基于云模型的电力负荷预测

孟军 黎燕 夏哲辉 罗安 岳雨霏 郭鹏

摘要：提出了一种基于云模型的电力负荷预测模型。利用云模型中的云发生器，分别将有限的国民生产总值和工业生产总值的增长率和增长变化率样本数据空间扩充为更具随机性和普遍性的扩展样本数据。以国民生产总值为例，建立国民生产总值与电力负荷之间的规则推理，构造云规则推理器。利用云规则推理器获得电力负荷预测增长率，将国民生产总值和工业生产总值获得的电力负荷预测增长率进行加权平均，并换算得到最终的电力负荷预测值，获得的预测结果精度高。

关键词：云模型;不确定性数据;负荷预测

中图分类号：TM715，TP393

文献标识码：A

1 引言

目前许多文献在基于短期负荷预测研究理论和研究方法上做了不少的预测研究并且提出了许多的方法，这些方法基本上可以分为以下两类：一类是传统方法，这类方法以时间序列法为代表，这类方法具有速度快，算法简单和应用广泛的优点，但由于这类传统方法都是线性模型方法，因此这一方法存在着很多不足和局限性，例如无法将农村电力系统不同负荷模型的非线性特性真实的反映出来;另一类是新型人工智能方法，这类方法是以人工神经网络为代表，神经网络能够将信息并行分布，可以学习自动提取输出、输出数据间的“合理规则”，即自学习并且能够任意逼近连续函数，具有将电力短期负荷的各种变化趋势捕获的能力。但是BP网络进行训练时需要大量历史数据，并且学习及处理不确定性和人工信息的能力较差。随着电力系统负荷预测需求的不断上涨，FUZZY预测法应运而生。客观上来说，电力系统本身所存在的规模庞大的模糊信息，对其符合预测工作的开展带来了严重的负面影响[1]，所以，FUZZY方法是非常有必要的。该方法在实际的应用过程中，将既往经验和统计数据相结合，不过也同样在客观上导致预测过程中有诸多非科学因素的参与。而模糊数学的引入，虽然可以有效的描述模糊性事物，但是本身的精确性却是不容忽视的，其隶属函数转化为精确数值之后将使得事物的模糊本质被扼杀[2]。因此实际应用来看，FUZZY方法对于负荷预测的精度往往是不尽人意的。

负荷预测所面临的实际情况是：来源于供电部门的原始数据不仅种类而且年份上都较少;②电网规模的扩大导致不确定性情形大量增长，因此常规性负荷预测方法无法适应这种变化[3]。对此，云模型的应用，不仅可以有效的描述和表达各种模糊因素，同时所构建的定量/定性转化模型，也同样将模糊性和随机性有机的整合在一起，使得定性定量之间的自然转换成为可能，在不确定知识的表述方面有着出色的性能表现[4-8]。另一方面，通过建立云模型，形成量化的样本数据库，并利用云模型中的云发生器将原本有限的样本空间扩充为更具随机性和普遍性的扩展样本数据，从而克服了样本数据难以收集的缺陷。模糊性和随机性是云模型所输出的云滴具有的两大特性，这些样本数据在保留了原始样本的客观属性的基础上，为样本数据库的拓展提供了强有力的支持，也同样为高负荷指标的预测工作的顺利开展奠定了坚实的基础。如在模型中导入某一年份的影响因素之后，将会对目标时间段内的负荷分布情况加以直观的显示。本文所创设和研究的模型，可有效的預测多种情况下的电力负荷分布情况，因此意义深远。

2 电力负荷预测云模型

以湖南省某市的年度负荷预测为例，通过综合考虑分析其经济机构、产业结构、并收集大量历史资料，分析得出：国民生产总值、工业生产总值、消费、……。人口等因素影响电力负荷，其中国民生产总值和工业生产总值对电力负荷影响最大。因此可以通过建立国民生产总值、工业生产总值、消费、……。人口等因素的云模型，来进行电力负荷的预测，如图1所示。可以根据实际需要来选择影响电力负荷最大的因素来组成基于云模型的电力负荷预测模型。

由于国民生产总值和工业生产总值对电力负荷影响最大，本文以这两个影响因素来建立的电力负荷预测模型。并根据所收集的历史数据计算出相应的增长率和增长变化率，进行不确定描述。通过不确定性描述可以建立二维多规则生成器，通过重复输入国民生产总值的增长率和增长变化率、工业生产总值的增长率和增长变化率，得到各自的负荷增长率的期望预测值增长率，并进行加权平均，得到最终的预测值增长率。

3 基于国民生产总值的电力负荷预测云模型

本节以国民生产总值为例，给出如图2所示的基于云模型的电力负荷预测流程图。

下图3表示国民生产总值年增长率e_GNP的7朵隶属云，其中的具体云滴数为1000。按照相同的方式，可以绘制出其他输入、输出值的曲线，如下图所示。

从图中可以看出，样本数据在云发生器的处理之后，将会为我们提供具有较强差异性的云滴。虽然差异性普遍存在于这些云滴之中，但是对云的概念的表示能力是一样的，而对样本数据的扩充，实际上就是对云滴的扩充。期望值E_x是中心值，是描述定性概念最为核心的数据。而熵E_n则反映了概念的模糊程度，数值和概念接受数值范围成正比。超熵H_e表示云滴离散情况，某种意义上可以理解为云的“度”。

完成相关变量的定义后，接着设计二维隶属云模型的推理规则。分别定义国民生产总值年增长率e_GNP、年增长变化率e_cGNP和电力负荷期望增长率E_xp，的云集分别为：

4 算例

利用湖南省某城市的国民生产总值和工业生产总值电力负荷云模型来验证本文所提基于云模型的电力负荷预测模型的准确性。某市2007-2016年的年国民生产总值如表2所示。用当年的国民生产总值减去上年的国民生产总值，再除以当年的国民生产总值，就得到当年的国民生产总值增长率。当年的国民生产总值增长变化率用当年的国民生产总值增长率减去上年的国民生产总值增长率就可得到。用当年的工业生产总值减去上年的工业生产总值，再除以当年的工业生产总值，就得到当年的工业生产总值增长率。当年的工业生产总值增长变化率用当年的工业生产总值增长率减去上年的工业生产总值增长率就可得到。所得数据如表2所示。

用本文所提的基于云模型的电力负荷预测模型得到2007-2026年电力负荷的预测增长率，如表3所示。根据预测增长率，可以计算出电力负荷的预测值，即

预测值=上年实际用电量*（1+预测增长率） （11）

还有相对误差，即

相对误差=（当年实际用电量一预测值）/当年实际用电量

（12）

从表3的预测结果可以看出，本文所提的基于云模型的电力负荷预测模型的预测结果能够很好的逼近实际用电量，相对误差都小于3%，满足预测要求。

参考文献

[l]宁环荣，基于BP人工神经网络在农村电力短期负荷预测研究[J].中国高新技术企业，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.农村电网规划中负荷总量预测的研究[J]，南昌工程学院学报，2007，26 （1）：42-46.

[4]李德毅，杜鹢.不确定性人工智能[M].北京：国防工业出版社，2005.

[5]熊和金，陈德军.智能信息系统[M].北京：国防工业出版社，2006.

[6]李德毅，孟海军，史雪梅.隶属云和隶属云发生器[J].计算机研究与发展，1995，32（6）：15-20.

[7]付斌，李道国，王慕快.云模型研究的回顾与展望[J].计算机应用研究，2011，28 （2）：420-426.

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