程鎮(zhèn)寶

摘要：文章對(duì)目前的幾種智能負(fù)荷預(yù)測(cè)方法：人工神經(jīng)網(wǎng)絡(luò)、模糊預(yù)測(cè)法、數(shù)據(jù)挖掘、專(zhuān)家系統(tǒng)、支持向量機(jī)的原理、特點(diǎn)及研究情況進(jìn)行了闡述，從學(xué)習(xí)能力、運(yùn)算速度、處理模糊信息能力等角度對(duì)這幾種方法進(jìn)行了比較，并指出了其中各自的優(yōu)缺點(diǎn)。

關(guān)鍵詞：電力系統(tǒng)；負(fù)荷預(yù)測(cè)方法；電力負(fù)荷

中圖分類(lèi)號(hào)：TM714 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-2374（2013）32-0114-02

1 電力負(fù)荷預(yù)測(cè)綜述

負(fù)荷預(yù)測(cè)的前提是充分考慮關(guān)鍵系統(tǒng)參數(shù)、自然環(huán)境、社會(huì)政策和增容決策等條件，探索出一套能夠科學(xué)處理過(guò)往數(shù)據(jù)、有效預(yù)測(cè)未來(lái)數(shù)據(jù)的數(shù)學(xué)算法，并保證預(yù)測(cè)結(jié)果只在小范圍內(nèi)波動(dòng)，確定某些特殊時(shí)刻的負(fù)荷值。根據(jù)預(yù)測(cè)期限，負(fù)荷預(yù)測(cè)分為超短期預(yù)測(cè)、短期預(yù)測(cè)、中期預(yù)測(cè)和長(zhǎng)期預(yù)測(cè)。

2 電力負(fù)荷預(yù)測(cè)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(xiàn)性系統(tǒng)，它模仿人腦神經(jīng)系統(tǒng)進(jìn)行自主學(xué)習(xí)和問(wèn)題處理。人工神經(jīng)網(wǎng)絡(luò)有很多神經(jīng)元節(jié)點(diǎn)，它們具有并行運(yùn)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(lì)函數(shù)，實(shí)現(xiàn)輸入變量序列到輸出變量序列之間的非線(xiàn)性映射。人工神經(jīng)網(wǎng)絡(luò)對(duì)非線(xiàn)性、非結(jié)構(gòu)性、模糊性規(guī)律的適應(yīng)性很強(qiáng)，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(lái)負(fù)荷預(yù)測(cè)領(lǐng)域的研究重點(diǎn)。有學(xué)者采用地柜人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)預(yù)測(cè)某地區(qū)電力負(fù)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(yùn)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(yùn)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(duì)BP算法陷入局部極小的問(wèn)題進(jìn)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(qiáng)全局搜索能力，加強(qiáng)局部尋優(yōu)能力構(gòu)成遺傳神經(jīng)網(wǎng)絡(luò)，則能進(jìn)一步加快運(yùn)算速度，提高結(jié)果準(zhǔn)確性。采用神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)負(fù)荷預(yù)測(cè)時(shí)，網(wǎng)絡(luò)輸入變量的選擇是一個(gè)關(guān)鍵點(diǎn)，為了優(yōu)化變量甄選，有人提出使用模糊粗糙集理論先對(duì)信息進(jìn)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(kāi)展訓(xùn)練。該方法將歷史時(shí)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(shí)，規(guī)避了因?yàn)檩斎胱兞恳?guī)模過(guò)于龐大而引起的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)復(fù)雜、收斂速度慢等缺陷。相關(guān)的實(shí)驗(yàn)表明，該方法行之有效。

2.2 模糊預(yù)測(cè)法

該方法基于模糊理論，先行分析過(guò)往的工作經(jīng)驗(yàn)、歷史數(shù)據(jù)，以一種規(guī)則的形式呈現(xiàn)出來(lái)，并抽象出可在計(jì)算機(jī)上運(yùn)行的機(jī)讀代碼，進(jìn)而展開(kāi)各種計(jì)算工作。模糊預(yù)測(cè)法能夠很明確地描述專(zhuān)家意圖，對(duì)電力系統(tǒng)中不規(guī)則現(xiàn)象進(jìn)行描述，很適用于中長(zhǎng)期電力負(fù)荷預(yù)測(cè)；但模糊預(yù)測(cè)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(fù)荷預(yù)測(cè)時(shí)，有三種常見(jiàn)數(shù)學(xué)模型，即：指數(shù)平滑過(guò)渡法、線(xiàn)性回歸法、聚類(lèi)預(yù)測(cè)法，三種數(shù)學(xué)模型各有千秋，它們的預(yù)測(cè)精度都很高，相比傳統(tǒng)算法測(cè)量誤差也小得多。有研究表明，基于最佳聚類(lèi)F選優(yōu)法的改進(jìn)型模糊聚類(lèi)電力負(fù)荷預(yù)測(cè)算法，在計(jì)算年度用電量時(shí)，預(yù)測(cè)結(jié)果很準(zhǔn)確。有部門(mén)基于該算法對(duì)增城地區(qū)2005年和2010年的年度用電量進(jìn)行預(yù)測(cè)，結(jié)果與實(shí)際測(cè)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(qiáng)大的學(xué)習(xí)功能，又洗去了模糊邏輯主觀經(jīng)驗(yàn)方面的劣勢(shì)，考慮了溫度變化和節(jié)假期對(duì)系統(tǒng)負(fù)荷的影響，能夠提高負(fù)荷預(yù)測(cè)結(jié)果準(zhǔn)確度，特別是對(duì)周末和節(jié)假期負(fù)荷預(yù)測(cè)很有效。也有學(xué)者通過(guò)RBF試圖尋找負(fù)荷變化的一般規(guī)律，結(jié)合模糊理論計(jì)算負(fù)荷尖峰值和低估值，一定程度上解決了負(fù)荷影響因素不明確的問(wèn)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(dú)到之處，很好地改善了預(yù)測(cè)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(shì)很大。決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則、聚類(lèi)分析、統(tǒng)計(jì)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(guò)程中時(shí)間序列的相似性原理，研究電力負(fù)荷預(yù)測(cè)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(lèi)法，結(jié)合KOHONEN網(wǎng)繪制負(fù)荷變化曲線(xiàn)，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(jī)訓(xùn)練樣本，減少了數(shù)據(jù)處理規(guī)模，提高了預(yù)測(cè)速度和運(yùn)算精度。

2.4 專(zhuān)家系統(tǒng)

專(zhuān)家系統(tǒng)加入了人類(lèi)探索自然過(guò)程中的知識(shí)經(jīng)驗(yàn)，模擬人類(lèi)思維決策過(guò)程，求解問(wèn)題的過(guò)程類(lèi)似于人類(lèi)專(zhuān)家的思維模式。專(zhuān)家系統(tǒng)比模糊預(yù)測(cè)法優(yōu)越的一點(diǎn)是，給出相當(dāng)于專(zhuān)家水平的量化計(jì)算機(jī)語(yǔ)言，轉(zhuǎn)化了人類(lèi)難以量化的經(jīng)驗(yàn)數(shù)據(jù)，透明性和交互性極佳，并能給出結(jié)論的對(duì)應(yīng)緣由，方便工程人員檢查推理過(guò)程是否存在錯(cuò)誤，并及時(shí)更正。由于算法相對(duì)復(fù)雜，運(yùn)行速度較慢，學(xué)習(xí)能力也一般，無(wú)法較好地處理模糊數(shù)據(jù)，對(duì)規(guī)則很依賴(lài)，普適性較差，不能推廣到所有系統(tǒng)。有文獻(xiàn)分析認(rèn)為，專(zhuān)家系統(tǒng)可以準(zhǔn)確預(yù)測(cè)中長(zhǎng)期負(fù)荷，要考慮原始數(shù)據(jù)預(yù)處理、沖擊負(fù)荷影響、負(fù)荷周期等因素，保證負(fù)荷預(yù)測(cè)精度，并盡量貼近生產(chǎn)實(shí)際需要。專(zhuān)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(jiǎn)化運(yùn)輸，也為人工總結(jié)專(zhuān)家經(jīng)驗(yàn)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(zhuān)家系統(tǒng)的基礎(chǔ)上研發(fā)了基于案例推理的經(jīng)驗(yàn)導(dǎo)向型專(zhuān)家系統(tǒng)，相關(guān)實(shí)驗(yàn)結(jié)果證明該方法獲取知識(shí)較為簡(jiǎn)潔、記憶能力好、用戶(hù)界面友好，在實(shí)用性方面優(yōu)于規(guī)則專(zhuān)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(zhuān)家系統(tǒng)，并基于該模型開(kāi)發(fā)出數(shù)學(xué)運(yùn)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(cè)精度更高、實(shí)用性更好。

2.5 支持向量機(jī)

SVW基于統(tǒng)計(jì)學(xué)理論，在有限樣本前提下，提出滿(mǎn)足VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的機(jī)器學(xué)習(xí)規(guī)律，通用性好、全局最優(yōu)、計(jì)算速度快。但要依賴(lài)經(jīng)驗(yàn)確定初值和核心運(yùn)算函數(shù)，受人為因素影響較大。而且，對(duì)模糊現(xiàn)象的描述能力一般，模型誤差會(huì)導(dǎo)致收斂值與實(shí)際值相去甚遠(yuǎn)。蟻群優(yōu)化算法能夠?qū)ζ溥M(jìn)行優(yōu)化，在短期負(fù)荷預(yù)測(cè)中效果甚佳。經(jīng)過(guò)大量實(shí)踐，最小二乘支持向量機(jī)回歸算法，很適用于短期負(fù)荷預(yù)測(cè)，借助不同時(shí)刻的樣本訓(xùn)練，以最優(yōu)線(xiàn)性回歸函數(shù)為算法依據(jù)，在盡可能減小負(fù)荷樣本點(diǎn)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(jī)模型，不僅提升了預(yù)測(cè)精度，而且提供了更多運(yùn)行信息。

3 結(jié)語(yǔ)

本文對(duì)常見(jiàn)的智能預(yù)測(cè)技術(shù)進(jìn)行了全面分析。我們不難看出，單一負(fù)荷預(yù)測(cè)法很難滿(mǎn)足實(shí)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(cè)效果，這也意味著組合預(yù)測(cè)將勢(shì)必成為以后的研究熱點(diǎn)。

參考文獻(xiàn)

[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(cè)電力短期負(fù)荷[J].佳木斯大學(xué)學(xué)報(bào)（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(fù)荷預(yù)測(cè)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(guó).基于負(fù)荷規(guī)律性分析的支持向量機(jī)短期負(fù)荷預(yù)測(cè)方法[J].東北電力大學(xué)學(xué)報(bào)，2006，（4）.