孟軍 黎燕 夏哲輝 羅安 岳雨霏 郭鵬

摘要：提出了一種基于云模型的電力負(fù)荷預(yù)測(cè)模型。利用云模型中的云發(fā)生器，分別將有限的國民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長率和增長變化率樣本數(shù)據(jù)空間擴(kuò)充為更具隨機(jī)性和普遍性的擴(kuò)展樣本數(shù)據(jù)。以國民生產(chǎn)總值為例，建立國民生產(chǎn)總值與電力負(fù)荷之間的規(guī)則推理，構(gòu)造云規(guī)則推理器。利用云規(guī)則推理器獲得電力負(fù)荷預(yù)測(cè)增長率，將國民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負(fù)荷預(yù)測(cè)增長率進(jìn)行加權(quán)平均，并換算得到最終的電力負(fù)荷預(yù)測(cè)值，獲得的預(yù)測(cè)結(jié)果精度高。

關(guān)鍵詞：云模型;不確定性數(shù)據(jù);負(fù)荷預(yù)測(cè)

中圖分類號(hào)：TM715，TP393

文獻(xiàn)標(biāo)識(shí)碼：A

1 引言

目前許多文獻(xiàn)在基于短期負(fù)荷預(yù)測(cè)研究理論和研究方法上做了不少的預(yù)測(cè)研究并且提出了許多的方法，這些方法基本上可以分為以下兩類：一類是傳統(tǒng)方法，這類方法以時(shí)間序列法為代表，這類方法具有速度快，算法簡單和應(yīng)用廣泛的優(yōu)點(diǎn)，但由于這類傳統(tǒng)方法都是線性模型方法，因此這一方法存在著很多不足和局限性，例如無法將農(nóng)村電力系統(tǒng)不同負(fù)荷模型的非線性特性真實(shí)的反映出來;另一類是新型人工智能方法，這類方法是以人工神經(jīng)網(wǎng)絡(luò)為代表，神經(jīng)網(wǎng)絡(luò)能夠?qū)⑿畔⒉⑿蟹植?，可以學(xué)習(xí)自動(dòng)提取輸出、輸出數(shù)據(jù)間的“合理規(guī)則”，即自學(xué)習(xí)并且能夠任意逼近連續(xù)函數(shù)，具有將電力短期負(fù)荷的各種變化趨勢(shì)捕獲的能力。但是BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)需要大量歷史數(shù)據(jù)，并且學(xué)習(xí)及處理不確定性和人工信息的能力較差。隨著電力系統(tǒng)負(fù)荷預(yù)測(cè)需求的不斷上漲，F(xiàn)UZZY預(yù)測(cè)法應(yīng)運(yùn)而生?？陀^上來說，電力系統(tǒng)本身所存在的規(guī)模龐大的模糊信息，對(duì)其符合預(yù)測(cè)工作的開展帶來了嚴(yán)重的負(fù)面影響[1]，所以，F(xiàn)UZZY方法是非常有必要的。該方法在實(shí)際的應(yīng)用過程中，將既往經(jīng)驗(yàn)和統(tǒng)計(jì)數(shù)據(jù)相結(jié)合，不過也同樣在客觀上導(dǎo)致預(yù)測(cè)過程中有諸多非科學(xué)因素的參與。而模糊數(shù)學(xué)的引入，雖然可以有效的描述模糊性事物，但是本身的精確性卻是不容忽視的，其隸屬函數(shù)轉(zhuǎn)化為精確數(shù)值之后將使得事物的模糊本質(zhì)被扼殺[2]。因此實(shí)際應(yīng)用來看，F(xiàn)UZZY方法對(duì)于負(fù)荷預(yù)測(cè)的精度往往是不盡人意的。

負(fù)荷預(yù)測(cè)所面臨的實(shí)際情況是：來源于供電部門的原始數(shù)據(jù)不僅種類而且年份上都較少;②電網(wǎng)規(guī)模的擴(kuò)大導(dǎo)致不確定性情形大量增長，因此常規(guī)性負(fù)荷預(yù)測(cè)方法無法適應(yīng)這種變化[3]。對(duì)此，云模型的應(yīng)用，不僅可以有效的描述和表達(dá)各種模糊因素，同時(shí)所構(gòu)建的定量/定性轉(zhuǎn)化模型，也同樣將模糊性和隨機(jī)性有機(jī)的整合在一起，使得定性定量之間的自然轉(zhuǎn)換成為可能，在不確定知識(shí)的表述方面有著出色的性能表現(xiàn)[4-8]。另一方面，通過建立云模型，形成量化的樣本數(shù)據(jù)庫，并利用云模型中的云發(fā)生器將原本有限的樣本空間擴(kuò)充為更具隨機(jī)性和普遍性的擴(kuò)展樣本數(shù)據(jù)，從而克服了樣本數(shù)據(jù)難以收集的缺陷。模糊性和隨機(jī)性是云模型所輸出的云滴具有的兩大特性，這些樣本數(shù)據(jù)在保留了原始樣本的客觀屬性的基礎(chǔ)上，為樣本數(shù)據(jù)庫的拓展提供了強(qiáng)有力的支持，也同樣為高負(fù)荷指標(biāo)的預(yù)測(cè)工作的順利開展奠定了堅(jiān)實(shí)的基礎(chǔ)。如在模型中導(dǎo)入某一年份的影響因素之后，將會(huì)對(duì)目標(biāo)時(shí)間段內(nèi)的負(fù)荷分布情況加以直觀的顯示。本文所創(chuàng)設(shè)和研究的模型，可有效的預(yù)測(cè)多種情況下的電力負(fù)荷分布情況，因此意義深遠(yuǎn)。

2 電力負(fù)荷預(yù)測(cè)云模型

以湖南省某市的年度負(fù)荷預(yù)測(cè)為例，通過綜合考慮分析其經(jīng)濟(jì)機(jī)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)、并收集大量歷史資料，分析得出：國民生產(chǎn)總值、工業(yè)生產(chǎn)總值、消費(fèi)、……。人口等因素影響電力負(fù)荷，其中國民生產(chǎn)總值和工業(yè)生產(chǎn)總值對(duì)電力負(fù)荷影響最大。因此可以通過建立國民生產(chǎn)總值、工業(yè)生產(chǎn)總值、消費(fèi)、……。人口等因素的云模型，來進(jìn)行電力負(fù)荷的預(yù)測(cè)，如圖1所示?？梢愿鶕?jù)實(shí)際需要來選擇影響電力負(fù)荷最大的因素來組成基于云模型的電力負(fù)荷預(yù)測(cè)模型。

由于國民生產(chǎn)總值和工業(yè)生產(chǎn)總值對(duì)電力負(fù)荷影響最大，本文以這兩個(gè)影響因素來建立的電力負(fù)荷預(yù)測(cè)模型。并根據(jù)所收集的歷史數(shù)據(jù)計(jì)算出相應(yīng)的增長率和增長變化率，進(jìn)行不確定描述。通過不確定性描述可以建立二維多規(guī)則生成器，通過重復(fù)輸入國民生產(chǎn)總值的增長率和增長變化率、工業(yè)生產(chǎn)總值的增長率和增長變化率，得到各自的負(fù)荷增長率的期望預(yù)測(cè)值增長率，并進(jìn)行加權(quán)平均，得到最終的預(yù)測(cè)值增長率。

3 基于國民生產(chǎn)總值的電力負(fù)荷預(yù)測(cè)云模型

本節(jié)以國民生產(chǎn)總值為例，給出如圖2所示的基于云模型的電力負(fù)荷預(yù)測(cè)流程圖。

下圖3表示國民生產(chǎn)總值年增長率e_GNP的7朵隸屬云，其中的具體云滴數(shù)為1000。按照相同的方式，可以繪制出其他輸入、輸出值的曲線，如下圖所示。

從圖中可以看出，樣本數(shù)據(jù)在云發(fā)生器的處理之后，將會(huì)為我們提供具有較強(qiáng)差異性的云滴。雖然差異性普遍存在于這些云滴之中，但是對(duì)云的概念的表示能力是一樣的，而對(duì)樣本數(shù)據(jù)的擴(kuò)充，實(shí)際上就是對(duì)云滴的擴(kuò)充。期望值E_x是中心值，是描述定性概念最為核心的數(shù)據(jù)。而熵E_n則反映了概念的模糊程度，數(shù)值和概念接受數(shù)值范圍成正比。超熵H_e表示云滴離散情況，某種意義上可以理解為云的“度”。

完成相關(guān)變量的定義后，接著設(shè)計(jì)二維隸屬云模型的推理規(guī)則。分別定義國民生產(chǎn)總值年增長率e_GNP、年增長變化率e_cGNP和電力負(fù)荷期望增長率E_xp，的云集分別為：

4 算例

利用湖南省某城市的國民生產(chǎn)總值和工業(yè)生產(chǎn)總值電力負(fù)荷云模型來驗(yàn)證本文所提基于云模型的電力負(fù)荷預(yù)測(cè)模型的準(zhǔn)確性。某市2007-2016年的年國民生產(chǎn)總值如表2所示。用當(dāng)年的國民生產(chǎn)總值減去上年的國民生產(chǎn)總值，再除以當(dāng)年的國民生產(chǎn)總值，就得到當(dāng)年的國民生產(chǎn)總值增長率。當(dāng)年的國民生產(chǎn)總值增長變化率用當(dāng)年的國民生產(chǎn)總值增長率減去上年的國民生產(chǎn)總值增長率就可得到。用當(dāng)年的工業(yè)生產(chǎn)總值減去上年的工業(yè)生產(chǎn)總值，再除以當(dāng)年的工業(yè)生產(chǎn)總值，就得到當(dāng)年的工業(yè)生產(chǎn)總值增長率。當(dāng)年的工業(yè)生產(chǎn)總值增長變化率用當(dāng)年的工業(yè)生產(chǎn)總值增長率減去上年的工業(yè)生產(chǎn)總值增長率就可得到。所得數(shù)據(jù)如表2所示。

用本文所提的基于云模型的電力負(fù)荷預(yù)測(cè)模型得到2007-2026年電力負(fù)荷的預(yù)測(cè)增長率，如表3所示。根據(jù)預(yù)測(cè)增長率，可以計(jì)算出電力負(fù)荷的預(yù)測(cè)值，即

預(yù)測(cè)值=上年實(shí)際用電量*（1+預(yù)測(cè)增長率） （11）

還有相對(duì)誤差，即

相對(duì)誤差=（當(dāng)年實(shí)際用電量一預(yù)測(cè)值）/當(dāng)年實(shí)際用電量

（12）

從表3的預(yù)測(cè)結(jié)果可以看出，本文所提的基于云模型的電力負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)結(jié)果能夠很好的逼近實(shí)際用電量，相對(duì)誤差都小于3%，滿足預(yù)測(cè)要求。

參考文獻(xiàn)

[l]寧環(huán)榮，基于BP人工神經(jīng)網(wǎng)絡(luò)在農(nóng)村電力短期負(fù)荷預(yù)測(cè)研究[J].中國高新技術(shù)企業(yè)，2010，22：138-140.

[2] L1 D，CHEUNC D，SHI Xue-mei.Uncertainty Reasoning Basedon Cloud Models in Controllers [J]. Computers Math.Applic.，1998， 35 （3）：99-123.

[3]方淦林.農(nóng)村電網(wǎng)規(guī)劃中負(fù)荷總量預(yù)測(cè)的研究[J]，南昌工程學(xué)院學(xué)報(bào)，2007，26 （1）：42-46.

[4]李德毅，杜鹢.不確定性人工智能[M].北京：國防工業(yè)出版社，2005.

[5]熊和金，陳德軍.智能信息系統(tǒng)[M].北京：國防工業(yè)出版社，2006.

[6]李德毅，孟海軍，史雪梅.隸屬云和隸屬云發(fā)生器[J].計(jì)算機(jī)研究與發(fā)展，1995，32（6）：15-20.

[7]付斌，李道國，王慕快.云模型研究的回顧與展望[J].計(jì)算機(jī)應(yīng)用研究，2011，28 （2）：420-426.

[8] XU Xun. From cloud computing to cloud manufacturing [J].Robotics and Computer -Integrated Manufacturing，2012，28： 75-86