基于云模型的電力負荷預測
2018-04-13 08:28:04孟軍黎燕夏哲輝羅安岳雨霏郭鵬
計算技術與自動化 2018年2期
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荷預測模型。利用云模型中的云發生器，分別將有限的國民生產總值和工業生產總值的增長率和增長變化率樣本數據空間擴充為更具隨機性和普遍性的擴展樣本數據。以國民生產總值為例，建立國民生產總值與電力負荷之間的規則推理，構造云規則推理器。利用云規則推理器獲得電力負荷預測增長率，將國民生產總值和工業生產總值獲得的電力負荷預測增長率進行加權平均，并換算得到最終的電力負荷預測值，獲得的預測結果精度高。
關鍵詞：云模型;不確定性數據;負荷預測
中圖分類號：TM715，TP393
文獻標識碼：A
1 引言
目前許多文獻在基于短期負荷預測研究理論和研究方法上做了不少的預測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：一類是傳統方法，這類方法以時間序列法為代表，這類方法具有速度快，算法簡單和應用廣泛的優點，但由于這類傳統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，例如無法將農村電力系統不同負荷模型的非線性特性真實的反映出來;另一類是新型人工智能方法，這類方法是以人工神經網絡為代表，神經網絡能夠將信息并行分布，可以學習自動提取輸出、輸出數據間的“合理規則”，即自學習并且能夠任意逼近連續函數，具有將電力短期負荷的各種變化趨勢捕獲的能力。但是BP網絡進行訓練時需要大量歷史數據，并且學習及處理不確定性和人工信息的能力較差。隨著電力系統負荷預測需求的不斷上漲，FUZZY預測法應運而生。客觀上來說，電力系統本身所存在的規模龐大的模糊信息，對其符合預測工作的開展帶來了嚴重的負面影響[1]，所以，FUZZY方法是非常有必要的。該方法在實際的應用過程中，將既往經驗和統計數據相結合，不過也同樣在客觀上導致預測過程中有諸多非科學因素的參與。而模糊數學的引入，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，其隸屬函數轉化為精確數值之后將使得事物的模糊本質被扼殺[2]。因此實際應用來看，FUZZY方法對于負荷預測的精度往往是不盡人意的。
負荷預測所面臨的實際情況是：來源于供電部門的原始數據不僅種類而且年份上都較少;②電網規模的擴大導致不確定性情形大量增長，因此常規性負荷預測方法無法適應這種變化[3]。對此，云模型的應用，不僅可以有效的描述和表達各種模糊因素，同時所構建的定量/定性轉化模型，也同樣將模糊性和隨機性有機的整合在一起，使得定性定量之間的自然轉換成為可能，在不確定知識的表述方面有著出色的性能表現[4-8]。另一方面，通過建立云模型，形成量化的樣本數據庫，并利用云模型中的云發生器將原本有限的樣本空間擴充為更具隨機性和普遍性的擴展樣本數據，從而克服了樣本數據難以收集的缺陷。模糊性和隨機性是云模型所輸出的云滴具有的兩大特性，這些樣本數據在保留了原始樣本的客觀屬性的基礎上，為樣本數據庫的拓展提供了強有力的支持，也同樣為高負荷指標的預測工作的順利開展奠定了堅實的基礎。如在模型中導入某一年份的影響因素之后，將會對目標時間段內的負荷分布情況加以直觀的顯示。本文所創設和研究的模型，可有效的預測多種情況下的電力負荷分布情況，因此意義深遠。
2 電力負荷預測云模型
以湖南省某市的年度負荷預測為例，通過綜合考慮分析其經濟機構、產業結構、并收集大量歷史資料，分析得出：國民生產總值、工業生產總值、消費、……。人口等因素影響電力負荷，其中國民生產總值和工業生產總值對電力負荷影響最大。因此可以通過建立國民生產總值、工業生產總值、消費、……。人口等因素的云模型，來進行電力負荷的預測，如圖1所示。可以根據實際需要來選擇影響電力負荷最大的因素來組成基于云模型的電力負荷預測模型。
由于國民生產總值和工業生產總值對電力負荷影響最大，本文以這兩個影響因素來建立的電力負荷預測模型。并根據所收集的歷史數據計算出相應的增長率和增長變化率，進行不確定描述。通過不確定性描述可以建立二維多規則生成器，通過重復輸入國民生產總值的增長率和增長變化率、工業生產總值的增長率和增長變化率，得到各自的負荷增長率的期望預測值增長率，并進行加權平均，得到最終的預測值增長率。
3 基于國民生產總值的電力負荷預測云模型
本節以國民生產總值為例，給出如圖2所示的基于云模型的電力負荷預測流程圖。
下圖3表示國民生產總值年增長率eGNP的7朵隸屬云，其中的具體云滴數為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，樣本數據在云發生器的處理之后，將會為我們提供具有較強差異性的云滴。雖然差異性普遍存在于這些云滴之中，但是對云的概念的表示能力是一樣的，而對樣本數據的擴充，實際上就是對云滴的擴充。期望值Ex是中心值，是描述定性概念最為核心的數據。而熵En則反映了概念的模糊程度，數值和概念接受數值范圍成正比。超熵He表示云滴離散情況，某種意義上可以理解為云的“度”。
完成相關變量的定義后，接著設計二維隸屬云模型的推理規則。分別定義國民生產總值年增長率eGNP、年增長變化率ecGNP和電力負荷期望增長率Exp，的云集分別為：
4 算例
利用湖南省某城市的國民生產總值和工業生產總值電力負荷云模型來驗證本文所提基于云模型的電力負荷預測模型的準確性。某市2007-2016年的年國民生產總值如表2所示。用當年的國民生產總值減去上年的國民生產總值，再除以當年的國民生產總值，就得到當年的國民生產總值增長率。當年的國民生產總值增長變化率用當年的國民生產總值增長率減去上年的國民生產總值增長率就可得到。用當年的工業生產總值減去上年的工業生產總值，再除以當年的工業生產總值，就得到當年的工業生產總值增長率。當年的工業生產總值增長變化率用當年的工業生產總值增長率減去上年的工業生產總值增長率就可得到。所得數據如表2所示。
用本文所提的基于云模型的電力負荷預測模型得到2007-2026年電力負荷的預測增長率，如表3所示。根據預測增長率，可以計算出電力負荷的預測值，即
預測值=上年實際用電量*（1+預測增長率） （11）
還有相對誤差，即
相對誤差=（當年實際用電量一預測值）/當年實際用電量
（12）
從表3的預測結果可以看出，本文所提的基于云模型的電力負荷預測模型的預測結果能夠很好的逼近實際用電量，相對誤差都小于3%，滿足預測要求。
參考文獻
[l]寧環榮，基于BP人工神經網絡在農村電力短期負荷預測研究[J].中國高新技術企業，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.農村電網規劃中負荷總量預測的研究[J]，南昌工程學院學報，2007，26 （1）：42-46.
[4]李德毅，杜鹢.不確定性人工智能[M].北京：國防工業出版社，2005.
[5]熊和金，陳德軍.智能信息系統[M].北京：國防工業出版社，2006.
[6]李德毅，孟海軍，史雪梅.隸屬云和隸屬云發生器[J].計算機研究與發展，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].計算機應用研究，2011，28 （2）：420-426.
[8] XU Xun. From cloud computing to cloud manufacturing [J].Robotics and Computer -Integrated Manufacturing，2012，28： 75-86
