【负荷预测】基于灰色理论负荷预测的应用研究（Matlab代码实现）

news2024/12/23 13:37:33

👨‍🎓个人主页：研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🌈3 Matlab代码实现

🎉4 参考文献

💥1 概述

参考文献：

负荷预测是电力系统规划和运行中的重要工作之一，它决定了发电、输电和电量的分配，在一定规划期内负荷与用电量的大小决定了电力系统的发展规划和发展速度。
目前，负荷预测方法很多，其中灰色预测是一种比较有效的方法，而且广泛用于中长期负荷预测中。本文对灰色系统GM(1,1）预测模型及其在负荷预测中的应用进行讨论，并且对如何提高模型的预测精度进行分析。

📚2 运行结果

部分代码：

for i=1:(b-1)
yuc(i)=l*exp(-h*i)+j;
end %预测模型表达式
yuc;
x0(1,1);
yuce=[x0(1,1) yuc]; %没有累减时的预测值
for i=1:b-1
yce(i)=yuce(1,i+1)-yuce(1,i);
end
yce; %缺少第一个数据的预测数列
x0(1,1);
ycz=[x0(1,1) yce]; %最终预测值(只是对原数据的拟合值)
ycz;
for i=1:b %后验差校验
cancha(i)=x0(i)-ycz(i);
end
cancha; %残差（初始值-预测值）
x2=mean(x0); %初始值的平均值
x3=mean(cancha); %残差平均值
s=sum((x0-x2).^2)/b; %实际值方差
t=sum((cancha-x3).^2)/b; %残差方差
s1=sqrt(s); %实际值均方差
s2=sqrt(t); %残差均方差
m=s2/s1; %后验差比值即预测值与实际值的离散程度（越小越好）
s0=0.6745*s1; %给定值0.6745s1
p1=abs(cancha-x3); %小误差 p=p{|ε(k)-ε平均值|<0.6745s1}
n=0; %计算p1<s0的个数n
for i=1:b
if p1(i)<s0
n=n+1;
else n=n;
end
end
n;
p=n/b; %小误差概率（越大越好）
if p>0.95&m<0.35
%预测精度好(一级)')
H=0;
elseif p<=0.7&m>=0.65
%预测精度不合格,进行模型改进')
H=1;

ca0=abs(cancha(1:b-2));
x11=cumsum(ca0);
b1=length(ca0);
for i=1:b1-1
ave1(i)=1/2*(x11(i)+x11(i+1));
end
ave1 ;
z1=ave1'; %平均值 @取0.5
a1=ones(b1-1,1);
B1=[-z1,a1] ; %数据矩阵B
Y1=ca0;
Y1(:,1)=[] ; %数据向量（由矩阵x0删除第一列得）
c1=B1'; %g=inv((B'B))B'Y (求解a u)
s1=c1*B1;
d1=inv(s1);
f1=d1*c1;
g1=f1*Y1'; %g=(a,u)'
h1=g1(1,1); %h实际为a
u1=g1(2,1);
j1=u1/h1 ; %预测值=（x(1)-u/h）e +u/h
k1=ca0(1,1);
l1=k1-j1;
for i=1:(b1-1)
yuc1(i)=l1*exp(-h1*i)+j1;
end %预测模型表达式
yuc1;
ca0(1,1);
yuce1=[ca0(1,1) yuc1]; %没有累减时的预测值
for i=1:b1-1
yce1(i)=yuce1(1,i+1)-yuce1(1,i);
end
yce1; %缺少第一个数据的预测数列
ca0(1,1);
ycz1=[ca0(1,1) yce1] ; %最终预测值(只是对原数据的拟合值)
ycz1;
o1=1; %input('输入预测个数')
for i=b1:b1+o1-1
yuc1(i)=l1*exp(-h1*i)+j1;
end
yuc1;
yucezhi11=yuc1(b1-1:b1+o1-1) ; %没有累减时的未来预测值
for i=1:o1
yucezhi21(i)=yucezhi11(i+1)-yucezhi11(i);
end
yucezhi21 ; %最终预测值

elseif p>0.8&m<0.5
%'预测精度合格（二级）')
H=0;
else
%'预测精度勉强合格')
H=0;
end
o=1;%input('输入预测个数');
for i=b:b+o-1
yuc(i)=l*exp(-h*i)+j;
end
yuc;
yucezhi1=yuc(b-1:b+o-1); %没有累减时的未来预测值
for i=1:o
yucezhi2(i)=yucezhi1(i+1)-yucezhi1(i);
end
yucezhi2 ; %最终预测值
else %级比不满足要求，进行数据处理
for i=1:b
y0(i)=log10(log10(x0(i)));
end
H=2;
y0; %进行两次对数处理后的原始数列
end
switch H
case 0
yc=yucezhi2;
case 1
yc=yucezhi21+yucezhi2; %最最终预测值
case 2
yc=mean(x0);
end