基于模糊时间序列的短期电力负荷预测

【摘要】本文利用时变模糊时间序列模型预测未来一小时的负荷，给出了一种短期电力负荷预测新方法。同时，分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测，克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点，消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。

【关键词】电力负荷预测；模糊时间序列；时间序列

1.引言

短期负荷预测是电力系统调度中一项非常重要的内容，是保证电力系统安全经济运行和实现电网科学管理及调度的重要依据，其预测精度直接影响电力系统的经济效益。提高电力系统负荷预测的精度，可以提高电网运行的安全性和经济性并提高电能质量。

目前，短期负荷预测常用的方法很多，主要分为人工智能方法[1][2]和统计方法[3][4]两大类。在统计方法中时间序列方法是应用较为广泛的方法，由于传统的时间序列方法在建立负荷与某因素（如时间）的显式函数关系时，需要准确的统计数据。而实际的负荷统计数据中含有大量的模糊和不确定性，采用传统的时间序列方法有时无法达到预定的预测精度。Zadeh创立的以隶属函数为特征模糊集合论，从根本上改变了传统的数学理论那种事物间绝对的是与非和属于与不属于的关系。采用隶属函数表示程度上属于或是某类事物，这种描述与客观实际更为接近。在模糊理论的基础上，Song和Chissom给出模糊时间序列的定义，同时应用于学校注册学生数的预测[9][10]。Chen和Huang给出了双因子的模糊时间序列模型，应用于气温的预测[11]。Huang应用模糊时间序列对游客量进行了预测[12]，取得了较好的预测效果。

本文首先对历史的电力负荷数据进行模糊处理，建立了相应的时变模糊时间序列模型。然后采用模糊时间序列模型预测未来一小时的电力负荷。同时讨论了论述域集区间长度和预测窗口对预测精度的影响。采用模糊时间序列模型进行电力负荷预测，克服了传统时间序列在建立离散的递推模型时需要准确的数据的缺点，消除了病态数据对模型的影响。利用山东某电网的数据进行数据仿真取得了较高的预测精度。

2.模糊时间序列

定义1：令是论述域集上的一个子集，且模糊集合定义在论述域集上。令是的集合，则被称为上的模糊时间序列。

定义2：假设是一个模糊时间序列，且存在一个关系，使得，其中“”是一个合成运算子（composition operator），则表示是由所产生的。把这个关系记为。

定义3：假设是一个模糊时间序列，在任何时刻，如果，则称模糊时间序列为时不变模糊时间序列。如果是时刻的函数，则称模糊时间序列为时变模糊时间序列。

从以上的定义我们可以看出，模糊时间序列和传统的时间序列的区别在于：传统的时间序列是由精确数组成的，数据对模型的影响很大；而模糊时间序列是由相应的模糊集合构成，因此模糊时间序列就很好的包涵了数据中的不确定性，减小了建立模型时不准确数据对模型准确性的影响。

得到关系矩阵，就可以通过（2）和历史负荷数据预测未来一小时的负荷所在的模糊区间。

步骤5：反模糊化处理预测模糊区间数据。可以按照以下原则对预测数据进行精确化：

Case1：如果预测模糊区间中只有一个非零的隶属函数值，取此隶属函数值所对应模糊区间的中值作为预测值。

Case2：如果预测区间有多个非零的隶属度函数值，则取这多个值所对应的模糊区间中值的平均值作为预测值。

Case3：如果预测模糊区间的隶属度函数值全为零，则取上一个时刻的负荷作为预测值。

4.仿真实例

5.结论

由于历史负荷数据中含有大量的模糊和不确定性因素，本文采用时变模糊时间序列模型进行电力负荷预测，给出了一种预测未来一小时负荷的预测方法。讨论了模糊时间序列模型不同模糊区间长度和预测窗口对预测精度的影响。对山东省某电网2011年4月2日和4月3日的负荷进行仿真研究，其中一天中的最大误差为1.9%，日平均最大误差为0.92%，表明该方法有较高的预测精度。

参考文献

[1]S.Rahman and O.Hazim，“A generalized knowledge-based short-term load-forecasting technique，”IEEE Trans.Power Syst，vol.8，no.2，pp.508-514，1993.

[2]J.W.Taylor and R.Buizza，“Neural network load forecasting with weather ensemble predictions，”IEEE Trans.Power Syst.，vol.17，no.3，pp.626-632，2002.

[3]S.Ruzic，A.Vuckovic，and N.Nikolic，“Weather sensitive method for short term load forecasting in electric power utility of Serbia，”IEEE Trans.Power Syst.，vol.18，no.4，pp.1581-1586，2003.

[4]S.J.Huang and K.R.Shih，“Short-term load forecasting via ARMA model identification including non-Gaussian process considerations，”IEEE Trans.Power Syst.，vol.18， no.2，pp.673-679，2003.

[5]H.Tanaka，S.Uejima，and K.Asai，“Linear regression analysis with fuzzy model，”IEEE Trans.Syst.Man Cybern.，vol.12，pp.1291-1294，1982.

[6]H.Tanaka，Fuzzy data analysis by possibility linear models，Fuzzy Sets Syst，vol.24 ，pp.363-375，1987.

[7]H.Tanaka，H.Ishibuchi，Possibility regression analysis based on linear programming，in：J.Kacprzyk，M.Fedrizzi（Eds.），Fuzzy Regression Analysis Physica，Verlag，Heidelberg，1992，pp.47-60.

[8]J.Watada，Fuzzy time series analysis and forecasting of sales volume，in：J.Kacprzyk，M.Fedrizzi（Eds.），Fuzzy Regression Analysis，Physica，Verlag，Heidelberg，1992，pp.211-227.

[9]Q.Song，B.S.Chissom，Forecasting enrollments with fuzzy time series-Part 1，Fuzzy Sets Syst，vol，54 pp，1-9，1993.

[10]Q.Song，B.S.Chissom，Forecasting enrollments with fuzzy time series-Part 2，Fuzzy Sets Syst，vol，62 pp，1-8，1994.

[11]S.-M.Chen，J.R.Hwang，Temperature prediction using fuzzy time series，IEEE Trans.Syst.Man Cybern.Part B，vol，30（2），pp，263-275，2000.

[12]Ch.H.Wang.Predicting tourism demand using fuzzy time series and hybrid grey theory.Tourism Management， vol.25 pp367-374，2004.

作者简介：

刘猛洪（1976―），男，山东济宁人，硕士，讲师，济宁职业技术学院教务处实践教学科科长，主要研究方向：汽车电子控制技术，汽车空调制冷系统的改进和优化。

汪爱丽（1980―），女，硕士，现供职于济宁职业技术学院汽车工程系。