顧 羽

（武漢大學(xué)電氣與自動化學(xué)院，湖北武漢430072）

0 引言

經(jīng)典的中長期負(fù)荷預(yù)測方法有時間序列法、趨勢外推法、回歸分析法等，這些傳統(tǒng)方法也被稱為數(shù)學(xué)統(tǒng)計類方法[1]。但隨著電力部門對于負(fù)荷預(yù)測精確度的要求進(jìn)一步提高，傳統(tǒng)的預(yù)測方法在很多情況下已經(jīng)難以滿足要求。與此同時，人工智能與模式識別技術(shù)的發(fā)展為研究電力系統(tǒng)負(fù)荷預(yù)測方法提供了可靠的技術(shù)支撐，在國內(nèi)外眾多科學(xué)家的不斷努力下，涌現(xiàn)出許多新的負(fù)荷預(yù)測方法，如灰色模型預(yù)測方法、人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法、小波理論分析預(yù)測方法等，使得電力負(fù)荷預(yù)測的理論方法得到進(jìn)一步發(fā)展，負(fù)荷預(yù)測準(zhǔn)確性得到顯著提高[2]。

未來電力負(fù)荷預(yù)測方法的發(fā)展趨勢將是采用組合預(yù)測算法，將不同算法相結(jié)合，實現(xiàn)優(yōu)勢互補(bǔ)，提高預(yù)測方法的實用性。

在目前階段，我國在電力系統(tǒng)預(yù)測方面還存在著預(yù)測方法較為粗放的問題，本文針對這一問題，提出將模糊聚類方法用于負(fù)荷預(yù)測過程中，劃分大區(qū)域為若干功能小區(qū)域，從而解決負(fù)荷預(yù)測較為粗放的問題，實現(xiàn)具有高精準(zhǔn)度的電力系統(tǒng)負(fù)荷預(yù)測。

1 FCM聚類方法

在科學(xué)研究過程中，研究人員通常要把研究對象按其性質(zhì)和用途進(jìn)行聚類，以便進(jìn)一步研究。聚類分析是指對具體或抽象的對象進(jìn)行分類，使得具有較高相似度的對象歸屬于一類，而高度相異的對象歸屬于不同類[3]。FCM聚類算法是指通過計算每個目標(biāo)樣本從屬于某個種群的相似度，進(jìn)而對目標(biāo)樣本進(jìn)行劃分的一種算法。

中長期負(fù)荷預(yù)測的研究對象是未來1～5年甚至更長時間段內(nèi)的某地區(qū)電能需求量。進(jìn)行中長期負(fù)荷預(yù)測的主要目的是對未來的電網(wǎng)建設(shè)和能源開發(fā)工作進(jìn)行準(zhǔn)確的戰(zhàn)略安排。由于以上所述戰(zhàn)略安排工作對于國家經(jīng)濟(jì)與社會高質(zhì)量發(fā)展、保持社會安全穩(wěn)定、保證人民生活幸福具有重要的作用，因此，中長期電力負(fù)荷預(yù)測也具有極其重要的地位[4]。

2 利用模糊聚類方法對某地區(qū)的變電站負(fù)荷進(jìn)行分類

在進(jìn)行負(fù)荷預(yù)測之前，首先對這一地區(qū)的負(fù)荷歷史數(shù)據(jù)進(jìn)行分析。在針對這一地區(qū)所有的110 kV變電站進(jìn)行數(shù)據(jù)分析之后發(fā)現(xiàn)，由于人為規(guī)劃與調(diào)度的原因，各個變電站之間的歷史負(fù)荷數(shù)據(jù)變化較大、變化趨勢不明顯，就其數(shù)據(jù)整齊程度而言，不利于進(jìn)行模糊聚類。因此，需要對數(shù)據(jù)進(jìn)行簡單的預(yù)處理。經(jīng)計算比較發(fā)現(xiàn)，雖然各個變電站之間負(fù)荷數(shù)據(jù)變化較大，但是各條線路上所承載的負(fù)荷歷史數(shù)據(jù)整齊度較高、變化規(guī)律較為明顯，因此考慮將同一條線路上所帶的110 kV變電站的歷史負(fù)荷數(shù)據(jù)相加，形成實際上以各條線路為單元的負(fù)荷預(yù)測區(qū)域聚類。經(jīng)過數(shù)據(jù)的計算與整理，得到這一地區(qū)各條線路上所有110 kV變電站的歷史負(fù)荷數(shù)據(jù)之和，如表1所示。

表1 各線路地區(qū)最大負(fù)荷時刻歷史數(shù)據(jù)

同樣地，由于人為規(guī)劃和調(diào)度的原因，從表1可以看出，各條線路的歷史負(fù)荷數(shù)據(jù)變化規(guī)律并不具有統(tǒng)一性，不是呈現(xiàn)常規(guī)的逐年遞增或者逐年遞減的趨勢，因此，考慮利用FCM聚類的方法，依據(jù)各條線路的歷史負(fù)荷數(shù)據(jù)的變化規(guī)律，將線路進(jìn)行聚類。

2.1 模型建立

在本案例中，由于網(wǎng)絡(luò)入侵特征數(shù)據(jù)維數(shù)較少，并且不同入侵類別間的數(shù)據(jù)變化規(guī)律比較明顯，因而入侵模式比較容易區(qū)分，本案例利用FCM模糊聚類方法對入侵?jǐn)?shù)據(jù)進(jìn)行聚類，在聚類過程中，使用到Matlab中的模糊聚類函數(shù)fcm。下面對fcm函數(shù)的主要特點及用法進(jìn)行簡要介紹：fcm函數(shù)的功能是對數(shù)據(jù)進(jìn)行模糊聚類，函數(shù)的表現(xiàn)形式為[CENTER，U，OBJ_FCN]=fcm(DATA，N_CLUSTER)，其中，DATA指待聚類數(shù)據(jù)，N_CLUSTER指聚類類別數(shù)目，CENTER指聚類中心，U指樣本隸屬度矩陣，OBJ_FCN指聚類目標(biāo)函數(shù)值。

2.2 聚類結(jié)果

在對表1所示的原始數(shù)據(jù)進(jìn)行歸一化處理后，在Matlab中調(diào)用fcm函數(shù)，根據(jù)對數(shù)據(jù)的觀察，考慮將數(shù)據(jù)分為三組較為合理。Matlab中的運(yùn)行結(jié)果如表2所示。

表2 以線路為單元的聚類結(jié)果

各個路線上的負(fù)荷與聚類中心之間的距離如圖1所示。

圖1 各條線路所帶負(fù)荷與聚類中心距離

線路一、線路二與線路五上所承載的負(fù)荷為第一類負(fù)荷，它們隨時間的變化趨勢如圖2所示。

圖2 第一類負(fù)荷歷史數(shù)據(jù)變化規(guī)律

線路三、線路四、線路九上所承載的負(fù)荷為第二類負(fù)荷，它們隨時間的變化趨勢如圖3所示。

線路六、線路七、線路八上所承載的負(fù)荷為第三類負(fù)荷，它們隨時間的變化趨勢如圖4所示。

根據(jù)以上聚類結(jié)果，可將九條線路上所承載的負(fù)荷依據(jù)其變化規(guī)律分為三類，同時也將這一大區(qū)域劃分為三個小區(qū)域。其中由線路一、線路二與線路五組成的第一類負(fù)荷，其變化規(guī)律為有增長趨勢的波動變化，因此這一類負(fù)荷可以簡稱為“增長型穩(wěn)定負(fù)荷”。由線路三、線路四、線路九組成第二類負(fù)荷，這一類負(fù)荷的變化規(guī)律為有降低趨勢的波動變化，因此這一類負(fù)荷可以簡稱為“降低型穩(wěn)定負(fù)荷”。由線路六、線路七、線路八組成第三類負(fù)荷，這一類負(fù)荷的變化趨勢為單調(diào)增長變化，因此可以簡稱為“單調(diào)增長型負(fù)荷”。

為了使得這三種類型的負(fù)荷變化規(guī)律更為明顯，同時也為了簡化計算過程，分別將這三類負(fù)荷中三條線路上的負(fù)荷歷史數(shù)據(jù)相疊加，得到三類負(fù)荷的疊加總和數(shù)據(jù)，其變化趨勢對比圖如圖5所示。

圖3 第二類負(fù)荷歷史數(shù)據(jù)變化規(guī)律

圖4 第三類負(fù)荷歷史數(shù)據(jù)變化規(guī)律

圖5 三類負(fù)荷歷史數(shù)據(jù)變化規(guī)律對比

3 結(jié)語

以上聚類分析完成了對于這一區(qū)域變電站負(fù)荷歷史數(shù)據(jù)的初步處理，對變化趨勢并不顯著的變電站負(fù)荷數(shù)據(jù)進(jìn)行處理，得到變化趨勢比較顯著的以線路為單元的負(fù)荷歷史數(shù)據(jù)，再利用模糊聚類方法將線路所帶的負(fù)荷分為變化規(guī)律更為明顯并且互不相同的三類負(fù)荷，從而實現(xiàn)對待預(yù)測區(qū)域內(nèi)負(fù)荷的劃分。

在負(fù)荷預(yù)測過程中還存在以下問題：由于所收集的資料不夠全面，在進(jìn)行負(fù)荷預(yù)測的過程中沒有充分考慮社會經(jīng)濟(jì)因素的影響，對于區(qū)域內(nèi)的大用戶報裝沒有進(jìn)行單獨(dú)考慮。在接下來的研究過程中，還要對以上存在的不足進(jìn)行進(jìn)一步探究。