高渗透率下分布式决策的负荷预测模型

第３８卷第５期　２０１６年１Ｏ月　黑龙江电力　Ｖｏ１．３８　Ｎｏ．５　Ｏｃｔ．２０１６　Ｈｅｉｌｏｎｇｊｉａｎｇ　Ｅｌｅｃｔｉｒｃ　Ｐｏｗｅｒ　高渗透率下分布式决策的负荷预测模型　郭国栋　（天津科技大学，天津３００２２２）　摘要：为提高分布式新能源在电网中的渗透率和寻找有效的负荷预测方法，提出一种基于动态贝叶斯网络的分布式决策模　型，对电网负荷进行精确预测，即先用分类器按照负荷性质将大电网进行聚类划分，通过考虑影响负荷的各类因素以及这些　因素之间的关系，对各个分布式网络进行动态贝叶斯网络建模，然后用贝叶斯优化的方法以及转移网络对模型进行优化，再　用决策网络对其进行总体预测。最后，通过实际算例计算、分析结果表明，这种方法在渗透率小的一般预测时，具有较高的精　度，且学习时间短，适合在线预测。　关键词：动态贝叶斯；分布式；负荷预测；决策网络；渗透率　中图分类号：ＴＰ３９３　文献标志码：Ａ　文章编号：２０９５—６８４３（２０１６）０５—０４３２—０７　Ｌｏａｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｄｉｓｔｒｉｂｕｔｅｄ　ｄｅｃｉｓｉｏｎ—－ｍａｋｉｎｇ　ｗｉｔｈ　ｈｉｇｈ　ｐｅｎｅｔｒａｔｉｏｎ　ＧＵ０　Ｇｕｏｄｏｎｇ　（Ｔｉａｎｊｉｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ　３００２２２，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｅｎｈａｎｃｅ　ｔｈｅ　ｐｅｎｅｔｒａｔｉｏｎ　ｒａｔｅ　ｏｆ　ｄｉｓｔｉｒｂｕｔｅｄ　ｎｅｗ　ｅｎｅｒｇｙ　ｉｎ　ｔｈｅ　ｇｒｉｄ　ａｎｄ　ｔｏ　ｆｉｎｄ　ｔｈｅ　ｅｆｆｅｃｔｉｖｅ　ｗａｙ　ｔｏ　ｆｏｒｅｃａｓｔ　ｌｏａｄ，ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｄ　ｔｈｅ　ｄｉｓｔｉｒｂｕｔｅｄ　ｄｅｃｉｓｉｏｎ—ｍａｋｉｎｇ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ　ｔｏ　ａｃｃｕｒａｔｅｌｙ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｌｏａｄ　ｏｎ　ｔｈｅ　ｇｒｉｄ．Ｉｔ　ｉｓ　ａ　ｍｅｔｈｏｄ　ｔｈａｔ　ｉｆｒｓｔｌｙ　ｕｓｅｓ　ｔｈｅ　ｃｌａｓｓｉｆｉｅｒ　ｔｏ　ｄｉｖｉｄｅ　ａｎｄ　ｃｌｕｓｔｅｒ　ｔｈｅ　ｌａｒｇｅ　ｇｒｉｄ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｎａｔｕｒｅ　ｏｆ　ｔｈｅ　ｌｏａｄ．Ｔｈｅｎ　ｂｙ　ｃｏｎｓｉｄｅｒｉｎｇ　ａｌｌ　ｋｉｎｄｓ　ｏｆ　ｆａｃｔｏｒｓ　ｔｈａｔ　ｉｎｆｌｕｅｎｃｅ　ｔｈｅ　ｌｏａｄ　ａｎｄ　ｔｈｅ　ｔｈｅ　ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｔｈｅｓｅ　ｆａｃｔｏｒｓ，ｉｔ　ｅｓｔａｂｌｉｓｈｅｓ　ｔｈｅ　ｍｏｄｅｌ　ｏｆ　ｄｉｓｔｒｉｂｕｔｅｄ　ｎｅｔｗｏｒｋｓ　ｂｙ　ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ，　ｏｐｔｉｍｉｚｅｓ　ｔｈｅ　ｍｏｄｅｌ　ｂｙ　ｔｈｅ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　Ｂａｙｅｓｉａｎ　ｍｅｔｈｏｄ　ａｎｄ　ｔｈｅ　ｔｒａｎｓｆｅｒ　ｎｅｔｗｏｒｋ，ａｎｄ　ｆｏｒｅｃａｓｔｓ　ｔｈｅ　ｏｖｅｒａｌｌ　ｌｏａｄ　ｂｙ　ｄｅｃｉｓｉｏｎ—ｍａｋｉｎｇ　ｎｅｔｗｏｒｋ．Ｆｉｎａｌｌｙ，ｔｈｅ　ｃａｌｃｕｌａｔｉｏｎ　ａｎｄ　ｔｈｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｔｈｅ　ｅｘａｍｐｌｅ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｉｓ　ｍｅｔｈｏｄ，ｏｆ　ｗｈｉｃｈ　ｔｈｅ　ｌｅａｒｎｉｎｇ　ｔｉｍｅ　ｉｓ　ｓｈｏｒｔ，ｉｓ　ｅｆｆｅｃｔｉｖｅ　ａｎｄ　ａｃｃｕｒａｔｅ　ｉｎ　ｔｈｅ　ｓｙｓｔｅｍ　ｗｉｔｈ　ｓｍａｌｌ　ｐｅｎｅｔｒａｔｉｏｎ　ａｎｄ，ｗｈｉｃｈ　ｉｓ　ｓｕｉｔ—　ａｂｌｅ　ｆｏｒ　ｏｎ—ｌｉｎｅ　ｌｏａｄ　ｆｏｒｅｃａｓｔｉｎｇ．　Ｋｅｙ　ｗｏｒｄｓ：ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ；ｄｉｓｔｉｒｂｕｔｅｄ；ｌｏａｄ　ｆｏｒｅｃａｓｔｉｎｇ；ｄｅｃｉｓｉｏｎ—ｍａｋｉｎｇ　ｎｅｔｗｏｒｋ；ｐｅｎｅｔｒａｔｉｏｎ　智能电网是新型现代化电网，可以最大限度接　纳清洁能源，实现低碳绿色生活，提高电网安全稳　定性…。在这个框架下，随着大规模可再生能源　对大规模训练样本难以实施且存在分类问题，神经　网络算法收敛速度慢且容易失败，灰色模型误差偏　大。然而贝叶斯网络（Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ，ＢＮ）为分　布式电网负荷预测提供了一种可行的方法。ＢＮ理　的并网，其对电网的渗透率不断提高，分布式电源　输出功率的波动也会在电网系统的安全性与经济　性上产生重大影响＿２　Ｊ。精准的电力负荷预测可以　有效保障电力系统的安全，并且经济合理地安排　电力发电系统的启停　Ｊ，最大程度地利用可再生　能源　］。　论是采用概率理论在网络节点上进行概率推理，可　以由一些已知节点的概率推算出另外一些节点的　概率。动态贝叶斯网络（ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ，　传统的负荷预测算法包括ＳＶＭ预测算法　６　Ｊ、　ＤＢＮ）在普通的贝叶斯网络基础上加入了时间信　息，把原来的静态贝叶斯网络与时间信息结合，形　成具有处理时序数据的随机模型。在分布式新能　源发电负荷并网的电力系统中，风能发电的功率与　神经网络算法ｐ　Ｊ、灰色模型预测方法　Ｊ。ＳＶＭ算法　收稿日期：２０１６—０４—１２。　某一时刻的风速、风向有关，光伏发电的输出功率　与太阳辐射度、环境因素有关，而一般情况下的负　荷预测与天气因素（最高温度、最低温度、降雨量　作者简介：郭国栋（１９９５一），男，研究方向为电力系统及自动化。　第５期　郭国栋：高渗透率下分布式决策的负荷预测模型　等）和可中断负荷因素有关。这些因素都是随机　的，且同一时刻不同因素之间与不同时刻同一因素　之间是相互影响的。基于此，本文根据电网中电源　性质的相近性利用构造贝叶斯网络分类器的方法　对整个电力系统网络进行划分，分析影响每个小网　络负荷因素之间的关系，构造动态贝叶斯预测模　型，然后探讨电网总负荷与各个子电网负荷之间的　关系，从而对整个电力网络进行精准预测，最后通　过算例计算、分析结果验证其正确性。　１电力网络的划分　１．１根据负荷性质划分　因为分布式电源的渗透率不断提高　，对电　网来说是一个不可控源，所以在实际应用中将分布　式电源结合在微网中去。微网一般通过单点接人　电网，在电网端被视作可控发电源或负荷，微网可　以并人电网或在孤岛模式下运行，同一微网地理位　置相近，条件也比较相似，往往可以根据性质　划　分为一类电网。在电网中，商业用电、居民用电、工　厂用电是不同性质的用电，体现为不同的负荷特　性，因此在电网划分中也可以划分为几块电网。　１．２　Ｍｕｌｔｉ　Ａｇｅｎｔ技术的借鉴　划分好的电网与上级电网之间是一个分散式　的控制（如微网与上级电网之间），Ｍｕｌｔｉ　Ａｇｅｎｔ技术　是将一个大的系统划分为几个小的系统，整个系统　的预测任务可以由几个小的系统相互协作完成，并　具有以下几个方面的优势：　１）多代理技术符合电力系统分布化的趋势，能　够达到分布电源精确预测的目的。　２）除了预测之外，这种划分方式的应用有利于　上级电网与下级电网以及下级电网之间的协调　控制。　３）通过这种划分可以找到影响负荷的主要因　素，有利于制定滚动计划或调峰计划６　４）多代理系统可以加强下级电网对上级电网　的支撑，改善预测结构。借鉴多代理系统的结构，　可以根据电网负荷性质的相似性构造贝叶斯网络　分类器对整个电网进行划分。　１．３贝叶斯分类器的构造　贝叶斯分类实现的核心方法是构造贝叶斯网　络。其主要思想是：在给定的待分样本的条件下计　算类别的后验概率，确定每个小部分的后验概率。　］／ｘ　ｒ　：　式中：　［ｔ］＝｛　。［ｔ］，Ｘ２［ｔ］，…，　［　］｝为在ｔ时刻属　性变量的集合，０≤　≤Ｔ，而　ｔ］＝｛　。［ｔ］，　：［　］，…，　［　］｝是来描述ｎ个属性节点　。［ｔ］，　［￡］，…，　［ｔ］在ｔ时刻的ｒｔ个度量，　［ｔ］（ｉ＝１，２，…，ｎ）表　示属性置可能的取值；Ｃ［ｔ］表示ｔ时刻片段的类节　点，ｃ　［ｔ］则表示相对应的类节点ｃ的取值。对于类　来说，Ｐ（　［ｔ］）为常数，Ｐ（置［ｔ］）表示类的先验　概率。　　’考虑到时间因素，动态贝叶斯分类器是由许多时　间片段构成的。在时间序列下，Ｃ；｛ｃ［ｏ］，Ｃ［１］，…，　ｃ［　］｝为类变量序列，Ｘ＝｛Ｘ［０］，Ｘ［１］，…，　７１］｝　则是属性变量序列，其中Ｘ［ｔ］＝｛　［ｔ］，　［ｔ］，…，　［ｔ］｝，此时０≤ｔ≤Ｔ。动态贝叶斯分类器的结构　如图１所示。　图１动态贝叶斯分类器结构　Ｆｉｇ．１　Ｓｔｒｕｃｔｕｒｅ　ｏｆ　ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ　ｃｌａｓｓｉｆｉｅｒ　通过网络分类，将各类信息归类到各个数据　库，对结构进行分析，调整划分方向。　２动态贝叶斯网络的分布式模型　２．１动态贝叶斯预测网络的构造　通过将较大的电网进行划分，可以得到多个较　小的网络。因为小网络性质相似，所以对负荷预测　更为方便，结果也更为精确。各个分布式网络的预　测遵循相似的原则。　首先，为了能对负荷进行准确预测，这个网络　应包含对分布式负荷起重要作用的关键因素　。　Ｆ（　）＝１一ｅ一（∥　）　Ｐ　ｂ（０）＝Ｆ（　）＋［１一Ｆ（　３）］＝　１一ｅ一（　ｌ　）　＋ｅ一（　３ｎ）　Ｐ　ｂ（Ｐ　）＝Ｆ（　）一Ｆ（　２）＝　ｅ一（ｖ２／Ａ）　ｅ一（ｖ３／Ａ）　一Ｐ　ｂ（Ｐ　＋Ｐ…）／２）＝Ｆ（　ｍ＋１）＋Ｆ（　）＝　ｅ一（　ｅ一（口　１／Ａ）　—式中：ｔ）为风速，Ａ为尺度参数，ｋ为形状参数，　为　区间［　，　］经过离散化之后的第　段风速，Ｆ（　）　为风速的累积分布函数，Ｐ　（０）为当风机的有功功　率为零时的概率，Ｐ　（Ｐ　）为风机的有功功率为Ｐ　时的概率，Ｐ　（Ｐ　＋Ｐ…）／２为风机在第ｉ段内为　黑龙江电力　第３８卷　（Ｐ　＋Ｐ…）／２时的概率。　对于光伏来说，其负荷与光照强度Ｇ和组件温　度　有关，而组件温度又与光照强度和环境温度有　关，有如下关系：　Ｔ：ｒｏ＋后Ｇ　式中：　为环境温度，ｋ为相关系数。　上述各种因素之间在同一时刻是相互影响的，　相同的因素在相邻时刻也是相互影响的，同一因素　在时间序列下具有一定的自相关性。　这里先选定风速　、光照强度Ｇ、组件温度　、环　境温度以及负荷功率Ｐ，其他因素可以用同样的方　式加人到网络中。　因为某一时刻负荷功率受到这一时刻风速、光　照强度、组件温度和环境温度的影响，同时在时序　上也与上一时刻的负荷功率有着紧密联系，因此有　如下因果关系：　Ｐ（Ｐ…ｌＰ　，　＋　，Ｇ…，　＋　）　式中：Ｐ为负荷功率，下标ｔ和ｔ＋１分别表示当前时　刻和预测时刻。　组件温度、光照强度和环境温度有如下因果　关系：　Ｐ（　＋１　ｌ　Ｇ…，ｒｏ　）　再考虑时序上的关联性，风速、组件温度、环境　温度和光照强度还有如下因果关系：　Ｐ（　＋　ｌ　），Ｐ（　＋　ｌ　），　Ｐ（ｒｏ　＋１　ｌ　），Ｐ（Ｇ…ＩＧ　）　上述因果关系可以用局部贝叶斯网络表示，如　图２所示。　＼—／　（ａ）Ｐ（　＋－１只，１，件－，Ｇ“ｔ，　“）　（ｂ）Ｐ（Ｂ＋ＩＩＧ　ｔ，７　。）　（ｃ）Ｐ（　ＩＶ　）　（ｄ）Ｐ（　。Ｉ　）　（ｅ）Ｐ（ｚ　－ｌ　）（ｆ）ＰｉＧ　・ＩＧ　）　图２局部贝叶斯网络图　Ｆｉｇ．２　Ｄｉａｇｒａｍ　ｏｆ　ｌｏｃａｌ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ　将以上网络进行组合，得到静态贝叶斯网络，　如图３所示。　图３静态贝叶斯网络图　Ｆｉｇ．３　Ｄｉａｇｒａｍ　ｏｆ　ｓｔａｔｉｃ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ　再结合时间序列信息，可以得到动态贝叶斯网　络，如图４所示。　图４动态贝叶斯网络图　Ｆｉｇ．４　Ｄｉａｇｒａｍ　ｏｆ　ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ　这样，动态贝叶斯网络就形成了。　２．２动态贝叶斯网络参数节点的计算　当数据比较完备时，根据ＥＭⅢ１　算法，可以算　出参数的极大似然估计，完成参数一个周期的更　新。似然函数为　（　：Ｄ），Ｘ＝｛　，　，…，　｝为动　态贝叶斯网络的变量集，置［ｍ］是节点在第ｍ个样　本中的数据，Ｐ　［ｍ］是父节点集的配置，　是待估参　数，Ｄ是样本集。则公式为　ＬｉＯ：Ｄ）＝ｎ　Ｐｉｘ　［ｍ　・，Ｘ　ｍ］：　）＝　ｎ　Ⅱ　ｅ（ｘ　ｍ］Ｉ　Ｐ。　［ｍｌ：Ｏｉ）＝　ｎ　ｎ　ｐｉｘ　［ｍ］Ｉ　Ｐ　［ｍ　３：　）＝　ｎ　Ｌｉ（　：Ｄ）　似然函数就被分解成为１７，个独立的参数极大似　然估计问题。令ＮｉＸ　，Ｐ　）为变量的充分统计因子，　可以得到　（　：Ｄ）＝ＦＩ　Ｐ（　［ｍ　３　Ｉ　Ｐ　［ｍ］：　＝　ｎ　ｎ　Ｐ（五［ｍ］　［ｍ］：ｏｉ＝　兀　ｎ　ｘｉＰ（Ｘ　Ｉ　Ｐ　Ｏｉ）州鼍　）．　第５期　郭国栋：高渗透率下分布式决策的负荷预测模型　兀　ｎ　０剐　。虑有向边出现的次数。　的最大似然估计为　Ⅳ（Ｘ　，Ｐ。）　．３决策网络的总体预测　（１）　３．１　ＢＮ决策网络的构建　．—Ｎ（Ｐ　）　２．３动态贝叶斯网络的优化　前面已经将一个大电网进行划分，又对各个划　为了能使网络在负荷预测中实时地解决问题，　实现在线预测，本文提出了贝叶斯优化（Ｂａｙｅｓｉａｎ　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ，ＢＯＡ）与动态贝叶斯（ＤＢＮ）　分的电网进行了分布式负荷预测。除了考虑各个　分布式电网外，还得结合上级电网和用户测的数　据，从而对整个电网进行一个预测，决策网络的工　网络结合的算法。　在网络图形模型智能优化的基础上，将ＤＢＮ网　络作为转移网络，在整个动态优化的过程中，转移　网络的作用非常重要。当样本信息在时序轴上的ｔ　到ｔ＋１轮优化条件变化时，转移网络会感知到所处　环境的变化，基于对当前状态的理解从而进行实时　负荷预测。其过程如图５所示。　图５　ＢＯＡ与ＤＢＮ的混合优化机制　Ｆｉｇ．５　Ｈｙｂ￣ｄ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｍｅｃｈａｎｉｓｍ　ｏｆ　ＤＢＮ　ａｎｄ　ＢＯＡ　ＤＢＮ网络感知到网络节点集合发生变化后，适　时改变基本条件，重新确立了新的种群以及优化方　向。大大提高了负荷智能预测的自主能力。　为了简化计算，一般往往可以去掉网络一些不　重要的节点，继承上一代转移网络的优点，重新计　量一些边。这样就需要进行网络搜索，而一般的搜　索算法往往要搜索大量的节点空间，为了提高运算　速度，采用一种启发式算法。　首先将时间　分成ｎ个时间段，每个时间段长　度为Ａｔ＝Ｔ／ｎ，将每段进行计算再综合。设定评分　函数为　ＳＣＯＲＥｓＩＤ＝∑　ｎ　Ｈ　Ｐ（Ｘｆ，ＹＩ　Ｄｊ，　）（２）　从０时刻起的△　时间内，测得一批动态数据　Ｄ　，基于前面的ＢＯＡ方法，从所有的ＤＢＮ结构中搜　索到的第一个最高评分ＳＣＯＲＥ　对应网络ＤＢＮ　，再　经过一个　，得到ＳＣＯＲＥ２和ＤＢＮ２，最后在ｎａｔ即　时间内得到ＳＣＯＲＥ　对应的ＤＢＮ　。这里所进　行的综合指的是以网络结构出现的概率为基础，考　作机制如图６所示。　图６决策网络的工作机制　Ｆｉｇ．６　Ｍｅｃｈａｎｉｓｍ　ｏｆ　ｄｅｃｉｓｉｏｎ—ｍａｋｉｎｇ　ｎｅｔｗｏｒｋ　为了精确、简洁、快速地对大电网进行总体的　预测，这里构造一个决策网络。　由于分布式网络通过感知环境后所形成的网　络节点集合的空间是很庞大的，实际应用中需要在　较短的时间内找到决策网络的结构，而以往的遗传算　法和进化算法并不具有处理这种结构的效率性，因此　可以采用改进进化算法的快速ＢＮ构图法进行寻找。　设所有变量的集合，＝｛　，　，…，　｝，其基本　流程如下：　１）选择初始节点　其原则是使变量取值分　别为０和１时所对应的染色体个数相差的绝对值最大。　２），ｉｎ表示之前已经生成的部分树形模型中的　变量集，Ｉｏ　＝，一，ｉｎ。对于集合中的Ｘ　∈Ｉｎ和墨∈　，ｍｎ，搜索到最大的ＢＤ（Ｘｉ　一　—　。　一　），也就是寻找：　ＢＤ（　ｉ　一　。　。一　）＝ｍａｘ｛ＢＤ（　）Ｉ　Ｘｉ∈　，ｉｎ，　∈，　｝。　３）把节点Ｘｏｕｔ－ｊ加入Ｉｉ　中去，使之成为　ｉ　一　的　子节点，这样局部就增长了一个树叶，于是　，ｉ　・一，ｉ　ｕ｛Ｘ。　｝，　。　＋一，０　ｕ｛　。　一　｝　・４３６・　黑龙江电力　第３８卷　４）返回２），当集合，与　相等时结束。　用上述过程构造决策网络时，为了进一步简化　运算，应按照以下原则进行：节点的独立性越弱越　先添加一个边指向它，一对节点相似性越强越先连　接它们的边，不同节点连接边的添加具有可加性，　而同一节点连接边的添加并不具有可加性。　在整个动态时序过程中，某一时刻的预测方向　荷的时间性质和空间性质，在ｍａｔｌａｂ环境下做出相　对负荷在时间维度与空间维度的三维仿真图，这里　先将样本进行归一化处理。将负荷处理到［０，１］区　间内，时间维度本身就已限制在［０，２４］区间内，无　需再进行处理。在空间位置上选取几何中心点，由　远及近将空间维度处理在［０，１０］区间内。归一化　公式为　一　和优化点的集合都可以遗传给下一代的ＢＮ决策网　络做负荷预测使用。　３．２　ＢＮ决策网络预测的优点　１，　＝———一　　ｎｌｉｎ　＿Ｉ　ｍ“ｔｎｉｎ　将所有数据进行处理，得到负荷的三维特性如　图７所示。　ＢＮ决策网络的构造及前文转移网络共同组成　了整个模型的双核心结构。　将大电网进行划分，再用动态贝叶斯网络进行　学习和预测，大大提高了预测的鲁棒性和精确性。　ＢＮ决策网络的使用使算法有了较快的收敛速度，　能够实现实时自主控制，即高度智能化。　ＢＮ决策网络不仅考虑了每个分布式电网，还　萎　量一。　将客户端与上级电网考虑了进来。此外，它还具有　良好的扩展性，体现在以下几个方面：　１）当决策网络与专家系统结合时，受益于决策　网络的高度智能化，将会大幅度提高电网的运行　效率。　图７负荷的三维特性　Ｆｉｇ．７　Ｔｈｒｅｅ—ｄｉｍｅｎｓｉｏｎａｌ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｔｈｅ　ｌｏａｄ　从图７可以看出，颜色的深浅代表相对负荷的　大小，在时间维度ｌ０到ｌｌ，空间维度４和７的位置　有２个高峰，而在时间维度２０到２２时，在整个空间　２）将决策网络的优化方向进行改变，则可以将　其功能扩展到负荷预测之外的广阔领域。如果将　上延绵一片小高峰，在时间维度０到４时又出现成　片蓝色低谷，在空间上也有较好的集中性。为了给　其优化方向改为改善不间断供电，那么结合新能源　发电技术和新型储能技术，可以使功率输出平滑，　提高其稳定性。此外，在故障检测和用户交互方面　也有天然的优势。　贝叶斯处理提供条件，这里采用非负矩阵分解法将　其进行降维处理，如图８所示。　４算例分析　冒　为验证本文提出的负荷预测模型，使用Ｍａｔｌａｂ　捌　中的ＦＵＬＬＢＮＴ工具箱进行网络构建。　以某地区夏季的日负荷数据为研究对象，数据　采集时间间隔为６０　ｍｉｎ。选取天气因素相似的　２０１３年５月３１日－２０ｌ３年５月２０日的电力数据　和气候数据进行计算，来预测５月２１日０—２４时的　负荷，其中３个捕捉到的时间点的数据如表１所示。　表１　三个时间点的历史数据　Ｔａｂｌｅｌ　Ｈｉｓｔｏｒｉｃａｌ　ｄａｔａ　ｏｆ　ｔｈｒｅｅ　ｔｉｍｅ　ｐｏｉｎｔｓ　图８负荷特性的降维分类　Ｆｉｇ．８　Ｃｌａｓｓｉｉｃａｔｉｆｏｎ　ｏｆ　Ｄｉｍｅｎｓｉｏｎ　Ｒｅｄｕｃｔｉｏｎ　ｏｆ　Ｌｏａｄ　ｃｈａｒａｃｔｅｒｉｓｔｉｓ　ｃ可以利用贝叶斯分类器来处理这个二维图像　减少计算量。再利用式（２）计算各分类网络在各个　时间段内的评分。　ＳＣＯＲＥ　．　＝∑　ｎ兀　Ｐ（Ｘ　，Ｙｌ　，　）　分析各个分布式网络与风速、温度、湿度关系　的强弱，找到强属性集Ｇ，和弱属性集Ｇ　。强属性　按照负荷性质对样本进行划分。为了了解负　集Ｇ。＝｛Ａ。，　｝，弱属性集Ｇ　＝｛Ａ。｝，在要求计算　速度的前提下可以忽略Ａ　，如表２所示。　第５期　郭国栋：高渗透率下分布式决策的负荷预测模型　表２影响因素的关联性结果　Ｔａｂｌｅ　２　Ｒｅｌａｔｅｄ　ｒｅｓｕｌｔｓ　ｏｆ　ｉｎｆｌｕｅｎｃｉｎｇ　ｆａｃｔｏｒｓ　在对分类后的每一部分电网中，利用本文所提　出转移矩阵的方法，以式（１）作为目标函数，利用分　布式协同进化算法将其在动态贝叶斯决策网络中　进行迭代。　决策网络中，为寻找ＢＤ（置　一　一　）＝　ｍａｘ｛ＢＤ（Ｘ　置）ＩＸ　∈，ｉｎ，Ｘｉ∈Ｉｏ　｝，将风速、湿度、　温度的值处理为网络点之间的概率值，经过多次学　习得到最优参数，如图９所示。　蠹　－２．０　辎一２．５　图９决策网络参数学习曲线　Ｆｉｇ．９　Ｄｅｃｉｓｉｏｎ　ｎｅｔｗｏｒｋ　ｐａｒａｍｅｔｅｒ　ｌｅａｒｎｉｎｇ　ｃｕｒｖｅ　在图９中，实际运行６５代就已能得到最优解和　最优参数，当前后代数参数学习极大似然值的差小　于０．００１时就终止迭代了，但因为在线运行时继续　调整参数，故６５代后还在继续。　通过动态贝叶斯方法可以得到各个时刻的状　态区间，即各负荷出现在某一个值上的概率。本文　采取某一时刻概率最大值所对应负荷区间的中位　数作为这一时刻的预测值。如５月２１日８时的状　态区间，如图１０所示。这一刻的预测值就为　２７０　ＭＷ　０．２５　０．２Ｏ　Ｏ．１５　０．１Ｏ　Ｏ．Ｏ５　０　Ｏ　１ｏｏ　３００　４０ｏ　图１Ｏ负荷预测的概率分布　Ｆｉｇ．１０　Ｐｒｏｂａｂｉｌｉｔｙ　ｄｉｓｔｒｉｂｕｔｉｏｎｓ　ｏｆ　ｌｏａｄ　ｆｏｒｅｃａｓｔｉｎｇ　将本文的算法与一般的灰色神经算法的预测　结果进行对比，如图１１所示。　４５０　４００　３５０　３ｏ０　善　２５０　挺　２ｏ０　一实际负荷　ｌ５Ｏ　蕾ＤＢＮ预测　ｌ０ｏ　咿灰色神经预测　５Ｏ　Ｏ　Ｏ　５　１０　１５　２０　２５　ｔ｜ｈ　图ｌ１负荷预测对比图　ｉＦｇ．１１　Ｌｏａｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｃｏｎｔｒａｓｔ　ｃｕｒｖｅ　’　从图１１可以看到，本文所提出的模型可以有　效地跟上实际负荷的变化，而灰色神经预测模型在　中间段有明显的滞后性。　采取均方根误差作为判断负荷预测结果准确　椭酱｝　嚣　性的指标，负荷预测的均方根误差曲线如图１２　所示。　灰色神经预测　・一ＤＢＮ预测　图１２负荷预测的均方根误差曲线　ｉＦｇ．１２　Ｍｅａｎ　ｓｑｕａｒｅ　ｅｒｒｏｒ　ｃｕｒｖｅ　ｏｆ　ｌｏａｄ　ｆｏｒｅｃａｓｔｉｎｇ　因为实际选址条件限制，本例中分布式能源的　渗透率并不高，但通过图９可以看出，ＤＢＮ预测的　结果还是较为精确的，误差可控制在５％以内，符合　负荷预测的误差标准，证明基于ＤＢＮ的分布式决策　网络预测方法是可行的。而灰色预测方法较为粗　糙，误差达到了１０％。由此可见，在一般负荷预测　中，本文所述方法也是适用的。当新能源的渗透率　更高时，本文方法的优越性将会更加明显。为了分　析本文模型是否适用于在线预测，本文采用整个学　习过程的收敛时间作为判断指标。普通动态贝叶　斯网络与分布式决策贝叶斯网络计算性能的对比　如图１３所示。　从图１３可以看到，当样本数据较小时，两者的　差别并不大，但随着数据量的增大，预测所需的学　习时间有了明显的不同，这说明分布式决策比贝叶　斯更适合在线预测。　・４３８・　黑龙江电力　３５（８）：１８２９—１８３６．　第３８卷　［５］张东霞，苗新，刘丽平，等．智能电网大数据技术发展研究［Ｊ］．　中国电机工程学报，２０１５，３５（１）：２一ｌ２．　∞∞舳加∞∞∞∞加ｍ　Ｏ　咿普通动态贝叶斯　喈分布式决策贝叶斯　ＺＨＡＮＧ　Ｄｏｎｇｘｉａ，ＭＩＡＯ　Ｘｉｎ，ＬＩＵ　Ｌｉｐｉｎｇ，ｅｔ　ａ１．Ｒｅｓｅａｒｃｈ　ｏｎ　ｄｅ－　ｖｅｌｏｐｍｅｎｔ　ｓｔｒａｔｅｇｙ　ｏｒ　ｆｓｍａｒｔ　ｄ　ｂｉｇ　ｄａｔａ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＣＳＥＥ，２０１５，３５（１）：２—１２．　［６］胡时雨，罗滇生，阳霜，等．基于多变量ＬＳ—ＳＶＭ和模糊循环　推理系统的负荷预测［Ｊ］．计算机应用，２０１５，３５（２）：５９５—　６ｏｏ．　学习数据集大ｄ￣／ＧＢ　ＨＵ　Ｓｈｉｙｕ，ＬＵＯ　Ｄｉａｎｓｈｅｎｇ，ＹＡＮＧ　Ｓｈｕａｎｇ．ｅｔ　ａ１．Ｌ０ａｄ　ｆｏｒｅｃａｓ－　ｒｉｎｇ　ｂａｓｅｄ　ｏｎ　ｍｕｌｔｉ—－ｖａｒｉａｂｌｅ　ＩＳ——ＳＶＭ　ａｎｄ　ｆｕｚｚｙ　ｒｅｅｕｒｓｉｖｅ　ｉｎｆｅｒ－　图１３算法所需时间对比　Ｆｉｇ．１３　Ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｃｏｍｐｕｔａｔｉｏｎａｌ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ｇｅｎｅｒａｌ　ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋｓ　ａｎｄ　ｄｉｓｔｒｉｂｕｔｅｄ　ｄｅｃｉｓｉｏｎ　ｍａｋｉｎｇ　Ｂａｙｅｓｉｎａ　ｎｅｔｗｏｒｋｓ　５　结　论　１）利用动态贝叶斯网络方法，考虑时序因素，　充分利用历史大数据进行学习，能提高预测精度。　２）按照负荷性质，通过分类器对大电网进行聚　类划分，并进行分布式计算，能有效降低了网络的　复杂度。　３）提出了决策网络方法，结合分布式网络，可　大大降低计算复杂度。而且决策网络扩展性好，可　以用于电网优化、故障检测等方面。　４）这种方法在渗透率较小的一般预测时，具有　较高的精度，且学习时间短，适合在线预测。　参考文献　［１］张东霞，姚良忠，马文媛．中外智能电网发展战略［Ｊ］．中国　电机工程学报，２０１３，３３（３１）：１—１４．　ＺＨＡＮＧ　Ｄｏｎｇｘｉａ，ＹＡＯ　Ｌｉａｎｇｚｈｏｎｇ，ＭＡ　Ｗｅｎｙｕａｎ．Ｄｅｖｅｌｏｐｍｅｎｔ　ｓｔｒａｔｅｇｉｅｓ　ｏｆ　ｓｍａｒｔ　ｄ　ｉｎ　Ｃｈｉｎａ　ａｎｄ　ａｂｒｏａｄ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＣＳＥＥ，２０１３，３３（３１）：１—１４．　［２］鲍薇，胡学浩，何国庆，等．分布式电源并网标准研究［Ｊ］．　电网技术，２０１２，３６（１１）：４６—５２．　ＢＡＯ　Ｗｅｉ，ＨＵ　Ｘｕｅｈａｏ，ＨＥ　Ｇｕｏｑｉｎｇ，ｅｔ　ａ１．Ｓｔｕｄｙ　ｏｎ　ｓｔａｎｄａｒｄ　ｆ０ｒ　ｇｒｉｄ—ｉｎｔｅｇｒａｔｉｏｎ　ｏｆ　ｄｉｓｔｉｒｂｕｔｅｄ　ｒｅｓｏｕｒｃｅｓ［Ｊ］．Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　Ｔｅｃｈｎｏｌｏｇｙ，２０１２，３６（１１）：４６—５２．　［３］黄海涛，胡学英，李翔，等．实用化的激励性可中断负荷最优　补偿定价模型［Ｊ］．电网技术，２０１４，３８（８）：２１４９—２１５４．　ＨＵＡＮＧ　Ｈａｉｔａｏ，ＨＵ　Ｘｕｅｙｉｎｇ，ＬＩ　Ｘｉａｎｇ，ｅｔ　ａ１．Ａ　ｐｒａｃｔｉｃａｂｌｅ。ｐ—　ｔｉｍａｌ　ｃｏｍｐｅｎｓａｔｉｏｎ　ｐｒｉｃｉｎｇ　ｍｏｄｅｌ　ｆｏｒ　ｉｎｃｅｎｔｉｖｅ　ｉｎｔｅｒｒｕｐｔｉｂｌｅ　ｌｏａｄ　ｃｏｎｔｒａｃｔ［Ｊ］．Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　Ｔｅｃｈｎｏｌｏｇｙ，２０１４，３８（８）：２１４９—　２１５４．　［４］王继业，季知祥，史梦洁，等．智能配用电大数据需求分析与　应用研究［Ｊ］．中国电机工程学报，２０１５，３５（８）：１８２９—　１８３６．　ＷＡＮＧ　Ｊｉｙｅ，Ｊ１　Ｚｈｉｘｉａｎｇ，ＳＨＩ　Ｍｅｎｇｊｉｅ，ｅｔ　ａ１．Ｓｃｅｎａｒｉｏ　ａｎａｌｙｓｉｓ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎ　ｒｅｓｅａｒｃｈ　ｏｎ　ｂｉｇ　ｄａｔａ　ｉｎ　ｓｍａｒｔ　ｐｏｗｅｒ　ｄｉｓｔｌｉｂｕｔｉｏｎ　ａｎｄ　ｃｏｎｓｕｍｐｔｉｏｎ　ｓｙｓｔｅｍｓ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＣＳＥＥ，２０１５．　ｅｎｃｅ　ｓｙｓｔｅｍ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ，２０１５，３５（２）：　５９５—６００．　［７］庞清乐．基于粗糙集理论的神经网络预测算法及其在短期负　荷预测中的应用［Ｊ］．电网技术，２０１０，３４（１２）：１６８—１７３．　ＰＡＮＧ　Ｑｉｎｇｌｅ．Ａ　ｒｏｕｇｈ　ｓｅｔ—ｂａｓｅｄ　ｎｅｕｒｌａ　ｎｅｔｗｏｒｋ　ｌｏａｄ　ｆｏｒｅｃａｓｔｉｎｇ　ａｌｇｏｉｒｔｈｍ　ａｎｄ　ｉｔｓ　ａｐｐｌｉｃａｔｉｏｎ　ｉｎ　ｓｈ０ｎ—ｔｅｒｍ　ｌｏａｄ　ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．　Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　Ｔｅｃｈｎｏｌｏｇｙ，２０１０，３４（１２）：１６８—１７３．　［８］葛少云，贾鸥莎，刘洪．基于遗传灰色神经网络模型的实时　电价条件下短期电力负荷预测［Ｊ］．电网技术，２０１２，３６（１）：　２２４—２２９．　ＧＥ　Ｓｈａｏｙｕｎ，ＪＩＡ　Ｏｕｓｈａ，ＬＩＵ　Ｈｏｎｇ．Ａ　ｒｇａｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｉｍｐｒｏｖｅｄ　ｂｙ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｓｈｏｒｔ—Ｔｅｒｍ　ｌｏａｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｉｎ　ｐｒｉｃｅ—ｓｅｎｓｉｔｉｖｅ　ｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　Ｔｅｃｈｎｏｌｏｇｙ，　２０１２，３６（１）：２２４—２２９．　［９］王深哲，高山，李海峰，等．含高渗透率间歇性电源的电网规　划方案优选方法［Ｊ］．电网技术，２０１３，３７（８）：２１２９—２１３５．　ＷＡＮＧ　Ｓｈｅｎｚｈｅ，ＧＡＯ　Ｓｈａｎ，ＬＩ　Ｈａｉｆｅｎｇ，ｅｔ　ａ１．Ｏｐｔｉｍａｌ　ｓｅｌｅｃｔｉｏｎ　ｏｆ　ｐｌａｎｎｉｎｇ　ｓｃｈｅｍｅｓ　ｆｏｒ　ｐｏｗｅｒ　ｇｄｄ　ｗｉｔｈ　ｈｉｇｈ　ｐｅｎｅｔｒａｔｉｏｎ　ｏｆ　ｉｎｔｅｒ－　ｍｉｔｔｅｎｔ　ｇｅｎｅｒａｔｉｏｎ［Ｊ］，Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　Ｔｅｃｈｎｏｌｏｇｙ，２０１３，３７（８）：　２１２９—２１３５．　［１０］ＫＥＲＩＮ　Ｕ．Ｄｙｎａｍｉｃ　ｓｅｃｕｒｉｔｙ　ｉｎｄｉｃａｔｉｏｎ　ｉｎ　ｐｏｗｅｒ　ｓｙｓｔｅｍｓ　ｗｉｔｈ　ｌａｒｇｅ　ａｍｏｕｎｔ　ｏｆ　ｒｅｎｅｗａｎｌｅｓ［Ｃ］／／Ｐｏｗｅｒ　ａｎｄ　Ｅｎｅｒｇｙ　Ｓｏｃｉｅｔｙ　Ｇｅｎｅｒａｌ　Ｍｅｅｔｉｎｇ．Ｓａｎ　Ｄｉｅｇｏ：ＩＥＥＥ，２０１２：１—６．　［１１］施琳，罗毅，施念，等．高渗透率风电一储能孤立电网控制策　略［Ｊ］．中国电机工程学报，２０１３，３３（１６）：７８—８５．　ＳＨＩ　Ｌｉｎ，ＬＵＯ　Ｙｉ，ＳＨＩ　Ｎｉａｎ，ｅｔ　ａ１．Ａ　ｃｏｎｔｏｒｌ　ｓｔｒａｔｅｇｙ　ｏｆ　ｉｓｏｌａｔｅｄ　ｇｒｉｄ　ｗｉｔｈ　ｈｉｇｈ　ｐｅｎｅｔｒａｔｉｏｎ　ｏｆ　ｗｉｎｄ　ｎａｄ　ｅｎｅｒｇｙ　ｓｔｏｒａｇｅ　ｓｙｓｔｅｍｓ［Ｊ］．　Ｐｒｃｏｅｅｄｉｎｇｓ　ｏｆｔｈｅ　ＣＳＥＥ，２０１３，３３（１６）：７８—８５．　［１２］田书，王丽．考虑负荷类型的含分布式电源系统对配电网电　压的影响［Ｊ］．电网与清洁能源，２０１４，３０（２）：４３—４７．　ＴＩＡＮ　Ｓｈｕ，ＷＡＮＧ　Ｌｉ．Ｉｎｆｌｕｅｎｃｅ　ｏｆ　ＤＧ　ｏｎ　ｔｈｅ　ｄｉｓｔｒｉｂｕｔｉｏｎ　ｎｅｔ．　ｗｏｒｋ　ｖｏｌｔｇａｅ　ｃｏｎｓｉｄｅｒｉｎｇ　ｔｈｅ　ｌｏａｄ　ｔｙｐｅ［Ｊ］．Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　ａｎｄ　Ｃｌｅａｎ　Ｅｎｅｒｙｇ，２０１４，３０（２）：４３—４７．　［１３］高元海，王淳．基于全概率公式的含风电配电系统概率潮流　计算［Ｊ］．中国电机工程学报，２０１５，３５（２）：３２７—３３４．　ＧＡＯ　Ｙｕａｎｈａｉ，ＷＡＮＧ　Ｃｈｕｎ．Ｐｒｏｂａｂｉｌｉｓｔｉｃ　ｌｏａｄ　ｆｌｏｗ　ｃａｌｃｕｌａｔｉｏｎ　ｏｆ　ｄｉｓｔｒｉｂｕｔｉｏｎ　ｓｙｓｔｅｍ　ｉｎｃｌｕｄｉｎｇ　ｗｉｎｄ　ｆａｒｍｓ　ｂａｓｅｄ　ｏｎ　ｔｏｔａｌ　ｐｒｏｂａｂｉｌ—　ｉｔｙ　ｆｏｒｍｕｌａ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆｔｈｅ　ＣＳＥＥ，２０１５，３５（２）：３２７—３３４．　［１４］俞奎，王浩，吴信东，等．贝叶斯网络的并行ＥＭ学习算　法［Ｊ］．模式识别与人工智能，２００８，２１（５）：６７０—６７５．　ＹＵ　Ｋｕｉ，ＷＡＮＧ　Ｈａｏ，ＷＵ　Ｘｉｎｄｏｎｇ，ｅｔ　ａ１．Ｌｅａｎｉｎｇ　Ｂａｙｅｓｉｎａ　ｎｅｔ—　ｗｏｒｋｓ　ｕｓｉｎｇ　ａ　ｐａｒｌａｌｅｌ　ＥＭ　ａｐｐｏｒａｃｈ［Ｊ］．ＰＲ＆Ａ１，２００８，２１（５）：　６７０—６７５．　（责任编辑张兴业）