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)測能夠更加系統(tǒng)化、準(zhǔn)確化地實現(xiàn)相關(guān)數(shù)據(jù)的分析，從而有效改善電網(wǎng)運行的整體負(fù)荷預(yù)測性能。文章對遺傳優(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)測模糊分類法

中圖分類號：TM734 文獻(xiàn)標(biāo)識碼：A 文章編號：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)測具有并行處理速度快、集中運行效率高、響應(yīng)靈敏等特點，在進(jìn)行短期電力負(fù)荷預(yù)測的過程中發(fā)揮著關(guān)鍵性的作用。然而，短期電力負(fù)荷預(yù)測在預(yù)測精準(zhǔn)度上存在著一定的局限性，需要對其進(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)測目標(biāo)矢量的誤差，提高精準(zhǔn)度。本文對基于模糊規(guī)則的短期電力負(fù)荷預(yù)測分類系統(tǒng)和相關(guān)負(fù)荷預(yù)測實驗論證進(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)測模式的概述

短期電力負(fù)荷預(yù)測的主要用途是對未來幾小時甚至是幾天的電力運行負(fù)荷進(jìn)行預(yù)測，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，會受到氣候因素、設(shè)備故障因素以及重大活動的制約。短期電力負(fù)荷預(yù)測中最主要的方法是ANN法，其最主要的特征就是對非結(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，對預(yù)測模型結(jié)構(gòu)進(jìn)行更加準(zhǔn)確的預(yù)測。電力負(fù)荷曲線圖表的基本走勢圖與人們周期性用電量的變化情況以及具體活動情況有著非常密切的聯(lián)系，并且在多數(shù)情形下還會受到氣象條件的影響，因此，電力負(fù)荷預(yù)測工程人員在對短期電力負(fù)荷進(jìn)行預(yù)測的過程中，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)測法在電力負(fù)荷預(yù)測中發(fā)揮著極其重要的作用，是模糊邏輯計算中的一個重要應(yīng)用過程，通過模糊邏輯分類預(yù)測以及對其定義隸屬函數(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)測結(jié)果的可解釋性。對于n維K個類別的分類問題，給定M個n維模式矢量xp=[xp1，xp2，…，xpn]T=

（p=1，2，…，M）作為訓(xùn)練樣本，其中對應(yīng)第k個模式類別的樣本數(shù)為Mk個，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為模糊集對應(yīng)的語言變量，Cq為決策類的類別號，Cq=1，…，K，CFq為規(guī)則的置信度。對于每條規(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)測方法進(jìn)行計算時，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)目會呈現(xiàn)出指數(shù)型增長的趨勢，如果使用雜糅的模糊子集，計算方法會使系統(tǒng)顯得非常復(fù)雜，因此，在使用模糊規(guī)則對負(fù)荷進(jìn)行優(yōu)化設(shè)計時，一定要遵循客觀規(guī)則，對模糊規(guī)則前項的個數(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，因而在實際應(yīng)用中要尋找Pareto最優(yōu)解，利用遺傳算法對具體目標(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現(xiàn)，而遺傳算法則可以實現(xiàn)同時處理多個可能解集，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，可適用于解決具有離散多特征的問題，對于一個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，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算出每個樣本隸屬于某個聚類的程度大小，而FCM算法相比傳統(tǒng)算法而言具有更多優(yōu)勢，并且此類模糊聚類計算方法可以對相關(guān)數(shù)據(jù)進(jìn)行矩陣計算和分類，從而省去了掃描數(shù)據(jù)庫的諸多步驟。而其梯度法在對相關(guān)數(shù)據(jù)進(jìn)行搜索時也能以最快的速度對局部極值進(jìn)行處理。還有一種SOM神經(jīng)網(wǎng)絡(luò)算法也能對電力負(fù)荷預(yù)測中的輸出層單元進(jìn)行精確定位和計算，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)測神經(jīng)網(wǎng)絡(luò)初始化，并在輸出層中的相關(guān)節(jié)點權(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)測實例分析

利用人工神經(jīng)網(wǎng)絡(luò)計算法和遺傳優(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，在預(yù)測的過程中，還要對每種負(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。在對輸入矢量進(jìn)行分析時，首先要對電力負(fù)荷預(yù)測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，對于周末而言，負(fù)荷預(yù)測輸入矢量為預(yù)測日前一個月內(nèi)與其屬于同一模式類別的電力負(fù)荷氣象數(shù)據(jù)；而對于公共假日，負(fù)荷預(yù)測輸入矢量為數(shù)據(jù)庫中每年同一假日前半個月內(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)測的相關(guān)氣象數(shù)據(jù)主要包括每日的具體氣溫數(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)測值 is y1。對假日輸出矢量進(jìn)行負(fù)荷預(yù)測可采用誤差函數(shù)MAPE對網(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。在實際計算中可結(jié)合預(yù)測負(fù)荷曲線圖進(jìn)行計算，平均可使MAPE最大值和最小值分別為11.81%和1.26%，能夠有效改善實際預(yù)測誤差值。

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)測具有較多種類型的預(yù)測方法，其中采用遺傳優(yōu)化法來建立一個基于模糊規(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)測的精確度，而通過使用遺傳優(yōu)化算法簡化模糊規(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)測中，通過使用相關(guān)仿真試驗進(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)測的準(zhǔn)確度。短期電力負(fù)荷預(yù)測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)測方法對其進(jìn)行模糊分類，從而為電力的正常運行提供有力保障。

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[J].中國電機(jī)工程學(xué)報，2011，

（10）.

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

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

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)測模型研究[J].中國電機(jī)工程學(xué)報，2011，（7）.

作者簡介：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)測能夠更加系統(tǒng)化、準(zhǔn)確化地實現(xiàn)相關(guān)數(shù)據(jù)的分析，從而有效改善電網(wǎng)運行的整體負(fù)荷預(yù)測性能。文章對遺傳優(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)測模糊分類法

中圖分類號：TM734 文獻(xiàn)標(biāo)識碼：A 文章編號：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)測具有并行處理速度快、集中運行效率高、響應(yīng)靈敏等特點，在進(jìn)行短期電力負(fù)荷預(yù)測的過程中發(fā)揮著關(guān)鍵性的作用。然而，短期電力負(fù)荷預(yù)測在預(yù)測精準(zhǔn)度上存在著一定的局限性，需要對其進(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)測目標(biāo)矢量的誤差，提高精準(zhǔn)度。本文對基于模糊規(guī)則的短期電力負(fù)荷預(yù)測分類系統(tǒng)和相關(guān)負(fù)荷預(yù)測實驗論證進(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)測模式的概述

短期電力負(fù)荷預(yù)測的主要用途是對未來幾小時甚至是幾天的電力運行負(fù)荷進(jìn)行預(yù)測，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，會受到氣候因素、設(shè)備故障因素以及重大活動的制約。短期電力負(fù)荷預(yù)測中最主要的方法是ANN法，其最主要的特征就是對非結(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，對預(yù)測模型結(jié)構(gòu)進(jìn)行更加準(zhǔn)確的預(yù)測。電力負(fù)荷曲線圖表的基本走勢圖與人們周期性用電量的變化情況以及具體活動情況有著非常密切的聯(lián)系，并且在多數(shù)情形下還會受到氣象條件的影響，因此，電力負(fù)荷預(yù)測工程人員在對短期電力負(fù)荷進(jìn)行預(yù)測的過程中，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)測法在電力負(fù)荷預(yù)測中發(fā)揮著極其重要的作用，是模糊邏輯計算中的一個重要應(yīng)用過程，通過模糊邏輯分類預(yù)測以及對其定義隸屬函數(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)測結(jié)果的可解釋性。對于n維K個類別的分類問題，給定M個n維模式矢量xp=[xp1，xp2，…，xpn]T=

（p=1，2，…，M）作為訓(xùn)練樣本，其中對應(yīng)第k個模式類別的樣本數(shù)為Mk個，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為模糊集對應(yīng)的語言變量，Cq為決策類的類別號，Cq=1，…，K，CFq為規(guī)則的置信度。對于每條規(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)測方法進(jìn)行計算時，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)目會呈現(xiàn)出指數(shù)型增長的趨勢，如果使用雜糅的模糊子集，計算方法會使系統(tǒng)顯得非常復(fù)雜，因此，在使用模糊規(guī)則對負(fù)荷進(jìn)行優(yōu)化設(shè)計時，一定要遵循客觀規(guī)則，對模糊規(guī)則前項的個數(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，因而在實際應(yīng)用中要尋找Pareto最優(yōu)解，利用遺傳算法對具體目標(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現(xiàn)，而遺傳算法則可以實現(xiàn)同時處理多個可能解集，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，可適用于解決具有離散多特征的問題，對于一個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，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算出每個樣本隸屬于某個聚類的程度大小，而FCM算法相比傳統(tǒng)算法而言具有更多優(yōu)勢，并且此類模糊聚類計算方法可以對相關(guān)數(shù)據(jù)進(jìn)行矩陣計算和分類，從而省去了掃描數(shù)據(jù)庫的諸多步驟。而其梯度法在對相關(guān)數(shù)據(jù)進(jìn)行搜索時也能以最快的速度對局部極值進(jìn)行處理。還有一種SOM神經(jīng)網(wǎng)絡(luò)算法也能對電力負(fù)荷預(yù)測中的輸出層單元進(jìn)行精確定位和計算，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)測神經(jīng)網(wǎng)絡(luò)初始化，并在輸出層中的相關(guān)節(jié)點權(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)測實例分析

利用人工神經(jīng)網(wǎng)絡(luò)計算法和遺傳優(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，在預(yù)測的過程中，還要對每種負(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。在對輸入矢量進(jìn)行分析時，首先要對電力負(fù)荷預(yù)測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，對于周末而言，負(fù)荷預(yù)測輸入矢量為預(yù)測日前一個月內(nèi)與其屬于同一模式類別的電力負(fù)荷氣象數(shù)據(jù)；而對于公共假日，負(fù)荷預(yù)測輸入矢量為數(shù)據(jù)庫中每年同一假日前半個月內(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)測的相關(guān)氣象數(shù)據(jù)主要包括每日的具體氣溫數(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)測值 is y1。對假日輸出矢量進(jìn)行負(fù)荷預(yù)測可采用誤差函數(shù)MAPE對網(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。在實際計算中可結(jié)合預(yù)測負(fù)荷曲線圖進(jìn)行計算，平均可使MAPE最大值和最小值分別為11.81%和1.26%，能夠有效改善實際預(yù)測誤差值。

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)測具有較多種類型的預(yù)測方法，其中采用遺傳優(yōu)化法來建立一個基于模糊規(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)測的精確度，而通過使用遺傳優(yōu)化算法簡化模糊規(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)測中，通過使用相關(guān)仿真試驗進(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)測的準(zhǔn)確度。短期電力負(fù)荷預(yù)測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)測方法對其進(jìn)行模糊分類，從而為電力的正常運行提供有力保障。

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[J].中國電機(jī)工程學(xué)報，2011，

（10）.

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

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

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)測模型研究[J].中國電機(jī)工程學(xué)報，2011，（7）.

作者簡介：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)測能夠更加系統(tǒng)化、準(zhǔn)確化地實現(xiàn)相關(guān)數(shù)據(jù)的分析，從而有效改善電網(wǎng)運行的整體負(fù)荷預(yù)測性能。文章對遺傳優(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)測模糊分類法

中圖分類號：TM734 文獻(xiàn)標(biāo)識碼：A 文章編號：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)測具有并行處理速度快、集中運行效率高、響應(yīng)靈敏等特點，在進(jìn)行短期電力負(fù)荷預(yù)測的過程中發(fā)揮著關(guān)鍵性的作用。然而，短期電力負(fù)荷預(yù)測在預(yù)測精準(zhǔn)度上存在著一定的局限性，需要對其進(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)測目標(biāo)矢量的誤差，提高精準(zhǔn)度。本文對基于模糊規(guī)則的短期電力負(fù)荷預(yù)測分類系統(tǒng)和相關(guān)負(fù)荷預(yù)測實驗論證進(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)測模式的概述

短期電力負(fù)荷預(yù)測的主要用途是對未來幾小時甚至是幾天的電力運行負(fù)荷進(jìn)行預(yù)測，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，會受到氣候因素、設(shè)備故障因素以及重大活動的制約。短期電力負(fù)荷預(yù)測中最主要的方法是ANN法，其最主要的特征就是對非結(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，對預(yù)測模型結(jié)構(gòu)進(jìn)行更加準(zhǔn)確的預(yù)測。電力負(fù)荷曲線圖表的基本走勢圖與人們周期性用電量的變化情況以及具體活動情況有著非常密切的聯(lián)系，并且在多數(shù)情形下還會受到氣象條件的影響，因此，電力負(fù)荷預(yù)測工程人員在對短期電力負(fù)荷進(jìn)行預(yù)測的過程中，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)測法在電力負(fù)荷預(yù)測中發(fā)揮著極其重要的作用，是模糊邏輯計算中的一個重要應(yīng)用過程，通過模糊邏輯分類預(yù)測以及對其定義隸屬函數(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)測結(jié)果的可解釋性。對于n維K個類別的分類問題，給定M個n維模式矢量xp=[xp1，xp2，…，xpn]T=

（p=1，2，…，M）作為訓(xùn)練樣本，其中對應(yīng)第k個模式類別的樣本數(shù)為Mk個，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為模糊集對應(yīng)的語言變量，Cq為決策類的類別號，Cq=1，…，K，CFq為規(guī)則的置信度。對于每條規(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)測方法進(jìn)行計算時，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)目會呈現(xiàn)出指數(shù)型增長的趨勢，如果使用雜糅的模糊子集，計算方法會使系統(tǒng)顯得非常復(fù)雜，因此，在使用模糊規(guī)則對負(fù)荷進(jìn)行優(yōu)化設(shè)計時，一定要遵循客觀規(guī)則，對模糊規(guī)則前項的個數(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，因而在實際應(yīng)用中要尋找Pareto最優(yōu)解，利用遺傳算法對具體目標(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現(xiàn)，而遺傳算法則可以實現(xiàn)同時處理多個可能解集，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，可適用于解決具有離散多特征的問題，對于一個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，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算出每個樣本隸屬于某個聚類的程度大小，而FCM算法相比傳統(tǒng)算法而言具有更多優(yōu)勢，并且此類模糊聚類計算方法可以對相關(guān)數(shù)據(jù)進(jìn)行矩陣計算和分類，從而省去了掃描數(shù)據(jù)庫的諸多步驟。而其梯度法在對相關(guān)數(shù)據(jù)進(jìn)行搜索時也能以最快的速度對局部極值進(jìn)行處理。還有一種SOM神經(jīng)網(wǎng)絡(luò)算法也能對電力負(fù)荷預(yù)測中的輸出層單元進(jìn)行精確定位和計算，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)測神經(jīng)網(wǎng)絡(luò)初始化，并在輸出層中的相關(guān)節(jié)點權(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)測實例分析

利用人工神經(jīng)網(wǎng)絡(luò)計算法和遺傳優(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，在預(yù)測的過程中，還要對每種負(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。在對輸入矢量進(jìn)行分析時，首先要對電力負(fù)荷預(yù)測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，對于周末而言，負(fù)荷預(yù)測輸入矢量為預(yù)測日前一個月內(nèi)與其屬于同一模式類別的電力負(fù)荷氣象數(shù)據(jù)；而對于公共假日，負(fù)荷預(yù)測輸入矢量為數(shù)據(jù)庫中每年同一假日前半個月內(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)測的相關(guān)氣象數(shù)據(jù)主要包括每日的具體氣溫數(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)測值 is y1。對假日輸出矢量進(jìn)行負(fù)荷預(yù)測可采用誤差函數(shù)MAPE對網(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。在實際計算中可結(jié)合預(yù)測負(fù)荷曲線圖進(jìn)行計算，平均可使MAPE最大值和最小值分別為11.81%和1.26%，能夠有效改善實際預(yù)測誤差值。

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)測具有較多種類型的預(yù)測方法，其中采用遺傳優(yōu)化法來建立一個基于模糊規(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)測的精確度，而通過使用遺傳優(yōu)化算法簡化模糊規(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)測中，通過使用相關(guān)仿真試驗進(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)測的準(zhǔn)確度。短期電力負(fù)荷預(yù)測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)測方法對其進(jìn)行模糊分類，從而為電力的正常運行提供有力保障。

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[J].中國電機(jī)工程學(xué)報，2011，

（10）.

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

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

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)測模型研究[J].中國電機(jī)工程學(xué)報，2011，（7）.

作者簡介：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)研究所計經(jīng)專責(zé)，碩士，研究方向：電力系統(tǒng)穩(wěn)定與控制。endprint