基于貝葉斯理論MCMC優(yōu)化參數(shù)的負荷預測模型.pdf

1、電力負荷預測是電力技術經(jīng)濟分析的重要組成部分，在電力規(guī)劃、運行、調度中發(fā)揮著重要的作用。電力負荷預測對于電力系統(tǒng)經(jīng)濟安全可靠地運行具有重要的意義。本文提出了基于貝葉斯理論馬爾可夫鏈蒙特卡洛(MCMC)算法優(yōu)化參數(shù)的負荷預測模型。利用MCMC學習優(yōu)化模型的參數(shù)時，模型的參數(shù)被看作隨機變量。首先，利用樣本數(shù)據(jù)和先驗分布，根據(jù)貝葉斯定理計算參數(shù)的后驗概率分布。然后，利用參數(shù)的后驗概率分布來確定模型參數(shù)的估計值。計算參數(shù)的后驗概率分布常常需要在

2、高維的參數(shù)空間中進行積分計算。由于很難求出多重積分的解析值，數(shù)值計算方法常常用來計算多重積分。本文利用MCMC算法對高維積分進行近似計算。本文的主要研究工作如下:
　　1)分析了氣象因素和短期負荷之間的關系，通過散點圖和擬合曲線來確定氣象因素和短期負荷是否存在聯(lián)系。由分析結果可知溫度和相對濕度是兩個對負荷有著明顯影響的氣象因素。
　　2)建立了基于貝葉斯神經(jīng)網(wǎng)絡日負荷曲線預測模型。氣象因素變量和時間變量作為貝葉斯神經(jīng)網(wǎng)絡的輸

3、入變量，負荷作為輸出變量。隱層神經(jīng)元的數(shù)目手動給定的。貝葉斯神經(jīng)網(wǎng)絡的權參數(shù)是一個高維隨機變量。本文提出了一種新的混合馬爾可夫鏈蒙特卡洛算法來學習貝葉斯神經(jīng)網(wǎng)絡的權向量參數(shù)。這是將Leapfrog迭代算法和Metropolis-Hasting抽樣方法相結合的混合算法。在學習貝葉斯神經(jīng)網(wǎng)絡的參數(shù)時貝葉斯神經(jīng)網(wǎng)絡看作是一個Hamilton動力系統(tǒng)，權向量參數(shù)看作是動力系統(tǒng)的位置變量?；旌螹CMC算法用來構造一個權向量參數(shù)的馬爾可夫鏈，使得權

4、向量參數(shù)的后驗概率分布就是這個馬爾可夫鏈的平穩(wěn)分布。葉斯神經(jīng)網(wǎng)絡作為預測模型對整日負荷曲線進行預測。實驗結果表明由混合馬爾可夫鏈蒙特卡洛算法確定參數(shù)的貝葉斯神經(jīng)網(wǎng)絡較高的預測精度和較強的泛化能力。很好地克服了過擬合現(xiàn)象。
　　3)提出了基于具有解釋變量狀態(tài)空間模型的月度典型負荷預測方法。本文考慮月度的最大負荷和最小負荷典型負荷的預測。由于氣象因素溫度和相對濕度與負荷之間存在著正相關的關系，加熱指數(shù)、制冷指數(shù)和相對濕度作為狀態(tài)空間模

5、型中回歸項的解釋變量。這個狀態(tài)空間模型中有兩種參數(shù)，一是解釋變量的回歸系數(shù)，另外一種是擾動項的方差參數(shù)?；貧w系數(shù)參數(shù)的估計值可以由Kalman濾波算法計算得到。學習方差參數(shù)時，根據(jù)共軛分布原則方差參數(shù)的先驗分布選定為逆伽馬分布。首先利用Gibbs抽樣方法和Metropolis-Hasting抽樣方法對方差參數(shù)進行抽樣，得到一個馬爾可夫鏈，然后利用蒙特卡洛方法估計出參數(shù)的取值。利用狀態(tài)空間模型分別對月度的最大負荷和最小負荷進行了平滑擬合，

6、并利用這個模型對未來6個月的最大負荷和最小負荷進行預測。實驗結果表明該模型能夠很好地平滑擬合已知的的樣本數(shù)據(jù)，平滑擬合的平均絕對百分比誤差和均方根誤差都比較小。預測結果表明由MCMC算法確定參數(shù)的狀態(tài)空間模型能夠比較精確地預測3個月的典型負荷，而后3個月的預測誤差就比較大了。
　　4)建立了一種新的超短期負荷預測模型—貝葉斯ARIMA-GARCH預測模型。分析超短期負荷數(shù)據(jù)，發(fā)現(xiàn)擾動項具有明顯的異方差特性。假設超短期負荷數(shù)據(jù)是由均

7、值部分和方差部分組成。為了既要考慮負荷數(shù)據(jù)均值部分的變化情況，也要考慮擾動項的異方差特性，提出了利用ARIMA-GARCH模型對超短期負荷數(shù)據(jù)進行建模。其中ARIMA(p，d，q)模型用來描述超短期負荷數(shù)據(jù)均值部分變化情況，GARCH(1，1)模型用來刻畫方差部分的異方差特性。ARIMA(p，d，q)模型的階數(shù)p，d和q由負荷時間序列數(shù)據(jù)的自相關函數(shù)和偏自相關函數(shù)的截尾性和拖尾性確定。擬極大似然估計法通常用來估計GARCH(1，1)模型

8、的參數(shù)。本文給出了一種新的組合MCMC算法估計GARCH(1，1)模型參數(shù)方法，這種方法是把Gibbs抽樣方法和Metropolis準則相結合在一起來構造參數(shù)的馬爾可夫鏈。其中Gibbs算法對GARCH(1，1)模型的方差參數(shù)和自由度參數(shù)進行抽樣，得到一個候選樣本。然后根據(jù)Metropolis準則判斷是否接受這個樣本做為馬爾可夫鏈得元素。本文把由QMLE算法和組合MCMC算法估計參數(shù)的ARIMA-GARCH模型對未來一個小時內的12個5