層多級(jí)指標(biāo)模型:將氣象因素作為第三級(jí)指標(biāo)，對(duì)負(fù)荷進(jìn)一步進(jìn)行分類;所述氣 象因素包括日天氣類型（晴，多云，陰，雨，雪），溫度(最高溫度，最低溫度，平均溫度），風(fēng)速， 濕度;按氣象指標(biāo)進(jìn)行分類時(shí)，需綜合考慮日天氣類型，溫度，風(fēng)速和濕度等表征天氣特征 的參量;對(duì)于直接量化的指標(biāo)，溫度，風(fēng)速和濕度，能夠都采取線性映射或分段映射； 具體包括以下步驟： 步驟1:提取第三級(jí)指標(biāo)負(fù)荷分類的特征量，根據(jù)相關(guān)系數(shù)法分析影響負(fù)荷的相關(guān)因 素；其中，R為相關(guān)系數(shù)；COV 〇，￥)為乂和￥的協(xié)方差 分別為X和Y均方 差； 步驟2:建立定性指標(biāo)和定量指標(biāo)的打分標(biāo)準(zhǔn)，利用隸屬度函數(shù)得到第三級(jí)指標(biāo)各個(gè)特 征量的分值;分值越大表明該特征量使負(fù)荷量越大;具體包括以下子步驟： 步驟2.1:根據(jù)步驟1獲得第三級(jí)指標(biāo)中影響負(fù)荷量的相關(guān)因素，其中分別有定性指標(biāo) 和定量指標(biāo)，定性指標(biāo)為天氣類型；定量指標(biāo)有日最高溫度，日最低溫度，日平均溫度，風(fēng) 速，濕度;定性指標(biāo)直接進(jìn)行打分，定量指標(biāo)利用隸屬度函數(shù)進(jìn)行打分； 步驟2.2:將定性指標(biāo)，即天氣類型分值劃分為五個(gè)區(qū)間，分別為[0，&1]，[&1， &2]，[&2， a3]，[a3，a4]，[a4，100]，分別代表負(fù)荷量小，較小，一般，較多，多；取區(qū)間相應(yīng)均值作為落 入該區(qū)間的天氣類型的分值，即其中cmin、cmax分別為相應(yīng)區(qū)間的邊界值，Exi為對(duì)應(yīng)天氣類型下的分值，a 1，a2，a3，a4均 為相應(yīng)天氣類型下取值區(qū)間的邊界值，邊界值求取方法如下所述； 定性指標(biāo)打分標(biāo)準(zhǔn)為依據(jù)歷史負(fù)荷相關(guān)數(shù)據(jù)，在其他各種指標(biāo)大致相同情況下，分別 計(jì)算晴天、多云、陰天、雨天、雪天歷史負(fù)荷量，取出最小負(fù)荷值，分別用其他天氣類型下的 負(fù)荷值與最小負(fù)荷值相除，得出相應(yīng)比值;按照比值從小到大，分別將相應(yīng)的天氣類型歸入 上述五個(gè)取值區(qū)間，并根據(jù)比值確定相應(yīng)的各個(gè)區(qū)間邊界值； 步驟2.3:對(duì)定量指標(biāo)，建立相應(yīng)隸屬度函數(shù)，利用隸屬度函數(shù)進(jìn)行打分;建立隸屬函數(shù) 即建立一個(gè)從論域到[〇，1]上的映射，來(lái)反映某對(duì)象具有某種模糊性質(zhì)或?qū)儆谀硞€(gè)模糊概 念的程度;具體的程度值大小即為隸屬度;將隸屬函數(shù)分成成本型、效益型和適中型三種； 即相應(yīng)的三級(jí)指標(biāo)特征量和負(fù)荷量分別成反比、正比和區(qū)間類型；確定四個(gè)典型評(píng)分點(diǎn) (dl，20)、（d2,40)、（d3,60)、（d4,80)并以曲線的首末點(diǎn)為評(píng)分值等于0和100的點(diǎn)；依據(jù)這 六個(gè)典型點(diǎn)，即可確定對(duì)應(yīng)于該指標(biāo)的隸屬函數(shù)，即指標(biāo)評(píng)分標(biāo)準(zhǔn)函數(shù);針對(duì)每一個(gè)定量指 標(biāo)，具體評(píng)分標(biāo)準(zhǔn)包括以下子步驟： 步驟2.3.1:日最高溫度，日最低溫度，日平均溫度三個(gè)定量指標(biāo)對(duì)負(fù)荷量的影響是相 同的，且溫度對(duì)負(fù)荷呈現(xiàn)正向影響的關(guān)系;根據(jù)當(dāng)?shù)氐貐^(qū)氣溫區(qū)間的劃分，低溫區(qū)間和高溫 區(qū)間隨著溫度的變化隸屬度函數(shù)取值變化較大，在常溫區(qū)間，隨著溫度的變化隸屬度函數(shù) 取值變化較為平緩;再基于步驟3.3確定6個(gè)打分點(diǎn)，相鄰兩個(gè)打分點(diǎn)之間呈線性變化，即可 構(gòu)造出溫度指標(biāo)的打分函數(shù)； 步驟2.3.2:風(fēng)速與溫度對(duì)負(fù)荷的影響相同，也呈現(xiàn)正向影響關(guān)系，根據(jù)溫度指標(biāo)的打 分方法，對(duì)風(fēng)速制定相同的打分標(biāo)準(zhǔn)； 步驟2.3.3:濕度對(duì)負(fù)荷呈現(xiàn)反向影響的關(guān)系，濕度低時(shí)負(fù)荷高，濕度高時(shí)負(fù)荷低;根據(jù) 步驟2.3.1和2.3.2相同的處理方式構(gòu)造濕度的打分函數(shù)； 步驟3:根據(jù)第三級(jí)指標(biāo)各個(gè)特征量的重要性利用層次分析法求取各個(gè)特征量的權(quán)值， 基于權(quán)值和各個(gè)特征量的分值求和得出某日負(fù)荷獲得的總分； 步驟3.1:三級(jí)指標(biāo)包括天氣類型、溫度、風(fēng)速、濕度;利用相關(guān)系數(shù)法求得各指標(biāo)對(duì)負(fù) 荷的相關(guān)程度，依據(jù)相關(guān)程度列寫判斷矩陣，即對(duì)三級(jí)指標(biāo)中的兩兩元素進(jìn)行比較，建立一 個(gè)矩陣表，矩陣的行和列按順序依次為日天氣類型、日最高溫度、日最低溫度、日平均溫度、 風(fēng)速、濕度，將以上各個(gè)特征量分別標(biāo)號(hào)為1，2,3,4,5,6;記(^為矩陣的元素，如(： 15表示日 天氣類型和風(fēng)速兩個(gè)特征量進(jìn)行比較后取值； 矩陣C具有如下性質(zhì)： (1) cij>0 (2) cij=l/ Cji(i:7zi=j) (3) cii=l(i，j = l，2,…，η) 步驟3.2:為了使判斷矩陣定量化，形成數(shù)值判斷矩陣，基于一種常用的1~9標(biāo)度方法， 將判斷定量化;具體定量方法描述為:標(biāo)度為1時(shí)，表示兩元素相比，具有同樣的重要性;標(biāo) 度為3時(shí)，表示兩元素相比，前者比后者稍重要;標(biāo)度為5時(shí)，表示兩元素相比，前者比后者明 顯重要;標(biāo)度為7時(shí)，表示兩元素相比，前者比后者強(qiáng)烈重要;標(biāo)度為9時(shí)，表示兩元素相比， 前者比后者極端重要;標(biāo)度為2,4,6,8時(shí)，表示上述相鄰判斷的中間值;若元素i與j重要性 之比為cij，則元素j與i重要性之比為 Cji=l/cij; 根據(jù)表格1~9標(biāo)度方法確定步驟4.1中判斷矩陣各個(gè)元素的值，相應(yīng)特征量的權(quán)重利 用下述公式求取：式中i代表第i個(gè)三級(jí)指標(biāo)，Wi為第i個(gè)指標(biāo)的權(quán)值； 步驟4:基于云模型，求取加權(quán)綜合云的云重心向量，并計(jì)算加權(quán)偏離度，畫出云圖，通 過(guò)云圖對(duì)負(fù)荷進(jìn)行分類;具體包括以下子步驟： 步驟4.1 :m個(gè)指標(biāo)所反映的系統(tǒng)狀態(tài)可用1個(gè)m維綜合云來(lái)表示；當(dāng)m個(gè)性能指標(biāo)發(fā)生變 化時(shí)，該m維綜合云的形狀亦發(fā)生變化，云重心也會(huì)隨之改變;m維綜合云的重心T用m維向量 表不： T=(Ti,T2,---,Tm)=aXb 式四 其中：Ti = aiXbi，a為云重心的位置向量，即每個(gè)指標(biāo)的分值，b為云重心的高度向量， 即每個(gè)指標(biāo)的權(quán)重值； 步驟4.2:在理想狀態(tài)下，m維綜合云重心位置向量a = (Ει，E2，…，Em)，云重心高度向量b ^^^…上丄則理想狀態(tài)下云重心向量為尸二似廠二^~匕…上^對(duì)云重心向量 進(jìn)行歸一化，得到一組向量：，…，2；f )，其中：經(jīng)過(guò)歸一化之后，表征系統(tǒng)狀態(tài)的綜合云重心向量均為有大小、有方向、無(wú)量綱的值； 把各指標(biāo)歸一化后的向量值乘以權(quán)重值，然后再相加，得到加權(quán)偏離度Θ的值；其中：0< Θ < 1，Wj為第j個(gè)單項(xiàng)指標(biāo)的歸一化權(quán)重值;根據(jù)求得的綜合云重心加權(quán)偏離 度，得到云圖； 步驟5:求取預(yù)測(cè)日在相應(yīng)的一級(jí)指標(biāo)和二級(jí)指標(biāo)下按特征量獲得的分值，并求取預(yù)測(cè) 日三級(jí)指標(biāo)的加權(quán)偏離度，畫出云圖，根據(jù)步驟4.2中的云圖，求取與預(yù)測(cè)日云圖分布最為 接近的η個(gè)數(shù)據(jù)樣本作為預(yù)測(cè)日的訓(xùn)練數(shù)據(jù)； 步驟6:利用灰色模型和bp神經(jīng)網(wǎng)絡(luò)，將負(fù)荷所屬類別的負(fù)荷數(shù)據(jù)作為原始數(shù)據(jù)樣本， 對(duì)預(yù)測(cè)日的負(fù)荷進(jìn)行預(yù)測(cè);具體包括以下子步驟： 步驟6.1:通過(guò)上述步驟1至步驟5求取預(yù)測(cè)日所屬類別，提取該類數(shù)據(jù)中，與預(yù)測(cè)日相 似度最大的η組數(shù)據(jù)，共n+1組數(shù)據(jù)，利用前η組數(shù)據(jù)作為原始數(shù)據(jù)，利用灰色模型建立擬合 曲線，分別求取該η組數(shù)據(jù)的預(yù)測(cè)值和預(yù)測(cè)日的預(yù)測(cè)值； 步驟6.2:利用灰色模型獲得初步預(yù)測(cè)值，將η組原始數(shù)據(jù)的灰色預(yù)測(cè)值作為神經(jīng)網(wǎng)絡(luò) 的輸入量，同時(shí)將相應(yīng)日的加權(quán)偏離度作為神經(jīng)網(wǎng)絡(luò)的輸入量，以負(fù)荷的實(shí)際值作為輸出 量對(duì)ΒΡ神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；以灰色預(yù)測(cè)模型獲得的預(yù)測(cè)日初步預(yù)測(cè)值作為測(cè)試樣本，輸入 已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，即可獲得相應(yīng)預(yù)測(cè)日的負(fù)荷預(yù)測(cè)值。2.根據(jù)權(quán)利要求1所述的一種基于云模型的短期負(fù)荷預(yù)測(cè)方法，其特征在于： 步驟2中，將各種定性和定量指標(biāo)通過(guò)標(biāo)量化手段轉(zhuǎn)化為規(guī)范化的定量數(shù)據(jù);其中定性 指標(biāo)采用百分制進(jìn)行標(biāo)定;對(duì)于定量指標(biāo)，采用建立隸屬度函數(shù)的方法得到規(guī)范化定量數(shù) 據(jù);利用分值的大小反映負(fù)荷量的多少，通過(guò)統(tǒng)一的規(guī)范化分值對(duì)負(fù)荷進(jìn)行分類。
【專利摘要】本發(fā)明涉及一種基于云模型的短期負(fù)荷預(yù)測(cè)方法，首先基于季節(jié)，日類型和氣象因素建立一個(gè)三層分類模型，通過(guò)相關(guān)系數(shù)法提取第三級(jí)指標(biāo)，即氣象因素影響負(fù)荷大小的特征量，根據(jù)特征量對(duì)負(fù)荷影響的機(jī)理不同制定相應(yīng)打分標(biāo)準(zhǔn)，利用隸屬度函數(shù)得到各個(gè)三級(jí)指標(biāo)的分值，其中分值越大表明該指標(biāo)使得負(fù)荷量越大。然后根據(jù)各個(gè)指標(biāo)的重要性利用層次分析法求取各個(gè)指標(biāo)的權(quán)值，并基于云模型，求取加權(quán)偏離度，繪制云圖，通過(guò)云圖對(duì)負(fù)荷進(jìn)行分類。最后求取預(yù)測(cè)日按特征量獲得的分值，根據(jù)負(fù)荷分類，將其歸入所屬類別，基于bp神經(jīng)網(wǎng)絡(luò)，利用負(fù)荷所屬類別的負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本，對(duì)預(yù)測(cè)日的負(fù)荷進(jìn)行預(yù)測(cè)。本發(fā)明具有較高的分類識(shí)別準(zhǔn)確性，有較強(qiáng)的適應(yīng)性。
【IPC分類】G06Q10/04, G06Q50/06, G06N3/08
【公開號(hào)】CN105678406
【申請(qǐng)?zhí)枴緾N201511026277
【發(fā)明人】夏懷民, 周想凌, 楊軍, 王新普, 邢杰, 邱丹, 劉焱, 郝婉夢(mèng), 陳杰軍, 李揚(yáng)
【申請(qǐng)人】國(guó)網(wǎng)湖北省電力公司, 湖北華中電力科技開發(fā)有限責(zé)任公司, 武漢大學(xué)
【公開日】2016年6月15日
【申請(qǐng)日】2015年12月31日