（农业电气化与自动化专业论文）基于模糊粗糙集和神经网络的短期负荷预测研究.pdf

摘要 短期负荷预测是对电力系统进行在线控制时，实现发、供电合理调度的基础， 是电力系统安全调度、经济运行的重要依据，负荷预测的质量将直接影响到电力 系统运行的可靠性、经济性和供电质量。随着电力事业的发展，电力部门为获得 最好的经济效益，对负荷预测精度的要求越来越高。 人工神经网络以对大脑的生理研究成果为基础，其目的在于模拟大脑的某些 机理与机制，实现某个方面的功能。人工神经网络是由大量的简单计算单元( 即 神经元) 构成的非线性系统，它在一定程度和层次上模仿了人脑神经系统的信息 处理、存储及检索功能，因而具有学习、记忆和计算等智能处理功能。大量研究 表明，神经网络模型用于短期负荷预测是有效的。通过分析比较，本文选用改进 的单隐层b p 网络来建立短期负荷预测基本模型。 神经网络用于负荷预测，输入变量的选择是影响预测效果的关键问题。神经 网络的结构受网络的输入数据的维数影响很大，同时，输入数据的维数也直接影 响到决策规则的数目、网络的计算量，甚至影响到神经网络是否收敛。粗糙集理 论和神经网络在数据挖掘方面的互补性是大家所共识的，通过粗糙集的数据挖掘 方法精简网络输入属性是提高网络模型预测质量的一个有效途径。本文根据电力 系统短期负荷预测的特点，在对待预测地区的负荷特性进行分析的基础上，提出 了一种利用模糊粗糙集理论与神经网络互补建立负荷预测模型的方法。模糊粗糙 集理论通过模糊隶属函数将模糊集的研究方法引入到粗糙集的研究中，通过模糊 隶属函数来分辨类内元素，把模糊集合中的隶属度看作是粗糙集理论中的属性 值，可以更好指导特征选取。首先，该方法能在充分考虑多种负荷影响因素的前 提下，通过约简舍去多余或不重要的输入信息，并把约简后属性相应的属性重要 度作为网络输入的初始权值，这样大大缩减了网络结构，提高了网络效率和精度。 另外，模糊粗糙集约简理论可以经过属性模糊化处理天气等连续变量，避免了经 典粗糙集离散化时的信息丢失，从而可以得到更为合理的输入参量。通过对具体 电网的实例分析，表明用该模型进行短期负荷预测能取得比较令人满意的预测结 果。 关键词：短期负荷预测；人工神经网络；模糊粗糙集理论；隶属函数；约简 s t u d yo ns h o r t t e r ml o a df o r e c a s t i n gf o rp o w e rs y s t e mb a s e do n c o m p l e m e n t a t i o no ff u z z y - r o u g hs e tt h e o r ya n d a r t i f i c i a ln e u r a ln e t w o r k a u t h o r ：c h e np e n g s u p e r v i s o r ：z h a n gq i n g m a j o r ：a g r i c u l t u r a le l e c t r i z a t i o na n da u t o m a t i z a t i o n a b s t r a c t w h e nt h ep o w e rs y s t e mi sc o n t r o l l e do nl i n e w es h o u l du s et h es h o r t - t e r ml o a d f o r e c a s t i n gt or e a l i z e r e a s o n a b l ed i s p a t c ho fs e n d i n ga n ds u p p l y i n gp o w e r t h e s h o r t - t e r ml o a d f o r e c a s t i n g i st h ei m p o r t a n tb a s i so f s e c u r i t yd i s p a t c h i n ga n d e c o n o m i c a lo p e r m i o ni nt h ep o w e rs y s t e m ，s ot h ep r e c i s i o no ft h el o a df o r e c a s t i n g d i r e c t l ya f f e c t sn o to n l yt h er e l i a b i l i t ya n dt h ee c o n o m i c a le f f i c i e n c yo ft h ep o w e r s y s t e mo p e r m i o n ，b u ta l s ot h eq u a l i t yo fs u p p l y i n gp o w e r w i t ht h ed e v e l o p m e n to f p o w e rc a u s e ，t h ep o w e rd e p a r t m e n tp a i dm o r ea n dm o r ea t t e n t i o nt ot h ef o r e c a s t i n g p r e c i s i o nf o r t h em a x i m u mp r o f i t t h ea r t i f i c i a ln e u r a ln e t w o r ki sb a s e do nt h ep h y s i o l o g i c a lr e s e a r c hr e s u l t so f t h eh u m a nb r a i n t h ep u r p o s ei ss i m u l a t i n gt h em e c h a n i s mo ft h eb r a i n ，a n dr e a l i z i n ga c e r t a i nf u n c t i o n t h ea n ni san o n l i n e a rs y s t e mw h i c hi sc o n s i t i t u t e db yag r e a td e a l o fs i m p l ec o m p u t i n gu n i t s t h e yi m i t a t e st h eh u m a nb r a i n sf u n c t i o n si ni n f o r m a t i o n p r o c e s s i n g ，s t o r a g e j s e r v i c e sa n ds e a r c h i n g ，s ot h e yh a v et h ei n t e l l i g e n tf u n c t i o n so f l e a r n i n g ，r e m e m b e r i n ga n dc a l c u l a t i n g l o t so fr e s u l t ss h o wt h a tn e r v en e t w o r km o d e l u s i n gf o rl o a df o r e c a s t i n gi se f f e c t i v e i nt h i sp a p e r ，t h r o u g ha n a l y s i sa n dc o m p a r i s o n ， t h ea u t h o rc h o o s e st h ei m p r o v e db pn e u t r a ln e t w o r kt h a th a so n l yo n eh i d d e nl a y e rt o d ot h er e s e a r c ho ns t l f i no r d e rt or a i s et h ef o r e c a s ta c c u r a c yo fa n n ，f o ro n e t h i n g ，w ec a ni n c r e a s et h e n u m b e ro ft r a i n i n gs a m p l e s f o ra n o t h e rt h i n g ，w ec a ni n c r e a s et h ei n f l u e n c i n gf a c t o r s i n t r o d u c t i o n b u tb o t ht h en e u r a ln e t w o r k ss t r u c t u r ea n dd e c i s i o nr u l ea r eg r e a t l y i n f l u e n c e db yt h ed i m e n s i o no fi n p u td a t a i nt h ew o r s t ，i ta l s om a yd e c i d et h en e t s a s t r i n g e n c y s o ，s i m p l i f yt h ei n p u ta t t r i b u t e si sa ne f f e c t i v ew a yt oi m p r o v et h eq u a l i t y o ff o r e c a s t i n g a c c o r d i n gt ot h ec h a r a c t e r i s t i c so fe l e c t r i cs h o r t t e r ml o a df o r e c a s t i n g ， ac o m p l e m e n t a t i o nm e t h o db a s e do nf u z z y - r o u g hs e tt h e o r ya n db pn ni sp r o p o s e d t od e a lw i t ht h i sp r o b l e mi nt h ep a p e r t h ef u z z y r o u g hs e tt h e o r yi n t r o d u c e st h ef u z z ys e ti n t ot h er e s e a r c ho f r o u g hs e tt h e o r yb yt h ef u z z ym e m b e r s h i pf u n c t i o n i tw i l ld i s c r i m i n a t et h ee l e m e n t s i na n yc l a s sb yt h ef u z z ym e m b e r s h i pf u n c t i o n ，a n dt a k et h em e m b e r s h i pd e g r e e i n s t e a do ft h ea t t r i b u t ev a l u e f i r s t l y , t h i sm e t h o dc a nc o n s i d e rm o r ei n f l u e n c i n g f a c t o r s ，c a s to u tt h ei n e s s e n t i a lo v e r f u l li n p u ti n f o r m a t i o nb yr e d u c t i o n a n dp u tt h e a t t r i b u t ei m p o r t a n c et ob et h en e t si n p u ti n i t i a lw e i g h t s i nt h i sw a y , i tw i l lg r e a t l y s i m p l i f yt h en e t ss t r u c t u r ea n de n h a n c et h ef o r e c a s t i n gp r e c i s i o n s e c o n d l y , u s et h e f u z z y r o u g hs e tt h e o r yc a nd e a lw i t ht h ec o n t i n u o u sv a r i a b l ed i r e c t l ya n dg e tt h e m o r er e a s o n a b l e i n p u t ，w h i c h c a na v o i dt h ei n f o r m a t i o nl o s si na t t r i b u t e d i s c r e t i z a t i o n t h et e s t i n gr e s u l t so nar e a lp o w e rs y s t e ms h o wt h a tt h ep r o p o s e dm o d e li s f e a s i b l e k e yw o r d s ：s h o r t - t e r ml o a df o r e c a s t i n g ；a r t i f i c i a ln e u r a ln e t w o r k ；f u z z y - r o u g hs e t t h e o r y ；f u z z ym e m b e r s h i pf u n c t i o n ；r e d u c t i o n 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的 研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得塑皇堡盔些盘堂或其他 教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名：场氧| 嘲玢 签字日期：五，带年石月争日 学位论文版权使用授权书 本学位论文作者完全了解塑兰垦盔些盘堂有关保留、使用学位论文的规 定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查 阅和借阅。本人授权塑j 堡盔些盘堂可以将学位论文的全部或部分内容编入有关 数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：1 撕 签字日期：加扩年歹月纱日 学位论文作者毕业后去向： 工作单位： 通讯地址： 导师签名：苫陆 签字日期： ) 鹋年孑月f 日 电话： 邮编： 基于模糊粗糙集和神经网络的短期负荷预测研究 l 引言 所谓预测就是根据过去及现在的信息，利用系统的特性，建立模型，向后推算出 未来的系统信息。负荷，是指电力需求量或者用电量，而需求量是指能量的时间变化 率，即功率。可以说，负荷是指发电厂、供电地区或电网在某一瞬间所承担的工作负 荷。在充分考虑一些重要的系统运行特性、增容决策与自然条件的情况下，利用一套 系统的方法来处理过去与未来负荷，在满足一定精度条件下，确定未来某特定时刻的 负荷值，称为负荷预测l 】j 。准确的负荷预测是至关重要的，它关系到发电、输电和电能 分配的合理安排，对电力系统的安全经济运行与国民经济的发展等都具有重要的影 响。作为电力系统中现代能量管理系统( e m s ) 的重要组成部分，电力负荷预测越来 越受到电力系统运行和管理者的重视【2 。 1 1 短期负荷预测的研究意义 电力系统的作用是对各类用户尽可能经济地提供可靠的电能，以随时满足各类用 户的要求。而电能是不能储存的，系统发电出力应随时紧跟系统负荷的变化动态平衡。 因此预知负荷的大小，无论是对于电力系统规划设计还是对于运行研究而言，都是极 为重要的因素。电力负荷预测理论就是因此发展起来的，负荷预测是电力系统规划、 计划、调度、用电的依据，是电力调度部门的一项重要任务。提高负荷预测的技术水 平，有利于制定合理的电源建设规划；有利于合理安排电网运行方式和机组检修计划； 有利于节煤、节油和降低发电成本；有利于计划用电管理；有利于提高电力系统的经 济效益和社会效益。 负荷预测的分类有很多种，根据预测时间跨度可分为长期、中期、短期和超短期 负荷预测i lj 。长期与中期负荷预测可以作为安排系统新的发电机组的安装和变电站的 建设依据，包括安装的大小、型式、布点、时间等；短期负荷预测主要用于运行和调 度，作为潮流计算及偶发事故分析的输入量；超短期一般用于预防性控制、紧急状态 处理和安全监视。本文主要针对短期负荷预测【3 】进行研究探讨。短期负荷预测主要指 对一年以内的负荷预测，一般是按月、按周和按天进行的。它是为发电计划、输电方 案的制定服务的，其意义主要有以下几方面： 1 帮助确定燃料供应计划。 2 对运行中的电厂出力要求提出预告，使发电机组出力变化事先得以估计。 3 可以经济合理地安排本网内各机组的启停，降低旋转储备容量。 4 可以在保证正常用电的情况下合理安排机组检修计划等等。 5 是制定电力系统交易计划的基础。 所以，不论从经济角度还是从安全角度讲，短期负荷预测工作都是十分重要的， 预测结果的准确与否将直接影响到供电质量和电力企业的经济效益。多年来，许多学 河北农业大学硕士学位( 毕业) 论文 者对这一课题进行了深入的研究，提出了许多方法。然而负荷预测的结果除了由负荷 本身的历史规律决定外，还受众多非负荷因素的影响。负荷的变化因地区和气象而异， 因而研究适用于具体系统的短期负荷预测方法已成为电力系统调度自动化中的一个 重要课题，同时这也是电力市场发展的必然要求。 1 2 短期负荷预测的发展及预测方法 最早的负荷预测通常是凭借调度人员的经验作直觉判断，即根据己有的资料和经 验，绘制负荷预测曲线。在负荷预测发展初期，由于数学发展的局限和对负荷预测精 度要求不高，人们建立了一些传统的负荷预测方法，传统预测方法的产生和发展是与 概率论和数理统计等数学理论的发展密不可分的，可大致分为两种，即时间序列法和 回归分析法。 1 时间序列法 时间序列法【4 5 j 分为确定性时序法和随机性时序法，前者包括时间序列平滑法， 趋势外推和季节变动法等；后者包括马尔可夫法和b o x j e n k i n s 法( 又称a r m a 模 型法) 等，其中b o x j e n k i n s 法最成功，使用最广泛。时间序列法一般都是建立在假 定负荷是稳定发展变化的基础上，没有考虑天气等影响负荷变化的因素，故而面对天 气骤变或突发事件时预测误差较大，只适用于在负荷变化比较平稳的前提下进行的预 测。这种方法的优点是所需历史数据少，模型简单，预测速度快；缺点是预测精度不 能满足实际工程的要求，在节假日的预测效果不令人满意，加上不具备自适应和自学 习的能力，预测系统的鲁棒性没有保障。 2 回归算法 回归算法【5 ，6 j 能够考虑进天气影响和特殊日负荷的特点，但它需要大量数据的参 与计算，同时一般均假设各变量之间是简单的线性关系，而负荷与天气等变量之间是 动态的、非线性的关系，对此，回归算法便不能很好地解决；另外，部分假设天气与 负荷之间是动态、非线性关系的回归算法也只是通过简单的变量代换来拟合这种非线 性关系，故均不能较好地反映负荷与天气间的关系。 九十年代以后，随着人工智能理论的发展与成熟，短期负荷预测的新技术层出不 穷，综合起来主要有专家系统法、人工神经网络方法、支持向量机方法、模糊推理方 法等。 3 专家系统预测方法 专家系统预测【7 岿j 是一个基于知识的程序设计方法建立起来的计算机系统，它拥 有某个领域专家的知识和经验，并能像专家那样运用这些知识，通过推理，在其领域 内做出智能决策，所以一个完整的专家系统是由四个部分组成：知识库、推理机、知 识获取部分和界面。对于专家系统最重要的部分是知识库，一方面需要足够的知识， 另一方面知识与数学规则之间的转化是非常重要的。利用专家知识建立短期负荷预 测，其中选择高质量专家知识并转化为数学规则是特别困难的。 2 基于模糊粗糙集和神经网络的短! j 负荷预测研究 4 聿申经网络预测方法 人工神经网络具有自学习能力，可通过训练样本，根据周围环境来改变自己，并 根据变化的信息，调整自身的结构。运用神经网络技术进行电力负荷预测【钆1 4 】的优点 是对大量的非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、逻 辑推理和优化计算的特点。其自学习和自适应功能是常规算法和专家系统技术所不具 备的。用人工神经网络( a n n ) 预测电力系统负荷是a n n 在电力系统中应用最为成功 的领域之一，a n n 预测负荷的良好性能已得到普遍的认可。近年来，为了解决神经 网络内部结构的一些问题，又将神经网络与其他的一些智能算法结合，用以弥补神经 网络算法上的不足，比较多出现的是模糊神经网络【1 5 。1 7 1 和遗传神经网络【1 8 , 1 9 】。 5 模糊推理方法 专家系统基于确定的事实和确定的规则，而模糊集合和模糊推理是专门用来处理 不确定性问题的理论。将模糊预测法1 2 m 2 4 j 引入的原因是电力系统中存在着大量的模糊 信息，如负荷预测中的关键因素气象状况的评判、负荷同期类型的划分等【2 5 1 。模糊集 合将经典集合的绝对隶属关系( 非a 即b ) 模糊化( 既a 又b ) ，典型的隶属度函数 有三角函数、梯形函数、正态分布函数、s 形分步函数和z 形分布函数。模糊推理基 于模糊规则，模糊规则以i f t h e n 的形式来表达模糊集合间的关系。模糊集合可以 用来描述影响负荷的不确定因素，比如天气条件，对于阴与晴之间没有明确的界限， 冷与暖之间也没有明确的界限，这些因素如果用精确集合来描述，一般取程度最大的 方面，这样无疑会丢失很多其它方面的信息。因此一般会将模糊集合和模糊推理与其 它预测方法相结合来进行短期负荷预测。 6 支持向量机预测方法 支持向量机( s u p p o r tv e c t o rm a c h i n e ，简称s v m ) 是在统计学习理论( s t a t i s t i c a l l e a r n i n gt h e o r y , 简称s l t ) 的基础上发展而来的一种新的模式识别方法。s v m 根据有 限的样本信息在模型的复杂性( 即对特定训练样本的学习精度) 和学习能力( 即无错 误地识别任意样本的能力) 之间寻求最佳折衷。s v m 是一种专门研究有限样本预测 的学习方法，与传统的方法相比，s v m 没有以经验风险最小化( e s t i m a t i o nr i s k m i n i m i z a t i o n ，简称e i w ) 原则作为基础，而是建立在结构风险最小化( s t r u c t u r a lr i s k m i n i m i z a t i o n ，简称s r m ) 原理基础之上，发展成为一种新型的结构化学习方法。它 能很好地解决有限数量样本的高维模型的构造问题，而且所构造的模型具有很好的预 测性能。s l t 和s v m 正在成为继神经网络研究之后的新的研究热点，并将有力地推 动机器学习理论和技术的发展1 2 6 。3 0 l 。 进行电力负荷预测时，对于预测模型的选择，必要时可以采用几种不同的预测方 法进行预测，通过比较来确定预测方法。在单一模型不能很好地反映历史数据变化规 律时，采用组合预测来提高负荷预测的精度也是十分必要的【3 1 , 3 2 】。 河北农业大学硕士学位( 毕业) 论文 1 3 人工神经网络在负荷预测中的应用现状 目前短期负荷预测的研究主要集中在如何提高预测精度，如何选择影响负荷的因 素，以及建模理论等。随着对负荷预测的深入研究和广泛应用，传统的基于解析模型 和数值算法的模型【l ，5 】难以获得令人满意的预测结果。人工神经网络方法具有较强的 学习能力、自适应能力、复杂映射能力、记忆能力、容错能力等智能处理能力，使得 它成为强有力的负荷预测工具，而且它理论比较成熟，便于工程实现，受到很多研究 者的青睐【3 3 1 。 神经网络无须写出未来负荷与各个因素之间的解析表达式，通过样本对神经网络 进行训练，训练好的网络就能直接用于负荷预测，且能获得较高的精度。但它也有其 自身的缺点，如收敛速度慢，易落入局部极小和网络结构确定缺乏理论指导等问题。 近年来，涌现出许多其他理论与神经网络结合起来的研究成果，将改进的网络模型用 于负荷预测 3 4 - 4 2 j 。归纳如下： 1 在网络训练算法方面的改进 文献 3 4 】将粒子群算法( p s o ) 与神经网络结合，用p s o 算法来优化神经网络的 连接权值，可以较好地克服b p 神经网络局部极小等固有缺陷，不仅能发挥神经网 络的泛化能力，而且能够提高神经网络的收敛速度和学习能力。文献 3 6 提出了一种 将混沌和神经网络相结合的方法用于短期负荷预测。利用混沌方法重构相空间系统吸 引子，用前向神经网络拟和吸引子上的全局整体映射，构成了混合预测模型。在实际 应用中，将基于奇异值分解的噪声消减滤波算法应用到数据的预处理中，并用混沌学 习算法来训练神经网络参数。文献 3 7 】建立了一种新的人工鱼群神经网络预测模型， 利用人工鱼群算法训练神经网络的权值，再将该神经网络用于短期负荷预测。 2 在输入属性处理或输出修正方面的研究 文献 3 8 】提出了一种基于模糊聚类分析和b p 网络的短期负荷预测方法。考虑了 温度、相对湿度以及日类型等影响负荷的因素，通过模糊聚类分析将负荷历史数据分 成若干类，找出同预测同相符的预测类别，然后建立相应的b p 网络模型。文献 3 9 】 用b p 神经网络对负荷的基本分量进行预测，以信息熵方法对其输入参数进行选择， 考虑气温变化和节假日信息，用模糊逻辑对基本负荷分量加以修正。文献【4 0 】深入研 究了天气和特殊事件对电力负荷的影响，建立了结合径向基( r b f ) 神经网络和专家 系统来进行短期负荷预测模型。利用r b f 神经网络的非线性逼近能力预测出日负荷 曲线，然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正，使其在天气 突变等情况下也能达到较好的预测精度。 3 在模型结构确定方面的探讨 文献 4 l 】把粗糙集和神经网络结合建立短期负荷预测模型，采用粗糙集理论对各 种影响负荷预测的因素变量进行识别，以此确定预测模型的输入变量；在此基础上通 过属性约简和属性值约简获得推理规则集，再以这些推理规则构筑神经网络预测模 4 基于模糊粗糙集和神经网络的短期负荷预测研究 型。文献 4 2 禾1 j 用遗传算法有指导地计算神经网络隐层节点数，从而确定一个较合理 的神经网络结构；其次，由遗传算法从初始权值的解群中选取出一组优秀的初始权值， 克服初始权值选取的盲目性；最后，将得到的神经网络结构和优秀的初始权值结合起 来，利用b p 算法进行电力系统短期负荷预测。 对于短期负荷预测的研究已经很多，取得了令人鼓舞的成果，但仍存在一些尚未 解决的问题，基于因素影响的短期负荷预测还有许多问题有待进一步研究： 1 在追求网络预测精度的同时往往以复杂的建模过程为代价( 如日负荷中2 4 点的负荷考虑各自影响因素分别建模) ，降低了模型的实用性。 2 神经网络输入属性的选取问题依然是个有待进一步解决的问题( 如对于天气 影响因素大多只凭经验考虑温度影响) ，而且通常对影响因素的累积效应考虑不足。 3 负荷的相关因素大多为连续的模糊量，处理过程经常会造成属性部分信息的 丢失( 如粗糙集约简时的属性离散化) ，使预测可靠性降低。 1 4 本文所做的主要工作 针对以上问题，作者在现有的基于人工神经网络的预测方法基础上，运用模糊粗 糙集理论和b p 神经网络互补建立短期负荷预测模型。选取日最大、最小负荷作为待 预测量分别建立单输出的神经网络模型，通过模糊粗糙集决策表知识挖掘输入属性与 输出属性的潜在关系，确定哪些属性与输出的关系最大，作为神经网络输入；通过神 经网络的学习功能确定这些属性与输出的非线性关系；最后利用灰色关联的思想寻找 待预测日的相似日以确定待预测日日负荷变化系数，最终得到待预测的整条日负荷变 化曲线。本文所做的主要工作具体如下： 1 大量阅览了前人关于短期负荷预测的研究成果，结合预测地区实际情况对负 荷特性进行了较深入的分析；通过对日负荷归一化曲线分析研究，确立了根据最大、 最小负荷以及日负荷变化系数获取待预测日各点负荷值的分解建模方法。 2 对用于神经网络训练的历史负荷数据进行了筛选、查漏补缺等预处理工作， 保证了网络训练的负荷数据的典型性和真实有效性；充分考虑影响负荷的温度、湿度、 风速等天气随机因素及其累积效应，通过调研，搜集、整理相关数据，用于建立短期 负荷预测基本模型，保证了输入样本的质量。 3 将模糊粗糙集理论运用到基于神经网络的短期负荷预测中。神经网络输入参 数过多会令网络拓扑结构复杂，导致网络性能下降，利用模糊粗糙集的数据挖掘功能 对神经网络待输入的连续模糊变量进行约简，去除冗余信息，同时避免了经典粗糙集 约简时离散化过程中造成的信息丢失，达到合理精简网络结构的目的。 4 利用实际电网的历史负荷数据，采用适合中小型网络的l e v e n b e r g m a r q u a r d t ( l m ) 算法训练网络，以克服标准b p 算法的固有缺点。通过m a t l a b 编程仿真 对模型的可行性验证，并与凭经验选取变量的传统b p 方法预测结果进行比较，验证 了本文所提方法比传统方法具有更高的预测精度和更快的收敛速度。 河北农业大学硕十学位( 毕业) 论文 5 分析指出本文预测方法存在的客观缺点与不足；对未来的工作方向提供了一 些建议。 6 基于模糊粗糙集和神经网络的短期负荷预测研究 2 电力负荷特性分析 电力系统中的负荷是一个具有周期性和随机性双重特性的变量。它与社会、经济、 政治、气象等众多的因素有着极为复杂的关系。一方面，电力负荷按一定趋势有规律 地发展变化；另一方面，负荷受众多因素的干扰及影响，随时都有可能发生一定的波 动。在进行电力系统负荷预测时，针对负荷变化的这些特点，既要充分分析、掌握并 利用其规律性，又要兼顾各种因素的影响。深入地分析负荷的特性是建立短期负荷预 测模型的关键步骤。即进行电力负荷预测前，首先要对所预测地区的负荷的特性及影 响因素进行分析，然后才选择合适的预测方法建立负荷模型进行预测。只有充分了解 和掌握了负荷变化的特点及规律，才能建立起符合实际情况的预测模型，从而提高预 测精度。本章将结合待预测地区保定市某周边县的区域特点对负荷特性展开分析，以 确立合适的短期负荷预测模型。 2 1 电力负荷变化的内在规律 电力系统负荷的变化是有规律的，其规律主要体现在负荷变化的周期性上，这种 周期性是负荷的一种内在规律。究其原因，是人类的生产、生活具有规律性，因此负 荷变化也具有规律性。 2 1 1 负荷变化的年周期性 负荷变化的年周期性是指以一年为周期的负荷变化中体现出的规律。这种周期性 与季节关系极大。由于人们的活动与季节有着直接的关系，季节不同，人们的生产及 生活方式也随着相应地改变。年周期性又随着社会经济、气候变化等因素产生一定的 差异。掌握负荷变化的年周期性是进行中期负荷预测和节假日短期负荷预测的基础。 保定市位于河北省中部，地处太行山东麓，西部十分之一为山前丘陵，东部一马 平川。光照充足，四季分明，属大陆季风性气候。年平均气温为1 2 度，1 月平均气 温为5 度，7 月为2 7 度。无霜期1 6 5 2 1 0 天。年平均相对湿度在6 0 左右。由于华 北平原的特征，夏季炎热，冬季干冷，农业受气候影响很大。随着生活水平的不断提 高，制冷和取暖设备的数量不断增加，使得夏季和冬季的用电量都有所提高。因此不 同季节的负荷影响因素不同，负荷有较明显的季节性变化，按季节分别建模预测是首 选方案。 图1 为论文研究地区保定市某县2 0 0 7 年1 2 个月的用电量柱状图。如图示，2 月 份正值春节，由于工业负荷大幅下降，用电量明显少于其它月份；4 月份灌溉负荷猛 增，致使4 月出现用电高峰，其它月份基本遵循负荷变化的季节规律。 7 河北农业大学硕士学位( 毕业) 论文 t 0 0 0 0 0 6 0 0 0 0 0 印0 0 0 0 啊4 0 0 0 0 0 0 0 删 旺0 0 0 0 2 0 0 0 0 0 1 0 0 0 0 0 0 一 一一 一一 一一 一 一 一一 ，i l23456t891 0 l l 1 2 时间月 图l ：全年用电量柱状图 f i gl ：t h ec o l u m n a rs e c t i o no fe l e c t r i c i t y c o n s u m p t i o n 2 1 2 负荷变化的周周期性 负荷变化的周周期性是指以七天为一周期的负荷变化中体现出来的规律性。主要 由于人们从事生产、生活的变化产生出来的规律性差异。负荷变化的周周期性是分析、 掌握典型日负荷特性和进行日负荷预测建模的关键，也是进行典型日负荷预测和日负 荷预测的首要前提。这种周期性表现为两类负荷变化特点：一类是从周一到周五的工 作日同期类型的负荷变化特点；另一类是周六和周f 1 的周末日期类型的负荷变化特 点： 该县的产业结构以第二产业工业为主，2 0 0 7 年比重为4 9 。一般工作日期间， 负荷的主要组成为工业负荷。这些工业负荷在工作日期间通常处于稳定的运转之中， 因此工作日的负荷变化具有相似性；而周末期间工业负荷所占比重有所下降，而居民 生活用电、餐饮业等服务性的行业所占比重明显上升，因此周末类型的负荷具有相似 性。图2 为某两周的负荷变化曲线。由图看出周末类型负荷较工作日类型负荷低，分 为工作日( 周1 一周5 ) 和休息日( 周6 、周日) 两种日期类型。 日负荷周周期- 胜曲线 8 1 0 0 8 0 运6 0 慧4 0 2 0 0 n 一 、j 帆虮矾帆i枷m | 1 1 f i 。m 月m 心 v 1v v 。| | u j l v v 。 1 j u 1 | 4 v 。 13 4 研1 1 3 31 6 61 9 92 3 22 6 52 9 8 3 3 1 时间，卜时 图2 ：日负荷周周期性曲线 f i g2 ：t h ec u l v eo fw e e k l yp e r i o d i c i t y 基于模糊粗糙集和神经网络的短期负荷预测研究 2 1 3 负荷变化的日周期性 负荷变化的日周期性是指一天二十四小时为周期的负荷变化所体现出来的规律 性。负荷变化的日周期性是分析掌握日负荷预测，超短期负荷预测的关键，也是进行 日负荷预测、超短期负荷预测的依据和基础。图3 为该县某天2 4 小时( 2 8 8 个采样 点) 的负荷变化曲线。 日负荷曲线 1 州， 胡一，、 刖“r 广 h 厂1 h u l2 1 r5 3 t 91 0 51 3 11 5 71 8 32 0 92 3 52 6 l2 8 7 时间盼钟 图3 ：日负荷变化曲线 f i 9 3 t h ec h a n g i n gc u r v e o fd a i l yl o a d 由上图可看出，每日负荷的峰荷由早高峰与晚高峰两部分组成，一般晚峰的峰荷 较早峰的峰荷要略高。在实际系统中，通常根据负荷变化规律的不同将每日内的负荷 又分为峰荷、谷荷、腰荷三个时段的负荷。从本质上说，这三个时段的负荷的组成不 同，因而它们的变化规律也不同。负荷低谷对应的时间一般是在夜问，在这个时间段 中，大多数人都处于休息的状态，负荷组成主要是那些必须运行的不问断的负荷，它 们长期不间断地运行，是基本负荷的组成部分，是一天中负荷的较低部分；负荷出现 峰值的时间一般是白天，人们的活动较多，负荷的种类也体现出多样性，作为总体负 荷其幅值也明显高于其他时段的负荷；而在腰荷期间，负荷变化处于过渡过程中，负 荷的组成正发生变化，因此这个阶段的负荷处于一种上升或下降的过渡状态。 在对历史负荷的分析中，注意到县级电网的一些特点，如晚高峰出现时间较早， 晚问高用电负荷时间持续也较短，甚至早高峰高于晚高峰的情况。这与具体地域、人 们的生活习惯和用电结构等众多原因有关。 2 2 电力负荷变化的外在特性 负荷的变化在一定程度上具有周期性，但同时也伴随着一定的波动。负荷的变化 受多种因素的制约，并且各种因素对负荷变化规律的影响互不相同，从而构成了负荷 变化的波动性。外在因素对负荷的影响并不都是无章可循的。其中，随外在因素影响 具有规律性的波动，称之为负荷变化的外在特性【4 3 】。影响负荷的外在因素主要有经济 9 铂们扣坩0 墓、馆 河北农业大学硕十学位( 毕业) 论文 因素、气候因素以及随机干扰。 2 2 1 经济影响 电力系统总是覆盖着一定的区域，该地区的经济因素如人口、工业水平、农业方 式等都反映了一定的电力负荷需求。经济的发展也是系统负荷增长的主要因素。收入 和生活水平的提高与经济发展水平密切相关，家用电器普及率是反映城市生活水平的 重要指标，高耗电家用电器普及到一定程度后，对负荷率的影响幅度将有所下降。 本文负荷数据来源保定某县多种产业结构并存，第一产业用电量季节性，时间差 异性较大，高峰时期负荷缺口达4 0 ；第二产业用电量稳定增长，占主要地位；第三 产业用电量增长平稳，主要在城区。此外，城乡居民家用电器呈年递增趋势，以及明 显的季节性波动，预计将来还有不小的增长空间。2 0 0 7 年各行业1 2 个月用电量走势 见图4 。 2 2 2 气候因素影响 a 一7 一 厂、 - 忒。么、脍竣一，、 v 厂。| ：欠 惫毒磊未蕊手芬孑i 各0 图4 ：用电量走势图 f i 9 4 ：t h et r e n do fe l e c t r i c i t yc o n s u m p t i o n 负荷的天气影响因素可以从两个方面看，一是长期的季节气候影响，另一种是短 期天气状况的影响如：温度、湿度、日照、风力等因素的影响。前者主要是对人们的 生活规律产生影响，各种成分负荷发生变化，导致负荷的季节性变化规律。如图4 ， 工业负荷和城乡居民生活用电这两类负荷随季节的波动性相对较小；而其他事业用电 及农业用电负荷在系统总负荷所占的比例随季节变化发生显著变化，具有明显的季节 变化特点。而后者对负荷的作用主要体现在对短期负荷的影响上。下面对短期负荷的 主要影响因素做简单分析m 啪】。 温度是对负荷影响最重要的气候变量。夏季连续的高温天气会导致一个夏季峰值 负荷。同样，冬季的寒流也会使负荷急剧增加。以夏季的负荷为例，夏季的持续高温， l o 基于模糊粗糙集和神经网络的短期负荷预测研究 将引起空调、风扇、电冰箱等一系列降温和制冷设备的大规模满负荷运行，这时有可 能形成比以往相对较大的高峰负荷，而若出现降雨天气，这些降温和制冷设备又将转 入低负荷运行状态，这时又有可能形成比以往相对较低的高峰时段负荷，从而带来夏 季负荷随温度变化而变化的结果。表l 为夏季两个典型日的温度对比，图5 为相应的 负荷曲线( 2 8 8 个采样点) 。 表l 温度对比 t a b l ：t e m p e r a t u r ec o n t r a s t 日期 最高温度，( ) 最低温度( ) 日平均温度( ) 9 0 t 0 印 事卯 蓑： 扣 1 0 0 图5 ：不同温度的典型日负荷曲线 f i 9 5 ：t h el o a dc u r v eo f t w ot y p i c a ld a y si nd i f f e r e n tt e m p e r a t u r e 大气中的湿度、风速等对于空调负荷和其它相关的取暖、降温负载的影响也很大。 湿度和风速对人体的影响，在舒适度范围内并不明显。在对一些温度负荷和天气状况 达到一定临界条件时( 如夏季高温期、冬季寒流期等) 特别需要考虑天气的影响【47 1 。理 论上讲，当气温高于3 2 时，人体就应该产生炎热的感觉，然而事实并非如此，例 如，在气温3 5 的环境中，如果空气的相对湿度在5 0 左右，平均风速在3 m s 以上， 人们就不会感到很热，但是同样的温度环境下，湿度若增大到7 0 以上，风速又很小 时，人们就会产生闷热难熬的感觉，甚至出现中暑现象，同样的道理，在低温环境下， 不同的湿度和风速也会给人们带来不同的寒冷感受。 考虑到影响负荷的相关因素具有关联性和持续性，并结合实际情况，本文有选择 的将预测日前一周( 7 天) 天气关联因素( 温度、湿度、风速) 作为神经网络待预测 量的部分输入【4 引，可以较全面地考虑短期负荷的影响因子，提高预测精度。 相同类型日日负荷( 节假日) 7 0 i35t9l l1 3 1 51 71 9 2 l 2 3 时f 影h 相同类型日日负荷( 工作日) 1 0 0 8 0 一一“ 6 0 一一一一一7 一 一 4 0 一 2 0 0 一一4 一一一 l 35t9 l l1 31 51 7 1 92 1 2 3 时胁 孺一 一一一，一一一 基于模糊粗糙集和神经网络的短期负荷预测研究 乙( f ) = 瓦i a ( t ) - l d r a i n 式中，l d ( r ) 为第dy ：第td 、时负荷变化系数，乞( f ) 为第d 天第f 小时的负荷值， 乙m 岫为第d 天的最小负荷值，乙m “为第d 天的最大负荷值。 2 3 3 相似日的选取 1 0 8 0 6 0 4 0 2 0 日负荷归一化曲线 卜 u 。 、，h 一 jlii-i “-i一一 l35t9l l1 31 5l t1 92 12 3 时间，卜时 图7 ：日负荷归一化曲线 f i 9 7 ：t h en o r m a l i z e dc u r v co fd a i l yl o a d 人们在进行短期负荷预测时，发现气象状况、日类型( 如工作日或休息日) 等影 响因素比较相似的几天，负荷也比较相近1 5 。选取