［摘 要］針對(duì)傳統(tǒng)電力負(fù)荷預(yù)測中存在的對(duì)非線性關(guān)系的不適應(yīng)問題，提出了基于Levy 飛行策略的改進(jìn)粒子群優(yōu)化算法。即利用離散化方式優(yōu)化原始數(shù)據(jù)集，經(jīng)數(shù)據(jù)挖掘得出3 個(gè)關(guān)鍵性參數(shù)，接著通過引入Levy 飛行策略，該算法可在優(yōu)化過程中更靈活地調(diào)整粒子位置，有效提高了電力負(fù)荷預(yù)測的準(zhǔn)確性和全局搜索性能。并通過實(shí)驗(yàn)證實(shí)了LPSO 算法的優(yōu)越性，為電力系統(tǒng)運(yùn)營提供了更可靠的預(yù)測工具。

［關(guān)鍵詞］配電網(wǎng)；大數(shù)據(jù)；數(shù)據(jù)分析；負(fù)荷預(yù)測

［中圖分類號(hào)］TP311.13 ［文獻(xiàn)標(biāo)志碼］A ［文章編號(hào)］2095–6487（2024）04–0099–03

1 概述

電力負(fù)荷預(yù)測是指利用歷史電力負(fù)荷數(shù)據(jù)及相關(guān)的影響因素，通過數(shù)學(xué)模型和算法進(jìn)行分析和預(yù)測，以獲取未來一段時(shí)間內(nèi)電力系統(tǒng)所需的負(fù)荷量。這一過程對(duì)于電力系統(tǒng)的規(guī)劃、調(diào)度及運(yùn)營至關(guān)重要，能夠幫助電力公司和運(yùn)營者更有效地分配電力資源，提高供電的可靠性，并優(yōu)化電力系統(tǒng)的整體性能。電力負(fù)荷預(yù)測的主要特點(diǎn)包括不確定性和復(fù)雜性。不確定性體現(xiàn)在電力負(fù)荷受多種因素影響，如天氣變化、季節(jié)性變化、社會(huì)活動(dòng)等。復(fù)雜性則表現(xiàn)在電力系統(tǒng)的運(yùn)行涉及多個(gè)變量和相互關(guān)聯(lián)的因素。因此，建立準(zhǔn)確的預(yù)測模型變得復(fù)雜而具有挑戰(zhàn)性。

為了克服挑戰(zhàn)，采用多源數(shù)據(jù)融合的策略進(jìn)行電力負(fù)荷預(yù)測，包括時(shí)間特征、氣象特征、經(jīng)濟(jì)特征等。通過數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)技術(shù)，更好地捕捉負(fù)荷變化的規(guī)律，提高預(yù)測的準(zhǔn)確性。此外，動(dòng)態(tài)模型更新也是應(yīng)對(duì)復(fù)雜性的一種手段，使模型能夠靈活適應(yīng)電力系統(tǒng)運(yùn)行狀態(tài)的變化。

數(shù)據(jù)挖掘是一門涉及在大規(guī)模數(shù)據(jù)集中發(fā)現(xiàn)模式、趨勢(shì)及知識(shí)的領(lǐng)域。通過采用統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、模式識(shí)別等技術(shù)，數(shù)據(jù)挖掘致力于從龐大而復(fù)雜的數(shù)據(jù)中提取潛在的、未知的信息。其目標(biāo)是通過分析數(shù)據(jù)中的關(guān)系和模式，為決策制訂、預(yù)測分析、模式識(shí)別等提供支持。數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域橫跨多個(gè)行業(yè)，包括商業(yè)、醫(yī)療、金融、科學(xué)研究等，為了解數(shù)據(jù)背后的內(nèi)在規(guī)律性、發(fā)現(xiàn)新的見解及作出更明智的決策提供了關(guān)鍵的工具和方法。

在數(shù)據(jù)挖掘的實(shí)踐中，常用的技術(shù)包括分類、聚類、關(guān)聯(lián)規(guī)則挖掘、異常檢測等。分類用于對(duì)數(shù)據(jù)進(jìn)行標(biāo)記和分類，聚類用于發(fā)現(xiàn)數(shù)據(jù)集中的自然群組，關(guān)聯(lián)規(guī)則挖掘用于找到數(shù)據(jù)項(xiàng)之間的關(guān)聯(lián)關(guān)系，而異常檢測則專注于尋找數(shù)據(jù)中的異常行為。這些技術(shù)的應(yīng)用使得數(shù)據(jù)挖掘能夠適用于多種場景。

2 基于改進(jìn)粒子群算法的電力負(fù)荷預(yù)測

2.1 電力負(fù)荷影響因素規(guī)則提取

文章為了分析影響用電量的關(guān)鍵性參數(shù)，將連續(xù)的電力負(fù)荷值轉(zhuǎn)換為離散的區(qū)間。即將相關(guān)數(shù)據(jù)轉(zhuǎn)換為增長率，根據(jù)不同的增長率制訂相關(guān)的決策規(guī)則。接著，對(duì)這些數(shù)據(jù)進(jìn)行離散化。表 1為某地區(qū)短期負(fù)荷預(yù)測離散化數(shù)據(jù)集。其中包含了各種變量，如國內(nèi)生產(chǎn)總值a、第一產(chǎn)業(yè)產(chǎn)值b、電價(jià)c、第三產(chǎn)業(yè)產(chǎn)值d、常住人口e、人均 GDP f、人均收入g、氣溫h、固定資產(chǎn)投資i、城鎮(zhèn)化率j 及用電量k。

將表1看為一個(gè)系統(tǒng)，假設(shè)論域U={1，2，3，4，5，6，...，10}，條件屬性集合C={ 國內(nèi)生產(chǎn)總值、第一產(chǎn)業(yè)產(chǎn)值、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、常住人口、城鎮(zhèn)化率、制冷月的氣溫、人均 GDP，固定資產(chǎn)投資，用電量}。文章將年用電量作為決策規(guī)則，對(duì)表1 數(shù)據(jù)進(jìn)行篩選得出最簡決策表（表2）。其中X1～X8 分別代表2011—2018年屬性集合。

由表2 可得，在相同條件下，不同的規(guī)則會(huì)產(chǎn)生不同的輸出結(jié)果。由于規(guī)則的輸出與后續(xù)建模的輸入密切相關(guān)，經(jīng)推算得出電力負(fù)荷預(yù)測模型影響較大的有3個(gè)因素了，包含電價(jià)c、人均GPD f 及氣溫h。

2.2 基于改進(jìn)粒子群優(yōu)化算法

粒子群優(yōu)化（Paticle Swam Optimization，以下簡稱“PSO”）算法是一種模擬自然群體行為的優(yōu)化算法，靈感來源于鳥群和魚群的群體行為。在PSO 算法中，問題的解被表示為群體中的粒子，每個(gè)粒子通過在解空間中搜索的方式尋找問題的最優(yōu)解。粒子之間通過不斷調(diào)整其位置和速度來模擬個(gè)體學(xué)習(xí)和群體協(xié)同的過程，以尋找全局最優(yōu)解。PSO 算法的核心思想是通過個(gè)體之間的信息傳遞和合作，以迭代的方式逐步優(yōu)化解空間中的候選解。PSO 算法在求解復(fù)雜、高維優(yōu)化問題中表現(xiàn)出色，被廣泛應(yīng)用于工程、計(jì)算機(jī)科學(xué)及其他領(lǐng)域。PSO 算法流程如圖1所示，該圖中，pbest 表示的歷史最佳位置，gbest 表示全局最佳位置。

在標(biāo)準(zhǔn)PSO 算法中，由于組中單個(gè)粒子生成的過去進(jìn)給速度對(duì)當(dāng)前速度影響較大，容易導(dǎo)致局部最優(yōu)解的產(chǎn)生，即過早收斂問題，并增加了粒子速度的振幅。為了提高PSO算法的性能并維持粒子群的多樣性，文章提出了一種改進(jìn)方法，即采用Levy 飛行策略有效地調(diào)整慣性加權(quán)參數(shù)，從而在進(jìn)化過程中更有效地改善所產(chǎn)生的隨機(jī)權(quán)重?cái)?shù)據(jù)。這一改進(jìn)被稱為LPSO算法，旨在提升PSO算法的搜索功能，同時(shí)更好地平衡局部和全局解決方案。

Levy 飛行策略是一種基于Levy 分布的優(yōu)化算法策略，用于改進(jìn)粒子在搜索空間中的移動(dòng)方式。Levy分布是一種具有長尾性質(zhì)的概率分布，其特點(diǎn)是在尾部存在較大的概率密度，這使得Levy 飛行策略在搜索時(shí)能夠?qū)崿F(xiàn)更大幅度的步長，有助于全局搜索。在Levy 飛行策略中，粒子的位置更新不再僅依賴于常規(guī)的速度和方向調(diào)整，而是引入Levy 分布生成的隨機(jī)步長。這使得粒子在搜索空間中以非常大的步長進(jìn)行移動(dòng)，有助于跳出局部最優(yōu)解，增加全局搜索的范圍。

通過引入Levy 飛行策略，LPSO 算法能夠在搜索空間中更靈活地調(diào)整粒子位置，避免陷入局部最優(yōu)解，從而提高算法的全局搜索性能。這種方法的創(chuàng)新點(diǎn)在于綜合考慮了粒子群的多樣性和搜索能力，為解決復(fù)雜優(yōu)化問題提供了一種更有效的優(yōu)化框架。

3 仿真與分析

圖2 顯示了應(yīng)用LPSO 算法在電力負(fù)荷預(yù)測中的準(zhǔn)確性對(duì)比曲線。通過對(duì)相關(guān)曲線進(jìn)行分析，可以明顯看出，在應(yīng)用LPSO 算法后，預(yù)測準(zhǔn)確性相比原始PSO 有了顯著提高。具體如下：①預(yù)測誤差的總體波動(dòng)相對(duì)較小。這表明，應(yīng)用LPSO 算法有助于降低模型在預(yù)測過程中的波動(dòng)性，使得預(yù)測結(jié)果更為穩(wěn)定。電力負(fù)荷預(yù)測誤差波動(dòng)小的特點(diǎn)對(duì)于電力系統(tǒng)的可靠運(yùn)行至關(guān)重要，因此這一改進(jìn)具有實(shí)際意義。②在幅值方面，應(yīng)用LPSO 算法后的負(fù)荷預(yù)測誤差的幅值明顯小于標(biāo)準(zhǔn)PSO 預(yù)測誤差幅值。這說明LPSO 優(yōu)化能更精準(zhǔn)地捕捉電力負(fù)荷變化趨勢(shì)，從而提高了預(yù)測的精度。這種減小的誤差幅值對(duì)電力系統(tǒng)運(yùn)營決策的準(zhǔn)確性和效果產(chǎn)生了積極影響。

4 結(jié)束語

針對(duì)傳統(tǒng)電力負(fù)荷預(yù)測中的弊端，利用離散化方式優(yōu)化原始數(shù)據(jù)集，經(jīng)數(shù)據(jù)挖掘得出3個(gè)關(guān)鍵性參數(shù)。通過引入Levy 飛行策略，提出了改進(jìn)的粒子群優(yōu)化算法LPSO，并將其應(yīng)用于電力負(fù)荷預(yù)測領(lǐng)域。Levy飛行策略的引入使得粒子在搜索空間中更為靈活地進(jìn)行移動(dòng)，有效避免了陷入局部最優(yōu)解的問題。通過實(shí)驗(yàn)證明，在LPSO 算法的引導(dǎo)下，電力負(fù)荷預(yù)測的準(zhǔn)確性和全局搜索性能得到了顯著提升。該算法對(duì)于復(fù)雜優(yōu)化問題的適應(yīng)性得到了驗(yàn)證，為電力系統(tǒng)運(yùn)營提供了更可靠的預(yù)測工具。未來的研究方向可考慮進(jìn)一步優(yōu)化算法參數(shù)、擴(kuò)展應(yīng)用領(lǐng)域及結(jié)合其他先進(jìn)技術(shù)，以推動(dòng)電力負(fù)荷預(yù)測領(lǐng)域的研究和應(yīng)用。

參考文獻(xiàn)

[1] 肖白，李學(xué)思. 基于誤差幅空特性分析的空間負(fù)荷預(yù)測誤差評(píng)價(jià)方法[J]. 中國電機(jī)工程學(xué)報(bào)，2024，44（3）：880-894.

[2] 蔚昕昕. 智能配電管理系統(tǒng)的負(fù)荷預(yù)測及經(jīng)濟(jì)調(diào)度研究[D]. 太原：太原科技大學(xué)，2023.

[3] 李新軍，李勝明，陳博峰，等. 配電信息負(fù)荷預(yù)測方法分析[J]. 電子元器件與信息技術(shù)，2022，6（11）：235-239.

[4] 聶成林. 鐵力市中長期電力負(fù)荷預(yù)測及配電網(wǎng)規(guī)劃研究[D]. 哈爾濱：東北農(nóng)業(yè)大學(xué)，2022.

[5] 郭祥富，劉昊，毛萬登，等. 面向云邊協(xié)同的配變短期負(fù)荷集群預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制，2022，50（9）：84-92.

[6] 左繼恩. 基于大數(shù)據(jù)分析的電力系統(tǒng)負(fù)荷預(yù)測與優(yōu)化調(diào)度方法研究[J]. 家電維修，2024，（1）：52-54.