电力负荷预测论文第四篇：采用模糊聚类方法对短期负荷预测模型设计内容探讨
摘要：以短期负荷预测模型精确度的提高为重点工作方向，采用模糊聚类方法对短期负荷预测模型设计内容进行探讨。首先，在总体气象因素中做出划分，形成以气温、风速为代表的各类细分因素，再将其与周、日等时间信息关联，构成相似日的影响因素，依据模糊规则创建模糊系数特征映射表，在满足因素的量化需求外，还可视实际情况实时添加新规律。
关键词:模糊聚类;短期电力负荷;量化评估模型;
通过模糊聚类方法，可以有效减少样本数量，有利于提高选取速度；且模型具有全面性，能够兼顾气象或其他因素对电力负荷预测的具体影响，从而规避以往负荷过于随机化的问题。由仿真结果可知，模拟聚类方法可以获得更高的预测精度，发挥模型的信息参考价值，综合应用效果较佳。
1 短期电力负荷预测
短期电力负荷伴有较显着的周期性变化，受扰因素包括经济、天气等。在针对短期电力负荷进行预测时，需要充分考虑具体的影响因素，在确定周期性后进一步探寻波动规律，采集并完整记录期间的各项数据，建模并分析，从而大体估计出短期的负荷数据[1]。整个流程所涵盖的主要内容如下：
(1）提前制订计划，给后续短期负荷预测工作提供引导，包含作业内容、预测目的；确定具体预测时间，应具有动态化的特点，提高预测的灵活性。
(2）经前期初步规划后，可高效收集负荷数据，具体应以预测影响因素为依据进行数据收集，包括负荷、历史气象等方面的数据。在数据收集过程中，应充分考虑准确性和连贯性的双重要求，尽可能减小数据误差，否则易对后续负荷预测结果的准确性带来不良影响。
(3）历史数据不具备直接使用的条件，因此应对其进行预处理，剔除缺乏使用价值的数据。此操作会引起数据缺失的问题（因剔除不良数据而引起），因此需要再次收集与补充相关数据，以形成完整的数据群。
(4）以数据全面且可行为前提，选择合适的预测方法，再次进行建模操作。预测方法的选择需要紧密结合工作目标以及现有数据的状况，以合理的方式创建模型，在确保模型无误后，则需要明确模型的具体参数，切实提高预测结果的精确度，由此得到待预测的负荷数据。
(5）正式预测，生成预测结果，并对其进行分析，根据实际情况动态优化模型，以提高各项参数的合理性，经多次操作后确定合适的方案，保证具有较高的预测精度。
2 模糊聚类分析
在电力负荷预测工作中，模糊聚类理论占较大的比重。从电负荷受扰的角度来看，多方面的因素均会对其带来影响，通过负荷预测，系统地考虑各项影响因素，建立负荷与具体影响因素的关联模型，将其视为整体，由此进行数据的加工与处理工作。
聚类分析方法充分考虑研究对象的特性，在确定其亲疏关系后做出分析，可较为清晰地描绘内在组合关系。但就实践层面而言，分类问题的难度较大，具体体现在各类别的界定层面，彼此间存在千丝万缕的联系，依靠常规方法难以有效满足界限准确性的要求，不利于预测工作的顺利开展[2]。在此背景下，模糊数据技术得以应用，通过该技术的支撑作用，可提高聚类分析结果的可靠性，由此形成集多重技术于一体的模糊聚类分析方法。
3 相似日
在有关短期负荷预测的大量研究中，研究人员逐步拓宽了影响因素的范围，认为天气状况、日期类型等因素均不容忽视，可确定与预测日在上述因素上均具有高度相似性的历史日，而对用电负荷而言，两者也具有较强的相似性，在具备此关系后则将其称为相似日。根据现阶段电力公司的工作状况可知，相似日方法已经得到广泛应用。经验在该方法中具有主导作用，即相似日的选取需要借助经验来实现，相关技术人员经过长期工作积累，可以较为精准地摸索出相似日的规律，有利于保证预测结果的精度[3]。但部分从业者因自身技术水平、工作经验等方面的限制，易出现相似日结果准确性不高的问题。由此表明，在电力负荷预测中，相似日的精确选择为重难点内容。
相似日方法的主要工作思路如下：首先，在各类因素中做出筛选，并非任何因素均具有可用性，因此需要从中剔除无用部分，将可用的因素用于表征预测日的特征；其次，制定寻找相似日的标准，并在其引导下确定基于预测日的相似日；再次，汇总相似日的有用数据，做进一步的训练处理。在短期负荷预测过程中，若采用相似日方法，则应着重做好如下两方面的工作：
(1）查找相似日。以预测日为准，在历史阶段内筛选出各项因素均与之具有高度接近特性的相似日，应明确预测日的具体特征向量，并确定具有可行性的评估标准。围绕预测日展开全面分析，在大量影响因素中进行筛选，梳理各类因素的重要程度，从中确定影响比重较大的因子，在此基础上可确定预测日的特征向量。遵循适度性原则，建立评估标准，在严格与宽松间寻找均衡点，在得到评估标准后，则能够掌握历史日期与预测日所具有的相似度，经过对比分析后可得到最为合适的相似日。
(2）负荷预测。在明确相似日后，可以借助该部分数据开展预测模型的训练操作，目的在于提高预测精度，丰富数据的可利用价值。在负荷预测过程中，相似日的准确性为重点控制内容，对最终的预测精度具有决定性影响。
3.1 不同日的差异度与相似度
假定Xi=[xi1,xi2,....,xim]指的是第i日的各特征向量因素（特征向量总数为m个），Di=[di1,di2,...,di T]指的是第i日的负荷（数据点总量为T）。根据该规律，可以确定第i日的量化特征因素，即Ki=(Xi,Di）。为便于分析，提出不同日的“差异度”概念，具体而言，任意两天由于特征向量因素的差别而表现出的差异程度即由其描述[4]。
3.2 计算的相关处理
在差异度Kij减小的条件下，i、j两天的因素具有更高的相似性，具体体现在日期类型、星期类型、天气类型等方面，为保证相似度具有足够的准确性，在分析阶段应密切关注如下内容：
(1）对于各xik,xjk，均要将其映射至[0,1]区间内，其目的在于方便后续分析工作的顺利开展，提高因素间的可比性。但需注意，各类因素的影响程度不尽相同，部分因素的影响具有决定性作用，此时应重点对待，将其在[0，α]上映射（满足α>1的要求），以满足因素的主次关系。
(2）对于日最高或最低气温、气压等具备量化的因素，较适宜采取线性映射的方法；日期差（i-j）呈现出近大远小的变化特点，因此也可以应用线性映射的方法；若为星期类型的因素，则应当引入分组映射的方法，具体可划分为周一至周五、周六至周日，由此达到有效区分工作日和休息日的效果[5]。
3.3 基于模糊聚类选取相似日的短期电力负荷预测模型
按特定流程有序开展预测工作，具体如图1所示。
图1 预测流程图
3.4 仿真分析
结合某电力公司在某地区2019年6月1日至2019年8月5日的数据，经整合后作为样本数据集，由此预测同年7月20日和22日两天的负荷值。从最高及最低气温、天气类型的角度切入，选取相似日，对应预测日均取10个训练数据（要求在天气数据、日期类型方面均具有相似性，在此条件下确定该相似日的数据），经过db3小波变换后，完成负荷数据的4层小波分解操作[6]。此后，引入PSO优化的SVM，在其支持下高效完成低频负荷预测工作；引入加权平均法，以便完成高频部分的预测。通过两种方法的综合应用，取得预测负荷曲线。两个预测日的具体预测负荷曲线分别如图2、图3所示。
图2 2019年7月20日负荷预测曲线
图3 2019年7月22日负荷预测曲线
结合上述分析可知，从预测精度的角度来看，相比于PSO-SVM网络而言，相似日方法所得结果的精度更高，表明其在短期电力负荷预测中具有更好的应用效果。
4 短期电力负荷预测系统
4.1 系统总体结构组成
采集所得的数据不具备直接使用的条件，需将其导入系统内，由此形成以历史电力负荷为基础的核心数据库；根据所掌握的数据，创建模型，利用所得的模型开展电力负荷的预测工作，在电网的调度端可产生预测结果；经前述工作后，电网工作人员可灵活调整调度计划，实现对发电计划的优化。短期电力负荷预测系统所具备的主要功能如下：
(1）软件用户信息。由于各计算机的MAC地址存在差异，则在系统的设计工作中以计算机MAC地址为依据，创建相应的用户名及密码，各计算机分别对应特定的密码，形成配套关系，可有效保证软件的保密性能。
(2）针对负荷数据的操作，可结合需求及时获取历史负荷数据，以缩短所需时间，提高数据的可靠性。
(3）通过相似日方法的应用，可以高效完成对短期电力负荷的预测工作，加之曲线图形的应用，可直观地呈现历史数据和预测数据，以便用户可根据需求快速获取预测信息。
(4）历史的预测数据均得到有效存储，其完整性也得到了保障，后续可根据需求快速查阅，省时省力。在设计软件时，需从整体上看问题。先确定细分的功能模块，再根据各自的功能特点编写代码，要求各模块独立运行，再通过模块联通，形成完整的系统[7]。各模块均具有独立的功能：数据导入模块能够完整汇总数据，将其整合至预测系统；相似日选取模块从多项因素切入，开展对比分析，从而选择影响因素相近的历史日，给后续预测工作提供依据；功率预测模块在完成数据的预处理操作后，对未来24 h的电力负荷进行预测；误差分析模块能够综合对比预测结果和实际数据，明确两者间所产生的误差，对预测的准确性做出判断；数据保存模块能够全面记录前期产生的数据和图像，供后续分析使用[8]。
4.2 系统开发工具
MATLAB为典型的仿真软件，通过其中GUI模块的应用，可以高效完成软件系统的设计工作，避免常规方式下对算法进行移植的繁琐作业环节，是开发短期电力负荷预测系统的关键工具。
4.3 系统界面和测试
4.3.1 用户登录模块
用户登录模块可对用户的信息做出甄别，通过后则允许用户进入系统进行相应操作。系统未提供用户注册功能，在该机制下，各用户名和密码的产生均建立在计算机MAC的基础上，意味着各计算机分别对应一套独立的用户名和密码，更有利于开发者权益保护。
4.3.2 数据导入模块
数据导入模块的主要作用在于汇总数据并导入，创建Excel文件，包括历史负荷数据、气象因素数据等，可根据数据的类别精准呈现。
4.3.3 相似日查找模块
通过模糊聚类方法，可以实现气象因素数据的有效处理，再从中筛选因素相近的相似日；融入报错机制，保证输入日期的格式具有可靠性和秩序性，以免因特殊情况而导致程序崩溃。报错界面如图4所示。
图4 报错界面
4.3.4 负荷预测模块
电网调度部门需通过预测，对未来24 h的电力负荷变化情况形成准确的认识，根据此结果灵活优化电力调度计划，给电网的运行提供良好的条件，使其具有安全、稳定、高效的特点。以负荷预测模块为重要支撑，可高效发布24 h的负荷预测数据，也可根据需求及时查询历史功率数据，所产生的预测结果将通过折线图的形式完整呈现，管理者也可根据需要借助Excel导出，期间产生的各项数据均能得到完整的记录[9]。
4.3.5 误差评价模块
在制定电网调度计划时，需要充分考虑误差评价工作，即获得具体的误差数据，以此为依据制定更为周全的计划，同时也有利于提高负荷预测的精度。应用误差评价模块可以将真实值与软件预测值进行对比分析，从而对软件所得预测数据的准确性做出判断，即该部分数据是否具有可行性[10]。由于数据的体量较大，为了更加精准地分析，导入平均误差、相对误差及最大误差，通过此类具有代表性意义的数据，切实提高分析的精准度。
4.3.6 数据保存模块
数据保存模块的功能均围绕负荷数据进行，如对历史负荷数据的存储操作（包含数据、图像等多种形式的资料），可深度整合各部分数据，在软件中以更为直观化的方式呈现，用户可根据需要直接查询，避免了数据查询繁琐、流程复杂、精准度不足等问题。同时可以对各类历史数据打印报表，以便用户在后续工作中根据需要快速查阅。由此可见，在数据保存模块的支持下，提高了数据的可用性与可靠性。
5 结语
以模糊聚类方法为基本支撑，通过模糊规则的应用，创建短期电力负荷预测模型，所覆盖的气象因素较为全面，考虑到该类因素对电力负荷预测所带来的具体影响，再结合映射表，从中选择与预测日具有高度相似性的历史日，将其视为相似日对待，由此来训练PSO-SVM。经一系列的操作后，提高了预测结果的精度，信息的可利用价值较高。
参考文献
[1]危志强.基于改进模湖聚类算法的短期负荷预测研究[D].南昌:南昌大学, 2020.
[2]陈馨凝基于相似日聚类和改进DRESN的短期负荷预测研究[D].武汉:湖北工业大学, 2020.
[3]刘晓悦,魏宇册,马伟宁基于改进混沌搜索的AMPSO-BP短期负荷预测[J].水电能源科学, 2020(4):189-192.
[4]李福东,曾旭华,魏梅芳,等基于聚类分析和混合自适应进化算法的短期风电功率预测[J].电力系统保护与控制, 2020(22):56-61.
[5]林女贵.于集合经验模式分解的ARIMA行业售电量预测模型[J]电力科学与技术学报，2019(2):14-17.
[6]潘良军,王楷，赵宏炎,等.基于春节影响时期分析的中期负荷智能预测[J] .智慧电力, 2020(9):89-92.
[7]杨颖，杨少华,张燕,等基于相似日的短期电价区间预测[J]智慧电力, 2018(12)-89-95.
[8]孙毅,石墨,单葆国,等基于粒子群优化支持向量机的电能替代潜力分析方法[J]电网技术, 2017(6):110-114.
[9]郭丽娟, 孙世宇,段修生支持向量机及核函数研究[J]科学技术与工程, 2008(2):67-71.
[10]段俊东,黄家兴负荷动态特性变化对电力系统静态电压稳定性的影响研究[J].I矿自动化, 2012(2):34-38.
