基于貝葉斯分類的電網系統短期負荷預測方法

鄧智廣

（廣東電網有限責任公司佛山供電局，廣東 佛山 528000）

科學的不斷進步帶來了各行各業技術的提升，電力行業中，配電網中的設備也在不斷地更新換代。配電系統是供電企業中最重要的組成部分，是電網將電向用戶輸送的橋梁。社會用電需求不斷地增加運行負擔也在急劇加重，配電網的電網系統短期負荷的各種預測技術也在不斷地發展，電網預測的目的是提升電網資產的有效利用率，減少電網在預測過程中的電流損失。可持續發展理念的引入，使電氣設備的高速發展與新能源的融合讓電網的發展方向產生了一定的改變。不同類型的新能源接入導致電網的負荷在短時間內產生較大的變化，目前電網的抗容能力很難應對能源替代中的短期電流負荷變化，交流配電網需要采用電網系統短期負荷預測的方式，對電網系統短期負荷進行計算，以便滿足配電網系統的電負荷變化需求。大數據時代讓很多傳統行業朝著新的方向發展，電網系統的數據和控制系統變為開放訪問的模式，國內外學者開始對電網系統短期負荷預測方法進行研究，基于配電系統的直流電和交流電的不同特征，研究了電網的安全可靠性。文獻［1］研究了深度遞歸神經網絡短期負荷預測模型。在深度神經網絡多隱層結構的基礎上，深度遞歸神經網絡增設了關聯層，并以改進粒子群算法作為網絡的優化學習算法，對模型權值空間進行深度優化。但是該方法的預測誤差大。文獻［2］分析了多層融合神經網絡模型的預測原理，預測了該預測方式對直流配電網的預測效果，研究了該預測方式的未來發展形式，并對其缺陷提出了未來改進的方式。針對上述問題，提出一種基于貝葉斯分類的電網系統短期負荷預測方法，根據配電網的表征對各類變量進行分類。采用實例數據進行分類器的學習和訓練。根據分布式數據的處理原理，將數據分割成若干數據塊，分割后的數據采用數據塊列表的方式進行儲存，從而對電網系統短期負荷進行精準預測。

1 建立電網系統短期負荷預測指標

基于貝葉斯分類的電網系統短期負荷預測方法首先要建立短期負荷預測指標，作為進行預測的標準。預測指標體系的搭建原理如圖1所示。

圖1 預測指標體系的搭建原理

預測指標體系的搭建過程分為三部分，先進行數據采集，然后將采集后的數據進行數據預處理[3-5]，將異常的數據進行過濾，再利用數據去噪的方式進行去噪，去噪的公式如下：

式（1）中AE（T）就是數據去噪后的數值，t1為原始數據，t2為數據異常，A為去噪的濾波地系數。然后對數據進行負荷數據的統一處理：

式（2）中p為處理后的數據，設n為數據樣本，p為樣本n在時刻i的短期負荷。經過數據的處理后進行預測指標建立：

表1 短期負荷預測指標

預測指標的建立結果如表1所示，指標分支的評判方法屬于概率性映射［6］，因此進行預測模型函數建立的時候也可以采用模糊分布法進行對應。

2 基于貝葉斯分類建立隸屬度模型

貝葉斯分類是利用知識表達類型的模型，相比于其他模型來說貝葉斯分類模型的推理能力更加靈活。在預測方法建立中采用隨機變量的獨立特征方式建立父節點給定的構成規則：

式（3）中p（x）為規則式，x為隨機變量，r為節點的取值的組合數量。該規則表達式展現了貝葉斯分類規則聯合概率的分布方式［7］。建立基于貝葉斯分類的分類器，采用實例數據進行分類器的學習和訓練：

式（4）中α為基于貝葉斯分類的分類器的正則化因子，p（c）為先驗的分類概率，反映了樣本數據在該模型中的訓練效果。

在進行電網系統短期負荷預測的過程中，建立預測指標體系和預測隸屬度模型，在數學的角度本質上為根據配電網的表征對各類變量進行分類。在貝葉斯分類器中選擇三層的貝葉斯網絡，含有唯一的父節點和n個子節點，子節點之間相互獨立。為了讓輸入模型的數據變得更加規則，設計可以對原始數據進行切片的技術［8］，減少模型計算帶來多余的資源占用。根據分布式數據的處理原理，將數據分割成若干數據塊，分割后的數據采用數據塊列表的方式進行儲存。

3 實現模型計算數據并行化處理

對數據的切片進行統一化的處理，設置得到數據的切片數量為m個。分片后的數據是負荷數據列向量，為了得到n維的行向量對數據進行轉置，維度與切片的時間區間的長度相關。在得到模型計算數據之前要進行數據的合并處理，稱為模型計算數據并行化儲存。將時間的列向量轉置為一個可進行并行化處理的矩陣，矩陣的負荷時間序列采用橫行的數據代表，因此矩陣的橫行數據為m，轉置得到一個n維的行向量，則矩陣屬性的數據為n，矩陣的計算結果就是數據分片與維度的乘積。對矩陣中的所有數據進行合并操作，m的長度由n來決定。m×n的矩陣每一行代表一個負荷時間序列，在傳統的電網系統短期負荷預測方法中，原始模型預測方法會將矩陣中的m個變量進行整體序列處理，然后在矩陣中輸入各影響因素相關的變量，得到的負荷預測值是基于貝葉斯分類器分類進行學習和訓練過的。該模型的預測方式分為組合模型預測和單獨模型預測，具體使用哪種方式由各個影響因素的特征決定，數據進行并行化處理之后波動和趨勢分量的隨機性降低了，得到的并行性模態數據的準確性更高，得到最終的預測結果。

4 測試實驗

為了驗證本文設計方法的可靠性，將基于貝葉斯分類的電網系統短期負荷預測方法與傳統的支持向量短期負荷預測方法、模擬組態的短期負荷預測方法進行對比，比較預測方法的效率。

4.1 實驗環境搭配

在進行實驗之前，首先對實驗進行實驗環境的搭建：

實驗的軟硬件配置如表2所示，在實驗中進行網絡結構的集群的配置，集群的配置是用于兩種設備，一個用來進行集群的配置，一個用來進行集群角色的配置。每個集群下設置25～30個節點。slave節點的數量應適應集群。

表2 實驗環境軟硬件搭配

4.2 實驗的數據準備

采用貝葉斯分類的方式對實驗數據進行處理，無數據處理的過程如圖2所示。

圖2 數據處理流程

根據對負荷預測的實驗，進行負荷量級的選擇。通過選擇5個量級，預測次數分別為500、1000、2000、5000和20000。而電網系統短期負荷預測的文件大小分別為15GB、20GB、25GB、30GB和35GB。預測次數和文件大小一一對應，對電網系統短期負荷進行預測，對預測的效益進行驗證。

4.3 實驗結果

采用本文設計的方法和傳統的支持向量短期負荷預測方法、模擬組態的短期負荷預測方法進行預測數據的對比，隨機選取某地商業用電的數據進行實驗，數據采樣的時間間隔為2h，預測誤差的平均誤差計算公式為：

式（5）中的h為預測誤差，y1為預測值，y2為實際值，n為樣本的個數。實驗結果如圖3所示。

圖3 實驗結果

實驗結果顯示，本文設計的方法與實際的測量值相比，平均誤差值為0.024，是誤差值中最小的。與傳統的支持向量短期負荷預測方法、模擬組態的短期負荷預測方法相比，數值的曲線也最接近實際曲線，實驗結果表明本文設計的預測方法準確性最高。

5 結論

本文采用貝葉斯分類的原理對短期的負荷預測方法進行設計，首先建立電網預測的指標體系，然后預測指標的特征進行模型的建立與計算。這種方法打破了傳統的預測方法預測時間長的缺陷，縮短預測時間提升預測效率。并為數據的并行化處理技術提供了發展的依據，對影響因素的分析比較全面。