范金驥

（大唐華東電力試驗(yàn)研究所，合肥 230000）

0 引言

隨著居民用電負(fù)荷比重的增大，電網(wǎng)日負(fù)荷率下降、電網(wǎng)負(fù)荷的不穩(wěn)定和峰谷差增大，電網(wǎng)公司需要提供更多的輔助服務(wù)。掌握電網(wǎng)日負(fù)荷峰谷差與最高負(fù)荷的信息對(duì)于調(diào)峰容量的合理安排，提升系統(tǒng)運(yùn)行控制與計(jì)劃工作水平具有重要價(jià)值。

預(yù)測(cè)模型的研究方法依據(jù)復(fù)雜程度、靈活性及數(shù)據(jù)要求的不同，而有各自的特點(diǎn)和適用條件，諸如統(tǒng)計(jì)分析類、機(jī)器學(xué)習(xí)類等預(yù)測(cè)方法[1]。單一預(yù)測(cè)方法在進(jìn)行具體的工程應(yīng)用時(shí)都會(huì)存在缺陷，將適用于負(fù)荷預(yù)測(cè)的單個(gè)模型進(jìn)行適當(dāng)?shù)慕M合是解決負(fù)荷預(yù)測(cè)的一種新思路。時(shí)間序列模型利于處理隨機(jī)的實(shí)際量，在負(fù)荷預(yù)測(cè)中被廣泛使用[2]，其核心突出了時(shí)間因素在預(yù)測(cè)中的作用，暫不考慮外界具體因素的影響，無(wú)法將天氣情況等重要影響因素反應(yīng)到負(fù)荷預(yù)測(cè)中。神經(jīng)網(wǎng)絡(luò)算法用于預(yù)測(cè)時(shí)則具有較強(qiáng)的處理外界影響因素的特點(diǎn)，且具有自學(xué)習(xí)與高速尋優(yōu)的特點(diǎn)。建立非線性模型時(shí)神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力[3]，但難以處理負(fù)荷的隨機(jī)擾動(dòng)。預(yù)測(cè)模型不同，所需的數(shù)據(jù)資料和計(jì)算過(guò)程也不相同，在實(shí)際計(jì)算時(shí)還存在條件的假設(shè)與等效處理，單一模型在計(jì)算時(shí)無(wú)法將采集數(shù)據(jù)信息中的全部特征解析完全。因此，想把數(shù)據(jù)中的全部信息要素得到展現(xiàn)，組合預(yù)測(cè)方法可以彌補(bǔ)單一預(yù)測(cè)方法的缺陷，具有更強(qiáng)的適應(yīng)能力，可以改善預(yù)測(cè)結(jié)果。

負(fù)荷預(yù)測(cè)是一個(gè)復(fù)雜的過(guò)程，進(jìn)行預(yù)測(cè)時(shí)可以將近期負(fù)荷數(shù)據(jù)與遠(yuǎn)期負(fù)荷數(shù)據(jù)相結(jié)合，以綜合不同特征的負(fù)荷數(shù)據(jù)信息。預(yù)測(cè)某一日負(fù)荷時(shí)，既考慮緊鄰日造成的影響，同時(shí)考慮連續(xù)前多日負(fù)荷的影響。對(duì)這些實(shí)際樣本值，采用預(yù)測(cè)方法分別計(jì)算預(yù)測(cè)值，然后利用縱橫交叉算法加權(quán)計(jì)算交叉預(yù)測(cè)值。針對(duì)上述分析提出了對(duì)縱向連續(xù)負(fù)荷數(shù)據(jù)和橫向斷續(xù)數(shù)據(jù)分別建模的交叉預(yù)測(cè)法，以盡可能多的獲取重要的預(yù)測(cè)信息、提高預(yù)測(cè)精度。加入最優(yōu)權(quán)重的計(jì)算使得預(yù)測(cè)效果得到提升。利用該方法結(jié)合某省網(wǎng)系統(tǒng)數(shù)日負(fù)荷進(jìn)行了日負(fù)荷的預(yù)測(cè)，通過(guò)與單一預(yù)測(cè)方法及普通組合結(jié)果的比較，證明該模型具有較好實(shí)用性和預(yù)測(cè)效果。

1 橫向ARMA預(yù)測(cè)模型

1.1 ARMA預(yù)測(cè)模型的原理

ARMA（自回歸滑動(dòng)平均）模型可用來(lái)描述非平穩(wěn)的隨機(jī)負(fù)荷過(guò)程，并通過(guò)相應(yīng)的差分處理可將序列轉(zhuǎn)化為平衡過(guò)程來(lái)研究，而任一平衡隨機(jī)過(guò)程都可以用滿足平衡和可逆性條件下的ARMA（p，q）模型來(lái)描述[4]。ARMA模型預(yù)測(cè)流程如圖1所示。

圖1 ARMA模型預(yù)測(cè)流程

ARMA模型是研究時(shí)間序列的重要方法[5]。AR（自回歸）模型的回歸方程為：

式中： yt， yt-1， yt-2， …， yt-p為時(shí)間有關(guān)的序列； εt為一個(gè)隨機(jī)干擾項(xiàng)；φ1，φ2，…，φp為偏相關(guān)系數(shù)。MA（滑動(dòng)平均）模型的方程為：

式中：q為模型的階數(shù)；φ1，φ2， …，φq為方程的待定系數(shù)；εt， εt-1， εt-2， …， εt-q為誤差； yt為平穩(wěn)的時(shí)間序列。

由上述2個(gè)模型構(gòu)成的ARMA模型數(shù)學(xué)公式為:

當(dāng)式（3）中φ和φ沒有公共因子時(shí)，即為電力系統(tǒng)負(fù)荷預(yù)測(cè)時(shí)使用的ARMA（p，q）模型。模型中用MATLAB確定ARMA模型的階數(shù)，要對(duì)差分后的序列進(jìn)行擬合和預(yù)測(cè)，求出最好的階數(shù)。經(jīng)過(guò)多次試驗(yàn)后最終確定最為合理的模型參數(shù)。

1.2 ARMA模型相關(guān)參數(shù)的計(jì)算

模型建立前先判斷數(shù)據(jù)的特性，對(duì)于不平穩(wěn)的數(shù)據(jù)信息需要差分處理，轉(zhuǎn)換為模型可用的值，接下來(lái)進(jìn)行ARMA建模與預(yù)測(cè)[6]。通常步驟如下：

式中：N為總數(shù)；k為樣本數(shù)；i為其中第i個(gè)樣本。

（2）模型辨識(shí)和參數(shù)估計(jì)。

（3）模型適用性檢驗(yàn)。

隨機(jī)變量 X（t）（t=1，2，3，…），如果是由一個(gè)不相關(guān)的隨機(jī)變量的序列構(gòu)成的，當(dāng)2個(gè)變量之間的協(xié)方均為零，則稱其為純隨機(jī)過(guò)程。E[（X-E（X））（Y-E（Y））]稱為隨機(jī)變量 X 和 Y 的協(xié)方差。在實(shí)際負(fù)荷預(yù)測(cè)計(jì)算時(shí)需對(duì)生成的模型進(jìn)行可行性檢驗(yàn)，當(dāng)實(shí)際觀測(cè)到的樣本序列值與經(jīng)過(guò)模型識(shí)別和參數(shù)估計(jì)得到的隨機(jī)模型計(jì)算出的估計(jì)值之差構(gòu)成的殘差序列是白噪聲的1個(gè)樣本序列時(shí)，證明該模型的適用性合格。

（4）預(yù)測(cè)模型用于預(yù)報(bào)。

依據(jù)經(jīng)過(guò)檢驗(yàn)的時(shí)間序列模型通過(guò)數(shù)據(jù)分析軟件計(jì)算電網(wǎng)負(fù)荷的預(yù)測(cè)值。

2 縱向ANN預(yù)測(cè)模型

ANN（人工神經(jīng)網(wǎng)絡(luò)）是進(jìn)行負(fù)荷預(yù)測(cè)的又一重要方法[8]。神經(jīng)網(wǎng)絡(luò)技術(shù)易于處理各種影響負(fù)荷變化的因素，以下使用三層前向神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)造神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與訓(xùn)練算法是預(yù)測(cè)效果的關(guān)鍵環(huán)節(jié)，BP神經(jīng)元的結(jié)構(gòu)模型與普通的神經(jīng)元模型類似，但是BP網(wǎng)絡(luò)的激活函數(shù)要求是可微的，所以不能使用二值函數(shù)，常用S型的對(duì)數(shù)、正切函數(shù)或者線性函數(shù)[9-11]。其結(jié)構(gòu)圖如圖2所示。

圖2 BP網(wǎng)絡(luò)結(jié)構(gòu)示意

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的算法流程圖如圖3所示。

在計(jì)算流程中有：

式中：n為輸入層的個(gè)數(shù)；q為隱藏層的個(gè)數(shù)；m為輸出層的個(gè)數(shù)；vki為輸入層與隱藏層之間的權(quán)值；wjk為隱藏層與輸出層的權(quán)值；f1（·）為隱藏層的輸出函數(shù)；f2（·）為輸出層的激活函數(shù)；zk為隱藏層節(jié)點(diǎn)的輸出；oj為輸出層的節(jié)點(diǎn)輸出。其中n，q，m分別根據(jù)具體實(shí)例而定。

當(dāng)訓(xùn)練樣本總數(shù)為m時(shí)，用x1，x2，…，xm來(lái)表示，第p個(gè)樣本輸入所得到的實(shí)際輸出和理想輸出分別為和j=1， 2， …， m）， 樣本誤差為：

圖3 B-P算法流程

p個(gè)樣本的總誤差為：

權(quán)值的修正公式為：

根據(jù)上述步驟和公式進(jìn)行計(jì)算，當(dāng)誤差滿足要求后則停止計(jì)算輸出結(jié)果。

進(jìn)行電網(wǎng)日負(fù)荷預(yù)測(cè)時(shí)數(shù)據(jù)通常以15 min進(jìn)行采樣，表現(xiàn)為96點(diǎn)負(fù)荷值。為便于觀察，神經(jīng)網(wǎng)絡(luò)模型的輸入變量選取預(yù)測(cè)日前1日的24組整點(diǎn)負(fù)荷值。因此，輸入變量是1個(gè)24維的向量。目標(biāo)向量就是預(yù)測(cè)日當(dāng)天的24組整點(diǎn)負(fù)荷值，輸出變量即為1個(gè)24維的向量。得到輸入和輸出結(jié)果后進(jìn)行歸一化處理，將其變?yōu)閰^(qū)間[0，1]之間的數(shù)值，公式為：式中：x為處理前數(shù)值；y為處理后數(shù)值；其中，xmax，xmin分別為該項(xiàng)數(shù)據(jù)的最大值和最小值。

根據(jù)Kolmogorov定理，網(wǎng)絡(luò)中間層的處理單元可取49個(gè)。網(wǎng)絡(luò)訓(xùn)練采用B-P算法。B-P算法概括為反復(fù)進(jìn)行前向計(jì)算、反向計(jì)算和修正權(quán)值。

3 基于CSO縱橫交叉預(yù)測(cè)算法

CSO（交叉預(yù)測(cè)法）是根據(jù)儒家的中庸思想創(chuàng)立的全新優(yōu)化算法，每個(gè)單一預(yù)測(cè)模型的值為1個(gè)數(shù)值矩陣，將不同矩陣中的值分別進(jìn)行橫向和縱向的交叉后得到1個(gè)中庸解即MShc，MSvc中庸解進(jìn)入競(jìng)爭(zhēng)算子的計(jì)算后得到更優(yōu)的解為占優(yōu)解DShc，DSvc[12-14]。利用此方法進(jìn)行組合預(yù)測(cè)模型的權(quán)重的計(jì)算可以克服在單個(gè)模型尋優(yōu)時(shí)出現(xiàn)的局部收斂的問(wèn)題，得到更穩(wěn)定和精確的預(yù)測(cè)值。

3.1 橫向交叉

橫向交叉為在不同預(yù)測(cè)模型的所有維之間進(jìn)行算數(shù)交叉，假設(shè)交叉發(fā)生在解 X（i）和 X（j）的第l維之間，則交叉公式為：

式中： i， j∈N（1， M）， l∈N（1， L）， r1， r2∈[0， 1]之間的隨機(jī)數(shù)；c1，c2∈[－1，1]之間的隨機(jī)數(shù)；M為粒子規(guī)模； L 為變量維數(shù)； X（i， l）， X（j， l）表示父代粒子 X（i）和 X（j）的第 l維； Mhc（i， l）， Mhc（j， l）表示 X（i， l）和 X（j， l）通過(guò)橫向交叉產(chǎn)生的第l維子代。

橫向交叉進(jìn)行完后，將得到的子代與父代通過(guò)競(jìng)爭(zhēng)算法進(jìn)行比較，較優(yōu)的個(gè)體繼續(xù)保留下來(lái)進(jìn)行后續(xù)的計(jì)算。在橫向交叉計(jì)算時(shí)采用較大的r1，r2和較小的c1，c2利于計(jì)算，比遺傳算法的全局搜索能力強(qiáng)。具體數(shù)值需根據(jù)仿真試驗(yàn)獲得。

3.2 縱向交叉

縱向交叉是為了消除尋優(yōu)過(guò)程中的局部收斂的問(wèn)題，通過(guò)歸一化的處理后進(jìn)行不同維數(shù)之間的交叉計(jì)算。當(dāng)尋優(yōu)過(guò)程中出現(xiàn)局部最優(yōu)時(shí)，利用算法中的變異概率可以使得這一組解重新獲值，其中的一維發(fā)生了變化而解的其他維不變。

假設(shè)l1，l2是一個(gè)解中不同的維，則進(jìn)行縱向交叉計(jì)算的公式為：

式中： i∈N（1， M）； l1， l2∈N（1， L）； r∈[0， 1]；MSvc=（i， l1）為縱向交叉后的新子代。

在實(shí)際計(jì)算時(shí)，通常會(huì)出現(xiàn)一個(gè)解中的維局部最優(yōu)無(wú)法繼續(xù)向前計(jì)算，成為維局部最優(yōu)。為了解決這一問(wèn)題，CSO算法加入了縱向交叉計(jì)算，使得不同維之間通過(guò)交叉概率p進(jìn)行操作，p的選取與不同的優(yōu)化模型和具體問(wèn)題有關(guān)，經(jīng)過(guò)試驗(yàn)驗(yàn)證當(dāng)p?。?.2～0.8）時(shí)，對(duì)電網(wǎng)負(fù)荷預(yù)測(cè)具有較好的計(jì)算效果，既能使得陷入局部最優(yōu)的維跳出計(jì)算，又讓解具有更好的多樣性。新的子代通過(guò)與父代個(gè)體的比較，留下的較優(yōu)解為。

3.3 基于CSO的組合預(yù)測(cè)模型

此處的組合由橫向ARMA和縱向的ANN兩個(gè)模型組成，所以在進(jìn)行計(jì)算時(shí)需要確定兩者的權(quán)系數(shù)。不同的權(quán)系數(shù)對(duì)預(yù)測(cè)結(jié)果的影響較大，進(jìn)行完單個(gè)模型的預(yù)測(cè)計(jì)算后，利用CSO組合預(yù)測(cè)發(fā)進(jìn)行最終的計(jì)算，其計(jì)算步驟如圖4所示。

圖4 交叉預(yù)測(cè)流程

（1）獲取電網(wǎng)負(fù)荷的歷史數(shù)據(jù)并進(jìn)行處理。

（2）依據(jù)數(shù)據(jù)分別進(jìn)行橫向ARMA預(yù)測(cè)和縱向ANN預(yù)測(cè)。

（3）進(jìn)行組合預(yù)測(cè)的參數(shù)設(shè)置，如：設(shè)置種群大小M，最大計(jì)算代數(shù)N，縱向交叉概率p。

（4）按照上述公式進(jìn)行橫向交叉和縱向交叉操作后進(jìn)行競(jìng)爭(zhēng)計(jì)算。

（5）當(dāng)達(dá)到最大計(jì)算代數(shù)后，整個(gè)算法結(jié)束，不然繼續(xù)未到步驟（4）進(jìn)行計(jì)算。

在計(jì)算過(guò)程中各單項(xiàng)模型預(yù)測(cè)結(jié)果可表示成矩陣P。假設(shè)預(yù)測(cè)時(shí)長(zhǎng)為T，則：

式中：pmt表示第m種方法第t時(shí)刻的預(yù)測(cè)值；αt表示第t時(shí)刻所有預(yù)測(cè)法預(yù)測(cè)值。

預(yù)測(cè)時(shí)對(duì)應(yīng)的權(quán)系數(shù)矩陣為W：

式中：wmt為第m種方法第t時(shí)刻的權(quán)重系數(shù)；為第t時(shí)刻所有預(yù)測(cè)方法的權(quán)重系數(shù)。則權(quán)重系數(shù)應(yīng)該滿足：

總體優(yōu)化后的目標(biāo)函數(shù)為：

式中：wij為時(shí)刻t模型j的權(quán)重系數(shù)；t為預(yù)測(cè)的時(shí)間總數(shù)；m為預(yù)測(cè)模型的個(gè)數(shù)；yij為時(shí)刻t模型j的預(yù)測(cè)值；為時(shí)刻i的實(shí)際負(fù)荷值。

時(shí)間序列模型建立在，隨機(jī)過(guò)程理論基礎(chǔ)上，易于處理連續(xù)數(shù)據(jù)序列的隨機(jī)特征；而神經(jīng)網(wǎng)絡(luò)技術(shù)具有很強(qiáng)的自學(xué)習(xí)和復(fù)雜非線性擬合能力，善于挖掘近期數(shù)據(jù)規(guī)律。結(jié)合二者的優(yōu)點(diǎn)，在此提出采用時(shí)間序列模型處理連續(xù)縱向負(fù)荷數(shù)據(jù)，及神經(jīng)網(wǎng)絡(luò)技術(shù)處理斷續(xù)橫向負(fù)荷數(shù)據(jù)，對(duì)算法獲得的單項(xiàng)預(yù)測(cè)值進(jìn)行縱橫交叉計(jì)算獲得最終的負(fù)荷預(yù)測(cè)值[15-17]。

4 應(yīng)用實(shí)例

4.1 基本參數(shù)

以某網(wǎng)2012年6月4日到2012年6月21日（僅考慮工作日）的24點(diǎn)電力負(fù)荷值作為交叉預(yù)測(cè)模型的輸入樣本，預(yù)測(cè)2012年6月22日的整點(diǎn)電力負(fù)荷。具體的計(jì)算參數(shù)設(shè)置如下：

（1）ANN預(yù)測(cè)模型的網(wǎng)絡(luò)隱含層的神經(jīng)元函數(shù)采用S型正切函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)，設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm，采用Levenberg-Marquardt算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。

（2）計(jì)算中的訓(xùn)練次數(shù)為1 000，訓(xùn)練目標(biāo)為0.02，學(xué)習(xí)速率為0.1。

（3）依據(jù)ARMA模型與ANN模型對(duì)樣本數(shù)據(jù)在24點(diǎn)的實(shí)際預(yù)測(cè)效果，通過(guò)交叉預(yù)測(cè)模型來(lái)確定其權(quán)重，經(jīng)過(guò)不同的試驗(yàn)選出效果較好的參數(shù)為：種群大小為M=30，縱向交叉概率p=0.55，最大計(jì)算代數(shù)max=100。

4.2 預(yù)測(cè)結(jié)果分析

應(yīng)用建立的交叉預(yù)測(cè)模型對(duì)省網(wǎng)系統(tǒng)負(fù)荷進(jìn)行預(yù)測(cè)，組合交叉預(yù)測(cè)與橫向ARMA預(yù)測(cè)、縱向ANN預(yù)測(cè)結(jié)果見圖5。

圖5 負(fù)荷預(yù)測(cè)效果

從圖5中可看到，橫向ARMA預(yù)測(cè)值與實(shí)際值誤差較大，這主要是由于預(yù)測(cè)所依據(jù)的歷史負(fù)荷數(shù)據(jù)較短，時(shí)間序列發(fā)展規(guī)律的發(fā)現(xiàn)不夠準(zhǔn)確，以更長(zhǎng)時(shí)間段內(nèi)的時(shí)間序列數(shù)據(jù)作為依據(jù)將有利于提高橫向預(yù)測(cè)效果?？v向ANN預(yù)測(cè)值能夠?qū)Χ鄶?shù)整點(diǎn)負(fù)荷做出較好的預(yù)測(cè)，在個(gè)別點(diǎn)的預(yù)測(cè)效果較差，這主要是由于受限于網(wǎng)絡(luò)訓(xùn)練樣本較少，在避免過(guò)擬合的前提下適當(dāng)增加訓(xùn)練樣本數(shù)目及增加每天的測(cè)量點(diǎn)（如以96點(diǎn)進(jìn)行預(yù)測(cè)）都將有利于提高縱向預(yù)測(cè)效果。

組合交叉預(yù)測(cè)的效果與橫向預(yù)測(cè)及縱向預(yù)測(cè)緊密關(guān)聯(lián)，從圖5中可看到，交叉預(yù)測(cè)值更接近實(shí)際值。利用相對(duì)誤差進(jìn)行性能評(píng)價(jià)，進(jìn)一步驗(yàn)證了交叉預(yù)測(cè)方法能夠獲得更高的預(yù)測(cè)精度。表1反映了3種預(yù)測(cè)結(jié)果的相對(duì)誤差。可以看出，在大部分負(fù)荷點(diǎn)交叉預(yù)測(cè)結(jié)果的相對(duì)誤差普遍較小，比橫向預(yù)測(cè)減小了1.438%，比縱向預(yù)測(cè)僅減少了0.001 4%。3種方法普遍存在用電量由較少過(guò)渡到較大時(shí)會(huì)造成相對(duì)誤差的大幅增加，說(shuō)明其預(yù)測(cè)精度仍存在可提高空間。表2為3種預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度比較，是對(duì)日負(fù)荷24點(diǎn)預(yù)測(cè)效果的綜合評(píng)定。從表2中可看出，組合交叉預(yù)測(cè)方法由于兼顧了不同特征負(fù)荷數(shù)據(jù)對(duì)預(yù)測(cè)的影響，將單個(gè)預(yù)測(cè)模型取長(zhǎng)補(bǔ)短，從而獲得了更好的預(yù)測(cè)精度，交叉預(yù)測(cè)比橫向預(yù)測(cè)提升了1.34%，比縱向預(yù)測(cè)提升了0.04。結(jié)合機(jī)組數(shù)據(jù)的對(duì)比發(fā)現(xiàn)，由于依據(jù)的歷史負(fù)荷數(shù)據(jù)較短，導(dǎo)致交叉預(yù)測(cè)的結(jié)果相對(duì)于縱向預(yù)測(cè)提升不大，

表1 電網(wǎng)日負(fù)荷預(yù)測(cè)結(jié)果相對(duì)誤差比較

表2 電網(wǎng)日負(fù)荷預(yù)測(cè)準(zhǔn)確度比較

為了更好的觀察提出的組合交叉預(yù)測(cè)方法的效果，引入了AVG（平均綜合準(zhǔn)確率）和Mape（平均絕對(duì)百分比）的概念進(jìn)行數(shù)據(jù)的分析。文中還將計(jì)算結(jié)果與等權(quán)重系數(shù)、誤差絕對(duì)值方法計(jì)算出的負(fù)荷預(yù)測(cè)模型進(jìn)行了比較。各組合預(yù)測(cè)模型如圖6與表3所示。

圖6 不同權(quán)系數(shù)組合負(fù)荷預(yù)測(cè)結(jié)果

表3 電網(wǎng)日負(fù)荷組合預(yù)測(cè)誤差對(duì)比

由圖6可知使用縱橫交叉方法算得的權(quán)系數(shù)，根據(jù)不同的單個(gè)模型和預(yù)測(cè)點(diǎn)的情況確定其權(quán)系數(shù)矩陣。實(shí)驗(yàn)表明，縱橫交叉組合優(yōu)化模型預(yù)測(cè)的誤差明顯比誤差絕對(duì)值組合方法和等權(quán)重組合方法的誤差小，由表3可知，使用交叉預(yù)測(cè)的方法比等權(quán)重預(yù)測(cè)及誤差絕對(duì)值預(yù)測(cè)具有更高的平均綜合準(zhǔn)確率及更低的平均絕對(duì)百分比，說(shuō)明縱橫交叉組合預(yù)測(cè)模型對(duì)電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)是可行的，可以更好為電網(wǎng)日負(fù)荷預(yù)報(bào)中提供良好的依據(jù)。

5 結(jié)語(yǔ)

此處提出了一種基于縱橫交叉預(yù)測(cè)的電網(wǎng)日負(fù)荷預(yù)測(cè)方法，該方法根據(jù)不同的電網(wǎng)負(fù)荷數(shù)據(jù)特點(diǎn)來(lái)確定在計(jì)算時(shí)需要使用的單個(gè)負(fù)荷預(yù)測(cè)模型，提供了組合預(yù)測(cè)的計(jì)算方法。計(jì)算時(shí)既考慮緊臨日負(fù)荷的影響，又考慮連續(xù)前多日負(fù)荷的影響，對(duì)這些實(shí)際樣本值，采用預(yù)測(cè)方法分別計(jì)算預(yù)測(cè)值，然后利用縱橫交叉算法加權(quán)計(jì)算交叉預(yù)測(cè)值，盡可能多的獲取重要的預(yù)測(cè)信息、提高預(yù)測(cè)穩(wěn)定性和精度。

實(shí)驗(yàn)結(jié)果表明利用該方法進(jìn)行電網(wǎng)日負(fù)荷預(yù)測(cè)時(shí)，電網(wǎng)日負(fù)荷預(yù)測(cè)整體誤差橫向預(yù)測(cè)減小了1.438%；預(yù)測(cè)準(zhǔn)確度比橫向預(yù)測(cè)提升了1.34%，比縱向預(yù)測(cè)提升了0.04%。同常規(guī)的組合權(quán)重分配相比，其平均綜合準(zhǔn)確率提升了近1%，平均絕對(duì)百分比降低了1%。交叉預(yù)測(cè)技術(shù)有效的結(jié)合了橫向預(yù)測(cè)與縱向預(yù)測(cè)的優(yōu)勢(shì)，在各個(gè)時(shí)段均顯示出良好的預(yù)測(cè)效果，并且具有較高的預(yù)測(cè)準(zhǔn)確度，為交叉預(yù)報(bào)技術(shù)在電網(wǎng)日負(fù)荷預(yù)報(bào)中的應(yīng)用提供參考。但在進(jìn)行計(jì)算時(shí)未考慮到新能源的出力、氣象變化、負(fù)荷分類等影響因子，在以后的研究計(jì)算中還應(yīng)結(jié)合這些影響因子進(jìn)行進(jìn)一步的研究[18-21]。