基于关联度分析组合法的电网负荷预测

◇国家电网西藏电力有限公司巴河发电公司 何 川

针对电网内部发电机组的启停，电网运行的安全稳定，安排机组检修计划等问题，对电网负荷进行预测。本文基于灰色预测模型，BP神经网络模型，提出了一种关联度分析组合法的预测模型，并应用了实例。结果表明，本文所提出的新型预测模型比任一单项模型预测值更加精确，实用性较强，值得推广应用。

电网负荷的预测有利于决定未来新的发电机组的安装，决定装机容量的大小、地点和时间，决定电网的增容和改建，对电网的发展具有重要意义[1-2]。电力负荷预测方法可分为基于统计方法和基于机器学习方法两大类。在基于统计方法中，常用方法有自回归模型、卡尔曼滤波法等；在基于机器学习方法中，可分为传统机器学习方法和神经网络方法。其中，传统机器学习方法有支持向量回归（support vector regression，SVR）[3-4]、决策树及其集成算法，如随机森林[5]、梯度提升回归等。基于此，本文应用灰色预测法GM（1，n）与BP神经网络法的预测结果建立最优预测模型，并对电网负荷进行预测，希望为电网优化运行，电力系统规划提供参考，并以某地区实际电网负荷数据，对预测模型进行验证，结果证明了本文所提的基于关联度分析组合法的准确性。

1 最大负荷预测模型

1.1 灰色预测

根据灰色系统理论，将电网最大负荷这一灰色量作为系统特征数据序列，而该地区人口、地区生产总值作为相关因素序列，建立GM（1，n）模型[6-7]：

1.2 BP神经网络预测

根据神经网络理论，在数据输入模块中，将已知数据以矩阵形式输入MATLAB中，A、B代表影响某地区最大负荷的两个影响因素，分别为该地区人口数量、地区生产总值。C表示最大负荷的情况。

其次是数据归一化模块，使用premnmx函数，对数据进行归一化处理，premnmx函数是把数据处理成[-1 1]之间的数据[8]，算法为：

即整组数据的最大值为1，最小值为-1，其余数据分布在此区间内。网络训练部分使用MATLAB自带BP神经网络工具箱进行训练，之后利用训练好的BP网络对原始数据进行仿真，并利用postmnmx函数把仿真得到的数据还原为原始数量级。

1.3 基于关联度分析的组合预测

影响最大负荷预测结果的因素有很多，比如该地区人口数量、经济发展情况。而灰色预测与BP神经网络预测都存在自身的局限性，其任一单项模型的预测结果精确度较低，如果按照等权平均的方法对两个模型进行组合，其预测会出现较大偏差，故对这两个模型进行定量关联度分析，确定其各自模型在组合预测中的权重。

关联度r1+r2=1，f1为 灰色GM（1，n）的预测值，f2为BP神经网络预测值，则基于关联度分析的组合预测模型为：

2 算例

利用最大负荷建模的方法，选取某地区2015～2019年最大负荷的实际值作为原始数据，分别建立GM（1，n）模型、BP神经网络模型、基于关联度分析的组合预测模型，其预测结果见表1，拟合精度情况如图1。通过表、图可知，GM（1，n）预测模型、BP神经网络预测模型，拟合误差较大，基于关联度分析的组合预测效果最好，其预测曲线与实际数据曲线基本重合。

表1 各模型的拟合结果

图1 模型的拟合精度情况

2.1 GM（1，n）模型

建立GM（1，n）模型得a=0.5173，b2=0.4952，b3=-0.0408；根据（2）式得灰色GM（1，n）模型：

2.2 BP神经网络

将原始数据仿真的结果与已知样本进行对比，网络训练误差结果可以达到0.01的精度要求，绘制曲线对比仿真结果与实际输出值的情况如图2所示，显然二者非常接近误差极小，故可以对数据进行仿真预测。

图2 BP神经网络预测值与实际值比较图

2.3 基于关联度分析的组合预测模型

把最大负荷实际值作为参考数列，GM（1，n）预测值和BP神经网络预测值作为比较数列，通过关联度分析后，分别得到GM（1，n）与实际值的关联度r1=0.4585；BP神经网络预测值与地区最大负荷的关联度r2=0.5415，根据式（5）可得预测模型为：

3 结束语

采用关联度分析组合法、GM（1，n）预测模型、BP神经网络模型对某地区电网负荷进行预测。结果表明，本文所提出的预测方法，相比于任一单项预测方法更加精确，其预测曲线与实际数据曲线基本重合，应用于长期负荷预测具有更好的实用性。可以为该地区电网安排运行方式、计划用电管理和电网调度提供科学依据。