CN106326996A - 一种基于电量信息的用户负荷预测方法 - Google Patents

Abstract

本发明提供了一种基于电量信息的用户负荷预测方法，包括步骤1：确定用户高峰负荷时段用电量集合Q；步骤2：设定用户在高峰负荷时段的时刻序号i＝1；步骤3：将使用概率典型值矩阵PB^i-1赋值到使用概率典型值矩阵PBⁱ中；步骤4：构建负荷曲线序列值集合Pⁱ；步骤5：用遗传算法优化使用概率典型值矩阵PBⁱ；步骤6：设置i＝i+1；步骤7：依据优化后的使用概率典型值矩阵PBⁱ和用户拥有的各种类型家用电器的数量，运用蒙特卡洛非序贯随机抽样方法计算预测用户负荷值。与现有技术相比，本发明提供的一种基于电量信息的用户负荷预测方法，方便、快捷，提高了预测准确度，为台区配电变压器容量的合理配置奠定基础，提高配电台区经济运行水平和建设效率。

Description

一种基于电量信息的用户负荷预测方法

技术领域

本发明涉及电力系统领域，具体涉及一种基于电量信息的用户负荷预测方法。

背景技术

随着经济社会的快速稳定发展，新型城镇化和美丽乡村建设的有序开展，特别是随着农村居民家庭家用电器的不断增加，我国居民用电负荷不断增长，居民生活用电特性也不断发生变化。准确掌握用户负荷、特别是高峰负荷时段用户负荷的增长情况和用电特性，是合理进行配电台区规划，优化配电台区运行控制的基础。目前在实际配电台区规划建设过程对用户用电负荷一般根据经验进行估算，准确度不高，导致配电台区刚刚进行增容后不久就重过载的情况时有发生。因此，准确模拟和预测用户负荷变化急需解决。目前配电台区对于用户仅准确获知用电量信息，可以通过用户智能电表采集每天尖峰时段、高峰时段、平段和谷段电量，另外可以通过统计方法获得用户家用电器的额定功率和拥有量。

准确掌握用户负荷、特别是高峰负荷时段用户负荷的增长情况和用电特性，是合理进行配电台区规划，优化配电台区运行控制的基础。目前在实际配电台区规划建设过程对用户用电负荷一般根据经验进行估算，准确度不高，导致配电台区刚刚进行增容后不久就重过载的情况时有发生。因此，需要提供一种方便、快捷、准确模拟和预测用户负荷变化的用户负荷预测方法，为台区配电变压器容量的合理配置奠定基础，提高配电台区经济运行水平和建设效率。

发明内容

为了在配电台区规划建设过程中准确掌握用户用电负荷，本发明提供了一种基于电量信息的用户负荷预测方法。

本发明的技术方案是：

所述方法包括：

步骤1：获取用户家用电器的种类集合DQ、功率集合PDQ、数量集合NDQ、使用概率初始典型值矩阵PB⁰、高峰负荷时段的时刻集合T和用户高峰负荷时段用电量集合Q；

步骤2：设定用户在高峰负荷时段的时刻序号i＝1，1≤i≤m，所述m为高峰负荷时段的时刻总数；

步骤3：将使用概率典型值矩阵PB^i-1赋值到使用概率典型值矩阵PBⁱ中；所述PB^i-1为t_i-1时刻的家用电器使用概率典型值矩阵，PBⁱ为t_i时刻的家用电器使用概率典型值矩阵；

步骤4：依据所述使用概率典型值矩阵PBⁱ计算用户高峰负荷时段中各时刻的负荷值，构建负荷曲线序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}，p_i为t_i时刻家用电器的负荷值；

步骤5：用遗传算法优化所述使用概率典型值矩阵PBⁱ；

步骤6：设置高峰负荷时段的时刻序号i＝i+1；

步骤7：若i≤m，则返回步骤3；若i＞m，则依据优化后的家用电器的使用概率典型值矩阵PBⁱ和用户拥有的各种类型家用电器的数量，运用蒙特卡洛非序贯随机抽样方法计算预测用户的负荷值。

优选的，所述步骤1中所述家用电器的种类集合DQ＝{dq₁,dq₂,...,dq_j,...,dq_n}，n为家用电器的类型总数，dq_j为第j种类型家用电器的名称；所述家用电器的功率集合PDQ＝{pdq₁,pdq₂,...,pdq_j,...,pdq_n}，pdq_j为第j种类型家用电器的平均功率；所述家用电器的数量集合NDQ＝{ndq₁,ndq₂,...,ndq_j,...,ndq_n}，ndq_j为第j种类型家用电器的数量；所述高峰负荷时段的时刻集合T＝{t₁,t₂,...,t_i,...,t_m}，t_m为24制时间的时刻值，1≤t_m≤24；

所述家用电器的使用概率初始典型值矩阵

所述为t_i时刻第j种类型家用电器dq_j的使用概率典型值的初值；

优选的，所述步骤1中用户用电量集合Q＝{q₁,q₂,...,q_k,...,q_d}，q_k为第k天用户的用电量，d为智能电表采集所述用电量的总天数；

所述步骤4中用蒙特卡洛非序贯随机抽样方法计算t_i时刻家用电器的负荷值p_i；

优选的，所述步骤5中用遗传算法优化t_i时刻家用电器的使用概率典型值矩阵PBⁱ，包括：

步骤5-1：设定迭代次数h的初值为0，迭代次数h的最大值为maxnum，种群规模的数量为ZQnum；将t_i时刻家用电器的使用概率典型值矩阵PBⁱ中的各使用概率进行对应的染色体编码，产生初始种群ZQ⁰；

步骤5-2：设置所述迭代次数h＝h+1；

步骤5-3：将种群ZQ^h-1的数据赋值到种群ZQ^h；ZQ^h-1为第h-1次迭代产生的种群，ZQ^h为第h次迭代产生的种群；设定种群ZQ^h中染色体标志位l的初值为0；

步骤5-4：设置所述染色体标志位l＝l+1；

步骤5-5：对第l个染色体进行反编码，得到t_i时刻各类型家用电器的使用概率；

步骤5-6：依据所述t_i时刻各类型家用电器的使用概率，用蒙特卡洛非序贯随机抽样方法获取t_i时刻家用电器的负荷值p_i，并更新所述负荷曲线序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}；

步骤5-7：依据所述更新后的负荷曲线序列集合P计算用户在高峰负荷时段家用电器的负荷平均值Pav， $\mathrm{Pav}=\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_i\right)/m;$

步骤5-8：依据用电量集合Q获取用户高峰负荷时段的平均负荷集合PG＝{pg₁,pg₂,...,pg_k,...,pg_d}；pg_k为第k天用户的平均负荷值，d为智能电表采集用户用电量的总天数；

步骤5-9：计算第l个染色体的适应度函数值ε，

步骤5-10：若染色体标志位l＜ZQnum，则返回步骤5-4；若染色体标志位l≥ZQnum，则执行步骤5-11；

步骤5-11：将所述染色体按照适应度函数值ε的数值由小到大排列，选取第1至第ZQnum个染色体后执行步骤5-12；

步骤5-12：对种群ZQ^h进行双亲双子单点基因整体交叉运算；

步骤5-13：对染色体进行变异，并依据变异后的染色体更新所述种群ZQ^h；

步骤5-14：若迭代次数h＜maxnum，则返回步骤5-2；若迭代次数h≥maxnum，则将所述适应度函数值ε最优的染色体进行反编码，得到t_i时刻家用电器的使用概率优化值；

优选的，在步骤7中，所述用蒙特卡洛非序贯随机抽样方法计算t_i时刻家用电器的负荷值p_i，包括：

步骤7-1：设定随机抽样次数a的初值为0；

步骤7-2：设置随机抽样次数a＝a+1；

对家用电器在t_i时刻的运行状态进行第a次随机抽样，得到第j种类型家用电器dq_j在t_i时刻的第a次随机抽样运行状态系数

若第a次随机抽样的随机数则若第a次随机抽样的随机数则为t_i时刻家用电器的使用概率；

步骤7-3：计算用户在t_i时刻的第a次随机抽样的负荷值

步骤7-4：若随机抽样次数a＜RS，则返回步骤1-2；若随机抽样次数a≥RS，则计算RS次随机抽样下所述负荷值p_i；

所述RS为最大抽样次数。

与最接近的现有技术相比，本发明的优异效果是：

本发明提供的一种基于电量信息的用户负荷预测方法，利用了智能电表采集的每天高峰负荷时段电量，运用遗传算法对各种类型家用电器的使用概率进行优化；进行蒙特卡洛非序贯随机抽样模拟负荷分布。能够方便、快捷模拟和预测用户负荷变化，提高了预测准确度，为台区配电变压器容量的合理配置奠定基础，提高配电台区经济运行水平和建设效率。

附图说明

下面结合附图对本发明进一步说明。

图1：本发明实施例中用户负荷预测方法应用图；

图2：本发明实施例中遗传算法流程图；

图3：本发明实施例中蒙特卡洛非序贯随机抽样方法流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明提供的一种基于电量信息的用户负荷预测方法，能够方便、快捷预测用户高峰负荷时段的负荷变化，提高预测准确度，为台区配电变压器容量的合理配置奠定基础，提高配电台区经济运行水平和建设效率。

一、如图1所示，用户负荷预测方法的具体步骤包括：

一)获取用户家用电器的种类集合DQ、功率集合PDQ、数量集合NDQ、使用概率初始典型值矩阵PB⁰、高峰负荷时段的时刻集合T和用户高峰负荷时段的用电量集合Q。

1、家用电器的种类集合DQ＝{dq₁,dq₂,...,dq_j,...,dq_n}，n为家用电器的类型总数，dq_j为第j种类型家用电器的名称。

2、家用电器的功率集合PDQ＝{pdq₁,pdq₂,...,pdq_j,...,pdq_n}，pdq_j为第j种类型家用电器的平均功率。

3、家用电器的数量集合NDQ＝{ndq₁,ndq₂,...,ndq_j,...,ndq_n}，ndq_j为第j种类型家用电器的数量。

4、高峰负荷时段的时刻集合T＝{t₁,t₂,...,t_i,...,t_m}，t_m为24制时间的时刻值，1≤t_m≤24。

5、家用电器的使用概率初始典型值矩阵为t_i时刻第j种类型家用电器dq_j的使用概率典型值的初值。

6、用户高峰负荷时段的用电量集合Q＝{q₁,q₂,...,q_k,...,q_d}，q_k为第k天用户高峰负荷时段的用电量，d为智能电表采集所述用电量的总天数。

二)设定用户在一天中高峰负荷时段的时刻序号i＝1，本实施例中1≤i≤m。

三)将使用概率典型值矩阵PB^i-1赋值到使用概率典型值矩阵PBⁱ中。

PB^i-1为t_i-1时刻的家用电器使用概率典型值矩阵，PBⁱ为t_i时刻的家用电器使用概率典型值矩阵。

四)根据当前的家用电器使用概率典型值矩阵PBⁱ，进行蒙特卡洛非序贯随机抽样，计算该用户高峰负荷时段的各时刻的负荷值p_i，构建负荷曲线序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}。

五)优化使用概率典型值矩阵PBⁱ。

如图2所示，本实施例中用遗传算法优化t_i时刻家用电器的使用概率典型值矩阵PBⁱ，具体步骤为：

1、设定迭代次数h的初值为0，迭代次数h的最大值为maxnum，种群规模的数量为ZQnum。

2、依据基因编码策略，将t_i时刻家用电器的使用概率典型值矩阵PBⁱ中的各使用概率进行对应的染色体编码，产生初始种群ZQ⁰。

3、设置迭代次数h＝h+1。

4、将种群ZQ^h-1的数据赋值到种群ZQ^h。

ZQ^h-1为第h-1次迭代产生的种群，ZQ^h为第h次迭代产生的种群。

5、设定种群ZQ^h中染色体标志位l的初值为0。

6、置染色体标志位l＝l+1。

7、从种群ZQ^h中取出第l个染色体，对该染色体进行反编码，得到t_i时刻各类型家用电器的使用概率，例如得到t_i时刻第j种类型家用电器的使用概率

8、如图3所示，根据当前t_i时刻各类型家用电器的使用概率，用蒙特卡洛非序贯随机抽样方法进行随机抽样获取t_i时刻用户的家用电器负荷值p_i。

9、依据步骤8得到的t_i时刻用户的家用电器负荷值p_i，更新当前负荷曲线序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}。

10、依据当前t_i时刻的负荷曲线序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}，计算用户在一天中高峰负荷时段家用电器的负荷平均值Pav，

11、依据用电量集合Q计算用户高峰负荷时段的平均负荷集合PG＝{pg₁,pg₂,...,pg_k,...,pg_d}。

其中，pg_k为第k天用户的平均负荷值，pg_k＝q_k/m，d为智能电表采集用户用电量的总天数。

12、计算第l个染色体的适应度函数值ε，

13、若染色体标志位l＜ZQnum，则返回步骤6；若染色体标志位l≥ZQnum，则执行步骤14；

14、选择。

其中，选择是根据种群中每个染色体的适应度函数值ε，选取适应度函数值ε较小的ZQnum个染色体；本实施例中将染色体按照适应度函数值ε的数值由小到大排列，选取第1至第ZQnum个染色体后执行步骤15；

15、对种群ZQ^h进行双亲双子单点基因整体交叉运算。

16、变异。

其中，变异是根据变异率来控制染色体是否进行变异，需要进行变异时，随机选择需要变异的基因。在确定需要变异的基因后，应当按照基因的依赖和互斥关系情况进行变异。

17、依据变异后的染色体更新种群ZQ^h。

18、若迭代次数h＜maxnum，则返回步骤3；若迭代次数h≥maxnum，则将适应度函数值ε最优的染色体进行反编码，得到t_i时刻家用电器的使用概率优化值。

19、依据上述t_i时刻家用电器的使用概率优化值，确定优化后的家用电器的使用概率典型值矩阵PBⁱ。

六)设置高峰负荷时段的时刻序号i＝i+1。

七)若i≤m，则返回步骤三)，将使用概率典型值矩阵PB^i-1赋值到使用概率典型值矩阵PBⁱ中；若i＞m，则依据优化后的使用概率典型值矩阵PBⁱ和用户拥有的各种类型家用电器的数量计算预测用户负荷值。

二、如图3所示，本实施例中步骤一)、五)和七)中用蒙特卡洛非序贯随机抽样方法计算用户在t_i时刻家用电器的负荷值p_i的具体步骤为：

1、设定随机抽样次数a的初值为0。

2、设置随机抽样次数a＝a+1。

对家用电器在t_i时刻的运行状态进行第a次随机抽样，得到第j种类型家用电器dq_j在t_i时刻的第a次随机抽样运行状态系数

若第a次随机抽样的随机数则家用电器未运行；若第a次随机抽样的随机数则家用电器运行；为t_i时刻家用电器的使用概率。

3、计算用户在t_i时刻的第a次随机抽样的负荷值

4、若随机抽样次数a＜RS，则返回步骤2；若随机抽样次数a≥RS，则计算RS次随机抽样下用户的家用电器负荷值p_i；RS为最大抽样次数。

三、采用本发明提供的负荷预测方法，对用户夏季高峰负荷时段进行负荷预测的具体过程为：

一)确定家用电器的种类集合DQ、功率集合P_DQ、数量集合N_DQ、使用概率初始典型值矩阵、用户高峰负荷时段的时刻集合T和用户用电量集合Q。

1、家用电器的种类集合：

DQ＝{dq₁,dq₂,dq₃,dq₄,dq₅,dq₆,dq₇,dq₈,dq₉,dq₁₀,dq₁₁,dq₁₂,dq₁₃,dq₁₄,dq₁₅,dq₁₆}：

dq₁表示电灯照明设备、dq₂表示电磁炉、dq₃表示电饭煲、dq₄表示电热水壶、dq₅表示微波炉、dq₆表示抽油烟机、dq₇表示高档电炊具(包括电饼铛等高档设备)、dq₈表示电风扇、dq₉表示空调、dq₁₀表示电取暖器、dq₁₁表示电视机、dq₁₂表示电冰箱、dq₁₃表示洗衣机、dq₁₄表示电热水器、dq₁₅表示家用计算机、dq₁₆表示电动自行车。

2、家用电器的功率集合PDQ＝{pdq₁,pdq₂,...,pdq₁₆}。

3、家用电器的数量集合NDQ＝{ndq₁,ndq₂,...,ndq₁₆}。

4、高峰负荷时段的时刻集合T＝{9,10,11,17,18,19,20,21}。

5、家用电器的使用概率初始典型值矩阵

6、用户用电量集合Q＝{q₁,q₂,...,q₆₂}，本实施例中选取智能电表采集的用户7和8月的用电量。

二)设定用户在一天中高峰负荷时段的时刻序号i＝1，本实施例中1≤i≤8。

三)将使用概率典型值矩阵PB^i-1赋值到使用概率典型值矩阵PBⁱ中。

四)根据当前的家用电器使用概率典型值矩阵PBⁱ，进行蒙特卡洛非序贯随机抽样，计算该用户高峰负荷时段的各时刻的负荷值p_i，形成当前的负荷曲线序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}。

五)根据该用户夏季7月和8月每天的高峰负荷时段的用电量Q＝{q₁,q₂,...,q₆₂}和当前负荷曲线序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}，运用遗传算法逐步对t_i时刻点使用概率典型值矩阵PBⁱ进行优化。

六)依据优化后的使用概率值更新当前的家用电器使用概率典型值矩阵PBⁱ，

七)置高峰负荷时段的时刻序号i＝i+1。

八)判断高峰负荷时段的时刻序号i是否大于8，如果高峰负荷时段的时刻序号i小于或等于8，转步骤三)；如果i大于8，转步骤九)。

九)根据优化后的家用电器使用概率典型值矩阵以及该用户拥有的各种类型家用电器的数量，根据蒙特卡洛非序贯随机抽样，对该用户所有家用电器在时刻的运行状态随机抽样，预测该用户夏季高峰时段的负荷值。

最后应当说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

Claims (5)

1.一种基于电量信息的用户负荷预测方法，其特征在于，所述方法包括：

步骤1：获取用户家用电器的种类集合DQ、功率集合PDQ、数量集合NDQ、使用概率初始典型值矩阵PB⁰、高峰负荷时段的时刻集合T和用户高峰负荷时段用电量集合Q；

步骤2：设定用户在高峰负荷时段的时刻序号i＝1，1≤i≤m，m为高峰负荷时段的时刻总数；

步骤3：将使用概率典型值矩阵PB^i-1赋值到使用概率典型值矩阵PBⁱ中；所述PB^i-1为t_i-1时刻的家用电器使用概率典型值矩阵，PBⁱ为t_i时刻的家用电器使用概率典型值矩阵；

步骤4：依据所述使用概率典型值矩阵PBⁱ计算用户高峰负荷时段中各时刻的负荷值，构建负荷曲线序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}，p_i为t_i时刻家用电器的负荷值；

步骤5：用遗传算法优化所述使用概率典型值矩阵PBⁱ；

步骤6：设置高峰负荷时段的时刻序号i＝i+1；

步骤7：若i≤m，则返回步骤3；若i＞m，则依据优化后的家用电器的使用概率典型值矩阵PBⁱ和用户拥有的各种类型家用电器的数量，运用蒙特卡洛非序贯随机抽样方法计算预测用户的负荷值。

2.如权利要求1所述的方法，其特征在于，所述步骤1中所述家用电器的种类集合DQ＝{dq₁,dq₂,...,dq_j,...,dq_n}，n为家用电器的类型总数，dq_j为第j种类型家用电器的名称；所述家用电器的功率集合PDQ＝{pdq₁,pdq₂,...,pdq_j,...,pdq_n}，pdq_j为第j种类型家用电器的平均功率；所述家用电器的数量集合NDQ＝{ndq₁,ndq₂,...,ndq_j,...,ndq_n}，ndq_j为第j种类型家用电器的数量；所述高峰负荷时段的时刻集合T＝{t₁,t₂,...,t_i,...,t_m}，t_m为24制时间的时刻值，1≤t_m≤24；

所述家用电器的使用概率初始典型值矩阵

为t_i时刻第j种类型家用电器dq_j的使用概率典型值的初值。

3.如权利要求1所述的方法，其特征在于，所述步骤1中用户用电量集合Q＝{q₁,q₂,...,q_k,...,q_d}，q_k为第k天用户的用电量，d为智能电表采集所述用电量的总天数；

所述步骤4中用蒙特卡洛非序贯随机抽样方法计算t_i时刻家用电器的负荷值p_i。

4.如权利要求1所述的方法，其特征在于，所述步骤5中用遗传算法优化t_i时刻家用电器的使用概率典型值矩阵PBⁱ，包括：

步骤5-1：设定迭代次数h的初值为0，迭代次数h的最大值为maxnum，种群规模的数量为ZQnum；将t_i时刻家用电器的使用概率典型值矩阵PBⁱ中的各使用概率进行对应的染色体编码，产生初始种群ZQ⁰；

步骤5-2：设置所述迭代次数h＝h+1；

步骤5-3：将种群ZQ^h-1的数据赋值到种群ZQ^h；ZQ^h-1为第h-1次迭代产生的种群，ZQ^h为第h次迭代产生的种群；设定种群ZQ^h中染色体标志位l的初值为0；

步骤5-4：设置所述染色体标志位l＝l+1；

步骤5-5：对第l个染色体进行反编码，得到t_i时刻各类型家用电器的使用概率；

步骤5-6：依据所述t_i时刻各类型家用电器的使用概率，用蒙特卡洛非序贯随机抽样方法获取t_i时刻家用电器的负荷值p_i，并更新所述负荷曲线序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}；

步骤5-7：依据所述更新后的负荷曲线序列集合P计算用户在高峰负荷时段家用电器的负荷平均值Pav， $\mathrm{Pav}=\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_i\right)/m;$

步骤5-8：依据用电量集合Q获取用户高峰负荷时段的平均负荷集合PG＝{pg₁,pg₂,...,pg_k,...,pg_d}；pg_k为第k天用户的平均负荷值，d为智能电表采集用户用电量的总天数；

步骤5-9：计算第l个染色体的适应度函数值ε，

步骤5-10：若染色体标志位l＜ZQnum，则返回步骤5-4；若染色体标志位l≥ZQnum，则执行步骤5-11；

步骤5-11：将所述染色体按照适应度函数值ε的数值由小到大排列，选取第1至第ZQnum个染色体后执行步骤5-12；

步骤5-12：对种群ZQ^h进行双亲双子单点基因整体交叉运算；

步骤5-13：对染色体进行变异，并依据变异后的染色体更新所述种群ZQ^h；

步骤5-14：若迭代次数h＜maxnum，则返回步骤5-2；若迭代次数h≥maxnum，则将所述适应度函数值ε最优的染色体进行反编码，得到t_i时刻家用电器的使用概率优化值。

5.如权利要求1、3或4所述的方法，其特征在于，在步骤7中，所述用蒙特卡洛非序贯随机抽样方法计算t_i时刻家用电器的负荷值p_i，包括：

步骤7-1：设定随机抽样次数a的初值为0；

步骤7-2：设置随机抽样次数a＝a+1；

对家用电器在t_i时刻的运行状态进行第a次随机抽样，得到第j种类型家用电器dq_j在t_i时刻的第a次随机抽样运行状态系数

若第a次随机抽样的随机数则若第a次随机抽样的随机数则 为t_i时刻家用电器的使用概率；

步骤7-3：计算用户在t_i时刻的第a次随机抽样的负荷值

步骤7-4：若随机抽样次数a＜RS，则返回步骤1-2；若随机抽样次数a≥RS，则计算RS次随机抽样下所述负荷值p_i；

所述RS为最大抽样次数。