◇國(guó)家電網(wǎng)西藏電力有限公司巴河發(fā)電公司 何 川

針對(duì)電網(wǎng)內(nèi)部發(fā)電機(jī)組的啟停，電網(wǎng)運(yùn)行的安全穩(wěn)定，安排機(jī)組檢修計(jì)劃等問(wèn)題，對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測(cè)。本文基于灰色預(yù)測(cè)模型，BP神經(jīng)網(wǎng)絡(luò)模型，提出了一種關(guān)聯(lián)度分析組合法的預(yù)測(cè)模型，并應(yīng)用了實(shí)例。結(jié)果表明，本文所提出的新型預(yù)測(cè)模型比任一單項(xiàng)模型預(yù)測(cè)值更加精確，實(shí)用性較強(qiáng)，值得推廣應(yīng)用。

電網(wǎng)負(fù)荷的預(yù)測(cè)有利于決定未來(lái)新的發(fā)電機(jī)組的安裝，決定裝機(jī)容量的大小、地點(diǎn)和時(shí)間，決定電網(wǎng)的增容和改建，對(duì)電網(wǎng)的發(fā)展具有重要意義[1-2]。電力負(fù)荷預(yù)測(cè)方法可分為基于統(tǒng)計(jì)方法和基于機(jī)器學(xué)習(xí)方法兩大類(lèi)。在基于統(tǒng)計(jì)方法中，常用方法有自回歸模型、卡爾曼濾波法等；在基于機(jī)器學(xué)習(xí)方法中，可分為傳統(tǒng)機(jī)器學(xué)習(xí)方法和神經(jīng)網(wǎng)絡(luò)方法。其中，傳統(tǒng)機(jī)器學(xué)習(xí)方法有支持向量回歸（support vector regression，SVR）[3-4]、決策樹(shù)及其集成算法，如隨機(jī)森林[5]、梯度提升回歸等?；诖?，本文應(yīng)用灰色預(yù)測(cè)法GM（1，n）與BP神經(jīng)網(wǎng)絡(luò)法的預(yù)測(cè)結(jié)果建立最優(yōu)預(yù)測(cè)模型，并對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測(cè)，希望為電網(wǎng)優(yōu)化運(yùn)行，電力系統(tǒng)規(guī)劃提供參考，并以某地區(qū)實(shí)際電網(wǎng)負(fù)荷數(shù)據(jù)，對(duì)預(yù)測(cè)模型進(jìn)行驗(yàn)證，結(jié)果證明了本文所提的基于關(guān)聯(lián)度分析組合法的準(zhǔn)確性。

1 最大負(fù)荷預(yù)測(cè)模型

1.1 灰色預(yù)測(cè)

根據(jù)灰色系統(tǒng)理論，將電網(wǎng)最大負(fù)荷這一灰色量作為系統(tǒng)特征數(shù)據(jù)序列，而該地區(qū)人口、地區(qū)生產(chǎn)總值作為相關(guān)因素序列，建立GM（1，n）模型[6-7]：

1.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

根據(jù)神經(jīng)網(wǎng)絡(luò)理論，在數(shù)據(jù)輸入模塊中，將已知數(shù)據(jù)以矩陣形式輸入MATLAB中，A、B代表影響某地區(qū)最大負(fù)荷的兩個(gè)影響因素，分別為該地區(qū)人口數(shù)量、地區(qū)生產(chǎn)總值。C表示最大負(fù)荷的情況。

其次是數(shù)據(jù)歸一化模塊，使用premnmx函數(shù)，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，premnmx函數(shù)是把數(shù)據(jù)處理成[-1 1]之間的數(shù)據(jù)[8]，算法為：

即整組數(shù)據(jù)的最大值為1，最小值為-1，其余數(shù)據(jù)分布在此區(qū)間內(nèi)。網(wǎng)絡(luò)訓(xùn)練部分使用MATLAB自帶BP神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行訓(xùn)練，之后利用訓(xùn)練好的BP網(wǎng)絡(luò)對(duì)原始數(shù)據(jù)進(jìn)行仿真，并利用postmnmx函數(shù)把仿真得到的數(shù)據(jù)還原為原始數(shù)量級(jí)。

1.3 基于關(guān)聯(lián)度分析的組合預(yù)測(cè)

影響最大負(fù)荷預(yù)測(cè)結(jié)果的因素有很多，比如該地區(qū)人口數(shù)量、經(jīng)濟(jì)發(fā)展情況。而灰色預(yù)測(cè)與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)都存在自身的局限性，其任一單項(xiàng)模型的預(yù)測(cè)結(jié)果精確度較低，如果按照等權(quán)平均的方法對(duì)兩個(gè)模型進(jìn)行組合，其預(yù)測(cè)會(huì)出現(xiàn)較大偏差，故對(duì)這兩個(gè)模型進(jìn)行定量關(guān)聯(lián)度分析，確定其各自模型在組合預(yù)測(cè)中的權(quán)重。

關(guān)聯(lián)度r1+r2=1，f1為 灰色GM（1，n）的預(yù)測(cè)值，f2為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值，則基于關(guān)聯(lián)度分析的組合預(yù)測(cè)模型為：

2 算例

利用最大負(fù)荷建模的方法，選取某地區(qū)2015～2019年最大負(fù)荷的實(shí)際值作為原始數(shù)據(jù)，分別建立GM（1，n）模型、BP神經(jīng)網(wǎng)絡(luò)模型、基于關(guān)聯(lián)度分析的組合預(yù)測(cè)模型，其預(yù)測(cè)結(jié)果見(jiàn)表1，擬合精度情況如圖1。通過(guò)表、圖可知，GM（1，n）預(yù)測(cè)模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，擬合誤差較大，基于關(guān)聯(lián)度分析的組合預(yù)測(cè)效果最好，其預(yù)測(cè)曲線(xiàn)與實(shí)際數(shù)據(jù)曲線(xiàn)基本重合。

表1 各模型的擬合結(jié)果

圖1 模型的擬合精度情況

2.1 GM（1，n）模型

建立GM（1，n）模型得a=0.5173，b2=0.4952，b3=-0.0408；根據(jù)（2）式得灰色GM（1，n）模型：

2.2 BP神經(jīng)網(wǎng)絡(luò)

將原始數(shù)據(jù)仿真的結(jié)果與已知樣本進(jìn)行對(duì)比，網(wǎng)絡(luò)訓(xùn)練誤差結(jié)果可以達(dá)到0.01的精度要求，繪制曲線(xiàn)對(duì)比仿真結(jié)果與實(shí)際輸出值的情況如圖2所示，顯然二者非常接近誤差極小，故可以對(duì)數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)。

圖2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值比較圖

2.3 基于關(guān)聯(lián)度分析的組合預(yù)測(cè)模型

把最大負(fù)荷實(shí)際值作為參考數(shù)列，GM（1，n）預(yù)測(cè)值和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值作為比較數(shù)列，通過(guò)關(guān)聯(lián)度分析后，分別得到GM（1，n）與實(shí)際值的關(guān)聯(lián)度r1=0.4585；BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與地區(qū)最大負(fù)荷的關(guān)聯(lián)度r2=0.5415，根據(jù)式（5）可得預(yù)測(cè)模型為：

3 結(jié)束語(yǔ)

采用關(guān)聯(lián)度分析組合法、GM（1，n）預(yù)測(cè)模型、BP神經(jīng)網(wǎng)絡(luò)模型對(duì)某地區(qū)電網(wǎng)負(fù)荷進(jìn)行預(yù)測(cè)。結(jié)果表明，本文所提出的預(yù)測(cè)方法，相比于任一單項(xiàng)預(yù)測(cè)方法更加精確，其預(yù)測(cè)曲線(xiàn)與實(shí)際數(shù)據(jù)曲線(xiàn)基本重合，應(yīng)用于長(zhǎng)期負(fù)荷預(yù)測(cè)具有更好的實(shí)用性?？梢詾樵摰貐^(qū)電網(wǎng)安排運(yùn)行方式、計(jì)劃用電管理和電網(wǎng)調(diào)度提供科學(xué)依據(jù)。