遺傳模糊算法在短期負(fù)荷預(yù)測中的應(yīng)用

提出了一種基于模糊邏輯原理的負(fù)荷預(yù)測方法，使用遺傳算法對系統(tǒng)參數(shù)進(jìn)行訓(xùn)練。在以往的模糊邏輯系統(tǒng)建立過程中,其主要參數(shù)（如模糊推理規(guī)則和隸屬函數(shù)等）需要依靠運行人員經(jīng)驗或?qū)＜抑R來確定，而本文利用遺傳算法，通過對樣本數(shù)據(jù)的自學(xué)習(xí)過程來獲取系統(tǒng)參數(shù)。在遺傳算法中，將推理規(guī)則與隸屬函數(shù)參數(shù)的確定結(jié)合在一起，從而確定系統(tǒng)參數(shù)的最優(yōu)組合，由此建立起一個較合理的模糊負(fù)荷預(yù)測系統(tǒng)。仿真實驗結(jié)果表明，該方法能夠達(dá)到滿意的預(yù)測精度，具有良好的實用前景。
　　關(guān)鍵詞：短期負(fù)荷預(yù)測；模糊邏輯系統(tǒng)；遺傳算法

APPLICATION OF GENETIC-FUZZY ALGORITHM FOR SHORT TERM LOAD
FORECASTING OF POWER SYSTEM

Xiong Hao ；Luo Ri-cheng


(Electrical Engineering School ,Wuhan University, WuHan 430072, China)

　　ABSTRACT: A novel approach based on fuzzy logic system (FLS) is introduced to short term load forecasting (STLF).Traditional methods to choose membership functions and fuzzy control rules used to be done by means of integrating experience from experts in professional fields and technologic faculty. In this paper, however, a genetic algorithm based approach is developed to optimize parameters of membership functions and fuzzy control rules, simultaneously. And thus, the difficulties in building forecasting system, to some extent, can be disposed. At last, this new system is tested in an actual environment and produces superior results to traditional fuzzy logic short term load forecasting.
　　KEYWORDS: short term load forecasting; fuzzy logic system; genetic algorithm;


0 引言
　　 短期負(fù)荷預(yù)測是能量管理系統(tǒng)（EMS）的重要組成部分，也是確定機(jī)組組合、地區(qū)間功率輸送方案和負(fù)荷調(diào)度方案不可或缺的重要一環(huán)。由于負(fù)荷變化與許多因素有關(guān)，且各種因素之間相互牽連，很難確定每一種因素對預(yù)測值到底有多大的影響，因此，應(yīng)用經(jīng)典數(shù)學(xué)方法難以清楚地描述問題的內(nèi)部機(jī)制，問題變得更加復(fù)雜。
　　 早期的負(fù)荷預(yù)測主要是運用回歸技術(shù)和時間序列法，但多為線性模型，不足以準(zhǔn)確的描述電力系統(tǒng)負(fù)荷變化的非線性特性[1]。而近年來，人工神經(jīng)網(wǎng)絡(luò)（ANN）運用于負(fù)荷預(yù)測的思想備受青睞。該算法具有很強(qiáng)的魯棒性、記憶能力、非線性映射能力以及強(qiáng)大的自學(xué)習(xí)能力，因而能夠迅速地擬和出負(fù)荷變化曲線。然而卻存在著收斂速度慢和容易陷入局部收斂等缺點，并且難以結(jié)合調(diào)度人員經(jīng)驗中存在的模糊知識，而這一模糊知識卻又是極具價值的。
　　 模糊邏輯原理適合描述廣泛存在的不確定性，同時具有強(qiáng)大的非線性映射能力。已經(jīng)證明模糊邏輯系統(tǒng)可以作為通用的模糊逼近器以任意精度逼近一個非線性函數(shù),并且能夠從大量的數(shù)據(jù)中提取它們的相似性，這些特點正是進(jìn)行短期負(fù)荷預(yù)測所需要的或是其他方法所欠缺的優(yōu)勢所在[2]。上世紀(jì)九十年代初，國內(nèi)外許多學(xué)者已經(jīng)開始探索模糊邏輯原理在電力系統(tǒng)負(fù)荷預(yù)測中的運用[2][3][4]，某些機(jī)構(gòu)還將這一理論運用于實際系統(tǒng)[5]。然而，在眾多的研究中，對于模糊推理規(guī)則和隸屬函數(shù)的選取仍然依賴于專家知識和運行人員的經(jīng)驗，甚至在預(yù)測中需要運行人員參與其中[5]。這種建模方式需要工作人員對模糊系統(tǒng)的相關(guān)參數(shù)進(jìn)行定期地離線修訂，系統(tǒng)建立耗時費力，且更新緩慢。本文結(jié)合模糊數(shù)學(xué)理論和短期負(fù)荷預(yù)測研究的最新成果，利用在求解組合優(yōu)化問題中具有優(yōu)良特性的遺傳算法來確定模糊邏輯系統(tǒng)的相關(guān)參數(shù)，從而較為迅速地構(gòu)建出一套基于模糊邏輯原理的負(fù)荷預(yù)測系統(tǒng)。以期進(jìn)一步挖掘模糊邏輯系統(tǒng)在負(fù)荷預(yù)測應(yīng)用中的強(qiáng)大生命力。

1 遺傳算法在模糊邏輯系統(tǒng)中的應(yīng)用
　　 一般來說，模糊邏輯系統(tǒng)的設(shè)計中最棘手的問題主要是以下兩個：其一為隸屬函數(shù)個數(shù)、形狀的確定及其坐標(biāo)位置的調(diào)節(jié)；其二是模糊規(guī)則的確定，如果在推理句式已經(jīng)固定的情況下，該問題又可細(xì)化為對各個模糊條件語句推理結(jié)果（后件模糊詞）的選取。兩部分內(nèi)容互為依賴，相輔相成。已經(jīng)有許多學(xué)者提出了許多有益的思想對這兩問題分別進(jìn)行改進(jìn)，然而由于隸屬函數(shù)與模糊規(guī)則具有高度的依賴性，最優(yōu)模糊邏輯系統(tǒng)的建立取決于兩方面的有機(jī)結(jié)合，孤立地研究單方面因素的優(yōu)化往往只能得出問題的次優(yōu)解，難以在全局上把握問題的實質(zhì)。事實上，隸屬函數(shù)參數(shù)的調(diào)節(jié)與模糊推理語句中待定模糊詞的選取可以看作是一個多參數(shù)組合優(yōu)化問題。而遺傳算法非常適合于解決組合優(yōu)化問題，它具有隱含的并行特性和全局搜索能力，可以很好地對隸屬函數(shù)和模糊規(guī)則進(jìn)行綜合尋優(yōu)。
　　設(shè)樣本集合的輸入量為X={x1,x2,…,xN},其中xj(j=1,2,…,N}為n維輸入向量，樣本集合的輸出量為Y={y1,y2,…,yN},樣本集合的輸入X對應(yīng)的模糊邏輯系統(tǒng)的輸出為

　　圖1表示了基于遺傳算法的模糊邏輯系統(tǒng)的訓(xùn)練過程。設(shè)種群規(guī)模為K，每一次迭代所產(chǎn)生的染色體為lj(j=1,2,...K)。在適應(yīng)度計算模塊中，首先對每次新產(chǎn)生得染色體lj進(jìn)行解碼，還原成其所確定的模糊邏輯系統(tǒng)Lj。然后將樣本集合的輸入
集合的輸出量Y進(jìn)行統(tǒng)計處理，抽取誤差平方和作為分析指標(biāo)，即染色體lj對應(yīng)的統(tǒng)計量作為其目標(biāo)函數(shù)，如式（1）：
　
　　其中，Cmax為一給定值。選取f*為系統(tǒng)的最優(yōu)適應(yīng)值，當(dāng)循環(huán)迭代出現(xiàn)期望的適應(yīng)值fo(fo≥f*)時，迭代終止，由此確定最優(yōu)模糊邏輯系統(tǒng)。

2 模糊負(fù)荷預(yù)測系統(tǒng)的參數(shù)選取
　　該系統(tǒng)的工作過程分為兩個階段：訓(xùn)練階段和預(yù)測階段。訓(xùn)練階段是將已知的歷史負(fù)荷資料作為評價指標(biāo)，利用遺傳算法對模糊邏輯系統(tǒng)的參數(shù)進(jìn)行選擇，這一階段可以看作是一個對人類經(jīng)驗（備選解群）進(jìn)行計算機(jī)總結(jié)進(jìn)而尋找出最優(yōu)模糊邏輯系統(tǒng)的過程。預(yù)測階段即系統(tǒng)的實際應(yīng)用階段，將預(yù)測日的相關(guān)因素輸入預(yù)測系統(tǒng)，得出預(yù)測結(jié)果。
　　 本文設(shè)計的模糊負(fù)荷預(yù)測系統(tǒng)共分為24個獨立的小系統(tǒng)，每個小系統(tǒng)針對24個不同的時刻，對樣本數(shù)據(jù)分區(qū)處理。而在對預(yù)測日負(fù)荷進(jìn)行集中預(yù)測。