电网售电量预测软件研究.doc

电子科技大学毕业论文（设计） 电网售电量预测软件的研究电 子 科 技 大 学毕 业 设 计（论 文）论文题目：电网售电量预测软件的研究 学习中心（或办学单位）：电子科技大学中山学习中心指导老师：李建华 职 称： 副教授 学生姓名：张健宏 学 号: 201003694646专 业：电力系统及其自动化电子科技大学继续教育学院制网络教育学院2011年12月 6日电网售电量预测软件的研究电力系统及其自动化专业 张健宏摘 要：对于供电企业来说，能够预测未来电量是决策企业经营目标的基础和生产发展的基本依据。电网售电量预测软件就是在这一背景下开发的，通过线性回归和灰色预测模型来预测电网售电量，然后分别采用以上两种季节指数来预测季节波动趋势，分别模拟、计算，最后两两叠加得到四个预测模型。为了充分利用各个预测单一模型的有用信息，基于免疫算法将几种不同的预测方法组合起来而成为组合预测模型。从而，在一定条件下能够有效的改善模型的拟合能力和提高预测精度，较为准确的为供电企业得到售电量预测值。关键词：预测模型 售电量 组合预测 软件开发目录第一章 绪论1第二章 电网售电量预测软件简介12.1 分析与电网售电量预测软件的关系12.2软件包的介绍1第三章 预测理论及模型建立13.1灰色模型及方法介绍13.1.1 灰色理论基本概念13.1.2 灰色动态模型GM（1，1）13.1.3灰色GM(1,1)模型算法实现13.2 线性回归模型13.2.1 方法概述13.2.2 线性一元回归法13.3季节指数建模1：13.4季节指数建模213.5免疫算法的电力负荷预测综合模型13.5.1算法基本原理13.5.2 算法的主要步骤13.6 软件应用及案例分析1第四章 结论及展望1参考文献116第一章 绪论电力市场分析与预测是供电企业为了实现经营目标，进行电力市场营销、规划、生产和销售决策，运用先进的技术手段和方法，采用一定的程序，有组织、有计划的收集电力市场信息。在调研的基础上、对调研信息及数据进行科学分析，对经营环境及电力需求的变化特点进行预测，为改进经营管理，实行正确决策提供依据。供电企业能否有效的把握市场变化趋势，选择新的目标市场，这是搞好营销活动的核心和关键。电网售电量预测软件是电力市场中的一项基本工作，做好售电量的预测分析工作，为供电企业提供营销决策支持，对于指导发电厂、输配电网的合理运行，推动电力市场的发展和建设都具有十分重要的意义。虽说电力系统的售电量受气象、气温、人类活动等众多因素影响，其误差是必然存在的，然而在不同之中也存在搁在着相对确定的一面。我们可以用电网售电量预测软件进行不同区域用电量的分析，形成不同地区售电量变化曲线，根据曲线走势判断该地区未来电量变化趋势；可以根据地理特征、当地经济综合指标、该地区经济增长预测指标，结合售电量变化曲线，进一步判断该地区售电量增长潜力；分析各地区对总体售电量涨跌的贡献率；根据该地区各行业用户分布情况，结合行业发展综合指标，进一步分析判断该地区售电量潜力。第二章 电网售电量预测软件简介2.1 分析与电网售电量预测软件的关系供电企业对未来若干个月的供售电量进行预测有助于合理安排营销工作和线损工作，为提高电能质量及系统经济运行，制定各项措施和计划、安排工程项目等提供依据。线损是表征电力系统规划设计水平和经营管理水平的一项综合技术经济指标。线损率高低直接影响到公司整体经营和效益指标。合理分析和预测供售电量，才能使线损处于可控状态。在线损管理中，负荷预测是一个非常重要的概念，它是实现合理线损管理的基础。目前各科研院所开发出针对月负荷电量的供、售电量预测软件包并不多见。本文通过对一些区域的售电量预测的方法，从日常使用维护的CIS、SCADA系统中导出所需数据（历史年、月供电量和售电量数据等）作为输入参数，编制了一套负荷预测软件。该软件包含了数据输入、算法、月电量预测和线损管理计算等全套功能，可在任何操作系统下运行，实用性强、交互灵活、使用方便。通过在上海青清供电分公司的实际应用，表明该软件使用方便、运行可靠、预测效果比较理想。2.2软件包的介绍软件包总共分为三个模块：数据处理模块、负荷预测模块、预测结果处理模块。软件包的总体结构如图1所示： 历史数据库数据增加、删除或修改GM（1，1）一元线性回归季节指数模型1季节指数模型2免疫算法综合模型预测结果数据库结果显示线损计算图形功能数据处理模块负荷预测模块预测结果处理模块图1 系统流程图本软件包提供了线性回归和GM（1，1）灰色动态两种预测模型，采用了两种季节指数来模拟季节波动趋势，最后通过免疫算法综合模 型得到最终的供售电量预测结果，为掌握供售电量增长提供了参考数据，为制定相应措施和计划提供了依据。软件包界面友好、操作方便、提供联机帮助，输入/输出形式灵活。本软件已经正式用于上海青浦区供电分公司的供售电量预测和线损分析工作，取得了较好的效果。第三章 预测理论及模型建立3.1灰色模型及方法介绍城市用电系统既含已知信息，也有未知、未确知信息，因而它可以看作是一个灰色系统。城市用电量受众多因素影响，它直接与城市人口、工业发展、人民生活水平以及电价水平等诸多因素有关，是一个多因素、多层次的复杂变量。 根据灰色系统理论，可以不去研究城市用电系统的内部因素及相互关系，而是把受各种因素影响的用电量视为在一定范围内变化的与时间有关的灰色变量，从其自身的数据列中挖掘有用信息，建立模型来寻找和揭示系统需电的潜在规律，并以此灰色模型对未来城市未来用电量做出预测。3.1.1 灰色理论基本概念(1) 灰色系统的定义灰色系统是介于黑色系统与白色系统之间，系统部分信息己知、部分信息未知的系统，即信息不完全的系统。所谓“信息不完全”，一般是指:系统因素不完全明确;因素关系不完全清楚;系统结构不完全清楚;系统的作用原理不完全明了。(2) 灰色系统的基本原理在灰色系统理论的创立和发展过程中，邓聚龙教授发现并提炼出灰色系统的基本原理。这些基本原理，具有十分深刻的哲学内涵。 差异信息原理。认为“差异” 是信息，凡信息必有差异。 解的非唯一性原理。由于信息不完全、不确定，必然导致认知的非确定和非唯一，即解的非唯一性。 最少信息原理。灰色系统理论的特点是充分开发利用已占有的“最少信息”，信息不完全，导致“少数据”。认知根据原理。认为信息是认知的根据，从而建立了以信息为根据的认知模式。 新信息优先原理。对事物作决断，力求准确可靠，而准确可靠的决断，只能依靠“最新鲜”、“最有代表性”的信息作出，即新信息对认知的作用大于老信息。 灰性不灭原理。因为人类的探索是无穷尽的，人类的认知是无穷尽的，所以确定认知是相对的，信息不完全、认知不确定是绝对的。 (3) 灰色系统理论的主要内容灰色系统理论的主要内容包括以灰色朦胧集为基础的理论体系，以灰色关联空间为依托的分析体系，以灰色序列生成为基础的方法体系，以灰色模型( GM)为核心的模型体系，以系统分析、评估、建模、预测、决策、控制、优化为主体的技术体系。值得一提的是，灰色模型按照五步建模思想构建，通过灰色生成或序列算子的作用弱化随机性，挖掘潜在的规律，经过灰色差分方程与灰色微分方程之间的互换实现了利用离散的数据序列建立连续的动态微分方程的新飞跃。3.1.2 灰色动态模型GM（1，1）灰色系统理论的核心是灰色动态模型（Grey Dynamic Model）简记为GM。灰色系统理论将一切随机变化量看作是在一定范围内变化的灰量，常用累加生成和累减生成的方法，将杂乱无章的原始资料整理成规律性较强的生成序列，用灰色模型(GM-Grey Model)的微分方程进行预测，求解微分方程的时间响应函数表式即为所求的灰色预测模型，对模型的精度和可信度进行校验并修正后，就可用模型预测来。此法适用于短、中、长三个时间尺度的预测。优点是在建模时不需要计算统计特征量，从理论上讲，可以使用于任何非线性变化的问题的预测分析，其微分方程指数解适合于具指数增长趋势的资料；但对于具有其它趋势的资料则有时拟合灰度较大，精度难以提高。灰色系论就是研究本征性灰色系统的量化问题，就是研究灰系统的建模、预测、分析、决策和控制。灰色预测理论是灰色系统理论的重要组成部分，它以灰色模型(GM)为核心的模型体系， 将系统看成一个随时间变化而变化的函数； 在建模时，不需要大量的时间序列数据就能够取得较好的预测效果，达到较高的精度。灰色系统理论研究的是信息不完全的对象，内涵不确定的概念，关系不明确的机制。故其研究对象是极其广泛的，其范围是不断扩展的。一般地，社会、经济系统都是以灰元、灰数、灰色关系为特征的灰色系统。灰色系统理论就是研究本征性灰色系统的量化问题，就是研究灰系统的建模、预测、分析、决策和控制。要建立它们的系统模型，必须是定性与定量相结合，以定性为先导，以定量为手段，是定性与定量的综合过程。这一综合过程可分为几个阶段，每一阶段都用一定的方式加以表达，这些表达方式称为阶段模型。因所处阶段不同，模型性质也不同，灰色系统的建模可概括为五个阶段，即：语言模型、网络模型、量化模型、动态模型和优化模型，因而又称为五步建模。灰色系统理论提倡立体思维，主张求同存异，认为决策应是多目标的，方法应是多样化的，处理问题应该有机动灵活性，作计划应有可调性，效果应有可塑性。灰色系统不用随机变量的概念。只是把它看作在一定范围内变化的灰色量，并对灰色量作有效处理，而不去寻找它的统计规律。灰色预测理论是整个灰色系统理论的重要组成部分，建立灰色动态模型(或称GM模型)则是灰色预测理论的核心。3.1.3灰色GM(1,1)模型算法实现灰色系统建模思想是直接将时间序列转化为微分方程, 从而建立起抽象系统的发展变化动态模型， 即Grey Dynamic Model,简记为GM。灰色系统建模有三个突出的优点:一是采用生成数列进行建模，弱化了原始数据的波动性;二是模型对原始数据个数要求少(一般4 个以上)，且不要求数据具有明显的分布规律;三是灰色系统建立的是微分方程模型而非差分方程模型，能使模型更深刻地反映事物发展的本质。灰色系统GM（1,1）模型是其它建模方法的基础，其建模基本步骤包括：（1）对所要建模的主行为因素序列Xo作为一次累加生成（1-AGO），得生成序列X（1）。X（1）=（x（1）（1），x（1）（2），.，x（1）（k），x（1）（n） k=1,2,n （1）(2)对X（1）作紧邻均值生成，令 Z（1）（k）=0.5x（0）（k）+0.5x（1）（k） （2）则Y= B=（3）对参数列进行最小二乘估计，即=（） （3）(4)建立灰色GM（1，1）模型，得到关于相关行为影响因素的序列模型：（k+1）=(1) - )+ （k=1，2，3n） （4）(5)求的模拟值。（k）=（1），（2），,（K）, （n） （5）(6)还原出的模拟值，即（k）=（k）- （k-1） （6）（7）计算误差后验参数C，p，确定模型精度。其中：后验差比值C和小概率P可按如下公式计算：=（k）-（k） （7）= （8）= （9） （10）3.2 线性回归模型3.2.1 方法概述回归分析也称为解释性预测，它假设一个系统的输入变量和输出变量之间存在着某种因果关系，它认为输入变量的变化会引起系统输出变量的变化。通过研究输入变量与输出变量之间的关系，建立预测模型，明确相互关系的密切程序，然后以输入变量为依据预测输出变量的变化。相关关系 是指两个变量或若千变量之间的伴随发生的随机关系，至于它们之间是否存在因果关系须由随后的定性来判断。当确定定量之间存在相关关系时，总希望能依据易于取得的变量预测与之相关的其它变量，只要两个变量或若干变量之间的相互关系可以用某一个拟合的数学关系式加以表示，那么根据这一回归模型与给定的自变量，就可以估计因变量的预测值，相关分析和回归预测是相辅相成的，只有确定相关关系的形式和性质。预测是否可靠要依赖于回归模型的似合优度，这就必须对回归模型及其参数作出假设检验，并给出置信区间，以便作出区间预测，并给出可靠程度。研究两个变量之间的相关关系称为单相关，与之对应的回归预测称为一元回归预测，研究若干个变量与另一个变量之间的相关关系称为复相关，与之对应的回归预测称为多元回归口如果回归模型的因变量是自变量的一次函数形式，则称为线性回归预测，否则称为非线性回归预测。回归分析法预测的步骤为：(1) 分析确定自变量和因变量；(2) 计算各自变量与因变量之间的相关性，确定合适的自变量；(3) 根据历史数据确定回归方程的参数，并进行假设检验，检验求得的方程是否具有实用价值和可行性；(4) 判断回归方程的可行以后，由自变量计算预测值和置信区间。回归分析法的缺点是要收集较多的观测值，它的预测准确度与样本含量有关，所以付出的代价一般比较大。3.2.2 线性一元回归法线性一元回归有一个假设前提，认为变量之间存在着线性关系，虽然在实际情况中往往不是这种关系，但可以通过适当的办法把它们转换成线性关系。线性一元回归模型只考虑两个变量二和Y 之间的线性关系，假设有n 对观测值,要设法建立一个直线方程，使所有的观测值点到这条直线的距离平方和达到最小，即我们熟知的最小二乘法原则。假设这条直线方程的表达式如下：=a+bx （1）那么每一个观测点距离这条直线的误差：=-=-(a+b) （2）现在要确定一组数(a,b)，使它所对应的误差平方和达到最小：= （3）在最小二乘法的原则下，系数a 和b 是唯一确定的，可由下式估计求得= （4）= （5）其中 (6)3.3季节指数建模1：1）计算12个月供电量移动总和及其平均数，把序列中的“峰”、“谷”拉平具有月季节变动规律的时间序列观察值为y1,y2,，yn，计算（y1+y2+y12）/12,(y2+y3+y13)/12等等，依此类推。2）计算实际数对平均数的比率：该实际数前6个月至后5个月共12个月的平均数的比率，又求出每年中各月的季节变动成份。3）用指数加权平均法计算月季节指数：为了反映未来年份中各月的季节变动成份，我们分别用各年同一月的指数加权平均值，作为该月的季节指数，又提高预测的准确度。指数加序列定义为：a(a(1-a), (7) ,一般， ，经试算分析，取权数a=0.25。4）正月季节指数：12个月季节指数之和应为12，但实际计算结果通常都不是正好等于12。这样，就需对它们进行修正。5）结果：修正的月季节指数乘又由负荷预测模型得到的相应月的模型值，即可作为未来年份各月的预测值。3.4季节指数建模2如果数据序列符合乘积模型故季节指数， 因此等式左边的表示各周期内第j期数据与负荷预测模型的预测值之比。当数据未必严格符合模型时（实际上如此），仍用这个比值来求取季节指数Ij。记具有月季节变动规律的时间序 列观察值为y1,y2,yT,对应的预测模型的预测值为 （8）当t=j,l+j,2l+j,(m-1)l+j（各周期内的同一时刻）时，对应的Pt一般不相等，所又取平均值 （9）J=1，2，3，.，l最后进行规范化，使I1+I2+Il=l，这只需要取 （10）由此得到的季节指数乘以由负荷预测模型得到的相应月的模型值，即可作为未来年份各月的预测值。3.5免疫算法的电力负荷预测综合模型对于同一预测问题，可又采用多种预测模型，任何单一模型都是对实际系统的简化和抽象，其所包含的变量和参数必定有所选择并十分有限，不同的预测模型从不同的角度对系统进行模拟，往往各有特点。综合模型通过对各种方法权值的确定，解决了预测方法选取的困难，充分利用各种预测方法提供的不同有用信息，并加又综合，尽可能地提高预测精度。本软件使用了基于人工免疫算法的电力负荷预测综合模型，该算法在模拟进化算法的基础上，引入了抗体亲和度、抗体浓度、免疫记忆和免疫补充等概念，借鉴了自然免疫形态中的免疫应答机制，不仅吸取了模拟进化算法的并行随机搜索等优点，克服了常规求解参数的解析算法，易陷于局部最优点的不足，有效地提高了预测精度，而且通过模拟生物免疫系统中抗体生存期望的特殊构造来避免算法的早熟收敛，在实际应用中取得了较好的效果。3.5.1算法基本原理 免疫算法的研究始于20 世纪80 年代后期，目前其研究还处于萌芽期，免疫算法的思想来源于人体的免疫系统，它通过模拟免疫系统的学习、记忆等功能来进行模型识别和寻优搜索。免疫算法与一般的确定性优化算法相比，具有以下显著特点:(1)它同时搜索解空间中的一系列的点，不只是一个点；(2)它处理的对象是待求解参数的数字编码串，而不是参数本身；（3)它使用的是目标函数本身，而不是其导数或其它附加高价值信息；(4)它的搜索路径是随机的，而不是确定的。免疫算法与其它非确定性算法(如神经网络法等)之间有如下的区别:(1)在记忆单元的基础上运行，以保证快速收敛于全局最优解；(2)通过计算亲和性，以保证解的多样性；(3)通过促进或抑制抗体的产生，体现了免疫算法的自我调节功能。免疫算法将抗原和抗体分别对应于优化问题的目标函数和可行解，把抗体和抗原的亲和力视为可行解与目标函数的匹配程度；用抗体之间的亲和力保证可行解的多样性；通过计算抗体期望生存力来控制相同可行解的过多产生；用记忆细胞单元保存择优后的可行解来抑制相似可行解的继续产生。3.5.2 算法的主要步骤(1)编码并形成初始抗体群 将各模型的权重系数 W=作为控制变量,随机生成u组标准正态随机数(u为抗体数量),=,i=1,2,L,u。为了满足约束条件，首先运用试凑法以确保随机产生的每个抗体的分量。然后对这些随机数作如下处理：=，i=1，2，L，u （4）经过以上处理得到的初始抗体群体显然 满足式（3）中的约束条件。（2）计算亲和度 抗原与抗原V：之间的亲和度A，可以由目标函数的变换得到：=g（J） （5） 式中 J-目标函数：g（x）-x 的单调函数对于式（5）中的g（x），根据工程问题的实际，进过一些比较，取为目标函数的倒数，=1/J （6）抗体与抗体之间的亲和度反映抗体之间的相似程度，当抗体相似时，亲和度较大，反之相反。对于抗体V和抗体W的亲和度，计算公式如下：=1/（1+） （7）为抗体v与 抗体w的欧氏空间二次泛数意义下的距离：= （8）式中，-抗体v和抗体w的第i（i=1，2，L，m）项的取值。（3）计算抗体浓度计算抗体v的抗体浓度时，将满足一定程度相似的抗体抗体看作同一种抗体计算如下：= （9） （10） 式中 -设定的阈值（4）分化成记忆细胞 当抗体v的浓度超过了阈值时，表明某种抗体在抗体群中占了绝对优势，即达到了一个相对的最优点，产生记忆细胞来记录这个代表了局部最优解的抗体v。由于记忆单元的数目有限，当记忆单位达到上限时用新加入的抗体取代与亲和度最大的原有抗体。( 5)抗体生存率计算和生存选择各个抗体的生存率计算式如下:ev=Av/Cv (11)式(11)表明，与抗原亲和度大的抗体以及浓度低的抗体成活到下一代的能力较强，这样既保存了优秀抗体，又维护了抗体的多样性，使得算法不易早熟收敛。生存选择时，对每一个抗体v，先在整个抗体群中随机选取q 个抗体，然后分别比较抗体v 的生存率与这q 个抗体的生存率，抗体:的生存率大于这q 个抗体生存率的次数就作为抗体v 的得分。对抗体作得分测试时，每次均需重新选择q个抗体组成新的测试群体。最后，根据预先设定的淘汰率e P ，选择得分高的个体进入下一代。淘汰了一些生存率低的抗体后，再随机产生相同数量的抗体，称作免疫补充。6）交叉和变异交叉和变异采用普通遗传算法的一些做法。对于交叉，先任意选择2 个抗体v 和w,再生成一个在0 和1 之间的随机数k，则抗体v和w 可按照如下方法进行交叉:=K +(1-K) (12) =(1-k) +k (13)对于变异，先随机选择一个抗体v，然后生成一个满足约束条件的随机抗体z，再生成一个在0 和1 之间的随机数k，将抗体v 和抗体z 按式(12)进行交叉操作就可以得到抗体v 变异操作的结果了。交叉和变异操作都是按照事先设定的交叉率 Pc和变异率Pm进行的。人工免疫算法的流程如图2 所示。最大选代次数输出结果退出生存选择、交叉和变异开始产生初始抗体计算抗体结合力和浓度HEHHEHHE浓度大于Tc产生记忆细胞图2 人工免疫算法流程3.6 软件应用及案例分析表1 青浦供电分公司2006年月供电量与预测供电量表 万千瓦时月份06年实际值06年预测值误差值1月27628.215031261.9-13.1521%2月25671.266124911.72.9588%3月30205.328031044.2-2.7816%4月28230.965028112.90.4136%5月27550.014127514.70.1225%6月31397.173831502.5-0.3415%7月37911.744937913.2-0.0102%8月40414.873637406.97.4363%9月32551.141633216.5-2.0519%10月29440.941629044.81.3375%11月30610.39463114