基于贝叶斯分类的电网系统短期负荷预测方法

邓智广

（广东电网有限责任公司佛山供电局，广东 佛山 528000）

科学的不断进步带来了各行各业技术的提升，电力行业中，配电网中的设备也在不断地更新换代。配电系统是供电企业中最重要的组成部分，是电网将电向用户输送的桥梁。社会用电需求不断地增加运行负担也在急剧加重，配电网的电网系统短期负荷的各种预测技术也在不断地发展，电网预测的目的是提升电网资产的有效利用率，减少电网在预测过程中的电流损失。可持续发展理念的引入，使电气设备的高速发展与新能源的融合让电网的发展方向产生了一定的改变。不同类型的新能源接入导致电网的负荷在短时间内产生较大的变化，目前电网的抗容能力很难应对能源替代中的短期电流负荷变化，交流配电网需要采用电网系统短期负荷预测的方式，对电网系统短期负荷进行计算，以便满足配电网系统的电负荷变化需求。大数据时代让很多传统行业朝着新的方向发展，电网系统的数据和控制系统变为开放访问的模式，国内外学者开始对电网系统短期负荷预测方法进行研究，基于配电系统的直流电和交流电的不同特征，研究了电网的安全可靠性。文献［1］研究了深度递归神经网络短期负荷预测模型。在深度神经网络多隐层结构的基础上，深度递归神经网络增设了关联层，并以改进粒子群算法作为网络的优化学习算法，对模型权值空间进行深度优化。但是该方法的预测误差大。文献［2］分析了多层融合神经网络模型的预测原理，预测了该预测方式对直流配电网的预测效果，研究了该预测方式的未来发展形式，并对其缺陷提出了未来改进的方式。针对上述问题，提出一种基于贝叶斯分类的电网系统短期负荷预测方法，根据配电网的表征对各类变量进行分类。采用实例数据进行分类器的学习和训练。根据分布式数据的处理原理，将数据分割成若干数据块，分割后的数据采用数据块列表的方式进行储存，从而对电网系统短期负荷进行精准预测。

1 建立电网系统短期负荷预测指标

基于贝叶斯分类的电网系统短期负荷预测方法首先要建立短期负荷预测指标，作为进行预测的标准。预测指标体系的搭建原理如图1所示。

图1 预测指标体系的搭建原理

预测指标体系的搭建过程分为三部分，先进行数据采集，然后将采集后的数据进行数据预处理[3-5]，将异常的数据进行过滤，再利用数据去噪的方式进行去噪，去噪的公式如下：

式（1）中AE（T）就是数据去噪后的数值，t1为原始数据，t2为数据异常，A为去噪的滤波地系数。然后对数据进行负荷数据的统一处理：

式（2）中p为处理后的数据，设n为数据样本，p为样本n在时刻i的短期负荷。经过数据的处理后进行预测指标建立：

表1 短期负荷预测指标

预测指标的建立结果如表1所示，指标分支的评判方法属于概率性映射［6］，因此进行预测模型函数建立的时候也可以采用模糊分布法进行对应。

2 基于贝叶斯分类建立隶属度模型

贝叶斯分类是利用知识表达类型的模型，相比于其他模型来说贝叶斯分类模型的推理能力更加灵活。在预测方法建立中采用随机变量的独立特征方式建立父节点给定的构成规则：

式（3）中p（x）为规则式，x为随机变量，r为节点的取值的组合数量。该规则表达式展现了贝叶斯分类规则联合概率的分布方式［7］。建立基于贝叶斯分类的分类器，采用实例数据进行分类器的学习和训练：

式（4）中α为基于贝叶斯分类的分类器的正则化因子，p（c）为先验的分类概率，反映了样本数据在该模型中的训练效果。

在进行电网系统短期负荷预测的过程中，建立预测指标体系和预测隶属度模型，在数学的角度本质上为根据配电网的表征对各类变量进行分类。在贝叶斯分类器中选择三层的贝叶斯网络，含有唯一的父节点和n个子节点，子节点之间相互独立。为了让输入模型的数据变得更加规则，设计可以对原始数据进行切片的技术［8］，减少模型计算带来多余的资源占用。根据分布式数据的处理原理，将数据分割成若干数据块，分割后的数据采用数据块列表的方式进行储存。

3 实现模型计算数据并行化处理

对数据的切片进行统一化的处理，设置得到数据的切片数量为m个。分片后的数据是负荷数据列向量，为了得到n维的行向量对数据进行转置，维度与切片的时间区间的长度相关。在得到模型计算数据之前要进行数据的合并处理，称为模型计算数据并行化储存。将时间的列向量转置为一个可进行并行化处理的矩阵，矩阵的负荷时间序列采用横行的数据代表，因此矩阵的横行数据为m，转置得到一个n维的行向量，则矩阵属性的数据为n，矩阵的计算结果就是数据分片与维度的乘积。对矩阵中的所有数据进行合并操作，m的长度由n来决定。m×n的矩阵每一行代表一个负荷时间序列，在传统的电网系统短期负荷预测方法中，原始模型预测方法会将矩阵中的m个变量进行整体序列处理，然后在矩阵中输入各影响因素相关的变量，得到的负荷预测值是基于贝叶斯分类器分类进行学习和训练过的。该模型的预测方式分为组合模型预测和单独模型预测，具体使用哪种方式由各个影响因素的特征决定，数据进行并行化处理之后波动和趋势分量的随机性降低了，得到的并行性模态数据的准确性更高，得到最终的预测结果。

4 测试实验

为了验证本文设计方法的可靠性，将基于贝叶斯分类的电网系统短期负荷预测方法与传统的支持向量短期负荷预测方法、模拟组态的短期负荷预测方法进行对比，比较预测方法的效率。

4.1 实验环境搭配

在进行实验之前，首先对实验进行实验环境的搭建：

实验的软硬件配置如表2所示，在实验中进行网络结构的集群的配置，集群的配置是用于两种设备，一个用来进行集群的配置，一个用来进行集群角色的配置。每个集群下设置25～30个节点。slave节点的数量应适应集群。

表2 实验环境软硬件搭配

4.2 实验的数据准备

采用贝叶斯分类的方式对实验数据进行处理，无数据处理的过程如图2所示。

图2 数据处理流程

根据对负荷预测的实验，进行负荷量级的选择。通过选择5个量级，预测次数分别为500、1000、2000、5000和20000。而电网系统短期负荷预测的文件大小分别为15GB、20GB、25GB、30GB和35GB。预测次数和文件大小一一对应，对电网系统短期负荷进行预测，对预测的效益进行验证。

4.3 实验结果

采用本文设计的方法和传统的支持向量短期负荷预测方法、模拟组态的短期负荷预测方法进行预测数据的对比，随机选取某地商业用电的数据进行实验，数据采样的时间间隔为2h，预测误差的平均误差计算公式为：

式（5）中的h为预测误差，y1为预测值，y2为实际值，n为样本的个数。实验结果如图3所示。

图3 实验结果

实验结果显示，本文设计的方法与实际的测量值相比，平均误差值为0.024，是误差值中最小的。与传统的支持向量短期负荷预测方法、模拟组态的短期负荷预测方法相比，数值的曲线也最接近实际曲线，实验结果表明本文设计的预测方法准确性最高。

5 结论

本文采用贝叶斯分类的原理对短期的负荷预测方法进行设计，首先建立电网预测的指标体系，然后预测指标的特征进行模型的建立与计算。这种方法打破了传统的预测方法预测时间长的缺陷，缩短预测时间提升预测效率。并为数据的并行化处理技术提供了发展的依据，对影响因素的分析比较全面。