學術堂首頁 | 文獻求助論文范文 | 論文題目 | 參考文獻 | 開題報告 | 論文格式 | 摘要提綱 | 論文致謝 | 論文查重 | 論文答辯 | 論文發表 | 期刊雜志 | 論文寫作 | 論文PPT
學術堂專業論文學習平臺您當前的位置:學術堂 > 畢業論文 > 在職碩士論文 > 工程碩士論文 > 電氣工程碩士論文

適用于白銀市月度售電量預測的模型構建

來源:蘭州理工大學 作者:薛麗
發布于:2021-03-19 共7762字

  摘要

  
  售電量是電網企業經營管理的重要經濟指標,也是售電均價、財務收入、電網投資預算等一系列指標計算的基礎數據。由于售電量受到諸多復雜因素影響,很難找到一種“放之四海”皆準的預測方法,既適合于任何地區又適用于各種情況。目前,關于售電量預測的研究有很多,常用的預測方法主要有灰色預測法和時間序列法兩大類,但是這些方法在不同地區、不同售電結構和不同的用電負荷特性的售電量預測中存在一定的局限性。本文旨在研究適用于白銀市月度售電量預測的模型,提高預測準確度,滿足企業工作需要。


適用于白銀市月度售電量預測的模型構建

  
  結合白銀市用電負荷特性,本文按照用電性質、執行電價和國民經濟行業對白銀市用電負荷進行分類,分析售電量變化規律。在此基礎上構建了五種數學模型,通過分析比對仿真預測結果,選取灰色預測和人工神經網絡組合方式作為基礎預測模型,采用差分進化算法對灰色神經網絡預測模型網絡參數進行了優化,并將氣象因素作為影響因子不斷修正預測模型。
  
  為進一步提高預測模型的精度,充分考慮當地用電負荷結構特點,將K-means聚類算法應用到白銀市負荷聚類中,將七類負荷聚為三類。在MATLAB平臺上建立了白銀市月度售電量預測模型,采用聚類后的售電量作為訓練數據,通過與聚類前的預測結果進行對比,結果證明基于數據聚類的差分灰色神經網絡預測模型,能夠進一步提高該市月度售電量預測的精度。
  
  關鍵詞:   售電量預測;灰色神經網絡;差分優化;聚類算法。
  

  Abstract

  
  Electricity  sales  is  an  important  economic  indicator  for  th e  operation  and management  of  Power  Grid  Enterprises,  it  is  also  the  basic  data  of  a  series  of  index calculation  such  as  average  price  of  selling  electricity,  financial  income,  investment budget of power grid, etc. . Electricity sales are affected by many  complicated factors, it is hard to find a "one-size-fits-all" approach to forecasting, which is suitable for the load characteristics of different regions, scholars at home and abroad have paid much attention to it. At present, There are many researches on the forecasting of  electricity sales,the  commonly  forecasting  methods  are  Grey  prediction  method  and  time  series method.  However,  these  methods  have  some  limitations  in  different  areas,  different distribution  structures  and  different  load  characteristics.  The  purpose  of  this  essay  is to develop a method suitable for forecasting the monthly electricity sales in Baiyin to improve the accuracy of forecasting and meet the needs of enterprises.
  
  Combined  with  the  characteristics  of  electric  load  in  Baiyin,  in  this  essay,  the Baiyin Electricity load is classified according to the nature of electricity consumption, the  implementation  price  and  the  national  economy  industry.On  this  basis,  five mathematical  models  are  constructed.By  analyzing  and  comparing  the  emulat ion prediction  results,  the  combination  of  grey  prediction  and  artificial  neural  network  is selected  as  the  basic  prediction  model .The  parameters  of  grey  neural  network prediction  model  are  optimized  by  using  differential  evolution  algorithm, the  forecast model  is  modified  continuously  by  taking  meteorological  factors  as  influencing factors.
  
  In order to improve the accuracy of the prediction model ,this essay combines the characteristics of electric load in Baiyin.  The k-means clustering algorithm is appliedto the load clustering in Baiyin area , seven types of Power load are grouped into three types.  Using  the  clustering  electricity  sales  as  the  training  data,  a  monthly  electricity sales  prediction  model  in  Baiyin  is  established  on  the  MATLAB  platform.  By comparing  with  the  prediction  results  in  the  previous  chapters,  this  differential  grey neural network algorithm based on data clustering can further improve the accuracy of monthly electricity sales prediction.
  
  Key  Words:    Electricity  sales  prediction;  Gray  neural  network;  Differential optimization; Clustering algorithm 。
  

  第1章  緒論
 

  
  1.1、售電量預測的作用及意義。
  

  售電量是供電企業經營管理的重要經濟指標,是供電企業銷售利潤、售電均價、線損等一系列指標計算的基礎數據。售電量預測是在正確的理論指導下,通過調查研究,運用可靠的技術方法和管理手段對售電量的發展趨勢做出科學合理的推斷。隨著我國電力市場經濟體制改革進程不斷加深,能源互聯網建設的不斷推進,區域售電量預測管理已經成為電網規劃、經濟運行的重要課題。電網企業以銷售電量為主營業務,售電量的多少將直接影響企業經營效益,對售電量進行準確的預測利于電力企業制定電網發展規劃,提高供電可靠性。
  
  2006年開始,國家電網公司將月度售電量預測的精度,作為重要管理指標納入了企業負責人業績考核之中。
  
  售電量的發展趨勢受到多種不確定因素的影響,國民經濟發展、季節更替、電價政策調整、市場價格波動以及客戶生產方式調整等,這些不確定因素導致準確預測售電量難度很大。多數情況下,售電量預測仍然依賴于相關工作人員根據歷史數據和個人工作經驗完成,預測方法過于主觀,預測準確率和可靠性不高、隨機性較大。
  
  近年來,關于提高售電量預測水平的研究不斷增多,常用的研究主要集中在時間序列法和基于機器學習的各類預測模型的組建上。但是,由于各地區售電量結構、負荷特性以及經濟發展水平存在較大差異,已有的售電量預測方法很難達到直接在白銀地區應用的要求。出于實際工作需要,本文中,將結合白銀市用電負荷特性和售電結構特點,對白銀市月度售電量預測進行研究,構建一個適用于白銀市的月度售電量預測模型,按照國網公司績效考評標準,將月度售電量預測偏差控制在2.5%以內,提高企業經營管理水平。
  
  綜上,結合白銀市當地用電負荷特性,尋找一種更加科學、系統、客觀、準確率更高的方法,獲得較為準確的區域電網月度售電量預測數據,對當地供電企業的業績考核、電力規劃、財務管理等相關工作都有著重要作用。因此,對白銀市月度售電量預測模型的研究極具現實意義與實用價值。
  
  1.2、 研究現狀。
  
  各種統計學理論是計算機學習和數學建模的基礎,大量關于電力負荷和相關領域預測方法的研究成為售電量預測的重要參考,國內外結合各地實際開展的售電量預測成果也頗為豐富,根據各類預測方法的難易程度和預測方式不同主要分為以下五個方面:
  
  1.  早期數學建模預測法 。
  
  英國數學家R.T.Bayes發揮對數學研究方面的優勢,提出了著名的貝葉斯公式以及一種歸納推理的方法,后來的研究者在該理論的基礎上總結出了一整套統計推斷的方法和系統[1]。貝爾實驗室的Vapnik研究統計學習理論,并在此基礎上提出了一種新的計算機學習方法-支持向量機(Support  Vector  Machines,SVM),它基于結構風險最小化理論,在特征空間中構建最優分類面,使得學習器能夠得到全局最優化。支持向量機(Support  vector  machines,SVM)在非線性、小樣本和高維模式的識別問題中,表現出許多特有的優勢,并在很大程度上克服了“過學習”和“維數災難”和問題[2]。在支持向量機的基礎上,文獻[3]
  
  在支持向量回歸模型(Support Vector Regression ,SVR)中引入股票指數以提高短期負荷預測,這種方法相比傳統的時間序列法預測精度更高;文獻[4]介紹了基于支持向量回歸機的短期負荷預測策略。文獻[5]詳細解析說明了43個MATLAB神經網絡案例,這些案例是建立售電量預測模型的基礎和重要依據。
  
  模糊算法在電力系統的諸多領域中得到廣泛應用,模糊預測法是以模糊數學理論為基礎,將模糊不確定的信息和經驗以規則的形式表示出來,并將這種規則的信息轉換成可以在計算機上運行的算法。文獻[6]提出了一個采用模糊自適應推理和相似性的短期負荷預測方法,并考慮了溫度和濕度對電力負荷的影響。這種方法中,模糊推理用在預測日的相似日的負載曲線校正中,從而獲得對未來電力負荷的預測值。這種模糊推理的方法,能夠進一步提高電力負荷預測結果。
  
  時間序列法在趨勢性較好的平穩序列中具有較好的預測效果,回歸分析法較為全面的考慮了各種因素對月度售電量的影響,應用這些影響因素進行建模預測,取得了一定的效果。但是,現有的研究在考慮溫度對售電量預測的影響時,忽略了在舒適溫度區間內,不會存在采暖和制冷措施的客觀事實。同時,因隨機因子不易被量化,也忽略了隨機變量對售電量預測精度的影響。
  
  2.  人工神經網絡算法 。
  
  人工神經網絡是模仿生物神經對信息的處理方式而建立的,它可以對多種信息處理和復雜算法建立數學模型,通過調整大量的內部節點和相互聯系之間的關系,達到信息處理的目的。神經網絡具有自學習功能和非線性處理的特點,使得神經網絡在眾多領域獲得廣泛應用。截至今天,學者們已經建立了百種人工神經網絡模型,涉及到社會各界的學習算法更是舉不勝數。其中,得到廣泛使用和最具代表性的網絡是反向傳播神經網絡(Back Propagation,BP)。該網絡是在1986年由D.E.Rumelhart和J.L.Mc Cleland提出的,它利用誤差反向傳播算法來訓練神經網絡[7],該算法的主要優點是在有足夠多的隱含層和隱節點的情況下,可以逼近任意的非線性映射關系;同時,它的學習算法屬于全局逼近的方法,具有較好的泛化能力[8]。
  
  3.組合預測模型算法 。
  
  混合預測能夠“博采眾長”,發揮兩種甚至幾種預測模型的最大優勢。文獻[9]為混合模型制定了建模標準,成為后來學者研究和建立混合預測模型的標尺。文獻[10]則將人工神經網絡(Artificial Neutral Network ,ANN)與SVM模型組合,大大節約了模型訓練的時間。二十世紀末,美國華盛頓大學的D.C.Park等人,將傳統模型中很少考慮的天氣因素加入到神經網絡預測模型中[11],使得神經網絡法預測精度進一步提高。近年來,針對時間序列法和回歸分析法存在的不足,不斷有學者通過將多種預測算法進行組合的方式來提高售電量的預測精度。文獻[12]
  
  通過將時間序列法中的X12乘法模型和自回歸移動平均(ARIMA)模型相結合的方式,有效地解決了季節周期分量、趨勢分量和隨機分量相互干擾時對模型預測精度的影響;主要思想是采用X12乘法模型將電力負荷分量分解為季節周期分量、趨勢分量和隨機分量。其次,應用ARIMA模型對趨勢分量進行預測,采用平均法和加權法進行季節周期分量和隨機分量的預測。最后,通過X12乘法模型將三個分量的預測值還原為最終的預測值。
  
  4.  計算機模擬算法 。
  
  社會各界對計算機預測模型的研究和應用,為售電量預測模型的構建提供了一定的參考和思路。2011年,美國學者Saripalli,P等人將云計算引入到電力負荷短期預測中,云計算的核心是將大量用網絡連接的計算機資源統一管理和調度,構成一個計算資源池向用戶按需服務。在文獻[13]中已經將云計算的軟件服務化(Software as a Service, Saa S)應用在電力負荷預測中,它充分利用網絡計算資源,實現可靠的數據采集、存儲和分析,從而有效的提高了預測精度。華北電力大學的王保義教授在文獻[14]中,引入了分布式和multi-agent思想,提升了電力負荷預測算法的準確率。
  
  Map-Reduce編程框架對采用云計算的算法模型進行并行化改進,提高其處理海量高維數據的能力;通過在32節點云計算集群上進行實驗,結果表明,基于該模型的電力負荷預測精度要優于傳統支持向量回歸預測算法,且優于神經網絡算法,這種算法具有優異的并行性能。文獻[15]中研究應用最優子集回歸模型來預測短期電力負荷,文獻[16]用調和聚類分類方法預測電力負荷,文獻[17]將人體舒適度指數納入配電網短期負荷預測中。自回歸條件密度模型、灰色投影改進隨機森林算法、灰色模型和Kalman平滑器、灰色模型和神經網絡組合、改進隨機森林算法等多種計算機模擬算法被應用在負荷預測中[18-24],其中,灰色模型、BP神經網絡模型、最小二乘支持向量機模型[25-29]等在電力負荷預測中得到廣泛應用。與此同時,灰色神經網絡法被大量應用在空氣質量預測、企業商譽價值評估、高考批次線預測等實際工作中[30-32]。
  
  5.  影響因子算法 。
  
  近年來,許多電力從業人士結合實際工作,提出了一些適合本地區應用的售電量預測模型。尹子民、王允平、李曉波等人將部分影響因素加入到灰色預測模型中,構建GM(1,n)模型,從不同方面進行了預測,使得其預測結果更加準確[33-35]。
  
  丁磊明,楊曉雷,黃金波等研究應用經濟指標與電量的相互作用,利用BP神經網絡對電量值進行預測[36],得到了實用性更好的中長期電量預測結果。林麗將大數據挖掘應用到電量預測中,構建了年度用電量預測模型,具有較高的實用價值。楊曉雷將灰色預測和隨機森林組合算法引入電量預測中,并充分利用兩種算法的優點,深入挖掘歷史電量數據和區域相關經濟數據的關聯性,構建預測模型,減小數據預測偏差[37],為地區電量預測工作提供一種新思路。楊曄采用組合預測思路,將兩種單一模型整合為適用于本地區電量預測的新模型,使綜合誤差達到最小化標準[38],有效優化了中長期售電量預測工作。
  
  在售電量預測方法中,也有工作人員對業擴報裝數據與售電量的關聯性加以研究,建立了基于業擴報裝大數據的售電量預測模型[39-41]。文獻[42]為住宅區電力需求建立了預測模型,這種基于支持向量回歸和粒子群優化算法的預測模型,是根據每月的平均溫度、日照強度、電力消耗、風速、實時電價以及居民消費價格指數等,建立了具有14個氣象變量和5個社會變量的短期電力需求預測模型;文獻[43]以意大利夏季售電量數據為例,分析了該地區天氣預報和溫度變化可能對電量需求的影響。氣象因素對電力負荷的影響一度被各位學者關注和重視[44-47],這種將多種影響因素作為變量引入預測模型的方法,對售電量預測研究均有借鑒意義。
  
  綜上所述,本文將根據白銀地區售電量結構特點和實際工作需要,建立適用于白銀地區的售電量預測模型,通過具體算例不斷修正預測算法和預測方式。用真實數據與預測數據分析對比,對預測模型的預測準確度進行評估,驗證模型的有效性和實用性,最終確立最優方案。
  

  【由于本篇文章為碩士論文,如需全文請點擊底部下載全文鏈接】

  
  1.3、 本文研究的主要內容
  1.4、 本章小結
  
  第2章  白銀市售電量特性分析
  
  2.1、白銀市售電量結構
  2.2、白銀市售電量影響因素
  2.3、白銀市售電量數據預處理
  2.4、售電量影響因子歸一化處理.
  2.5、本章小結
  
  第3章  時間序列法在白銀市售電量預測中的應用
  
  3.1、時間序列法基本理論概述
  3.2、預測誤差評價方法
  3.3、時間序列法實證分析
  3.4、本章小結
  
  第4章  白銀市售電量預測數學模型的建立
  
  4.1、白銀市售電量預測線性模型的構建
  4.1.1 、ARMA售電量預測模型
  4.1.2 、ARIMA售電量預測模型
  4.2、白銀市售電量預測組合模型的構建
  4.2.1、灰色模型(Greg Model)
  4.2.2、灰色神經網絡售電量預測模型
  4.2.3、差分灰色神經網絡售電量預測模型
  4.3、本章小結
  
  第5章  基于數據聚類的白銀市月度售電量預測
  
  5.1、白銀市售電量聚類.
  5.2、聚類預測效果評價與改進措施
  5.3、本章小結

  結  論

  本文根據白銀市用電結構和“兩高一低”的負荷特性,通過基于差分進化的灰色神經網絡模型聚類預測方法,對白銀市售電量預測模型進行研究。主要研究過程和結果如下:

  (1)根據月度售電量特性,結合白銀地區實際情況,分析預測誤差產生的主要原因。經分析說明,經濟發展、天氣變化、季節更替、客戶生產狀況、數學模型的實用性、數據資料質量等均是導致白銀市售電量預測誤差的原因。

  (2)收集整理2011年至2016年歷史數據,將2011年至2015年數據作為訓練集,2016年數據作為測試集,先后建立自回歸滑動平均模型(ARMA)、自回歸積分滑動平均模型(ARIMA)、灰色模型以及組合灰色神經網絡模型等四種預測模型,分別得到2016年售電量的預測值。將四種方法得到的預測值與真實值進行比較,對比預測誤差大小。根據當地的氣象數據對預測模型結果進行修正,建立修正的售電量預測模型,結果證明,修正的灰色預測模型,在小樣本的地區售電量預測方面具有較好的精度。

  (3)采用差分進化算法對組合灰色神經網絡模型參數進行了優化,相比單一預測模型和參數未得到優化的模型,優化后的灰色神經網絡模型在白銀市月度售電量預測仿真應用中,預測偏差進一步縮小。

  (4)結合該地區用電負荷特性,將K-means聚類應用到白銀市月度售電量歷史數據處理和預測中,對各聚類預測電量進行再組合,并引入重點負荷隨機因子對預測結果進行修正,使得預測準確率能夠達到實際工作需要。

  綜上所述,通過對白銀市售電量預測模型的研究,表明在不同用電特性、不同用電結構的地區,售電量預測模型的建立具有很強的個性差異。在白銀市月度售電量模型建立過程中,一是考慮了天氣因素對售電量的影響,并對相關模型進行修正;二是應用灰色模型和人工神經網絡進行組合預測,并對組合模型進行進一步優化;三是采用的K-means方法將各分類售電量進行聚類,應用聚類數據訓練已建數學模型,并對聚類電量分別預測。同一個預測模型,對比售電量整體預測與聚類預測的精度,分類預測能夠降低模型預測誤差。最后,結合該地區負荷特性和工作需要,將35k V及以上重點負荷作為隨機因子對數據進行再處理,最終得到改進差分灰色神經網絡算法,將預測精度提高到最優。

  當前,國內電企改革在如火如荼的開展,售電量預測能力的強弱將成為售電市場競爭的關鍵因素。隨著計算機技術的飛速發展,以計算機為導向的售電量預測已廣泛應用于電力系統服務。在未來,隨著智能電表、電力物聯網等新技術的普及,數據采集和歷史數據獲取方面將變得更加便捷高效,通過建立更加全面的多維歷史數據庫,將使售電量預測準確率得到進一步的提高。

  在本文中,利用MATLAB平臺建立了不斷修正的白銀市月度售電量預測方法。但理論模型的建立難以滿足當前電力預測需求市場。由于時間、個人能力和數據收集條件所限,研究中還存在許多不足,一些影響售電量的因素未能納入預測模型中。如:為減少化石燃料消耗引起的環境問題,節能環保的電動汽車已經在城市地區推廣使用,有些公交車站已經建立了大型的快速充電樁,城市地區的售電量會急速的增長;再者,與全國60多個資源枯竭新城市一樣,白銀市礦產資源枯竭,產生了經濟、社會、環保等一系列問題,白銀的產業結構正在快速的轉型和升級,用電結構也將進一步發生大的轉變。在未來的售電量預測中,應將這些隨時代變化的主要因素考慮到建模研究中,才能增加預測的準確率。此外,各種影響因素的權重也非常重要。一些不確定因素,如緊急情況和異常天氣仍然會對負荷預測產生影響,這些隨機因素用灰色神經網絡預測模型無法具體體現。

  今后,一方面應利用大數據的手段,全面挖掘影響售電量變化的相關因素,并且考慮其累積效應,以提高電力企業的決策能力和電力供需預警能力,加強對于其他影響因素變化的應性和前瞻性。另一方面需加強重要用電客戶的用電計劃管理,對用電量排名在本地區前100名的大客戶逐戶預測,建立大客戶檢修、停產、變更或新裝增容等隨機事件數據庫,將這部分電量分別預計,再與通過數學模型預測的其他售電量進行組合;或根據供電企業供電范圍,化小預測區域進行預測,實現預測準確率的不斷提高。

  參考文獻.

作者單位:蘭州理工大學
原文出處:薛麗. 白銀市售電量預測模型研究[D].蘭州理工大學,2020.
    相關內容推薦
相關標簽:
  • 報警平臺
  • 網絡監察
  • 備案信息
  • 舉報中心
  • 傳播文明
  • 誠信網站
学生的妈ma中韩双字免费观看