基于貝葉斯分類(lèi)的電網(wǎng)系統(tǒng)短期負(fù)荷預(yù)測(cè)方法

鄧智廣

（廣東電網(wǎng)有限責(zé)任公司佛山供電局，廣東 佛山 528000）

科學(xué)的不斷進(jìn)步帶來(lái)了各行各業(yè)技術(shù)的提升，電力行業(yè)中，配電網(wǎng)中的設(shè)備也在不斷地更新?lián)Q代。配電系統(tǒng)是供電企業(yè)中最重要的組成部分，是電網(wǎng)將電向用戶(hù)輸送的橋梁。社會(huì)用電需求不斷地增加運(yùn)行負(fù)擔(dān)也在急劇加重，配電網(wǎng)的電網(wǎng)系統(tǒng)短期負(fù)荷的各種預(yù)測(cè)技術(shù)也在不斷地發(fā)展，電網(wǎng)預(yù)測(cè)的目的是提升電網(wǎng)資產(chǎn)的有效利用率，減少電網(wǎng)在預(yù)測(cè)過(guò)程中的電流損失。可持續(xù)發(fā)展理念的引入，使電氣設(shè)備的高速發(fā)展與新能源的融合讓電網(wǎng)的發(fā)展方向產(chǎn)生了一定的改變。不同類(lèi)型的新能源接入導(dǎo)致電網(wǎng)的負(fù)荷在短時(shí)間內(nèi)產(chǎn)生較大的變化，目前電網(wǎng)的抗容能力很難應(yīng)對(duì)能源替代中的短期電流負(fù)荷變化，交流配電網(wǎng)需要采用電網(wǎng)系統(tǒng)短期負(fù)荷預(yù)測(cè)的方式，對(duì)電網(wǎng)系統(tǒng)短期負(fù)荷進(jìn)行計(jì)算，以便滿(mǎn)足配電網(wǎng)系統(tǒng)的電負(fù)荷變化需求。大數(shù)據(jù)時(shí)代讓很多傳統(tǒng)行業(yè)朝著新的方向發(fā)展，電網(wǎng)系統(tǒng)的數(shù)據(jù)和控制系統(tǒng)變?yōu)殚_(kāi)放訪(fǎng)問(wèn)的模式，國(guó)內(nèi)外學(xué)者開(kāi)始對(duì)電網(wǎng)系統(tǒng)短期負(fù)荷預(yù)測(cè)方法進(jìn)行研究，基于配電系統(tǒng)的直流電和交流電的不同特征，研究了電網(wǎng)的安全可靠性。文獻(xiàn)［1］研究了深度遞歸神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型。在深度神經(jīng)網(wǎng)絡(luò)多隱層結(jié)構(gòu)的基礎(chǔ)上，深度遞歸神經(jīng)網(wǎng)絡(luò)增設(shè)了關(guān)聯(lián)層，并以改進(jìn)粒子群算法作為網(wǎng)絡(luò)的優(yōu)化學(xué)習(xí)算法，對(duì)模型權(quán)值空間進(jìn)行深度優(yōu)化。但是該方法的預(yù)測(cè)誤差大。文獻(xiàn)［2］分析了多層融合神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)原理，預(yù)測(cè)了該預(yù)測(cè)方式對(duì)直流配電網(wǎng)的預(yù)測(cè)效果，研究了該預(yù)測(cè)方式的未來(lái)發(fā)展形式，并對(duì)其缺陷提出了未來(lái)改進(jìn)的方式。針對(duì)上述問(wèn)題，提出一種基于貝葉斯分類(lèi)的電網(wǎng)系統(tǒng)短期負(fù)荷預(yù)測(cè)方法，根據(jù)配電網(wǎng)的表征對(duì)各類(lèi)變量進(jìn)行分類(lèi)。采用實(shí)例數(shù)據(jù)進(jìn)行分類(lèi)器的學(xué)習(xí)和訓(xùn)練。根據(jù)分布式數(shù)據(jù)的處理原理，將數(shù)據(jù)分割成若干數(shù)據(jù)塊，分割后的數(shù)據(jù)采用數(shù)據(jù)塊列表的方式進(jìn)行儲(chǔ)存，從而對(duì)電網(wǎng)系統(tǒng)短期負(fù)荷進(jìn)行精準(zhǔn)預(yù)測(cè)。

1 建立電網(wǎng)系統(tǒng)短期負(fù)荷預(yù)測(cè)指標(biāo)

基于貝葉斯分類(lèi)的電網(wǎng)系統(tǒng)短期負(fù)荷預(yù)測(cè)方法首先要建立短期負(fù)荷預(yù)測(cè)指標(biāo)，作為進(jìn)行預(yù)測(cè)的標(biāo)準(zhǔn)。預(yù)測(cè)指標(biāo)體系的搭建原理如圖1所示。

圖1 預(yù)測(cè)指標(biāo)體系的搭建原理

預(yù)測(cè)指標(biāo)體系的搭建過(guò)程分為三部分，先進(jìn)行數(shù)據(jù)采集，然后將采集后的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理[3-5]，將異常的數(shù)據(jù)進(jìn)行過(guò)濾，再利用數(shù)據(jù)去噪的方式進(jìn)行去噪，去噪的公式如下：

式（1）中AE（T）就是數(shù)據(jù)去噪后的數(shù)值，t1為原始數(shù)據(jù)，t2為數(shù)據(jù)異常，A為去噪的濾波地系數(shù)。然后對(duì)數(shù)據(jù)進(jìn)行負(fù)荷數(shù)據(jù)的統(tǒng)一處理：

式（2）中p為處理后的數(shù)據(jù)，設(shè)n為數(shù)據(jù)樣本，p為樣本n在時(shí)刻i的短期負(fù)荷。經(jīng)過(guò)數(shù)據(jù)的處理后進(jìn)行預(yù)測(cè)指標(biāo)建立：

表1 短期負(fù)荷預(yù)測(cè)指標(biāo)

預(yù)測(cè)指標(biāo)的建立結(jié)果如表1所示，指標(biāo)分支的評(píng)判方法屬于概率性映射［6］，因此進(jìn)行預(yù)測(cè)模型函數(shù)建立的時(shí)候也可以采用模糊分布法進(jìn)行對(duì)應(yīng)。

2 基于貝葉斯分類(lèi)建立隸屬度模型

貝葉斯分類(lèi)是利用知識(shí)表達(dá)類(lèi)型的模型，相比于其他模型來(lái)說(shuō)貝葉斯分類(lèi)模型的推理能力更加靈活。在預(yù)測(cè)方法建立中采用隨機(jī)變量的獨(dú)立特征方式建立父節(jié)點(diǎn)給定的構(gòu)成規(guī)則：

式（3）中p（x）為規(guī)則式，x為隨機(jī)變量，r為節(jié)點(diǎn)的取值的組合數(shù)量。該規(guī)則表達(dá)式展現(xiàn)了貝葉斯分類(lèi)規(guī)則聯(lián)合概率的分布方式［7］。建立基于貝葉斯分類(lèi)的分類(lèi)器，采用實(shí)例數(shù)據(jù)進(jìn)行分類(lèi)器的學(xué)習(xí)和訓(xùn)練：

式（4）中α為基于貝葉斯分類(lèi)的分類(lèi)器的正則化因子，p（c）為先驗(yàn)的分類(lèi)概率，反映了樣本數(shù)據(jù)在該模型中的訓(xùn)練效果。

在進(jìn)行電網(wǎng)系統(tǒng)短期負(fù)荷預(yù)測(cè)的過(guò)程中，建立預(yù)測(cè)指標(biāo)體系和預(yù)測(cè)隸屬度模型，在數(shù)學(xué)的角度本質(zhì)上為根據(jù)配電網(wǎng)的表征對(duì)各類(lèi)變量進(jìn)行分類(lèi)。在貝葉斯分類(lèi)器中選擇三層的貝葉斯網(wǎng)絡(luò)，含有唯一的父節(jié)點(diǎn)和n個(gè)子節(jié)點(diǎn)，子節(jié)點(diǎn)之間相互獨(dú)立。為了讓輸入模型的數(shù)據(jù)變得更加規(guī)則，設(shè)計(jì)可以對(duì)原始數(shù)據(jù)進(jìn)行切片的技術(shù)［8］，減少模型計(jì)算帶來(lái)多余的資源占用。根據(jù)分布式數(shù)據(jù)的處理原理，將數(shù)據(jù)分割成若干數(shù)據(jù)塊，分割后的數(shù)據(jù)采用數(shù)據(jù)塊列表的方式進(jìn)行儲(chǔ)存。

3 實(shí)現(xiàn)模型計(jì)算數(shù)據(jù)并行化處理

對(duì)數(shù)據(jù)的切片進(jìn)行統(tǒng)一化的處理，設(shè)置得到數(shù)據(jù)的切片數(shù)量為m個(gè)。分片后的數(shù)據(jù)是負(fù)荷數(shù)據(jù)列向量，為了得到n維的行向量對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)置，維度與切片的時(shí)間區(qū)間的長(zhǎng)度相關(guān)。在得到模型計(jì)算數(shù)據(jù)之前要進(jìn)行數(shù)據(jù)的合并處理，稱(chēng)為模型計(jì)算數(shù)據(jù)并行化儲(chǔ)存。將時(shí)間的列向量轉(zhuǎn)置為一個(gè)可進(jìn)行并行化處理的矩陣，矩陣的負(fù)荷時(shí)間序列采用橫行的數(shù)據(jù)代表，因此矩陣的橫行數(shù)據(jù)為m，轉(zhuǎn)置得到一個(gè)n維的行向量，則矩陣屬性的數(shù)據(jù)為n，矩陣的計(jì)算結(jié)果就是數(shù)據(jù)分片與維度的乘積。對(duì)矩陣中的所有數(shù)據(jù)進(jìn)行合并操作，m的長(zhǎng)度由n來(lái)決定。m×n的矩陣每一行代表一個(gè)負(fù)荷時(shí)間序列，在傳統(tǒng)的電網(wǎng)系統(tǒng)短期負(fù)荷預(yù)測(cè)方法中，原始模型預(yù)測(cè)方法會(huì)將矩陣中的m個(gè)變量進(jìn)行整體序列處理，然后在矩陣中輸入各影響因素相關(guān)的變量，得到的負(fù)荷預(yù)測(cè)值是基于貝葉斯分類(lèi)器分類(lèi)進(jìn)行學(xué)習(xí)和訓(xùn)練過(guò)的。該模型的預(yù)測(cè)方式分為組合模型預(yù)測(cè)和單獨(dú)模型預(yù)測(cè)，具體使用哪種方式由各個(gè)影響因素的特征決定，數(shù)據(jù)進(jìn)行并行化處理之后波動(dòng)和趨勢(shì)分量的隨機(jī)性降低了，得到的并行性模態(tài)數(shù)據(jù)的準(zhǔn)確性更高，得到最終的預(yù)測(cè)結(jié)果。

4 測(cè)試實(shí)驗(yàn)

為了驗(yàn)證本文設(shè)計(jì)方法的可靠性，將基于貝葉斯分類(lèi)的電網(wǎng)系統(tǒng)短期負(fù)荷預(yù)測(cè)方法與傳統(tǒng)的支持向量短期負(fù)荷預(yù)測(cè)方法、模擬組態(tài)的短期負(fù)荷預(yù)測(cè)方法進(jìn)行對(duì)比，比較預(yù)測(cè)方法的效率。

4.1 實(shí)驗(yàn)環(huán)境搭配

在進(jìn)行實(shí)驗(yàn)之前，首先對(duì)實(shí)驗(yàn)進(jìn)行實(shí)驗(yàn)環(huán)境的搭建：

實(shí)驗(yàn)的軟硬件配置如表2所示，在實(shí)驗(yàn)中進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的集群的配置，集群的配置是用于兩種設(shè)備，一個(gè)用來(lái)進(jìn)行集群的配置，一個(gè)用來(lái)進(jìn)行集群角色的配置。每個(gè)集群下設(shè)置25～30個(gè)節(jié)點(diǎn)。slave節(jié)點(diǎn)的數(shù)量應(yīng)適應(yīng)集群。

表2 實(shí)驗(yàn)環(huán)境軟硬件搭配

4.2 實(shí)驗(yàn)的數(shù)據(jù)準(zhǔn)備

采用貝葉斯分類(lèi)的方式對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，無(wú)數(shù)據(jù)處理的過(guò)程如圖2所示。

圖2 數(shù)據(jù)處理流程

根據(jù)對(duì)負(fù)荷預(yù)測(cè)的實(shí)驗(yàn)，進(jìn)行負(fù)荷量級(jí)的選擇。通過(guò)選擇5個(gè)量級(jí)，預(yù)測(cè)次數(shù)分別為500、1000、2000、5000和20000。而電網(wǎng)系統(tǒng)短期負(fù)荷預(yù)測(cè)的文件大小分別為15GB、20GB、25GB、30GB和35GB。預(yù)測(cè)次數(shù)和文件大小一一對(duì)應(yīng)，對(duì)電網(wǎng)系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測(cè)，對(duì)預(yù)測(cè)的效益進(jìn)行驗(yàn)證。

4.3 實(shí)驗(yàn)結(jié)果

采用本文設(shè)計(jì)的方法和傳統(tǒng)的支持向量短期負(fù)荷預(yù)測(cè)方法、模擬組態(tài)的短期負(fù)荷預(yù)測(cè)方法進(jìn)行預(yù)測(cè)數(shù)據(jù)的對(duì)比，隨機(jī)選取某地商業(yè)用電的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)采樣的時(shí)間間隔為2h，預(yù)測(cè)誤差的平均誤差計(jì)算公式為：

式（5）中的h為預(yù)測(cè)誤差，y1為預(yù)測(cè)值，y2為實(shí)際值，n為樣本的個(gè)數(shù)。實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果顯示，本文設(shè)計(jì)的方法與實(shí)際的測(cè)量值相比，平均誤差值為0.024，是誤差值中最小的。與傳統(tǒng)的支持向量短期負(fù)荷預(yù)測(cè)方法、模擬組態(tài)的短期負(fù)荷預(yù)測(cè)方法相比，數(shù)值的曲線(xiàn)也最接近實(shí)際曲線(xiàn)，實(shí)驗(yàn)結(jié)果表明本文設(shè)計(jì)的預(yù)測(cè)方法準(zhǔn)確性最高。

5 結(jié)論

本文采用貝葉斯分類(lèi)的原理對(duì)短期的負(fù)荷預(yù)測(cè)方法進(jìn)行設(shè)計(jì)，首先建立電網(wǎng)預(yù)測(cè)的指標(biāo)體系，然后預(yù)測(cè)指標(biāo)的特征進(jìn)行模型的建立與計(jì)算。這種方法打破了傳統(tǒng)的預(yù)測(cè)方法預(yù)測(cè)時(shí)間長(zhǎng)的缺陷，縮短預(yù)測(cè)時(shí)間提升預(yù)測(cè)效率。并為數(shù)據(jù)的并行化處理技術(shù)提供了發(fā)展的依據(jù)，對(duì)影響因素的分析比較全面。