基于可變區(qū)間權(quán)重的中期用電量半?yún)?shù)預(yù)測(cè)模型

邵 臻，楊善林，高 飛，王曉佳

(1.合肥工業(yè)大學(xué)管理學(xué)院，安徽 合肥 230009；2.過程優(yōu)化與智能決策教育部重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230009)

?

基于可變區(qū)間權(quán)重的中期用電量半?yún)?shù)預(yù)測(cè)模型

邵 臻1,2，楊善林1,2，高 飛1,2，王曉佳1,2

(1.合肥工業(yè)大學(xué)管理學(xué)院，安徽 合肥 230009；2.過程優(yōu)化與智能決策教育部重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230009)

由于數(shù)據(jù)變化規(guī)律的多樣性，中期電力負(fù)荷的波動(dòng)有著不同于短期、長(zhǎng)期負(fù)荷的特點(diǎn)?；陔娏ο到y(tǒng)復(fù)雜性的研究視角，重點(diǎn)討論了中期負(fù)荷預(yù)測(cè)過程中模型的不確定性、參數(shù)的時(shí)變特性以及負(fù)荷波動(dòng)的周期性規(guī)律。根據(jù)中期負(fù)荷的數(shù)據(jù)特性，建立了基于非參數(shù)修勻的半?yún)?shù)模型，定義了函數(shù)區(qū)間的劃分粒度以及模型權(quán)重的求解方法，提出了基于可變區(qū)間權(quán)重的動(dòng)態(tài)預(yù)測(cè)方法，給出了基于經(jīng)驗(yàn)?zāi)B(tài)分解和波動(dòng)能量分析的噪聲序列提取、檢驗(yàn)方法。試驗(yàn)研究結(jié)果表明，氣候因素對(duì)用電消耗的影響最大，經(jīng)濟(jì)因素次之；從選取的指標(biāo)來(lái)看，不同時(shí)期的影響因素對(duì)于模型的解釋能力是時(shí)變的；所提方法能夠?qū)﹄娏ω?fù)荷進(jìn)行精確的多粒度、多維度分析,進(jìn)而掌握其局部變化規(guī)律，可有效用于電力系統(tǒng)中期負(fù)荷預(yù)測(cè)。

半?yún)?shù)模型；可變區(qū)間權(quán)重；動(dòng)態(tài)預(yù)測(cè)；集合經(jīng)驗(yàn)?zāi)B(tài)分解；中期負(fù)荷預(yù)測(cè)

1 引言

電力負(fù)荷預(yù)測(cè)是智能電網(wǎng)運(yùn)行管理與建設(shè)發(fā)展的基礎(chǔ)，也是長(zhǎng)期以來(lái)的熱點(diǎn)問題。負(fù)荷預(yù)測(cè)的準(zhǔn)確性在很大程度上取決于對(duì)負(fù)荷波動(dòng)性的準(zhǔn)確把握。中期負(fù)荷由于受到外界諸多復(fù)雜因素的影響(氣候因素，經(jīng)濟(jì)因素等)，其變動(dòng)呈現(xiàn)出較強(qiáng)的非線性、非平穩(wěn)特性，這也為其精確預(yù)測(cè)帶來(lái)了很大困難。中期負(fù)荷預(yù)測(cè)對(duì)于合理安排水庫(kù)調(diào)度、電煤計(jì)劃等至關(guān)重要，中期序列所具有的年度波動(dòng)特性和月度波動(dòng)特性共同構(gòu)成了其空間網(wǎng)狀關(guān)系[1]，各月度序列處于此空間網(wǎng)狀縱橫發(fā)展趨勢(shì)的交叉點(diǎn)上。因此，建模時(shí)需要兼顧縱橫兩種發(fā)展趨勢(shì)。

目前負(fù)荷預(yù)測(cè)的方法主要可歸結(jié)為三類：統(tǒng)計(jì)分析(Regression Analysis)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)、時(shí)間序列(Time Series)。眾多學(xué)者圍繞三個(gè)方向進(jìn)行研究并取得了大量成果，McSharry等[2]提出可以準(zhǔn)確掌握高峰用電需求變動(dòng)趨勢(shì)的概率預(yù)報(bào)模型，并深入研究了氣候、節(jié)假日等因素對(duì)于高峰用電需求的影響。王曉佳等[3]提出了基于背景值重構(gòu)的改進(jìn)灰色預(yù)測(cè)模型，給出了一種解決小樣本預(yù)測(cè)問題的方法。史會(huì)峰等[4]基于貝葉斯神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，將氣象因素的作用納入短期負(fù)荷預(yù)測(cè)研究中。Hippert等[5]較為全面的評(píng)估了人工神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測(cè)中的運(yùn)用性能，并驗(yàn)證了其優(yōu)越性。張宜陽(yáng)等[6]提出了基于混沌理論進(jìn)行相空間重構(gòu)的EMD預(yù)測(cè)方法，達(dá)到了平穩(wěn)化處理的效果。李瑾等[7]提出基于模擬退火優(yōu)化的支持向量機(jī)并應(yīng)用于中長(zhǎng)期負(fù)荷預(yù)測(cè)。邰能靈等[8]提出了基于小波變換的短期負(fù)荷預(yù)測(cè)方法，通過小波變換將各序列分量分別投影到不同的尺度進(jìn)行預(yù)測(cè)。從已有的文獻(xiàn)來(lái)看，負(fù)荷預(yù)測(cè)的研究更多的集中于短期或長(zhǎng)期預(yù)測(cè)，傳統(tǒng)研究方法側(cè)重于將負(fù)荷需求的波動(dòng)歸結(jié)于電力系統(tǒng)內(nèi)生的不穩(wěn)定性。中期負(fù)荷預(yù)測(cè)需要我們兼顧縱橫兩種發(fā)展趨勢(shì)，既需要考慮負(fù)荷需求波動(dòng)的系統(tǒng)內(nèi)生性，也不能忽略電力系統(tǒng)作為復(fù)雜系統(tǒng)的非線性作用機(jī)制及其外部的隨機(jī)擾動(dòng)因素。

半?yún)?shù)回歸模型[9-10](Semi-parameter Regression Model)是近年來(lái)發(fā)展起來(lái)的一種重要的統(tǒng)計(jì)分析方法，它引入了非參數(shù)，克服了傳統(tǒng)偏差函數(shù)模型的局限性，使得數(shù)學(xué)模型與客觀實(shí)際更為接近，是一種比較理想的數(shù)據(jù)處理方法。Engle等[11]在研究氣候因素對(duì)電價(jià)需求的作用時(shí)，提出運(yùn)用半?yún)?shù)回歸模型發(fā)掘溫度與電價(jià)之間的非線性關(guān)系。Charytoniuk等[12]提出以非參數(shù)回歸進(jìn)行短期負(fù)荷預(yù)測(cè)，并以概率密度分布的形式挖掘負(fù)荷及其影響因素的關(guān)系。Baccini等[13]基于季節(jié)性和長(zhǎng)期趨勢(shì)的混雜效應(yīng)，運(yùn)用半?yún)?shù)理論研究了空氣污染對(duì)人體健康的短期影響。Fan Shu和Hyndman[14]將半?yún)?shù)可加模型引入短期電力負(fù)荷預(yù)測(cè)中，研究了溫度等外源性變量與短期負(fù)荷之間的關(guān)系，同時(shí)給出了相應(yīng)的點(diǎn)預(yù)測(cè)、分布預(yù)測(cè)。

基于上述分析，本文從中長(zhǎng)期負(fù)荷的數(shù)據(jù)特征入手探索經(jīng)濟(jì)因素、氣候因素等影響因素對(duì)其波動(dòng)的內(nèi)在影響，結(jié)合半?yún)?shù)模型、可變區(qū)間權(quán)重思想提出模型、參數(shù)時(shí)變的動(dòng)態(tài)預(yù)測(cè)方法。一方面，考慮影響因素以及預(yù)測(cè)模型的時(shí)變特性，根據(jù)不同時(shí)間區(qū)間分別建模，基于可變區(qū)間的思想對(duì)模型權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整。另一方面，對(duì)原始序列進(jìn)行平穩(wěn)化處理，對(duì)特征序列、噪聲序列分別建模。最后通過實(shí)例研究證明了本文提出方法的有效性。

2 模型及其估計(jì)

參數(shù)回歸模型理論成熟易于操作，但參數(shù)回歸函數(shù)形式過于固定，難以準(zhǔn)確反映復(fù)雜曲線的變化規(guī)律。同時(shí)，參數(shù)回歸模型需要進(jìn)行分布的預(yù)先設(shè)定，在數(shù)據(jù)分布情況未知或者數(shù)據(jù)被“嚴(yán)重污染”時(shí)，參數(shù)回歸模型難以有效推斷。非參數(shù)回歸模型的回歸函數(shù)其形式隨意性很強(qiáng)，適合于精確擬合復(fù)雜曲線。若存在某些解釋變量對(duì)響應(yīng)變量的影響較為顯著時(shí)，非參數(shù)回歸模型由于沒有充分利用其有效信息，模型的解釋能力將會(huì)顯著下降。為了克服上述不足，Stone[15]提出了半?yún)?shù)回歸模型，通過參數(shù)部分的調(diào)整從而把握函數(shù)趨勢(shì)走向；通過非參數(shù)部分的局部調(diào)整與參數(shù)部分的共同作用，可以在精確擬合數(shù)據(jù)的同時(shí)進(jìn)行外推預(yù)測(cè)。

2.1 模型描述

中期負(fù)荷具有兩種時(shí)間維度的變化發(fā)展趨勢(shì)：從年度視角來(lái)看，隨著國(guó)民經(jīng)濟(jì)不斷發(fā)展，中期負(fù)荷呈現(xiàn)出持續(xù)增長(zhǎng)的趨勢(shì)；從月度視角來(lái)看，由于受到季節(jié)交替的影響，中期負(fù)荷呈現(xiàn)出周期性的變化趨勢(shì)，上述趨勢(shì)的共同作用決定了中期負(fù)荷影響因素的復(fù)雜性與不確定性。

鑒于參數(shù)模型的設(shè)定與實(shí)際情況的偏差是影響參數(shù)估計(jì)精度的主要因素之一，而中期負(fù)荷的波動(dòng)特性十分復(fù)雜難以精確表達(dá)。本文提出一種將半?yún)?shù)模型非參數(shù)主部“參數(shù)化”的研究思路，將時(shí)間序列分析與統(tǒng)計(jì)推斷結(jié)合，對(duì)于非參數(shù)誤差時(shí)間序列項(xiàng)我們作進(jìn)一步處理，以“重近輕遠(yuǎn)”原理進(jìn)行非參數(shù)序列修勻?？紤]如下的半?yún)?shù)模型：

(1)

(2)

2.2 基于可變區(qū)間的權(quán)值更新動(dòng)態(tài)預(yù)測(cè)

根據(jù)微元法的思想，對(duì)于任意的曲線都可以用一段直線近似逼近，逼近范圍愈小對(duì)曲線擬合程度愈高?？勺儏^(qū)間權(quán)重方法基于“微元”以直線代替曲線的思路，通過調(diào)整區(qū)間長(zhǎng)度得到對(duì)應(yīng)的區(qū)間權(quán)重。從整體來(lái)看，中期負(fù)荷具有較強(qiáng)的周期性波動(dòng)規(guī)律，然而不同的時(shí)間粒度下其波動(dòng)影響因素卻不盡相同，因此需要?jiǎng)討B(tài)考慮樣本內(nèi)各區(qū)間的差異性。

本文基于樣本的實(shí)際波動(dòng)周期進(jìn)行區(qū)間劃分，并結(jié)合各個(gè)區(qū)間的不同影響因素構(gòu)建對(duì)應(yīng)的區(qū)間函數(shù)。對(duì)于各區(qū)間函數(shù)，基于可變區(qū)間的思想進(jìn)行權(quán)值動(dòng)態(tài)更新，最后進(jìn)行循環(huán)預(yù)測(cè)，具體步驟如下：

步驟1：確定樣本數(shù)據(jù)的實(shí)際波動(dòng)周期t；

步驟2：對(duì)樣本區(qū)間進(jìn)行劃分。對(duì)于定義在[a,b]上的函數(shù)f(x)，根據(jù)周期將函數(shù)f(x)等距劃分為m段閉區(qū)間，其中m=1,2,…,(b-a+1)/t，相應(yīng)的曲線被分割為m段記為f1(x),f2(x),…,fm(x)。函數(shù)f(x)覆蓋的區(qū)域面積等于子函數(shù)fm(x)所對(duì)應(yīng)的面積之和；

(3)

步驟4：對(duì)各區(qū)間模型分配權(quán)重：

(4)

式中，F(xiàn)m(x)為第m段區(qū)間函數(shù)的面積；

步驟5：由步驟2-4，得到可變區(qū)間半?yún)?shù)模型Y=w×y，其中w=(ω1, …,ωm)，y=(f1(x), …,fm(x))′；

2.3 模型參數(shù)估計(jì)

半?yún)?shù)回歸模型的估計(jì)方法已較為成熟，常見的有核函數(shù)估計(jì)、樣條估計(jì)、局部線性估計(jì)等，為排除隨機(jī)誤差項(xiàng)產(chǎn)生的干擾，同時(shí)保證數(shù)值解的光滑性及唯一性，本文引入罰函數(shù)法?？紤]極小化條件：

(5)

定義n×n矩陣A(λ)，它依賴于{tj}和λ，且滿足：

Wahba等提出，當(dāng)σ2未知時(shí)，λ的估計(jì)可以取作下式的極小化解：

并把這個(gè)估計(jì)稱作廣義交叉核實(shí)(Generalized Cross-Validation, GCV)估計(jì)。當(dāng)λ→0時(shí)，g(t)趨近于觀測(cè)量的三次樣條內(nèi)插。當(dāng)λ→∞時(shí)，g(t)趨近于觀測(cè)量的線形回歸。可證明懲罰最小二乘原理的懲罰項(xiàng)可以表達(dá)為：

最終可以得到迭代求解方程，更詳盡的估計(jì)和求解過程可參閱Green[17]和Heckman[16]。

3 數(shù)據(jù)的描述與變量構(gòu)造

針對(duì)中期負(fù)荷的非平穩(wěn)特性，為了剔除噪聲干擾并解析各影響因素與負(fù)荷波動(dòng)的聯(lián)系，本文基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)算法進(jìn)行多尺度平穩(wěn)化分解，將信號(hào)逐級(jí)分解，產(chǎn)生一系列具有不同特征尺度的序列，集合經(jīng)驗(yàn)?zāi)B(tài)分解算法的步驟可參見Huang等[18]。

鑒于集合經(jīng)驗(yàn)?zāi)B(tài)分解在樣條插值過程中不能完全達(dá)到上下包絡(luò)均值為零的要求，信號(hào)的兩端會(huì)發(fā)生大幅度的端點(diǎn)飛翼，導(dǎo)致分解后得到虛假的固有模態(tài)函數(shù)分量[19]。為了更好的辨識(shí)噪聲序列，本文運(yùn)用相關(guān)性分析、波動(dòng)能量檢驗(yàn)法構(gòu)建相應(yīng)的波動(dòng)規(guī)律性檢驗(yàn)統(tǒng)計(jì)量，用于描述序列與原始序列樣本間的相似性，提取真實(shí)的序列特征分量。

信號(hào)的波動(dòng)能量即信號(hào)的幅度平方和，一般用方差或標(biāo)準(zhǔn)差來(lái)表示其波動(dòng)幅度，則兩信號(hào)的波動(dòng)差異統(tǒng)計(jì)量為：

(6)

4 算例分析

4.1 影響因子選取

影響電力負(fù)荷消耗的因素很多，例如經(jīng)濟(jì)增長(zhǎng)水平、經(jīng)濟(jì)發(fā)展階段、氣候變化等，然而上述任何一個(gè)因素都不足以代表負(fù)荷的整體波動(dòng)趨勢(shì)。同時(shí)在影響因素的實(shí)際選取中，也很難找到能夠有效概括以上影響因素信息的單一指標(biāo)。

通過大量相關(guān)資料的搜集，本文選取了廣東省某市社會(huì)消費(fèi)品零售總額、批發(fā)零售業(yè)商品銷售總額、商品進(jìn)出口總值、規(guī)模以上工業(yè)總產(chǎn)值、消費(fèi)品價(jià)格指數(shù)、工業(yè)品出廠價(jià)格指數(shù)、月平均溫度、月降水量等10項(xiàng)指標(biāo)。運(yùn)用因子分析從以上指標(biāo)中提取出3個(gè)“影響因子”，最后進(jìn)行單位根檢驗(yàn)，以驗(yàn)證是否滿足建模條件。

表1 負(fù)荷影響因子

三個(gè)因子所包含的原始變量的信息量如表2所示，從表中可以看到，三個(gè)因子的原始信息的累計(jì)貢獻(xiàn)率達(dá)到了89.618%，能夠有效概括原始變量的有效信息。

表2 因子方差分布表

4.2 實(shí)驗(yàn)及討論

本文選取廣東省某市2006年至2011年的歷史

全社會(huì)用電量資料進(jìn)行驗(yàn)證。從圖1可見，原始序列的波動(dòng)大致呈現(xiàn)出一種春節(jié)期間達(dá)到低谷，夏至期間達(dá)到高峰的波動(dòng)趨勢(shì)?？紤]到實(shí)際經(jīng)濟(jì)周期以及重大節(jié)假日等因素的影響，本文采用了與以往將公歷1月作為預(yù)測(cè)起點(diǎn)不同的做法，以農(nóng)歷春節(jié)所處月份為起點(diǎn)，即對(duì)2010年2月至2011年1月，共計(jì)12個(gè)月的全社會(huì)用電量做出預(yù)測(cè)以驗(yàn)證本文方法的有效性。同時(shí)，根據(jù)樣本的實(shí)際周期將歷史數(shù)據(jù)等跨度劃分為四個(gè)區(qū)間。最后，根據(jù)特征數(shù)據(jù)、噪聲數(shù)據(jù)的不同特性分別預(yù)測(cè)。

負(fù)荷序列的集合經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果如圖1所示，分解后得到4個(gè)頻率分量和1個(gè)趨勢(shì)分量，包含了負(fù)荷數(shù)據(jù)從高到低不同頻率段的成分，各分量統(tǒng)計(jì)特征如表3所示。

表3 各分量統(tǒng)計(jì)特征分析

通過平均周期T、平均振幅A、相關(guān)性分析和波動(dòng)能量檢驗(yàn)可以分析各分量的統(tǒng)計(jì)特征。從表3來(lái)看，各分量的波動(dòng)逐級(jí)遞減，IMF1的周期略小于3個(gè)月，IMF2的周期約為1年，上述分量具有較典型的季度、年度波動(dòng)規(guī)律；IMF3、IMF4、 REST分量則表現(xiàn)出長(zhǎng)周期的特性，在長(zhǎng)期均值附近變動(dòng)。從相關(guān)性來(lái)看，IMF3、IMF4與原始序列有差異性較大，IMF2、REST與原始序列差異較小，能夠反映原始序列波動(dòng)趨勢(shì)，因此對(duì)IMF1、IMF2、REST分量重構(gòu)得到特征序列R以表征原始序列的有效信息，特征分量R的統(tǒng)計(jì)特征由表3可見。

圖1 不同時(shí)間尺度的序列分量

IMF3、IMF4的波動(dòng)能量檢驗(yàn)值均小于檢驗(yàn)閥值D，判定為虛假分量。將虛假分量IMF3、IMF4作為噪聲序列表征原始序列的隨機(jī)波動(dòng)。鑒于ARIMA模型對(duì)數(shù)據(jù)的隨機(jī)波動(dòng)規(guī)律有較好的描述能力，本文以ARIMA模型對(duì)相應(yīng)的噪聲序列進(jìn)行建模，運(yùn)用序列的自相關(guān)函數(shù)的拖尾性和截尾性識(shí)別模型主要參數(shù)，并基于AIC準(zhǔn)則和BIC準(zhǔn)則對(duì)模型的階數(shù)和適用性進(jìn)行判定。

圖2 第一區(qū)間樣本內(nèi)擬合對(duì)比

圖3 第二區(qū)間樣本內(nèi)擬合對(duì)比

圖4 第三區(qū)間樣本內(nèi)擬合對(duì)比

圖5 第四區(qū)間樣本內(nèi)擬合對(duì)比

為了說明本文方法的計(jì)算流程，下面以2010年2月的樣本預(yù)測(cè)為例進(jìn)行說明。將2006年2月至2010年1月共計(jì)48個(gè)特征分量樣本等距劃分為4個(gè)區(qū)間。為有效對(duì)比各因素的作用，對(duì)同一區(qū)間內(nèi)模型設(shè)置相同參數(shù)。經(jīng)過檢驗(yàn)，特征分量與3個(gè)影響因素在5%的置信水平不存在單位根，滿足建模條件。圖2至圖5給出了各區(qū)間基于不同影響因素建模的樣本內(nèi)擬合對(duì)比圖。4組試驗(yàn)中半?yún)?shù)模型對(duì)樣本的擬合值與真實(shí)值都非常接近，說明了本文模型的可行性。

由圖2可見第一區(qū)間基于市場(chǎng)、經(jīng)濟(jì)、氣候因素建模的半?yún)?shù)模型擬合情況。通過對(duì)比發(fā)現(xiàn)，該階段氣候因素的建模效果顯著優(yōu)于其他因素，同樣的情況還發(fā)生在第二區(qū)間；圖4中氣候因素對(duì)于該區(qū)間序列的波動(dòng)驅(qū)動(dòng)力不足，經(jīng)濟(jì)因素在這一時(shí)段起到了主導(dǎo)作用；圖5中基于市場(chǎng)、經(jīng)濟(jì)和氣候因素的擬合誤差非常接近。綜合以上分析，基于氣候因素的半?yún)?shù)模型在4個(gè)不同區(qū)間均取得了良好的估計(jì)效果，經(jīng)濟(jì)因素表現(xiàn)次之，市場(chǎng)因素在樣本的估計(jì)過程中則表現(xiàn)不夠理想。

接下來(lái)根據(jù)可變區(qū)間權(quán)重方法對(duì)負(fù)荷進(jìn)行動(dòng)態(tài)預(yù)測(cè)。經(jīng)過不同時(shí)間窗口的重復(fù)實(shí)驗(yàn)，基于GCV選取各區(qū)間光滑參數(shù)分別為λ=(0.14，0.19，0.15，0.13)；選取影響因素分別為t3、t2、t2、t1。由式(2)可得到各個(gè)區(qū)間估計(jì)函數(shù)，由式(3)、(4)計(jì)算各區(qū)間權(quán)重w=(0.2087，0.2441，0.2685，0.2787)。最后根據(jù)2.2節(jié)方法進(jìn)行循環(huán)預(yù)測(cè)得到12步預(yù)測(cè)結(jié)果。本文選用SARIMA模型、SVM模型(選取相關(guān)性最高的4個(gè)外界影響因素指標(biāo))進(jìn)行對(duì)比實(shí)驗(yàn)，基于AIC、BIC準(zhǔn)則確定SARIMA模型的結(jié)構(gòu)，基于K-fold交叉驗(yàn)證法確定SVM的最優(yōu)參數(shù)c、g，最終的預(yù)測(cè)結(jié)果如表4所示。

表4 不同模型預(yù)測(cè)結(jié)果比較

由表4可知，三種模型在預(yù)測(cè)時(shí)均表現(xiàn)出較高的精度，其中本文模型和SVM模型的預(yù)測(cè)精度均顯著高于SARIMA模型。但SARIMA、SVM模型沒有考慮影響因素的動(dòng)態(tài)作用，對(duì)周期性負(fù)荷轉(zhuǎn)折點(diǎn)波動(dòng)趨勢(shì)的把握明顯不足，預(yù)測(cè)穩(wěn)定性也相對(duì)較差。本文模型基于不同時(shí)間尺度綜合考慮了長(zhǎng)期趨勢(shì)變動(dòng)、季節(jié)變動(dòng)、氣候變化等因素，因此取得了更精確的預(yù)測(cè)效果。

5 結(jié)語(yǔ)

本文提出了一種半?yún)?shù)動(dòng)態(tài)預(yù)測(cè)方法，該方法提高了半?yún)?shù)模型用于中期負(fù)荷預(yù)測(cè)的可靠性以及多維度分析效能。實(shí)例驗(yàn)證結(jié)果表明，本文模型對(duì)于中期負(fù)荷預(yù)測(cè)的準(zhǔn)確度高于SARIMA模型、SVM模型。在實(shí)際運(yùn)用時(shí)，建模區(qū)間的劃分與影響因素的選取對(duì)預(yù)測(cè)精度有較大影響；如何合理的把握相應(yīng)的尺度，以及如何合理地選擇影響因子從而刻畫序列的波動(dòng)趨勢(shì)，這些問題都值得進(jìn)一步的探討。

[1] 康重慶,夏清,張伯明.電力系統(tǒng)負(fù)荷預(yù)測(cè)研究綜述與發(fā)展方向的探討[J].電力系統(tǒng)自動(dòng)化,2004,28(17):1-11.

[2] McSharry P E, Bouwman S, Bloemhof G. Probabilistic forecast of the magnitude and timing of peak electricity demand[J]. IEEE Transactions on Power Systems, 2005,20(2):1166-1172.

[3] 王曉佳,楊善林.基于組合差值的GM(1,1)模型預(yù)測(cè)方法的改進(jìn)與應(yīng)用[J].中國(guó)管理科學(xué),2012,20(2):129-134.

[4] 史會(huì)峰,牛東曉,盧艷霞.基于貝葉斯神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型[J].中國(guó)管理科學(xué),2012,20(4):118-124.

[5] Hippert H S,Pedreira C E,Souza R C.Neural networks for short-term load forecasting: a review and evaluation[J]. IEEE Transactions on Power Systems,2001,16(1):44-55.

[6] 張宜陽(yáng),盧繼平,孟洋洋，等.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂突煦缦嗫臻g重構(gòu)的風(fēng)電功率短期預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化,2012,36(5):24-28.

[7] 李瑾,劉金朋,王建軍.采用支持向量機(jī)和模擬退火算法的中長(zhǎng)期負(fù)荷預(yù)測(cè)方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2011,31(16):63-66.

[8] 邰能靈,侯志儉,李濤，等.基于小波分析的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2003,23(1):45-50.

[9] Ruppert D, Wand M P, Carroll R J.Semiparametric regression[M].Cambridge:Cambridge University Press,2003.

[10] Hamilton J D. Time series analysis[M].Princeton:Priceton University Press,1994.

[11] Engle R F, Granger C W J, Rice J. Semi-parametric estimates of the relation between weather and electricity sales[J].Journal of the American Statistical Association,1986,81(394):310-320.

[12] Charytoniuk W, Chen M S, Van Olinda P. Nonparametric regression based short-term load forecasting[J]. IEEE Transac-tions on Power Systems,1998,13(3):725-730.

[13] Baccini M, Biggeri A, Lagazio C. Parametric and semi-parametric approaches in the analysis of short-term effects of air pollution on health[J].Computational Statistics & Data Analysis,2007,51(9):4324-4336.

[14] Fan Shu, Hyndman R J.Short-term load forecasting based on a semi-parametric additive model[J]. IEEE Transac-tions on Power Systems,2012,27(1):134-141.

[15] Stone C J.Consistent nonparametric regression[J].Applied Statistical Society 1977,5(4):595-635.

[16] Heckman N E. Spline smoothing in partial linear models[J].Journal of the Royal Statistical Society, Series B,1986,48(2):244-258.

[17] Green P J.On Use of the EM for penalized likelihood estimation[J].Journal of the Royal Statistical Society, Series B(Methodological),1990,52(3):443-452.

[18] Huang N E,Shen Zheng,Long S R.The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis[J].Proceedings of the Royal Society A, 1998,454(1971):903-995.

[19] Wu Zhaohua, Huang N E. Ensemble empirical mode decomposition: A noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis,2009,1(1):1-41.

Mid-term load Forecasting Semi-Parametric Model Based on Time-variant Interval Weights

SHAO Zhen1,2,YANG Shan-lin1,2,GAO Fei1,2,WANG Xiao-jia1,2

(1.School of Management, Hefei University of Technology, Hefei 230009, China;2. Key Laboratory of Process Optimization and Intelligent Decision-making, Ministry of Education,Hefei 230009, China)

Due to the diversity of data variation, the fluctuations characteristic of the medium-term power load is different from short-term and long-term power load. Based on the view of electric power system complexity, the mid-term power load forecasting problem is discussed, including the forecasting model uncertainty, parameter time-varying characteristics and the periodic law of load fluctuation. According to the features of mid-term power load, a semi-parametric model based on nonparametric smoothing is built, and the division of the function interval is defined. After that, a new dynamic prediction method is put forward based on variable interval. Combined with the ensemble empirical mode decomposition algorithm and wave energy test, the noise sequence analysis and separation method is presented. The study shows that, climatic factor have the greatest impact on the electricity consumption, while economic factor has less impact on it. In different forecast periods, the explanatory of factors to the forecasting model varies over time. As the proposed semi-parametric model can be used for accurate multi-dimensional and multi-granularity analysis of electricity load, then grasp the variation, it can be efficiently used for mid-term load forecasting.

semi-parametric model; time-variant interval weights; dynamic prediction; EEMD; mid-term electricity consumption prediction

2013-04-05；

2013-09-17

國(guó)家“863”高技術(shù)研究發(fā)展計(jì)劃項(xiàng)目(2011AA05A116)；國(guó)家自然科學(xué)基金資助項(xiàng)目(71131002,71071045,71202047)

邵臻(1986-)，男(漢族)，江蘇泗洪人，合肥工業(yè)大學(xué)管理學(xué)院，博士研究生，研究方向：預(yù)測(cè)、決策科學(xué)與技術(shù).

1003-207(2015)03-0123-07

10.16381/j.cnki.issn1003-207x.2015.03.015

F426

A