《基于我国农村月用电量的预测方法》
该文是农村方面有关论文怎么撰写与农村和预测和方法有关论文范文集.
摘 要：目前精确地预测我国农村月用电量的特征和变化对农村风光互补发电系统容量的合理配置具有重要的意义.基于扬州地区历史用电量数据,采用传统的GM（1,1）模型对数据进行分析,发现传统的GM（1,1）模型不能满足精度的要求.所以提出了在多次累加的基础上对传统的GM（1,1）模型进行改进,对2016-2017年农村月用量进行预测.预测结果表明改进的GM（1,1）模型可以用来精确的预测扬州未来农村地区各月份的用电量,以便于农村风光互补发电系统的广泛应用.
关键词：农村月用电量;风光互补发电系统;灰色模型;多次累加;改进的GM（1,1）
Forecasting method based
on monthly electricity consumption in Rural areas of China
Wang Xiaoyan1Zhang Jianhua1WengHe1Wang Jian2
1.School of Water Conservancy and Energy Dynamics,Yangzhou UniversityJiangsuYangzhou225000;
2.Nanjing Panda Electronics Co.,Ltd.Special Power supply Research and Development DepartmentJiangsuNanjing210096
Abstract：At present,it is of great significance to accurately predict the characteristics and changes of rural monthly electricity consumption for the rational allocation of rural scenery complementary power generation system capacity.Based on the historical electricity consumption data of Yangzhou area,the traditional GM（1,1）model is used to analyze the data,and it is found that the traditional GM（1,1）model can not meet the requirements of accuracy.Therefore,on the basis of many accumulations,the traditional GM（1,1）model is improved to predict the monthly consumption of rural areas from 2016 to 2017.The prediction results show that the improved GM（1,1）model can be used to accurately predict the future months of Yangzhou rural areas.Electricity consumption,in order to facilitate the rural scenery complementary power generation system widely used.
Key words：Rural monthly electricity consumption;scenery complementary power generation system;grey model;multiple accumulation;improved GM（1,1）
随着我国国民经济的快速发展以及农村人民生活水平的提高,風光互补发电系统在农村地区已经得到了广泛运用.而农村用电量预测是农村风光互补发电系统容量配置的基础.为了实现风光互补系统容量的合理配置,需要运用数学模型对农村用电量进行预测,根据用电量的预测来制定合理的风光互补发电系统容量,从而保证风光互补发电系统的稳定运行[1].
从上个世纪70年始,国内外对于用电量预测的研究热情逐渐升温,而我国从上世纪80年始发现农村用电量一度出现供应不足的情况,用电量预测慢慢成为电力公司一项必要的日常工作任务.长久以来国内外专家以及学者的实践研究和各种数学模型的涌现,能用于农村的用电量预测方法有很多,比如常见的时间序列法、回归分析法以及人工神经网络法[2-4].时间序列法在气温、天气、节假日等不稳定因素的影响下会失去其预测效果.回归分析法由于其过分依赖历史数据从而无法反应实时线性关系.神经网络法要通过经验对神经元的层数和网络结构的反复实验,不确定性很大.文献[5]分析了日气温,降水,相对湿度等数据,通过建立分位数回归方程来预测用电量.文献[6]以精确的负荷分析,来准确的把握负荷曲线的变化规律,并结合偏最小微分回归法应用于负荷预测建模.文献[7]提出了主成分—BP神经网络作为预测我国农村居民用电量需求的一种方法.但这些模型多用于农村短期用电量的预测,很少将其应用于电力系统的中长期用电量预测.
我国农村地区的电网特征是点多、面广、线长,技术和管理水平比较低.并且需要考虑政治、经济、气候等各种相关因素.导致农村用电量属于一种非平稳随机的状态,而灰色理论认为随机过程都是在一定幅值范围、一定时区内变化的灰色量,并且灰色预测模型所需要的数据量比较小,预测精度高且样本不需要有规律性,计算简便.所以本文从已知的用电需求出发,即收集扬州地区过去十年月用电量的历史数据.选择灰色模型对我国农村地区的月用电量进行中长期预测.预测结果表明原始的GM（1,1）模型的预测不能满足当前事物的发展规律了,本文又尝试着对原始的GM（1,1）模型进行改进.首先我们用最小二乘法对数据进行模拟,如果出现波动较大的数值,可以弱化当前的随机性,以便加强它的规律性,接下来再对弱化后的数据进行建模,最后本文通过验证改进模型的精确度与准确度来对未来的月用电量进行预测.
1 模型的建立与改进
1.1 建立灰色模型[8]
灰色模型是一种对含有不确定因素的系统进行预测的方法,通过少量的、不完全的信息,建立灰色微分预测模型,对事物发展规律做出模糊性的长期描述.同时,灰色理论建立的是生成数据模型,不是原始数据模型,因此,灰色预测的数据是通过生成数据的GM（1,1）模型所得到的预测值的逆处理结果.本文通过GM（1,1）灰色模型,先将月用电量数据进行累加生成算子,削弱数据的随机性,得到相对有规律的几组数据,然后建立微分方程,从而建立模型,预测未来各月份用电量趋势.
各月份用电量的历史数据组成数列为：
x（0）等于x（1）（1）,x（2）（2）,等x（n）（n）（1）
上面式子中,x（0）（i）>0,i等于1,2等,n,x（0）中的一次累加生成算子数列为：
x（1）等于x（1）（1）,x（2）（2）,等x（n）（n）（2）
其中：x（1）（k）等于∑ki等于1x（0）（i）,k等于1,2,等,n,x（1）的均值生成的序列为：
z（1）等于z1（2）,z1（3）,等,z1（n）（3）
式中：
z（1）等于x（1）（k）+x（1）（k+1）/2,k等于2,3,等,n
由于x（1）（k）具有指数增长的规律,并且一阶微分方程的解也是指数形式的解,所以有x（1）（k）序列满足下面的方程模型.
dx（1）dt+ax（1）等于u（4）
即能得到灰色GM（1,1）模型：
x（0）（k）+az（0）（k）等于u（5）
式中,a和u为待定参数,根据导数定义,将式（5）离散化得到矩阵
（6）
该方程在最小二乘准则下的解为：
（7）
据此可得到参数a,u.利用灰色GM（1,1）模型进行预测：
（8）
然后通过累减还原,得到原始数列x（0）的灰色预测模型：
（9）
式中,k等于0,1,2,3等
1.2 改进灰色模型
通过对数据的分析以及多年的理论分析发现,GM（1,1）模型存在的问题.当计算零点不同,预测值也不同.当序列长度不同,预测值也不同.当累加次数不同,预测值也不同.针对这些问题,本文在GM（1,1）模型的基础上,在一次累加的基础上进行多次累加从而提出了一个改进的GM（1,1）模型.能够更加精确地在实际应用中对数据的拟合以及预测,使得模型有更好的应用空间,精确的预测农村地区的用电量.
设原始序列数列：
x（0）等于x（0）（1）,x（0）（2）,等,x（0）（n）（10）
第一步对x0的数据进行多次累加并且生成序列：
x（1）等于x（1）（1）,x（1）（2）,等,x（1）（n）（11）
其中：
第二步运用最小二乘法拟合数列,采用MATLAB的工具箱函数polyfit对弱化后序列进行二次多项式的拟合,得到序列的二次多项式函数：
（12）
第三步利用最小二乘法估计a,u的值.
第四步将改进后的a,u以及改进后的初值代入公式9得改进后的GM（1,1）模型：
（13）
第五步采用后验差法来检验模型的预测精度.
2 精度检验
为了保证灰色模型有较高的精确度,在用于预测实践中需要对模型进行以下步骤的校验.
（1）求出x（0）（k）与的残差e（k）、相对误差Δk和平均误差Δ.
（14）
（15）
（16）
（2）求出原始数据平均值x与残差平均值e：
（17）
（18）
（3）求出原始数据方差s21和残差方差s22的均方差比值C和小误差概率P：
（19）
（20）
（21）
（22）
上述式子中,均方差比值越小,小误差概率越大,就说明该模型精度越良好,并且灰色发展系数a∈-2,1且a-0.3时,则所建的灰色模型适用于中长期预测.参考标准如表1所示：
3 农村用电量预测
用改进的GM（1,1）模型,以揚州市农村用电量为数据样本进行预测,数据样本如表2所示.
以六月份为例对数据进行处理：
如下图所示,对六月份的数据分别运用传统的GM（1,1）模型与改进的GM（1,1）模型对原始数据进行预测,具体预测数据如表3所示,2016-2017年六月份预测的用电量分别为18927,19487/kwh.
小误差校验精度检验.经过校验后的小误差概率大于08,则改进后的模型可进行预测,利用改进后的模型对扬州农村地区各月份用电量进行预测,很明显的能够发现,改进的GM（1,1）模型比普通的GM（1,1）更加接近实际值.
4 结论
本文基于扬州农村地区历史各月份的用电量规律,分析了用电量的变化规律.通过多次累加的方法对传统的GM（1,1）模型进行改进.用改进的GM（1,1）模型预测了扬州市2016-2017年的各月用电量,预测结果可靠.适用于扬州地区月用电量的中长期预测.
参考文献：
[1]潘勇.短期负荷预测精度影响因素分析和对策[J].农村电气化,2003（05）：16-17.
[2]杨正瓴,张广涛,林孔元.时间序列法短期负荷预测准确度上限估计[J].电力系统及其自动化学报,2004,16（02）：36-39.
[3]杨丽徙,张永锋,许向伟,冯越.半参数回归分析法在电力负荷预测中的应用[J].郑州大学学报（工学版）,2010,31（03）：29-32.
[4]陈科.基于模糊神经网络的电力系统短期负荷预测[D].东南大学,2015.
[5]穆海振.分位数回归方法在盛夏日用电量预测中的应用[J].电力需求侧管理,2018,20（03）：30-33.
[6]吴海波,姚建刚,韦亦龙.基于负荷特性分析的中长期负荷预测主导因素辨识法[J].电力需求侧管理,2014,16（05）：10-15.
[7]于惠鸣,张智晟,龚文杰,段晓燕.基于深度递归神经网络的电力系统短期负荷预测模型[J].电力系统及其自动化学报,2019,31（01）：112-116.
[8]涂钊颖,毛弋,宋霄霄,袁俊亮.广东省博罗县中长期电力负荷预测的研究[J].湖南师范大学自然科学学报,2019,42（01）：76-81.
基金项目：住房和城乡建设部（并网型风光互补供电系统在新农村建设中的应用研究）
本文总结:该文是一篇关于农村方面的大学硕士和本科毕业论文以及农村和预测和方法相关农村论文开题报告范文和职称论文写作参考文献资料.
农村引用文献:
[1] 发展农村经济方面论文题目 发展农村经济论文题目怎样取
[2] 农村行政管理专业方面论文题目 农村行政管理专业论文题目怎么定
[3] 新颖的农村经济管理专业论文选题 农村经济管理专业论文题目选什么比较好
