數(shù)據(jù)驅(qū)動(dòng)的短中期電力需求預(yù)測(cè)優(yōu)化學(xué)習(xí)方法研究.pdf

1、電力作為一種能源形式，從誕生伊始，就引領(lǐng)了能源與工業(yè)的革命，并完全改變了人們以往的生活、工作方式。電力系統(tǒng)是一個(gè)由發(fā)電、輸電、配電、用電等環(huán)節(jié)構(gòu)成的電力生產(chǎn)、輸送及消費(fèi)的系統(tǒng)，它將整個(gè)電力行業(yè)有效地聯(lián)結(jié)到了一起形成一整條產(chǎn)業(yè)鏈。精確的電力需求預(yù)測(cè)是保持電力系統(tǒng)安全、穩(wěn)定、經(jīng)濟(jì)、高效運(yùn)行的保障，電力需求預(yù)測(cè)的結(jié)果不僅能為管理部門審批電力投資項(xiàng)目提供依據(jù)，還能為電網(wǎng)的優(yōu)化調(diào)度提供決策支持，更能為發(fā)電站的發(fā)電計(jì)劃提供數(shù)據(jù)支撐。電力能源又不同于

2、其他消耗品，它具有一個(gè)重要特征是無(wú)法存儲(chǔ)或者存儲(chǔ)代價(jià)十分巨大，這就需要電力從生產(chǎn)完成開始就需要立即經(jīng)過(guò)電網(wǎng)輸送到用戶端消費(fèi)，使得電力的生產(chǎn)、輸送、消耗在同一時(shí)間完成，并形成動(dòng)態(tài)的平衡。精確的電力需求預(yù)測(cè)將能有效地調(diào)節(jié)電力的生產(chǎn)計(jì)劃和電網(wǎng)的調(diào)度計(jì)劃，避免產(chǎn)生嚴(yán)重的電力生產(chǎn)與消耗不平衡問(wèn)題，并為決策者提供決策支持。
　　電力需求數(shù)據(jù)在不同的時(shí)間長(zhǎng)度中呈現(xiàn)出不同的變化趨勢(shì)，但大多均具有復(fù)雜的非線性、波動(dòng)性和隨機(jī)性等特征，這就使得傳統(tǒng)的預(yù)

3、測(cè)方法無(wú)法獲得精確的預(yù)測(cè)結(jié)果，給電力需求預(yù)測(cè)帶來(lái)了很大的困難。本文將根據(jù)不同類型、不同時(shí)間段的電力需求數(shù)據(jù)分別建立需求預(yù)測(cè)模型進(jìn)行預(yù)測(cè)研究，主要的研究工作如下:
　　(1)對(duì)于短期單因素電力需求預(yù)測(cè)問(wèn)題，提出了一種改進(jìn)的自適應(yīng)遺傳優(yōu)化的ARMA模型進(jìn)行預(yù)測(cè)。在該模型中，針對(duì)ARMA模型定階困難的情況，采用自適應(yīng)的遺傳算法來(lái)決定模型的階數(shù)。又由于傳統(tǒng)的自適應(yīng)遺傳算法在算法初期適應(yīng)度值接近種群中最大適應(yīng)度值時(shí)容易出現(xiàn)種群進(jìn)化停滯而收斂

4、于局部最優(yōu)，為此對(duì)自適應(yīng)的交叉概率和變異概率進(jìn)行改進(jìn)并將概率與迭代數(shù)目相關(guān)從而克服了傳統(tǒng)自適應(yīng)遺傳算法的不足。然后將該模型應(yīng)用于美國(guó)PJM公司的每小時(shí)電力預(yù)測(cè)中，結(jié)果顯示該模型的預(yù)測(cè)精度較高。
　　(2)對(duì)于中期單因素電力需求預(yù)測(cè)問(wèn)題，分別研究以月度和年度為時(shí)間間隔的電力需求的未來(lái)變化趨勢(shì)。針對(duì)單因素條件下的月度中期電力需求預(yù)測(cè)問(wèn)題，提出了一個(gè)季節(jié)性GATS-SVR模型，在該模型中采用遺傳和禁忌搜索的混合算法進(jìn)行參數(shù)尋優(yōu)，克服傳統(tǒng)

5、遺傳算法過(guò)早收斂和爬山能力不足的問(wèn)題。同時(shí)，充分利用用電量的周期性變化規(guī)律并引入季節(jié)性調(diào)整因子來(lái)提高預(yù)測(cè)精度。并在算法中將最小一乘準(zhǔn)則作為參數(shù)尋優(yōu)的評(píng)價(jià)標(biāo)準(zhǔn)來(lái)提升模型的穩(wěn)定性。最后將該模型應(yīng)用于江蘇省月度全社會(huì)用電量預(yù)測(cè)中，實(shí)例結(jié)果表明季節(jié)性GATS-SVR模型擁有較高的預(yù)測(cè)精度。針對(duì)單因素條件下的年度電力需求預(yù)測(cè)問(wèn)題，提出了基于初值優(yōu)化的最小一乘PSO-GM(1，1)模型。在該模型中對(duì)傳統(tǒng)的GM(1，1)模型的初值進(jìn)行改進(jìn)，以累加序列

6、的最后一個(gè)點(diǎn)為基礎(chǔ)，并在此之上乘以一個(gè)信息增益或縮減的因子變量作為新的初值條件。同時(shí)采用最小一乘準(zhǔn)則代替最小二乘準(zhǔn)則進(jìn)行參數(shù)尋優(yōu)，克服存在奇異點(diǎn)時(shí)引起的誤差擴(kuò)大情況。然后，通過(guò)時(shí)變權(quán)重的粒子群優(yōu)化算法對(duì)模型的參數(shù)進(jìn)行尋優(yōu)。最后使用該模型對(duì)我國(guó)全社會(huì)年度用電量進(jìn)行預(yù)測(cè)分析，結(jié)果顯示該模型的預(yù)測(cè)精度較傳統(tǒng)模型要高。
　　(3)對(duì)于中期多因素電力需求預(yù)測(cè)問(wèn)題，考慮與電力需求相關(guān)的經(jīng)濟(jì)、環(huán)境等影響因素，并利用這些相關(guān)影響因素及歷史電力需求

7、數(shù)據(jù)分別構(gòu)建時(shí)變權(quán)重的粒子群參數(shù)優(yōu)化PSO-CV-SVR模型和基于最小一乘準(zhǔn)則的遺傳參數(shù)優(yōu)化GA-SVR模型對(duì)江蘇省月度全社會(huì)用電量進(jìn)行預(yù)測(cè)研究，實(shí)例結(jié)果顯示這兩個(gè)模型的預(yù)測(cè)精度均比BP-神經(jīng)網(wǎng)絡(luò)模型要高。
　　(4)對(duì)于中期多因素條件下的電力需求的區(qū)間預(yù)測(cè)問(wèn)題，提出了一種WMC-GS-CV-SVR的概率區(qū)間優(yōu)化預(yù)測(cè)模型。在該模型中，首先通過(guò)網(wǎng)絡(luò)搜索交叉驗(yàn)證(GS-CV)思想對(duì)SVR模型進(jìn)行參數(shù)尋優(yōu)，然后利用GS-CV-SVR模型