程鎮(zhèn)寶

摘要：文章對目前的幾種智能負荷預(yù)測方法：人工神經(jīng)網(wǎng)絡(luò)、模糊預(yù)測法、數(shù)據(jù)挖掘、專家系統(tǒng)、支持向量機的原理、特點及研究情況進行了闡述，從學(xué)習(xí)能力、運算速度、處理模糊信息能力等角度對這幾種方法進行了比較，并指出了其中各自的優(yōu)缺點。

關(guān)鍵詞：電力系統(tǒng)；負荷預(yù)測方法；電力負荷

中圖分類號：TM714 文獻標識碼：A 文章編號：1009-2374（2013）32-0114-02

1 電力負荷預(yù)測綜述

負荷預(yù)測的前提是充分考慮關(guān)鍵系統(tǒng)參數(shù)、自然環(huán)境、社會政策和增容決策等條件，探索出一套能夠科學(xué)處理過往數(shù)據(jù)、有效預(yù)測未來數(shù)據(jù)的數(shù)學(xué)算法，并保證預(yù)測結(jié)果只在小范圍內(nèi)波動，確定某些特殊時刻的負荷值。根據(jù)預(yù)測期限，負荷預(yù)測分為超短期預(yù)測、短期預(yù)測、中期預(yù)測和長期預(yù)測。

2 電力負荷預(yù)測方法綜述

2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)屬于高度非線性系統(tǒng)，它模仿人腦神經(jīng)系統(tǒng)進行自主學(xué)習(xí)和問題處理。人工神經(jīng)網(wǎng)絡(luò)有很多神經(jīng)元節(jié)點，它們具有并行運算功能，互相之間由相應(yīng)權(quán)值連接以構(gòu)成網(wǎng)絡(luò)，借助激勵函數(shù)，實現(xiàn)輸入變量序列到輸出變量序列之間的非線性映射。人工神經(jīng)網(wǎng)絡(luò)對非線性、非結(jié)構(gòu)性、模糊性規(guī)律的適應(yīng)性很強，具有良好的記憶功能、魯棒性、映射精度以及完備的自學(xué)習(xí)能力，這也使得該技術(shù)成為近年來負荷預(yù)測領(lǐng)域的研究重點。有學(xué)者采用地柜人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)預(yù)測某地區(qū)電力負荷短期情況，借助梯度下降算法，大大提高收斂速度，仿真結(jié)果表明，該方法收斂速度和運算結(jié)果相比傳統(tǒng)方法有很大提升。但是，典型人工神經(jīng)網(wǎng)絡(luò)也存在學(xué)習(xí)參數(shù)設(shè)置不便、收斂緩慢、運算量大、網(wǎng)絡(luò)結(jié)構(gòu)模糊等弊端。有研究在相關(guān)論文中針對BP算法陷入局部極小的問題進行了討論，并提出了相應(yīng)的解決方案。另外，神經(jīng)網(wǎng)絡(luò)如能結(jié)合遺傳算法增強全局搜索能力，加強局部尋優(yōu)能力構(gòu)成遺傳神經(jīng)網(wǎng)絡(luò)，則能進一步加快運算速度，提高結(jié)果準確性。采用神經(jīng)網(wǎng)絡(luò)進行電力系統(tǒng)負荷預(yù)測時，網(wǎng)絡(luò)輸入變量的選擇是一個關(guān)鍵點，為了優(yōu)化變量甄選，有人提出使用模糊粗糙集理論先對信息進行預(yù)處理；以此算法結(jié)果作為BP網(wǎng)絡(luò)的預(yù)設(shè)變量開展訓(xùn)練。該方法將歷史時間序列、外部氣象條件等各種因素都考慮在內(nèi)，為尋找神經(jīng)網(wǎng)絡(luò)輸入變量提供了一種新思路。同時，規(guī)避了因為輸入變量規(guī)模過于龐大而引起的網(wǎng)絡(luò)拓撲結(jié)構(gòu)復(fù)雜、收斂速度慢等缺陷。相關(guān)的實驗表明，該方法行之有效。

2.2 模糊預(yù)測法

該方法基于模糊理論，先行分析過往的工作經(jīng)驗、歷史數(shù)據(jù)，以一種規(guī)則的形式呈現(xiàn)出來，并抽象出可在計算機上運行的機讀代碼，進而展開各種計算工作。模糊預(yù)測法能夠很明確地描述專家意圖，對電力系統(tǒng)中不規(guī)則現(xiàn)象進行描述，很適用于中長期電力負荷預(yù)測；但模糊預(yù)測法學(xué)習(xí)能力差，極易受到人工干擾。模糊理論應(yīng)用于電力負荷預(yù)測時，有三種常見數(shù)學(xué)模型，即：指數(shù)平滑過渡法、線性回歸法、聚類預(yù)測法，三種數(shù)學(xué)模型各有千秋，它們的預(yù)測精度都很高，相比傳統(tǒng)算法測量誤差也小得多。有研究表明，基于最佳聚類F選優(yōu)法的改進型模糊聚類電力負荷預(yù)測算法，在計算年度用電量時，預(yù)測結(jié)果很準確。有部門基于該算法對增城地區(qū)2005年和2010年的年度用電量進行預(yù)測，結(jié)果與實際測量相差不大。神經(jīng)網(wǎng)絡(luò)與模糊邏輯算法組合使用，相比單一神經(jīng)網(wǎng)絡(luò)算法，充分利用了神經(jīng)網(wǎng)絡(luò)強大的學(xué)習(xí)功能，又洗去了模糊邏輯主觀經(jīng)驗方面的劣勢，考慮了溫度變化和節(jié)假期對系統(tǒng)負荷的影響，能夠提高負荷預(yù)測結(jié)果準確度，特別是對周末和節(jié)假期負荷預(yù)測很有效。也有學(xué)者通過RBF試圖尋找負荷變化的一般規(guī)律，結(jié)合模糊理論計算負荷尖峰值和低估值，一定程度上解決了負荷影響因素不明確的問題。該方法充分利用了神經(jīng)網(wǎng)絡(luò)和模糊推理理論在處理不確定參數(shù)方面的獨到之處，很好地改善了預(yù)測精度。

2.3 數(shù)據(jù)挖掘

顧名思義，數(shù)據(jù)挖掘就是從浩如煙海的數(shù)據(jù)中挖掘出隱含信息，并盡力將其表述為直觀易懂的形式。在處理大數(shù)據(jù)、剔除冗余信息方面優(yōu)勢很大。決策樹、神經(jīng)網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則、聚類分析、統(tǒng)計學(xué)模糊集、粗糙集在各領(lǐng)域的數(shù)據(jù)挖掘工作中得到了重要應(yīng)用。有人根據(jù)數(shù)據(jù)挖掘過程中時間序列的相似性原理，研究電力負荷預(yù)測方法，獲得了很好的應(yīng)用效果?；谧顑?yōu)區(qū)間劃分和單調(diào)遞減閾值函數(shù)聚類法，結(jié)合KOHONEN網(wǎng)繪制負荷變化曲線，修正死區(qū)數(shù)據(jù)。也有學(xué)者利用數(shù)據(jù)挖掘技術(shù)的結(jié)果作為向量機訓(xùn)練樣本，減少了數(shù)據(jù)處理規(guī)模，提高了預(yù)測速度和運算精度。

2.4 專家系統(tǒng)

專家系統(tǒng)加入了人類探索自然過程中的知識經(jīng)驗，模擬人類思維決策過程，求解問題的過程類似于人類專家的思維模式。專家系統(tǒng)比模糊預(yù)測法優(yōu)越的一點是，給出相當(dāng)于專家水平的量化計算機語言，轉(zhuǎn)化了人類難以量化的經(jīng)驗數(shù)據(jù)，透明性和交互性極佳，并能給出結(jié)論的對應(yīng)緣由，方便工程人員檢查推理過程是否存在錯誤，并及時更正。由于算法相對復(fù)雜，運行速度較慢，學(xué)習(xí)能力也一般，無法較好地處理模糊數(shù)據(jù)，對規(guī)則很依賴，普適性較差，不能推廣到所有系統(tǒng)。有文獻分析認為，專家系統(tǒng)可以準確預(yù)測中長期負荷，要考慮原始數(shù)據(jù)預(yù)處理、沖擊負荷影響、負荷周期等因素，保證負荷預(yù)測精度，并盡量貼近生產(chǎn)實際需要。專家系統(tǒng)的模糊推理規(guī)則形式?jīng)Q定了規(guī)則數(shù)目，合理的推理規(guī)則能夠簡化運輸，也為人工總結(jié)專家經(jīng)驗并優(yōu)化規(guī)則提供了可能性，提高了算法速度。有學(xué)者在普通專家系統(tǒng)的基礎(chǔ)上研發(fā)了基于案例推理的經(jīng)驗導(dǎo)向型專家系統(tǒng)，相關(guān)實驗結(jié)果證明該方法獲取知識較為簡潔、記憶能力好、用戶界面友好，在實用性方面優(yōu)于規(guī)則專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)。也有工程人員結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，并基于該模型開發(fā)出數(shù)學(xué)運算軟件，在西北電網(wǎng)得到了應(yīng)用，該方法比BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度更高、實用性更好。

2.5 支持向量機

SVW基于統(tǒng)計學(xué)理論，在有限樣本前提下，提出滿足VC維理論和結(jié)構(gòu)風(fēng)險最小化原則的機器學(xué)習(xí)規(guī)律，通用性好、全局最優(yōu)、計算速度快。但要依賴經(jīng)驗確定初值和核心運算函數(shù)，受人為因素影響較大。而且，對模糊現(xiàn)象的描述能力一般，模型誤差會導(dǎo)致收斂值與實際值相去甚遠。蟻群優(yōu)化算法能夠?qū)ζ溥M行優(yōu)化，在短期負荷預(yù)測中效果甚佳。經(jīng)過大量實踐，最小二乘支持向量機回歸算法，很適用于短期負荷預(yù)測，借助不同時刻的樣本訓(xùn)練，以最優(yōu)線性回歸函數(shù)為算法依據(jù)，在盡可能減小負荷樣本點漂移的基礎(chǔ)上，又縮小了泛化誤差上限，具有較好的前瞻性。還有人將模糊回歸法植入支持向量機模型，不僅提升了預(yù)測精度，而且提供了更多運行信息。

3 結(jié)語

本文對常見的智能預(yù)測技術(shù)進行了全面分析。我們不難看出，單一負荷預(yù)測法很難滿足實際要求，應(yīng)該結(jié)合地區(qū)狀況選擇方法組合，唯有如此才能取得更好的電力預(yù)測效果，這也意味著組合預(yù)測將勢必成為以后的研究熱點。

參考文獻

[1] 段玉波，曲薇薇，周群，張彥輝.應(yīng)用遞歸人工神經(jīng)網(wǎng)絡(luò)預(yù)測電力短期負荷[J].佳木斯大學(xué)學(xué)報（自然科學(xué)版），2010，（3）.

[2] 陳燦，劉新東.一種新的電力系統(tǒng)短期負荷預(yù)測方法[J].軟件導(dǎo)刊，2010，（7）.

[3] 龐松嶺，穆鋼，王修權(quán)，金鵬，馬俊國.基于負荷規(guī)律性分析的支持向量機短期負荷預(yù)測方法[J].東北電力大學(xué)學(xué)報，2006，（4）.