一种基于误差修正模型的电力系统中负荷预测装置及方法
【技术领域】
[0001]本发明涉及电力系统负荷预测技术领域，尤其涉及一种基于误差修正模型的电力系统中负荷预测装置及方法。
【背景技术】
[0002]负荷预测是电网规划工作的基础，是进行电源规划、电网规划的前提。基于国民经济发展形势做出的准确的中长期负荷预测，是电网建设、改造精益化管理的数据基础，同时也是电力系统运行部门安排年度检修计划以及运行方式保障电力系统安全稳定运行的重要手段。
[0003]目前，中长期负荷预测的方法主要分为参数模型和非参数模型两大类。前者包括电力弹性系数法、时间序列法、趋势外推法、回归分析法等，后者主要包括灰色系统、专家系统、模糊预测和人工神经网络等。现有预测方法中，回归模型因为模型简单易实现，且拥有相对较好的预测精度，应用最为广泛，然而中长期负荷预测由于时间跨度长，所受到的影响因素较多、情况较复杂，当负荷变化不规律时，传统线性回归模型就难以很好的反映负荷的变化，表现出了较差的适应性。而非线性回归模型又有模型形式难以确定，参数估计困难等缺点。随着电力系统规模逐渐扩大以及其市场化程度的提高，中长期负荷预测问题变得更加复杂，难度更高。
【发明内容】
[0004]本发明所要解决的技术问题在于，克服现有技术中存在的问题，提供一种基于误差修正模型的电力系统中负荷预测装置及方法。
[0005]我实现上述发明目的，本发明采用如下技术方案:
一种基于误差修正模型的电力系统中负荷预测方法，采用因子模型方法，以回归模型为基础，将遗传算法、协整检验与误差修正模型有机结合，建立起中长期遗传回归预测模型GRM，对电网的负荷进行中长期预测，其步骤如下:
1)、首先通过由遗传算法提供的初始种群C，以及公共因子矩阵A，生成该种群内所有个体对应的目标矩阵B，
2)、然后将目标矩阵B输送至协整与回归建模模块，该回归建模模块中对因变量的群用电量，与目标矩阵B中的成分因子序列进行协整检验，
3)、对于通过协整检验的目标矩阵B，建立起相应的误差修正模型，求取适应度函数值，对于未通过协整检验的目标矩阵B，直接建立四元线性回归模型，并求取目标矩阵B对应的个体适应度函数的值；
4)、最后，以种群中所有个体适应度函数值作为遗传算法进行复制、交叉、变异的依据，由遗传算法模块生成新的种群，再次传递给因子提取模块以用来生成新的目标矩阵，实现算法的循环；
5)、当适应度函数值满足优化准则或是遗传算法达到最大的进化代数，寻优过程结束，输出最优个体；
6)、通过遗传算法寻优，得到满足协整检验的，使得适应度函数值最小的最优个体-因子提取方案，并由此确定模型参数，进行预测;其具体实施步骤如下:
开始，输入原始数据矩阵，确定滞后阶数及成分因子个数Gen=0;
染色体编码，生成初始种群；
提取公因子，技术目标矩阵B;
协整检验建立回归/误差修正模型；
适应度函数计算；
是否满足优化准则判断:
判断N，通过选择、交叉、变异、重插入Gen=Gen+l，至生成新一代群体，返回至提取公因子，技术目标矩阵B，继续进行；
判断Y，确定模型参数，输出预测结果计算误差指标，结束。
[0006]一种基于误差修正模型的电力系统中负荷预测方法，所述的协整检验模块工作流程，其步骤如下:
目标矩阵B;
目标矩阵向量与电量向量进行协整检验；
判断存在协整关系；
判断Y，以目标矩阵B为基础，建立误差修正模型，至适应度函数；
判断N，以目标矩阵B为基础，建立线性回归模型，至适应度函数。
[0007]一种基于误差修正模型的电力系统中负荷预测方法，所述的适应度函数计算工作流程，其步骤如下:
1)、以目标矩阵B为基础，建立误差修正模型，计算各年拟合误差，并对拟合误差的绝对值求加和，至适应度函数；
2)、以目标矩阵B为基础，建立多元线性回归模型，计算各年拟合误差，并对拟合误差的绝对值求加和，最后，乘以惩罚系数K，至适应度函数。
[0008]一种基于误差修正模型的电力系统中负荷预测装置，包括有回归预测模型、遗传回归模型、误差修正模型、协整单元组成。
[0009]由于采用如上所述的技术方案，本发明具有以下优越性:
一种基于误差修正模型的电力系统中负荷预测装置及方法，利用好回归模型算法简单、预测精度高的优点，同时提高线性回归模型适应性的出发点。提出了一种基于遗传算法(Genetic Algorithm)和误差修正模型相结合的回归预测模型(Regress Model)，遗传回归模型(Genetic Regress Model，简称GRM模型)，GRM模型用GA提取建立误差修正模型以及多元线性回归模型的目标矩阵B，并进行协整检验，相比于传统的多元线性回归预测模型有了以下方面的优势:首先是使用来自各行各业量大面广的数据列，使的模型建立在更加广泛的数据基础之上，同时，通过因子提取的方式，避免了模型自由度变高导致的模型拟合困难;其次，通过协整检验，以及设定的惩罚系数K，保证待预测电量与生成的B矩阵的成分因子序列之间存在长期稳定的关系，相较之传统多元线性回归模型建立变量间各种假设检验下的相关性，有更为严谨的理论基础;最后，遗传算法全局搜索的能力保证了提取的最优因子是全局最优解。
【附图说明】
[0010]图1为电力系统中负荷预测GRM方法的逻辑流程图；
图2为电力系统中负荷预测装置的协整检验模块流程图；
图3为电力系统中负荷预测装置的适应度函数计算流程图。
【具体实施方式】
[0011 ]下面结合具体附图，进一步阐述本发明。
[0012]如图1、2、3所示，一种基于误差修正模型的电力系统中负荷预测方法，采用因子模型方法，以回归模型为基础，将遗传算法、协整检验与误差修正模型有机结合，建立起中长期遗传回归预测模型GRM，对电网的负荷进行中长期预测，其步骤如下:
1、首先通过由遗传算法提供的初始种群C，以及公共因子矩阵A，生成该种群内所有个体对应的目标矩阵B，
2、然后将目标矩阵B输送至协整与回归建模模块，该模块中对因变量的群用电量，与目标矩阵中的成分因子序列进行协整检验，
3、对于通过协整检验的目标矩阵，建立起相应的误差修正模型，求取适应度函数值，对于未通过协整检验的目标矩阵，直接建立四元线性回归