基于改良灰色理论的电网短期负荷预测算法

计算机与现代化 ›› 2021, Vol. 0 ›› Issue (03): 24-27.

基于改良灰色理论的电网短期负荷预测算法

(1.南昌工程学院机械与电气工程学院,江西南昌330099;2.国网浙江省电力有限公司庆元县供电公司,浙江庆元323800;
3.广西大学电气学院,广西南宁530004)

出版日期:2020-03-30 发布日期:2021-03-24
作者简介:许惠君(1979—),女,江西乐平人,副教授,硕士,研究方向:电力系统优化与调度，E-mail: 7219958@qq.com; 王宗耀(1980—),男,江西吉安人,讲师,硕士,研究方向:电力系统优化与调度,E-mail: 26807091@qq.com。
基金资助:
国家自然科学基金资助项目(61961025); 江西省科技厅项目(20151BBE50103)

Short Term Load Forecasting Algorithm Based on Improved Grey Theory

(1. College of Mechanical and Electrical Engineering, Nanchang Institute Technology, Nanchang 330099, China;
2. State Grid Qingyuan Power Supply Company, Qingyuan 323800, China;
3. College of Electrical Engineering, Guangxi University, Nanning 530004, China)

Online:2020-03-30 Published:2021-03-24

摘要/Abstract

摘要： 在分析传统灰色负荷预测理论与GM（1，n）模型的基础上，再次对GM（1，n）模型进行改进，以解决由于传统的灰色理论对原始数据要求的严格造成预测结果误差较大的问题。实验表明，用此方法建立的负荷预测模型，在预测精度上有较大的提高，为今后灰色理论模型的改进提供了一定的依据。

关键词: 负荷预测, 灰色理论, GM（1, n）模型

Abstract: Based on the analysis of the traditional grey load forecasting theory and GM (1, n) model, the GM (1, n) model is improved again to solve the problem of large error of forecasting results due to the strict requirements of the traditional grey theory on the original data. The experiment shows that the load forecasting model established by this method has a great improvement in the forecasting accuracy, which will be helpful for the future grey theory.

Key words: load forecasting, grey theory, GM (1, n) model

许惠君, 王宗耀, 李中庆, 李鹏飞, 周鑫康 . 基于改良灰色理论的电网短期负荷预测算法[J]. 计算机与现代化, 2021, 0(03): 24-27.

XU Hui-jun , WANG Zong-yao , LI Zhong-qing , LI Peng-fei , ZHOU Xin-kang . Short Term Load Forecasting Algorithm Based on Improved Grey Theory [J]. Computer and Modernization, 2021, 0(03): 24-27.

参考文献［23］

［1］	王惠中,周佳,刘轲. 电力系统短期负荷预测方法研究综述［J］. 电气自动化, 2015(1):1-3.
［2］	黄玉龙,刘明波,郑文杰,等. 基于可信区间的模糊线性回归动态负荷参数预测［J］. 电工技术学报, 2015(24):196-205.
［3］	马天男,牛东晓,黄雅莉,等. 基于Spark平台和多变量L2-Boosting回归模型的分布式能源系统短期负荷预测［J］. 电网技术, 2016(6):1642-1649.
［4］	YILDIZ B， BILBAO J I， SPROUL A B． A review and analysis of regression and machine learning models on commercial building electricity load forecasting［J］． Renewable and Sustainable Energy Reviews, 2017(73):1104-1122.
［5］	TARSITANO A, AMERISE I L. Short-term load forecasting using a two-stage sarimax model［J］. Energy, 2017(5):108-114.
［6］	刘宝英,杨仁刚. 基于主成分分析的最小二乘支持向量机短期负荷预测模型［J］. 电力自动化设备, 2018(11):13-17.
［7］	吴潇雨,和敬涵,张沛,等. 基于灰色投影改进随机森林算法的电力系统短期负荷预测［J］．电力系统自动化, 2015,39(12):50-55.
［8］	王正新. 基于傅立叶级数的小样本振荡序列灰色预测方法［J］. 控制与决策, 2014(2):270-274.
［9］	廖峰,刘清良,贺辉,等. 基于改进灰色模型与综合气象因素的母线负荷预测［J］. 电网技术, 2011(10):183-188.
［10］	李伟,韩力. 组合灰色预测模型在电力负荷预测中的应用［J］. 重庆大学学报(自然科学版), 2004(1):34-39.
［11］	吴云,雷建文,鲍丽山,等. 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［J］. 电力系统自动化, 2018,20(10):67-74.
［12］	葛少云,贾鸥莎,刘洪. 基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测［J］. 电网技术, 2012(1):224-229.
［13］	罗党,韦保磊,李海涛,等. 灰色区间预测模型及其性质［J］. 控制与决策, 2016(12):2293-2298.
［14］	陈焕远,刘新东,佘彩绮. 改进的灰色理论在短期负荷预测中的应用［J］. 水电能源科学, 2011(11):189-191.
［15］	王大鹏,汪秉文. 基于变权缓冲灰色模型的中长期负荷预测［J］. 电网技术, 2013(1):167-171.
［16］	张朝飞,罗建军,徐兵华,等. 基于灰色理论的新陈代谢自适应多参数预测方法［J］. 上海交通大学学报, 2017(8):970-976.
［17］	吴利丰. 分数阶灰色预测模型及其应用研究［D］. 南京:南京航空航天大学, 2015.
［18］	YU F, XU X Z． A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network［J］. Applied Energy, 2014(134):102-113.
［19］	DUDEK G. Neural networks for pattern-based short-term load forecasting: A comparative study［J］. Neurocomputing, 2016(105):64-74.
［20］	〖KG-*5〗BAHRAMI S, HOOSHMAND R, PARASTEGARI M. Short term electric load forecasting by wavelet transform and grey model improved by PSO (particle swarm optimization) algorithm［J］. Energy, 2014(5):434-442.
［21］	SAINI L M， AGGARWAL S K， KUMAR A. Parameter optimization using genetic algorithm for support vector machine-based price-forecasting model in National electricity market［J］. IET Generation Transmission & Distribution, 2010,4(1):36-49.
［22］	徐洪基. 灰色模型在电力负荷预测中的应用［J］. 江苏工学院学报, 1990(1):81-92.
［23］	XIAO L Y， SHAO W， LIANG T L， et al． A combined model based on multiple seasonal patterns and modified firefly algorithm for electrical load forecasting［J］. Applied Energy, 2016(167):135-153.

[1]	张志霞, 谢宝强. 基于FCGA-LSTM与迁移学习的天然气负荷预测[J]. 计算机与现代化, 2023, 0(07): 7-12.
[2]	张子森, 徐晓钟. 基于分解和多分量集成学习的负荷预测方法[J]. 计算机与现代化, 2023, 0(03): 96-101.
[3]	冯增喜, 陈海越, 王涛, 赵锦彤, 李诗妍. 基于改进XGBoost超参数优化的地下工程空调系统负荷预测[J]. 计算机与现代化, 2023, 0(01): 108-113.
[4]	尹春杰, 肖发达, 李鹏飞, 赵钦. 基于LSTM神经网络的区域微网短期负荷预测[J]. 计算机与现代化, 2022, 0(04): 7-11.
[5]	张苏宁, 王芳, 朱燕, 景栋盛. 基于极端梯度提升的跨地区多种类电力需求预测[J]. 计算机与现代化, 2022, 0(03): 18-22.
[6]	欧阳孟可, 沈卫康, 成徽, 石凯. 基于VMD与MOGOA-LSTM的短期负荷预测模型[J]. 计算机与现代化, 2022, 0(03): 7-12.
[7]	郭成, 王宵, 王波, 王加富. 基于多层融合神经网络模型的短期电力负荷预测方法[J]. 计算机与现代化, 2021, 0(10): 94-99.
[8]	魏健, 赵红涛, 刘敦楠, 加鹤萍 . 基于集成模型的超短时负荷预测方法[J]. 计算机与现代化, 2021, 0(03): 12-17.
[9]	李锐, 李晓卉, 李小钰, 丁月民. 基于优化的非等间距灰色模型对健康的预测[J]. 计算机与现代化, 2020, 0(06): 101-.
[10]	梁寿愚1，方文崇1，王瑾2，周志烽1，朱文3，张骥2. 基于双图正则非负低秩分解的电力负荷短期预测[J]. 计算机与现代化, 2020, 0(05): 7-.
[11]	魏庆征，杨云，李凌燕，魏海洲 . 基于灰色马尔科夫的外汇预测模型[J]. 计算机与现代化, 2020, 0(02): 12-.
[12]	张雪1,倪建军1，2,陈颜1. 基于改进的核相关滤波器的长期目标跟踪算法[J]. 计算机与现代化, 2019, 0(01): 6-.
[13]	李斌1，吴庆涛2. 基于灰色理论的网络搜索频度数据分析[J]. 计算机与现代化, 2018, 0(09): 98-.
[14]	何金阳1，仇鸿超1，李林2，王壮3. 基于两种改进人口模型的新生育政策下人口预测与分析#br# ——以西安市为例[J]. 计算机与现代化, 2017, 0(8): 26-.
[15]	罗敏1,2，李昌友3，戴欢1,2. 运用SPSS和Matlab研究啮齿动物群落稳定性[J]. 计算机与现代化, 2017, 0(6): 116-121.