[发明专利]一种电力负荷中长期预测模型的性能提升方法

权利要求书

1.一种电力负荷中长期预测模型的性能提升方法，其特征在于，所述方法包括以下步骤：

步骤S10：输入实际负荷数据序列X⁽⁰⁾，并进行一次累加生成累加负荷数据序列X⁽¹⁾；

步骤S20：建立GM(1,1)灰色系统模型；

步骤S30：建立改进型蚁狮算法IALO优化GM(1,1)模型；

步骤S40：基于灰色关联分析重新构建改进型蚁狮算法IALO中的适应度函数，二次优化GM(1,1)模型参数a和b，其中a为模型的发展系数，b为模型的协调系数；

步骤S50：通过多轮改进型蚁狮算法IALO动态滚动过程不断修正GM(1,1)模型参数a、b值以获得最新负荷数据序列，最终根据不断更新的负荷数据序列得到全部目标预测点。

2.根据权利要求1所述的电力负荷中长期预测模型的性能提升方法，其特征在于：

在所述步骤S10中，

输入电力负荷的实际值序列为X⁽⁰⁾＝{x⁽⁰⁾(1),⁽⁰⁾(2),…,⁽⁰⁾(p)}，

经过一次累加生成累加负荷数据序列为X⁽¹⁾＝{x⁽¹⁾(1),⁽¹⁾(2),…,⁽¹⁾(p)}，其中x⁽⁰⁾(p)是时间p点的负荷实际值；

3.根据权利要求1或2所述的电力负荷中长期预测模型的性能提升方法，其特征在于：

所述步骤S20包括以下步骤：

S201：在所述步骤S10输入的实际负荷数据序列和累加负荷数据序列的基础上，建立灰色系统模型方程：

S202：根据累加负荷数据序列X⁽¹⁾满足指数增长的规律，建立一阶白化线性方程：

S203：设参数向量

其中

S204：根据参数向量求解S202中的方程获得时间响应函数：

对所述时间响应函数进行累减还原处理，得到预测序列

4.根据权利要求3所述的电力负荷中长期预测模型的性能提升方法，其特征在于：

在所述S201中建立的灰色系统模型方程为

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

其中，a为模型的发展系数，b为模型的协调系数。

5.根据权利要求1所述的电力负荷中长期预测模型的性能提升方法，其特征在于：

所述步骤S30包括以下步骤：

S301：设置改进型蚁狮算法IALO的五个参数，所述参数包括蚂蚁和蚁狮的数量Agents_no、变量数目dim、最大迭代次数Max_iteration、变量下限lr＝[lr₁,lr₂,…]以及变量上限ur＝[ur₁,ur₂,…]；

S302：位置初始化，即随机生成蚂蚁和蚁狮的位置，得到两者的位置矩阵：

S303：选择初始精英，计算蚁狮的适应度值：

S304：使用矩阵M_OAL存储蚁狮的适应度值：

S305：在矩阵M_OAL中选择最优蚁狮适应度值作为精英适应度值，其中精英是指在每一次迭代中根据适应度值得到的最佳蚁狮，根据蚁狮适应度函数，将每次迭代中求得的最大适应度值对应的蚁狮作为初始精英，其中，包括精英在内的每只蚁狮仅对应一个适应度值。