引用本文

孙晨暄, 韩红桂, 伍小龙, 房方. 基于元认知二型模糊神经网络的电力负荷区间预测方法. 自动化学报, 2026, 52(6): 1145−1156 doi: 10.16383/j.aas.c250480

Sun Chen-Xuan, Han Hong-Gui, Wu Xiao-Long, Fang Fang. Interval prediction method of power load based on metacognitive type-2 fuzzy neural network. Acta Automatica Sinica, 2026, 52(6): 1145−1156 doi: 10.16383/j.aas.c250480

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250480

关键词

元认知二型模糊神经网络，区间预测，区间覆盖率，区间宽度

摘要

针对电力负荷呈现高度非线性和强不确定性等特征导致关键指标难以准确预测的问题, 提出一种基于元认知二型模糊神经网络的区间预测方法. 首先, 设计基于多值映射的二型模糊规则, 利用区间估计技术将规则后件由单值标量扩展为区间向量, 处理不确定性导致的负荷序列变量关联关系偏差并捕捉变量间的非线性关系. 其次, 构建基于误差补偿机制的二型模糊神经网络, 引入动态反馈结构实时感知并补偿累积误差和模型偏差, 实现关键指标高精度预测. 再次, 设计基于区间覆盖率和区间宽度的元认知学习算法, 通过实时评估区间可靠性自适应优化二型模糊神经网络边界估计值, 提高区间预测的置信度. 最后, 将提出的元认知二型模糊神经网络应用于城市电力负荷预测任务. 验证结果显示, 该方法能够提供高置信度且精确的预测区间.

文章导读

电力负荷预测作为负荷动态变化规律挖掘的核心技术, 为电网供需平衡调控、能源调度优化及电力系统实时决策提供科学依据, 在智能电网建设、新能源消纳、配电网络高效运行等关键领域具有不可替代的作用[1−2]. 然而, 受系统运行过程复杂性和环境扰动因素影响, 电力负荷普遍呈现高度非线性和强不确定性的非平稳特征[3−5]. 数据驱动的点预测技术通过建立输入−输出映射关系提供单一预测值, 其结果难以度量电力负荷变化的内在不确定性, 无法有效量化电网运行中负荷峰谷波动、供需失衡等风险边界[6−7]. 因此, 开展电力负荷的区间预测研究, 对提升电网运行安全性、优化资源配置效率具有重要意义[8−9].

区间预测作为不确定性量化的有效工具, 利用统计学和机器学习技术估计特定置信水平下目标值的上下界, 为电力系统提供可靠的不确定性量化依据. 区间预测方法依据误差分布假设的差异性, 可分为参数估计法与非参数估计法[10−11]. 参数估计法通过假设误差的概率分布模型构建预测区间, 典型方法包括Beta分布拟合[12−13]、高斯过程回归[14]等. Zhang等[15]提出一种基于Lorenz扰动分布的区间预测方法, 引入Lorenz扰动项量化电力负荷的不确定因素, 实现电力负荷的区间预测. 结果表明, 该方法能够有效描述负荷波动幅度和趋势, 为不确定性量化提供了概率性描述. Lu 等[16]设计一种基于层次贝叶斯的区间预测模型, 利用拉普拉斯分布替代高斯分布捕捉系统误差的左偏特性, 显著提升了区间预测精度. Wan等[17]提出一种基于高斯过程回归的区间预测方法, 利用平方指数核函数表征预测误差分布的不确定性, 实现了关键指标的区间预测. 周平等[18]提出一种基于Stacking学习的区间预测方法, 利用高斯核函数计算建模误差集的标准差, 将其叠加于预测输出以获取区间上下界, 实现时间序列预测区间的构建. 仿真结果证明, 所提方法能够获得可靠的预测区间. 然而, 上述方法高度依赖预设概率分布与实际数据特性的匹配度. 若实际误差分布与预设分布偏差过大, 易导致预测区间覆盖度不足, 降低模型性能[19−20].

非参数估计法无需预设误差分布形式, 利用数据驱动机制直接从数据中挖掘不确定性规律, 生成预测区间. 该类方法在处理电力负荷序列数据时具有自适应性[21−22]. 例如, Guan等[23]提出一种基于上下界估计的区间预测模型, 利用多输入双输出的多层感知器模拟电力负荷潜在的波动范围边界, 实现了负荷的区间预测. He等[24]提出一种基于神经网络的区间预测方法, 利用小波神经网络捕捉电力负荷序列的时间特征, 确定负荷区间上下界. 然而, 该方法将上、下边界视为独立变量进行建模, 忽略边界之间的关联性, 易导致区间宽度估计失准, 降低了区间估计的可靠性[25]. 为弥补边界关联性建模的不足, 基于方差估计的区间预测方法得到广泛研究[26−27]. Xu等[28] 提出一种基于神经网络的区间预测模型, 该方法利用蒙特卡洛方法估计输出误差的置信区间, 捕捉系统不确定性, 提升了负荷区间预测的准确性和可靠性. Tang等[29]提出一种基于误差的预测方法, 利用门控循环单元构建区间预测模型, 同步输出目标变量的预测值及预测误差, 通过叠加策略生成预测区间. Zhou等[30]提出一种基于最优边界椭球学习算法的长短期记忆神经网络区间预测方法, 利用最优边界椭球学习算法将输出预测值扩展为不确定性区间, 实现区间估计. 实验结果表明, 该方法能够获得覆盖率高、间隔宽度窄的预测区间. Zhang等[31]设计一种基于强化学习的负荷区间预测方法, 利用强化学习框架执行分位数比例选择和分位数估计任务, 通过将分位数对应的预测结果直接映射为电力负荷预测区间的下界与上界, 实现电力负荷的区间预测. 然而, 上述方法缺乏不确定性传递机制, 难以满足高可靠性场景下对区间预测的性能要求[32−33]. 二型模糊神经网络通过将模糊规则从确定性数值扩展到连续模糊区间, 增强了对复杂非线性关系的表征能力, 能够有效处理时间序列的不确定性, 已成为一种通用的非参数区间预测方法[34]. Khanesar 等[35]设计一种基于二型模糊逻辑系统的区间预测方法, 利用二型模糊集刻画输入变量的不确定性边界, 通过规则推理获取区间结果. Liu等[36]提出一种二型模糊粒度神经网络, 利用粒间关联度优化区间生成过程, 提升了预测区间与实际波动的一致性. 然而, 二型模糊神经网络通常采用静态规则库, 导致误差的置信区间缺乏动态调整机制, 难以适配电力负荷的动态演化特性. 因此, 构建兼具自适应性与可靠性的动态预测区间是当前研究的核心挑战.

为此, 本文通过分析电力负荷的不确定性来源及其对建模的影响, 提出元认知二型模糊神经网络(metacognitive type-2 fuzzy neural network, MCT2FNN), 以实现负荷区间预测. 该方法主要有以下优势:

1)针对电力负荷数据强非线性与不确定性耦合特性, 提出一种基于多值映射的二型模糊规则. 该规则通过区间隶属函数描述模糊集的变化范围, 有效表征变量间的非线性关系带并捕捉电力负荷序列数据的内在不确定性.

2)为提高二型模糊神经网络建模电力负荷的能力, 设计一种误差补偿机制调整模型参数, 结合网络内部的自适应参数调整和外部的误差补偿机制共同提高模型性能. 该机制利用动态反馈结构, 实现模型输出点的自适应补偿, 显著提高模型对电力负荷的预测精度.

3)面向电力负荷区间预测的实际需求, 提出一种元认知学习算法自适应优化输出区间的上下界估计值, 实现动态输出区间的构建. 该算法根据电力负荷波动规律, 捕捉过程变化趋势并量化不确定性幅度. 通过动态调整区间宽度, 提高预测区间宽度与时序波动的匹配度, 获得兼具高覆盖性与紧致性的预测区间.

图1  基于元认知二型模糊神经网络的电力负荷区间预测方法

图2  不同滑窗下的性能比较

图3  电力负荷点预测过程的训练RMSE

针对电力负荷序列关键指标难以准确预测的问题, 本文设计元认知二型模糊神经网络, 实现了关键指标可靠的区间预测. 仿真结果显示, MCT2FNN引入误差补偿和元认知算法, 建模结果显著优于其他建模方法. 该方法设计区间隶属函数处理负荷序列的不确定性, 利用二型高斯函数拟合关键指标和过程变量的非线性关系; 提出误差补偿机制, 通过误差反馈自适应调整参数, 实时校正预测偏差, 提升预测准确性; 提出元认知学习算法, 自适应地调整区间的上下界估计值, 确保了关键指标区间预测的可靠性.

然而, 本文方法仍存在一定局限性. 现有模型因包含二型模糊逻辑运算与元认知迭代调整, 整体计算复杂度略高于传统时序预测模型, 难以完全适配低延迟需求的场景. 未来将研究模型轻量化设计, 在保证区间预测精度与置信度的前提下, 减少模型计算量与存储成本, 推动其在实时预测与调控系统中的实际应用.

作者简介

孙晨暄

华北电力大学控制与计算机工程学院讲师. 主要研究方向为神经网络设计与优化, 非线性系统智能建模. E-mail: sunchenxuan@ncepu.edu.cn

韩红桂

北京工业大学信息科学技术学院教授. 主要研究方向为神经网络结构设计与优化, 非线性系统智能优化控制. E-mail: rechardhan@sina.com

伍小龙

北京工业大学信息科学技术学院教授. 主要研究方向为非线性系统智能特征建模与智能控制. E-mail: lewis_wxl@sina.com

房方

华北电力大学控制与计算机工程学院教授. 主要研究方向为发电过程建模与控制, 先进能源系统分析与优化. 本文通信作者. E-mail: ffang@ncepu.edu.cn

支持单位：