结构如图1。输入层为8个神经元,输出层为1个神经元,模式层为11个,求和层2个,网络结构为8-11-2-1[8]。根据反复实验确定最优平滑参数取为0.154 7。
3.4 预测结果
以1989年—2004年历史负荷数据为依据,采用了直接用GRNN和历史负荷数据经小波去噪两种方法,分别预测2005年12个月的负荷数据,预测结果见表1。从结果可以看出:如果不采用小波阈值去噪,而直接用GRNN神经网络预测,其相对误差较大,相对误差最大已超过6%,平均相对误差达4.755%,而用本文介绍的方法预测,相对误差最大不超过3%,平均相对误差为:2.236%,预测精度比较高。
4 结论
首先对负荷数据进行小波软阈值处理,然后将去噪后的数据送入广义神经网络进行预测。考虑到月度负荷具有趋势增长性和季节波动性的二重特性,该神经网络预测模型以横向负荷数据和纵向负荷数据作为神经网络的输入神经元,使得预测模型更合理。
通过实例应用表明,该模型具有较好的鲁棒性,预测精度较高且较为稳定,既有良好的实用性,且可适用于周,季负荷特性等具有二重趋势的序列的预测。
参考文献
[1]刘晨晖.电力系统负荷预报理论与方法[M].哈尔滨:哈尔滨工业大学出版社,1987.
[2]牛东晓,曹树华,赵磊,等.电力负荷预测技术及其应用[M].北京:中国电力出版社,1998.
[3]杨福生.小波变换的工程分析与应用[M].北京:科学出版社,1998.
[4]张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社,1993.
[5]张际先,宓霞.神经网络及其在工程中的应用[M].北京:机械工业出版社,1996.
[6]吴耀华.小波软阈值去噪在电压变换器选型中的应用[J].继电器,2008,36(4):47-49.WU Yao-hua.Application of Wavelet Soft-threshold Denoising in Voltage Converter Selection[J].Relay,2008,36(4):47-49.
[7]刘学琴.小波和神经网络在电力系统中长期负荷预测中的应用研究[D].西安:西安理工大学,2007.LIU Xue-qin.Apply Wavelet and Neural Network to Power System Mid-Long Term Load Forecasting[D].Xi’an:Xi'an University of Technology,2007.
月度人物 篇5
职位:成都谭鱼头集团董事长
上榜理由:昔日的兵蛋子,扛过枪,吃过糠;今日贵为一寨之主,跻身社会名流无限风光。
上榜等级:★★★★★(五星级)
[简评]谭长安参加过对越防御作战,经历了老山、者阴山、扣林山等战役。服役18年,谭长安称,“那是痛苦的18年,也是很难得的18年。”2002年在台湾开出特许店,阻碍较多,赴台时期的名义多为文化交流;2003年非典期间,在香港积极筹备,并开出直营店,迎难而上,取得极大成功。2004年,他为所有的中国民营企业,向时任国务院副总理的吴仪大胆谏言,“中国企业走出去很难,就拿谭鱼头来讲,我们到香港投资90多万美金,准备期就花了11个月”,而名噪一时。2008年7月18日,成都谭鱼头集团开出海外首店——新加坡亮阁店,占股51%,成为国内连锁餐饮企业中屈指可数海外拓展有为的企业之一。人生应当如此,男儿更应当如此。
姓名:于东来
职位:“胖东来”超市掌门人
上榜理由:昨日为个体王老五,一朝为侠商,谁说义不为贾?
上榜等级:★★★★☆(四星级)
[简评]于东来的青春岁月很坎坷,过早辍学踏入社会后,他先后卖过冰棍、倒卖过电影票,当过工人,下过岗……因为急功近利,做生意也几番沉浮,数度失败,甚至在1992年时,他还负着30万元的债。在1995年从40平方米的糖烟酒小店,开始了艰难创业,并取名“胖东来”。此后稍有好转,到1998年年“胖东来”在许昌已经小有名气。汶川大地震时,这个名叫于东来的人,一跃而起,放下了手边的工作,凭着他与生俱来的一股侠气,在第一时间组织了139名志愿者和2000多箱救灾物资浩浩荡荡飞驰救援。丈夫处世兮立功名,莫问出身,只论英雄!
姓名:王填张海霞
职位:步步高之掌门伉俪
上榜理由:夫妇同心,商业版神雕侠侣,伉俪情深上市为圆向日梦,
上榜等级:★★★☆☆(三星级)
月度人物 篇6
上榜理由:不慕权利, 为国美寻求第三代掌门人
上榜等级:★★★★★ (五星级)
[简评]陈晓者, 四川省南部县人也!字白焰, 号“逆行者”, 川北著名“陈氏三状元”世家陈尧佐的后裔。自幼师承四川画坛一杰——竹君先生习书作画, 参加银行工作后, 又广泛涉猎文学、写作、摄影和广告企划, 并长期从事金融研究。他的美术作品极富神韵, 墨彩精到;他的书法作品苍劲疾驰, 笔走游龙。有此荣誉足矣, 如今又涉足商界, 稳坐国美第二代掌门人交椅, 却顿生退意, 欲为国美另觅高贤。个中原因或是不慕权利, 或是无意商界, 或是其他种种, 着实耐人寻味, 却别有一种追慕古人的高风亮节, 实在叫人钦佩!
职位:九牧王瓢把子
上榜理由:连续9年销量领跑中国男裤的九牧王, 将迎来弱冠之礼。但对林聪颖而言, 今年并非大庆之年, 而是大练之年。
上榜等级:★★★★☆ (四星级)
[简评]1989年, 29岁“下海”公务员经林聪颖经历了一些挫败后, 打算正式创业, 与12个人一起建立了一个工厂, 这就是九牧王的前身。启动资金是7.2万元, 其中包括借的一些高利贷。在中国民营企业起起伏伏的浪潮中, 自称“大胆”又“心细”的林聪颖, 一直奋斗在一线, 为企业赢来“西裤大王”的美誉。虽不算最耀眼的民营企业家, 却也是商界的后起之秀。善进必定有过人的耐力和审时度势的判断力。此后林聪颖大打出手, 终于将九牧王推向世界, 从此服装界之半壁江山直属九牧王, 而林聪颖也身居“诸侯”之位。
职位:中关村董事长
上榜理由:既是商界大鳄, 还是娱乐界之高手, 正当叱咤风云, 不料马失前蹄
上榜等级:★★★☆☆ (三星级)
月度要闻 篇7
3月14日, 全球移动通讯领域领导厂商摩托罗拉公司在北京举行“绿动MOTO, 绿色责任”启动仪式, 扩大废弃手机及配件回收的范围与规模。今年摩托罗拉将在中国近80个城市, 400个网点设立“绿箱子”回收站, 消费者可将废弃手机和电池、充电器等放入设在摩托罗拉服务中心、摩托罗拉产品零售店及特约指定回收地点的绿箱子中。
中式快餐“东方既白”进驻北京
作为洋快餐肯德基的兄弟品牌——中式快餐“东方既白”3月3日正式在北京首都机场新航站楼落户。此举标致着洋快餐在中国的本土化战略又向前迈进了一步, 同时表明, 东方既白在中国的推广活动拉开序幕。东方既白与进入中国较早的肯德基、必胜客等同时隶属于在美国纳斯达克上市的百胜餐饮集团。东方既白于2005年首次在上海开店, 据悉, 这是跨国餐饮企业首次在中国创立的一个完全本土化的全新品牌。
中国平安计划收购富通投资管理50%股权
3月20日, 据中国平安保险 (集团) 股份有限公司宣布, 中国平安已与欧洲富通集团签署建立全球资产管理合作伙伴关系的谅解备忘录, 中国平安拟以21.5亿欧元收购富通集团资产管理子公司——富通投资管理50%的股权。据悉, 富通投资管理是一家多中心、多产品的全球性资产管理公司, 在与前荷银资产管理合并之后, 富通投资管理目前拥有2450亿欧元的管理资产。
意外贸委员会组团亮相中国时装周
3月27日, 意大利对外贸易委员会组织近50家公司参与在中国国际展览中心开幕的中国国际纺织面料及辅料 (春夏) 博览会, 并邀请意大利面料专家进行“2009年春夏面料流行趋势发布会”。次日, 意外贸委员会还组织30多家公司、40多个品牌参加在中国国际展览中心 (新馆) 开幕的中国国际服装服饰博览会。
雀巢发布企业社会责任报告
近日, 在纽约召开的雀巢-全球契约会议上, 雀巢首席执行官Peter Brabeck Letmathe发布首份《价值创造与分享》报告 (企业社会责任报告) , 包含其商业活动对全球环境和社会影响的主要信息。
雀巢说, 在2007年其与10年前相比温室气体排放量降低达16%, 用水量减少28%, 同期产品生产量增长76%。2007年, 雀巢投资超过1亿瑞士法郎于环境改善相关的产业, 投资约1.7亿瑞士法郎在巴西、巴基斯坦与中国建设新工厂。同时, 还为超过600万的发展中国家农民提供技术协助, 包括月3000万瑞士法郎的小额贷款。
中国人民银行决定上调存款准备金率0.5个百分点
3月18日, 据中国人民银行网站消息, 为落实从紧的货币政策要求, 继续加强银行体系流动性管理, 引导货币信贷合理增长, 中国人民银行决定从2008年3月25日起, 上调存款类金融机构人民币存款准备金率0.5个百分点, 达到15.5%。
中国首次作为主宾国参加第十届亚太海事展
第十届亚太海事展3月26日在花园之都新加坡的国际展览中心开幕。本届展会为期三天, 共有52个国家的841家企业参展, 6000多位各国采购商到会采购。
中国首次作为主宾国参展。中国展团由100多家船舶制造和配套企业组成, 包括潍柴动力、中船重工CSIC等中国大型船舶产品企业。中国机电产品进出口商会作为本展在中国的总代理, 已经连续十届组织中国企业和相关机构参展。
外资行首进央行征信系统
3月26日, 外资行的房贷业务开始全面进入央行的监管视野, 并首次在技术上具备了识别“第二套房”的能力。渣打银行 (中国) 有限公司个人银行总裁叶杨诗明25日透露, 渣打银行的个贷系统已率先实现与中国人民银行个人征信系统的联接。渣打同时表示, 在个人贷款尤其是房贷业务上, 该行将严格遵守监管部门的指令。
欧洲千亿资产银行萎缩至2家
据英国媒体6日报道, 到本月, 资产在1000亿美元以上的银行仅剩下汇丰银行和渣打银行。与2007年1月份时相比, 当时资产超过1000亿美元的银行共有5家。而今, 巴克莱、瑞士信贷和德意志银行现在的资产规模仅为600亿美元。曾经风光无限的英国两大银行之一的劳合社和德国的富通银行现在资产已经萎缩到500亿美元以下。
3月6日, 郑州几家获得“家电下乡”经营资格的家电连锁网点打出了“家电下乡”的广告
央行发布2007国际金融市场报告
3月19日, 据中国人民银行网站消息, 央行发布了《2007年国际金融市场报告》。《报告》指出, 受美国次贷危机扩散等因素影响, 预计未来油价、贵金属价格高企的局面仍将持续, 国际金融市场仍将呈现出相当程度的波动性特征。
“家电下乡”试点工作全面展开
财政部、商务部2007年11月印发《家电下乡试点工作实施方案》, 并于2007年12月1日至2008年5月31日, 在山东、河南、四川三省开展家电下乡试点工作。目前, 家电下乡的销售工作已经启动, 大部分品牌的中标产品已经投放市场, 取得了初步的销售成果。
Tesco乐购沪上开出绿色环保店
3月7日, 全球三大零售商之一的英国Tesco日前在上海闵行开出了第一家绿色环保店Tesco乐购都市店。据介绍, 该店采取了多种智能化节能措施, 预计到今年底, 可比同类型等规模的门店节能13%, 相当于节省81万多度电, 减少碳排放量634吨。
福特加强在华管理层