基于PSO混沌神经网络电力系统负荷预测_11_15

验，通过直观的方法对过去和现在发生的问题进行综合分析，从中找出规律，对今后的发展趋势和前景做出主观推测。它的优点在于可以在缺乏统计数据和原始资料的情况下，做出比较正确的判断和推测，且简单易行。其缺点在于预测误差依赖于对专家的选取，一般精度不是很高。定量预测是用数学、概率论与数理统计或智能的方法对历史数据进行处理，具体也分为两种，一是统计预测，它是基于数学、概率论与数理统计的方法，认为将来是过去和现在的自然延伸，常用的方法有回归分析法和时间序列分析方法等[5][6]；二是智能预测，它是将现代智能方法运用于预测领域的结果，主要有人工神经网络方法[7-9]、模糊预测方法[10] [11]、专家系统方法[12] [13]、灰色系统理论[14]等。

这些方法都在电力系统负荷预测中得到了应用，但各有局限。因此综合各种预测模型优点的组合方法得到了越来越多的关注。优选组合预测有两种概念，一是指将几种预测方法所得的预测结果，选取适当的权重进行加权平均的一种预测方法；二是指在几种预测方法中进行比较，选择拟合度最佳或标准差最小的预测模型作为最优模型进行预测。

组合预测方法是建立在最大信息利用的基础上，它集合多种单一模型所包含的信息，进行最优组合。因此，在大多数情况下，通过组合预测可以达到改善预测结果的目的。如文献[15]提出了使用自适应模糊神经网络进行负荷预测的方法；在文献[16] 、[17]中，作者列举出人工神经网络ANN和模糊控制相结合的电力系统负荷预测方法，文献[18]提出的基于灰色理论和神经网络的电力系统负荷预测方法也具有很好效果。

由于电力系统的负荷要受到很多因素的影响，如负荷构成，负荷随时间变化规律，气象变化的影响及负荷随机波动。按照系统负荷构成，不同的负荷有着不同的变化规律，而且一个地区负荷往往含有几种类型的负荷，比例不同。各类用电负荷的时间变化规律是不同的，由它们构成的系统负荷有不同的变化规律。气象对负荷有明显的影响[19] [20]，气温、阴晴、降水和大风都会引起负荷的变化，对每一电网随机波动负荷大小是不相同的。基于影响负荷预测的众多不同的因素，迄今为止还没有开发出一种适合于不同地区的通用方法，因此研究适用于具体系统的负荷预测模型已成为电力系统调度自动化中的一个重要课题。

1.趋势外推法

负荷的变化一方面有其不确定性，但在一定条件下，又存在着明显的变化趋势，一旦找到了负荷的变化趋势，按照该变化趋势就能对未来负荷情况做出判断，这就是趋势外推技术。主要的负荷变化趋势有水平趋势、线性趋势及季节性趋势等，他们的共同特点就是只针对趋势进行外推，不对其中的随机成分做统计处理。累加预测法可以拟合多项式趋势，使用累加法常数表，可很快确定有关系数，计算简单，方法实用性较强，比较适合于负荷预测中。

2．时间序列法

时间序列法是根据负荷的本身历史规律来进行预测的。在神经网络方法出现之前，时间序列方法是比较成功和应用最广泛的方法。其主要数学模型有AR模型、MA模型和ARMA模型等。时间序列法通过对历史数据的外推来获得未来的预测值。模型假设负荷趋势是平稳的，把任何不正常的点看成是坏数据。它的缺点是不能够充分考虑天气信息和其他任何非负荷因素。

3．回归分析法

回归分析法是根据历史数据以及一些影响负荷变化的外来因素来推断将来时刻的负荷值，主要采用多元线性回归模型建立负荷与影响其变化的因素之间的关系。影响负荷变化的因素很多，主要有温度，时间以及一些随机因素，其中温度尤其突出。

4．灰色预测法

灰色系统理论是我国学者邓聚龙教授首先在国际上提出来的，其显著特点就是用少量的数据做微分方程建立起预测的模型。在将一定范围内变化的历史数据列进行累加，使其变成具有指数增长规律的上升形状数列，可以对生成的这个形状数列建立起GM （grey model）模型，GM（1，n）也就是对n个变量用一阶微分方程建立的灰色模型。而在负荷预测中最常用的则是GM（1，1）模型，数列的生成方式有三种：累加生成、累减生成和级比生成。

灰色预测法具有要求负荷数据少、不考虑变化趋势、运算方便、预测精度高、易于检验等特点，因此得到广泛应用，并取得了令人满意的效果。但是它与其他方法比，也存在一定局限性。一是当数据离散程度越大，即数据灰度越大，则预测精度越差；二是真正具有实际意义、精度较高的预测值，仅仅是最近的一、两个数据，对于周预测中后几天的预测值将会有较大的偏差。

5．人工神经网络预测方法

负荷预测是人工神经网络在电力系统中的主要应用部分。由于其具有高度非线性泛化和并行处理能力，不依赖于人工的经验，通过学习获得系统输入和输出间的函数连接关系。神经网络不是首先确定一个函数形式，而是通过训练历史数据，得出天气变量和预测负荷的关系。它具有信息记忆、自主学习、知识推理和优化计算的特点，其自学习和自适应功能是常规算法和专家系统所不具备的。用于负荷预测的人工神经元网络主要有BP网、RBF网、Hopfield网、Kohonen自组织特征映射等。

6．专家系统法

专家系统方法是一种人工智能的计算机程序系统，这些程序具有相当于某个专门领域的专家的知识和经验水平，以及解决专门问题的能力。专家系统的基本组成如图 1.1所示。

负荷预测离不开预测人员的丰富经验和判断能力，尤其在特殊的节假日以及有重大活动和突发事件的时候，但是专家的知识转化为数学规则是一件非常困难的事情，更多的人工调节是在程序预测结果出来后的调节和修正。

图1.1 专家系统的基本组成

7．模糊控制方法

模糊控制方法首先将负荷预测的输入、输出空间划分为不等的模糊集合，如高、中、低等，然后用一组模糊规则来表示负荷预测输入、输出间的关系。每一条模糊规则是一个模糊If-Then 关系，关系前件是对各输入变量不同模糊集合的组合，关系后件是输出变量表达式，输出变量表示为各输入变量的线性组合。

随着电力系统的不断健全和完善，对负荷预测精度的要求也不断提高，因此，找到合适的预测方法和提高预测精度是负荷预测的关键。提高预测精度的途径归纳起来可概括为两个方面：一是在预测过程中设法计及各种相关因素（如气象因素）对预测结果的影响；二是积累历史数据，总结经验，改进预测模型与方法，采用组合模型法。本论文主要针对提高负荷预测精度进行了以下方面的主要工作：

1．研究由混沌神经元构成的混沌神经网络动力学特征，确定神经网络的输入变量和输出变量。为了提高网络泛化能力，将数据样本分为训练样本和预测样本，建立混沌神经网路结构。

2．分析电力系统负荷变化的内在和外在因素，对其中输入数据做归一化和模糊化处理，输出数据作反变换，利用训练样本基于粒子群优化算法训练混沌神经网路模型，使模型误差达到精度要求，保存模型。

3．为了提高算法收敛精度，对粒子群优化算法进行改进，将改进后的粒子群优化算法与混沌神经网络结合，形成粒子群-混沌神经网络混合算法。并应用此混合算法建立负荷预测模型，进行负荷预测。

4．利用预测样本对模型进行预测，使其达到预测精度，提高泛化能力。

5．运用实际算例，验证上述方法的可行性及有效性。

领域专家

系统用户

1.1 负荷预测的概念及分类

电力负荷预测就是在考虑一些重要因素（如系统运行特性、增容决策、自然条件与社会影响）的条件下，研究或利用一套系统地处理过去和未来负荷的数学方法，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数值[2l]。

电力负荷预测是供电部门的重要工作之一，准确的负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，保证社会的正常生产和生活，有效地降低发电成本并提高经济效益和社会效益。

负荷预测分为超短期负荷预测、短期负荷预测和中、长期负荷预[22]。一般说来，1 h 以内的负荷预测为超短期负荷预测，用于安全监视、预防性控制和紧急状态处理。特点是：a、预测时间短，由于温度等因素变化比较缓慢，预测中可以不考虑温度的影响，但对一些特别天气事件，要根据经验考虑；b、要求模型预测速度快，模型本身必须有在线预测功能；c、预测精度要求高。目前主要算法是线性外推方法、神经网络预测法等。

日负荷和周负荷预测为短期负荷预测，分别安排日调度计划和周调度计划，包括确定机组的启停、调峰、水火电的协调、联络线交换功率、水库调度等。基于人工和模糊神经网络的特点是：a、周期性强，1天或1周的负荷具有很强的规律性；b、天气影响很大，模型必须能够考虑各种天气因素的影响；c、受节假日重大事件的影响，必须与正常的负荷区分开。主要算法有指数分析法、回归分析法、灰色模型法、人工神经网络预测法、组合预测法等。

月负荷预测为中期负荷预测，主要确定水库的运行方式、机组的发电安排和大修计划等。特点是：a、预测时间长，计算速度没有特殊要求；b、规律性强，一年12个月负荷具有很强的规律性（季节性、趋势性、周期性）；c、气温、气候影响很大，模型必须能够考虑这些因素的影响；d、用电量和预测区域负荷构成、工农业构成比例有关。

电源发展规划，需要数年至数十年的长期负荷预测，包括电量和电力的预测。1.2 负荷预测的特点

负荷预测是根据电力负荷的过去和现在推测它的未来数值，需要采用适当的预测技术和模型，推导负荷的发展趋势和可能达到的状况。其特点如下：

一、负荷预测的不准确性

预测学本身是一个研究不确定问题的理论和方法。电力负荷未来的发展也是不确定的，它受多种多样复杂因素的影响，而且各种影响因素也是发展变化的。人们对于这些发展变化有些能够预先估计，有些却很难事先预见到，加上一些临时情况发生变化的影响，因此就决定了预测结果的不准确性，或者说不完全准确性。

二、负荷预测的条件性负荷预测的预测过程是一个由历史向未来递推的过程，是在一定条件下做出的。条件可分为必然条件和假设条件两种。如果真正掌握了电力负荷的本质规律，那么预测条件就是必然条件，所做出的预测往往是比较可靠的。而在很多情况下，由于负荷未来发展的随机性，需要一些假设条件，给出负荷预测的结果就是基于这种假设的前提。这些假设条件不能毫无根据地凭空假设，而应根据研究分析，综合科技前沿与学术评论各种情况得来。

三、负荷预测的时间性

各种负荷预测都有一定的时间范围，因此，要求有比较确切的数量概念，往往需要确切地指明预测的时间。

四、负荷预测的地区效应

在不同的负荷地区，负荷构成的比重不同，因此，影响负荷的因素有所不同。一般说来，大电网负荷变化有较强的统计规律性，预测结果较准确，而地区级电网的预测精度则相对低一些[23] [24]。

电力系统负荷预测存在的主要问题有以下几个方面：

1．负荷历史数据的坏数据处理

负荷的历史数据一般来源于SCADA数据库，由于系统中各终端的各种误差，数据库中的数据经常会受到污染。常见的有毛刺、某一段数据突然变大或变小、和数据的不正常波动等。而冲击负荷比较大的地区，负荷数据的过分波动不利于掌握负荷的变化趋势，增加了负荷分析的难度。因此在用历史数据进行训练和预测前，坏数据的辩识与修正是必须要做的工作。即确定某条曲线中存在坏数据，然后找出坏数据在曲线中的位置，将其剔除掉并进行修正。

2．节假日的负荷预测

在国家法定节假日（元旦、春节、五一和国庆）期间负荷与平时相比明显降低，尤其是春节更是持续长时间、大幅度的曲线下降和变形。节假日负荷一般要求提前十天到半个月左右做出预测，节假日的预测一直是负荷预测的难点之所在。由于数据量较少，参考上一节假日相隔时间又长达一年，无法形成足够有效的样本集使得神经网络方法不能使用于节假日预测中，需要结合传统的多种方法另找途径。

3．单一预测模型的缺陷

传统的预测方法不能考虑气象或者考虑气象不充分，神经网络的权值训练需要大量的时间，对样本集的要求也比较高，必须建立合理的辅助模型来弥补各个模型的缺点。

1.3 电力负荷预测的基本原理

负荷预测工作是根据电力负荷的发展变化规律，预计或判断其未来发展趋势和状况的活动，以下是预测工作的基本原理。这些原理一方面证明了负荷预测的科学性，另一方面又可根据不同的原理组成不同的预测方案[25]。

一、可知性原理