Y ji t (21)
[0138] 式中，y]it为预测的第j日的t时段的真实值，f 为采用方法i预测的第j日的 t时段负荷的预测值。将利用第i种计算方法对t时段负荷进行预测的误差定义为elit，其 计算公式如下： CN 105117803 A 说明书 9/10 页
[0140] 此时，组合计算模型对基线预测的绝对误差^可表示为：
[0142] (3)组合计算模型求解
[0143] 该组合计算模型可用进化规划法来求解，步骤如下：
[0144] 1)初始化
[0145] 将问题的解用数字串表示，每个码对应于一个变量，将权系数作为变量来进行编 码，对每个变量在其取值范围内随机取一赋值给相应的串码，形成一个初始解，如此重复η 次，形成初始解群：
[0148] 2)统计
[0149] 将式（20)中的J作为适应函数，对每个串求出适应值，统计和计算出最大适应值 Jniax、最小适应值J_、总适应值J_和平均适应值J avg
[0150] 3)变异
[0151] 对当前群中的每个串进行变异操作，对串中的每个码加一个变异量，变异量的大 小采用高斯分布：
[0154] 式中，P1, j表示第i个个体的第j个元素；N(0, e 2)表示均值为0,方差为e2的高斯 随机变量；Kmax和w/113分别表示第j个元素的上限和下限；J_为旧群体中的最大适应值； J1为该个体的适应值；U为变异尺度，在0到1范围内取值；P 1+ni j表示由第i个个体变异出 的第i+η个个体的第j个元素值。
[0155] 此时，变异出的η个个体和旧群中的η个个体形成由2n个个体构成的组合群，计 算出每个个体的适应值。
[0156] 4)克争
[0157] 组合群中的每个个体和其它个体竞争，产生一定数量的个体进入下一代群体。
[0158] 首先，对每个个体赋予权重：
[0159] CN 105117803 A 说明书 10/10 页
[0160] 式中，q为竞争数目；S1取值为0或1，表示个体i跟随机选取的个体r竞争的输 赢，1表示赢，0表示输，它可表示为：
[0162] 其中，u是0到1的随机数汰和J i分别是个体r和个体i的适应值。
[0163] 其次，按照权重大小对所有个体进行排序。
[0164] 最后，选取权重较大的η个个体进入新种群。
[0165] 5)迭代
[0166] 重复（2)、（3)、（4)，直到得到满意解，这里满意解为式（20)条件极值问题的帕累 托最优解，或当循环次数大于设定值时，已求得可行解中的最优解。
[0167] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人 员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形 也应视为本发明的保护范围。
【主权项】
1. 一种基于非需求响应因素的基线预测和优化方法，其特征是，包括如下步骤： 1) 确定所需要用的备选非需求响应因素； 2) 采用灰色关联分析法计算各备选非需求响应因素与负荷的关联度，根据结果选择所 需要用的非需求响应因素； 3) 根据步骤2)得到的非需求响应因素和备选相似日构建特征量矩阵；根据需求响应 日构建特征量矩阵； 4) 计算关联度并确定相似日； 5) 根据步骤4)中的结果分别采用相似日加权法、多元线性回归法和RBF神经网络法对 基线进行计算； 6) 对步骤5)的结果采用组合计算模型进行计算，得到最终的基线预测值。2. 根据权利要求1所述的一种基于非需求响应因素的基线预测和优化方法，其特征 是，所述步骤1)中，备选非需求响应因素的选取遵循以下原则：1)历史数据可获取；2)数 据可量化；3)样本数量足够。3. 根据权利要求1所述的一种基于非需求响应因素的基线预测和优化方法，其特征 是，所述步骤2)包括如下步骤： 21) 对于m个备选非需求响应因素，选取相同时间间隔的特征量，形成比较序列： x；={xi(l),Xi(2),Xi(3),......,X； (p)} (1) 式中，Xi(p)为第i个备选非需求响应因素的第p个特征量，i= 1, 2,......,m;p为所取 特征量数量； 22) 获取历史负荷数据的特征量序列，记为参考序列y: y= {y(l),y(2),y(3),......,y(p)} (2) 式中，y(P)为历史负荷数据的第P个特征量； 23) 计算关联系数：式中，Mh)为参考序列y与比较序列Xl在第h个特征量上的关联系数，h= 1，2,……P，P为分辨系数； 24) 计算y和比较序列关联度： (4) 式中，y,为y和比较序列X,的关联度，其值表征了第i个备选非需求响应因素与用电 负荷的相关性，i= 1，2,......，m; 25) 选择与y的关联度y0. 9的比较序列所对应的备选非需求响应因素作为本方 法中需要考虑的非需求响应因素。4. 根据权利要求3所述的一种基于非需求响应因素的基线预测和优化方法，其特征 是，所述步骤23)中P= 0? 5。5. 根据权利要求3所述的一种基于非需求响应因素的基线预测和优化方法，其特征 是，所述步骤3)中， 对于m个备选相似日，每个相似日有s个非需求响应因素，选取相同时间间隔的特征量 形成比较序列，特征量的数量为P个，构成m个sXp的特征量矩阵： -......， .- （5) 其中，4表示第i个备选相似日的特征量矩阵，Xlij(p)表征第i个备选相似日中第j个非需求响应因素的第P个特征量； 对干需龙晌府R 用H术同烊的方法津w賠征量矩阵A，(6) 其中，x_j(p)表示第j个非需求响应因素选取的第p个特征量。6.根据权利要求5所述的一种基于非需求响应因素的基线预测和优化方法，其特征 是，所述步骤4)中包括如下步骤： 41) 对于m个备选相似日，分别计算特征量矩阵~和A相同行序列的相关度，则m个备 选相似日分别得到s个关联度，计为Ai, (1 <i< m，1 <j<s)，其表征第i个备选相似 日的第j个非需求响应因素与待预测需求响应日的对应因素的相关度；计算方法如下：其中，Xl^ (h)表征第i个备选相似日中第j个非需求响应因素的第h个特征量；X] (h) 表征需求响应日的第j个非需求响应因素的第h个特征量； 42) 计算备选相似日i(1 <i<m)与需求响应日的加权关联度入i: ^1其中，h(l彡j彡s)为步骤25)得到的本方法需要考虑的的第j个非需求响应因素 与负荷的关联度；Au为第i个备选相似日的第j个非需求响应因素与需求响应日对应因 素的关联度；Ai为第i个备选相似日的加权关联度；《j为第j个非需求响应因素的加权 系数； 43)确定相似日：选取A0.9(1彡i彡m)的备选相似日作为相似日。
【专利摘要】本发明公开了一种基于非需求响应因素的基线预测和优化方法，其特征是，包括如下步骤：1)确定备选非需求响应因素；2)计算各备选非需求响应因素与负荷的关联度；3)构建特征量矩阵，根据需求相应日构建特征量矩阵；4)计算关联度并确定相似日；5)分别采用相似日加权法、多元线性回归法和RBF神经网络法对基线进行计算；6)采用组合计算模型进行计算得到最终的基线预测值。本发明所达到的有益效果：充分考虑了非需求响应因素对用户负荷特性和基线预测的影响，并通过非需求响应因素挖掘、相似日选择和基线计算等步骤，采用组合计算模型综合加权法、多元线性回归法、RBF神经网络法等负荷预测方法的优点，极大地提高了需求响应基线预测的准确性。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105117803
【申请号】CN201510573727
【发明人】陈霄, 范洁, 高赐威, 易永仙, 邵凡, 周玉, 施沩, 高晓雷, 梅杰
【申请人】国家电网公司, 江苏省电力公司, 江苏省电力公司电力科学研究院, 东南大学, 江苏方天电力技术有限公司
【公开日】2015年12月2日
【申请日】2015年9月10日