PDF《基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测》

9 -

1 0 ] .日期类型 对电力负荷的影响主要体现在工作日与休息日( 周 末和节假日) 之间的用电量差距[

1 1] .因而本文选取 气象因素和日期类型作为负荷的主要影响因素, 来 对电力负荷进行预测. 1.

2 选取相似日粗集 把影响负荷的主要影响因素作为选取相似日粗 集的指标, 通过下述相似日粗集选取规则选取相似 日粗集.由天气预报得知待测日的气象数据, 从历 史日中选出最高温度与待测日相差±3 ℃以内的样

7 6 第4 2卷第2 0期2018年1 0月2 5日Vol.42N o .

2 0O c t .

2 5,

2 0

1 8 D O I :

1 0.

7 5

0 0 / A E P S

2 0

1 8

0 1

2 5

0 0

4 本组成集合 A;

从集合 A 中选出最低温度与待测日 相差±3 ℃以内的样本组成集合 B;

从集合 B 中的 选出平均温度与待测日相差±3 ℃以内的样本组成 集合 C;

从集合C中选出降雨量与待测日相差±3mm 以内的样本组成集合 D;

从集合 D 中选出 日期类型( 工作日、 节假日、 周末) 与待测日一致的样 本组成集合E, 则集合E 为相似日粗集. 此过程只是选取出了与待测日具有粗糙相似的 日期类型和气象特征的历史日, 为了提高预测精度, 再运用灰色关联分析方法[

1 2] , 在相似日粗集中进一 步抽取与待测日具有高度关联的若干历史日, 以这 些历史日作为下一步预测模型的训练样本, 无疑将 会较大地提高负荷预测的精度[

1 3] . 1.

3 量化影响因素 温度和降雨量以及日期类型的数量级和单位都 不相同, 不能做进一步计算, 如要进一步计算各相似 日粗集中的样本与待测日的灰色关联度, 需要对各 影响因素进行量化, 从而方便相似度的计算.本文 参考文献[

1 4 ] 对日期类型的与气象数据进行量化来 定性描述日期类型与气象因素对短期电力负荷预测 的影响.因其只对降雨类型做了量化, 这样量化不 够精细, 因此本文参照其方法对降雨量根据区间进 行量化, 如表1所示. 表1 降雨量区间及其量化值 T a b l e1 R a i n f a l l i n t e r v a l a n d i t sq u a n t i f i e dv a l u e 降雨量/ mm 量化取值

0 1.

0 0~1

0 1.

5 1 0~2

5 2.

0 2 5~5

0 2.

5 5 0~1

0 0 3.

0 1

0 0~2

5 0 5.

0 1.

4 改进灰色关联分析方法 关联分析的基本思想是根据数据序列的相似程 度来判断关联程度[ 7,

1 2 ] , 是灰色系统理论提出的一 种分析系统中各因素关联程度的方法.传统灰色关 联分析法使用两个数据序列之差的绝对值计算关联 度, 只考虑了数据序列之间的几何相似程度, 而忽略 了数值接近程度.如果两条曲线平行, 以传统灰色 关联分析法计算出二者关联度为1, 实则两条曲线 的关联度不为1, 计算出的关联度与实际不符. 本文从两个角度分析两条特征曲线的关联度, 两条特征曲线各点的差越接近0或者商越接近1, 则两条特征曲线越接近.提出一种融合差方式和除 方式的灰色关联分析方法, 从形状和距离上定义综 合灰色关联度.改进灰色关联度步骤如下.

1 ) 构造特征矩阵 由各影响因素的值组成特征向量 X, 待测日特 征向量以 X0 = [ x0 ( 1) , x0 ( 2) , …, x0 ( m) ] 表示. 相似日粗集中的每日的特征向量以 X1, X2, …, Xn 表示, 这n+1个序列构成一个 m *( n+1) 阶的特 征矩阵如式(

1 ) 所示. [ X0 X1 X2 … Xn ] = x0(

1 ) … xn (

1 ) ? x i( k) ? x0( m) … xn ( m) é ? ê ê ê ê ù ? ú ú ú ú (