一種改進均值生成函數(shù)的電力負荷預測新模型

孫濤 竇震海 王為國

摘 要：為了改善短期負荷預測模型的精度和實用性，針對短期負荷序列的隨機波動性、周期性，提出了一種基于模糊集隸屬度改進均值生成函數(shù)的負荷預測方法。首先，選用新的模糊集隸屬度改進均值生成函數(shù)的構造過程，然后將其與最優(yōu)子集模型結合，最后使用所建組合模型對負荷進行短期預測。實驗結果表明，所建新模型有較高的預測精度。

關鍵詞：電力系統(tǒng)；負荷預測；模糊集隸屬度；均值生成函數(shù)

DOI：10.16640/j.cnki.37-1222/t.2018.12.200

1 引言

短期電力負荷預測一般是指預測未來1h至1周的電力負荷，是電力負荷預測的重要組成部分。高精度的負荷預測有利于實現(xiàn)電力系統(tǒng)的安全穩(wěn)定與經(jīng)濟運行[1]。近年來，有較多學者運用指數(shù)函數(shù)形式的隸屬度對均值生成函數(shù)進行了改進，然后將其運用到預測短期負荷、降水量等領域。但是，指數(shù)函數(shù)形式的隸屬度只能反映不同數(shù)據(jù)的重要程度，不能反映出序列的周期性變化，因此本文嘗試選用新的模糊集隸屬度對均值生成函數(shù)進行改進，然后引入到短期負荷預測領域。實際算例表明了本文所建模型在短期負荷預測領域的有效性和優(yōu)越性。

2 短期負荷預測模型的建立

2.1 模糊集隸屬度改進的均值生成函數(shù)

設一組含有n個元素的負荷樣本序列：x（t）={x（1），x（2），…，x（n）}

針對短期電力負荷序列的波動性、周期性等特點，本文選取了既能反映不同數(shù)據(jù)的重要程度，又能體現(xiàn)序列周期性的新模糊集隸屬度來完善均值生成函數(shù)的構造過程，模糊集隸屬度[2]如下式：

2.2 基于最優(yōu)子集回歸模型的短期負荷預測

針對電力負荷序列的隨機性、周期性等特點，本文再利用模糊集隸屬度改進均值生成函數(shù)的基礎上，將其與最優(yōu)子集回歸模型[3]相結合構建預測模型。最優(yōu)子集回歸模型的基本思想是先將均值生成函數(shù)序列作為因變量并自由組合，接著將組合后的序列與因變量建立線性回歸方程，最后再根據(jù)雙評分準則從所有的回歸方程中篩選出一個數(shù)量評分和趨勢評分都最高的方程。

3 算例仿真及結果分析

為驗證所構建預測模型的有效性及優(yōu)越性，本文根據(jù)山東某地區(qū)2015年1月份某一天的負荷數(shù)據(jù)作為實際算例。首先，將前20h的數(shù)據(jù)作為預測模型的原始訓練樣本，然后根據(jù)訓練結果對后4h的負荷量進行預測。其次，在相同樣本數(shù)據(jù)的基礎上，本文同時采用了文獻[3]提出的原始均值生函數(shù)預測模型進行預測，并將兩個模型的預測結果進行了對比，分別采用兩種預測模型得到的負荷預測結果如圖1和表1所示。

由圖1和表1可知，改進后的均值生成函數(shù)預測模型的預測精度明顯高于普通的均值生成函數(shù)預測模型，對實際負荷數(shù)據(jù)的波動性也進行了較好地擬合，且相對誤差控制在一個較低的水平，因此可以應用到實際生產(chǎn)的短期電力負荷預測中。

4 結論

將模糊集隸屬度改進的均值生成函數(shù)預測模型應用于實際的短期負荷預測具有可行性，預測效果良好。此外，在建立預測模型過程中能夠充分利用原始的訓練樣本，可以不考慮經(jīng)濟、天氣等影響因素，操作簡便，具有較好的工程實用價值。

參考文獻：

[1]陳英慧，商淼，李婷等.基于GA-BP算法的呼和浩特地區(qū)短期電力負荷預測[J].山東工業(yè)技術，2018（05）：158，170.

[2]魏鳳英.現(xiàn)代氣候統(tǒng)計診斷與預測技術[M].氣象出版社，2007.

[3]竇震海，楊仁剛，焦嬌.基于均生函數(shù)-最優(yōu)子集回歸模型的短期電力負荷預測方法[J].農(nóng)業(yè)工程學報，2013（14）：178-184.

作者簡介：孫濤（1978-），男，山東日照人，本科，工程師，主要從事電力系統(tǒng)負荷預測及設施管理等研究。