Métodos de previsión para la previsión de carga

La previsión de carga de energía se divide en métodos de previsión clásicos y métodos de previsión modernos. El método de extrapolación de tendencias

es predecir las condiciones de carga futuras en función de la tendencia de cambio de carga. Aunque la carga de energía es aleatoria e incierta, todavía hay una tendencia obvia de cambio bajo ciertas condiciones. Por ejemplo, el consumo de energía agrícola en invierno, cuando las condiciones climáticas cambian menos, el consumo de energía diario es relativamente estable y parece tener tendencias relativamente estables. . Esta tendencia de cambio puede ser lineal o no lineal, periódica o no periódica, etc.

Método de series de tiempo

El método de series de tiempo es uno de los métodos de previsión de carga a corto plazo más comunes. Se basa en las características de un determinado proceso aleatorio que presenta toda la observación. secuencia para establecer y estimar modelos de los procesos estocásticos que generan secuencias reales y luego usar estos modelos para hacer predicciones. Hace uso de las características inerciales y la continuidad temporal de los cambios de carga de energía, y determina sus características básicas y reglas cambiantes mediante el análisis y procesamiento de series de tiempo de datos históricos para predecir cargas futuras.

Los métodos de pronóstico de series de tiempo se pueden dividir en dos categorías: deterministas y estocásticos. Las series de tiempo deterministas se utilizan como residuos del modelo para estimar el tamaño del intervalo de predicción. El modelo estocástico de predicción de series temporales puede considerarse como un filtro lineal. Según las características de los filtros lineales, las series de tiempo se pueden dividir en autorregresivas (AR), media móvil (MA), media móvil autorregresiva (ARMA), media móvil autorregresiva acumulativa (ARIMA) y función de transferencia (clase TF). modelo, el proceso de pronóstico de carga generalmente se divide en cinco etapas: identificación del modelo, estimación de parámetros del modelo, prueba del modelo, pronóstico de carga y prueba de precisión y corrección del valor de predicción.

Método de análisis de regresión

El método de análisis de regresión consiste en establecer un modelo matemático que se puede analizar en función de los datos históricos pasados ​​de la carga para predecir la carga futura. El método de análisis de regresión en estadística matemática se utiliza para analizar los datos de observación de variables para determinar la relación entre variables para lograr la predicción. A finales de la década de 1980, se fueron aplicando gradualmente con éxito algunos métodos modernos de predicción basados ​​en teorías disciplinarias emergentes. Entre ellos, se encuentran principalmente la teoría matemática gris, el método del sistema experto, la teoría de redes neuronales, la teoría de predicción difusa, etc.

Teoría matemática gris

La teoría matemática gris considera la secuencia de carga como una salida real del sistema, que es el resultado integral de muchos factores que influyen. El desconocimiento y la incertidumbre de estos muchos factores se han convertido en las características grises del sistema. La teoría del sistema Gray transforma la secuencia de carga en una secuencia generada regular y luego la modela para el pronóstico de carga.

Método del sistema experto

El método del sistema experto realiza un análisis detallado de los datos de carga y los datos meteorológicos almacenados en la base de datos en los últimos años y reúne el conocimiento de pronosticadores de carga experimentados. , extrae las reglas relevantes. Con la ayuda de sistemas expertos, los pronosticadores de carga pueden identificar el tipo de día de pronóstico, considerar el impacto de los factores climáticos en el pronóstico de carga y realizar pronósticos de carga basándose en ciertos razonamientos.

Teoría de redes neuronales

La teoría de redes neuronales utiliza la función de aprendizaje de las redes neuronales para permitir que las computadoras aprendan las relaciones de mapeo contenidas en los datos de carga históricos y luego usa esta relación de mapeo para predecir el futuro. cargas. Debido a que este método tiene una gran robustez, capacidad de memoria, capacidad de mapeo no lineal y una poderosa capacidad de autoaprendizaje, tiene un gran mercado de aplicaciones. Sin embargo, su desventaja es que la velocidad de convergencia del aprendizaje es lenta y puede converger a un punto mínimo local; Es difícil expresar el conocimiento y hacer pleno uso del conocimiento difuso existente en la experiencia del despachador.

Previsión de carga difusa

La previsión de carga difusa es una dirección de investigación popular en los últimos años.

El control difuso aplica la teoría matemática difusa al método de control utilizado, permitiéndole realizar un trabajo determinista y controlar eficazmente algunos procesos controlados que no pueden construir modelos matemáticos. Independientemente de cómo se calcule, un sistema difuso es una función no lineal desde la perspectiva de entrada y salida. Para cualquier función continua no lineal, el sistema difuso debe encontrar un tipo de función de pertenencia, una regla de inferencia y un método de resolución difusa, de modo que el sistema difuso diseñado pueda aproximarse arbitrariamente a esta función no lineal.

(1) Método de búsqueda de tabla:

El método de tabla es un algoritmo relativamente simple y claro. La idea básica de este método es generar reglas difusas a partir de pares de datos de entrada y salida conocidos para formar una base de reglas difusas, y el sistema de lógica difusa final se generará a partir de la base de reglas difusas combinadas.

Este es un algoritmo simple y fácil de entender porque es un proceso de generación secuencial y no requiere aprendizaje repetido. Por lo tanto, este método también tiene una gran ventaja de los sistemas difusos sobre los sistemas de redes neuronales, a saber. Es fácil y rápido de construir.

(2) Algoritmo de predicción difusa de Takagi-Sukuno basado en la integración de redes neuronales:

Utiliza redes neuronales para obtener la función de pertenencia conjunta de las variables de entrada de la parte condicional. La función f(X) en la parte de conclusión también se puede representar mediante una red neuronal. Todas las redes neuronales utilizan redes BP de tipo directo.

(3) Algoritmo de modelo de red neuronal difusa mejorado:

La red neuronal difusa es el aproximador global. Los sistemas difusos y las redes neuronales parecen tener una conexión natural. Las redes neuronales difusas son esencialmente la realización de sistemas difusos, que proporcionan señales de entrada difusas y pesos difusos a las redes neuronales convencionales (como las redes neuronales de retroalimentación directa y las redes neuronales HoPfield).

Para el modelado de sistemas complejos, existen muchos métodos y se han logrado buenos resultados de aplicación. Pero la principal desventaja es que la precisión del modelo no es alta y el tiempo de entrenamiento es demasiado largo. El modelo de este método tiene un significado físico obvio, alta precisión y convergencia rápida, y es un algoritmo mejorado.

(4) Algoritmo de aprendizaje de retropropagación:

La aplicación del sistema de lógica difusa radica principalmente en su capacidad para servir como modelo de sistemas no lineales, incluidos modelos de sistemas no lineales que contienen operadores humanos. Por lo tanto, desde la perspectiva de la aproximación de funciones, es muy importante estudiar la capacidad de mapeo no lineal de los sistemas de lógica difusa. La aproximación de funciones significa que el sistema de lógica difusa puede aproximar consistentemente cualquier función no lineal definida en un conjunto denso con precisión arbitraria. Su ventaja radica en su capacidad para utilizar información del lenguaje de manera sistemática y efectiva. El teorema de aproximación universal muestra que debe existir un sistema de lógica difusa gaussiana que pueda aproximar cualquier función dada con cualquier precisión. El algoritmo de aprendizaje BP de retropropagación se utiliza para determinar los parámetros del sistema de lógica difusa gaussiana. El modelo identificado puede aproximarse mucho al sistema real, mejorando así la precisión de la predicción.