（1.国网湖南省电力公司湘西供电分公司，湖南省 吉首市 416000，2.国网湖南省电力公司湘西供电分公司，湖南省 吉首市 416000，3. 国网湖南省电力公司张家界供电分公司，湖南省 张家界市 427000）
摘 要：针对负荷密度指标法数据收集过程困难、计算量大且复杂、预测精度依赖于大量样本数据的问题，提出了基于专家混合语言评分的预测法，采用语言评价方法得到城市各小区的综合评分指标，利用该指标和趋势外推技术预测城市待预测小区的负荷密度值。通过对30个城市小区的负荷密度值及综合评分值做比较分析，预测了其中部分城市小区的负荷密度值，结果表明预测计算过程简单方便，既解决了预测过程中数据收集困难的问题，又具有很好的预测效果。
关键词：专家混合语言；小区综合评分；城市电力负荷密度预测；趋势外推
1 引言
近年来，空间负荷预测逐渐受到重视，其概念最早是在20世纪80年代由美国的H.L.Willis提出。目前国内外常用的空间负荷预测方法有负荷密度指标法[1-3]和用地仿真法[4-5]，就我国实际情况来看，由于未来城市土地的使用性质基本已经明确，所以负荷密度指标法在配网规划工程实践中得到了越来越广泛的应用。
目前，空间负荷密度预测的方法有许多种，其中对基于智能算法[1,6]和模糊评判[2,3]预测方法的研究较为广泛。基于智能算法的预测，其核心思想是利用算法多输入单输出的能力，将待定小区的多影响因素作为输入，代入训练后的智能结构中，输出预测结果，该结果虽具有较大可信度，但在很大程度上有赖于影响因素的选取，选取过少的影响因素将降低结果的精确性，而选取过多影响因素将增加预测计算过程的负担，同时其预测结果的精度亦依赖于样本数据的大小，数据越少精度越低。基于模糊评判的预测，其核心是，将预测过程看成一种评判过程，将预测结果看为一种评判结果，基础是由专家参与评判，给出相关指标的隶属度函数、模糊规则及相关评语集。这种方法计算虽相对简单，但就实际决策过程而言，由专家直接给出相关函数或决策规则是比较困难的，专家更倾向于对某一指标直接打分，而且该法在预测计算中还面临着隶属度形式的单一化且计算较复杂、各专家所给隶属度标准不同以及评语集边界模糊的问题。上述两种负荷密度预测法不仅有着各自特有的问题，而且在实际运用中还面对着同一个难题，即负荷指标相关影响因素数据收集的问题。在相关数据库建设不到位的条件下，希望收集到每一小区的负荷指标相关影响因素的数据，基本上是无法实现的，而数据的收集又是上述两种负荷密度预测法的基础。目前还未见相关文献介绍如何才能有效地解决这一难题。
以上两种方法所选数据的实质意义是希望通过各量化的指标来反应不同小区的发展水平，并以此预测各小区的负荷情况。而由于人类语言具有直接给出定性评估信息的能力，可以凭借这一点并借助于语言评估标度[7]，将语言信息定量化，以此来反应城市小区各指标的发展程度。基于这一思想并针对所提两种预测方法的问题，提出一种基于专家混合语言评分的预测法，相较于上述两种预测方法，该方法允许专家直接给出小区相关指标的定性评价值，更容易让专家接受。同时将专家考虑多指标因素后所得出的决策结果作为预测的基准。既保证了预测信息来源的多样，又确保了信息利用的完整性，提高了预测算法的性能，同时还解决了决策过程中，判断边界模糊的问题。
2 基于混合语言信息的群决策
2.1 影响因素指标体系的建立
不论利用何种方法对城市小区做相关预测或评价，第一步都要建立起城市小区的影响因素指标体系。
通过对某城市若干小区发展情况的分析后，发现影响小区发展的因素，从整体上大致可分为三类即经济情况、人口情况和地理环境情况，每一类又可细分为若干影响指标。具体细分情况如图1所示。
图2 时的语言评估标度
Figure 2 language assessment scale of
从图2中可以看出该类语言评估标度其间距并不均匀，本质上是一种非平衡语言信息，越靠近零点标度越密集，这符合人类的思维情况。
2.3混合语言的一致化
决策者在对城市小区做相关评价时，所给出的评价值往往是混合的，而为了进一步的计算小区综合评价值，必须将混合信息一致化。
对于同一决策者，所给语言信息类型不同这一问题，可采用将不确定语言信息转化为确定语言信息的方法。
设 为不确定语言信息，且 ， 为取下标算子，则称 为不确定语言信息集成算子，其中 的求取方法如式(5)示
。
这样可称 为连续区间信息集成算子，而函数 则被称为基本单位区间单调函数，简称为BUM函数[8]。
这种转化方法客观性强，计算方便，非常适合于处理不同类型的语言信息。
针对不同决策者，所选评价标度不同的问题，其一致化的方法如下：
设决策者1所选取的语言评估标度为 ，其中本原术语个数为 ，决策者2所选取的语言评估标度为 ，其中本原术语个数为 ，则定义它们之间的转换函数为：
（7）
（8）
通过式(7)~(8)可实现任意两连续性非平衡语言标度的转化。为了保证语言信息的丰富性，规定语言标度的转化一律从低标度向高标度转化，即若 ，则标度 向标度 转化。
2.5语言信息的集成
在预测时若直接利用一致化后语言信息，会产生两类问题，其一因语言本身所具模糊性可能某一个或几个因素指标的语言描述不太精确，将导致预测误差增大。其二将过多影响因素用于预测模型中，导致模型性能的下降，影响到预测的效果。因此必须对各因素的语言信息进行集成。基于2.2节介绍的语言评估标度 ，提出了各种不同信息集成算子。
文献[10-11]分别定义了两种语言信息集成算子。OWA算子和LHA算子。
设 ，其中加权向量为 ，且
， ，使得
图3 评价过程
Figure 3 evaluation process
对于影响因素权重，其面临着与专家权重相同的问题，即很难给出各因素之间的重要程度。而与专家权重所不同的是影响因素权重，不能简单的通过评价值的排列顺序予以确定。针对这一难点，可采用离差最大化思想，求得影响因素的数据权重值。其计算过程如下：
设 为一致化后的评价矩阵，n为小区个数，m为影响因素个数，则第j个影响因素的权重为。
（12）
因影响因素评价值是以语言形式给出的，所以不需要归一化处理。
通过(11)~(12)式求得各类别的权重值之后，利用OWA算子、LHA算子对语言信息进行集成以评价各小区的经济、人口、地理环境三大类指标，并最终将这三大类指标融合为小区综合评分单一指标，其过程如下图3所示。
3.2城市负荷密度预测
求得城市小区综合评分后，还需确定该评分值与小区负荷密度之间对应的函数关系，此时可利用趋势外推技术，寻找两者之间的对应函数式，并最终以此函数式预测待预测小区的负荷密度。其具体预测步骤如图4所示。
图4 小区负荷密度预测步骤
Figure 4 load density prediction steps
4算例分析
以某城市的30个小区为例，验证和分析所提方法的有效性。
选取3个专家，设为专家1、2、3，对城市30个小区的相关影响因素进行评价，已知专家1、2采用 =5时的语言评估标度，专家3采用 =4时的语言评估标度。
(1) 专家语言信息的一致化
对照图4所示步骤，现以专家3经济类指标为例，详细讨论专家语言信息一致化的过程。表1为专家3对小区经济类相关指标的评价结果。
反复以上步骤，可一致化各专家对各类指标的评价结果。
(2) 语言信息的集成
集成第一步为事先确定位置权重向量。利用(11)式，可计算出专家的位置权重向量为 ，以及三大类指标下各属性的位置权重向量为
。
确定位置权重向量后，即应通过小区三大类指标的属性权重和语言集成算子对各小区三大类指标做出最终的评价，现以小区经济类指标集成为例，详细介绍语言算子对信息的集成过程。通过(12)式计算专家3经济类指标的属性权重向量如式(13)示：
利用LHA算子、向量 、 及表2结果可求得专家3对小区经济这一大类指标的最终评价，如表3所示。
类似于专家3经济指标的评价过程，反复上述步骤可得到专家3其他指标和专家1、2对各小区三大类指标的最终评价值。
得到各专家对小区经济、人口、地理环境三大类指标的综合评价值后，利用OWA算子及专家位置权重向量 ，对其进行集成，得到三大类指标的专家综合评价结果，最后再利用LHA算子及(11)~(12)式集成专家评价结果为小区综合评分。综合评价结果和小区负荷密度如表4所示
表4 专家综合评分值及小区负荷密度
从表5中可以求得预测的平均相对误差为3.16%，符合工程计算的要求，可见采用基于专家混合语言评分的城市电力负荷密度预测法是有效的。
5结论
提出了一种基于定性语言信息的城市电力负荷密度预测法。该方法具有两点显著的优势：
1) 摆脱了需要大量收集特定指标定量数据的问题，极大的节约了有关技术预测人员的数据准备精力，大幅度地缩短了相关工作时间。
2) 通过语言集成算子对语言信息集结，既最大限度的保留了数据原始信息，确保了预测结果的可信度，又降低了变量的维数，最大限度地简化了预测的计算过程。
综上所述，所提方法具有数据收集方便、预测结果可信度高的优点，适合实际工程应用。需要说明的是，由于所提方法的基础数据是由专家给出，因此专家的选择是该方法的关键所在。
参考文献
[1]周湶,孙威,张昀,等. 基于改进型ANFIS的负荷密度指标求取新方法[J].电力系统保护与控制, 2011, 39(1): 29-34.
ZHOU Quan, SUN Wei, ZHANG Yun et al. A new method to obtain load density based on improved ANFIS [J]. Power System Protection and Control, 2011, 39(1): 29-34.
[2]符杨,曹家麟,谢楠,等. 基于模糊综合评判的负荷密度指标选取新方法[J].电网技术,2007,31(18):19-21.
[3]余健明,燕飞,杨文宇等. 基于模糊多目标多人决策的配电网空间负荷预测[J].电网技术, 2006, 30(7): 69-72.
[4]Willis HL, James ED. Spatial electric load forecasting: a tutorial review [J]. Proceedings of the IEEE, 1983, 71(2): 232-253.
[5]Willis HL. Electric spatial load forecasting [M]. Canada: Marcel-Dekker Incorporation, 1995.
[6]吴斌,陈章潮,包海龙.基于人工神经元网络及模糊算法的空间负荷预测[J].电网技术,1999,23(11): 1-4.
[7]戴跃强,徐泽水,李琰,等.语言信息评估新标度及其应用[J].中国管理科学,2008,16(2): 145-148.
[8]张洪美,徐泽水.基于不确定语言信息的C-OWA和C-OWG算子及其应用[J].解放军理工大学学报,2005,6(6): 604-608.
论文作者:周胜瑜1,顾海军2,刘乐平3
论文发表刊物:《电力设备》2015年第12期供稿
论文发表时间:2016/4/25
标签：语言论文; 标度论文; 小区论文; 负荷论文; 专家论文; 指标论文; 算子论文; 《电力设备》2015年第12期供稿论文;