基于灰色神经网络组合模型的日最高负荷预测

《基于灰色神经网络组合模型的日最高负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、维普资讯http://www.cqvip.com第36卷第2期要杂电力Vo1．36No．2EastChinaEIectricPower2008年2月Feb．2008基于灰色神经网络组合模型的日最高负荷预测卢建昌，韩红领(华北电力大学工商管理学院，河北保定071003)摘要：针对电力日最高负荷受多种因素影响，变化趋势复杂，难以通过建立准确的数学模型进行预测的问题，提出灰色动态模型对电力日最高负荷进行预测，在此基础上构造了灰色神经网络组合预测模型。该模型避免了变权组合预测模型的主观与繁琐，能有效地将灰色预测弱化数据序列波动性的优

2、点和神经网络较强的非线性适应能力相融合。算例结果表明该方法的可行性和有效性，预测精度也得到了改善。关键词：电力系统；灰色系统；组合预测；神经网络；日最高负荷基金项目：华北电力大学校博科研基金项目资助(200512010)．作者简介：卢建昌(1969一)，男，副教授，研究方向为负荷预测及电力经济。中图分类号：F407文献标识码：A文章编号：1001—9529(2008)02-0060-04Dailypeakloadforecastbasedoncombinedmodelsofgraysystemsandneuralnetwor

3、ksLUJian—chang，HANHong—ling(SchoolofBusinessAdministration，NorthChinaElectricPowerUniv．，Baoding071003，China)Abstract：Thedailypeakloadissubjecttovariousfactorsanditsehan~ngtrendisdificulttoforecastbytraditionalmathematicmodels．Tosolvetheproblem，thegraydynamicmodelis

4、proposedalldbasedonthatthecombinedfore—castmodelofgraysystemandneuralnetworkwasconstructedwhichavoidsthesubjectivityandcomplexityoftheweight—variationforecastmodelandeffectivelycombinestheadvantagesofthegraysysteminweakeningthedatase—quencefluctuationandthatofthene

5、uralnetworkinnon—linearityadaptability．Examplecalculationprovesthemethodfeasible，effective，andaccurate．Keywords：powersystem；graysystem；combinedforecast；neuralnetwork；dailypeakload电力系统日最高负荷的预测有利于电网的计络模型相结合对日最高负荷进行组合预测。划与平衡。由于日最高负荷受多种因素影响，要1灰色预测原理及模型全面考虑所有因素是十分困难的，各种

6、单一的日最高负荷预测方法并不能取得满意的结果，将多灰色系统理论和方法的核心是灰色模型，灰种不同的预测方法进行适当组合，综合利用各种色模型是以灰色生成函数概念为基础，以微分拟方法提供的信息，便形成组合预测方法。组合预合为核心的建模方法。一切随机量都是在一定范测模型将各种预测效果进行总体性综合考虑，比围内、一定时间段上变化的灰色量和灰过程，对于单个预测模型更系统、更全面，更有效地提高预测灰色量的处理不是寻求它的统计规律和概率分精度。文献[1]将改进的灰色模型用于在线的短布，而是将杂乱无章的原始数据序列通过一定的期用电量预测，文献

7、[2]则将灰色模型与马尔科处理方法弱化波动性，使之变为比较有规律的时夫链相结合进行预测，文献[3，4]将组合灰色神间序列数据，再建立用微分方程描述的模型。经网络用于网供电量的季节性预测，取得了比单本文采用GM(1，1)、DGM(2，1)和Verhulst三种一预测模型高的预测精度。文献[5，6]提出通过灰色模型分别对电力日最高负荷进行建模预2贝0。等维新息的灰色变权组合预测。文献[7]考虑了1．1灰色GM(1，1)预测模型灰色模型的维数及微偏性，以提高负荷预报的性GM(1，1)是单序列一阶线性模型，GM(1，1)能。文献[8

8、，9]采用相似日和决策树算法对日特模型的本质是通过对原始数据序列的累加生成，征负荷进行预测。本文将灰色GM(1，1)模型、灰弱化随机扰动因素的影响，发现其指数增长规律，色GM(2，1)模型和灰色Verhulest模型与神经网然后用指数曲线进行模拟，用微分方程来逼近拟维普资讯http://w