基于电力负荷模式分类的短期电力负荷预测

陈园园+王成然

摘要：基于电力负荷模式分类的短期电力负荷预测能够更加系统化、准确化地实现相关数据的分析，从而有效改善电网运行的整体负荷预测性能。文章对遗传优化算法中的Pareto模式分类规则和人工神经模糊算法进行了分析，并结合具体仿真试验进行了论证，具有非常重要的意义。

关键词：电力负荷模式；短期电力负荷；预测模糊分类法

中图分类号：TM734 文献标识码：A 文章编号：1009-2374（2014）01-0069-02

基于电力负荷模式分类的短期电力负荷预测具有并行处理速度快、集中运行效率高、响应灵敏等特点，在进行短期电力负荷预测的过程中发挥着关键性的作用。然而，短期电力负荷预测在预测精准度上存在着一定的局限性，需要对其进行较大程度的训练及选择，只有科学合理的输入输出矢量才能够改善预测目标矢量的误差，提高精准度。本文对基于模糊规则的短期电力负荷预测分类系统和相关负荷预测实验论证进行了分析，并结合遗传优化算法和模糊规则优化算法进行了探讨。

1 基于电力负荷模式分类的短期电力负荷预测模式的概述

短期电力负荷预测的主要用途是对未来几小时甚至是几天的电力运行负荷进行预测，能够对电力系统起到优化资源配置的作用。短期电力负荷预测所呈现的规律特征和各种环境因素有着十分密切的联系，会受到气候因素、设备故障因素以及重大活动的制约。短期电力负荷预测中最主要的方法是ANN法，其最主要的特征就是对非结构性、非精确性规律具有很强的适应性，能够将非线性函数进行很好的拟合，对预测模型结构进行更加准确的预测。电力负荷曲线图表的基本走势图与人们周期性用电量的变化情况以及具体活动情况有着非常密切的联系，并且在多数情形下还会受到气象条件的影响，因此，电力负荷预测工程人员在对短期电力负荷进行预测的过程中，要综合考虑各方面的影响因素，注重区分划分类别的粒度程度，以此提高负荷预测值的精准度。工程人员可以将各类基本数据进行模糊化处理和模糊化系统分类，然后将其输入矢量函数，得到较为精确的数据。

2 基于模糊规则和遗传算法的电力负荷模式分类系统

模糊分类预测法在电力负荷预测中发挥着极其重要的作用，是模糊逻辑计算中的一个重要应用过程，通过模糊逻辑分类预测以及对其定义隶属函数的重叠性进行定性分析，可以使分类计算结构和决策过程更加精确和透明化，从而提高短期电力负荷预测结果的可解释性。对于n维K个类别的分类问题，给定M个n维模式矢量xp=[xp1，xp2，…，xpn]T=

（p=1，2，…，M）作为训练样本，其中对应第k个模式类别的样本数为Mk个，显然M=，模糊分类算法的通常使用规则为Rule Rq：If x1 is Aq1 and…and xn is Aqn then ClassCq with CFq，其中：x1、xn为n维模式矢量，Aq1为模糊集对应的语言变量，Cq为决策类的类别号，Cq=1，…，K，CFq为规则的置信度。对于每条规则用启发式训练方法决定CFq和Cq。在使用人工网络模糊分类负荷预测方法进行计算时，随着模糊系统中输入矢量维数的增加，模糊规则数目会呈现出指数型增长的趋势，如果使用杂糅的模糊子集，计算方法会使系统显得非常复杂，因此，在使用模糊规则对负荷进行优化设计时，一定要遵循客观规则，对模糊规则前项的个数进行分类，并且在规则中加入一定的置信度。

此外，短期电力负荷预测容易在高维问题空间的目标确定上出现各样冲突，从而使得目标单位的数值不一致，因而在实际应用中要寻找Pareto最优解，利用遗传算法对具体目标进行优化处理。传统的数学编程技术必须通过多次迭代才能实现，而遗传算法则可以实现同时处理多个可能解集，在有效处理各种复杂问题的过程中寻找到Pareto最优解，例如，遗传算法在解决多目标优化问题时，可适用于解决具有离散多特征的问题，对于一个n维决策矢量x∈X和m维目标矢量y的多目标优化问题，按用户定义的加权系数w1，…，wm加权，多目标函数可表示为：，设决策矢量a，b∈X，当a，b满足时，称a占优b（a，p，b）。如果在此决策空间X里不存在任何解b占优a，则称a为一个Pareto最优解。其中，模糊C-均值聚类算法主要是利用隶属度来精确测算出每个样本隶属于某个聚类的程度大小，而FCM算法相比传统算法而言具有更多优势，并且此类模糊聚类计算方法可以对相关数据进行矩阵计算和分类，从而省去了扫描数据库的诸多步骤。而其梯度法在对相关数据进行搜索时也能以最快的速度对局部极值进行处理。还有一种SOM神经网络算法也能对电力负荷预测中的输出层单元进行精确定位和计算，只需在此算法中输入变量存在的一些拓扑和相应顺序，就能实现输入空间平面的降维映射。SOM算法的基本步骤如下所示：首先，将电力负荷预测神经网络初始化，并在输出层中的相关节点权重赋初值；其次，在系统样本中输入正确的向量；最后，对新获取的数值样本进行训练，得出聚类输出数值。

3 基于电力负荷模式分类的负荷预测实例分析

利用人工神经网络计算法和遗传优化法能够对电力负荷模式分类规则进行精确预测，在预测的过程中，还要对每种负荷模式进行专业式训练，符合模糊神经网络的规则，要避免出现因神经网络不同造成的负荷数据值混乱，从而降低负荷数值的拟合性能。在对输入矢量进行分析时，首先要对电力负荷预测前半月的模式类别进行负荷气象相关数据的预测，对于周末而言，负荷预测输入矢量为预测日前一个月内与其属于同一模式类别的电力负荷气象数据；而对于公共假日，负荷预测输入矢量为数据库中每年同一假日前半个月内与其属于同一模式类别的负荷气象数据。而关于电力负荷预测的相关气象数据主要包括每日的具体气温数值、风速变化情况、降雨量的大小和空气湿度的多少，想要得到准确的电力负荷预测数值，必须将相关数据经过模糊化处理，将相关输入矢量的隶属函数进行科学定义。而其模糊神经网络的输出矢量具有如下规则集的形式：IF影响因素ai1 is v1 AND影响因素ai2 is v2…AND影响因素aik is vk THEN 负荷预测值 is y1。对假日输出矢量进行负荷预测可采用误差函数MAPE对网络输出

误差进行分析，MAPE=100%，其中a为网络输

出，t为期望输出。在实际计算中可结合预测负荷曲线图进行计算，平均可使MAPE最大值和最小值分别为11.81%和1.26%，能够有效改善实际预测误差值。

4 结语

基于电力负荷模式分类的短期电力负荷预测具有较多种类型的预测方法，其中采用遗传优化法来建立一个基于模糊规则的模式分类系统可以在很大程度上提高电力负荷预测的精确度，而通过使用遗传优化算法简化模糊规则集可以有效消除杂糅规则的不利影响。在短期电力负荷预测中，通过使用相关仿真试验进行论证，能够得出更为准确、全面的样本数据信息，提高了负荷预测的准确度。短期电力负荷预测与人们的生活有着非常密切的联系，想要确保电网建设能够更加顺利地进行，必须采用多种有效负荷预测方法对其进行模糊分类，从而为电力的正常运行提供有力保障。

参考文献

[1] 冯丽，邱家驹.基于模糊多目标遗传优化算法的节假

日电力负荷预测[J].中国电机工程学报，2011，

（10）.

[2] 王建元，纪延超.模糊Petri网络知识表示方法及其

在变压器故障诊断中的应用[J].中国电机工程学报，

2009，（1）.

[3] 谢开贵，李春燕，周家启.基于神经网络的负荷组合

预测模型研究[J].中国电机工程学报，2011，（7）.

作者简介：陈园园（1983—），女，河南省电力公司周口供电公司经济技术研究所计经专责，硕士，研究方向：电力系统稳定与控制。endprint

摘要：基于电力负荷模式分类的短期电力负荷预测能够更加系统化、准确化地实现相关数据的分析，从而有效改善电网运行的整体负荷预测性能。文章对遗传优化算法中的Pareto模式分类规则和人工神经模糊算法进行了分析，并结合具体仿真试验进行了论证，具有非常重要的意义。

关键词：电力负荷模式；短期电力负荷；预测模糊分类法

中图分类号：TM734 文献标识码：A 文章编号：1009-2374（2014）01-0069-02

基于电力负荷模式分类的短期电力负荷预测具有并行处理速度快、集中运行效率高、响应灵敏等特点，在进行短期电力负荷预测的过程中发挥着关键性的作用。然而，短期电力负荷预测在预测精准度上存在着一定的局限性，需要对其进行较大程度的训练及选择，只有科学合理的输入输出矢量才能够改善预测目标矢量的误差，提高精准度。本文对基于模糊规则的短期电力负荷预测分类系统和相关负荷预测实验论证进行了分析，并结合遗传优化算法和模糊规则优化算法进行了探讨。

1 基于电力负荷模式分类的短期电力负荷预测模式的概述

短期电力负荷预测的主要用途是对未来几小时甚至是几天的电力运行负荷进行预测，能够对电力系统起到优化资源配置的作用。短期电力负荷预测所呈现的规律特征和各种环境因素有着十分密切的联系，会受到气候因素、设备故障因素以及重大活动的制约。短期电力负荷预测中最主要的方法是ANN法，其最主要的特征就是对非结构性、非精确性规律具有很强的适应性，能够将非线性函数进行很好的拟合，对预测模型结构进行更加准确的预测。电力负荷曲线图表的基本走势图与人们周期性用电量的变化情况以及具体活动情况有着非常密切的联系，并且在多数情形下还会受到气象条件的影响，因此，电力负荷预测工程人员在对短期电力负荷进行预测的过程中，要综合考虑各方面的影响因素，注重区分划分类别的粒度程度，以此提高负荷预测值的精准度。工程人员可以将各类基本数据进行模糊化处理和模糊化系统分类，然后将其输入矢量函数，得到较为精确的数据。

2 基于模糊规则和遗传算法的电力负荷模式分类系统

模糊分类预测法在电力负荷预测中发挥着极其重要的作用，是模糊逻辑计算中的一个重要应用过程，通过模糊逻辑分类预测以及对其定义隶属函数的重叠性进行定性分析，可以使分类计算结构和决策过程更加精确和透明化，从而提高短期电力负荷预测结果的可解释性。对于n维K个类别的分类问题，给定M个n维模式矢量xp=[xp1，xp2，…，xpn]T=

（p=1，2，…，M）作为训练样本，其中对应第k个模式类别的样本数为Mk个，显然M=，模糊分类算法的通常使用规则为Rule Rq：If x1 is Aq1 and…and xn is Aqn then ClassCq with CFq，其中：x1、xn为n维模式矢量，Aq1为模糊集对应的语言变量，Cq为决策类的类别号，Cq=1，…，K，CFq为规则的置信度。对于每条规则用启发式训练方法决定CFq和Cq。在使用人工网络模糊分类负荷预测方法进行计算时，随着模糊系统中输入矢量维数的增加，模糊规则数目会呈现出指数型增长的趋势，如果使用杂糅的模糊子集，计算方法会使系统显得非常复杂，因此，在使用模糊规则对负荷进行优化设计时，一定要遵循客观规则，对模糊规则前项的个数进行分类，并且在规则中加入一定的置信度。

此外，短期电力负荷预测容易在高维问题空间的目标确定上出现各样冲突，从而使得目标单位的数值不一致，因而在实际应用中要寻找Pareto最优解，利用遗传算法对具体目标进行优化处理。传统的数学编程技术必须通过多次迭代才能实现，而遗传算法则可以实现同时处理多个可能解集，在有效处理各种复杂问题的过程中寻找到Pareto最优解，例如，遗传算法在解决多目标优化问题时，可适用于解决具有离散多特征的问题，对于一个n维决策矢量x∈X和m维目标矢量y的多目标优化问题，按用户定义的加权系数w1，…，wm加权，多目标函数可表示为：，设决策矢量a，b∈X，当a，b满足时，称a占优b（a，p，b）。如果在此决策空间X里不存在任何解b占优a，则称a为一个Pareto最优解。其中，模糊C-均值聚类算法主要是利用隶属度来精确测算出每个样本隶属于某个聚类的程度大小，而FCM算法相比传统算法而言具有更多优势，并且此类模糊聚类计算方法可以对相关数据进行矩阵计算和分类，从而省去了扫描数据库的诸多步骤。而其梯度法在对相关数据进行搜索时也能以最快的速度对局部极值进行处理。还有一种SOM神经网络算法也能对电力负荷预测中的输出层单元进行精确定位和计算，只需在此算法中输入变量存在的一些拓扑和相应顺序，就能实现输入空间平面的降维映射。SOM算法的基本步骤如下所示：首先，将电力负荷预测神经网络初始化，并在输出层中的相关节点权重赋初值；其次，在系统样本中输入正确的向量；最后，对新获取的数值样本进行训练，得出聚类输出数值。

3 基于电力负荷模式分类的负荷预测实例分析

利用人工神经网络计算法和遗传优化法能够对电力负荷模式分类规则进行精确预测，在预测的过程中，还要对每种负荷模式进行专业式训练，符合模糊神经网络的规则，要避免出现因神经网络不同造成的负荷数据值混乱，从而降低负荷数值的拟合性能。在对输入矢量进行分析时，首先要对电力负荷预测前半月的模式类别进行负荷气象相关数据的预测，对于周末而言，负荷预测输入矢量为预测日前一个月内与其属于同一模式类别的电力负荷气象数据；而对于公共假日，负荷预测输入矢量为数据库中每年同一假日前半个月内与其属于同一模式类别的负荷气象数据。而关于电力负荷预测的相关气象数据主要包括每日的具体气温数值、风速变化情况、降雨量的大小和空气湿度的多少，想要得到准确的电力负荷预测数值，必须将相关数据经过模糊化处理，将相关输入矢量的隶属函数进行科学定义。而其模糊神经网络的输出矢量具有如下规则集的形式：IF影响因素ai1 is v1 AND影响因素ai2 is v2…AND影响因素aik is vk THEN 负荷预测值 is y1。对假日输出矢量进行负荷预测可采用误差函数MAPE对网络输出

误差进行分析，MAPE=100%，其中a为网络输

出，t为期望输出。在实际计算中可结合预测负荷曲线图进行计算，平均可使MAPE最大值和最小值分别为11.81%和1.26%，能够有效改善实际预测误差值。

4 结语

基于电力负荷模式分类的短期电力负荷预测具有较多种类型的预测方法，其中采用遗传优化法来建立一个基于模糊规则的模式分类系统可以在很大程度上提高电力负荷预测的精确度，而通过使用遗传优化算法简化模糊规则集可以有效消除杂糅规则的不利影响。在短期电力负荷预测中，通过使用相关仿真试验进行论证，能够得出更为准确、全面的样本数据信息，提高了负荷预测的准确度。短期电力负荷预测与人们的生活有着非常密切的联系，想要确保电网建设能够更加顺利地进行，必须采用多种有效负荷预测方法对其进行模糊分类，从而为电力的正常运行提供有力保障。

参考文献

[1] 冯丽，邱家驹.基于模糊多目标遗传优化算法的节假

日电力负荷预测[J].中国电机工程学报，2011，

（10）.

[2] 王建元，纪延超.模糊Petri网络知识表示方法及其

在变压器故障诊断中的应用[J].中国电机工程学报，

2009，（1）.

[3] 谢开贵，李春燕，周家启.基于神经网络的负荷组合

预测模型研究[J].中国电机工程学报，2011，（7）.

作者简介：陈园园（1983—），女，河南省电力公司周口供电公司经济技术研究所计经专责，硕士，研究方向：电力系统稳定与控制。endprint

摘要：基于电力负荷模式分类的短期电力负荷预测能够更加系统化、准确化地实现相关数据的分析，从而有效改善电网运行的整体负荷预测性能。文章对遗传优化算法中的Pareto模式分类规则和人工神经模糊算法进行了分析，并结合具体仿真试验进行了论证，具有非常重要的意义。

关键词：电力负荷模式；短期电力负荷；预测模糊分类法

中图分类号：TM734 文献标识码：A 文章编号：1009-2374（2014）01-0069-02

基于电力负荷模式分类的短期电力负荷预测具有并行处理速度快、集中运行效率高、响应灵敏等特点，在进行短期电力负荷预测的过程中发挥着关键性的作用。然而，短期电力负荷预测在预测精准度上存在着一定的局限性，需要对其进行较大程度的训练及选择，只有科学合理的输入输出矢量才能够改善预测目标矢量的误差，提高精准度。本文对基于模糊规则的短期电力负荷预测分类系统和相关负荷预测实验论证进行了分析，并结合遗传优化算法和模糊规则优化算法进行了探讨。

1 基于电力负荷模式分类的短期电力负荷预测模式的概述

短期电力负荷预测的主要用途是对未来几小时甚至是几天的电力运行负荷进行预测，能够对电力系统起到优化资源配置的作用。短期电力负荷预测所呈现的规律特征和各种环境因素有着十分密切的联系，会受到气候因素、设备故障因素以及重大活动的制约。短期电力负荷预测中最主要的方法是ANN法，其最主要的特征就是对非结构性、非精确性规律具有很强的适应性，能够将非线性函数进行很好的拟合，对预测模型结构进行更加准确的预测。电力负荷曲线图表的基本走势图与人们周期性用电量的变化情况以及具体活动情况有着非常密切的联系，并且在多数情形下还会受到气象条件的影响，因此，电力负荷预测工程人员在对短期电力负荷进行预测的过程中，要综合考虑各方面的影响因素，注重区分划分类别的粒度程度，以此提高负荷预测值的精准度。工程人员可以将各类基本数据进行模糊化处理和模糊化系统分类，然后将其输入矢量函数，得到较为精确的数据。

2 基于模糊规则和遗传算法的电力负荷模式分类系统

模糊分类预测法在电力负荷预测中发挥着极其重要的作用，是模糊逻辑计算中的一个重要应用过程，通过模糊逻辑分类预测以及对其定义隶属函数的重叠性进行定性分析，可以使分类计算结构和决策过程更加精确和透明化，从而提高短期电力负荷预测结果的可解释性。对于n维K个类别的分类问题，给定M个n维模式矢量xp=[xp1，xp2，…，xpn]T=

（p=1，2，…，M）作为训练样本，其中对应第k个模式类别的样本数为Mk个，显然M=，模糊分类算法的通常使用规则为Rule Rq：If x1 is Aq1 and…and xn is Aqn then ClassCq with CFq，其中：x1、xn为n维模式矢量，Aq1为模糊集对应的语言变量，Cq为决策类的类别号，Cq=1，…，K，CFq为规则的置信度。对于每条规则用启发式训练方法决定CFq和Cq。在使用人工网络模糊分类负荷预测方法进行计算时，随着模糊系统中输入矢量维数的增加，模糊规则数目会呈现出指数型增长的趋势，如果使用杂糅的模糊子集，计算方法会使系统显得非常复杂，因此，在使用模糊规则对负荷进行优化设计时，一定要遵循客观规则，对模糊规则前项的个数进行分类，并且在规则中加入一定的置信度。

此外，短期电力负荷预测容易在高维问题空间的目标确定上出现各样冲突，从而使得目标单位的数值不一致，因而在实际应用中要寻找Pareto最优解，利用遗传算法对具体目标进行优化处理。传统的数学编程技术必须通过多次迭代才能实现，而遗传算法则可以实现同时处理多个可能解集，在有效处理各种复杂问题的过程中寻找到Pareto最优解，例如，遗传算法在解决多目标优化问题时，可适用于解决具有离散多特征的问题，对于一个n维决策矢量x∈X和m维目标矢量y的多目标优化问题，按用户定义的加权系数w1，…，wm加权，多目标函数可表示为：，设决策矢量a，b∈X，当a，b满足时，称a占优b（a，p，b）。如果在此决策空间X里不存在任何解b占优a，则称a为一个Pareto最优解。其中，模糊C-均值聚类算法主要是利用隶属度来精确测算出每个样本隶属于某个聚类的程度大小，而FCM算法相比传统算法而言具有更多优势，并且此类模糊聚类计算方法可以对相关数据进行矩阵计算和分类，从而省去了扫描数据库的诸多步骤。而其梯度法在对相关数据进行搜索时也能以最快的速度对局部极值进行处理。还有一种SOM神经网络算法也能对电力负荷预测中的输出层单元进行精确定位和计算，只需在此算法中输入变量存在的一些拓扑和相应顺序，就能实现输入空间平面的降维映射。SOM算法的基本步骤如下所示：首先，将电力负荷预测神经网络初始化，并在输出层中的相关节点权重赋初值；其次，在系统样本中输入正确的向量；最后，对新获取的数值样本进行训练，得出聚类输出数值。

3 基于电力负荷模式分类的负荷预测实例分析

利用人工神经网络计算法和遗传优化法能够对电力负荷模式分类规则进行精确预测，在预测的过程中，还要对每种负荷模式进行专业式训练，符合模糊神经网络的规则，要避免出现因神经网络不同造成的负荷数据值混乱，从而降低负荷数值的拟合性能。在对输入矢量进行分析时，首先要对电力负荷预测前半月的模式类别进行负荷气象相关数据的预测，对于周末而言，负荷预测输入矢量为预测日前一个月内与其属于同一模式类别的电力负荷气象数据；而对于公共假日，负荷预测输入矢量为数据库中每年同一假日前半个月内与其属于同一模式类别的负荷气象数据。而关于电力负荷预测的相关气象数据主要包括每日的具体气温数值、风速变化情况、降雨量的大小和空气湿度的多少，想要得到准确的电力负荷预测数值，必须将相关数据经过模糊化处理，将相关输入矢量的隶属函数进行科学定义。而其模糊神经网络的输出矢量具有如下规则集的形式：IF影响因素ai1 is v1 AND影响因素ai2 is v2…AND影响因素aik is vk THEN 负荷预测值 is y1。对假日输出矢量进行负荷预测可采用误差函数MAPE对网络输出

误差进行分析，MAPE=100%，其中a为网络输

出，t为期望输出。在实际计算中可结合预测负荷曲线图进行计算，平均可使MAPE最大值和最小值分别为11.81%和1.26%，能够有效改善实际预测误差值。

4 结语

基于电力负荷模式分类的短期电力负荷预测具有较多种类型的预测方法，其中采用遗传优化法来建立一个基于模糊规则的模式分类系统可以在很大程度上提高电力负荷预测的精确度，而通过使用遗传优化算法简化模糊规则集可以有效消除杂糅规则的不利影响。在短期电力负荷预测中，通过使用相关仿真试验进行论证，能够得出更为准确、全面的样本数据信息，提高了负荷预测的准确度。短期电力负荷预测与人们的生活有着非常密切的联系，想要确保电网建设能够更加顺利地进行，必须采用多种有效负荷预测方法对其进行模糊分类，从而为电力的正常运行提供有力保障。

参考文献

[1] 冯丽，邱家驹.基于模糊多目标遗传优化算法的节假

日电力负荷预测[J].中国电机工程学报，2011，

（10）.

[2] 王建元，纪延超.模糊Petri网络知识表示方法及其

在变压器故障诊断中的应用[J].中国电机工程学报，

2009，（1）.

[3] 谢开贵，李春燕，周家启.基于神经网络的负荷组合

预测模型研究[J].中国电机工程学报，2011，（7）.

作者简介：陈园园（1983—），女，河南省电力公司周口供电公司经济技术研究所计经专责，硕士，研究方向：电力系统稳定与控制。endprint