基于電力負荷模式分類的短期電力負荷預測

陳園園+王成然

摘要：基于電力負荷模式分類的短期電力負荷預測能夠更加系統化、準確化地實現相關數據的分析，從而有效改善電網運行的整體負荷預測性能。文章對遺傳優化算法中的Pareto模式分類規則和人工神經模糊算法進行了分析，并結合具體仿真試驗進行了論證，具有非常重要的意義。

關鍵詞：電力負荷模式；短期電力負荷；預測模糊分類法

中圖分類號：TM734 文獻標識碼：A 文章編號：1009-2374（2014）01-0069-02

基于電力負荷模式分類的短期電力負荷預測具有并行處理速度快、集中運行效率高、響應靈敏等特點，在進行短期電力負荷預測的過程中發揮著關鍵性的作用。然而，短期電力負荷預測在預測精準度上存在著一定的局限性，需要對其進行較大程度的訓練及選擇，只有科學合理的輸入輸出矢量才能夠改善預測目標矢量的誤差，提高精準度。本文對基于模糊規則的短期電力負荷預測分類系統和相關負荷預測實驗論證進行了分析，并結合遺傳優化算法和模糊規則優化算法進行了探討。

1 基于電力負荷模式分類的短期電力負荷預測模式的概述

短期電力負荷預測的主要用途是對未來幾小時甚至是幾天的電力運行負荷進行預測，能夠對電力系統起到優化資源配置的作用。短期電力負荷預測所呈現的規律特征和各種環境因素有著十分密切的聯系，會受到氣候因素、設備故障因素以及重大活動的制約。短期電力負荷預測中最主要的方法是ANN法，其最主要的特征就是對非結構性、非精確性規律具有很強的適應性，能夠將非線性函數進行很好的擬合，對預測模型結構進行更加準確的預測。電力負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系，并且在多數情形下還會受到氣象條件的影響，因此，電力負荷預測工程人員在對短期電力負荷進行預測的過程中，要綜合考慮各方面的影響因素，注重區分劃分類別的粒度程度，以此提高負荷預測值的精準度。工程人員可以將各類基本數據進行模糊化處理和模糊化系統分類，然后將其輸入矢量函數，得到較為精確的數據。

2 基于模糊規則和遺傳算法的電力負荷模式分類系統

模糊分類預測法在電力負荷預測中發揮著極其重要的作用，是模糊邏輯計算中的一個重要應用過程，通過模糊邏輯分類預測以及對其定義隸屬函數的重疊性進行定性分析，可以使分類計算結構和決策過程更加精確和透明化，從而提高短期電力負荷預測結果的可解釋性。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）作為訓練樣本，其中對應第k個模式類別的樣本數為Mk個，顯然M=，模糊分類算法的通常使用規則為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為模糊集對應的語言變量，Cq為決策類的類別號，Cq=1，…，K，CFq為規則的置信度。對于每條規則用啟發式訓練方法決定CFq和Cq。在使用人工網絡模糊分類負荷預測方法進行計算時，隨著模糊系統中輸入矢量維數的增加，模糊規則數目會呈現出指數型增長的趨勢，如果使用雜糅的模糊子集，計算方法會使系統顯得非常復雜，因此，在使用模糊規則對負荷進行優化設計時，一定要遵循客觀規則，對模糊規則前項的個數進行分類，并且在規則中加入一定的置信度。

此外，短期電力負荷預測容易在高維問題空間的目標確定上出現各樣沖突，從而使得目標單位的數值不一致，因而在實際應用中要尋找Pareto最優解，利用遺傳算法對具體目標進行優化處理。傳統的數學編程技術必須通過多次迭代才能實現，而遺傳算法則可以實現同時處理多個可能解集，在有效處理各種復雜問題的過程中尋找到Pareto最優解，例如，遺傳算法在解決多目標優化問題時，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維目標矢量y的多目標優化問題，按用戶定義的加權系數w1，…，wm加權，多目標函數可表示為：，設決策矢量a，b∈X，當a，b滿足時，稱a占優b（a，p，b）。如果在此決策空間X里不存在任何解b占優a，則稱a為一個Pareto最優解。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算法相比傳統算法而言具有更多優勢，并且此類模糊聚類計算方法可以對相關數據進行矩陣計算和分類，從而省去了掃描數據庫的諸多步驟。而其梯度法在對相關數據進行搜索時也能以最快的速度對局部極值進行處理。還有一種SOM神經網絡算法也能對電力負荷預測中的輸出層單元進行精確定位和計算，只需在此算法中輸入變量存在的一些拓撲和相應順序，就能實現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，將電力負荷預測神經網絡初始化，并在輸出層中的相關節點權重賦初值；其次，在系統樣本中輸入正確的向量；最后，對新獲取的數值樣本進行訓練，得出聚類輸出數值。

3 基于電力負荷模式分類的負荷預測實例分析

利用人工神經網絡計算法和遺傳優化法能夠對電力負荷模式分類規則進行精確預測，在預測的過程中，還要對每種負荷模式進行專業式訓練，符合模糊神經網絡的規則，要避免出現因神經網絡不同造成的負荷數據值混亂，從而降低負荷數值的擬合性能。在對輸入矢量進行分析時，首先要對電力負荷預測前半月的模式類別進行負荷氣象相關數據的預測，對于周末而言，負荷預測輸入矢量為預測日前一個月內與其屬于同一模式類別的電力負荷氣象數據；而對于公共假日，負荷預測輸入矢量為數據庫中每年同一假日前半個月內與其屬于同一模式類別的負荷氣象數據。而關于電力負荷預測的相關氣象數據主要包括每日的具體氣溫數值、風速變化情況、降雨量的大小和空氣濕度的多少，想要得到準確的電力負荷預測數值，必須將相關數據經過模糊化處理，將相關輸入矢量的隸屬函數進行科學定義。而其模糊神經網絡的輸出矢量具有如下規則集的形式：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 負荷預測值 is y1。對假日輸出矢量進行負荷預測可采用誤差函數MAPE對網絡輸出

誤差進行分析，MAPE=100%，其中a為網絡輸

出，t為期望輸出。在實際計算中可結合預測負荷曲線圖進行計算，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測誤差值。

4 結語

基于電力負荷模式分類的短期電力負荷預測具有較多種類型的預測方法，其中采用遺傳優化法來建立一個基于模糊規則的模式分類系統可以在很大程度上提高電力負荷預測的精確度，而通過使用遺傳優化算法簡化模糊規則集可以有效消除雜糅規則的不利影響。在短期電力負荷預測中，通過使用相關仿真試驗進行論證，能夠得出更為準確、全面的樣本數據信息，提高了負荷預測的準確度。短期電力負荷預測與人們的生活有著非常密切的聯系，想要確保電網建設能夠更加順利地進行，必須采用多種有效負荷預測方法對其進行模糊分類，從而為電力的正常運行提供有力保障。

參考文獻

[1] 馮麗，邱家駒.基于模糊多目標遺傳優化算法的節假

日電力負荷預測[J].中國電機工程學報，2011，

（10）.

[2] 王建元，紀延超.模糊Petri網絡知識表示方法及其

在變壓器故障診斷中的應用[J].中國電機工程學報，

2009，（1）.

[3] 謝開貴，李春燕，周家啟.基于神經網絡的負荷組合

預測模型研究[J].中國電機工程學報，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濟技術研究所計經專責，碩士，研究方向：電力系統穩定與控制。endprint

摘要：基于電力負荷模式分類的短期電力負荷預測能夠更加系統化、準確化地實現相關數據的分析，從而有效改善電網運行的整體負荷預測性能。文章對遺傳優化算法中的Pareto模式分類規則和人工神經模糊算法進行了分析，并結合具體仿真試驗進行了論證，具有非常重要的意義。

關鍵詞：電力負荷模式；短期電力負荷；預測模糊分類法

中圖分類號：TM734 文獻標識碼：A 文章編號：1009-2374（2014）01-0069-02

基于電力負荷模式分類的短期電力負荷預測具有并行處理速度快、集中運行效率高、響應靈敏等特點，在進行短期電力負荷預測的過程中發揮著關鍵性的作用。然而，短期電力負荷預測在預測精準度上存在著一定的局限性，需要對其進行較大程度的訓練及選擇，只有科學合理的輸入輸出矢量才能夠改善預測目標矢量的誤差，提高精準度。本文對基于模糊規則的短期電力負荷預測分類系統和相關負荷預測實驗論證進行了分析，并結合遺傳優化算法和模糊規則優化算法進行了探討。

1 基于電力負荷模式分類的短期電力負荷預測模式的概述

短期電力負荷預測的主要用途是對未來幾小時甚至是幾天的電力運行負荷進行預測，能夠對電力系統起到優化資源配置的作用。短期電力負荷預測所呈現的規律特征和各種環境因素有著十分密切的聯系，會受到氣候因素、設備故障因素以及重大活動的制約。短期電力負荷預測中最主要的方法是ANN法，其最主要的特征就是對非結構性、非精確性規律具有很強的適應性，能夠將非線性函數進行很好的擬合，對預測模型結構進行更加準確的預測。電力負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系，并且在多數情形下還會受到氣象條件的影響，因此，電力負荷預測工程人員在對短期電力負荷進行預測的過程中，要綜合考慮各方面的影響因素，注重區分劃分類別的粒度程度，以此提高負荷預測值的精準度。工程人員可以將各類基本數據進行模糊化處理和模糊化系統分類，然后將其輸入矢量函數，得到較為精確的數據。

2 基于模糊規則和遺傳算法的電力負荷模式分類系統

模糊分類預測法在電力負荷預測中發揮著極其重要的作用，是模糊邏輯計算中的一個重要應用過程，通過模糊邏輯分類預測以及對其定義隸屬函數的重疊性進行定性分析，可以使分類計算結構和決策過程更加精確和透明化，從而提高短期電力負荷預測結果的可解釋性。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）作為訓練樣本，其中對應第k個模式類別的樣本數為Mk個，顯然M=，模糊分類算法的通常使用規則為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為模糊集對應的語言變量，Cq為決策類的類別號，Cq=1，…，K，CFq為規則的置信度。對于每條規則用啟發式訓練方法決定CFq和Cq。在使用人工網絡模糊分類負荷預測方法進行計算時，隨著模糊系統中輸入矢量維數的增加，模糊規則數目會呈現出指數型增長的趨勢，如果使用雜糅的模糊子集，計算方法會使系統顯得非常復雜，因此，在使用模糊規則對負荷進行優化設計時，一定要遵循客觀規則，對模糊規則前項的個數進行分類，并且在規則中加入一定的置信度。

此外，短期電力負荷預測容易在高維問題空間的目標確定上出現各樣沖突，從而使得目標單位的數值不一致，因而在實際應用中要尋找Pareto最優解，利用遺傳算法對具體目標進行優化處理。傳統的數學編程技術必須通過多次迭代才能實現，而遺傳算法則可以實現同時處理多個可能解集，在有效處理各種復雜問題的過程中尋找到Pareto最優解，例如，遺傳算法在解決多目標優化問題時，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維目標矢量y的多目標優化問題，按用戶定義的加權系數w1，…，wm加權，多目標函數可表示為：，設決策矢量a，b∈X，當a，b滿足時，稱a占優b（a，p，b）。如果在此決策空間X里不存在任何解b占優a，則稱a為一個Pareto最優解。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算法相比傳統算法而言具有更多優勢，并且此類模糊聚類計算方法可以對相關數據進行矩陣計算和分類，從而省去了掃描數據庫的諸多步驟。而其梯度法在對相關數據進行搜索時也能以最快的速度對局部極值進行處理。還有一種SOM神經網絡算法也能對電力負荷預測中的輸出層單元進行精確定位和計算，只需在此算法中輸入變量存在的一些拓撲和相應順序，就能實現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，將電力負荷預測神經網絡初始化，并在輸出層中的相關節點權重賦初值；其次，在系統樣本中輸入正確的向量；最后，對新獲取的數值樣本進行訓練，得出聚類輸出數值。

3 基于電力負荷模式分類的負荷預測實例分析

利用人工神經網絡計算法和遺傳優化法能夠對電力負荷模式分類規則進行精確預測，在預測的過程中，還要對每種負荷模式進行專業式訓練，符合模糊神經網絡的規則，要避免出現因神經網絡不同造成的負荷數據值混亂，從而降低負荷數值的擬合性能。在對輸入矢量進行分析時，首先要對電力負荷預測前半月的模式類別進行負荷氣象相關數據的預測，對于周末而言，負荷預測輸入矢量為預測日前一個月內與其屬于同一模式類別的電力負荷氣象數據；而對于公共假日，負荷預測輸入矢量為數據庫中每年同一假日前半個月內與其屬于同一模式類別的負荷氣象數據。而關于電力負荷預測的相關氣象數據主要包括每日的具體氣溫數值、風速變化情況、降雨量的大小和空氣濕度的多少，想要得到準確的電力負荷預測數值，必須將相關數據經過模糊化處理，將相關輸入矢量的隸屬函數進行科學定義。而其模糊神經網絡的輸出矢量具有如下規則集的形式：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 負荷預測值 is y1。對假日輸出矢量進行負荷預測可采用誤差函數MAPE對網絡輸出

誤差進行分析，MAPE=100%，其中a為網絡輸

出，t為期望輸出。在實際計算中可結合預測負荷曲線圖進行計算，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測誤差值。

4 結語

基于電力負荷模式分類的短期電力負荷預測具有較多種類型的預測方法，其中采用遺傳優化法來建立一個基于模糊規則的模式分類系統可以在很大程度上提高電力負荷預測的精確度，而通過使用遺傳優化算法簡化模糊規則集可以有效消除雜糅規則的不利影響。在短期電力負荷預測中，通過使用相關仿真試驗進行論證，能夠得出更為準確、全面的樣本數據信息，提高了負荷預測的準確度。短期電力負荷預測與人們的生活有著非常密切的聯系，想要確保電網建設能夠更加順利地進行，必須采用多種有效負荷預測方法對其進行模糊分類，從而為電力的正常運行提供有力保障。

參考文獻

[1] 馮麗，邱家駒.基于模糊多目標遺傳優化算法的節假

日電力負荷預測[J].中國電機工程學報，2011，

（10）.

[2] 王建元，紀延超.模糊Petri網絡知識表示方法及其

在變壓器故障診斷中的應用[J].中國電機工程學報，

2009，（1）.

[3] 謝開貴，李春燕，周家啟.基于神經網絡的負荷組合

預測模型研究[J].中國電機工程學報，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濟技術研究所計經專責，碩士，研究方向：電力系統穩定與控制。endprint

摘要：基于電力負荷模式分類的短期電力負荷預測能夠更加系統化、準確化地實現相關數據的分析，從而有效改善電網運行的整體負荷預測性能。文章對遺傳優化算法中的Pareto模式分類規則和人工神經模糊算法進行了分析，并結合具體仿真試驗進行了論證，具有非常重要的意義。

關鍵詞：電力負荷模式；短期電力負荷；預測模糊分類法

中圖分類號：TM734 文獻標識碼：A 文章編號：1009-2374（2014）01-0069-02

基于電力負荷模式分類的短期電力負荷預測具有并行處理速度快、集中運行效率高、響應靈敏等特點，在進行短期電力負荷預測的過程中發揮著關鍵性的作用。然而，短期電力負荷預測在預測精準度上存在著一定的局限性，需要對其進行較大程度的訓練及選擇，只有科學合理的輸入輸出矢量才能夠改善預測目標矢量的誤差，提高精準度。本文對基于模糊規則的短期電力負荷預測分類系統和相關負荷預測實驗論證進行了分析，并結合遺傳優化算法和模糊規則優化算法進行了探討。

1 基于電力負荷模式分類的短期電力負荷預測模式的概述

短期電力負荷預測的主要用途是對未來幾小時甚至是幾天的電力運行負荷進行預測，能夠對電力系統起到優化資源配置的作用。短期電力負荷預測所呈現的規律特征和各種環境因素有著十分密切的聯系，會受到氣候因素、設備故障因素以及重大活動的制約。短期電力負荷預測中最主要的方法是ANN法，其最主要的特征就是對非結構性、非精確性規律具有很強的適應性，能夠將非線性函數進行很好的擬合，對預測模型結構進行更加準確的預測。電力負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系，并且在多數情形下還會受到氣象條件的影響，因此，電力負荷預測工程人員在對短期電力負荷進行預測的過程中，要綜合考慮各方面的影響因素，注重區分劃分類別的粒度程度，以此提高負荷預測值的精準度。工程人員可以將各類基本數據進行模糊化處理和模糊化系統分類，然后將其輸入矢量函數，得到較為精確的數據。

2 基于模糊規則和遺傳算法的電力負荷模式分類系統

模糊分類預測法在電力負荷預測中發揮著極其重要的作用，是模糊邏輯計算中的一個重要應用過程，通過模糊邏輯分類預測以及對其定義隸屬函數的重疊性進行定性分析，可以使分類計算結構和決策過程更加精確和透明化，從而提高短期電力負荷預測結果的可解釋性。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）作為訓練樣本，其中對應第k個模式類別的樣本數為Mk個，顯然M=，模糊分類算法的通常使用規則為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為模糊集對應的語言變量，Cq為決策類的類別號，Cq=1，…，K，CFq為規則的置信度。對于每條規則用啟發式訓練方法決定CFq和Cq。在使用人工網絡模糊分類負荷預測方法進行計算時，隨著模糊系統中輸入矢量維數的增加，模糊規則數目會呈現出指數型增長的趨勢，如果使用雜糅的模糊子集，計算方法會使系統顯得非常復雜，因此，在使用模糊規則對負荷進行優化設計時，一定要遵循客觀規則，對模糊規則前項的個數進行分類，并且在規則中加入一定的置信度。

此外，短期電力負荷預測容易在高維問題空間的目標確定上出現各樣沖突，從而使得目標單位的數值不一致，因而在實際應用中要尋找Pareto最優解，利用遺傳算法對具體目標進行優化處理。傳統的數學編程技術必須通過多次迭代才能實現，而遺傳算法則可以實現同時處理多個可能解集，在有效處理各種復雜問題的過程中尋找到Pareto最優解，例如，遺傳算法在解決多目標優化問題時，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維目標矢量y的多目標優化問題，按用戶定義的加權系數w1，…，wm加權，多目標函數可表示為：，設決策矢量a，b∈X，當a，b滿足時，稱a占優b（a，p，b）。如果在此決策空間X里不存在任何解b占優a，則稱a為一個Pareto最優解。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算法相比傳統算法而言具有更多優勢，并且此類模糊聚類計算方法可以對相關數據進行矩陣計算和分類，從而省去了掃描數據庫的諸多步驟。而其梯度法在對相關數據進行搜索時也能以最快的速度對局部極值進行處理。還有一種SOM神經網絡算法也能對電力負荷預測中的輸出層單元進行精確定位和計算，只需在此算法中輸入變量存在的一些拓撲和相應順序，就能實現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，將電力負荷預測神經網絡初始化，并在輸出層中的相關節點權重賦初值；其次，在系統樣本中輸入正確的向量；最后，對新獲取的數值樣本進行訓練，得出聚類輸出數值。

3 基于電力負荷模式分類的負荷預測實例分析

利用人工神經網絡計算法和遺傳優化法能夠對電力負荷模式分類規則進行精確預測，在預測的過程中，還要對每種負荷模式進行專業式訓練，符合模糊神經網絡的規則，要避免出現因神經網絡不同造成的負荷數據值混亂，從而降低負荷數值的擬合性能。在對輸入矢量進行分析時，首先要對電力負荷預測前半月的模式類別進行負荷氣象相關數據的預測，對于周末而言，負荷預測輸入矢量為預測日前一個月內與其屬于同一模式類別的電力負荷氣象數據；而對于公共假日，負荷預測輸入矢量為數據庫中每年同一假日前半個月內與其屬于同一模式類別的負荷氣象數據。而關于電力負荷預測的相關氣象數據主要包括每日的具體氣溫數值、風速變化情況、降雨量的大小和空氣濕度的多少，想要得到準確的電力負荷預測數值，必須將相關數據經過模糊化處理，將相關輸入矢量的隸屬函數進行科學定義。而其模糊神經網絡的輸出矢量具有如下規則集的形式：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 負荷預測值 is y1。對假日輸出矢量進行負荷預測可采用誤差函數MAPE對網絡輸出

誤差進行分析，MAPE=100%，其中a為網絡輸

出，t為期望輸出。在實際計算中可結合預測負荷曲線圖進行計算，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測誤差值。

4 結語

基于電力負荷模式分類的短期電力負荷預測具有較多種類型的預測方法，其中采用遺傳優化法來建立一個基于模糊規則的模式分類系統可以在很大程度上提高電力負荷預測的精確度，而通過使用遺傳優化算法簡化模糊規則集可以有效消除雜糅規則的不利影響。在短期電力負荷預測中，通過使用相關仿真試驗進行論證，能夠得出更為準確、全面的樣本數據信息，提高了負荷預測的準確度。短期電力負荷預測與人們的生活有著非常密切的聯系，想要確保電網建設能夠更加順利地進行，必須采用多種有效負荷預測方法對其進行模糊分類，從而為電力的正常運行提供有力保障。

參考文獻

[1] 馮麗，邱家駒.基于模糊多目標遺傳優化算法的節假

日電力負荷預測[J].中國電機工程學報，2011，

（10）.

[2] 王建元，紀延超.模糊Petri網絡知識表示方法及其

在變壓器故障診斷中的應用[J].中國電機工程學報，

2009，（1）.

[3] 謝開貴，李春燕，周家啟.基于神經網絡的負荷組合

預測模型研究[J].中國電機工程學報，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濟技術研究所計經專責，碩士，研究方向：電力系統穩定與控制。endprint