CN105678406A - 一种基于云模型的短期负荷预测方法 - Google Patents

Abstract

本发明涉及一种基于云模型的短期负荷预测方法，首先基于季节，日类型和气象因素建立一个三层分类模型，通过相关系数法提取第三级指标，即气象因素影响负荷大小的特征量，根据特征量对负荷影响的机理不同制定相应打分标准，利用隶属度函数得到各个三级指标的分值，其中分值越大表明该指标使得负荷量越大。然后根据各个指标的重要性利用层次分析法求取各个指标的权值，并基于云模型，求取加权偏离度，绘制云图，通过云图对负荷进行分类。最后求取预测日按特征量获得的分值，根据负荷分类，将其归入所属类别，基于bp神经网络，利用负荷所属类别的负荷数据作为训练样本，对预测日的负荷进行预测。本发明具有较高的分类识别准确性，有较强的适应性。

Description

一种基于云模型的短期负荷预测方法

技术领域

本发明属于电力系统技术领域，尤其是涉及一种基于云模型的短期负荷预测方法。

背景技术

短期负荷预测是负荷预测的重要组成部分，电力系统短期负荷预测主要指预报未来几小时、一天至几天的电力负荷，是制定调度计划、供电计划、交易计划的基础，对于保障电力系统的安全与稳定运行至关重要。目前短期负荷预测的方法较多，但随着电力生产和消费日益市场化，对负荷预测的准确性、实时性和可靠性要求越来越高。

负荷随时间处于动态变化之中，气象因素、日类型、季节类型等对负荷影响较大，要提高短期负荷预测精度，需综合考虑影响负荷的多个因素。现有预测技术能够达到一定预测精度，但随着电力行业的快速发展，电力负荷的性质和负荷量同时也在快速变化，需有新的预测方法适应未来电力负荷预测的需要。基于云模型的短期负荷预测方法将评价方法中的打分法应用在负荷预测领域，提出一种电力负荷预测新思路。该方法将影响负荷的定性指标和定量指标通过统一规范化处理，求取加权偏离度并绘制云图，负荷分类直观、有效，具有较好的应用前景。

发明内容

本发明主要解决负荷预测中负荷分类问题，对影响负荷的定性指标和定量指标提出一种较为实用的规范化处理方法，并提供一种直观有效的负荷分类云图。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于云模型的短期负荷预测方法，其特征在于：基于一个三层负荷分类模型，该三层负荷分类模型是基于季节，日类型和气象因素建立的一个三层负荷分类模型；分别是：

四个一级指标的分类模型：具体是根据季节不同，分别建立春、夏、秋、冬四个一级指标的分类模型；

三个二级指标模型：在一级指标模型下，根据日类型的不同，将日类型分成普通工作日，周末、节假日三个二级指标模型；

一个分层多级指标模型：将气象因素作为第三级指标，对负荷进一步进行分类；所述气象因素包括日天气类型(晴，多云，阴，雨，雪)，温度(最高温度，最低温度，平均温度)，风速，湿度。按气象指标进行分类时，需综合考虑日天气类型，温度，风速和湿度等表征天气特征的参量。对于直接量化的指标，如温度，风速和湿度，可采取线性映射，或分段映射。以温度为例，取当地高温阈值和低温阈值，假设高温为30℃和33℃，低温为0℃和4℃。对于4℃到30℃采用线性映射取值，取值随温度变化不大；30℃到33℃之间，采用另一组线性映射取值，取值随温度变化较大；温度高于33℃，采用非线性映射取值，低温区间的处理办法与高温区间相同。对于日天气类型等定性指标，按分类进行映射。

具体包括以下步骤：

步骤1：提取第三级指标负荷分类的特征量，根据相关系数法分析影响负荷的相关因素。

$R=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$ 式一

其中，R为相关系数；cov(X,Y)为X和Y的协方差,分别为X和Y均方差。

步骤2：建立定性指标和定量指标的打分标准，利用隶属度函数得到第三级指标各个特征量的分值。分值越大表明该特征量使负荷量越大；具体包括以下子步骤：

步骤2.1：根据步骤1获得第三级指标中影响负荷量的相关因素，其中分别有定性指标和定量指标，定性指标为天气类型；定量指标有日最高温度，日最低温度，日平均温度，风速,湿度等。定性指标直接进行打分，定量指标利用隶属度函数进行打分；

步骤2.2：将定性指标，即天气类型分值划分为五个区间，分别为[0,a1],[a1,a2],[a2,a3],[a3,a4],[a4,100],分别代表负荷量小，较小，一般，较多，多。取区间相应均值作为落入该区间的天气类型的分值，即

$E_{xi}=\frac{c_{\min }+c_{max}}{2}$ 式二

其中c_min、c_max分别为相应区间的边界值，E_xi为对应天气类型下的分值，a1，a2，a3，a4均为相应天气类型下取值区间的边界值，边界值求取方法如下所述。

定性指标打分标准为依据历史负荷相关数据，在其他各种指标大致相同情况下，分别计算晴天、多云、阴天、雨天、雪天历史负荷量，取出最小负荷值，分别用其他天气类型下的负荷值与最小负荷值相除，得出相应比值；按照比值从小到大，分别将相应的天气类型归入上述五个取值区间，并根据比值确定相应的各个区间边界值。

步骤2.3：对定量指标，建立相应隶属度函数，利用隶属度函数进行打分。建立隶属函数即建立一个从论域到[0，1]上的映射，来反映某对象具有某种模糊性质或属于某个模糊概念的程度。具体的程度值大小即为隶属度。将隶属函数分成成本型、效益型和适中型三种。即相应的三级指标特征量和负荷量分别成反比、正比和区间类型。确定四个典型评分点(d1，20)、(d2，40)、(d3，60)、(d4，80)并以曲线的首末点为评分值等于0和100的点。依据这六个典型点，即可确定对应于该指标的隶属函数，即指标评分标准函数。针对每一个定量指标，具体评分标准包括以下子步骤：

步骤2.3.1：日最高温度，日最低温度，日平均温度三个定量指标对负荷量的影响是相同的，且温度对负荷呈现正向影响的关系。根据当地地区气温区间的划分，低温区间和高温区间随着温度的变化隶属度函数取值变化较大，在常温区间，随着温度的变化隶属度函数取值变化较为平缓。再基于步骤3.3确定6个打分点，相邻两个打分点之间呈线性变化，即可构造出温度指标的打分函数。

步骤2.3.2：风速与温度对负荷的影响相同，也呈现正向影响关系，根据温度指标的打分方法，对风速制定相同的打分标准。

步骤2.3.3：湿度对负荷呈现反向影响的关系，湿度低时负荷高，湿度高时负荷低。根据步骤2.3.1和2.3.2相同的处理方式构造湿度的打分函数。

步骤3：根据第三级指标各个特征量的重要性利用层次分析法求取各个特征量的权值，基于权值和各个特征量的分值求和得出某日负荷获得的总分；

步骤3.1：三级指标包括天气类型、温度、风速、湿度。利用相关系数法求得各指标对负荷的相关程度，依据相关程度列写判断矩阵，即对三级指标中的两两元素进行比较，建立一个矩阵表，矩阵的行和列按顺序依次为日天气类型、日最高温度、日最低温度、日平均温度、风速、湿度，将以上各个特征量分别标号为1,2,3,4,5,6。记c_ij为矩阵的元素，如c₁₅表示日天气类型和风速两个特征量进行比较后取值。

矩阵C具有如下性质：

(1)c_ij＞0

(2)c_ij＝1/c_ji(i≠j)

(3)c_ii＝1(i,j＝1,2,…,n)

步骤3.2：为了使判断矩阵定量化，形成数值判断矩阵，基于一种常用的1～9标度方法，将判断定量化。具体定量方法描述为：标度为1时，表示两元素相比，具有同样的重要性；标度为3时，表示两元素相比，前者比后者稍重要；标度为5时，表示两元素相比，前者比后者明显重要；标度为7时，表示两元素相比，前者比后者强烈重要；标度为9时，表示两元素相比，前者比后者极端重要；标度为2，4，6，8时，表示上述相邻判断的中间值；若元素i与j重要性之比为c_ij，则元素j与i重要性之比为c_ji＝1/c_ij；

根据表格1～9标度方法确定步骤4.1中判断矩阵各个元素的值，相应特征量的权重利用下述公式求取：

$W_i=\underset{j=1}{\overset{4}{\Σ}}{c}_{ij}/\underset{i=1}{\overset{4}{\Σ}}\underset{j=1}{\overset{4}{\Σ}}{c}_{ij}$ 式三

式中i代表第i个三级指标，W_i为第i个指标的权值。

步骤4：基于云模型，求取加权综合云的云重心向量，并计算加权偏离度，画出云图，通过云图对负荷进行分类。具体包括以下子步骤：

步骤4.1：m个指标所反映的系统状态可用1个m维综合云来表示。当m个性能指标发生变化时，该m维综合云的形状亦发生变化，云重心也会随之改变。m维综合云的重心T用m维向量表示：

T＝(T₁,T₂,…,T_m)＝a×b式四

其中：T_i＝a_i×b_i，a为云重心的位置向量，即每个指标的分值，b为云重心的高度向量，即每个指标的权重值。

步骤4.2：在理想状态下，m维综合云重心位置向量a＝(E₁,E₂,…,E_m)，云重心高度向量b＝(b₁,b₂,…,b_m)，则理想状态下云重心向量为对云重心向量进行归一化，得到一组向量： $T^G=(T_1^G,T_2^G,...,T_m^G),$ 其中：

$T_i^G=\{\begin{array}{c}(T_i^0-T_i)/T_i^0,T_i<T_i^0\\ (T_i-T_i^0)/T_i^0,T_i\&GreaterEqual;T_i^0\end{array},i=1,2,\mathrm{...},m$ 式五

经过归一化之后，表征系统状态的综合云重心向量均为有大小、有方向、无量纲的值。把各指标归一化后的向量值乘以权重值，然后再相加，得到加权偏离度θ的值。

$\mathrm{\&theta;}=\underset{i,j=1}{\overset{m}{\&Sigma;}}\left(w_j{T}_j^G\right)$ 式六

其中：0≤θ≤1，w_j为第j个单项指标的归一化权重值；根据求得的综合云重心加权偏离度，得到云图；

步骤5：求取预测日在相应的一级指标和二级指标下按特征量获得的分值，并求取预测日三级指标的加权偏离度，画出云图，根据步骤4.2中的云图，求取与预测日云图分布最为接近的n个数据样本作为预测日的训练数据；

步骤6：利用灰色模型和bp神经网络，将负荷所属类别的负荷数据作为原始数据样本，对预测日的负荷进行预测。具体包括以下子步骤：

步骤6.1：通过上述步骤1至步骤5求取预测日所属类别，提取该类数据中，与预测日相似度最大的n组数据，共n+1组数据，利用前n组数据作为原始数据，利用灰色模型建立拟合曲线，分别求取该n组数据的预测值和预测日的预测值。

步骤6.2：利用灰色模型获得初步预测值，将n组原始数据的灰色预测值作为神经网络的输入量，同时将相应日的加权偏离度作为神经网络的输入量，以负荷的实际值作为输出量对BP神经网络进行训练。以灰色预测模型获得的预测日初步预测值作为测试样本，输入已经训练好的网络，即可获得相应预测日的负荷预测值。

在上述的一种基于云模型的短期负荷预测方法，

步骤2中，将各种定性和定量指标通过标量化手段转化为规范化的定量数据。其中定性指标采用百分制进行标定；对于定量指标，采用建立隶属度函数的方法得到规范化定量数据。利用分值的大小反映负荷量的多少，通过统一的规范化分值对负荷进行分类。

因此，本发明具有如下优点：1、基于分层思想，建立多个分层指标模型，较为全面的考虑影响负荷的多个因素；2、利用隶属度函数和相关系数将定量指标和定性指标转化为统一的反应负荷量大小的分数值，并利用层次分析法求取各个指标的权重值，最后求取加权偏离度获得云图的参数，绘制云图进行负荷分类。该分类方法直观、有效，为负荷预测提供可靠的历史数据。

附图说明

图1是本发明的三层负荷分类模型结构图。

图2是本发明的方法流程图。

图3是本发明的步骤5中根据求得的综合云重心加权偏离度获得的云图示意图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本发明基于某地区历史负荷数据建立一个三层负荷分类模型，根据一级指标和二级指标对负荷进行初步分类，再提取第三级指标的相应特征量并利用打分的方式来反映负荷量的大小。负荷分值利用隶属度函数和层次分析法进行确定，最后通过加权偏离度获得负荷云图，基于云图对负荷进行分类，在精确分类的前提下利用BP神经网络算法对预测日负荷进行预测。具体实施方式实例如下：

步骤1：读取某地记录的历史负荷数据，基于季节，日类型和气象因素建立一个三层负荷分类模，如图1所示。根据季节不同，分别建立春、夏、秋、冬四个一级指标的分类模型；在一级指标模型下，根据日类型的不同，将日类型分成普通工作日，周末、节假日三个二级指标模型；最后将气象因素作为第三级指标，对负荷进一步进行分类。

步骤2：提取第三级指标负荷分类的特征量，根据相关系数法分析影响负荷的相关因素。

$R=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}---\left(1\right)$

其中，R为相关系数；cov(X,Y)为X和Y的协方差,分别为X和Y均方差。

步骤3：建立定性指标和定量指标的打分标准。将定性指标，即天气类型分值划分为五个区间，分别为[0,a1],[a1,a2],[a2,a3],[a3,a4],[a4,100],分别代表负荷量小，较小，一般，较多，多。取区间相应均值作为落入该区间的天气类型的分值，即

$E_{xi}=\frac{c_{\min }+c_{max}}{2}---\left(2\right)$

其中c_min、c_max分别为相应区间的边界值，E_xi为对应天气类型下的分值。

定性指标打分标准为依据历史负荷相关数据，在其他各种指标大致相同情况下，分别计算晴天、多云、阴天、雨天、雪天历史负荷量，取出最小负荷值，分别用其他天气类型下的负荷值与最小负荷值相除，得出相应比值；按照比值从小到大，分别将相应的天气类型归入上述五个取值区间，并根据比值确定相应的各个区间边界值。

对定量指标，建立相应隶属度函数，利用隶属度函数进行打分。工程应用中，可以将隶属函数分成成本型、效益型和适中型三种。即相应的三级指标特征量和负荷量分别成反比、正比和区间类型。确定四个典型评分点(d1，20)、(d2，40)、(d3，60)、(d4，80)并以曲线的首末点为评分值等于0和100的点。依据这六个典型点，即可确定对应于该指标的隶属函数，即指标评分标准函数。

步骤4：根据第三级指标各个特征量的重要性利用层次分析法求取各个特征量的权值。三级指标包括天气类型、温度、风速、湿度。利用相关系数法求得各指标对负荷的相关程度，依据相关程度列写判断矩阵，即对三级指标中的两两元素进行比较，如下表所示

矩阵C具有如下性质：

(1)c_ij＞0

(2)c_ij＝1/c_ji(i≠j)

(3)c_ii＝1(i,j＝1,2,…,n)

步骤4.2：为了使判断矩阵定量化，形成数值判断矩阵，基于一种常用的1～9标度方法，将判断定量化。如下表所示。

根据表格1～9标度方法确定步骤4.1中判断矩阵各个元素的值，相应特征量的权重利用下述公式求取：

$W_i=\underset{j=1}{\overset{4}{\&Sigma;}}{c}_{ij}/\underset{i=1}{\overset{4}{\&Sigma;}}\underset{j=1}{\overset{4}{\&Sigma;}}{c}_{ij}---\left(3\right)$

式中i代表第i个三级指标，W_i为第i个指标的权值。

步骤5：基于云模型，求取加权综合云的云重心向量，并计算加权偏离度，画出云图，通过云图对负荷进行分类。m维综合云重心位置向量a＝(E₁,E₂,_…,E…_m)_，云重心高度向量b＝(b₁,b₂,…,b_m)，则理想状态下云重心向量为对云重心向量进行归一化，得到一组向量： $T^G=(T_1^G,T_2^G,...,T_m^G),$ 其中：

$T_i^G=\{\begin{array}{c}(T_i^0-T_i)/T_i^0,T_i<T_i^0\\ (T_i-T_i^0)/T_i^0,T_i\&GreaterEqual;T_i^0\end{array},i=1,2,\mathrm{...},m---\left(4\right)$

经过归一化之后，表征系统状态的综合云重心向量均为有大小、有方向、无量纲的值。把各指标归一化后的向量值乘以权重值，然后再相加，得到加权偏离度θ的值。

$\mathrm{\&theta;}=\underset{i,j=1}{\overset{m}{\&Sigma;}}\left(w_j{T}_j^G\right)---\left(5\right)$

其中：0≤θ≤1，w_j为第j个单项指标的归一化权重值。

步骤6：求取预测日在相应的一级指标和二级指标下按特征量获得的分值，并求取预测日三级指标的加权偏离度，画出云图，求取与预测日云图分布最为接近的n个数据样本作为预测日的训练数据；

步骤7：利用bp神经网络，利用负荷所属类别的负荷数据作为训练样本，对预测日的负荷进行预测。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种基于云模型的短期负荷预测方法，其特征在于：基于一个三层负荷分类模型，该三层负荷分类模型是基于季节，日类型和气象因素建立的一个三层负荷分类模型；分别是：

四个一级指标的分类模型：具体是根据季节不同，分别建立春、夏、秋、冬四个一级指标的分类模型；

三个二级指标模型：在一级指标模型下，根据日类型的不同，将日类型分成普通工作日，周末、节假日三个二级指标模型；

一个分层多级指标模型：将气象因素作为第三级指标，对负荷进一步进行分类；所述气象因素包括日天气类型(晴，多云，阴，雨，雪)，温度(最高温度，最低温度，平均温度)，风速，湿度；按气象指标进行分类时，需综合考虑日天气类型，温度，风速和湿度等表征天气特征的参量；对于直接量化的指标，温度，风速和湿度，能够都采取线性映射或分段映射；

具体包括以下步骤：

步骤1：提取第三级指标负荷分类的特征量，根据相关系数法分析影响负荷的相关因素；

$R=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$ 式一

其中，R为相关系数；cov(X,Y)为X和Y的协方差,分别为X和Y均方差；

步骤2：建立定性指标和定量指标的打分标准，利用隶属度函数得到第三级指标各个特征量的分值；分值越大表明该特征量使负荷量越大；具体包括以下子步骤：

步骤2.1：根据步骤1获得第三级指标中影响负荷量的相关因素，其中分别有定性指标和定量指标，定性指标为天气类型；定量指标有日最高温度，日最低温度，日平均温度，风速,湿度；定性指标直接进行打分，定量指标利用隶属度函数进行打分；

步骤2.2：将定性指标，即天气类型分值划分为五个区间，分别为[0,a1],[a1,a2],[a2,a3],[a3,a4],[a4,100],分别代表负荷量小，较小，一般，较多，多；取区间相应均值作为落入该区间的天气类型的分值，即

$E_{xi}=\frac{c_{\min }+c_{max}}{2}$ 式二

其中c_min、c_max分别为相应区间的边界值，E_xi为对应天气类型下的分值，a1，a2，a3，a4均为相应天气类型下取值区间的边界值，边界值求取方法如下所述；

定性指标打分标准为依据历史负荷相关数据，在其他各种指标大致相同情况下，分别计算晴天、多云、阴天、雨天、雪天历史负荷量，取出最小负荷值，分别用其他天气类型下的负荷值与最小负荷值相除，得出相应比值；按照比值从小到大，分别将相应的天气类型归入上述五个取值区间，并根据比值确定相应的各个区间边界值；

步骤2.3：对定量指标，建立相应隶属度函数，利用隶属度函数进行打分；建立隶属函数即建立一个从论域到[0，1]上的映射，来反映某对象具有某种模糊性质或属于某个模糊概念的程度；具体的程度值大小即为隶属度；将隶属函数分成成本型、效益型和适中型三种；即相应的三级指标特征量和负荷量分别成反比、正比和区间类型；确定四个典型评分点(d1，20)、(d2，40)、(d3，60)、(d4，80)并以曲线的首末点为评分值等于0和100的点；依据这六个典型点，即可确定对应于该指标的隶属函数，即指标评分标准函数；针对每一个定量指标，具体评分标准包括以下子步骤：

步骤2.3.1：日最高温度，日最低温度，日平均温度三个定量指标对负荷量的影响是相同的，且温度对负荷呈现正向影响的关系；根据当地地区气温区间的划分，低温区间和高温区间随着温度的变化隶属度函数取值变化较大，在常温区间，随着温度的变化隶属度函数取值变化较为平缓；再基于步骤3.3确定6个打分点，相邻两个打分点之间呈线性变化，即可构造出温度指标的打分函数；

步骤2.3.2：风速与温度对负荷的影响相同，也呈现正向影响关系，根据温度指标的打分方法，对风速制定相同的打分标准；

步骤2.3.3：湿度对负荷呈现反向影响的关系，湿度低时负荷高，湿度高时负荷低；根据步骤2.3.1和2.3.2相同的处理方式构造湿度的打分函数；

步骤3：根据第三级指标各个特征量的重要性利用层次分析法求取各个特征量的权值，基于权值和各个特征量的分值求和得出某日负荷获得的总分；

步骤3.1：三级指标包括天气类型、温度、风速、湿度；利用相关系数法求得各指标对负荷的相关程度，依据相关程度列写判断矩阵，即对三级指标中的两两元素进行比较，建立一个矩阵表，矩阵的行和列按顺序依次为日天气类型、日最高温度、日最低温度、日平均温度、风速、湿度，将以上各个特征量分别标号为1,2,3,4,5,6；记c_ij为矩阵的元素，如c₁₅表示日天气类型和风速两个特征量进行比较后取值；

矩阵C具有如下性质：

(1)c_ij＞0

(2)c_ij＝1/c_ji(i≠j)

(3)c_ii＝1(i,j＝1,2,…,n)

步骤3.2：为了使判断矩阵定量化，形成数值判断矩阵，基于一种常用的1～9标度方法，将判断定量化；具体定量方法描述为：标度为1时，表示两元素相比，具有同样的重要性；标度为3时，表示两元素相比，前者比后者稍重要；标度为5时，表示两元素相比，前者比后者明显重要；标度为7时，表示两元素相比，前者比后者强烈重要；标度为9时，表示两元素相比，前者比后者极端重要；标度为2，4，6，8时，表示上述相邻判断的中间值；若元素i与j重要性之比为c_ij，则元素j与i重要性之比为c_ji＝1/c_ij；

根据表格1～9标度方法确定步骤4.1中判断矩阵各个元素的值，相应特征量的权重利用下述公式求取：

$W_i=\underset{j=1}{\overset{4}{\&Sigma;}}{c}_{ij}/\underset{i=1}{\overset{4}{\&Sigma;}}\underset{j=1}{\overset{4}{\&Sigma;}}{c}_{ij}$ 式三

式中i代表第i个三级指标，W_i为第i个指标的权值；

步骤4：基于云模型，求取加权综合云的云重心向量，并计算加权偏离度，画出云图，通过云图对负荷进行分类；具体包括以下子步骤：

步骤4.1：m个指标所反映的系统状态可用1个m维综合云来表示；当m个性能指标发生变化时，该m维综合云的形状亦发生变化，云重心也会随之改变；m维综合云的重心T用m维向量表示：

T＝(T₁,T₂,…,T_m)＝a×b式四

其中：T_i＝a_i×b_i，a为云重心的位置向量，即每个指标的分值，b为云重心的高度向量，即每个指标的权重值；

步骤4.2：在理想状态下，m维综合云重心位置向量a＝(E₁,E₂,…,E_m)，云重心高度向量b＝(b₁,b₂,…,b_m)，则理想状态下云重心向量为对云重心向量进行归一化，得到一组向量： $T^G=(T_1^G,T_2^G,...,T_m^G),$ 其中：

$T_i^G=\left\{\begin{array}{c}(T_i^0-T_i)/T_i^0,T_i<T_i^0\\ (T_i-T_i^0)/T_i^0,T_i\&GreaterEqual;T_i^0\end{array}\right.,i=1,2,...,m$ 式五

经过归一化之后，表征系统状态的综合云重心向量均为有大小、有方向、无量纲的值；把各指标归一化后的向量值乘以权重值，然后再相加，得到加权偏离度θ的值；

$\mathrm{\&theta;}=\underset{i,j=1}{\overset{m}{\&Sigma;}}\left(w_j{T}_j^G\right)$ 式六

其中：0≤θ≤1，w_j为第j个单项指标的归一化权重值；根据求得的综合云重心加权偏离度，得到云图；

步骤5：求取预测日在相应的一级指标和二级指标下按特征量获得的分值，并求取预测日三级指标的加权偏离度，画出云图，根据步骤4.2中的云图，求取与预测日云图分布最为接近的n个数据样本作为预测日的训练数据；

步骤6：利用灰色模型和bp神经网络，将负荷所属类别的负荷数据作为原始数据样本，对预测日的负荷进行预测；具体包括以下子步骤：

步骤6.1：通过上述步骤1至步骤5求取预测日所属类别，提取该类数据中，与预测日相似度最大的n组数据，共n+1组数据，利用前n组数据作为原始数据，利用灰色模型建立拟合曲线，分别求取该n组数据的预测值和预测日的预测值；

步骤6.2：利用灰色模型获得初步预测值，将n组原始数据的灰色预测值作为神经网络的输入量，同时将相应日的加权偏离度作为神经网络的输入量，以负荷的实际值作为输出量对BP神经网络进行训练；以灰色预测模型获得的预测日初步预测值作为测试样本，输入已经训练好的网络，即可获得相应预测日的负荷预测值。

2.根据权利要求1所述的一种基于云模型的短期负荷预测方法，其特征在于：

步骤2中，将各种定性和定量指标通过标量化手段转化为规范化的定量数据；其中定性指标采用百分制进行标定；对于定量指标，采用建立隶属度函数的方法得到规范化定量数据；利用分值的大小反映负荷量的多少，通过统一的规范化分值对负荷进行分类。