孙涛 窦震海 王为国

摘 要：为了改善短期负荷预测模型的精度和实用性，针对短期负荷序列的随机波动性、周期性，提出了一种基于模糊集隶属度改进均值生成函数的负荷预测方法。首先，选用新的模糊集隶属度改进均值生成函数的构造过程，然后将其与最优子集模型结合，最后使用所建组合模型对负荷进行短期预测。实验结果表明，所建新模型有较高的预测精度。

关键词：电力系统；负荷预测；模糊集隶属度；均值生成函数

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

1 引言

短期电力负荷预测一般是指预测未来1h至1周的电力负荷，是电力负荷预测的重要组成部分。高精度的负荷预测有利于实现电力系统的安全稳定与经济运行[1]。近年来，有较多学者运用指数函数形式的隶属度对均值生成函数进行了改进，然后将其运用到预测短期负荷、降水量等领域。但是，指数函数形式的隶属度只能反映不同数据的重要程度，不能反映出序列的周期性变化，因此本文尝试选用新的模糊集隶属度对均值生成函数进行改进，然后引入到短期负荷预测领域。实际算例表明了本文所建模型在短期负荷预测领域的有效性和优越性。

2 短期负荷预测模型的建立

2.1 模糊集隸属度改进的均值生成函数

设一组含有n个元素的负荷样本序列：x（t）={x（1），x（2），…，x（n）}

针对短期电力负荷序列的波动性、周期性等特点，本文选取了既能反映不同数据的重要程度，又能体现序列周期性的新模糊集隶属度来完善均值生成函数的构造过程，模糊集隶属度[2]如下式：

2.2 基于最优子集回归模型的短期负荷预测

针对电力负荷序列的随机性、周期性等特点，本文再利用模糊集隶属度改进均值生成函数的基础上，将其与最优子集回归模型[3]相结合构建预测模型。最优子集回归模型的基本思想是先将均值生成函数序列作为因变量并自由组合，接着将组合后的序列与因变量建立线性回归方程，最后再根据双评分准则从所有的回归方程中筛选出一个数量评分和趋势评分都最高的方程。

3 算例仿真及结果分析

为验证所构建预测模型的有效性及优越性，本文根据山东某地区2015年1月份某一天的负荷数据作为实际算例。首先，将前20h的数据作为预测模型的原始训练样本，然后根据训练结果对后4h的负荷量进行预测。其次，在相同样本数据的基础上，本文同时采用了文献[3]提出的原始均值生函数预测模型进行预测，并将两个模型的预测结果进行了对比，分别采用两种预测模型得到的负荷预测结果如图1和表1所示。

由图1和表1可知，改进后的均值生成函数预测模型的预测精度明显高于普通的均值生成函数预测模型，对实际负荷数据的波动性也进行了较好地拟合，且相对误差控制在一个较低的水平，因此可以应用到实际生产的短期电力负荷预测中。

4 结论

将模糊集隶属度改进的均值生成函数预测模型应用于实际的短期负荷预测具有可行性，预测效果良好。此外，在建立预测模型过程中能够充分利用原始的训练样本，可以不考虑经济、天气等影响因素，操作简便，具有较好的工程实用价值。

参考文献：

[1]陈英慧，商淼，李婷等.基于GA-BP算法的呼和浩特地区短期电力负荷预测[J].山东工业技术，2018（05）：158，170.

[2]魏凤英.现代气候统计诊断与预测技术[M].气象出版社，2007.

[3]窦震海，杨仁刚，焦娇.基于均生函数-最优子集回归模型的短期电力负荷预测方法[J].农业工程学报，2013（14）：178-184.

作者简介：孙涛（1978-），男，山东日照人，本科，工程师，主要从事电力系统负荷预测及设施管理等研究。