电力负荷预测毕业论文中英文资料外文翻译文献

中英文资料

中英文资料外文翻译文献

基于改进的灰色预测模型的电力负荷预测

[摘要]尽管灰色预测模型已经被成功地运用在很多领域，但是文献显示其性能仍能被提

高。为此，本文为短期负荷预测提出了一个GM（1，1）—关于改进的遗传算法（GM（1，1）-IGA）。由于传统的GM（1，1）预测模型是不准确的而且参数?的值是恒定的，为了解决这个问题并提高短期负荷预测的准确性，改进的十进制编码遗传算法（GA）适用于探求灰色模型GM（1，1）的最佳?值。并且，本文还提出了单点线性算术交叉法，它能极大地改善交叉和变异的速度。最后，用一个日负荷预测的例子来比较GM（1，1）-IGA模型和传统的GM（1，1）模型，结果显示GM(1，1)-IGA拥有更好地准确性和实用性。 关键词：短期的负荷预测，灰色系统，遗传算法，单点线性算术交叉法

1

中英文资料

第一章 绪论

日峰值负荷预测对电力系统的经济，可靠和安全战略都起着非常重要的作用。特别是

用于每日用电量的短期负荷预测（STLF）决定着发动机运行，维修，功率互换和发电和配电任务的调度。短期负荷预测（STLF）旨在预测数分钟，数小时，数天或者数周时期内的电力负荷。从一个小时到数天以上不等时间范围的短期负荷预测的准确性对每一个电力单位的运行效率有着重要的影响，因为许多运行决策，比如：合理的发电量计划，发动机运行，燃料采购计划表，还有系统安全评估，都是依据这些预测??。传统的负荷预测模型被

1分为时间序列模型和回归模型?2,3,4?。通常，这些模型对于日常的短期负荷预测是有效的，

5,6,7?但是对于那些特别的日子就会产生不准确的结果?得比较满意的结果需要大量的计算工作。

灰色系统理论最早是由邓聚龙提出来的?8,9,10?。此外，由于它们的复杂性，为了获

，主要是模型的不确定性和信息不完整的

分析，对系统研究条件的分析，预测以及决策。灰色系统让每一个随机变量作为一个在某一特定范围内变化的灰色量。它不依赖于统计学方法来处理灰色量。它直接处理原始数据，来寻找数据内在的规律??。灰色预测模型运用灰色系统理论的基本部分。此外，灰色预测

11可以说是利用介于白色系统和黑色系统之间的灰色系统来进行估计。

信息完全已知的系统称为白色系统；相反地，信息完全未知的系统称为黑色系统。灰色模型GM（1，1）（即一阶单变量灰色模型）是灰色理论预测中主要的模型，由少量数据（4个或更多）建立，仍然可以得到很好地预测结果??。灰色预测模型组成部分是灰色微

12分方程组——特性参数变化的非常态微分方程组，或者灰色差分方程组——结构变化的非常态差分方程组，而不是一阶微分方程组或者常规情况下的差分方程组??。灰色模型GM

13（1，1）有一个参数?，它在很多文章里经常被设为0.5，这个常数?可能不是最理想的，因为不同的问题可能需要不同的?值，否则可能产生错误的结果。为了修正前面提到的错误，本文尝试用遗传算法来估算?值。

John Holland 首先描述了遗传算法（GA），以一个抽象的生物进化来提出它们，并且给出了一个理论的数学框架作为归化??。一个遗传算法相对于其他函数优化方法的显著特

14征是寻找一个最佳的解决方案来着手，此方案不是以一个单一逐次改变的结构，而是给出一组使用遗传算子来建立新结构的解决措施??。通常，二进制表示法应用于许多优化问题，

15但是本文的遗传算法（GA）采用改进的十进制编码表示方案。

2

中英文资料

本文打算用改进的遗传算法（GM(1,1)-IGA）来解决电力系统中短期负荷预测（STLF）中遇到的问题。传统的GM（1，1）预测模型经常设定参数?为0.5，因此背景值z?1??k?可能不准确。为了克服以上弊端，用改进的十进制编码的遗传算法来获得理想的参数?值，从而得到较准确的背景值z?1??k?。而且，提出了单点线性算术交叉法。它能极大地改善交叉和变异的速度，使提出的GM（1，1）-IGA能更准确地预测短期日负荷。

本文结构如下：第二章介绍灰色预测模型GM（1，1）；第三章用改进的遗传算法来估算?；第四章提出了GM（1，1）-IGA来实现短期日负荷预测；最后，第五章得出结论。

3

中英文资料

第二章 灰色预测模型GM（1，1）

本章重点介绍灰色预测的机理。灰色模型GM(1,1)是时间序列预测模型，它有3个基本步骤：（1）累加生成，（2）累减生成，（3）灰色建模。灰色预测模型利用累加的原理来创建微分方程。本质上讲，它的特点是需要很少的数据。

灰色模型GM（1，1），例如：单变量一阶灰色模型，总结如下：

第一步：记原始数列：

0000 x?0?=x???1?,x???2?,x???3?,...,x???n?

??x?0?是n阶离散序列。x?0??m?是m次时间序列，但m必须大于等于4。在原始序列x?0?的基础上，通过累加的过程形成了一个新的序列x?1?。而累加的目的是提供构建模型的中间数据和减弱变化趋势。x?1?定义如下：

11111 x???x???1?,x???2?,x???3?,...x???n?

??有 x?1??1??x?0??1?， x?1??k???x?0??m?,k?2,3?n

m?1k则 x?r??r???r?r?xx?1?,x?2?,?x?r??3,?...????n是r次累加序列。

第二步：设定?值来预测z?1??k?

通过GM（1，1），我们可以建立下面的一阶灰色微分方程：

dx???ax?1??b dt1它的差分方程是x?0??k??az?1??k??b。 a称为发展系数，b称为控制变量。 以微分的形式表示导数项，我们可以得到：

????dx?1?x?k?1??x?k?11??x???k?1??x???k? dtk?1?k11在一个灰色GM（1，1）模型建立前，一个适当的?值需要给出以得到一个好的背景值

z?1??k?。背景值序列定义如下：

4

中英文资料

z?1??z?1??1?,z?1??2?,??z?1??n?

其中，

111 z???k???*x???k???1???*x???k?1?,k?2,3?n,0???1

?? 为方便起见，?值一般被设为0.5，z?1??k?推导如下：

?x?1??k??x?1??k?1??? z?1??k???2然而，这个常量?可能不是最理想的，因为不同的场合可能需要不同的?值。而且，不管是发展系数a还是控制变量b都由z?1??k?值确定。由于系数?是常量，原始灰色信息

??0??k?值的准确性将会严重的降低。的白化过程可能被抑制。因此，GM（1，1）模型中预测x为了修正以上不足，系数?必须是基于问题特征的变量，因此我们用遗传算法来估算?值。

第三步：构建累加矩阵B和系数向量xn。应用普通最小二乘法（OLS）来获得发展系数a，

b。如下：

??z?1??2???1???z?3? B??????z?1??n??1??1? ???1??T?0??0??0?xn??x2,x3,?,x?????n????

于是有

????BT*B??1*BT*X ?a?,bn??T第四步：获得一阶灰色微分方程的离散形式，如下：

解得x??为

1???ak???0?bb???k?1???x?1???*e? x????aa???1? x?0?为

?0??1??1??a???ak??0?b??k?1??x??k?1??x??k???e?1?*?x?1???*e? x???a??

5