周勝瑜，周任軍，李紅英，李紹金

（1.智能電網(wǎng)運(yùn)行與控制湖南省重點(diǎn)實(shí)驗(yàn)室（長沙理工大學(xué)），長沙 410004；2.長沙理工大學(xué)電氣及信息工程學(xué)院，長沙410004）

當(dāng)前，組合預(yù)測已成為預(yù)測中主要的研究方向之一，被廣泛應(yīng)用于各領(lǐng)域，但傳統(tǒng)的組合預(yù)測方法都是擬合歷史數(shù)據(jù)、獲取最小誤差的優(yōu)化預(yù)測方法，目標(biāo)仍然是單一的誤差最小，沒有計(jì)及預(yù)測中的不確定性及與專家知識的結(jié)合[1-2]。

針對這一問題文獻(xiàn)[1-2]提出了基于模糊層次分析法的組合預(yù)測模型。文獻(xiàn)[3]提出了基于模糊綜合評判的組合預(yù)測方法。雖然上述兩種方法能將專家知識引入組合預(yù)測過程中，但二者也面臨著一定的問題，主要表現(xiàn)為：第1，專家評價(jià)形式的單一化。第2，隸屬函數(shù)選擇主觀計(jì)算繁瑣，在基于模糊評判的組合預(yù)測中，模型隸屬函數(shù)選擇的好壞對最終的預(yù)測結(jié)果有著較大的影響，而隸屬函數(shù)的選取目前并沒有統(tǒng)一的標(biāo)準(zhǔn)。而在基于模糊層次分析法的組合預(yù)測中，需要專家對預(yù)測模型的不同指標(biāo)，做兩兩比較評價(jià)，這極大地增加了專家的工作量。第3，專家意見的集成較困難，不同專家之間評價(jià)的尺度是不同的，如何消除這種情況的影響，上述兩種方法并沒有研究。第4，沒有有效考慮定量誤差指標(biāo)的影響，在上述兩種組合預(yù)測過程中對于定量誤差的處理，是根據(jù)預(yù)測效果，由專家直接進(jìn)行評價(jià)或是將兩種預(yù)測模型的擬合精度直接相比，而這兩種方法都比較粗糙，并不能較好地體現(xiàn)定量誤差的真實(shí)情況。

因此，為解決上述問題，提出一種采用信息轉(zhuǎn)換及專家混合語言評判的電力負(fù)荷組合預(yù)測法。

1 專家混合語言評判

1.1 評判指標(biāo)體系的建立

為了更好地評判各種預(yù)測模型的性能，必須建立起能反映真實(shí)情況的評判體系，這就要求此評判體系應(yīng)包含定量與定性兩方面的指標(biāo)。

定量指標(biāo)為歷史數(shù)據(jù)的擬合精度，此項(xiàng)指標(biāo)與傳統(tǒng)的各種負(fù)荷預(yù)測方法中的數(shù)學(xué)模型的優(yōu)化目標(biāo)一致，其計(jì)算式為

式中：xj為擬合精度；T 表示預(yù)測的時(shí)間跨度表示第j 預(yù)測模型在第t 時(shí)間的預(yù)測值；yjt為實(shí)際值。

定性指標(biāo)包含經(jīng)濟(jì)發(fā)展的協(xié)調(diào)性、預(yù)測方法的適應(yīng)性以及決策者對模型的信賴程度3 方面。

預(yù)測模型評判體系如圖1 所示。

圖1 預(yù)測模型評判體系Fig.1 Prediction model evaluation system

1.2 語言評判標(biāo)度

如何通過語言科學(xué)、合理地衡量預(yù)測模型的性能，對于最終預(yù)測結(jié)果的產(chǎn)生有著極大的意義，語言評判標(biāo)度則提供了一個很好的方式，評判中一般采用定量標(biāo)度如“1、3、5”來表示“弱、中、強(qiáng)”關(guān)系。為了更加符合人們的思維情況，文獻(xiàn)[4]設(shè)定了一種以零為中心對稱，且語言術(shù)語個數(shù)為奇數(shù)的加性語言評估標(biāo)度。

式中：Sα表示語言術(shù)語；τ 為標(biāo)度計(jì)算基準(zhǔn)。語言術(shù)語下標(biāo)在零右側(cè)的語言術(shù)語集為

語言術(shù)語下標(biāo)在零左側(cè)的語言術(shù)語集為

并定義：若α ≥β，則Sα≥Sβ

在信息集成過程中，為避免丟失決策信息，在原有的基礎(chǔ)上定義了一個拓展標(biāo)度。

式中，q（q〉τ）為一充分大的自然數(shù)，若Sα∈S1，則稱Sα為本原術(shù)語；否則，稱Sα為拓展術(shù)語，不論Sα為何種語言術(shù)語皆被統(tǒng)稱為確定語言信息。一般地，決策者用本原術(shù)語評估指標(biāo)因素，拓展術(shù)語只在計(jì)算和評價(jià)中出現(xiàn)。語言標(biāo)度的具體情況如圖2所示，若τ=4 則語言評估標(biāo)度S1中的元素為：S-3=極差；S-4/3=很差；S-1/2=差；S0=一般；S1/2=好；S4/3=很好；S3=極好。

圖2 τ=4 時(shí)的語言評估標(biāo)度Fig.2 Lingual assessment scale of τ=4

從圖2 中可以看出該類語言評估標(biāo)度其間距并不均勻，本質(zhì)上是一種非平衡語言信息，越靠近零點(diǎn)標(biāo)度越密集，這符合人類的思維情況。

1.3 不確定語言信息

在現(xiàn)實(shí)社會中，由于人類語言的模糊性以及問題的復(fù)雜性，決策者有時(shí)更傾向用類似于“介于“一般”與“好”之間”的表達(dá)方式來表達(dá)對于某個指標(biāo)的評價(jià)，基于這一情況，定義不確定語言信息如下：

1.4 混合語言信息

在客觀條件下，由于決策者知識水平、自信程度以及偏好的不同，往往會導(dǎo)致決策者給出的語言信息是混合的。語言信息的混合性主要體現(xiàn)在以下兩個方面。

（1）對于同一決策者而言，其可能選取不同類型的語言信息對預(yù)測模型的不同定性指標(biāo)進(jìn)行評價(jià)，即評價(jià)信息可能是確定語言信息也可能是不確定語言信息。

（2）對于不同決策者而言，決策者選取的語言標(biāo)度可能不同。如決策者A 可能選取τ=4 時(shí)的語言標(biāo)度，而決策者B 可能選取τ=6 時(shí)的語言標(biāo)度。

上述所說的評價(jià)語言信息即為混合語言信息。

1.5 混合語言的一致化

第1.4 節(jié)中提到?jīng)Q策者在對預(yù)測模型進(jìn)行評價(jià)時(shí)，所給出的評價(jià)值往往是混合的，為了進(jìn)一步計(jì)算模型綜合評價(jià)值，必須將混合信息一致化。針對語言信息混合情況的不同一致化方法也有所不同。

對于同一決策者，所給語言信息類型不同這一問題，可采用將不確定語言信息轉(zhuǎn)化為確定語言信息的方法。

式中，I 為取下標(biāo)算子。

則稱

為不確定語言信息集成算子，其中γ 的求取方法為

式（10）中數(shù)值fφ（[α，β]）計(jì)算式為

式中函數(shù)φ：[0，1]→[0，1]，具有下列性質(zhì)：

若x ≥y，則φ（x）≥φ（y），且有

這樣可稱f 為連續(xù)區(qū)間信息集成算子，而函數(shù)φ（x）則被稱為基本單位區(qū)間單調(diào)函數(shù)（basic unit-interval monotonic function），以下簡稱為BUM 函數(shù)[5]。

這種轉(zhuǎn)化方法客觀性強(qiáng)，計(jì)算方便，非常適合于處理不同類型的語言信息。

針對不同決策者，所選評價(jià)標(biāo)度不同的問題，其一致化方法如下。

設(shè)決策者1 所選取的語言評估標(biāo)度為

其中本原術(shù)語個數(shù)為2τ1-1。決策者2 所選取的語言評估標(biāo)度為

其中本原術(shù)語個數(shù)為2τ2-1，則定義它們之間的轉(zhuǎn)換函數(shù)[6]為

通過式（16）～（19）可實(shí)現(xiàn)任意兩連續(xù)性非平衡語言標(biāo)度的轉(zhuǎn)化。為了保證語言信息的豐富性，規(guī)定語言標(biāo)度的轉(zhuǎn)化一律從低標(biāo)度向高標(biāo)度轉(zhuǎn)化，即若τ1〉τ2，則標(biāo)度τ2向標(biāo)度τ1轉(zhuǎn)化。

1.6 語言信息的集成

為了更加科學(xué)地認(rèn)識各預(yù)測模型的性能以確定模型權(quán)重值，必須對專家所給的語言信息進(jìn)行集成。

如何集成語言信息，是一個十分重要的課題。近年來，許多學(xué)者對語言信息的集成方式進(jìn)行了深入的研究，基于第1.2 節(jié)介紹的語言評估標(biāo)度S1，提出了各種不同的信息集成算子。

文獻(xiàn)[7-8]定義了兩種語言信息集成算子。分別為有序加權(quán)平均算子OWA（ordered weighted averaging）和混合集成算子LHA（linguistic hybrid averaging）。設(shè)

式（20）中函數(shù)符號OWA 下標(biāo)變量v 表示加權(quán)向量，具體為v =（v1，v2，…，vn），且vi≥0（i =使得

式中：Sβj（j = 1，2，…，n）為語言評價(jià)信息（Sα1，Sα2，…，Sαn）中第j 大的語言數(shù)據(jù)，n 為屬性個數(shù)。OWA算子的本質(zhì)是：對數(shù)據(jù)從大到小按順序排列，再通過數(shù)據(jù)所在位置進(jìn)行集結(jié)，權(quán)重vi僅反映數(shù)據(jù)位置的重要程度，與數(shù)據(jù)本身無關(guān)，稱為位置權(quán)重。以O(shè)WA 算子集結(jié)語言評價(jià)信息可以較好地消除決策者主觀評價(jià)過高或過低所造成的影響，但是卻忽略了屬性本身的重要性。為此定義了LHA 算子。設(shè)

式（22）中函數(shù)符號LHA 下標(biāo)變量v，w 表示加權(quán)向量，具體為v=（v1，v2，…，vn），且vi≥0（i=，使得

式中：Sβj（j = 1，2，…，n）為語言評價(jià)信息（nw1Sα1，nw2Sα2，…，nwiSαi，…，nwnSαn）中第j 大的語言加權(quán)數(shù)據(jù)；vi為位置權(quán)重，僅反映數(shù)據(jù)位置的重要程度；w=（w1，w2，…，wn）為語言評價(jià)值Sαi（i=1，2，…，n）的權(quán)重向量，反映屬性本身的重要性與位置無關(guān)，可被稱為屬性權(quán)重，wi≥0，且為屬性個數(shù)，亦稱為平衡系數(shù)。

LHA 算子既考慮了數(shù)據(jù)本身的重要性又考慮了數(shù)據(jù)位置的重要性，可認(rèn)為是OWA 算子的擴(kuò)展。

通過利用上述兩種信息集成算子可對某預(yù)測模型做出一個定量的客觀評價(jià)。

2 定量指標(biāo)的轉(zhuǎn)換

2.1 語言標(biāo)度的模糊化

如前所述，為了更加客觀、合理地評價(jià)各預(yù)測模型，在建立預(yù)測模型評價(jià)體系時(shí)，既考慮了定量指標(biāo)又考慮了定性指標(biāo)，而為在統(tǒng)一標(biāo)準(zhǔn)下綜合考慮這兩類指標(biāo)且從實(shí)際應(yīng)用角度出發(fā)，需將定量數(shù)據(jù)指標(biāo)信息轉(zhuǎn)換成定性語言評價(jià)信息，因此特將模糊推理技術(shù)引入至轉(zhuǎn)換的過程中。

利用模糊推理方法，實(shí)現(xiàn)定量數(shù)據(jù)到定性標(biāo)度的轉(zhuǎn)化，首先必須將二者模糊化。根據(jù)第1.2 節(jié)所選取的語言評估標(biāo)度以及模糊數(shù)學(xué)的原理定義這些標(biāo)度在論域X[-q，q]上的模糊集合為A極差、A一般、A極好等，選取目前應(yīng)用最為廣泛的三角函數(shù)作為對應(yīng)模糊集合的隸屬度函數(shù)，取τ=4 時(shí)詳細(xì)討論語言標(biāo)度轉(zhuǎn)換為模糊集合的過程，其轉(zhuǎn)化隸屬度函數(shù)如圖3 所示。圖中x 軸表示語言標(biāo)度值，μ 軸表示語言評價(jià)值隸屬于對應(yīng)模糊語言集合的隸屬度。

圖3 τ=4 時(shí)標(biāo)度隸屬度函數(shù)Fig.3 Time-scale membership functions of τ=4

2.2 定量數(shù)據(jù)的模糊化

給定語言標(biāo)度的模糊集合后，專家還需根據(jù)實(shí)際情況給出代表相應(yīng)定量數(shù)據(jù)的模糊集合。為與語言標(biāo)度模糊集合相匹配，規(guī)定定量數(shù)據(jù)模糊化后的模糊集合個數(shù)應(yīng)等于語言評價(jià)信息模糊化后的模糊集合個數(shù)且命相同名稱，如B極差、B一般、B極好等，取同類型模糊化隸屬函數(shù)，同時(shí)兩者各自對應(yīng)模糊集合的質(zhì)心相對距離應(yīng)成比例，具體表示為

式中：ai表示語言評價(jià)信息模糊化后第i 個模糊集合的質(zhì)心，若某個模糊集合有無窮多個質(zhì)心取其與0 點(diǎn)最近的質(zhì)心點(diǎn)；bi表示實(shí)際數(shù)據(jù)模糊化后與ai所對應(yīng)的模糊集合同名稱的模糊集的質(zhì)心；k 為某一常數(shù)。圖4 表示τ=4 時(shí)預(yù)測誤差絕對值的模糊化結(jié)果。

圖4 τ=4 時(shí)預(yù)測誤差絕對值的模糊化結(jié)果Fig.4 Obscuretheresultsofpredictionerrorabsolutevalue

2.3 模糊推理

通過第2.1 節(jié)和第2.2 節(jié)的介紹可知定量數(shù)據(jù)模糊化后的集合與語言標(biāo)度模糊化后的集合是一一對應(yīng)的，因此所建立的模糊推理規(guī)則應(yīng)反映這種關(guān)系。規(guī)則庫的建立過程，具體情況如下。

共有7 條規(guī)則，在規(guī)則庫中FRi表示第i 條模糊規(guī)則，Sα為專家語言評價(jià)信息，x 為定量數(shù)據(jù)。

建立模糊規(guī)則庫后，采用取大-取小整合方式，根據(jù)所建立的模糊規(guī)則和專家語言評價(jià)信息對實(shí)際數(shù)據(jù)進(jìn)行推理，計(jì)算式為

式中：U 表示輸入x 后最終的推理結(jié)果；r 表示由輸入數(shù)值x 激活的模糊規(guī)則數(shù)；Ai與Bi分別表示激活的標(biāo)度模糊集合與定量數(shù)據(jù)模糊集合。

模糊推理產(chǎn)生的結(jié)果是模糊集合，而評價(jià)計(jì)算需要的是精確值，因此還需對模糊結(jié)果清晰化，采用如今比較常用的面積平分法[9]，清晰化最終模糊集合結(jié)果。

經(jīng)過第2.1～2.3 節(jié)的計(jì)算過程，即完成了將定量數(shù)據(jù)轉(zhuǎn)化成語言信息的過程。

3 預(yù)測模型評價(jià)及組合預(yù)測

3.1 模型評價(jià)

獲得專家對各模型所有指標(biāo)的語言評價(jià)信息后即可進(jìn)行信息的集成評價(jià)。根據(jù)語言算子的定義，評價(jià)模型的重點(diǎn)在于相關(guān)權(quán)重的確定，而在模型評價(jià)過程中需要確定的相關(guān)權(quán)重主要有兩類，分別是專家位置權(quán)重和屬性位置權(quán)重（統(tǒng)稱為位置權(quán)重）、影響因素權(quán)重（也可稱為屬性權(quán)重）。不同類別的權(quán)重，其確定的方式是不同的。

對于專家位置權(quán)重（或?qū)傩晕恢脵?quán)重），可依據(jù)各專家（或?qū)傩裕┧o評價(jià)值的大小順序進(jìn)行賦權(quán)，即對專家（或?qū)傩裕┑脑u價(jià)值從大到小按順序排列，再通過評價(jià)值所在位置賦予各專家（或?qū)傩裕┪恢脵?quán)重。權(quán)重的分布應(yīng)該是中間高兩邊低，呈對稱形狀，以消除專家主觀判斷的不良影響。確定方法如下。

設(shè)φ（x）為BUM 函數(shù)，則有

式中，vi為第i 個位置上的專家（或?qū)傩裕┑臋?quán)重，i =1，2，…，l，l 為專家（或?qū)傩裕﹤€數(shù)，而φ（x）的確定式為

式中，g（y）為聚中函數(shù)[10]，滿足如下性質(zhì)：

（1）y∈[0，1]；

（2）g（y）關(guān)于0.5 對稱；

（3）g（y）為單峰，且在y=0.5 時(shí)最大。

利用BUM 函數(shù)求得的權(quán)重值，滿足權(quán)重的基本性質(zhì)，即非負(fù)性、和值為1 性。

在實(shí)際計(jì)算中，依照式（26）～式（27），可令聚中函數(shù)

式中，y∈[0，1]，求得位置權(quán)重的計(jì)算式為

式中，i=1，2，…，l，l 為位置個數(shù)，亦可以代表專家個數(shù)或?qū)傩詡€數(shù)。

對于影響因素權(quán)重即屬性權(quán)重，可采用離差最大化思想，求得屬性的權(quán)值。該思想的核心是，模型某影響因素評價(jià)值偏差越大，則該因素對模型的整體評價(jià)影響也就越大，應(yīng)賦予較大的權(quán)重值。其計(jì)算過程如下：

設(shè)A=（aij）n×m為一致化后的評價(jià)矩陣，n 為模型個數(shù)，m 為指標(biāo)個數(shù)，則第j 指標(biāo)的權(quán)重為

因影響因素評價(jià)值是以語言形式給出的，所以不需要?dú)w一化處理。

通過式（29）和式（30）求得各類別的權(quán)重值之后，利用OWA 算子、LHA 算子對語言信息做出最終集成得出各模型的綜合評分值，其評價(jià)步驟如下。

步驟1 利用LHA 算子，單獨(dú)計(jì)算出各專家對各模型的語言綜合評價(jià)值。

步驟2 利用OWA 算子，綜合集成各專家的語言綜合評價(jià)值。

3.2 組合預(yù)測

組合預(yù)測模型可表示為

設(shè)W=（W1，W2，…，Wn）為專家對n 個預(yù)測模型的最終綜合評價(jià)值，其中，若有模型的評判值小于或等于0，則不考慮該模型的影響，即模型權(quán)值為0，如此各預(yù)測模型在組合預(yù)測中所對應(yīng)的權(quán)重為

式中，r 表示除掉評判值小于或等于0 的模型后剩余模型的個數(shù)。

綜上所述，基于專家語言評判的組合預(yù)測方法主要步驟如下。

步驟1 選取適當(dāng)預(yù)測模型，計(jì)算各模型的預(yù)測效果（即求取歷史擬合精度），并將其作為定量指標(biāo)信息。

步驟2 邀請專家語言評價(jià)各預(yù)測模型的定性指標(biāo)，并將步驟1 中的定量數(shù)據(jù)轉(zhuǎn)化為定性語言信息。

步驟3 計(jì)算相關(guān)權(quán)重，利用LHA 算子單獨(dú)計(jì)算出各專家對各模型的語言綜合評價(jià)值，利用OWA 算子綜合集成各專家的語言綜合評價(jià)值。

步驟4 利用W 選取適當(dāng)預(yù)測模型并通過式（32）計(jì)算其權(quán)重，式（31）進(jìn)行組合預(yù)測。

4 算例分析

以某地區(qū)8 年內(nèi)的負(fù)荷預(yù)測為例，檢驗(yàn)所提方法的可行性。

1）單個預(yù)測模型計(jì)算

該地區(qū)年最大負(fù)荷的歷史數(shù)據(jù)見表1。

表1 某地區(qū)最大負(fù)荷歷史數(shù)據(jù)Tab.1 Acertainregion'slargestloadhistoricaldata

分別選取了二次指數(shù)平滑法、三次指數(shù)平滑法、灰色預(yù)測法、一元線性回歸法、非線性回歸法、單耗法以及彈性系數(shù)法共7 種方法對歷史數(shù)據(jù)進(jìn)行預(yù)測。預(yù)測效果見表2。

表2 單個模型預(yù)測效果Tab.2 A single model prediction effect

2）定性指標(biāo)評價(jià)

現(xiàn)選取3 位專家分別對7 種預(yù)測模型的3 個定性指標(biāo)進(jìn)行評價(jià)。已知專家1、2 采用τ1，2=4 時(shí)的語言評估標(biāo)度，專家3 采用τ3=3 時(shí)的語言評估標(biāo)度?，F(xiàn)以專家3 為例詳細(xì)介紹模型評價(jià)過程，專家3 定性指標(biāo)語言評價(jià)結(jié)果如表3 所示。

表3 專家3 定性指標(biāo)評價(jià)結(jié)果Tab.3 Expert 3′s qualitative index evaluation results

3）評價(jià)信息一致化

取φ（x）=x 并利用式（11）～（19）一致化專家3的評價(jià)值。一致化結(jié)果如表4 所示。

表4 專家3 一致化結(jié)果Tab.4 Expert 3’s consistent evaluation results

4）定量指標(biāo)信息轉(zhuǎn)換

利用第3 節(jié)介紹的信息轉(zhuǎn)換方法，將表2 所示定量數(shù)據(jù)轉(zhuǎn)換為定性信息，結(jié)果如表5 中指標(biāo)4列所示。

表5 專家3 定性定量指標(biāo)評價(jià)結(jié)果Tab.5 Expert 3’s qualitative and quantitative evaluation results

5）專家信息集成評價(jià)

得到專家3 定性定量指標(biāo)評價(jià)結(jié)果后，利用式（29）和式（30）分別獲得屬性位置權(quán)重以及屬性權(quán)重為v=（0.146 4，0.353 6，0.353 6，0.146 4），w=（0.405 7，0.142 0，0.324 5，0.127 8），由此利用LHA算子計(jì)算出專家3 對各預(yù)測模型的綜合評價(jià)值，如表6 所示。

表6 專家3 綜合評價(jià)值Tab.6 Experts 3’s comprehensive evaluation value

同專家3 評價(jià)步驟，分別求出專家1、2 對各預(yù)測模型的綜合評價(jià)值，并再次利用式（29）獲得專家位置權(quán)重v′ =（0.25，0.5，0.25），進(jìn)而由OWA算子同各專家評價(jià)值，計(jì)算出各預(yù)測模型的最終評價(jià)結(jié)果，如表7 所示。

表7 各預(yù)測模型最終評價(jià)結(jié)果Tab.7 Final results of each prediction model

6）組合預(yù)測

從各預(yù)測模型的最終評價(jià)值中，可以看出二次指數(shù)平滑法、單耗法以及彈性系數(shù)法評價(jià)值為負(fù)，在組合預(yù)測中不以考慮，因此最終的組合預(yù)測模型為三次指數(shù)平滑法、灰色預(yù)測法、線性回歸法和非線性回歸法，組合中各自所占權(quán)重為w*=[0.25，0.40，0.35，0.315]。由此權(quán)重向量及各預(yù)測模型所求得的組合結(jié)果的平均相對誤差的絕對值為1.65%，可見以此種方法所得的組合預(yù)測結(jié)果要明顯優(yōu)于由其它單個預(yù)測模型所求得的結(jié)果。

5 結(jié)論

所提基于信息轉(zhuǎn)換及專家混合語言評判的負(fù)荷組合預(yù)測法，相比于傳統(tǒng)基于模糊評判的負(fù)荷組合預(yù)測法，有以下4 點(diǎn)優(yōu)勢。

（1）擴(kuò)展了專家的評價(jià)形式允許專家給出不同類型的評價(jià)結(jié)果，豐富了信息來源。

（2）由專家直接給出語言評價(jià)，非常方便，更加符合工程應(yīng)用的需要。

（3）能夠很好地集成各專家意見，有利于預(yù)測模型的選取。

（4）建立了定量數(shù)據(jù)與定性標(biāo)度之間的轉(zhuǎn)換關(guān)系，使之對定量數(shù)據(jù)的評價(jià)更為客觀、合理。

需要說明的是，在電力系統(tǒng)中，相較于負(fù)荷的短期預(yù)測，組合預(yù)測方法更適用于中長期負(fù)荷預(yù)測中。且對于決策者而言，其也可以根據(jù)模型最終評價(jià)值的好壞選擇適當(dāng)?shù)膯我荒Ｐ瓦M(jìn)行預(yù)測。

[1]吳丹，程浩忠，奚珣，等（Wu Dan，Cheng Haozhong，Xi Xun，et al）.基于模糊層次分析法的年最大電力負(fù)荷預(yù)測（Annual peak power load forecasting based on fuzzy AHP）[J].電力系統(tǒng)及其自動化學(xué)報(bào)（Proceedings of the CSU-EPSA），2007，19（1）：55-58，67.

[2]丁巧林，潘學(xué)華，楊薛明（Ding Qiaolin，Pan Xuehua，Yang Xueming）.最優(yōu)組合預(yù)測方法在電力負(fù)荷預(yù)測中的應(yīng)用（Optimal combined forecasting method used in power load forecasting）[J]. 電 網(wǎng) 技 術(shù)（Power System Technology），2008，32（S1）：127-130.

[3]孫海斌，周淑雄，謝敬東，等（Sun Haibin，Zhou Shuxiong，Xie Jingdong，et al）.模糊綜合評價(jià)在負(fù)荷最優(yōu)組合預(yù)測中的應(yīng)用（Application of fuzzy comprehensive evaluation for optimizing combined load forecasting）[J]. 電力系統(tǒng)及其自動化學(xué)報(bào)（Proceedings of the CSU-EPSA），2001，13（4）：8-11.

[4]戴躍強(qiáng)，徐澤水，李琰，等（Dai Yueqiang，Xu Zeshui，Li Yan，et al）.語言信息評估新標(biāo)度及其應(yīng)用（New evaluation scale of linguistic information and its application）[J].中國管理科學(xué)（Chinese Journal of Management Science），2008，16（2）：145-149.

[5]張洪美，徐澤水（Zhang Hongmei，Xu Zeshui）.基于不確定語言信息的C-OWA 和C-OWG 算子及其應(yīng)用（Uncertain linguistic information based C-OWA and C-OWG operators and their applications）[J]. 解放軍理工大學(xué)學(xué)報(bào)（Journal of PLA University of Science and Technology），2005，6（6）：604-608.

[6]徐澤水（Xu Zeshui）.基于語言標(biāo)度中術(shù)語指標(biāo)的多屬性群決策法（A multi-attribute group decision making method based on term indices in linguistic evaluation scales）[J].系統(tǒng)工程學(xué)報(bào)（Journal of Systems Engineering），2005，20（1）：84-88.

[7]Yager R R.On ordered weighted averaging aggregation operators in multi-criteria decision making[J].IEEE Trans on Systems，Man and Cybernetics，1988，18（1）：183-190.

[8]Xu Zeshui. A note on linguistic hybrid arithmetic averaging operator in multiple attribute group decision making with linguistic information[J]. Group Decision and Negotiation，2006，15（6）：593-604.

[9]石辛民，郝整清.模糊控制及其MATLAB 仿真[M].北京：清華大學(xué)出版社；北京交通大學(xué)出版社，2008.

[10]Yager R R.Centered OWA operators[J].Soft Computing，2007，11（7）：631-639.