數(shù)據(jù)驅(qū)動的短中期電力需求預測優(yōu)化學習方法研究.pdf

1、電力作為一種能源形式，從誕生伊始，就引領(lǐng)了能源與工業(yè)的革命，并完全改變了人們以往的生活、工作方式。電力系統(tǒng)是一個由發(fā)電、輸電、配電、用電等環(huán)節(jié)構(gòu)成的電力生產(chǎn)、輸送及消費的系統(tǒng)，它將整個電力行業(yè)有效地聯(lián)結(jié)到了一起形成一整條產(chǎn)業(yè)鏈。精確的電力需求預測是保持電力系統(tǒng)安全、穩(wěn)定、經(jīng)濟、高效運行的保障，電力需求預測的結(jié)果不僅能為管理部門審批電力投資項目提供依據(jù)，還能為電網(wǎng)的優(yōu)化調(diào)度提供決策支持，更能為發(fā)電站的發(fā)電計劃提供數(shù)據(jù)支撐。電力能源又不同于

2、其他消耗品，它具有一個重要特征是無法存儲或者存儲代價十分巨大，這就需要電力從生產(chǎn)完成開始就需要立即經(jīng)過電網(wǎng)輸送到用戶端消費，使得電力的生產(chǎn)、輸送、消耗在同一時間完成，并形成動態(tài)的平衡。精確的電力需求預測將能有效地調(diào)節(jié)電力的生產(chǎn)計劃和電網(wǎng)的調(diào)度計劃，避免產(chǎn)生嚴重的電力生產(chǎn)與消耗不平衡問題，并為決策者提供決策支持。
　　電力需求數(shù)據(jù)在不同的時間長度中呈現(xiàn)出不同的變化趨勢，但大多均具有復雜的非線性、波動性和隨機性等特征，這就使得傳統(tǒng)的預

3、測方法無法獲得精確的預測結(jié)果，給電力需求預測帶來了很大的困難。本文將根據(jù)不同類型、不同時間段的電力需求數(shù)據(jù)分別建立需求預測模型進行預測研究，主要的研究工作如下:
　　(1)對于短期單因素電力需求預測問題，提出了一種改進的自適應遺傳優(yōu)化的ARMA模型進行預測。在該模型中，針對ARMA模型定階困難的情況，采用自適應的遺傳算法來決定模型的階數(shù)。又由于傳統(tǒng)的自適應遺傳算法在算法初期適應度值接近種群中最大適應度值時容易出現(xiàn)種群進化停滯而收斂

4、于局部最優(yōu)，為此對自適應的交叉概率和變異概率進行改進并將概率與迭代數(shù)目相關(guān)從而克服了傳統(tǒng)自適應遺傳算法的不足。然后將該模型應用于美國PJM公司的每小時電力預測中，結(jié)果顯示該模型的預測精度較高。
　　(2)對于中期單因素電力需求預測問題，分別研究以月度和年度為時間間隔的電力需求的未來變化趨勢。針對單因素條件下的月度中期電力需求預測問題，提出了一個季節(jié)性GATS-SVR模型，在該模型中采用遺傳和禁忌搜索的混合算法進行參數(shù)尋優(yōu)，克服傳統(tǒng)

5、遺傳算法過早收斂和爬山能力不足的問題。同時，充分利用用電量的周期性變化規(guī)律并引入季節(jié)性調(diào)整因子來提高預測精度。并在算法中將最小一乘準則作為參數(shù)尋優(yōu)的評價標準來提升模型的穩(wěn)定性。最后將該模型應用于江蘇省月度全社會用電量預測中，實例結(jié)果表明季節(jié)性GATS-SVR模型擁有較高的預測精度。針對單因素條件下的年度電力需求預測問題，提出了基于初值優(yōu)化的最小一乘PSO-GM(1，1)模型。在該模型中對傳統(tǒng)的GM(1，1)模型的初值進行改進，以累加序列

6、的最后一個點為基礎(chǔ)，并在此之上乘以一個信息增益或縮減的因子變量作為新的初值條件。同時采用最小一乘準則代替最小二乘準則進行參數(shù)尋優(yōu)，克服存在奇異點時引起的誤差擴大情況。然后，通過時變權(quán)重的粒子群優(yōu)化算法對模型的參數(shù)進行尋優(yōu)。最后使用該模型對我國全社會年度用電量進行預測分析，結(jié)果顯示該模型的預測精度較傳統(tǒng)模型要高。
　　(3)對于中期多因素電力需求預測問題，考慮與電力需求相關(guān)的經(jīng)濟、環(huán)境等影響因素，并利用這些相關(guān)影響因素及歷史電力需求

7、數(shù)據(jù)分別構(gòu)建時變權(quán)重的粒子群參數(shù)優(yōu)化PSO-CV-SVR模型和基于最小一乘準則的遺傳參數(shù)優(yōu)化GA-SVR模型對江蘇省月度全社會用電量進行預測研究，實例結(jié)果顯示這兩個模型的預測精度均比BP-神經(jīng)網(wǎng)絡(luò)模型要高。
　　(4)對于中期多因素條件下的電力需求的區(qū)間預測問題，提出了一種WMC-GS-CV-SVR的概率區(qū)間優(yōu)化預測模型。在該模型中，首先通過網(wǎng)絡(luò)搜索交叉驗證(GS-CV)思想對SVR模型進行參數(shù)尋優(yōu)，然后利用GS-CV-SVR模型