章 杰，陳躍輝，周勝瑜，陳瑞先，周任軍

（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.國網(wǎng)湖南省電力公司，長沙 410004）

負(fù)荷密度預(yù)測(cè)的方案比較沖突度交互評(píng)價(jià)方法

章 杰1，陳躍輝2，周勝瑜2，陳瑞先1，周任軍1

（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.國網(wǎng)湖南省電力公司，長沙 410004）

針對(duì)電力負(fù)荷密度預(yù)測(cè)中收集大量有效數(shù)據(jù)樣本困難以及專家一次性評(píng)判難以獲得合理結(jié)果的問題，提出了一種以方案比較沖突度為度量指標(biāo)的交互式專家語言評(píng)判電力負(fù)荷密度預(yù)測(cè)法。該方法在采用語言評(píng)判方式評(píng)價(jià)城市小區(qū)不同類型指標(biāo)時(shí)，以方案比較沖突度來度量專家在評(píng)判小區(qū)某指標(biāo)更優(yōu)（更劣）時(shí)的沖突程度，從中選取沖突較大的小區(qū)，以一致度標(biāo)準(zhǔn)修改其評(píng)價(jià)信息和專家權(quán)重，實(shí)現(xiàn)專家之間的交互式評(píng)判，并在預(yù)測(cè)時(shí)，將交互后的評(píng)價(jià)信息經(jīng)信息集成算子集成后同負(fù)荷密度代入BP神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，以訓(xùn)練后的結(jié)構(gòu)預(yù)測(cè)城市各小區(qū)的負(fù)荷密度。算例表明，該方法不僅能有效解決缺乏數(shù)據(jù)的問題，同時(shí)能克服交互式?jīng)Q策中僅從整體角度考慮專家一致性問題的局限性，具有很好的實(shí)踐意義。

專家語言評(píng)判；沖突度；交互式；一致度；電力負(fù)荷密度；預(yù)測(cè)

電力負(fù)荷密度預(yù)測(cè)方法主要分為用地仿真法[1-2]和負(fù)荷密度指標(biāo)法[3-4]。用地仿真法以小區(qū)地理信息為基礎(chǔ)，推測(cè)小區(qū)未來的用地類型，進(jìn)而預(yù)測(cè)小區(qū)的負(fù)荷密度。負(fù)荷密度指標(biāo)法則以小區(qū)經(jīng)濟(jì)、人口、社會(huì)等指標(biāo)信息為基礎(chǔ)，通過智能算法[5-6]或分類評(píng)判[7]預(yù)測(cè)小區(qū)的負(fù)荷密度。在當(dāng)前我國城市土地使用性質(zhì)已基本明確的情況下，負(fù)荷密度指標(biāo)法更加符合我國國情。

負(fù)荷密度指標(biāo)法預(yù)測(cè)的基礎(chǔ)在于齊全的樣本數(shù)據(jù)。而現(xiàn)實(shí)情況是，將一個(gè)城市劃分為若干小區(qū)后，收集齊全劃分小區(qū)的相關(guān)經(jīng)濟(jì)社會(huì)等指標(biāo)數(shù)據(jù)是非常困難的。對(duì)此類樣本缺失嚴(yán)重情況下，負(fù)荷密度指標(biāo)法難以解決該問題。因此采用語言信息決策的電力負(fù)荷密度預(yù)測(cè)法[8]，更適用于工程實(shí)踐。但其基于一次性評(píng)價(jià)的專家評(píng)價(jià)過程，未能合理體現(xiàn)專家意見的不一致。因此須引入交互評(píng)判的方式協(xié)調(diào)專家信息。目前對(duì)交互式?jīng)Q策的研究主要集中在利用某種度量指標(biāo)，如滿意度、貼近度、一致度等[9-11]，采用交互修改評(píng)價(jià)內(nèi)容或?qū)＜覚?quán)重的方式達(dá)成觀點(diǎn)的統(tǒng)一。這要求專家在交互過程中，若認(rèn)識(shí)發(fā)生改變，需修正所有方案的評(píng)價(jià)值，而現(xiàn)實(shí)中，專家往往僅對(duì)部分方案存在較大沖突，認(rèn)識(shí)一旦改變就要修正全部方案的評(píng)價(jià)值，這會(huì)給專家造成很大的負(fù)擔(dān)。

為此提出一種基于方案比較沖突度的交互式專家語言評(píng)判電力負(fù)荷密度預(yù)測(cè)法，該方法結(jié)合文獻(xiàn)[8]所提思想利用人類語言本身所具有的評(píng)價(jià)能力[12]，評(píng)判劃分小區(qū)的相關(guān)指標(biāo)，同時(shí)利用方案比較沖突度選定專家評(píng)價(jià)沖突較大的小區(qū)進(jìn)行信息交互修改，既有效地解決了數(shù)據(jù)收集困難的問題，又以有選擇交互協(xié)調(diào)專家信息的方式保證了專家交互協(xié)調(diào)的針對(duì)性、簡潔性以及最終評(píng)判結(jié)果的合理性。

1 專家語言評(píng)價(jià)

1.1 負(fù)荷密度指標(biāo)體系的建立

利用負(fù)荷密度指標(biāo)法預(yù)測(cè)城市小區(qū)的負(fù)荷密度，首先是建立負(fù)荷密度指標(biāo)體系。通過對(duì)城市小區(qū)發(fā)展情況的綜合分析，確定影響小區(qū)發(fā)展的因素，從整體上可分為三大類：小區(qū)經(jīng)濟(jì)、人口和地理環(huán)境情況，每一類又可細(xì)分為若干指標(biāo)，如經(jīng)濟(jì)類可細(xì)分為小區(qū)人均消費(fèi)、人均收入、地價(jià)水平以及發(fā)展定位。具體分類情況如圖1所示。

圖1 城市小區(qū)負(fù)荷密度指標(biāo)體系Fig.1 Index system of power load density in one urban community

1.2 語言評(píng)價(jià)方式的選取

對(duì)于負(fù)荷密度指標(biāo)體系中，選取何種語言形式評(píng)價(jià)小區(qū)的各個(gè)指標(biāo)非常重要。目前，基于語言的評(píng)價(jià)方式主要有兩種，其一是基于模糊數(shù)學(xué)的模糊語言評(píng)價(jià)方式，其二是基于評(píng)估標(biāo)度的語言評(píng)價(jià)方式。

由于基于評(píng)估標(biāo)度的語言評(píng)價(jià)方式，具有評(píng)價(jià)簡單、計(jì)算方便、易于操作等優(yōu)點(diǎn)，因此選擇該種方法，定量評(píng)價(jià)小區(qū)的影響指標(biāo)。

1.3 語言評(píng)估標(biāo)度

語言評(píng)估標(biāo)度采用一種以零為中心對(duì)稱，且語言術(shù)語個(gè)數(shù)為奇數(shù)的加性語言評(píng)估標(biāo)度[13]，即

式中，sα表示語言術(shù)語，且語言術(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

并進(jìn)行如下定義：

（1）若α≥β，則sα≥sβ。

（2）sα±sβ=sα±β。

（3）λsα=sλα。

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(gè)拓展標(biāo)度為

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。具體情況如圖2所示，當(dāng)τ=4時(shí)語言評(píng)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、s12=好、s43=很好、s3=極好。

圖2 τ=4時(shí)的語言評(píng)估標(biāo)度Fig.2 Language judgement degree ofτ=4

從圖2中可以看出該類語言評(píng)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，這符合人類希望對(duì)“一般”事物的把握更為精確的思維情況。

2 基于方案比較沖突度的交互式評(píng)判

2.1 方案比較沖突度

在小區(qū)評(píng)估中，由于知識(shí)水平及決策偏好的不同，專家很難通過一次性的評(píng)價(jià)達(dá)成一致意見，往往需要專家間交互評(píng)判多次后才能大致形成認(rèn)識(shí)上的統(tǒng)一，因此在專家對(duì)城市小區(qū)各類指標(biāo)進(jìn)行語言評(píng)判時(shí)，引入交互式協(xié)調(diào)過程很有必要。但目前絕大部分的交互式?jīng)Q策方法都是基于某種一致性衡量的決策方法[9-11]，這些方法在交互決策過程中要求一旦某種一致性衡量指標(biāo)沒有達(dá)到標(biāo)準(zhǔn)時(shí)，需要對(duì)全部評(píng)價(jià)方案的評(píng)價(jià)信息進(jìn)行修改。但通過對(duì)實(shí)際情況的研究可以發(fā)現(xiàn)影響一致性大小的往往僅是專家沖突較大的少數(shù)幾個(gè)方案的評(píng)價(jià)情況，因此一旦出現(xiàn)一致性標(biāo)準(zhǔn)沒有達(dá)標(biāo)的情況，就需要修改全部方案的評(píng)價(jià)信息?；谶@一問題提出一種考慮方案比較沖突度的交互式評(píng)判方法。

通過對(duì)實(shí)際問題的研究發(fā)現(xiàn)，專家們的沖突主要源于某方案是否優(yōu)于或劣于另一方案，如果專家一致認(rèn)為某方案要優(yōu)于另一方案，只是在優(yōu)越程度上有所不同的話，可以認(rèn)為在選取哪種方案上專家們沒有沖突。因此方案比較沖突度即度量各專家在評(píng)判某方案更優(yōu)（或更劣）時(shí)的沖突程度。其具體計(jì)算過程如下。

設(shè)在某一次評(píng)價(jià)中共有n個(gè)方案，m個(gè)專家，矩陣為第k個(gè)專家的方案比較矩陣，其中元素為

式中：eij為綜合比較陣En×n中的元素，即綜合比較值；wk為專家k的權(quán)重，

根據(jù)式（5），求得各專家的方案比較矩陣后利用式（6），集成各專家的方案比較矩陣得綜合比較陣En×n，同樣規(guī)定僅計(jì)算其上三角元素。從式（5）和式（6）中可知，-1≤eij≤1，且eij越接近于0專家對(duì)方案i和方案j的看法越?jīng)_突，而eij越接近于兩端（-1或1）專家對(duì)方案i和方案j的看法越統(tǒng)一。因此，基于這一思想定義沖突度計(jì)算函數(shù)f(eij)如下要求。

（1）f(x)在x∈(-1,1)上時(shí)連續(xù)，在x∈[-1,1]上時(shí)有定義，且0≤f(x)≤1。

（2）f(0)=1，f(1)=0，f(-1)=0，且f(x)關(guān)于x=0軸對(duì)稱。

（3）f(x)在x∈[-1,0]時(shí)嚴(yán)格單調(diào)遞增，在x∈(0,1]時(shí)嚴(yán)格單調(diào)遞減。

因此，定義方案i和方案j的比較沖突度計(jì)算函數(shù)f(eij)為

式中，k為取值0＜k＜1的系數(shù)。

設(shè)定cij=f(eij)為比較沖突度矩陣Cn×n中的元素，0≤cij≤1。同樣類似于方案比較矩陣En×n，Cn×n也僅需計(jì)算其上三角元素。

2.2 交互式評(píng)判

利用方案比較沖突度可以很方便地了解到專家間的沖突，但在現(xiàn)實(shí)中，專家意見不可能完全一致，因此設(shè)定沖突度閾值δ。

根據(jù)比較沖突度閾值δ及Cn×n中的上三角元素，當(dāng)方案i和方案j的比較沖突度cij＞δ時(shí)，即可認(rèn)為這兩方案在專家評(píng)價(jià)過程中存在較大沖突需要修改，因?qū)⑵溥x出作為待修改方案，以組成修改方案評(píng)價(jià)值向量

選取專家沖突較大的方案，記其選取的個(gè)數(shù)為q。為第t輪待修改方案的評(píng)價(jià)矩陣，為第i專家第t輪待修改方案的評(píng)價(jià)值向量，為該專家第t輪權(quán)重。修改專家評(píng)價(jià)意見時(shí)，因遵循一個(gè)原則即評(píng)價(jià)值的修改過程應(yīng)是一個(gè)使專家認(rèn)識(shí)逐漸達(dá)成統(tǒng)一的過程。為此引入一致度概念。

令專家i和專家j的評(píng)價(jià)向量分別為則兩者之間的一致度為

在使專家修正自身方案評(píng)價(jià)值時(shí)，為了更好地統(tǒng)一專家思想，需提供指導(dǎo)性的修改方向。因此設(shè)第t輪指導(dǎo)性評(píng)價(jià)向量為，其滿足條件

式中，ωi為專家i對(duì)原有方案評(píng)價(jià)的堅(jiān)持度，修改后的評(píng)價(jià)矩陣為

通過式（10）專家可以適當(dāng)調(diào)整自身的評(píng)價(jià)內(nèi)容以達(dá)成統(tǒng)一認(rèn)識(shí)的目的，但由方案比較沖突度的計(jì)算可知，專家權(quán)重對(duì)于最終的評(píng)價(jià)同樣有著很大影響，而一開始所確定的初始權(quán)重只是大致反映了專家的權(quán)威、知識(shí)層次等主觀因素，并沒有考慮專家臨時(shí)評(píng)價(jià)、決策的水平，因此在交互評(píng)判中，應(yīng)對(duì)其做細(xì)微的修正。

同樣可利用評(píng)價(jià)一致度指標(biāo)修正專家權(quán)重向量，修正原則是專家評(píng)價(jià)向量同向量一致度越高，則該專家臨時(shí)評(píng)價(jià)水平越高，其相應(yīng)的臨時(shí)評(píng)價(jià)水平權(quán)重也應(yīng)越高。具體過程如下。

修正后的專家權(quán)重為

利用專家對(duì)方案評(píng)價(jià)的沖突度、一致度交互修改評(píng)價(jià)內(nèi)容和專家權(quán)重直到滿足要求為止，可很好地形成專家對(duì)方案的共識(shí)。但需要指出的是，為了保證決策效率，因設(shè)定交互次數(shù)閾值N，當(dāng)交互次數(shù)大于N時(shí)，則取第N次的交互評(píng)價(jià)為最終評(píng)價(jià)。

3 基于方案比較沖突度交互式評(píng)判的負(fù)荷密度預(yù)測(cè)

3.1 專家信息的集成

利用方案比較沖突度和專家評(píng)價(jià)一致度交互評(píng)判小區(qū)負(fù)荷密度指標(biāo)，可大大增強(qiáng)專家間的共識(shí)，但不可能達(dá)到完全一致，因此仍需集成各專家的評(píng)價(jià)信息，專家信息的集成分為兩步[8]：第一步，集成各專家的評(píng)價(jià)內(nèi)容為專家綜合評(píng)價(jià)內(nèi)容，以求得一致評(píng)價(jià)結(jié)果；第二步，集成各大類指標(biāo)下的評(píng)價(jià)信息為類別評(píng)價(jià)信息，以達(dá)到減少變量個(gè)數(shù)、簡化計(jì)算的目的。

在專家評(píng)價(jià)中，將各小區(qū)設(shè)定為評(píng)價(jià)方案，在各屬性條件下，分別對(duì)其進(jìn)行評(píng)判，設(shè)為專家k最終交互評(píng)判結(jié)果，其中l(wèi)為屬性個(gè)數(shù)，n為小區(qū)數(shù)（即方案個(gè)數(shù)），集成專家評(píng)判意見的公式為

式中：m為專家個(gè)數(shù)；bij為 Bn×l中元素，Bn×l為專家綜合評(píng)價(jià)矩陣。

求得專家綜合評(píng)價(jià)矩陣Bn×l后，利用語言混合集成算子[8]或其他計(jì)算算子分別對(duì)指標(biāo)體系中經(jīng)濟(jì)、人口、地理環(huán)境這3大類指標(biāo)的下級(jí)子指標(biāo)進(jìn)行評(píng)價(jià)信息的集成，以獲得專家對(duì)城市各小區(qū)這3大類指標(biāo)的一致化評(píng)判結(jié)果。

3.2 小區(qū)負(fù)荷密度預(yù)測(cè)步驟

神經(jīng)網(wǎng)絡(luò)方法由于其良好的函數(shù)映射能力，被廣泛地應(yīng)用于電力系統(tǒng)的負(fù)荷預(yù)測(cè)[14-15]，因此采用BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)合方案比較沖突度交互評(píng)價(jià)方法，預(yù)測(cè)城市小區(qū)負(fù)荷密度。步驟如下：

步驟1請(qǐng)專家根據(jù)實(shí)際情況對(duì)小區(qū)各影響因素做語言評(píng)價(jià)；

步驟2將小區(qū)看成方案，在各屬性條件下，根據(jù)式（5）～式（7）計(jì)算專家的方案比較沖突度，并與δ值相比較。若所有方案全部滿足條件，則轉(zhuǎn)步驟4，否則執(zhí)行步驟3；

步驟3利用式（8）～式（12）及步驟2，交互評(píng)價(jià)小區(qū)各類指標(biāo)直到滿足條件或預(yù)定交互次數(shù)N；

步驟4利用式（13）、語言混合集成算子將各專家對(duì)不同影響因素的語言評(píng)價(jià)信息集成為經(jīng)濟(jì)、人口、地理環(huán)境三大類指標(biāo)；

步驟5運(yùn)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)小區(qū)負(fù)荷密度。

4 算例分析

1）參數(shù)選定

以長沙市某30個(gè)小區(qū)為例，驗(yàn)證和分析所提方法的有效性。

按照語言信息評(píng)估理論，根據(jù)人對(duì)一般事物的評(píng)價(jià)習(xí)慣，并且考慮到語言評(píng)估標(biāo)度τ的選取對(duì)專家評(píng)價(jià)和預(yù)測(cè)結(jié)果影響很小，因此選取τ=4。為了算例說明的簡便，暫選取3個(gè)專家，其初始權(quán)重為w=( )

0.3,0.5,0.2。取沖突閾值δ=0.3，交互次數(shù)N為6，沖突度計(jì)算函數(shù)f(eij)中的系數(shù)取為k=δ。沖突閾值δ表示對(duì)方案比較沖突度的接受程度，通過定義δ的大小，可確定哪些小區(qū)需進(jìn)行交互評(píng)價(jià)，需要修改其評(píng)分內(nèi)容。交互次數(shù)N類似于計(jì)算迭代次數(shù)，一般交互計(jì)算3、4次即可達(dá)到一致性要求。

2）專家評(píng)價(jià)

由專家對(duì)各小區(qū)經(jīng)濟(jì)指標(biāo)評(píng)判得出的人均收入影響因素評(píng)價(jià)結(jié)果，以語言評(píng)估標(biāo)度[13]的表達(dá)方式列于表1。

表1 以sα值表示的小區(qū)人均收入因素評(píng)價(jià)結(jié)果Tab.1 Evaluation result of the factors of per capital income in communities expressed bysα

3）沖突度計(jì)算

按式（7）沖突度計(jì)算函數(shù)所得f(eij)＞δ的函數(shù)值主要集中在eij∈[-0.5,0.5]區(qū)間，可以認(rèn)為在當(dāng)專家的綜合比較值落入這一區(qū)間時(shí)，專家的評(píng)價(jià)沖突較大，需要修改其評(píng)分內(nèi)容。表2挑選出了在人均收入評(píng)價(jià)條件下，專家評(píng)判的沖突焦點(diǎn)小區(qū)。

表2 沖突焦點(diǎn)小區(qū)Tab.2 Focused communities of conflict

4） 交互評(píng)判

根據(jù)表2可知，第2、3、5、6、19、20小區(qū)的比較沖突度δ大于0.3，專家的沖突焦點(diǎn)主要集中在上述小區(qū)中，因此選擇這些小區(qū)作為待修改小區(qū)。

將交互后的小區(qū)評(píng)價(jià)值，重新代入原始評(píng)價(jià)矩陣中，再次執(zhí)行步驟2。通過檢驗(yàn)可知專家交互評(píng)判一次即可。

5）專家信息集成

依據(jù)上述方法，求得其他指標(biāo)交互的最終評(píng)價(jià)值后，對(duì)照預(yù)測(cè)步驟，需集成專家語言信息。

通過式（14）及語言混合集成算子將各專家對(duì)不同影響因素的語言評(píng)價(jià)信息集成為經(jīng)濟(jì)、人口、地理環(huán)境3大類指標(biāo)。集成評(píng)價(jià)結(jié)果和小區(qū)負(fù)荷密度對(duì)應(yīng)情況如表4所示。

表3 專家初次交互結(jié)果Tab.3 Experts’first interaction result

表4 專家綜合評(píng)分值及小區(qū)負(fù)荷密度Tab.4 Experts’comprehensive score values and load densities in communities

6） 小區(qū)負(fù)荷密度預(yù)測(cè)

得到表4所示結(jié)果后，將前25個(gè)小區(qū)的經(jīng)濟(jì)、人口、地理環(huán)境的評(píng)價(jià)數(shù)據(jù)作為輸入，前25個(gè)小區(qū)的負(fù)荷密度作為期望輸出，代入到BP神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，選取后5個(gè)小區(qū)為檢驗(yàn)小區(qū)，通過對(duì)這5個(gè)小區(qū)歷史數(shù)據(jù)的擬合，檢驗(yàn)預(yù)測(cè)方法的有效性，其效果如表5所示。

表5 檢驗(yàn)結(jié)果Tab.5 Verified results

從表5中，可以求得預(yù)測(cè)的平均相對(duì)誤差為1.66%，這符合工程計(jì)算的要求，與專家一次性評(píng)價(jià)的預(yù)測(cè)方法[8]相比本文所提方法的預(yù)測(cè)精確度有明顯的提高，這主要是因?yàn)椴捎梅桨副容^沖突度交互協(xié)調(diào)專家信息后，使得專家所提供的預(yù)測(cè)信息的內(nèi)容更為一致、合理。

5 結(jié) 語

本文提出了一種基于方案比較沖突度的交互式專家語言評(píng)判電力負(fù)荷密度預(yù)測(cè)法。較好地解決了電力負(fù)荷密度預(yù)測(cè)中難以獲取到大量樣本數(shù)據(jù)的難題。針對(duì)交互評(píng)判中沖突較大的方案，利用方案比較沖突度，交互式協(xié)調(diào)專家評(píng)價(jià)沖突相對(duì)集中小區(qū)的判定信息，以一致度標(biāo)準(zhǔn)修改評(píng)價(jià)值及專家權(quán)重，從而得到更為合理有效的評(píng)價(jià)。該方法數(shù)據(jù)處理簡單，計(jì)算過程方便，評(píng)價(jià)過程客觀合理，預(yù)測(cè)結(jié)果可信，具有較強(qiáng)工程實(shí)用性，適用于需要利用專家知識(shí)進(jìn)行的相關(guān)預(yù)測(cè)工作。

[1]Willis H L，Northcote J E D.Spatial electric load forecasting：a tutorial review[J].Proceedings of the IEEE，1983，71（2）：232-253．

[2]Willis H L.Spatial Electric Load Forecasting[M].Canada：Marcel-Dekker Incorporation，1995．

[3]李東東，覃子珊，林順富，等（Li Dongdong，Qin Zishan，Lin Shunfu，et al）.基于混沌時(shí)間序列法的微網(wǎng)短期負(fù)荷預(yù)測(cè)（Short-term load forecasting for microgrid based on method of chaotic time series）[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)（Proceedings of the CSU-EPSA），2015，27（5）：14-18.

[4]肖白，楊修宇，穆鋼，等（Xiao Bai，Yang Xiuyu，Mu Gang，et al）.基于元胞歷史負(fù)荷數(shù)據(jù)的負(fù)荷密度指標(biāo)法（A load density index method based on historical data of cell load）[J].電網(wǎng)技術(shù)（Power System Technology），2014，38（4）：1014-1019．

[5]張平，潘學(xué)萍，薛文超（Zhang Ping，Pan Xueping，Xue Wenchao）.基于小波分解模糊灰色聚類和BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)（Short-term load forecasting based on wavelet decomposition fuzzy gray correlation clustering and BP neural network）[J].電力自動(dòng)化設(shè)備（Electric Power Automation Equipment），2012，32（11）：121-125，141．

[6]回立川，于淼，梁芷睿（Hui Lichuan，Yu Miao，Liang Zhirui）.應(yīng)用近鄰傳播算法改進(jìn)RBF的短期負(fù)荷預(yù)測(cè)（Research on electrical load short-term forecasting via radial basis function neural network designed by affinity propagation）[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)（Proceedings of the CSU-EPSA），2015，27（1）：69-73.

[7]陶文斌，張粒子，潘弘，等（Tao Wenbin，Zhang Lizi，Pan Hong，et al）.基于雙層貝葉斯分類的空間負(fù)荷預(yù)測(cè)（Spatial electric load forecasting based on double-level Bayesian classification）[J].中國電機(jī)工程學(xué)報(bào)（Proceedings of the CSEE），2007，27（7）：13-17．

[8]周勝瑜，周任軍，李紅英，等（Zhou Shengyu，Zhou Renjun，Li Hongying，et al）.采用信息轉(zhuǎn)換及語言評(píng)判的負(fù)荷組合預(yù)測(cè)法（Method of combine load forecast via information transformation and language evaluation）[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)（Proceedings of the CSU-EPSA），2015，27（2）：20-26.

[9]張欣莉（Zhang Xinli）.基于目標(biāo)滿意度的交互式多目標(biāo)決策改進(jìn)方法（An improved method of interactive multiobjective decision-making based on objective satisfaction degree）[J].系統(tǒng)工程（Systems Engineering），2004，22（9）：10-13．

[10]陳碧云，韋杏秋，陳紹南，等（Chen Biyun，Wei Xingqiu，Chen Shaonan，et al）.基于多種群遺傳算法的電力系統(tǒng)多目標(biāo)優(yōu)化（Power system multi-objective optimization based on multi-population genetic algorithm）[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)（Proceedings of the CSU-EPSA），2015，27（7）：24-29.

[11]周宏安（Zhou Hong’an）.基于方案貼近度和滿意度的交互式不確定多屬性決策方法（Interactive method based on similarity degree and satisfactory degree of alternative for uncertain multi-attribute decision-making）[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)（Mathematics in Practice and Theory），2009，39（20）：35-40．

[12]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．

[13]戴躍強(qiáng)，徐澤水，李琰，等（Dai Yueqiang，Xu Zeshui，Li Yan，et al）.語言信息評(píng)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．

[14]牛東曉，曹樹華，盧建昌，等.電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用[M].2版.北京：中國電力出版社，2009.

[15]康重慶，夏清，劉梅.電力系統(tǒng)負(fù)荷預(yù)測(cè)[M].北京：中國電力出版社，2007.

Interactive Evaluation Method Based on the Conflict Degree of Comparison Between Schemes in Power Load Density Forecasting

ZHANG Jie1，CHEN Yuehui2，ZHOU Shengyu2，CHEN Ruixian1，ZHOU Renjun1
（1.Hunan Province Key Laboratory of Smart Grids Operation and Control（Changsha University of Science and Technology），Changsha 410004，China；2.State Grid Hunan Electric Power Company，Changsha 410004，China）

Considering the difficulties in the collection of valid data samples in power load density forecasting and obtaining a reasonable result by experts’disposable judgment，a method of interactive expert language judgment in power load density forecasting is proposed，which takes the degree of conflict in comparison as its metric.In the application of the language judgment method to the evaluation on different types of indicators for urban communities，the degree of conflict in comparison between schemes is used to measure the conflict degree of experts’evaluation result.The community with a larger conflict degree is selected，and its evaluation information and expert weights are modified according to the consistency standard to realize an interactive evaluation between experts.The evaluation information is integrated into a BP neural network，then the power load density of each community is predicted by using the trained structure.Numerical result shows that this method is not only a good way to solve the problem of lack of data，but it can also overcome the limitation which just considers the consistency of experts from an overall perspective in the interactive decision，thus it is practically significant.

expert language judgment；degree of conflict；interactive；consistency；density of power load；forecasting

TM715

A

1003-8930（2017）10-0040-06

10.3969/j.issn.1003-8930.2017.10.008

2016-01-20；

2017-07-18

國家自然科學(xué)基金資助項(xiàng)目（51277016，71331001）

章 杰（1989—），男，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)負(fù)荷預(yù)測(cè)、電力系統(tǒng)規(guī)劃與運(yùn)行。Email：zhangj1618@sina.cn

陳躍輝（1965—），男，碩士，高級(jí)工程師，研究方向?yàn)殡娏ο到y(tǒng)負(fù)荷預(yù)測(cè)、電能質(zhì)量分析與控制。Email：chenyueh@163.com

周勝瑜（1988—），男，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)負(fù)荷預(yù)測(cè)、電力系統(tǒng)規(guī)劃與運(yùn)行。Email：shengyu2010@163.com