短期电力市场预测（精选11篇）
短期电力市场预测 篇1
一、电力负荷的主要构成
按照各用电部门的属性可以将电力负荷划分为工业负荷、农业负荷、市政民用负荷、交通运输负荷以及其它负荷等等。由于各个部门的行业性质不同, 其电力负荷的特点也各不相同。其中工业电力负荷的显著特点就是用电量大, 但是比较稳定, 工业用电占全社会用电量的六成以上。工业用户的生产工艺、生产班次不同, 相应的电力负荷也有差异, 通常全日制流水线连续生产企业的用电量最大, 且有较高的负荷率, 三班制企业次之, 两班制企业次次之, 用电量最小且负荷率最低的要数一班制企业。农村用电负荷相对来说用电量最小, 比重只占全社会的百分之五, 农村用电表现出明显的季节性特点, 即月度、季度变化比较大, 单日内则无太大变化, 通常农村用电夏季的负荷率最大, 这是受到农业排灌的影响。市政民用用电负荷的显著特点就是用电量每年都不断升高, 比重大概占全社会用电量的百分之十五。在夏天日间的负荷率有较大起伏, 而冬天则相对较小。造成市政用电日间负荷变化大的主要原因是居民照明、空调、电视机以及电饮具等, 且功率也比较高;各商业负荷集中出现在营业时间, 主要是照明、空调、动力用电以及霓虹灯等用电负荷;市政排水用电量比较稳定, 不过负荷率比较高。交通运输的用电负荷相对最小, 只占全社会用量总量的百分之二, 电车、地铁的负荷比较平稳, 不过在上下班时间会出现一个较大的峰值。其它用电负荷主要是电厂用电以及电网自身的损耗。用户的用电量与电网的损耗功率及损耗电量是成正比关系的。要做出准确的用电负荷, 就要经过多方面的调查, 收集更全面的内部资料与外部资料, 主要包括预测地区历年的国民经济与社会发展情况;电力系统的运行状态、用电结构以及用电量;预测地区的经济增长情况;大型用户的用电计划以及动力资源与自然资源情况;各主要变电站日常运行记录;无功设备安装容量、电压以及频率等参数的统计分析等。
二、导致电力负荷发生变化的主要原因
造成电力负荷发生变化的主要原因包括以下几个方面:第一, 工业生产, 通常连续性生产的企业有着稳定的电力负荷, 而二、三班制企业在交接班时的电力负荷比较小, 其它的时间相对稳定, 而一班制的企业用电负荷白天比较大, 而晚上比较小, 所以日负荷起伏较大。第二, 作息时间的影响, 通常白天上班时间有较高的用电负荷, 从傍晚到凌晨的负荷是最大的, 深夜为最低点, 白天中午休息时间的负荷也比较低。第三, 季节因素的影响, 通常由于居民用电的习惯、用电设备的增长与大修、农业排灌等因素会造成一年中每个季度的用电负荷存在明显差异, 且在年内呈现出一定的规律性。第四, 气候的原因, 电力负荷受气候因素的影响十分明显, 比如日间光线不足会增大照明负荷, 而高温天气则会提高空调设备的负荷。第五, 节假日的影响, 一些法定节假日、学校的寒暑假、重大的政治事件等等均会明显的影响到某一地区的电力负荷变化规律。由此可见, 对电网负荷进行短期预测最显著的特点即为周期性、非平稳性, 大周期包含了小周期, 而且负荷序列取值不同会直接影响到负荷的波动幅度。
三、短期负荷预测的预处理
电力短期负荷尽管呈现出一定的规律性, 但是其随机性也很明显。分析预处理所收集的资料, 就是对历史资料中的突变值的平稳化与缺失数据进行补遗, 如果出现异常数据, 可以采取水平处理与垂直处理的方法。所谓的数据水平处理就是在数据分析过程中, 以前后两个时间的负荷数据为基础, 将待处理数据的最大变动范围设定出来, 如果待处理数据超出了设定范围则为不良数据, 利用平均值将其变化进行平稳。而数据的垂直处理则是指在预处理负荷数据时, 将二十四小时内的小周期, 即在不同日期的同一时刻的负荷具有相似性, 则该时刻的负荷值要保持在相应的范围内, 如果超出该范围则要进行修政, 使其为待处理数据近几天该时刻的负荷平均值。
四、负荷预测的方法
负荷预测模型概括了统计资料的所有轨迹, 模型的种类也各不相同, 所以资料不同所选择的预测模型也应该有所不同。在建立预测模型时的注意事项包括以下几点:第一, 要能够将电力负荷在季度、周、日等小周期内的波动特点反映出来;第二, 可以将负荷的自然增长规律反映出来;第三, 可以将气象因素, 比如气温或者日照等反映出来;第四, 节假日的负荷变化不同于正常日期, 所以要另外建立针对性强的负荷模性, 提前对节假日的用电负荷做出预测。
(一) 神经网络预测方法
随着人工智能的不断发展, 短期负荷预测中也开始应用人工神经网络, 其优势主要体现在其具有模拟多变量, 对于输入的变量无需做过多、复杂的相关假定。仅仅利用所观察的数据就能够从训练过程中通过学习来抽取与逼近隐含的输入与输出非线性关系, 而无需凭借专家经验。神经网络的代表模型为误差反传网络, 即BP网络, 其属于带有隐层的前馈型神经网络, 具备结构简单、算法完整且清晰的特点, 所以电力负荷的短期预测大多数应用这种模型。在进行短期负荷预测时采用人工神经网络的方法, 可以使得短期、平稳、随机过程的预测问题得到有效的解决, 而且一些针对样本数据与参数以及神经网络级联的改进方法, 使得神经网络预测法的精度在一定程度上得到了明显的提高。不过神经网络预测法也有一定的不足, 比如较慢的收敛速度, 可能收敛到局部最小点;且对训练样本要求比较高, 要求训练样本数据的数量比较多, 训练时间也相对较长, 如果样本中存在不良数据或者坏数据, 则神经网络对这些数据无法适应, 造成其学习产生偏差, 最终对预测的精确性产生影响;此外神经网络表达知识比较困难, 无法将调度人员经验中的模糊知识充分的调用起来。
(二) 模糊预测模型
该方法是利用规则的形式表达已有的工作经验、历史数据记录或者二者的综合, 然后将其转化为计算机能够识别的算法, 最终顺利完成各种任务。以模糊理论为基础建立的预测模型在近几年在电力负荷短期预测领域比较热门, 该模型主要的研究方向为系统建模、选择预测算法以及改进算法。通常要想取得更为理想的预测结果, 往往要将模糊理论与其它方法结合起来, 比如模糊指数平滑法与模糊线性顺归法相结合。通常在中长期的电力负荷预测中会采取模糊理论结合其它理论的预测方法。与其它预测方法相比, 模糊系统结合神经网络的预测模型效果相对更好, 该方法使得神经网络与模糊系统的优点充分发挥出来, 将二者结合提出了模糊神经网络的概念。虽然二者的表述与处理方法各不相同, 但是他们的互补性却比较强。
(三) 小波预测模型
小波分析是一种用于信号时频局部化分析的方法, 其具有自适应变化的时频窗口。现阶段在电力负荷短期预测领域, 小波分析法的研究还处于一个初步阶段。该方法是通过伸缩与平移基小波, 多尺度细化分析函数或者信号序列, 所以其具有良好的时频局部化特点。小波变换是把时频信号表示为若干描述子频带的时域分量之和, 因此可以在多时间尺度意义下利用小波分析法对系统进行研究。在短期电力负荷预测中应用小波分析, 以变化频率将负荷做出分类, 而电力系统自身呈现出以年、季、月、周以及天为周期产生波动的特点, 因此可以利用周期自回归模型对分解序列进行有选择的预测。
(四) 灰色预测模型
灰色系统理论是把所有随机变化量视为在固定范围内变化的灰色量, 灰色预测模型常用的方法有两种, 即累加生成与累减生产, 无序的原始数据经过处理变成有序的数据列, 如果某预测系统利用灰色模型进行预测, 对其微分方程的时间响应函数进行求解, 即可得出所求的灰色预测模型, 经过相应的校验与修正, 就可利用该模型对未来的数据做出预测。不过灰色模型也存在一定的不足, 灰色系统是呈指数变化的模型, 其预测精度受对象变化规律的影响比较大, 如果原始数据有较大变化则预测精度也就相应的降低。
摘要：所谓的电力负荷短期预测指对一年以内用户需求用电量的预测, 其包括小时预测、日预测、周预测以及月预测。通常短期预测是预测电功率。在短期内用户需求电量呈现一种随机起伏的状态, 其以过去负荷为基础, 用户负荷变动、系统内部设备检修以及重大事件与气候变化等因素均会对其产生影响。所以对电力负荷进行短期预测可以为经济调度、发电机组的停启、错峰避峰用电等有着重要的现实意义。
关键词：电力负荷,短期预测
参考文献
[1]高庆敏, 孟繁为, 王利平.智能电网中电力负荷短期预测数据挖掘模型[J].华北水利水电学院学报, 2011 (3) .
[2]刘文博.合肥市电力负荷短期预测模型探讨[J].安徽电子信息职业技术学院学报, 2012 (1) .
[3]康重庆, 夏清, 刘梅.电力系统负荷预测[M].北京:中国电力出版社, 2007.
[4]牛东晓.电力负荷预测技术及其应用[M].北京:中国电力出版社, 2008.
短期电力市场预测 篇2
①短期气候预测，就是每天电视广播里的天气预报吧?如果你这样想，那就大错特错了。我们收听、收看天气预报，三五天内的气温、温度、风力等“一切尽在掌握”，大大便利了日常起居。但是，想不想在酷夏里知道这个冬天冷不冷?想不想在寒冬中预知到明年夏天发不发洪水?——那就要靠“短期气候预测”了。
②中国是个多自然灾害的国家，旱涝、高温、冷害等气候灾害造成的直接经济损失年均约1000亿元，死亡人数年均6000人以上。同时，中国又是农业大国，农业“靠天吃飯”，气象预测工作尤显重要。因此，刚刚过去的5年里，一个关于气候预测的“九五”攻关项目，引来全国105个单位、400多名科研人员为之奔忙，这个项目，就是“中国短期气候预测系统研究”.③“短期气候预测”，是相较“长期气候预测”而言，后者做的是未来50年、1的气候分析，难度极高。而“短期”，也不像天气预报时段那么“短”，它的时间概念不是“日”，而论“月”、“季”、“半年”、“一年”.它所要承担的是，帮助国家决策部门了解掌握未来数月里或一年里的气候变迁，减免不必要的人财物损失。
④例如，预测即将来临的冬天何时更冷，石油开采部门由此决定油井需要何时封井，稍有遲缓，冰就会像刀子般把油管割裂;天气冷到何种程度，便可预知某些海湾会不会结冰，破冰船之类的交通运输工具要不要及早调度;而农业部门也可根据预测的气候冷暖，提前选择明年播种的作物品种。甚至于，明年的空调产量乃至于扇子、饮料产量，相关行业都会随时看“短期气候预测”的“脸色”行事。农业、水利、文通、工业等等，短期气候预割的作用无处不在，说它与老百姓生活息息相关绝非夸张。
⑤短期气候预测，印度做了百余年，日本、俄罗斯做了七八十年， 与之相比，中国这方面的“资历”同样不算短。1958年，我国首次发布“长期气候预报”，这就是“短期气候预测”的前身，40多年来经验积累了不少， 一直到90年代，我国始终处于各地零散研究的状态，从未将之“业务化”，换句话说，完整的预测系钝尚未建立。
⑥科研的每一点进展都不会是来自一两个人的一蹴而就。预测系统包括全球各国的`各种气候资料收集齐全，随之建立一个包括预报大气、海洋与大气耦合模式、中国及邻近区域地区细化、厄尔尼诺系统预报等繁杂的模式系统……这一切，意味著一个漫长而艰苦的过程。5年奋战，终使“中国短期气候预测系统研究”大功告成。
⑦作为“九五”重中之重的科技项目，中国短期气候预测系统曾在“1988抗洪年”准确预报了长江、松花江洪水以及的汛期。目前，该系统在国家气候中心用于年、月、季节、年及年际时间尺度的气候预测业务试报。
⑧与天气预报相比，短期气候预测面对更多不确定因素。凭啥判断下一个季是热是冷、是旱是涝?即便掌握征兆、周密演算，也还可能要面对一些不可预知的变数。
⑨1988年大洪水之所以能准确预报，正缘于一些重要征兆被我们及时抓住：冬天，青藏高原大雪频频，与此同时，“厄尔尼诺现象”频频光顾我国。科学家通过系统中衆多模式对其进行了繁杂的演算，从而判定，第二年有洪水。这套系统主攻的是汛期预报，每年4月间都会向有关决策部门通报当年夏天汛情预报结果。对于今夏还会不会干旱下去、雨水多不多，目前仍意见不一。
⑩气象变幻莫测，短期气候预测绝非万能，在误差中不断修正，气象科学才能进步。
1.本文围绕著“短期气候预测”，主要说明了哪些内容?
2.本文开篇用了一个设问句。如果不用设问句，这话该怎样说?作者运用设问句有什么好处?
答：改写句：____________________________________________________
好处：______________________________________________________
3.根据第三段的内容，用一个“是”字句给短期气候预测下一个定义。
答：_______________________________________________________________________
4.在第五段空缺处填入恰当的关联词语。
依次为：________、________
5.给第十段中的“变幻莫测”写出两个同义成语和一个反义成语。
6.文中说：“对于今年夏天还会不会干旱下去，雨水多不多，目前仍意见不一。”“短期气候预测绝非万能，在误差中不断修正，气象科学才能不断进步。”透过这些话，你对气象学研究的本身或说明文写作产生了怎样的认识?
短期电力市场预测 篇3
关键词 BP神经网络；电力负荷预测；LM算法
中图分类号 F224 TP183 文献标识码 A
Power System ShortTerm Load Forecasting Based
on LevenbergMarquardt Algorithm BP Neural Network
LIU Jinbo， CHEN Xin， LI Xinhua
（School of Mathematics and Computational Science， Changsha University
of Science And Technology， Changsha，Hunan 410004，China）
Abstract By utilizing the normalization for the input load values of BP neural network and adopting LevenbergMarquardt algorithm， this paper established an improved BP neural network and investigated the power system shortterm load forecasting. LevenbergMarquardt algorithm improves the convergence speed and the load forecast accuracy. The simulation results show that the improved BP neural network can offer higher forecast precision and has greater applicability.
Key words BP neural network； Power load forecasting； LevenbergMarquardt algorithm
1 引 言
电力负荷预测是以电力负荷为对象进行的一系列预测工作.从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测.其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据.电力系统短期负荷预测能够预测提前一天至一周的电力负荷值，它不仅对确定日运行方式有十分重要的作用，而且也是确定负荷调度方案、地区间功率输送方案和机组组合方案所不可或缺的.电力负荷预测的结果，不仅对大中型电力用户来说，在安排生产计划、估算经济成本和效益、以及规划近、中期的生产规模都具有十分重要的意义，而且对地方政府在资源配置、产业布局等经济决策中有重要的参考价值[1].
人们经过长期的研究与实践开发了多种电力负荷预测方法，主要分为定量预测技术及定性的经验预测技术.常用的定性经验预测方法有主观概率法、专家预测法（专家会议法、德尔菲法等）、类比法等方法.常用的定量预测技术有人工神经网络预测技术、经典技术（弹性系数法、负荷密度法、单耗法、比例系数增长法等）、模糊预测技术、回归模型预测技术、专家系统预测技术、趋势外推预测技术、灰色模型预测技术、优选组合预测法、时间序列预测技术等[1，2].
经 济 数 学第 32卷第2期
刘进波等：基于LM算法的BP神经网络的电力负荷短期预测
目前利用BP神经网络技术对电力负荷进行短期预测是国际上公认为比较有效的方法[3，5-11]，但传统的BP神经网络技术因收敛速度比较慢，学习效率低，泛化能力差等缺陷而有待进一步的改进和完善，正因于此，本文研究了基于LM算法的BP神经网络的电力负荷短期预测问题，在总结现有理论成果的基础上主要对BP神经网络的算法、网络结构、输入数据的预处理等方面进行了研究，并应用到电力负荷的短期预测上.仿真结果表明，改进了的BP神经网络具有很高的预测精度和较强的适用能力.
2 BP神经网络
2.1 BP神经网络的结构
在电力系统负荷预测中，目前应用较多的是反向传播网络（Back Propagation Neural Networks），简称BP网络.它是由Rumelhart等研究者为了解决多层网络的学习问题于1986年提出来的.BP网络由输入层、隐含层、输出层这三个神经元依次组成，各层次之间的神经元按照一定的权重相互连接，但同一层次之间的神经元没有形成反馈连接.
1989年，Robert HechtNielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近（拟合），因而，一般选用一个三层的BP网络来进行训练学习[3].
2.2 标准BP算法
BP算法是一种有监督的学习算法.其基本思想是学习过程由信号的正向传播与误差的反向传播两个过程组成.信号正向传播时，输入样本从输入层传入，经过各隐藏层逐层处理后，传向输出层.若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段.误差反向传播是将输出误差以某种形式通过隐藏层向输入层逐层反传，并将误差分摊给各层的每个单元，从而获得各层每个单元的误差信号，这种误差信号将作为修正各单元权值的依据.此种信号正向传播与误差反向传播的各层权值调整过程，是不断重复地进行的.权值不断调整的过程，也就是网络的学习训练过程.这种过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止[1-3].
nlc202309031228
2.3 BP算法的不足
BP算法原理简单，实用性强，是一个很有效的算法，许多问题都可以由它来解决，因此，BP模型成为神经网络的重要模型之一.但是BP算法本身也存在一些不足：①神经网络连接权初值、隐层节点数目以及网络参数的选取往往依靠经验.②BP算法的学习效率低，收敛速度比较慢，一般需要成千上万次的迭代计算.③BP算法采用梯度下降法进行学习，可能会出现局部极小点[1-3].
2.4 BP算法的改进
针对标准BP算法存在的不足，BP算法在实际应用中很难胜任，因而出现了很多种改进算法.①拟牛顿算法；②附加动量项方法；③一步正割算法；④量化共轭梯度法；⑤梯度自适应算法；⑥动量及自适应算法；⑦LevenbergMarquardt（LM）算法等.本文采用的是LM算法，具体步骤如下：对于LM算法调整权值的规则为
Δw=JTJ+μ-1I -1JTe， （1）
式中：J为误差对权值微分的Jacobian矩阵；e是误差向量；μ是一个标量；I是单位矩阵.当μ很大时，上式就接近于梯度法；当μ很小时，上式就变成了GaussNewton法，在这种方法中，μ也是自适应调节的.
随着μ的增大，LM的项JTJ可以忽略.因此学习过程主要根据梯度下降，即μ-1JTe项.只要迭代使得误差增加，μ也就会增加，直到误差不再变化为止，但是，若μ过大，则会使学习停止（因为μ-1JTe项接近0，当已经找到最小误差时，就会出现学习停止的情况，这就是为什么μ达到最大值时要停止学习的原因[4].
3 改进的BP算法在电力系统
短期负荷预测中的应用
3.1 预测模型输入数据的选择和处理
在利用BP神经网络进行预测时，关键是对历史数据的选择和处理，它直接关系到计算速度的快慢和预测结果的好坏.
历史数据指的是历史上每天的实际负荷值，它反映了一段时期内的负荷水平.在负荷预测中，预测日的相邻日，指的是预测日前一天和临近历史（三星期内）负荷相关性比较好，就是相似日.在本文中，输入量将采用提前19天对应小时的负荷.
对输入数据进行归一化处理，目的是为了避免神经元饱和现象.首先通过式（2）将负荷值换算到-1，1区间的值，然后在输出层用式（3）换算回负荷值.
2） 隐含层
本文采用含一个隐含层的三层BP网络.由于隐含层节点数的问题过于复杂，所以至今为止尚未找到一个很好的解析式，隐含层节点数通常是根据自己进行试验和前人设计所得的经验来确定.一般认为，隐含层节点数与输入输出单元数多少、求解问题的要求都有直接的关系.此外，隐含层节点数过多会导致过长的学习时间；而隐含层节点数太少，容错性差，识别未经学习的样本能力低，因此必须综合多方面因素来设计.依据前人经验，本文采用下面的公式进行设计[2]：
4） 用BP网络结构图预测
本文建立的负荷预测神经网络结构如图1所示.网络的输入量为24个，输出量为24个，隐含层节点数为10个.输入数据中的所有负荷值都要经过负荷数据的预处理和归一化处理，网络输出数据回归是负荷值.
图1 预测用BP网络结构图
3.3 程序流程图
本文是基于Matlab神经网络工具箱做的仿真，预测模型程序实现流程图如图2所示.
图2 应用LM算法改进BP算法的短期预测流程图
3.4 实证分析
本文运用上面的模型对东北电网10月13—15日实际电力系统负荷进行预测.
3.4.1 训练误差性能曲线
1）标准BP算法，见图3.
2）采用LM算法改进的BP算法，见图4.
3.4.2 预测结果
东北电网10月13日预测结果与实际负荷比较见图5.
东北电网10月14日预测结果与实际负荷比较见图6.
东北电网10月15日预测结果与实际负荷比较见图7.
图3 标准BP算法收敛曲线
图4 采用LM算法改进的 BP算法收敛曲线
时间/H
图5 10月13日负荷预测数据与实际数据对比图
3.4.3 结果分析
由图2和图3可知，当采用标准BP算法时，训练经过了2 000次仍未达到要求的目标误差0. 001，说明采用标准BP算法进行训练时收敛速度较慢；当采用LM算法改进的BP算法时，由图4可知仅仅训练21次就达到要求精度，训练时间大大缩短.预测负荷的相对误差最大为3.57%，最小为0.01%，平均误差仅为1.41%，预测精度良好，显然满足电力系统短期负荷预测的要求.
时间/H
图6 10月14日负荷预测数据与实际数据对比图
时间/H
图7 10月15日负荷预测数据与实际数据对比图
4 结 论
BP神经网络是一个由简单信息单元组成的高度相关的网络系统，是有着良好的非线性逼近能力的非线性动力学系统，因此在电力系统短期负荷预测中有着广泛的应用.然而一般的BP神经网络具有收敛速度慢、容易陷入局部极小点、迭代时间长等缺点，为克服以上缺陷，人们经过长期的研究和实践提出了各种算法改进的BP神经网络.本文采用的基于LM算法的BP神经网络有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明，基于LM算法的BP神经网络对电力负荷的短期预测具有很高的预测精度和较强的适用能力.
参考文献
[1] 刘凯.基于改进BP神经网络的短期负荷预测研究[R].合肥：河海大学， 2005.
[2] 吕毅.基于改进BP算法的电力系统短期负荷预测[R].华北电力大学，2007.
[3] 郗亚辉.基于神经网络的电力负荷中长期预测研究[D].河北大学， 2006.
[4] 李方明， 陈国兴.基于BP神经网络的饱和砂土液化判别方法[J].自然灾害学报，2005， 14（2）： 108-114.
[5] 钟波，周家启，肖智.基于粗糙集与神经网络的电力负荷新型预测模型[J].系统工程理论与实践，2004， 24（6）：113-119.
[6] 张大海，江世芳，毕研秋，等.基于小波神经网络的电力负荷预测方法[J].电力自动化设备，2003， 23（8）：29-32.
[7] 胡云生，郑继明.基于主分量分析和神经网络的电力负荷预测[J].自动化技术与应用， 2008， 27（8）：1-3.
[8] 于海燕，张凤玲.基于模糊神经网络的电力负荷短期预测.电网技术[J]，2007， 31（3）：68-72.
[9] 杨龙. 基于神经网络的电力系统短期负荷预测研究与实现[R].长沙：中南大学，2009.
[10]MARA Lúcia M LOPES， C R MINUSSI， ANNA DIVA P. LOTUFO. Electric load forecasting using a fuzzy art & artmap neural network[J].Applied Soft Computing， 2005， 5（2）：235-244.
[11]M BECCALI， M CELLURA， V L BRANO，et al. Forecasting daily urban electric loadprofiles using artificial neural networks[J].Energy Conversion and Management， 2004， 45（2） ：2879-2900.
电力系统短期负荷预测方法综述 篇4
1 基于短期负荷的预测特点
对于短期电力负荷来讲其预测便是基于在电力负荷以及相关的历史数据对模型进行全面的建立，从而使得新世纪型的电力负荷更具备科学性和全面性。对于短期负荷所面临的事件不确定性以及其随机性，包含了各种特点： (1) 在预测的结果上其短期的负荷存在着一定的不确定性。 (2) 不同的负荷预测方法存在相应的条件性。 (3) 短期负荷预测在时间上各有不同。 (4) 预测的结果包含多方案性。
短期负荷预测精度的影响因素： (1) 以往历史数据。 (2) 自然天气情况。 (3) 其日期类型。 (4) 负荷预测模型。 (5) 相关社会事件等。
2 简述短期负荷预测方法
短期负荷由于受到来自不同方向的因素影响，面临时间序列问题上其随机的过程表现的很不平稳，就算面临的影响因素包罗万象，不过在这些因素中都存在一个特点那就是有规律性。能够为实际预测打下基础，其短期负荷预测的方法大致分为四类。
2.1 经典性负荷预测法
2.1.1 回归类分析法。
将相关的历史数据在变化上的规律同负荷在影响上的相关变化因素，来对自变量还有因变量在二者之间所出现的共同的关系作一个寻找还有它回归的方式。从而对其模型参数作一个确定，能够推测出在未来时刻的相关负荷值。对于该方法存在着计算原理和结构形式简单其预测的速度较快的优点，在缺点上存在着针对历史数据要求高，其复杂的问题是通过线性的方法来进行描述，所以其精度低结构简单。就这些缺点来看，对于在负荷在预测中的影响是做不了详细的描述的，而且在描述的过程中，只有基于丰富的经验以及技巧下其难度才不会很高。
2.1.2 时间序列法。
利用不同时间段之间的间隔来对电力负荷进行历史数据的采集上，对于这个方法将其叫做时间序列。在现代电力系统的短期负荷预测来讲，其时间序列法在算法中与其它方法相比较要成熟的多。在这个方法下可以对电力负荷的历史数据来进行电力负荷数学模型建立，其特点是可以随时间变化。这个模型主要是预测未来负荷的。这个方法的优点在于在历史数据的需求量上较少，其工作量比较小而且在计算的速度是比较快的，能够将在近期里负荷的变化连续性反映出来。不过对于建模的过程中其程序的建设是极为复杂的，在过程中需要高的知识理论进行模型的建设。而且就原始时间序列来说，在其平衡性上必须具备高性能。综上所述，针对时间序列法就只能在那种各方面来讲都比较均匀的短期负荷中进行预测。可是在对负荷的考虑因素中没有考虑的很合理的以及自然天气变化等不确定的因素下，就会导致其预测的误差会很大。
2.2 传统方法
2.2.1 负荷求导法。其负荷序列为P (i） (i=1, 2, 3…），其负荷求导法的预测公式为：
其中Δp (i) fore里i点对于负荷变化率的预测值是：
就这个方法的优点来讲，在对原理的表达上清楚且又方便。在电力的负荷变化率上必须达到规律及稳定性的高要求，在预测的误差上具有累计的效应。
2.2.2 类似日法。
对于类似日法而言，是把即将预测的日类似的负荷进行一个修改，然后得到预测日的负荷。这个方法用的是某种差异的评价函数，也就是在进行与预测日负荷最为类似的类似日的寻找时，则即将预测的负荷日的参数所进行的修正。
2.2.3 卡尔曼滤法。
在电力负荷中又把它叫作状态空间法，是一个把负荷分解成能够确定的分量以及随机分量的原理。在反映未来系统的状态上可以利用对于预报的方法来获得新的相关数据，在组合的过程中就会得到新的预测模型信息，提升预测值的准确性。
2.2.4 指数平滑法。
指数平滑法是利用电力系统负荷趋势外推测技术。为了达到平均的效果可以对其利用加权的形式，再加计算过程里的新数据其相关的权系数进行加大，也可以将陈旧的数据的权系数进行减小。在时变性的体现过程上，能够将近期的数据反映到影响未来负荷的程度值上，这个方法的作用主要是采用其平滑来对存在序列里的随机波动进行消除。
2.2.5 灰色预测方法。
灰色预测这个方法主要是对系统中存在着不确定的因素进行的一个专门预测，是利用灰色模型里的微分方程中的单一指标来对电力系统进行预测。可以根据模型预测未来的负荷，这种方法适合在贫信息的条件下进行分析与预测。
2.3 智能型预测法
2.3.1 专家型系统法。
基于对知识程序的设计来建立计算机系统，而且还拥有了相关领域里的专家知识以及经验，通过推理来对未来进行预测。
2.3.2 人工神经网络法。
神经网络能够处理大量随机性以及非线性关系因素的问题，是建立在过去某时间的负荷上作为训练的样本，进行网络结构的构建。
2.3.3 模糊类预测法。
主要用到了模糊预测法中的模糊数学理论所包含的负荷预测这一现代新技术来进行的建立，对于电力系统中发生的模糊现象可以通过对其概念来进行描述。
2.3.4 综合模型预测法。
在实际运作里，就历史负荷数据所具有的复杂性与随机性，来对单一模型进行预测，是难以达到一个准确可靠的效果的，需要联系实际中各种算法的优缺点，将它们进行有效的结合，才能够提高其预测的精度。
2.3.5 小波分析法。
因为电力负荷具有特殊的周期性，它能够将各类组合为一体频率再由对组合的发展形式演化成一种全新的所谓的混合型信号，这个信号能够把不同的频带块信号进行有序的分解，将其产生的负荷序列来进行小波变换的过程，把小波分析方法运用到电力系统短期负荷预测中。
2.4 短期负荷预测新方法
2.4.1 混沌理论。
混沌时间的序列预测方法是才兴起的负荷预测计算方法。对于系统状态下的变量，将所需要的相关动力学的信息涵盖到系统里的任何一个变量在时间的序列上去。然后对于单变量进行时间序列重组到重构相的空间中去，但是其空间状态的轨迹所进行的是数据保留更改。
2.4.2 支持向量机。
它是一种在统计学习的相关理论上所进行的一种预测的方法，是一个将经典进行二次规划的一个问题所在，这样的方法可以快速的避免局部进行最优解同时也是唯一一个全局最优解。
2.4.3 数据挖掘。
对于数据隐含或未知的含义，我们可以采取挖掘的形式来处理，同时在其具体的决策中我们能根据知识的一定规则来进行知识的提取，而这种挖掘主要以概念及规则等形式来表现知识的提取。
3 结语
通过对短期负荷预测方法所进行的综合性的比较与分析，能够更好的将各种短期负荷预模型上所存在的优缺点指出来。在实际的操作中，可以把短期负荷所具有的特征和影响因素进行一个灵活地选用预测模型。
摘要：本文主要是针对电力系统的短期负荷预测的概念和意义进行综述, 就短期负荷预测的一些特点及其影响预测精度的各方面原因进行总体的分析。在目前的预测方法里, 主要有经典的预测方法和传统的预测方法以及智能预测方法和预测新方法。从这些预测方法入手进行综合的应用原理分析, 比较其不同预测方法的优点及不足的地方。并且提出了短期负荷预测的精度提升了, 不仅在历史的数据上重视了其积累, 还应重视在预测的模型选择上要合适, 综合型预测模型在未来电力负荷预测方法的必然性。
关键词：电力系统,短期负荷预测
参考文献
[1]廖旎焕, 胡智宏, 马莹莹等.电力系统短期负荷预测方法综述[J].电力系统保护与控制, 2011, 39 (1) :147-152.
[2]路轶, 王民昆.基于短期负荷预测的超短期负荷预测曲线外推法[J].电力系统自动化, 2006, 30 (16) :102-104.
[3]马瑞, 姜飞, Garng M huang等.基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测[J].电力自动化设备, 2012, 32 (2) :81-84.
短期市场将重回纠结走势 篇5
如何看待这轮短期反弹？我們认为，沪指重回2600点是市场自身因素的结果。对于后市，我们比较谨慎，未来一到两周市场将可能重回纠结的走势，并且未来3～4个月市场仍将处于震荡市中。不过大盘重心会较之前上移到2500点附近，下半年大盘将在2500点～2800点之间运行。
在操作上，我们认为市场趋势性的上涨机会不多，但个股比较精彩。建议投资者应回归公司基本面，抛弃概念股的炒作机会，寻找高成长性的公司，特别是挖掘一些行业龙头或者细分行业龙头公司的投资机会。
短期市场仍比较纠结
当前市场看多情绪高涨，在受到通胀可控的预期刺激之下，其看多逻辑是：通胀可控——货币政策放松——市场资金增多——股市上行。但是，这种逻辑显然太过完美，在没有任何其他因素影响的情况下，这一逻辑是成立的，但我们没有那么乐观，我们认为，市场短期可能重回到纠结的走势中去。
首先，货币政策进一步放松的可能性不大。7月CPI同比上涨6.5%，涨幅创37个月新高，且高于此前市场预期中值6.3%。虽然市场的预期是7月份之后通胀将会出现一定幅度的回落，但通胀将维持在高位运行也已基本达成一致，这将制约货币政策进一步放松的可能性。
目前国际市场上掀起了新一轮货币贬值的竞赛，前有日本央行公开干预汇率，近有瑞士银行极力压低汇率，未来还会有美国的第三轮量化宽松政策或者变相的量化宽松政策。如果在这个时候进一步放松货币政策，将导致未来的通胀急剧高企甚至演变成恶性的通货膨胀。根据当前的市场状况，央行下一步加息的概率显著提高。
为此，我们认为，自2009年以来的宽松货币政策确实难以持续，不但近期，并且年内放松货币政策的可能性不大，否则通胀压力将更大。
其次，虽然目前看起来上市公司的中期报表比较优良，但是经济总体回落的大势已定，去库存所带来的效果并未显著出现，上市公司的整体盈利能力仍将受到市场的严峻考验。需要指出的是，明年经济将会进一步回落。
再次，新股IPO及各种再融资和重要股东减持，依然会压低市场的整体估值空间。
此外，预计欧美经济今明两年的形势都不会太好。欧美债务危机，加上高通胀，令经济复苏的步伐停滞不前，这都会反映到股市中。
由此，投资者对市场仍然要保持足够高的警惕。虽然2437点是短期的重要低点，也就是说经历了外部强烈冲击之后，A股市场的投资者逐渐恢复理性。市场有回抽2650点到2700点一带的可能性，但也仅此而已。因为市场再度上行一方面面临上档套牢盘的压力，还要面对短线获利回吐的压力。
挖掘行业龙头的投资机会
有意思的是，近期股指期货市场出现了一个显著变化，不但当月合约低于现指，就连下月合约也出现了贴水现象。这表明了市场最灵敏的一部分资金对后市看法谨慎。
展望后市，未来一段时间，我们保持谨慎态度，市场趋势性的上涨机会不多，未来3～4个月市场仍将处于震荡市中，但个股比较精彩。需要强调的是，虽然市场上存在着概念股的靓丽风景线，但对大多数投资者来讲也只可远观。因为概念股会面临回调，一旦回调，尤其中小盘股，风险较大。
短期电力市场预测 篇6
1 电价预测的概述
电价预测的特点和负荷预测类似, 二者的预测结果都具有一定的周期性, 但是, 相对负荷预测而言, 电价预测具有自己独特的特点, 电价预测的波动趋势较长, 在一个周期内, 处在一个持续波动和变化的状态。一般来说, 用电市场中的电价受电力市场制度的影响, 还受市场经济的影响, 在这种情况下, 电价预测就有一定的难度, 在进行电价预测的时候就没办法使用传统的负荷预测的方法, 例如, 一元线性回归法、倍比法等, 这些传统的方法都没办法对电价进行精准的预测。综上所述, 在进行电价预测的时候可以使用分类预测的方法, 就是把电价划分为市场统一的电价预测和基于边际的电价预测。通常所说的电价预测都是市场统一的电价预测。一般情况下认为区域统一的电价和边际电价是一致的。
因为电价预测的内容是不同的, 所以可以把电价预测划分为空间电价预测和确定性电价预测。空间电价预测是在数学统计和概率知识的基础上, 对空间电价的合理波动范围进行确定, 并在一个准确的时间里给出电价的平均值。所以, 空间电价预测属于长期的电价预测。确定性电价预测主要是对短时间内的电价进行预测, 预测结果是一个比较确定的值。
因为电价预测的原理不同, 所以可以把电价预测分为长期预测和短期预测两种方式。根据电价的波动性质, 可以把电价合理的分为若干小时的电价预测, 例如, 一天内的电价预测或者一季度的电价预测。电价预测是电力市场发展的必然趋势, 电价预测可以推动电力市场化的发展, 目前, 电价预测的方式还不够完善, 还没有一种方法可以对电价进行有效的预测, 所以需要对电价预测的方式进行研究。下面就对电价预测的方式进行分析。
2 短期电价预测的方法
短期电价预测是电价预测中最重要的一部分, 短期电价预测就是对未来的几小时内或者是几天内的电价进行预测, 短期电价预测的精确度对电力企业的报价策略有一定的影响, 如果短期电价预测的精准度较高, 电力企业就可以选择一个最合理的报价策略, 从而提高企业的收益。目前, 短期电价预测的方法主要有以下几种。
(1) 时间序列的预测方法
时间预测法是在自回归 (AR) 模型、动平均 (MR) 模型和自回归滑动平均 (ARMA) 模型的基础上, 通过回归分析的方式对短期电价预测进行分析的方式。在短期电价预测中每个时间段的边际电价都是一个等距离的随机序列, 所以可以使用自回归滑动平均 (ARMA) 模型对短期电价进行预测。时间序列法存在一定的缺点, 无法分析市场对电价的影响, 而且很难选择一个合理的模型, 如果选择的模型不合理, 就算参数估计的十分精准, 也没办法达到理想的预测效果。
(2) 神经网络的预测方法
神经网络预测法可以分为SP神经网络法和RBF神经网络法。神经网络的预测方法可以解决多变量的问题, 所以可以对非结构性和非准确性的电价进行预测, 这一特点满足了电价预测的要求。
(3) 小波预测方法
和神经网络法相比, 小波预测法可以更准确的对短期的电价进行预测, 小波预测法的难点是合理选择小波的尺度和分解度, 而且还要处理小波变换过程中的边界问题, 只有做好这些前期工作才能得到最好的短期电价预测效果。
(4) 组合预测的方法
把上述电价预测的方式结合到一起进行市场电价预测就是组合预测法。目前, 电价预测受市场影响的因素比较多, 而且影响因素比较复杂, 即使使用时间序列法、神经网络预测法或者小波预测法都没办法得到满意的结果。在这种情况下, 一些专家就提出了组合预测的方法。现在电价预测的方法是在某种预测机理的基础上, 把单一的电价预测方式进行结合, 在使用组合预测法之前, 要对单一的预测方法有详细的了解, 对预测方法进行对比, 组合出最有效果的预测方法。目前提出的组合预测方法有两种:一个是把权重固定的组合预测法, 另一个是把权重进行改变的组合预测法。
3 总结
本文对电价预测的方法进行了分析, 在不同的市场环境下, 所使用的预测方法也是不同的, 要结合市场环境的特点, 选择一个最合适的预测方法, 具体问题具体分析, 尽量提高电价预测的准确性, 使电价预测推动电力市场和电力系统的发展。
摘要：随着经济的不断发展, 人们的生活水平越来越高, 对电力的需求也越来越大, 电力系统的运行逐渐走向市场化, 短期电价混合预测在电力企业发展中起到重要的作用。本文对电力市场环境下短期电价混合预测模式进行分析, 探讨短期电价混合预测的方法。
关键词：电力市场,短期电价,混合预测
参考文献
[1]赵晶.电力市场中电价预测方法综述[J].企业技术开发, 2013, 32 (18) :118-119.
[2]杨旭钦.电力市场短期电价预测方法综述[J]..企业技术开发, 2012, 31 (35) :131-132, 137.
短期电力负荷的智能预测方法研究 篇7
准确的负荷预测是电力系统安全运行与经济调度的基础。随着电力体制改革的深化和电力市场的建立与发展,经济性成为电网运行的重要指标,因此对短期负荷预测的精度也越来越高。长期以来,国内外电力工作者对短期负荷预测理论和方法做了大量的研究,提出很多方法,如传统的短期电力负荷预测方法有最小二乘拟合法、回归分析法、时间序列法、灰色系统建模预测法等,其中时间序列法的应用最为普遍。
近十几年来,随着人工智能技术的发展,人工神经网络(ANN)在短期负荷预测中的应用越来越广泛。由于神经网络具有人脑的联想记忆功能和并行分布信息、自学习及任意逼近连续函数的能力,因而能捕获电力负荷的各种变化趋势,特别是它容易处理与某些输入量(如天气变量、气温变量)的非线性关系,具有很好的实时性。目前应用于电力系统负荷预测的神经网络主要是误差反向传播(BP)网络,采用的网络权值学习算法大多是BP算法,但由于BP算法本身存在容易陷入局部极小值、收敛速度慢、迭代时间长等一些固有缺陷,因此影响了BP神经网络预测模型的精度。为提高电力负荷预测的快速性和准确性,许多学者提出了多种改进方法,如启发式神经网络、准则函数加惩罚项法等,然而这些方法尽管能明显改善网络学习性能,但并没有从根本上加快网络的学习速度和提高电力负荷的预测精度。为此文中提出应用模拟退火算法思想改进粒子群优化算法的一类新的随机全局优化技术,将改进粒子群优化算法与BP算法结合起来优化神经网络的权值,并应用于短期电力负荷预测。通过对某地区电力系统进行的负荷预测结果表明,该方法具有较强的自适应能力和较高的预测精度。
1 粒子群优化算法(PSO)
粒子群优化算法(PSO)是1995年由美国普渡大学的Kennedy和Eberhart提出的一种集群优化算法[1]。PSO算法的提出是受鸟群觅食行为的启发,并用于解决优化问题的,它将每个优化问题的解看作搜索空间中的一只鸟,鸟在搜索空间中以一定的速度飞行,这个速度需要由本身的飞行经验和同伴的飞行经验来动态地进行调整。鸟被抽象为没有质量和体积的粒子,每个粒子的位置就是一个潜在的解。假设在一个d维搜索空间中,有m个粒子组成一个群体,第i个粒子在d维空间的位置表示为Xi=(xi1,xi2,…,xid)(i=1,2,…,m),第i个粒子的“飞翔”速度,即粒子改变位置的速率记为Vi=(vi1,vi2,…,vid),第i个粒子经历过的最优位置(有最好适应度)记为Pbest=(P1,P2,…,Pd),群体所有粒子经历过的最优位置记为Gbest=(G1,G2,…,Gd)。在每一次迭代中,粒子通过跟踪这两个最优值来更新自己。在找到这两个最优值时,粒子根据公式(1)、(2)分别对自己的速度和位置进行迭代更新,直至满足迭代终止条件。迭代终止条件根据具体问题,一般选取为最大迭代次数或者粒子群迄今为止搜索到的最优位置满足规定的最小误差标准要求为止。
式中,j=1,2,…,d;t为迭代次数;Xij(t)为粒子第t代当前位置;Vij(t)为粒子第t代(循环)的速度;ω为惯性权重,它使粒子保持运动惯性;C1、C2为加速因子(或学习因子),分别调节向全局最优粒子和个体最优粒子方向飞行的最大步长,通常取C1=C2=2;R1、R2为[0,1]区间变化的随机数。
2 基于模拟退火思想的改进粒子群优化算法(SAPSO)
基本粒子群优化算法中,需要用户确定的参数并不多,而且操作简单,容易实现,早期收敛速度快,但后期受随机振荡影响比较大,因而在全局最优值附近需要较长的搜索时间,引起收敛速度缓慢,很易陷入局部极小值,精度下降,所以必须对基本粒子群算法进行一定的改进。这里将模拟退火算法的思想引入粒子群优化算法中,把模拟退火机制分别加入到每个粒子的速度和位置更新过程中,对粒子群进化后的适应值按接受准则接受优化解的同时,以一定的概率接受恶化解,算法从局部极值区域中跳出,自适应地去动态调整退火温度。随着温度的降低,粒子便逐渐形成低能量基态,收敛直至全局最优解。具体操作步骤如下:
(1)每个粒子初始化,设定粒子数m,随机生成m个粒子的种群,随机产生m个初始速度,给定惯性权重ω、加速因子C1、C2、退火起止温度T和T0、退火速度α;
(2)根据当前位置和速度,产生该粒子的新的位置;
(3)计算每个粒子新位置的适应值。如果粒子的适应值优于原来的个体极值Pbest,设置当前适应值为Pbest;
(4)根据每个粒子的个体极值Pbest寻找确定全局极值Gbest;
(5)根据公式(1)、(2)更新计算每个粒子的位置和飞行速度;
(6)计算两个位置所引起的适应值的变化量ΔE。如果ΔE≤0,则接受新的位置;否则如果exp(-ΔE/T)>rand(0,1),也同样接受新位置,否则就拒绝,返回步骤(3);
(7)如果接受新值,降温T→αT;否则不降温,返回步骤(3)。
3 基于SAPSO-BP混合算法的神经网络训练
将上面基于模拟退火思想的改进粒子群混合优化(SAPSO)算法与误差反向传播(BP)算法相结合,形成一种新的粒子群混合优化算法,即SAPSO-BP算法,利用该混合算法来优化神经网络的连接权值和阈值,并充分发挥改进粒子群SAPSO算法的全局寻优能力和BP算法的局部搜索优势,能极大提高神经网络的泛化能力和学习能力。具体学习算法流程如下:
(1)根据神经网络的输入、输出样本集,建立神经网络的拓扑结构,初始化网络的权值和阈值,将神经元之间所有的连接权值和阈值编码成实数向量表示种群中的个体粒子。
(2)把权值和阈值映射为一群粒子,初始化粒子的初始位置、速度、惯性权重ω、加速因子C1和C2,规定种群的规模、最大迭代次数,初始化Pbest、Gbest等。
(3)根据输入、输出样本,对神经网络输入的样本进行学习训练,计算出每个粒子适应度函数值,并依据设定的适应度函数来评价每个粒子的适应度(即网络的均方误差),开始迭代。
(4)判断中止条件,适应度是否小于最大误差或最大迭代次数,若满足条件,将全局最优粒子映射为BP算法的神经网络初始权值和阈值;若不满足条件,按改进粒子群计算模型更新粒子的速度和位置,并生成新一代的种群,返回步骤(3)。
(5)网络初始权值和阈值进行BP算法操作直至网络达到性能指标,此时保存神经网络的权值和阈值。
(6)输入测试样本,测试建立的网络是否满足条件。
4 短期电力负荷预测模型与算例分析
4.1 训练样本的数据处理
影响电力负荷预测的因素主要由历史电力负荷以及相应的天气因素、日期类型组成,为提高预测精度,避免神经元出现饱和现象,对网络训练的输入、输出负荷数据必须进行归一化处理,使输入负荷数据位于[0,1]之间[2]。t时刻负荷数据Xt采用下面的归一化公式换算成X't:
在输出层采用公式重新换回实际的负荷值,其公式为:
式中Xmax、Xmin分别表示训练样本集合中电力负荷的最大值和最小值。
在实际影响日负荷的天气情况、温度情况、日期类型等因素与电力负荷的关系非常复杂,具有非线性和不确定性,用传统的数值统计方法很难描述其复杂关系。通过模糊推理策略将这些影响因素经过隶属函数转化为模糊量[3]。
1)气温的量化。气温的隶属度函数分别按低温、中温和高温采用偏小型、中间型和偏大型梯形分布。
低温的隶属度函数为:
中温的隶属度函数为:
高温的隶属度函数为:
将同类型日的最高温度th分别代入以上公式,计算得到th对应的低、中、高温三个状态的隶属度。根据隶属度最大原则,可知th所属的模糊集。对于最低温度,可按照同样方法求出相应的三个状态隶属度及其取值。
2)天气情况的量化。天气情况可用语言变量“晴、阴、多云、雨”等描述,对其进行预处理,即将天气这个模糊量给定量化系数。表1中仅列出典型的天气情况,其中降雨量会对负荷预测产生一定的影响,具体量化取值见表2。
3)日期类型的量化。日期的量化可分为工作日、双休日、节假日三种类型。前两种日期类型的隶属函数采用半矩形分布。
工作日的隶属度函数表示为:
双休日的隶属度函数表示为:
对于五一、国庆、春节等节假日取值可根据具体情况和需求单独建模。
4.2 神经网络系统结构设计
预测日最大、最小负荷受日期类型及天气情况的影响较大,而且还与预测日前几天的最大、最小负荷等直接有关,因而采用表3所示的神经网络输入、输出信息表示[4]。
表3中,负荷值采用归一化数据表示,其它均采用隶属度函数或量化系数。本网络中有14个输入节点和1个输出节点,隐层节点数根据经验选取为6。
4.3 算例分析
为了验证SAPSO-BP混合算法训练短期负荷预测神经网络的有效性,选取江苏省宝应某地区2004年3月至2006年12月的历史电力负荷数据和该地区对应日期、天气等150组数据作为学习样本[5],借助MATLAB软件,利用BP算法、PSO-BP算法和提出的SAPSO-BP混合算法分别对神经网络进行训练和仿真研究,从三种学习算法的训练结果来看,基于模拟退火思想的粒子群混合算法(SAPSO-BP)与常规BP算法、PSO-BP算法相比,神经网络训练时间更短,训练准确度也有了较大的提高。
根据上面训练好的三种神经网络,分别预测2007年8月7日(星期二)和2007年8月12日(星期日)该地区的电力负荷,并将它们的预测结果进行比较分析,如表4、表5所示。从表中可以观察,构建的网络模型预测精度高,测试时间也只需要28 ms,具有较快的预测速度和较高的精度,完全可以满足电力系统运行调度的需求。
注:SAPSO-BP网络的平均预测误差为0.51%,PSO-BP网络的平均预测误差为2.25%,BP神经网络的平均预测误差为3.56%。
注:SAPSO-BP网络的平均预测误差为0.43%,PSO-BP网络的平均预测误差为1.64%,BP神经网络的平均预测误差为2.85%。
5 结语
准确的短期电力负荷预测对于电力系统运行和安全发、供电具有十分重要的意义。由于电力系统负荷的复杂性,存在着多种不确定性和难以解析描述的非线性,因此预测时不仅要求较高的精确性,还要求较强的鲁棒性、实时性和容错性。运用基于模拟退火思想的改进粒子群(SAPSO)算法和BP算法相结合形成的一种新的混合算法(即SAPSO-BP算法)来训练神经网络,并把它应用于实际电力系统的负荷预测。实例计算表明,该预测模型对24点的电力负荷有较高的预测精度,能有效提高电力负荷预测的准确性、快速性,对于制订电力系统的配电规划和实现电力系统运行自动化具有一定的实际指导意义和工程应用价值。
摘要：为了提高电力系统短期负荷预测的精度,提出将基于模拟退火思想的改进粒子群优化(SAPSO)算法和误差反向传播(BP)算法相结合构成SAPSO-BP混合算法用于训练人工神经网络,对短期电力负荷进行预测。经实际算例验证,该混合算法能有效克服常规BP和PSO算法独立训练神经网络的缺陷,其收敛速度快于BP及PSO-BP算法,并且具有较高的短期电力负荷预测精度。
关键词：SAPSO-BP混合算法,短期电力负荷,神经网络,预测
参考文献
[1]Vila J P,Wagner V,Neveu P.Bayesian Nonlinear Model Selection and Neural Network:a Conjugate Prior Approach[J].IEEE Trans on Neural Networks,2000,11(2):265-278.
[2]Senjyu T,Takara H,Funabashi T.One-Hour-Ahead Load Forecasting Using Neural Network[J].IEEE Trans on Power Systems,2002,17(1):113-118.
[3]Kim K H,Youn H S,Kang Y C.Short-Term Load Forecasting for Special Days in Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method[J].IEEE Trans on Power Systems,2000,15(2):559-565.
[4]卫志农,王丹,孙国强,等.基于级联神经网络的短期负荷概率预测新方法[J].电工技术学报,2005,20(1):95-98.
短期电力市场预测 篇8
电力系统 短期负荷 预测对电 力系统控 制 、 电网安全 、 经济运行 、 系统规划 、 优化调度 及电能质 量等方面 起着十分 重要的作 用 , 是能量管 理系统的 重要组成 部分[1]。 随着电力 生产和消 费日益市 场化 , 准确的进 行电力系 统短期负 荷预测可 合理地规 划地市电 网用电的 供需平衡 , 有效地增 强电网运 行的安全 性及可靠 性 , 提高电力 企业的经 济效益和 社会效益 。 因此 , 短期负荷 预测已成 为电力系 统中一个 重要研究 领域[2]。
电力负荷 具有一定 的周期性 , 受到其他 因素如温 度 、 天气 、 社会等影 响 , 具有非线 性 、 非平稳性 和随机性 的特点 , 利用单一 预测法很 难精确地 反映负荷 的这种特 性 。 基于功率 谱分解的 负荷预测 方法[3], 对负荷序 列进行傅 立叶分解 , 根据负荷 变化周期 性的特点 , 并按角频 率和幅值 的大小重 构得到所 需的分量 。 但是该算 法运算量 大[4], 且实际操 作比较复 杂 ,从而限制 了在实际 负荷预测 中的应用 。 基于小波 分解的负 荷预测方 法[5,6],利用小波 分解把负 荷序列分 解成低频 分量和高 频分量 , 找到各频 率分量的 规律 , 然后对不 同的分量 使用不同 的方法进 行预测 。 但该算法 要预先确 定小波基 函数和分 解尺度 , 且设置大 都依靠预 测人员的 经验 , 所以小波 分解不是一 种自适应 分解方法 。 基于经验 模式分解 ( E M D ) 的负荷分 解法[7], 将负荷分 解为若干 个固有模 态分量 , 然后针对 不同分量 的特性建 立不同的 模型进行 预测 。 E M D算法中使 用极值包 络平均近 似局部平 均 , 不能保证 分解分量 之间的正 交性 , 且有时会 出现模态 混叠现象[8], 从而影响 各模态真 实物理意 义的分析 。
本文提出 一种适用 于电力系 统负荷分 解的E S P R I T[9,10]分析算法 , 从一个全 新的角度 对电力负 荷进行分 析 , 得到多个 独立负荷 分量 。 首先对电 力负荷数 据进行频 谱分析 , 之后根据 电力负荷 周期性变 化的特点 , 构造满足 子空间旋 转不变性 的数据矩 阵 , 提取 、 分离各频 率分量成 分 , 利用K均值聚类 法 , 聚类得到 固定不变 的日基本 负荷分量 、 负荷趋势 分量 、 负荷规则 分量和负 荷随机分 量 。 分析各分 量的特性 及其物理 意义 , 建立对应 的预测模 型 , 从而提高 预测的精 度 。
1 电力负荷分解
1.1电力负荷数据频谱分析
本文采用 某地区2 0 1 3年的负荷 数据进行 频谱分析[11,12], 每1 5 m i n采集一次 数据 , 从零点1 5分开始到 第二天零 点 , 一天共9 6个负荷值 。 通过对大 量历史负 荷数据的 分析可以 知道 , 除重大节 假日外的 电力负荷 序列都具 有较强周 期性 。 为了方便 分析本文 选择一定 长度R天共N个点的历 史负荷来 分析该组 数据的频 谱情况 , R一般选为7的整数倍 数 , 这主要因 为人们的 工作和生 活习惯是 以一周为 循环 。 一般来讲 , 春秋季节 的负荷变 化较为平 缓 , 而盛夏严 冬的负荷 变化较大 , 本文分别 选择春季3月份和夏 季7月份的连 续三周共2 0 1 6个点的负 荷数据进 行频谱分 析 , 如图1所示 。 图1中 ( a ) 、 ( b ) 分别为3月份连续 三周的负 荷时域序 列和去均 值后的频 域序列 , 图1 ( c ) 、 ( d ) 分别为7月份连续 三周的负 荷时域序 列和去均 值后的频 域序列 。
通过观察 分析图1中各序列 , 时域负荷 序列均呈 现出一定 的日周期 性 , 但日均负 荷及总体 负荷并不 相同 ; 而频域序 列可以看 出频谱主 要是由一 系列离散 谱线构成 , 对四组数 据归一化 后的频谱 进行能量 分析 , 选取阈值 ε = 0 . 1 , 大于 ε 的所有频 率分量能量百分比其中V ( n) 为第n个谱线归 一化后的 幅值 。经计算 ,每组数据 的 θ 均大于9 0 % , 可知该负 荷序列主 要由一系 列谐波成 分组成 。 由离散傅 里叶变换 性质 , 只考虑正 频域部分 ,以M个点为周 期的三角 函数对应 的频谱为 第 ( N / M + 1 ) 根谱线位 置 , 且M须整除N 。 频谱上第 一根谱线 幅值为0 , 表示该组 数据已经 去均值不 包含直流 分量 , 第二根谱 线幅值大 概在0 . 5左右 , 表示以整 个数据序 列为周期 的频率分 量 , 第三根谱 线表示以 二分之一 个数据序 列为周期 的频率分 量 , 第四根谱 线表示以 三分之一 个数据序 列为周期 的频率分 量 … … 以此类推 ,以一天2 4 h 9 6个点对应 的频谱位 置为第 ( N / 9 6 + 1 ) 根谱线位 置 。 经分析可 以知道 , 3月份的负 荷数据频 域幅值最 大的谱线 位置对应 为1 2 h为周期的 频率分量 , 而7月份的最 大的谱线 位置对应 为2 4 h为周期的 频率分量 ,但均为日 周期的分 量 , 日周期分 量包括2 4 h对应的谱 线位置 , 1 2对应的谱 线位置 ,8 h对应的谱 线位置 … … 即所有以2 4 h相对应频 率的整数 倍频率分 量的集合 。 经计算可 知 , 3月份的日 周期分量 总能量比 重约为7 5 % , 7月份的日 周期分量 总能量比 重约为5 5 % , 这主要是 因为3月份负荷 整体变化 较缓慢 , 低频部分 分量所占 能量小 , 而7月份负荷 整体变化 较大 , 低频部分 分量所占 能量较大 。
通过对大 量及更长 的负荷数 据 , 如秋冬季 节的负荷数 据 , 一个季度 或一年的 数据进行 频谱分析 , 其频谱分 量呈现出 类似的情 况 , 它们的能 量主要分 布在低频 区以及日 周期分量 对应的谱 线位置 , 且归一化 后幅值大 于0 . 1的频谱分 量的能量 占总能量 的9 0 % 以上 。 因而 , 电力负荷 时间序列 数据可由 一系列谐 波分量组 成 。
1.2电力负荷拟合
根据上述 频谱分析 , 观测到的 一个负荷 数据信号 可由多个 独立频率 分量构成 , 而频谱上 不同位置 的各分量 可看作实 际中由不 同因素对 电力负荷 的影响 ,因此 ,本文通过 以下公式 对负荷数 据进行拟 合 , 在时刻n有
式中 :p为谐波分 量的个数 ;ai为第i个谐波信 号的幅值 ; φi为第i个谐波信 号的初始 相位 ; βi为第i个谐波信 号的非负 衰减系数 , 影响负荷 变化趋势 ; fi为第i个谐波信 号的频率 ; Ts为采样周 期 。 假定w ( n ) 为零均值 、 方差为 σ 2的高斯白 噪声过程 。
仅用c o s函数并不 能准确地 描述负荷 序列中的 衰减成分 。 同时 , 考虑到离 散傅里叶 变换存在 的频谱泄 漏及栅栏 效应 , 负荷数据 频谱上对 应的频率 并非是该 数据序列 的真实频 率 ,因而准确 估计出式 ( 1 ) 中各分量 参数 ,对负荷预 测有着重 要意义 。而E S P R I T算法是现 代信号处 理中的一 种重要方 法 , 该算法不 需要进行 同步采样 , 减小了算 法复杂度 , 有效地提 高了计算 效率 , 在谐波检 测及恢复 领域有着 重要应用 。
考虑含有 加性复高 斯白噪声 中的q个复谐波 信号 , 类比式 ( 1 ) , 有
定义如下 矢量 , 选择m > p , 引入下列 向量 :
把式 ( 3 ) 、 式 ( 5 ) ~ 式 ( 8 ) 代入式 ( 4 ) 得
由式 ( 9 ) 、 式 ( 1 0 ) 、 式 ( 1 1 ) , 有
因为谐波 频率fi和衰减系 数 βi完全决定 旋转算符 Φ , 从而可根 据计算出 的旋转算 符 Φ 来估计信 号中各分 量的频率fi和衰减系 数 βi, 且避免了 求解自相 关矩阵 , 算法更快 捷 。
直接根据 采样数据 矩阵求解 旋转算符 Φ 的算法步 骤如下 :
( 1 ) 由N个采样点 组成的采 样序列x ( 0 ) , x ( 1 ) , x ( 2 ) ,… , x ( N - 1 ) 来构造数 据矩阵X 。
( 2 ) 对数据矩 阵X进行奇异 值分解 ( S V D ) 。
式中 : 上标H表示矩阵 共轭转置 ; U和V分别为m × m维 , k × k维的酉矩 阵 ; ∑ 为m × k维奇异值 降序排列 的对角矩 阵 。 Us的列向量 为p个奇异值 对应特征 向量 , 其与A张成的信 号子空间 相同 。
( 3 ) 存在可逆 矩阵T , 有
式中 , U1、 U2分别为Us去掉最后 一行和第 一行的矩 阵 。 存在Ψ= T-1Φ Τ , 有U2= U1Ψ , 且 Ψ 与 Φ 具有相同 的特征值 。
( 4 ) 可求得矩 阵 Ψ 为
之后求得 Ψ 的特征值 λi( i = 1 , 2 , … , p ) ,从而求取 谐波信号 频率fi和衰减系 数 βi。
( 5 ) 通过最小 二乘法[13]得到谐波 信号的幅 值和相位 参数 。 由N个采样信 号点 , 令
有X1= λ ∆ , 根据最小 二乘法可 得
则可得到 各分量的 幅值ai及相位 φi为
最后 ,由于E S P R I T算法处理 的是复谐 波信号 , 由欧拉公 式 , 在得到的 各参数中 去除负频 率对应的 部分 , 剩余的部 分即是采 样信号的 真实各参 数 。
2电力负荷分类预测
本文利用 式 ( 1 ) 拟合原始 负荷数据 ,求解出各 不同频率 分量参数 , 可重构得 到一系列 谐波信号 。 为了方便 分析 , 对重构的 信号进行 聚类分析[14,15], 根据频域 上各分量 所占的能 量比重及 其不同的 物理意义 , 将短期电 力负荷分 为以下几 个主要组 成部分 :
( 1 ) 负荷基本 分量 : 一段时间 内的典型 负荷分量 , 即每天固 定不变的 电力负荷 , 包括大宗 工业用电 、 商业用电 与不受温 度和天气 影响的住 宅用电 。 该部分由 常值分量 及日周期 分量之和 组成 , 即日周期 分量加上 原数据的 均值 , 为最主要 的分量成 分 。 负荷基本 分量直接 进行周期 平移即可 得到预测 日一天的 基本分量 部分 , 不需要进 行预测 。
( 2 ) 负荷趋势 分量 :一段时间 内电力负 荷整体的 变化趋势 ( 增长或下 降 ) ,夏季和冬 季趋势比 较明显 , 主要受到 季节气候 的影响 。 该部分主 要由参数 βi和频率较 低的分量 聚类得到 , 由低频部 分所有分 量的集合 组成 。 负荷趋势 分量可利 用A R I M A法一步预 测下一日 一天的趋 势分量部 分 。
( 3 ) 负荷规则 分量 :为天气敏 感分量 ,主要受到 天气和温 度因素的 影响 , 也与日类 型和人们 的生活规 律有一定 的关系 。 不同的天 气和温度 因素影响 负荷的方 式不同 , 一年中的 不同时期 的天气因 素对负荷 的影响也 不同 。 该部分主 要为提取 的所有分 量中去除 日周期分 量及趋势 分量后剩 余的中低 频率部分 的集合 。 负荷规则 分量利用 相似日法[16], 采样 “ 近大远小 ”,“ 加权平均 ” 等影响因 素来预测 下一日的 规则分量 部分 。
( 4 ) 负荷随机 分量 :负荷中不 可说明的 一部分分 量 , 代表人们 用电的随 机性 , 也是不可 预测的一 部分分量 , 但是这一 部分分量 所占的比 例很小 , 由原数据 信号中减 去负荷基 本分量 、 负荷趋势 分量和负 荷规则分 量后剩下 的部分组 成 , 主要为高 频随机分 量 。 负荷随机 分量具有 随机性 , 不可预测 , 但却可以 给出其波 动范围 , 根据其统 计特性 , 在预测结 果的基础 上 , 给出预测 负荷的置 信区间 。
3实例仿真以及结果分析
3.1预测步骤
( 1 ) 对负荷序 列整体求 均值得到 常值分量a0,然后在负 荷序列中 减去常值 分量 。
( 2 ) 负荷各谐 波分离 : 去均值后 的序列通 过式 ( 1 5 ) 构造数据 矩阵 ,利用最小 二乘法E S P R I T求取该数 据序列的 各主要谐 波参数 , 提取的谐 波信号占 信号总能 量的9 0 % 以上即可 。
( 3 ) 各分量聚 类 : 利用K均值聚类 算法[17], 对各谐波 分量的频 谱进行聚 类 , 分为四大 类分量 。
( 4 ) 综合预测 法 :对不同类 型的分量 进行不同 方法的预 测 。
( 5 ) 把各部分 独立预测 的负荷值 相加即可 得到要预 测日整体 的负荷情 况 。
电力负荷 分类及预 测的流程 图如图2所示 。
3.2负荷预测及结果分析
本文选择 该地区2 0 1 3年7月3 1日至8月2 0日共2 1天的历史 负荷值 , 来预测8月2 2日一天的 负荷情况 。连续2 2天共2 1 1 2个负荷点 的原始数 据如图3所示 。
利用本文 方法 ,对前2 1天的历史 负荷数据 进行去均 值处理 , 利用基于 最小二乘E S P R I T方法对数 据信号中 各频率分 量依次进 行提取 ,通过K均值聚类 法 , 把得到的 各频率分 量聚类分 为四大类 型 , 得到的负 荷曲线如 图4所示 。图中各提 取的分量 成分 , 从上到下 依次为历 史负荷数 据的负荷 基本分量 ( 日周期与 常值分量 之和 ) 成分 , 负荷趋势 分量成分 ,负荷规则 分量成分 和负荷随 机噪声分 量 。
对上述提 取出来的 分量分别 用不同的 方法进行 预测 ,一次直接 预测下一 天各分量9 6个点的负 荷值 , 把得到各 分量预测 值和原始 负荷数据 的均值相 加即可得 到要预测 日的9 6个负荷值 。由于随机 白噪声是 不可预测 的 , 但可对其 进行统计 分析 , 给出一定 的置信区 间 , 得到随机 噪声的波 动范围 , 本文采用 置信度为9 5 % 的置信区 间 , 从而可以 给出预测 下一日9 6个负荷值 的上界及 下界范围 ,更符合实 际情况 。 并与时间 序列法相 比较 , 得到的结 果如图5所示 。
通过图5可以知道 ,真实负荷 基本都在 置信区间 之内 。 为更加可 靠 、 方便对比 , 引入如下 一些误差 的计算公 式 。
( 1 ) 平均相对 误差 ( M e a n R e l a t i v e E r r o r ) :
( 2 ) 均方误差 ( M e a n S q u a r e E r r o r ) :
( 3 ) 最大绝对 误差 ( M a x E r r o r )
式中 :Yi表示第i个负荷实 际值 ; Yˆi表示第i个负荷预 测值 。
m代表需要 预测的负 荷的个数 , 本文中是 预测一天9 6个点的负 荷 , 所以m为9 6 。
表1中给出了 三种方法 的均方误 差 、 平均相对 误差和最 大绝对误 差 。
表1的实验结 果表明 , 利用E S P R I T算法对历 史数据进 行处理后 , 保存了数 据中的主 频率分量 , 即有用的 负荷信息 。 去掉原始 数据中能 量占用率 最小的成 分 ,也就是次 分量 ,是噪声或 与噪声有 关的提取主 要频率分 量成份 ,之后经过K均值聚类 法对信号 分量进行 分类 , 利用综合 预测法有 更好的准 确性 。 本文方法 不需要求 取协方差 矩阵 , 直接利用 原始历史 数据构造 满足子空 间不变性 的数据矩 阵 , 减少了算法 复杂度 , 降低了数 据的维数 。 舍弃掉的 较小特征 值的信息 含有随机 扰动和噪 声 , 所以预测 的精度有 所提高 , 从A R I M A直接预测 的4 . 8 1 % 的平均相 对误差减 少到了2 . 2 2 % 的平均相 对误差 。
4结论
电力系统 短期负荷 预测对电 力系统控 制 、 电网安全 、 优化调度 等方面起 着十分重 要的作用 。
短期电力市场预测 篇9
由于人工神经网络算法[1]能获得较高的预测准确度,近年来成为了负荷预测的主要方法。本文将使用径向基神经网络( RBF) 对短期负荷进行预测。RBF网络的结构简单、训练简洁、并在学习收敛速度上有更强的优势。但RBF最主要的问题是不能提取数值的特征,一切学习都是算术运算,其结果是信息丢失,预测准确度下降。考虑到粗糙集( Rough Set) 是数据挖掘方法之一,因其能够直接从已知的数据中建立起决策规则,故成为了一种有效挖掘数据特征的方法。但基于原始粗糙集的约简算法有较大的局限性,文献[2 ~ 3]采用了基于属性重要性的启发式约简算法,改善了约简性能,但是计算比较复杂,而且基于原始粗糙集算法法虽然具有约简属性,提取数值的特征,但也有可能无法得到核属性。本文在研究粗糙集基础上,提出了一种基于粗糙特征量的约简算法。针对有核或者是无核的决策表,该算法可以通过计算属性在差别矩阵中的出现的次数与频率进行约简,提取特征。算例结果表明,新模型与标准RBF方法相比,获得了较高的预测准确度,进而体现了该算法的优越性。
1 粗糙集简介
定义
式( 1) 中,S是带有决策的信息系统; U = { x1,x2,…,xn} 为论域; A = C∪D是属性集合; C = { c1,c2,…,cm}为条件属性集合; D = { d} 为决策属性集合; V = { V1,V2,…,Vm} 是属性的值域集,其中,Vi是属性Ai的值域; f∶ U × A→V是信息函数,其为论域U中每个条件属性C设定一个信息值V。单个决策属性的决策表如表1所示,其中,f( xi,ci) ∈uj,i,f( xi,d) ∈yi,且ui,j为对象xi与条件属性ci对应的值,yi为对象xi与决策属性d对应的值。
约简具体过程: ( 1) 在论域中设定条件属性和决策属性,并建立成决策表; ( 2) 如果决策表中的条件属性是连续变量,则使用粗糙集[4,5]离散化算法将决策表离散化; ( 3) 对离散化的决策表进行属性约简,得到约简属性和决策规则。
2 RBF结构模型
RBF[6,7]网络的神经元模型结构如图1 所示。RBF网络的节点激活函数采用径向基函数,通常定义为空间任意一点到某一个中心之间欧几里得距离的单调函数。
图1 所示,RBF神经元结构的激活函数是以输入向量和权值之间的欧几里得距离‖disc‖作为自变量的。随着输入向量和权值之间欧式距离的减少,网络的输出是递增的,当权值向量和输出向量一致时,神经元的输出为1。图1 中的b是阈值,用于调整神经元的灵敏度。
由输入层、隐藏层和输出层建立的普通径RBF网络的结构如图2 所示。
在RBF网络中,输入层只是有传输数值的作用,输入层和隐藏层之间连接的权值可以看做是1,输出层和隐藏层各有各的任务,所以它们的学习策略也是不同的。输出层是对线性权进行调整,使用的是线性优化方法,所以学习收敛的速度比较快。但是隐藏层是对激活函数的参数进行调整,使用的是非线性优化的方法,所以学习收敛的速度较慢。
3 基于粗糙特征量的约简算法
3. 1 差别矩阵
设有决策信息系统S,f( x) 是对象x在属性a上的值; cij表示差别矩阵m中的第i行及第j列的元素,则cij定义为
式中,i = 1,2,…,n; j = 1,2,…,m。
差别矩阵有如下特点: ( 1) 差别矩阵中所有单个属性元素组成的集合等于核属性( CORE) ,因为当cij={ a|a∈C} 是单个属性的元素时,去掉后对象xi,xj就不能被正确分类,所以属性a在C中是绝对必要的;( 2) 元素cij的宽度越短,则说明这个元素中的属性对分类所起的作用越大[8]; ( 3) 某个属性在差别矩阵中的数量越多,则说明该属性在整个系统中的重要程度越高。
3. 2 粗糙特征量约简算法
根据上述差别矩阵的特点,构造出粗糙特征量函数。属性ai的粗糙特征函数为
式中
式中,count( ai) 表示属性ai出现的次数; card( mij) 表示集合的基数。
粗糙特征量函数综合评定了属性ai的重要程度。避免单一考虑属性出现次数多,但元素mij宽度大,属性在元素中占据比值小,而选入约简中。也避免单一考虑属性在元素中的比值,而忽略了出现次数这种情况。粗糙特征函数值越大,该属性就越重要。使用差别矩阵提取出核属性,随后在剩下所有没有出现核属性的元素中找到分量值最大的属性纳入约简中。如果差别矩阵不能得到核属性,则直接寻找粗糙特征值最大的若干个属性作为近似约简集,这样就可以减少对原决策表的遍历搜索,使得约简算法更加简单、灵活。本文给出了粗糙特征量约简算法。
输入决策表DT =〈U,C∩D,V,f〉。
输出条件属性C相对于决策属性D的相对约简Nred。
具体步骤:
( 1) 求出差别矩阵M;
( 2) 计算决策表的相对核,即把矩阵中单个属性列入约简集合,即;
( 3) 根据式( 1) 计算差别矩阵中各属性的粗糙特征值。并从合并后的差别矩阵中找到所有不包含核属性且mij≠0 的属性元素M*,即
( 4) 对M*中剩下的所有属性根据粗糙特征fmc( ai)函数值进行降序排列,即
( 5) 在排序后的属性中选择前m个最大特征值所对应的属性作为约简集,即
如要选取所有属性中> 75% 特征值的属性,即选取前25% 的属性,则设定m = 25% n。因此把这m个属性称为粗糙特征量。
算法的优点是: 1) 算法在约简过程中大幅减少了对原决策表的遍历搜索,约简算法更加简单、灵活;2) 分量函数所提供的启发知识无论对有核或者是无核的决策表,都能保证得到的是最小约简或次优约简;3) 算法由于不需要对差别矩阵化简,避免了传统算法中的“组合爆炸”问题。
4 算例分析
为检验本文的方法,使用江苏某地区2012 年提供的负荷数据及气象数据。因不同日类型有不同的负荷数据特征,所以把日类型分为工作日和周末两类,每类建立24 个RBF来预测每天24 h的负荷值。
选择待预测日当天的气象状况、前3 天同一时刻及前3 h、前1 星期同一天同一时刻、前2 星期同一天同一时刻及前3 h的历史负荷数据以及各种气象数据等。气象数据包括最高温度、最低温度、天气类型、风向、风力大小等,条件属性共计50 个。决策属性是待预测日的负荷值。
因粗糙集只能处理离散数据,所以在约简前需要将属性离散化。本文使用经典的最小信息熵离散化算法[9,10]。
对离散后的决策表采用粗糙特征量约简算法,并选取前25% 属性的粗糙特征量后得到的约简集为L( d - 7,t) 、L( d - 7,t - 1 ) 、L ( d - 7,t - 2 ) 、L ( d - 14,t) 、L( d - 14,t - 1) 、Wd、Wd - 1、Wd - 2、Wd - 3、Wd - 7、Wd - 14、Dd - 1,其中,L( d,t) 为待预测日t时刻的负荷值; Wd为待预测日的天气类型; Dd为待预测日的风向。
将约简后的属性集作为输入参数,使用RBF算法对其进行训练并对该地区2012 年8 月某天全天的整点负荷进行预测,本文选取 σ = 2。使用粗糙集属性约简算法的RBF方法( 简称RSRBF) 与按经验选取输入属性的标准RBF方法的预测结果如表2 所示。其中标准RBF的输入属性按照经验选取为最高温度、最低温度、风力。结果的平均相对误差为
式中,R( i) 、F( i) 分别为负荷的实际值和预测值; N =24 为一天内的整点数。
RBF方法的预测结果如表2 所示。其中标准RBF的输入属性按照经验选取为最高温度、最低温度、风力。结果的平均相对误差为
式中,R( i) 、F( i) 分别为负荷的实际值和预测值; N =24 为一天内的整点数。
由表2 可知,使用RSRBF方法与标准RBF方法相比,能够大幅提高预测的准确度。
经检验选取不同的粗糙特征量对预测的准确度有影响,如何选取最优的特征量有待进一步研究。在本文算法中采用粗糙集方法挖掘了与负荷影响较大的因素,使输入维数大幅下降,简化了神经网络的结构,并与预测负荷建立了更加密切的关系,提高了训练的效率,使网络能快速满足预测准确度,取得了较为理想的效果。
5 结束语
提出一种基于粗糙集的粗糙特征函数的算法,该算法通过计算属性的特征函数值来确定约简集,避免了常规算法按经验选取输入参数的盲目性。通过与RBF结合进行仿真验证了该算法的有效性与可行性,并使所建的RSRBF模型具有优良的预测能力,更趋稳定。所提出的算法计算方便、灵活,并且提高了预测准确度。
摘要：针对负荷特征一直是实际电力负荷预测中的重大问题。提出了基于粗糙特征量的约简算法。通过对天气及负荷历史数据进行挖掘,找到负荷的关键特征,并与径向基网络结合建立了负荷预测模型。算例结果表明,与按经验选取输入的传统网络相比,预测准确度有了明显的提高,更适用于电力负荷预测。
关键词：电力系统,径向基,粗糙特征量,负荷预测
参考文献
[1]周志华,陈世福.神经网络集成[J].计算机学报,2002,25(1):1-8.
[2]苗夺谦,李道国.粗糙集理论、算法与应用[M].北京:清华大学出版社,2008.
[3]Pawlak Z.Rough set theory for intelligent industrial applications[C].Hawaii:Proceedings of the Second International Conference on intelligent Processing and Manufacturing of Materials,1999.
[4]闫敏伦.新型变精度多粒化粗糙集模型[J].南京理工大学学报,2014(4):496-500.
[5]郭敏,贾修一,商琳.基于模糊化的决策粗糙集属性约简和分类[J].模式识别与人工智能,2014(8):701-707.
[6]彭显刚,胡松峰,吕大勇.基于RBF神经网络的短期负荷预测方法综述[J].电力系统保护与控制,2014(17):144-148.
[7]乔俊飞,韩红桂.RBF神经网络的结构动态优化设计[J].自动化学报,2010,36(6):865-872.
[8]胡可云.基于概念格和粗糙集的数据挖掘方法研究[D].北京:清华大学,2001.
[9]Fayyad U M,Irani K B.Multi-interval discretization of continuous-valued attributes as preprocessing for machine learning[C].San Fransisco:Proceedings of the 13th International Joint Conference on Artificial Intelligence,1993.
市场短期依然具备牛市属性 篇10
我们认为，港股短期依然具备牛市属性，目前仍然是配置港股的合理窗口。
外部环境看，布鲁塞尔恐怖袭击事件并没有在欧美股市形成过度的恐慌情绪，其对港股影响料不会持续很久。由于香港受到恐怖袭击的概率极低，分析过往历史，911以来历次恐怖袭击事件也未曾对港股产生深远影响。
此外，3月16日美联储公布FOMC会议纪要，维持利率不变，并且将2016年加息次数的预测从4次调整为2次。该纪要基本与市场预期一致。市场对美联储下次加息的预期已经大幅延后。尽管美联储多位官员近期的表态增强了市场对于美联储4月加息的预期，但市场的反应是无须担心。多数机构依然维持下次加息在6月的观点，联邦基金利率期货的走势也显示市场对4月加息的预期概率仍然较低。
内地市场来看，股灾期间停止的银行结构化配资和券商融券业务正在逐步恢复，市场逐渐从股灾的阴影中走出。全国规模以上工业企业的利润也终结一年的负增长态势，呈现4.8%的正增长。市场对中国经济企稳的预期正在加强。但A股市场暗含隐忧：1，4月上旬发布的通胀数据如果超预期上升，可能会打击到处于企稳回升状态的企业并逼迫管理层收紧货币政策，熊市反弹可能会因此终结；2，在稳增长政策基调下，改革和转型进程延缓，对人民币汇率的预期将会面临反复。一旦A股市场的隐忧成为现实，将会对港股气氛形成重大打击，望投资者关注。
港股自身看，恒生指数在世界主要市场中估值水平依然较低。另外值得注意的是，今年以来已经有91家港股公司回购58亿港元，显示出上市公司管理层对公司前景的认可。根据历史经验，熊市中大规模的公司回购潮往往意味着行情筑底完成。2008年、201 1年和2013年的港股回购潮后，港股开启了10个月、4个月和5个月的上涨行情，分别上涨63%、14%和14%。而本次回购的力度也大幅高于2008年、201 1年和2013年。近期港股通也呈现出持续流入，大市沽空比率也在下降。我们认为，在回购潮和低估值的背景下，港股可能开启一个阶段性牛市，直至美联储再次加息。
短期电力市场预测 篇11
随着全球经济的迅猛发展,从垄断经营模式走向竞争关系的电力行业,尤其是智能电网的发展,对电力系统各部门都提出了更高的要求。电力部门只有对负荷预测相关的数据进行全面详细的研究,制定高效、经济的发电计划,合理安排机组出力,才能为用户持续提供安全、可靠的电能,满足各用户的需求,保证电力系统安全稳定运行,并可以减少发电成本,提高经济效益。
电力系统负荷预测就是要考虑电力系统的运行特性、系统规模、国家宏观调控、自然条件等因素的影响,研究历史负荷数据的变化规律,找出负荷与各影响因素之间的关系,以此来预测未来负荷。通常按照预测时间的长短可将负荷预测分为以下四类: 长期、中期、短期和超短期。长期的负荷预测主要用来预测未来若干年的负荷情况,一般用于电网的规划、改建工作等; 中期的负荷预测指预测未来数月至一年的负荷,主要用于水库的运行调度、机组的维修及燃料的使用计划等; 短期负荷预测比较常用,主要是对次日至一周负荷进行的预测,常用于水火电的优化组合以及对经济潮流的控制等; 超短期负荷预测近年来研究的也比较多,它主要指对未来一小时的负荷预测,通常用于电能质量的控制、在线运行的安全监视、预防和应急控制等。由此可知,中长期负荷预测是制定电力系统发展规划的前提,而基于日负荷曲线的短期负荷预测则是制定日前发电计划的基础[1]。
近年来,随着用电领域的不断拓宽,用电户数的不断激增,因而只有进行高精度的负荷预测,按照预测数据进行合理的电力划分,才能确保社会的稳步、经济、和谐发展。电力系统经济运行的关键因素之一就是电力需求的预测,准确的负荷预测对电力部门而言,具有很大的节能潜力。对于大电网来说,从短期负荷预测得到的信息,不仅可以合理调度发电容量,而且可以在安全范围内使该系统经济地安排各机组的启停,保持必要的旋转备用容量的成本为最小,从而使发电成本降到最低,确保电网安全、稳定、可靠、优质和经济的运行。基于电网负荷预测的重要意义,近年来,人们对它的重视程度也在不断加大。
1 国内外研究现状
电力负荷受社会、经济、自然条件等因素的影响较大,再加上诸多随机因素,使得负荷存在复杂的非线性关系; 由于各个地区的负荷总是按照天、周、年周期性变化,又使其具有了可预测性。因此,国内外专家学者研究如何利用现有的历史数据,采用适当的方法来预测未来的负荷值,并具有比较高的速度和精度。
1. 1 国外研究现状
自20世纪60年代初,世界经济快速发展对电力的需求不断增加,对电能质量的要求也逐步提高,这就导致了电力系统的快速发展。负荷预测也就开始向探索、研究和应用方向发展。目前,国外学者大多采取与神经网络和支持向量机有关的一些方法[2,3,4,5]。有学者提出先选择相似日负荷作为输入负荷,而后应用小波分解将负荷分解成低频分量和高频分量,最后使用单个的神经网络来预测这两个分量未来的负荷。也有学者采用非对称二次损失函数支持向量回归来准确的预测负荷,有效提高了电力负荷预测模型的 准确性。文献[6]提出了一 种基于小 波变换( Wavelet Transform,简称WT) 和模糊自 适应共振 理论映射( Fuzzy Adaptive Resonance Theory Maps,简称F - ARTMAP) 网络的新的混合智能算法,该模型通过广泛的预测比较得以证明。文献[7]利用经验模式分解方法,将时间序列分成两部分,分别描述趋势和本地振荡的能量消耗值,然后用于训练支持向量回归模型。文献[8]提出了一种基于内核机的短期负荷预测方法,该方法提供了更好的短期负荷预测结果。通过学习国外学者最新的研究成果,不难发现,基于神经网络的负荷预测方法已经比较成熟,开发其它新型的预测方法和算法已成为必然。
1. 2 国内研究现状
当前,国内学者为了提高负荷预测的精度和速度,也研究出了多种方法和算法,并取得了不错的成果[9,10,11]。韩教授将电压特性作为描述系统状态特征的基本量,提出了基于加权最小二乘的状态预估模型和算法。也有专家采用遗传算法的全局搜索能力实现了粗糙集理论的属性约简,通过对模型的输入变量进行优选,并采用实值遗传算法来自动优化模型参数,以改进和完善最小二乘支持向量机负荷预测模型和算法。还有学者引入人体舒适度指数,综合考虑气象因素的影响,利用相似日的日特征向量和负荷数据建立基于粒子群参数优化的支持向量机 ( ParticleSwarm Optimization Support Vector Machine,简称PSO-SVM ) 预测模型,实验证明预测精度较高,推广能力很强。文献[12]对SVM在短期负荷预测的应用中存在的包括数据预处理、核函数构造及选取和参数优化等方面的问题,做出了分析,并总结提出了现有的解决方案,提出了下一步要解决的关键问题。还有学者专门研究了局部地区的电力负荷预测问题[13],并提出了一种基于自适应聚类分区和支持向量回归的多模型变结构负荷预测新方法,实验证明该预测方法比传统的神经网络预测方法具有更高的精度和更强的鲁棒性。牛东晓教授利用在处理大数据量、消除冗余信息等方面具有优势的数据挖掘技术来对历史数据进行预处理,组成具有高度相似气象特征的数据序列,将此序列作为SVM的训练数据,减少了数据量,从而提高了预测的速度和精度,克服支持向量机的缺点[14]。
综上所述,电网短期负荷预测自发展以来,各专家学者已提出了多种方法,用于短期负荷预测的传统方法有趋势外推法、回归分析法、时间序列法、灰色预测法、卡尔曼滤波法、专家系统法等。随着逐步建立的现代电力系统管理信息系统,以及天气预报水平的不断提高,准确地获得负荷预测所需的各种历史数据不再是难事,并涌现出了下列现代智能方法: 小波分析法、人工神经网络法、支持向量机法、数据挖掘法、模糊预测法、优选组合法等。这些方法逐步提高了负荷预测的速度和精度。本文就用于短期负荷预测的智能方法进行讨论。
2 短期负荷预测的智能方法
2. 1 小波分析法
小波分析是一种建立于时频域的分析方法,它不论是在时域还是在频域上都具有非常好的局部化性能,可根据信号的频率自动调节采样密度,对捕捉和分析弱信号具有优势。小波分析的目的是将一个信号转化成小波变换后的系数,因此能够便于处理、存储、传输、分析和对原信号进行重建。对于短期负荷预测,小波变换可将负荷序列分别投影到不同的尺度上,然后对不同的子序列用相应的模型进行预测,最后通过序列重建得到完整的预测结果[15,16]。
电力负荷具有随周、月、季节变化的周期性波动的性质。小波分析方法就被用来解决这种大周期中包含有小周期的复杂情况。在对含有周期性的负荷序列进行小波变换时,先要将各子序列分别投影至不同的尺度上,各子序列分别代表原始负荷序列中不同的“频域”分量,使得各子序列也具有明显的周期性。小波分析最大的不足就是未能考虑温度、湿度等气象因素对负荷预测的影响,而且对小波基的选择也对预测结果有影响。
2. 2 人工神经网络
人工神经网络是由大量神经元组成的一个非线性网络,每一个神经元单独的作用很简单,就是用一个非线性函数将输入映射到输出,但是通过各个神经元之间的复杂连接,使得整个神经网络具有了复杂的非线性特性。人工神经网络用于负荷预测的有( Back Propagation,简称BP) 网络、( Radical Basis Function,简称RBF) 网络等,还有其与其它方法结合的组合方法[17]。如与小波理论结合得到的小波神经网络; 文献[18]提出的自适应模糊推理神经网络; 文献[19]提出的基于总体平均经验模态分解( Ensemble Empirical Mode Decomposition,简称EEMD) 、最小二乘支持向量机( Least Squares Support Vector Machine,简称LSSVM) 和BP神经网络的综合短期负荷预测方法等。
短期负荷容易受到天气、社会经济等因素的影响,具有严重的随机性和非线性性。而人工神经网络的大规模分布式并行处理、高度自组织、自适应以及灵活性等优点正吻合短期负荷预测的这些特点。神经网络对系统的自动描述,可通过对样本数据的学习来处理; 其并行结构对处理实时性问题上具有很大的优势;其良好的信息综合处理能力以及高容错性,对输入信息的各种复杂问题可有效地处理。该方法的不足是神经网络的层数和神经元的个数主要靠人的主观经验确定,难以科学确定其网络结构,学习速度慢,存在局部极小点等问题,训练过程在一定程度上也缺乏理论依据。
2. 3 支持向量机
支持向量机方法是建立在统计学理论上的一种预测方法,它的训练问题本质上是一个经典的二次规划问题,因此可避免局部最优解,并有唯一的全局最优解,且可以利用最优化理论中许多成熟的算法。在解决非线性的问题时,SVM可以通过非线性映射把非线性样本集映射到高维特征空间,从而得到线性可分的数据集,使用核函数来代替高维空间中相应的内积运算。支持向量回归估计( Support Vector Regression,简称SVR) 算法通过引入不敏感损失函数和核函数,被广泛地应用于电力系统负荷预测,并具有良好的预测性能和推广能力。
基于SVM的短期负荷预测比传统方法具有更高的预测精度,它建立于( Vapnik-Chervonenkis Dimension,简称VC) 维理论和结构风险最小化原则的基础上,对解决小样本、非线性、高维数和局部极小点等实际问题效果比较理想,且具有拟合精度高、推广能力强和全局最优等特点,并充分考虑了影响负荷的各种因素。不足之处是要考虑其自选参数和核函数的选择,一般靠经验确定,影响预测效果[20,21,22]。因此,各学者研究提出了很多改进的算法,如基于线性规划的SVM、最小二乘支持向量机LSSVM,加权支持向量机( Weighted Support Vector Machine,简称W-SVM) 等。这些方法在一定程度上提高了SVM的性能,其中LS-SVM是最常用的方法。有学者以历史负荷数据、气象因素等作为输入,提出了一种基于带有扩展记忆的粒子群优化技术( Particle Swarm Optimization Extended Memory,简称PSOEM) 与支持向量回归( SVR)相结合的预测方法,获得了比较好的结果。文献[23]以广东佛山地区的历史负荷数据作为原始数据,构造了基于支持向量机的短期负荷预测模型,通过与传统BP神经网络模型的预测结果比较,发现应用SVM模型的预测结果的平均相对误差为2. 26% ,比BP神经网络法( 3. 02% ) 具有更高的精度。
2. 4 数据挖掘
数据挖掘就是从大量的、不完全的、模糊的数据中,提取出隐藏在其中的、人们事先未知的,而又具有潜在使用价值的信息和知识的过程。数据挖掘一般有四步: 问题的定义、数据的收集及预处理、数据挖掘的实施、挖掘结果的解释与评估。整个数据挖掘的过程就是一个不断反馈修正的过程。文献[24]在运用决策树C4. 5算法建立短期负荷预测模型前,分析了非负荷因素对短期负荷预测的影响,并用数据挖掘方法对数据进行了预处理。
负荷预测需要用历史数据来预测未来的负荷,而当今各类数据信息系统又非常庞大,为了保证电力系统的安全、经济、可靠运行,将数据挖掘技术用于短期负荷预测是非常有必要的。数据挖掘技术对处理庞大的历史数据具有独特的优势,它能消除其中错误和无用的数据,找到隐含在数据中却非常有用的影响短期负荷预测的因素,确定短期负荷的真正变化规律,从而提高预测精度。有学者基于负荷的影响因素,采用日类型模糊分类器,将原始数据进行了分类,再根据预测日的日类型在相应的日类型子数据库中,采用灰色关联度分析法选取样本数据,将样本数据整理输入到SVM预测模型中,完成预测,预测模型充分吸取了数据挖掘技术和SVM的优点,具有运算速度快、预测精度高等特点[25]。
2. 5 模糊理论法
模糊推理知识在描述和处理不确定性问题方面有显著的优势,结合电力系统所具有的显著的不确定性特征,被广泛应用于电力负荷的数学建模。模糊理论法将已有的历史数据用规则的形式表述出来,并转换成可以在计算机上运行的算法,进而完成各种工作任务。文献[26]在研究局部地区的短期负荷预测中,采用了聚类分析与模糊推理相结合的方法,从而保证了数据分析中的学习能力和不确定性描述能力,取得了较好的效果。
模糊推理应用于负荷预测的原由是其可以利用有限的规则逼近任意的函数,其隶属函数可以更清楚地说明专家的意图,并能处理电力系统中大量不精确的、模糊的问题; 模糊方法通常利用调度员的丰富经验,对天气影响和突发事件等难以用数学关系表述的因素进行描述,往往比计算预测方法准确; 模糊理论的自适应能力也使其具有较强的自适应性及鲁棒性。但随着对模糊理论的不断研究和应用,也发现了一些缺点: 模糊理论的学习能力相对较弱; 主观人为因素影响较大。
2. 6 优选组合预测法
在实际应用中,没有哪一种预测技术能够全面客观地对预测对象及其所处的环境进行模拟。负荷预测在系统建模时一般会受到两方面的限制: 一是所建立的模型中不可能包含所有的影响因素,二是各个参数之间的内在关系也比较复杂,通常难以确定。因此也不是说所建立的模型越复杂,参数越多,它的预测精度就越高。因此,预测人员常采用多种预测方法来保证预测的准确性和可靠性,通过对这些预测方法进行分析、比较和选择,选取各种方法的优势,来获得更好的预测模型。
优选组合预测法一般有两种形式[27,28,29]: 一种是先分别采用几种预测方法进行预测,得到各自的预测结果后,再选择适当的权重对预测结果进行加权平均; 另一种是先对各种预测方法进行分析比较,利用优势互补的原则,选择拟合度最佳,或者标准离差最小的模型,相结合以得到最优的预测模型。优选组合预测法包含多种单一模型的信息,具有最大的信息利用率,以此来达到改善预测结果的目的[30,31,32]。有学者把时间序列法、灰色模型法与人工神经网络法结合起来进行负荷预测,提高了预测的精度; 也有专家将粒子群优化算法与支持向量机相结合,得到了预测性能较好的SVM负荷预测模型。还有学者提出基于聚类和支持向量机的预测方法,通过( Self-Organizing Map,简称SOM) 和C-均值聚类组合算法,构造相似日样本,通过SVM模型的逐点训练,得到最终结果,实验证明该方法有效地处理了负荷序列的噪声及非平稳性,是一种很好的短期负荷预测方法。
3 结束语