馮麗云

（山西省晉城市水利局，山西晉城 048000）

電力負荷預測是電力系統(tǒng)的研究熱點之一［1－3］．短期負荷預測是電力系統(tǒng)調(diào)度和管理部門制定負荷分配及開停機計劃的主要依據(jù)．人工神經(jīng)網(wǎng)絡［4］、支持向量機［5］等方法在電力負荷預測中的應用取得了較好的效果．但人工神經(jīng)網(wǎng)絡方法具有隱層結點數(shù)不易確定、易陷入局部極小值、過擬合等缺陷;支持向量機在訓練數(shù)據(jù)時存在數(shù)據(jù)處理量太大、處理速度慢等不足．遺傳程序設計（Genetic Programming，GP）采用層次可變的形式表達問題，通過不斷復制、交叉、變異以適應客觀事實數(shù)據(jù)，針對具體問題自動給出恰當?shù)暮瘮?shù)解形式，在預測領域得到了廣泛應用．如鞠平等將GP應用于電力負荷預測，可自動找出與負荷變化密切相關的因素［6］．

短期負荷預報需要考慮的影響因素有很多，如溫度、降水量、風力等，各種因素的影響最終又會反映到負荷的變化上;而相似日的選取中能直接考慮各種相關因素［7］．筆者通過日特征量和日前趨勢相似度及綜合度量選取多個相似日，利用遺傳程序設計進行建模，得到預測日的對應負荷．

1 相似日的選取

使用相似日的負荷數(shù)據(jù)可以提高預測結果的精度［5，8］．日特征相似時，其負荷特征曲線的形狀并不一定相似，所以在選取相似日時需考慮其負荷特征曲線形狀的相似度．某特征曲線形狀相似度等價于趨勢相似度．這里從日特征相似度和前趨勢相似度綜合的角度選擇趨勢相似日．

定義1i，j兩日的日特征相似度為

式中：Oij表示日特征相似度，它是m維空間中兩個日特征向量之間的夾角余弦，反映了這兩日的特征量在m維空間上的距離大小．

定義2i，j兩日的前趨勢相似度為

由上述定義可知，某兩日的前趨勢相似度涉及該兩日的趨勢相似度所涉及對象的大部分，因此可以利用這兩日的前趨勢相似度對它們的趨勢相似度進行評估．將Oij和Fij結合，則有

式中：Tij為i，j兩日的趨勢相似度;μ，λ 為參數(shù)，可根據(jù)歷史日期與參照日之間的趨勢相似度、前趨勢相似度及日特征相似度，應用最小二乘法優(yōu)化求得．

2 短期負荷預測模型

影響短期電力負荷預測的因素很多，而相似日的選取直接考慮各種相關因素．這里通過日特征量和日前趨勢相似度及綜合度量選取多個相似日，以相似日負荷數(shù)據(jù)作為樣本通過GP進行建模，最后用建好的模型對日96點電力負荷進行預測．

基于相似日的遺傳程序設計進行短期負荷預測建模步驟如下．

1）偽數(shù)據(jù)的處理．用于GP建模的負荷數(shù)據(jù)大多來自電力部門的SCADA系統(tǒng)，由于各種因素的影響，歷史負荷數(shù)據(jù)中往往包含“不良數(shù)據(jù)”或“壞數(shù)據(jù)”．因此，在使用這些數(shù)據(jù)前應進行適當處理，去除不規(guī)則數(shù)據(jù)，填補缺失數(shù)據(jù)，消除其對預測結果的不良影響．具體處理方法參見文獻［9］．

2）相似日的選?。鶕?jù)日特征相似度和前趨勢相似度綜合的角度選擇趨勢相似日，詳細處理方法參見文獻［7］和文獻［10］．

3）GP負荷預測建模．考慮到負荷的相關特性，經(jīng)過多次測試后，選取的參數(shù)見表1．

表1 GP演化建模參數(shù)表

4）將選取的相似日負荷數(shù)據(jù)作為GP演化建模的率定樣本集，求出最優(yōu)短期負荷預測模型，對日負荷進行預測．

基于相似日的遺傳程序設計短期負荷預測的具體流程如圖1所示．圖中Gen代表遺傳代數(shù);Pr，Pc，Pm分別為復制概率、交叉概率、變異概率．

圖1 GP短期負荷預測流程圖

3 算例分析

根據(jù)貴州省各日的天氣和電網(wǎng)實際負荷數(shù)據(jù)，從預測日的前一個月中的樣本數(shù)據(jù)集中選取相似日，應用文中的GP模型進行演化建模，對2006年8月24日至8月30日每天96點的電力負荷進行預測．限于篇幅，這里僅將2006年8月30日的預測結果和實際值進行比較，如圖2所示．各預測結果統(tǒng)計見表2．

圖2 8月30日GP模型預測結果比較

表2 2006年8月24日至8月30日各日預測結果統(tǒng)計 %

由表2可知，周平均預測準確率為99．10%，周平均合格點百分比為99．11%，預測結果是令人滿意的．

4 結語

綜合考慮了影響電力負荷的各種因素，從日特征量、前趨勢相似度以及這兩者的綜合3個角度評估兩日的趨勢相似度來選擇預測日的相似日．根據(jù)所選取的多個相似日的樣本數(shù)據(jù)，采用遺傳程序設計進行自動演化建模，對貴州電網(wǎng)實際日負荷進行預測．實例分析結果證明了所建模型在短期負荷預測中的有效性，可應用于電力負荷預測的管理工作．

［1］ Hippert H S，Pedreira C E，Souza R C．Neural networks for short-term load forecasting：a review and evaluation［J］．IEEE Transactions on power systems，2001，16（1）：44－55．

［2］ Alfares H K，Nazeeruddin M．Electric load forecasting：literature survey and classification of methods［J］．International Journal of Systems Science，2002，33（1）：33 －34．

［3］康重慶，夏清，張伯明．電力系統(tǒng)負荷預測研究綜述與發(fā)展方向的探討［J］．電力系統(tǒng)自動化，2004，28（17）：1－11．

［4］ Niu Dongxiao，Xing Ming，Meng Ming．Research on ANN power load forecasting based on united data mining technology［J］．Transactions of China Electrotechnical Society，2004，19（9）：62 －68．

［5］劉夢良，劉曉華，高榮．基于相似日小波支持向量機的短期電力負荷預測［J］．電工技術學報，2006，21（11）：59－64．

［6］鞠平，李靖霞，陸曉濤．電力負荷預測的遺傳規(guī)劃方法［J］．電力系統(tǒng)自動化，2000，24（11）：35 －38．

［7］康重慶，程旭，夏清，等．一種規(guī)范化的處理相關因素的短期負荷預測新策略［J］．電力系統(tǒng)自動化，1999，23（18）：32－35．

［8］姜勇，盧毅．基于相似日的神經(jīng)網(wǎng)絡短期負荷預測方法［J］．電力系統(tǒng)及其自動化學報，2001，13（6）：35 －40．

［9］楊奎河．短期電力負荷的智能化預測方法研究［D］．西安：西安電子科技大學，2004．

［10］莫維仁，張伯明，孫宏斌，等．短期負荷預測中選擇相似日的探討［J］．清華大學學報：自然科學版，2004，44（1）：106－109．