基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)

陳園園+王成然

摘要：基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)能夠更加系統(tǒng)化、準(zhǔn)確化地實(shí)現(xiàn)相關(guān)數(shù)據(jù)的分析，從而有效改善電網(wǎng)運(yùn)行的整體負(fù)荷預(yù)測(cè)性能。文章對(duì)遺傳優(yōu)化算法中的Pareto模式分類規(guī)則和人工神經(jīng)模糊算法進(jìn)行了分析，并結(jié)合具體仿真試驗(yàn)進(jìn)行了論證，具有非常重要的意義。

關(guān)鍵詞：電力負(fù)荷模式；短期電力負(fù)荷；預(yù)測(cè)模糊分類法

中圖分類號(hào)：TM734 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-2374（2014）01-0069-02

基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)具有并行處理速度快、集中運(yùn)行效率高、響應(yīng)靈敏等特點(diǎn)，在進(jìn)行短期電力負(fù)荷預(yù)測(cè)的過程中發(fā)揮著關(guān)鍵性的作用。然而，短期電力負(fù)荷預(yù)測(cè)在預(yù)測(cè)精準(zhǔn)度上存在著一定的局限性，需要對(duì)其進(jìn)行較大程度的訓(xùn)練及選擇，只有科學(xué)合理的輸入輸出矢量才能夠改善預(yù)測(cè)目標(biāo)矢量的誤差，提高精準(zhǔn)度。本文對(duì)基于模糊規(guī)則的短期電力負(fù)荷預(yù)測(cè)分類系統(tǒng)和相關(guān)負(fù)荷預(yù)測(cè)實(shí)驗(yàn)論證進(jìn)行了分析，并結(jié)合遺傳優(yōu)化算法和模糊規(guī)則優(yōu)化算法進(jìn)行了探討。

1 基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)模式的概述

短期電力負(fù)荷預(yù)測(cè)的主要用途是對(duì)未來幾小時(shí)甚至是幾天的電力運(yùn)行負(fù)荷進(jìn)行預(yù)測(cè)，能夠?qū)﹄娏ο到y(tǒng)起到優(yōu)化資源配置的作用。短期電力負(fù)荷預(yù)測(cè)所呈現(xiàn)的規(guī)律特征和各種環(huán)境因素有著十分密切的聯(lián)系，會(huì)受到氣候因素、設(shè)備故障因素以及重大活動(dòng)的制約。短期電力負(fù)荷預(yù)測(cè)中最主要的方法是ANN法，其最主要的特征就是對(duì)非結(jié)構(gòu)性、非精確性規(guī)律具有很強(qiáng)的適應(yīng)性，能夠?qū)⒎蔷€性函數(shù)進(jìn)行很好的擬合，對(duì)預(yù)測(cè)模型結(jié)構(gòu)進(jìn)行更加準(zhǔn)確的預(yù)測(cè)。電力負(fù)荷曲線圖表的基本走勢(shì)圖與人們周期性用電量的變化情況以及具體活動(dòng)情況有著非常密切的聯(lián)系，并且在多數(shù)情形下還會(huì)受到氣象條件的影響，因此，電力負(fù)荷預(yù)測(cè)工程人員在對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)的過程中，要綜合考慮各方面的影響因素，注重區(qū)分劃分類別的粒度程度，以此提高負(fù)荷預(yù)測(cè)值的精準(zhǔn)度。工程人員可以將各類基本數(shù)據(jù)進(jìn)行模糊化處理和模糊化系統(tǒng)分類，然后將其輸入矢量函數(shù)，得到較為精確的數(shù)據(jù)。

2 基于模糊規(guī)則和遺傳算法的電力負(fù)荷模式分類系統(tǒng)

模糊分類預(yù)測(cè)法在電力負(fù)荷預(yù)測(cè)中發(fā)揮著極其重要的作用，是模糊邏輯計(jì)算中的一個(gè)重要應(yīng)用過程，通過模糊邏輯分類預(yù)測(cè)以及對(duì)其定義隸屬函數(shù)的重疊性進(jìn)行定性分析，可以使分類計(jì)算結(jié)構(gòu)和決策過程更加精確和透明化，從而提高短期電力負(fù)荷預(yù)測(cè)結(jié)果的可解釋性。對(duì)于n維K個(gè)類別的分類問題，給定M個(gè)n維模式矢量xp=[xp1，xp2，…，xpn]T=

（p=1，2，…，M）作為訓(xùn)練樣本，其中對(duì)應(yīng)第k個(gè)模式類別的樣本數(shù)為Mk個(gè)，顯然M=，模糊分類算法的通常使用規(guī)則為Rule Rq：If x1 is Aq1 and…and xn is Aqn then ClassCq with CFq，其中：x1、xn為n維模式矢量，Aq1為模糊集對(duì)應(yīng)的語言變量，Cq為決策類的類別號(hào)，Cq=1，…，K，CFq為規(guī)則的置信度。對(duì)于每條規(guī)則用啟發(fā)式訓(xùn)練方法決定CFq和Cq。在使用人工網(wǎng)絡(luò)模糊分類負(fù)荷預(yù)測(cè)方法進(jìn)行計(jì)算時(shí)，隨著模糊系統(tǒng)中輸入矢量維數(shù)的增加，模糊規(guī)則數(shù)目會(huì)呈現(xiàn)出指數(shù)型增長(zhǎng)的趨勢(shì)，如果使用雜糅的模糊子集，計(jì)算方法會(huì)使系統(tǒng)顯得非常復(fù)雜，因此，在使用模糊規(guī)則對(duì)負(fù)荷進(jìn)行優(yōu)化設(shè)計(jì)時(shí)，一定要遵循客觀規(guī)則，對(duì)模糊規(guī)則前項(xiàng)的個(gè)數(shù)進(jìn)行分類，并且在規(guī)則中加入一定的置信度。

此外，短期電力負(fù)荷預(yù)測(cè)容易在高維問題空間的目標(biāo)確定上出現(xiàn)各樣沖突，從而使得目標(biāo)單位的數(shù)值不一致，因而在實(shí)際應(yīng)用中要尋找Pareto最優(yōu)解，利用遺傳算法對(duì)具體目標(biāo)進(jìn)行優(yōu)化處理。傳統(tǒng)的數(shù)學(xué)編程技術(shù)必須通過多次迭代才能實(shí)現(xiàn)，而遺傳算法則可以實(shí)現(xiàn)同時(shí)處理多個(gè)可能解集，在有效處理各種復(fù)雜問題的過程中尋找到Pareto最優(yōu)解，例如，遺傳算法在解決多目標(biāo)優(yōu)化問題時(shí)，可適用于解決具有離散多特征的問題，對(duì)于一個(gè)n維決策矢量x∈X和m維目標(biāo)矢量y的多目標(biāo)優(yōu)化問題，按用戶定義的加權(quán)系數(shù)w1，…，wm加權(quán)，多目標(biāo)函數(shù)可表示為：，設(shè)決策矢量a，b∈X，當(dāng)a，b滿足時(shí)，稱a占優(yōu)b（a，p，b）。如果在此決策空間X里不存在任何解b占優(yōu)a，則稱a為一個(gè)Pareto最優(yōu)解。其中，模糊C-均值聚類算法主要是利用隸屬度來精確測(cè)算出每個(gè)樣本隸屬于某個(gè)聚類的程度大小，而FCM算法相比傳統(tǒng)算法而言具有更多優(yōu)勢(shì)，并且此類模糊聚類計(jì)算方法可以對(duì)相關(guān)數(shù)據(jù)進(jìn)行矩陣計(jì)算和分類，從而省去了掃描數(shù)據(jù)庫(kù)的諸多步驟。而其梯度法在對(duì)相關(guān)數(shù)據(jù)進(jìn)行搜索時(shí)也能以最快的速度對(duì)局部極值進(jìn)行處理。還有一種SOM神經(jīng)網(wǎng)絡(luò)算法也能對(duì)電力負(fù)荷預(yù)測(cè)中的輸出層單元進(jìn)行精確定位和計(jì)算，只需在此算法中輸入變量存在的一些拓?fù)浜拖鄳?yīng)順序，就能實(shí)現(xiàn)輸入空間平面的降維映射。SOM算法的基本步驟如下所示：首先，將電力負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)初始化，并在輸出層中的相關(guān)節(jié)點(diǎn)權(quán)重賦初值；其次，在系統(tǒng)樣本中輸入正確的向量；最后，對(duì)新獲取的數(shù)值樣本進(jìn)行訓(xùn)練，得出聚類輸出數(shù)值。

3 基于電力負(fù)荷模式分類的負(fù)荷預(yù)測(cè)實(shí)例分析

利用人工神經(jīng)網(wǎng)絡(luò)計(jì)算法和遺傳優(yōu)化法能夠?qū)﹄娏ω?fù)荷模式分類規(guī)則進(jìn)行精確預(yù)測(cè)，在預(yù)測(cè)的過程中，還要對(duì)每種負(fù)荷模式進(jìn)行專業(yè)式訓(xùn)練，符合模糊神經(jīng)網(wǎng)絡(luò)的規(guī)則，要避免出現(xiàn)因神經(jīng)網(wǎng)絡(luò)不同造成的負(fù)荷數(shù)據(jù)值混亂，從而降低負(fù)荷數(shù)值的擬合性能。在對(duì)輸入矢量進(jìn)行分析時(shí)，首先要對(duì)電力負(fù)荷預(yù)測(cè)前半月的模式類別進(jìn)行負(fù)荷氣象相關(guān)數(shù)據(jù)的預(yù)測(cè)，對(duì)于周末而言，負(fù)荷預(yù)測(cè)輸入矢量為預(yù)測(cè)日前一個(gè)月內(nèi)與其屬于同一模式類別的電力負(fù)荷氣象數(shù)據(jù)；而對(duì)于公共假日，負(fù)荷預(yù)測(cè)輸入矢量為數(shù)據(jù)庫(kù)中每年同一假日前半個(gè)月內(nèi)與其屬于同一模式類別的負(fù)荷氣象數(shù)據(jù)。而關(guān)于電力負(fù)荷預(yù)測(cè)的相關(guān)氣象數(shù)據(jù)主要包括每日的具體氣溫?cái)?shù)值、風(fēng)速變化情況、降雨量的大小和空氣濕度的多少，想要得到準(zhǔn)確的電力負(fù)荷預(yù)測(cè)數(shù)值，必須將相關(guān)數(shù)據(jù)經(jīng)過模糊化處理，將相關(guān)輸入矢量的隸屬函數(shù)進(jìn)行科學(xué)定義。而其模糊神經(jīng)網(wǎng)絡(luò)的輸出矢量具有如下規(guī)則集的形式：IF影響因素ai1 is v1 AND影響因素ai2 is v2…AND影響因素aik is vk THEN 負(fù)荷預(yù)測(cè)值 is y1。對(duì)假日輸出矢量進(jìn)行負(fù)荷預(yù)測(cè)可采用誤差函數(shù)MAPE對(duì)網(wǎng)絡(luò)輸出

誤差進(jìn)行分析，MAPE=100%，其中a為網(wǎng)絡(luò)輸

出，t為期望輸出。在實(shí)際計(jì)算中可結(jié)合預(yù)測(cè)負(fù)荷曲線圖進(jìn)行計(jì)算，平均可使MAPE最大值和最小值分別為11.81%和1.26%，能夠有效改善實(shí)際預(yù)測(cè)誤差值。

4 結(jié)語

基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)具有較多種類型的預(yù)測(cè)方法，其中采用遺傳優(yōu)化法來建立一個(gè)基于模糊規(guī)則的模式分類系統(tǒng)可以在很大程度上提高電力負(fù)荷預(yù)測(cè)的精確度，而通過使用遺傳優(yōu)化算法簡(jiǎn)化模糊規(guī)則集可以有效消除雜糅規(guī)則的不利影響。在短期電力負(fù)荷預(yù)測(cè)中，通過使用相關(guān)仿真試驗(yàn)進(jìn)行論證，能夠得出更為準(zhǔn)確、全面的樣本數(shù)據(jù)信息，提高了負(fù)荷預(yù)測(cè)的準(zhǔn)確度。短期電力負(fù)荷預(yù)測(cè)與人們的生活有著非常密切的聯(lián)系，想要確保電網(wǎng)建設(shè)能夠更加順利地進(jìn)行，必須采用多種有效負(fù)荷預(yù)測(cè)方法對(duì)其進(jìn)行模糊分類，從而為電力的正常運(yùn)行提供有力保障。

參考文獻(xiàn)

[1] 馮麗，邱家駒.基于模糊多目標(biāo)遺傳優(yōu)化算法的節(jié)假

日電力負(fù)荷預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，

（10）.

[2] 王建元，紀(jì)延超.模糊Petri網(wǎng)絡(luò)知識(shí)表示方法及其

在變壓器故障診斷中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào)，

2009，（1）.

[3] 謝開貴，李春燕，周家啟.基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷組合

預(yù)測(cè)模型研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，（7）.

作者簡(jiǎn)介：陳園園（1983—），女，河南省電力公司周口供電公司經(jīng)濟(jì)技術(shù)研究所計(jì)經(jīng)專責(zé)，碩士，研究方向：電力系統(tǒng)穩(wěn)定與控制。endprint

摘要：基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)能夠更加系統(tǒng)化、準(zhǔn)確化地實(shí)現(xiàn)相關(guān)數(shù)據(jù)的分析，從而有效改善電網(wǎng)運(yùn)行的整體負(fù)荷預(yù)測(cè)性能。文章對(duì)遺傳優(yōu)化算法中的Pareto模式分類規(guī)則和人工神經(jīng)模糊算法進(jìn)行了分析，并結(jié)合具體仿真試驗(yàn)進(jìn)行了論證，具有非常重要的意義。

關(guān)鍵詞：電力負(fù)荷模式；短期電力負(fù)荷；預(yù)測(cè)模糊分類法

中圖分類號(hào)：TM734 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-2374（2014）01-0069-02

基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)具有并行處理速度快、集中運(yùn)行效率高、響應(yīng)靈敏等特點(diǎn)，在進(jìn)行短期電力負(fù)荷預(yù)測(cè)的過程中發(fā)揮著關(guān)鍵性的作用。然而，短期電力負(fù)荷預(yù)測(cè)在預(yù)測(cè)精準(zhǔn)度上存在著一定的局限性，需要對(duì)其進(jìn)行較大程度的訓(xùn)練及選擇，只有科學(xué)合理的輸入輸出矢量才能夠改善預(yù)測(cè)目標(biāo)矢量的誤差，提高精準(zhǔn)度。本文對(duì)基于模糊規(guī)則的短期電力負(fù)荷預(yù)測(cè)分類系統(tǒng)和相關(guān)負(fù)荷預(yù)測(cè)實(shí)驗(yàn)論證進(jìn)行了分析，并結(jié)合遺傳優(yōu)化算法和模糊規(guī)則優(yōu)化算法進(jìn)行了探討。

1 基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)模式的概述

短期電力負(fù)荷預(yù)測(cè)的主要用途是對(duì)未來幾小時(shí)甚至是幾天的電力運(yùn)行負(fù)荷進(jìn)行預(yù)測(cè)，能夠?qū)﹄娏ο到y(tǒng)起到優(yōu)化資源配置的作用。短期電力負(fù)荷預(yù)測(cè)所呈現(xiàn)的規(guī)律特征和各種環(huán)境因素有著十分密切的聯(lián)系，會(huì)受到氣候因素、設(shè)備故障因素以及重大活動(dòng)的制約。短期電力負(fù)荷預(yù)測(cè)中最主要的方法是ANN法，其最主要的特征就是對(duì)非結(jié)構(gòu)性、非精確性規(guī)律具有很強(qiáng)的適應(yīng)性，能夠?qū)⒎蔷€性函數(shù)進(jìn)行很好的擬合，對(duì)預(yù)測(cè)模型結(jié)構(gòu)進(jìn)行更加準(zhǔn)確的預(yù)測(cè)。電力負(fù)荷曲線圖表的基本走勢(shì)圖與人們周期性用電量的變化情況以及具體活動(dòng)情況有著非常密切的聯(lián)系，并且在多數(shù)情形下還會(huì)受到氣象條件的影響，因此，電力負(fù)荷預(yù)測(cè)工程人員在對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)的過程中，要綜合考慮各方面的影響因素，注重區(qū)分劃分類別的粒度程度，以此提高負(fù)荷預(yù)測(cè)值的精準(zhǔn)度。工程人員可以將各類基本數(shù)據(jù)進(jìn)行模糊化處理和模糊化系統(tǒng)分類，然后將其輸入矢量函數(shù)，得到較為精確的數(shù)據(jù)。

2 基于模糊規(guī)則和遺傳算法的電力負(fù)荷模式分類系統(tǒng)

模糊分類預(yù)測(cè)法在電力負(fù)荷預(yù)測(cè)中發(fā)揮著極其重要的作用，是模糊邏輯計(jì)算中的一個(gè)重要應(yīng)用過程，通過模糊邏輯分類預(yù)測(cè)以及對(duì)其定義隸屬函數(shù)的重疊性進(jìn)行定性分析，可以使分類計(jì)算結(jié)構(gòu)和決策過程更加精確和透明化，從而提高短期電力負(fù)荷預(yù)測(cè)結(jié)果的可解釋性。對(duì)于n維K個(gè)類別的分類問題，給定M個(gè)n維模式矢量xp=[xp1，xp2，…，xpn]T=

（p=1，2，…，M）作為訓(xùn)練樣本，其中對(duì)應(yīng)第k個(gè)模式類別的樣本數(shù)為Mk個(gè)，顯然M=，模糊分類算法的通常使用規(guī)則為Rule Rq：If x1 is Aq1 and…and xn is Aqn then ClassCq with CFq，其中：x1、xn為n維模式矢量，Aq1為模糊集對(duì)應(yīng)的語言變量，Cq為決策類的類別號(hào)，Cq=1，…，K，CFq為規(guī)則的置信度。對(duì)于每條規(guī)則用啟發(fā)式訓(xùn)練方法決定CFq和Cq。在使用人工網(wǎng)絡(luò)模糊分類負(fù)荷預(yù)測(cè)方法進(jìn)行計(jì)算時(shí)，隨著模糊系統(tǒng)中輸入矢量維數(shù)的增加，模糊規(guī)則數(shù)目會(huì)呈現(xiàn)出指數(shù)型增長(zhǎng)的趨勢(shì)，如果使用雜糅的模糊子集，計(jì)算方法會(huì)使系統(tǒng)顯得非常復(fù)雜，因此，在使用模糊規(guī)則對(duì)負(fù)荷進(jìn)行優(yōu)化設(shè)計(jì)時(shí)，一定要遵循客觀規(guī)則，對(duì)模糊規(guī)則前項(xiàng)的個(gè)數(shù)進(jìn)行分類，并且在規(guī)則中加入一定的置信度。

此外，短期電力負(fù)荷預(yù)測(cè)容易在高維問題空間的目標(biāo)確定上出現(xiàn)各樣沖突，從而使得目標(biāo)單位的數(shù)值不一致，因而在實(shí)際應(yīng)用中要尋找Pareto最優(yōu)解，利用遺傳算法對(duì)具體目標(biāo)進(jìn)行優(yōu)化處理。傳統(tǒng)的數(shù)學(xué)編程技術(shù)必須通過多次迭代才能實(shí)現(xiàn)，而遺傳算法則可以實(shí)現(xiàn)同時(shí)處理多個(gè)可能解集，在有效處理各種復(fù)雜問題的過程中尋找到Pareto最優(yōu)解，例如，遺傳算法在解決多目標(biāo)優(yōu)化問題時(shí)，可適用于解決具有離散多特征的問題，對(duì)于一個(gè)n維決策矢量x∈X和m維目標(biāo)矢量y的多目標(biāo)優(yōu)化問題，按用戶定義的加權(quán)系數(shù)w1，…，wm加權(quán)，多目標(biāo)函數(shù)可表示為：，設(shè)決策矢量a，b∈X，當(dāng)a，b滿足時(shí)，稱a占優(yōu)b（a，p，b）。如果在此決策空間X里不存在任何解b占優(yōu)a，則稱a為一個(gè)Pareto最優(yōu)解。其中，模糊C-均值聚類算法主要是利用隸屬度來精確測(cè)算出每個(gè)樣本隸屬于某個(gè)聚類的程度大小，而FCM算法相比傳統(tǒng)算法而言具有更多優(yōu)勢(shì)，并且此類模糊聚類計(jì)算方法可以對(duì)相關(guān)數(shù)據(jù)進(jìn)行矩陣計(jì)算和分類，從而省去了掃描數(shù)據(jù)庫(kù)的諸多步驟。而其梯度法在對(duì)相關(guān)數(shù)據(jù)進(jìn)行搜索時(shí)也能以最快的速度對(duì)局部極值進(jìn)行處理。還有一種SOM神經(jīng)網(wǎng)絡(luò)算法也能對(duì)電力負(fù)荷預(yù)測(cè)中的輸出層單元進(jìn)行精確定位和計(jì)算，只需在此算法中輸入變量存在的一些拓?fù)浜拖鄳?yīng)順序，就能實(shí)現(xiàn)輸入空間平面的降維映射。SOM算法的基本步驟如下所示：首先，將電力負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)初始化，并在輸出層中的相關(guān)節(jié)點(diǎn)權(quán)重賦初值；其次，在系統(tǒng)樣本中輸入正確的向量；最后，對(duì)新獲取的數(shù)值樣本進(jìn)行訓(xùn)練，得出聚類輸出數(shù)值。

3 基于電力負(fù)荷模式分類的負(fù)荷預(yù)測(cè)實(shí)例分析

利用人工神經(jīng)網(wǎng)絡(luò)計(jì)算法和遺傳優(yōu)化法能夠?qū)﹄娏ω?fù)荷模式分類規(guī)則進(jìn)行精確預(yù)測(cè)，在預(yù)測(cè)的過程中，還要對(duì)每種負(fù)荷模式進(jìn)行專業(yè)式訓(xùn)練，符合模糊神經(jīng)網(wǎng)絡(luò)的規(guī)則，要避免出現(xiàn)因神經(jīng)網(wǎng)絡(luò)不同造成的負(fù)荷數(shù)據(jù)值混亂，從而降低負(fù)荷數(shù)值的擬合性能。在對(duì)輸入矢量進(jìn)行分析時(shí)，首先要對(duì)電力負(fù)荷預(yù)測(cè)前半月的模式類別進(jìn)行負(fù)荷氣象相關(guān)數(shù)據(jù)的預(yù)測(cè)，對(duì)于周末而言，負(fù)荷預(yù)測(cè)輸入矢量為預(yù)測(cè)日前一個(gè)月內(nèi)與其屬于同一模式類別的電力負(fù)荷氣象數(shù)據(jù)；而對(duì)于公共假日，負(fù)荷預(yù)測(cè)輸入矢量為數(shù)據(jù)庫(kù)中每年同一假日前半個(gè)月內(nèi)與其屬于同一模式類別的負(fù)荷氣象數(shù)據(jù)。而關(guān)于電力負(fù)荷預(yù)測(cè)的相關(guān)氣象數(shù)據(jù)主要包括每日的具體氣溫?cái)?shù)值、風(fēng)速變化情況、降雨量的大小和空氣濕度的多少，想要得到準(zhǔn)確的電力負(fù)荷預(yù)測(cè)數(shù)值，必須將相關(guān)數(shù)據(jù)經(jīng)過模糊化處理，將相關(guān)輸入矢量的隸屬函數(shù)進(jìn)行科學(xué)定義。而其模糊神經(jīng)網(wǎng)絡(luò)的輸出矢量具有如下規(guī)則集的形式：IF影響因素ai1 is v1 AND影響因素ai2 is v2…AND影響因素aik is vk THEN 負(fù)荷預(yù)測(cè)值 is y1。對(duì)假日輸出矢量進(jìn)行負(fù)荷預(yù)測(cè)可采用誤差函數(shù)MAPE對(duì)網(wǎng)絡(luò)輸出

誤差進(jìn)行分析，MAPE=100%，其中a為網(wǎng)絡(luò)輸

出，t為期望輸出。在實(shí)際計(jì)算中可結(jié)合預(yù)測(cè)負(fù)荷曲線圖進(jìn)行計(jì)算，平均可使MAPE最大值和最小值分別為11.81%和1.26%，能夠有效改善實(shí)際預(yù)測(cè)誤差值。

4 結(jié)語

基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)具有較多種類型的預(yù)測(cè)方法，其中采用遺傳優(yōu)化法來建立一個(gè)基于模糊規(guī)則的模式分類系統(tǒng)可以在很大程度上提高電力負(fù)荷預(yù)測(cè)的精確度，而通過使用遺傳優(yōu)化算法簡(jiǎn)化模糊規(guī)則集可以有效消除雜糅規(guī)則的不利影響。在短期電力負(fù)荷預(yù)測(cè)中，通過使用相關(guān)仿真試驗(yàn)進(jìn)行論證，能夠得出更為準(zhǔn)確、全面的樣本數(shù)據(jù)信息，提高了負(fù)荷預(yù)測(cè)的準(zhǔn)確度。短期電力負(fù)荷預(yù)測(cè)與人們的生活有著非常密切的聯(lián)系，想要確保電網(wǎng)建設(shè)能夠更加順利地進(jìn)行，必須采用多種有效負(fù)荷預(yù)測(cè)方法對(duì)其進(jìn)行模糊分類，從而為電力的正常運(yùn)行提供有力保障。

參考文獻(xiàn)

[1] 馮麗，邱家駒.基于模糊多目標(biāo)遺傳優(yōu)化算法的節(jié)假

日電力負(fù)荷預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，

（10）.

[2] 王建元，紀(jì)延超.模糊Petri網(wǎng)絡(luò)知識(shí)表示方法及其

在變壓器故障診斷中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào)，

2009，（1）.

[3] 謝開貴，李春燕，周家啟.基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷組合

預(yù)測(cè)模型研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，（7）.

作者簡(jiǎn)介：陳園園（1983—），女，河南省電力公司周口供電公司經(jīng)濟(jì)技術(shù)研究所計(jì)經(jīng)專責(zé)，碩士，研究方向：電力系統(tǒng)穩(wěn)定與控制。endprint

摘要：基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)能夠更加系統(tǒng)化、準(zhǔn)確化地實(shí)現(xiàn)相關(guān)數(shù)據(jù)的分析，從而有效改善電網(wǎng)運(yùn)行的整體負(fù)荷預(yù)測(cè)性能。文章對(duì)遺傳優(yōu)化算法中的Pareto模式分類規(guī)則和人工神經(jīng)模糊算法進(jìn)行了分析，并結(jié)合具體仿真試驗(yàn)進(jìn)行了論證，具有非常重要的意義。

關(guān)鍵詞：電力負(fù)荷模式；短期電力負(fù)荷；預(yù)測(cè)模糊分類法

中圖分類號(hào)：TM734 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-2374（2014）01-0069-02

基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)具有并行處理速度快、集中運(yùn)行效率高、響應(yīng)靈敏等特點(diǎn)，在進(jìn)行短期電力負(fù)荷預(yù)測(cè)的過程中發(fā)揮著關(guān)鍵性的作用。然而，短期電力負(fù)荷預(yù)測(cè)在預(yù)測(cè)精準(zhǔn)度上存在著一定的局限性，需要對(duì)其進(jìn)行較大程度的訓(xùn)練及選擇，只有科學(xué)合理的輸入輸出矢量才能夠改善預(yù)測(cè)目標(biāo)矢量的誤差，提高精準(zhǔn)度。本文對(duì)基于模糊規(guī)則的短期電力負(fù)荷預(yù)測(cè)分類系統(tǒng)和相關(guān)負(fù)荷預(yù)測(cè)實(shí)驗(yàn)論證進(jìn)行了分析，并結(jié)合遺傳優(yōu)化算法和模糊規(guī)則優(yōu)化算法進(jìn)行了探討。

1 基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)模式的概述

短期電力負(fù)荷預(yù)測(cè)的主要用途是對(duì)未來幾小時(shí)甚至是幾天的電力運(yùn)行負(fù)荷進(jìn)行預(yù)測(cè)，能夠?qū)﹄娏ο到y(tǒng)起到優(yōu)化資源配置的作用。短期電力負(fù)荷預(yù)測(cè)所呈現(xiàn)的規(guī)律特征和各種環(huán)境因素有著十分密切的聯(lián)系，會(huì)受到氣候因素、設(shè)備故障因素以及重大活動(dòng)的制約。短期電力負(fù)荷預(yù)測(cè)中最主要的方法是ANN法，其最主要的特征就是對(duì)非結(jié)構(gòu)性、非精確性規(guī)律具有很強(qiáng)的適應(yīng)性，能夠?qū)⒎蔷€性函數(shù)進(jìn)行很好的擬合，對(duì)預(yù)測(cè)模型結(jié)構(gòu)進(jìn)行更加準(zhǔn)確的預(yù)測(cè)。電力負(fù)荷曲線圖表的基本走勢(shì)圖與人們周期性用電量的變化情況以及具體活動(dòng)情況有著非常密切的聯(lián)系，并且在多數(shù)情形下還會(huì)受到氣象條件的影響，因此，電力負(fù)荷預(yù)測(cè)工程人員在對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)的過程中，要綜合考慮各方面的影響因素，注重區(qū)分劃分類別的粒度程度，以此提高負(fù)荷預(yù)測(cè)值的精準(zhǔn)度。工程人員可以將各類基本數(shù)據(jù)進(jìn)行模糊化處理和模糊化系統(tǒng)分類，然后將其輸入矢量函數(shù)，得到較為精確的數(shù)據(jù)。

2 基于模糊規(guī)則和遺傳算法的電力負(fù)荷模式分類系統(tǒng)

模糊分類預(yù)測(cè)法在電力負(fù)荷預(yù)測(cè)中發(fā)揮著極其重要的作用，是模糊邏輯計(jì)算中的一個(gè)重要應(yīng)用過程，通過模糊邏輯分類預(yù)測(cè)以及對(duì)其定義隸屬函數(shù)的重疊性進(jìn)行定性分析，可以使分類計(jì)算結(jié)構(gòu)和決策過程更加精確和透明化，從而提高短期電力負(fù)荷預(yù)測(cè)結(jié)果的可解釋性。對(duì)于n維K個(gè)類別的分類問題，給定M個(gè)n維模式矢量xp=[xp1，xp2，…，xpn]T=

（p=1，2，…，M）作為訓(xùn)練樣本，其中對(duì)應(yīng)第k個(gè)模式類別的樣本數(shù)為Mk個(gè)，顯然M=，模糊分類算法的通常使用規(guī)則為Rule Rq：If x1 is Aq1 and…and xn is Aqn then ClassCq with CFq，其中：x1、xn為n維模式矢量，Aq1為模糊集對(duì)應(yīng)的語言變量，Cq為決策類的類別號(hào)，Cq=1，…，K，CFq為規(guī)則的置信度。對(duì)于每條規(guī)則用啟發(fā)式訓(xùn)練方法決定CFq和Cq。在使用人工網(wǎng)絡(luò)模糊分類負(fù)荷預(yù)測(cè)方法進(jìn)行計(jì)算時(shí)，隨著模糊系統(tǒng)中輸入矢量維數(shù)的增加，模糊規(guī)則數(shù)目會(huì)呈現(xiàn)出指數(shù)型增長(zhǎng)的趨勢(shì)，如果使用雜糅的模糊子集，計(jì)算方法會(huì)使系統(tǒng)顯得非常復(fù)雜，因此，在使用模糊規(guī)則對(duì)負(fù)荷進(jìn)行優(yōu)化設(shè)計(jì)時(shí)，一定要遵循客觀規(guī)則，對(duì)模糊規(guī)則前項(xiàng)的個(gè)數(shù)進(jìn)行分類，并且在規(guī)則中加入一定的置信度。

此外，短期電力負(fù)荷預(yù)測(cè)容易在高維問題空間的目標(biāo)確定上出現(xiàn)各樣沖突，從而使得目標(biāo)單位的數(shù)值不一致，因而在實(shí)際應(yīng)用中要尋找Pareto最優(yōu)解，利用遺傳算法對(duì)具體目標(biāo)進(jìn)行優(yōu)化處理。傳統(tǒng)的數(shù)學(xué)編程技術(shù)必須通過多次迭代才能實(shí)現(xiàn)，而遺傳算法則可以實(shí)現(xiàn)同時(shí)處理多個(gè)可能解集，在有效處理各種復(fù)雜問題的過程中尋找到Pareto最優(yōu)解，例如，遺傳算法在解決多目標(biāo)優(yōu)化問題時(shí)，可適用于解決具有離散多特征的問題，對(duì)于一個(gè)n維決策矢量x∈X和m維目標(biāo)矢量y的多目標(biāo)優(yōu)化問題，按用戶定義的加權(quán)系數(shù)w1，…，wm加權(quán)，多目標(biāo)函數(shù)可表示為：，設(shè)決策矢量a，b∈X，當(dāng)a，b滿足時(shí)，稱a占優(yōu)b（a，p，b）。如果在此決策空間X里不存在任何解b占優(yōu)a，則稱a為一個(gè)Pareto最優(yōu)解。其中，模糊C-均值聚類算法主要是利用隸屬度來精確測(cè)算出每個(gè)樣本隸屬于某個(gè)聚類的程度大小，而FCM算法相比傳統(tǒng)算法而言具有更多優(yōu)勢(shì)，并且此類模糊聚類計(jì)算方法可以對(duì)相關(guān)數(shù)據(jù)進(jìn)行矩陣計(jì)算和分類，從而省去了掃描數(shù)據(jù)庫(kù)的諸多步驟。而其梯度法在對(duì)相關(guān)數(shù)據(jù)進(jìn)行搜索時(shí)也能以最快的速度對(duì)局部極值進(jìn)行處理。還有一種SOM神經(jīng)網(wǎng)絡(luò)算法也能對(duì)電力負(fù)荷預(yù)測(cè)中的輸出層單元進(jìn)行精確定位和計(jì)算，只需在此算法中輸入變量存在的一些拓?fù)浜拖鄳?yīng)順序，就能實(shí)現(xiàn)輸入空間平面的降維映射。SOM算法的基本步驟如下所示：首先，將電力負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)初始化，并在輸出層中的相關(guān)節(jié)點(diǎn)權(quán)重賦初值；其次，在系統(tǒng)樣本中輸入正確的向量；最后，對(duì)新獲取的數(shù)值樣本進(jìn)行訓(xùn)練，得出聚類輸出數(shù)值。

3 基于電力負(fù)荷模式分類的負(fù)荷預(yù)測(cè)實(shí)例分析

利用人工神經(jīng)網(wǎng)絡(luò)計(jì)算法和遺傳優(yōu)化法能夠?qū)﹄娏ω?fù)荷模式分類規(guī)則進(jìn)行精確預(yù)測(cè)，在預(yù)測(cè)的過程中，還要對(duì)每種負(fù)荷模式進(jìn)行專業(yè)式訓(xùn)練，符合模糊神經(jīng)網(wǎng)絡(luò)的規(guī)則，要避免出現(xiàn)因神經(jīng)網(wǎng)絡(luò)不同造成的負(fù)荷數(shù)據(jù)值混亂，從而降低負(fù)荷數(shù)值的擬合性能。在對(duì)輸入矢量進(jìn)行分析時(shí)，首先要對(duì)電力負(fù)荷預(yù)測(cè)前半月的模式類別進(jìn)行負(fù)荷氣象相關(guān)數(shù)據(jù)的預(yù)測(cè)，對(duì)于周末而言，負(fù)荷預(yù)測(cè)輸入矢量為預(yù)測(cè)日前一個(gè)月內(nèi)與其屬于同一模式類別的電力負(fù)荷氣象數(shù)據(jù)；而對(duì)于公共假日，負(fù)荷預(yù)測(cè)輸入矢量為數(shù)據(jù)庫(kù)中每年同一假日前半個(gè)月內(nèi)與其屬于同一模式類別的負(fù)荷氣象數(shù)據(jù)。而關(guān)于電力負(fù)荷預(yù)測(cè)的相關(guān)氣象數(shù)據(jù)主要包括每日的具體氣溫?cái)?shù)值、風(fēng)速變化情況、降雨量的大小和空氣濕度的多少，想要得到準(zhǔn)確的電力負(fù)荷預(yù)測(cè)數(shù)值，必須將相關(guān)數(shù)據(jù)經(jīng)過模糊化處理，將相關(guān)輸入矢量的隸屬函數(shù)進(jìn)行科學(xué)定義。而其模糊神經(jīng)網(wǎng)絡(luò)的輸出矢量具有如下規(guī)則集的形式：IF影響因素ai1 is v1 AND影響因素ai2 is v2…AND影響因素aik is vk THEN 負(fù)荷預(yù)測(cè)值 is y1。對(duì)假日輸出矢量進(jìn)行負(fù)荷預(yù)測(cè)可采用誤差函數(shù)MAPE對(duì)網(wǎng)絡(luò)輸出

誤差進(jìn)行分析，MAPE=100%，其中a為網(wǎng)絡(luò)輸

出，t為期望輸出。在實(shí)際計(jì)算中可結(jié)合預(yù)測(cè)負(fù)荷曲線圖進(jìn)行計(jì)算，平均可使MAPE最大值和最小值分別為11.81%和1.26%，能夠有效改善實(shí)際預(yù)測(cè)誤差值。

4 結(jié)語

基于電力負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)具有較多種類型的預(yù)測(cè)方法，其中采用遺傳優(yōu)化法來建立一個(gè)基于模糊規(guī)則的模式分類系統(tǒng)可以在很大程度上提高電力負(fù)荷預(yù)測(cè)的精確度，而通過使用遺傳優(yōu)化算法簡(jiǎn)化模糊規(guī)則集可以有效消除雜糅規(guī)則的不利影響。在短期電力負(fù)荷預(yù)測(cè)中，通過使用相關(guān)仿真試驗(yàn)進(jìn)行論證，能夠得出更為準(zhǔn)確、全面的樣本數(shù)據(jù)信息，提高了負(fù)荷預(yù)測(cè)的準(zhǔn)確度。短期電力負(fù)荷預(yù)測(cè)與人們的生活有著非常密切的聯(lián)系，想要確保電網(wǎng)建設(shè)能夠更加順利地進(jìn)行，必須采用多種有效負(fù)荷預(yù)測(cè)方法對(duì)其進(jìn)行模糊分類，從而為電力的正常運(yùn)行提供有力保障。

參考文獻(xiàn)

[1] 馮麗，邱家駒.基于模糊多目標(biāo)遺傳優(yōu)化算法的節(jié)假

日電力負(fù)荷預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，

（10）.

[2] 王建元，紀(jì)延超.模糊Petri網(wǎng)絡(luò)知識(shí)表示方法及其

在變壓器故障診斷中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào)，

2009，（1）.

[3] 謝開貴，李春燕，周家啟.基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷組合

預(yù)測(cè)模型研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，（7）.

作者簡(jiǎn)介：陳園園（1983—），女，河南省電力公司周口供電公司經(jīng)濟(jì)技術(shù)研究所計(jì)經(jīng)專責(zé)，碩士，研究方向：電力系統(tǒng)穩(wěn)定與控制。endprint