基于算法融合的自适应短期负荷组合预测模型研究

作者:陆宁;刘颖 刊名:电力系统保护与控制 上传者:杨群

【摘要】组合预测把多种单一预测方法按一定方式结合,综合利用各种预测方法所提供的信息,并在综合这些信息的基础之上进行最优组合。采用支持向量机(SVM)实现分时段变权重组合预测,描述多种方法的预测结果与实际负荷的非线性关系,并采用改进粒子群(PSO)与模拟退火(SA)自学习融合的协同优化方法SA-MPSO对SVM模型参数进行优化,用两种不同特性的测试函数对该优化算法的收敛性进行测试,通过多次测试平均值验证其收敛性。实例仿真中,SA-MPSO优化的SVM模型实现对三个不同预测模型的组合,预测结果表明,该方法除了避开传统组合预测模型权重复杂求取问题,且参数优化自适应能力强,有利于预测精度的提高。

全文阅读

0引言电力负荷预测是电力系统日常运行中的一项重要工作。负荷预测对电力系统的经济性、可靠性和运营管理起着十分重要的作用[1-2]。实际的预测可能受到包括基本因素和随机因素在内的各种复杂的因素的影响,预测者通常在不同的假设条件下,用不同的单一预测的方法进行预测,但是不同的方法根据自身不同的实现机制,有其自己的优点和缺点,每个预测方法从不同角度反映预测对象的不同特点信息,它们之间不是相互排斥,而是相互补充的。Bates和Granger在1969年于文献[3]提出了将不同单一预测方法进行组合的预测方法。把多种单一预测方法得到的结果按一定方式结合起来,综合利用各种预测方法所提供的信息,并在综合这些信息的基础之上进行最优组合[3-4]。对多个单一预测模型进行组合的传统方法有:平均权重方式组合、最优权重方式组合、方差分析方式组合等。传统组合模型没有对单一预测模型进行非线性组合的能力,并且权值的确定相对复杂。现有学者提出了智能化的组合预测方式,文献[5-6]提出了一种基于神经网络的组合预测模型,利用神经网络的非线性拟合能力进行组合预测模型权重参数优化。改善了传统组合模型中权重系数复杂求取问题,取得了较好的效果。但传统神经网络本身存在一定局限性,如结构复杂,易陷入局部最优等,本文采用支持向量机(SupportCectorMachine,SVM)实现分时段变权重的组合预测。支持向量机的参数选取问题对其进行回归估计的效果有很大影响,文中提出基于改进粒子群(ParticleSwarmOptimization,PSO)与模拟退火(SimulatedAnnealing,SA)相融合的优化算法SA-MPSO对SVM参数进行寻优。实例研究中,实现对三个单一预测模型的非线性分时段变权重组合,结果表明,该方法较传统组合方式更灵活,自适应性强,利于预测精度的提高。1电力负荷的组合预测目前所提出的负荷预测模型有多种,不同模型从不同的角度对系统进行描述,将各种不同的模型组合在一起,取长补短,这是组合预测思想的出发点。分时段变权重思想[1]区别对待每天各采样点,分别建立组合模型,这种方式比统一权重方法更灵活。分时段变权重最优权重组合预测思路:设第i日第t时段的实际负荷为Pit(i=1,2,…,n;t=1,2,…,T),T为每日负荷采样点数,k(t)(k=1,2,…,q;)为第k种方法在t时段组合模型中的权重,q为单一预测模型个数,P?it(k)(k=1,2,…,q;i=1,2,…,n;t=1,2,…,T)为第k种预测方法的预测结果。利用组合模型对第i日第t时段的预测的结果为()()()1?itqkt?itkkPP==(1)最优权重方式组合预测模型主要寻求预测残差平方和的最小化,于是,有下述优化问题:()()2()()11min?tknqttkkititikZPP==???=????(2)()11qtkk==k(t)0;k=1,2,,q式(1),式(2)中,关心的不是k(t)的具体形式,而是各种预测结果与实际值的非线性关系,式(2)可写成式(3)。()()()()()1221min(?,?,,?)tkntqititititiZgPPPP==?????(3)求出函数g(),求得P?it=g(P?it(1),P?it(2),,P?it(q)),即得到组合预测的结果[5]。本文采用支持向量机SVM对该非线性关系进行描述,SVM与基于经验风险最小化的神经网络比较具有学习效率高、学习推广能力强等优点[7-8],它的学习结果通常好于其他回归预测方法。SVM的模型参数、核函数以及核函数中的参数的优化选择,

参考文献

引证文献

问答

我要提问