基于月度用電量的行業(yè)分類及用電量預(yù)測(cè)算法

宋藝航　冷媛　陳政　林慶文

摘要：文章基于貝葉斯聚類方法，對(duì)某地市30個(gè)用電行業(yè)2008年1月到2015年10月的月度用電序列進(jìn)行K-Means聚類分析，結(jié)果表明，前三個(gè)類別的行業(yè)涵蓋了用電占比最高的10個(gè)主要用電行業(yè)，該三個(gè)類別的行業(yè)總用電量占全社會(huì)用電量約80%，最后基于ARIMA、神經(jīng)網(wǎng)絡(luò)、灰色預(yù)測(cè)模型對(duì)主要行業(yè)類別的用電量進(jìn)行測(cè)試。

關(guān)鍵詞：月度用電量；用電量預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)；ARIMA；灰色預(yù)測(cè)系統(tǒng) 文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類號(hào)：TM715 文章編號(hào)：1009-2374（2017）01-0190-03 DOI：10.13535/j.cnki.11-4406/n.2017.01.090

1 概述

常用的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法包括人工神經(jīng)網(wǎng)絡(luò)法、回歸分析法和時(shí)間序列分析法等，但影響用電量的因素尤其是經(jīng)濟(jì)因素是復(fù)雜多變的，僅僅依靠某單一因素來對(duì)用電量進(jìn)行預(yù)測(cè)具有很大局限性。

參考文獻(xiàn)[4]和參考文獻(xiàn)[5]介紹了人工神經(jīng)網(wǎng)絡(luò)法在負(fù)荷預(yù)測(cè)中的應(yīng)用，其原理是利用訓(xùn)練函數(shù)調(diào)整網(wǎng)絡(luò)中的權(quán)值與閥值，最終擬合數(shù)據(jù)樣本函數(shù)。該方法的缺點(diǎn)在于無法給出明確且具有實(shí)質(zhì)意義的模型表達(dá)式，同時(shí)其預(yù)測(cè)結(jié)果對(duì)初始值等因素較為敏感。回歸分析法是負(fù)荷預(yù)測(cè)的一種重要方法，采用該方法所建立的模型的數(shù)學(xué)意義明確，數(shù)理性較強(qiáng)。由于該方法是基于長(zhǎng)期穩(wěn)定的回歸關(guān)系而建立的預(yù)測(cè)模型，其短期預(yù)測(cè)精度在一定程度上受到限制，且該方法經(jīng)常無法避免偽回歸問題，其模型可能無法真實(shí)地表示負(fù)荷的變化趨勢(shì)。

聚類分析已經(jīng)滲入到圖像處理、行業(yè)研究、預(yù)警體系等每個(gè)領(lǐng)域。針對(duì)神經(jīng)網(wǎng)絡(luò)的局限性，有許多學(xué)者把聚類分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合，劉興杰等利用模糊粗糙集與聚類方法，對(duì)模型輸入?yún)?shù)進(jìn)行優(yōu)化，對(duì)訓(xùn)練樣本實(shí)現(xiàn)優(yōu)選，從而有效地提高了華北地區(qū)某風(fēng)電場(chǎng)的風(fēng)速預(yù)測(cè)。代倩等在光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測(cè)過程中，采用自組織特征映射由云量預(yù)報(bào)信息對(duì)天氣類型聚類識(shí)別，繼而對(duì)各天氣類型采用相應(yīng)的預(yù)測(cè)網(wǎng)絡(luò)，避免了單神經(jīng)網(wǎng)絡(luò)的過擬合問題。

本研究將參照以上方法，通過對(duì)某地市行業(yè)用電大數(shù)據(jù)進(jìn)行分析挖掘，提出基于用電量的預(yù)測(cè)和行業(yè)分類方法，并識(shí)別出關(guān)鍵用電行業(yè)，為進(jìn)一步的行業(yè)用電預(yù)測(cè)及后續(xù)研究奠定基礎(chǔ)。最后，針對(duì)以自回歸移動(dòng)平均（Autoregressive Moving Average，ARMA）法為代表的時(shí)間序列分析法能夠提高短期負(fù)荷預(yù)測(cè)的準(zhǔn)確度，對(duì)于某地市的地區(qū)用電序列，本文提出一種把貝葉斯聚類方法和自回歸移動(dòng)平均模型相結(jié)合的方法，在行業(yè)預(yù)測(cè)基礎(chǔ)上實(shí)現(xiàn)地區(qū)預(yù)測(cè)。該方法可以應(yīng)用到具有層次結(jié)構(gòu)的單維及多維度時(shí)間序列分析，為現(xiàn)實(shí)問題提供一種新的解決途徑。

2 基于貝葉斯聚類的行業(yè)用電量分析

2.1 數(shù)據(jù)來源

本研究的數(shù)據(jù)來源是某地市從2008年1月到2015年10月的用電分類報(bào)表，用電分類報(bào)表中的行業(yè)劃分包括多個(gè)層次，研究過程中可能存在重復(fù)選擇的問題?；谛袠I(yè)全覆蓋與避免重復(fù)的考慮，最終選擇了表1所示的30個(gè)分類作為最終的研究對(duì)象。按照上述30個(gè)分類，對(duì)月度用電報(bào)表進(jìn)行合并和整理，并只保留報(bào)表中的“本年本月”數(shù)據(jù)列，形成研究所使用的行業(yè)分類月度用電序列數(shù)據(jù)。

2.2 聚類結(jié)果及分析

對(duì)30個(gè)用電行業(yè)從2008年1月到2015年10月（其中個(gè)別月份數(shù)據(jù)缺失，不影響聚類有效性）的月份用電序列進(jìn)行K-Means聚類，結(jié)果如表2所示：

聚類結(jié)果的BSS/TTS達(dá)到94.45%，說明類別的區(qū)分度較好，聚類的有效性較高。從聚類的結(jié)果可以看出，屬于同一類別的行業(yè)，用電量級(jí)較為相近。類別1、類別2和類別3中的行業(yè)涵蓋了用電占比最高的10個(gè)主要用電行業(yè)，這三個(gè)類別的行業(yè)總用電量占全社會(huì)用電量

約80%。

3 行業(yè)用電量預(yù)測(cè)模型

3.1 預(yù)測(cè)模型介紹

預(yù)測(cè)模型研究，首先，需要對(duì)數(shù)據(jù)進(jìn)行整理，包括有效性檢查、錯(cuò)誤數(shù)據(jù)剔除與修改等。針對(duì)月度數(shù)據(jù)間隔較短特點(diǎn)，運(yùn)用經(jīng)濟(jì)計(jì)量方法對(duì)數(shù)據(jù)進(jìn)行初步統(tǒng)計(jì)，對(duì)趨勢(shì)規(guī)律、不規(guī)則變動(dòng)等因素進(jìn)行分析，對(duì)序列做初步的自相關(guān)分析；其次，結(jié)合模型適用性條件庫(kù)信息，通過參數(shù)檢驗(yàn)（或仿真）初次篩選模型；最后，通過綜合評(píng)價(jià)體系檢驗(yàn)，形成最終兼具經(jīng)濟(jì)含義與統(tǒng)計(jì)含義的用電量月度需求的預(yù)測(cè)模型、預(yù)測(cè)結(jié)果、預(yù)測(cè)區(qū)間。采用的預(yù)測(cè)模型包括ARIMA、BP神經(jīng)網(wǎng)絡(luò)、灰色預(yù)測(cè)

模型。

3.2 行業(yè)用電量預(yù)測(cè)結(jié)果

本研究綜合考慮數(shù)據(jù)的合理性及無效值出現(xiàn)的比例，對(duì)于月度數(shù)據(jù)擬采用的擬合區(qū)間（訓(xùn)練模型的數(shù)據(jù)）為2010年1月到2015年9月共69期數(shù)據(jù)，檢驗(yàn)預(yù)測(cè)區(qū)間為2015年10月到2015年12月共3期數(shù)據(jù)。

針對(duì)月度數(shù)據(jù)時(shí)間間隔短，季節(jié)波動(dòng)最為明顯的特點(diǎn)，研究中分別嘗試用灰色系統(tǒng)模型、BP神經(jīng)網(wǎng)絡(luò)、ARIMA模型訓(xùn)練用電數(shù)據(jù)并給出擬合誤差和預(yù)測(cè)，結(jié)果如表3所示。圖1至圖5分別為五個(gè)行業(yè)類別的預(yù)測(cè)結(jié)果圖（ARIMA結(jié)果）。

從表3可以看出，ARIMA模型相比于灰色系統(tǒng)和神經(jīng)網(wǎng)絡(luò)精度更高。五個(gè)行業(yè)的神經(jīng)網(wǎng)絡(luò)與灰色預(yù)測(cè)結(jié)果?；疑到y(tǒng)模型對(duì)于季節(jié)波動(dòng)較明顯的數(shù)據(jù)無法進(jìn)行擬合，對(duì)于神經(jīng)網(wǎng)絡(luò)，由于訓(xùn)練樣本不足或存在某些質(zhì)量較差的數(shù)據(jù)節(jié)點(diǎn)等原因，無法收斂到較準(zhǔn)確的精度，故月度用電數(shù)據(jù)預(yù)測(cè)擬采用ARIMA模型。

基于ARIMA模型，進(jìn)一步給出各分類行業(yè)未來3個(gè)月（2016年1月到2016年3月）的預(yù)測(cè)結(jié)果，如表4所示。

4 結(jié)語(yǔ)

首先，基于貝葉斯聚類方法對(duì)各行業(yè)用電量進(jìn)行分析，最終選取了5類具有行業(yè)代表性的行業(yè)類別，分析表明5類行業(yè)的用電特征具有較好的區(qū)分度；其次，根據(jù)不同用電數(shù)據(jù)的特征，分別利用月度預(yù)測(cè)模型庫(kù)中幾個(gè)有代表性的模型對(duì)關(guān)鍵用電行業(yè)數(shù)據(jù)進(jìn)行預(yù)測(cè)并比較各模型精度，研究結(jié)果表明，對(duì)于月度分類行業(yè)用電序列，用ARIMA模型預(yù)測(cè)的精度較高；最后，按照與行業(yè)用電模型選擇的過程，對(duì)某地市月度用電量預(yù)測(cè)模型進(jìn)行構(gòu)建。研究結(jié)果表明，針對(duì)月度地區(qū)用電序列，某地市月度用電量預(yù)測(cè)用ARIMA模型預(yù)測(cè)的精度較高，最后構(gòu)建基于分類行業(yè)的預(yù)測(cè)模型，結(jié)果表明對(duì)于該地市用電序列而言，行業(yè)分類的預(yù)測(cè)模型要比直接運(yùn)用ARIMA模型預(yù)測(cè)精度高。

參考文獻(xiàn)

[1] 何永秀，王冰，熊威，等.基于模糊綜合評(píng)價(jià)的居

民智能用電行為分析與互動(dòng)機(jī)制設(shè)計(jì)[J].電網(wǎng)技術(shù)，

2011，36（10）.

[2] 郝洪星，朱玉全，陳耿，等.基于劃分和層次的混合

動(dòng)態(tài)聚類算法[J].計(jì)算機(jī)應(yīng)用研究，2011，28（1）.

[3] 應(yīng)劭霖.數(shù)據(jù)挖掘中的聚類算法的綜述[J].江西化

工，2014，（2）.

[4] 樓巍.面向大數(shù)據(jù)的高維數(shù)據(jù)挖掘技術(shù)研究[D].上海

大學(xué)，2013.

[5] 陶雪嬌，胡曉峰，劉洋.大數(shù)據(jù)研究綜述[J].系統(tǒng)仿

真學(xué)報(bào)，2013，（S1）.

[6] 王駿，王士同，鄧趙紅.聚類分析研究中的若干問題

[J].控制與決策，2012，27（3）.

[7] 婁銀霞，程銘，文高進(jìn)，等.基于FCM和遺傳算法

的圖像模糊聚類分析[J].計(jì)算機(jī)工程與應(yīng)用，2010，

46（35）.

[8] 勞蘭珺，邵玉敏.中國(guó)股票市場(chǎng)行業(yè)收益率序列動(dòng)態(tài)

聚類分析[J].財(cái)經(jīng)研究，2004，30（11）.

[9] 劉興杰，岑添云，鄭文書，等.基于模糊粗糙集與

改進(jìn)聚類的神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)

報(bào)，2014，（19）.

[10] 代倩，段善旭，蔡濤，等.基于天氣類型聚類識(shí)別

的光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測(cè)模型研究[J].中國(guó)

電機(jī)工程學(xué)報(bào)，2011，31（34）.

[11] 楊建萍.基于ARIMA模型的用電量時(shí)間序列建模和

預(yù)報(bào)[J].工程數(shù)學(xué)學(xué)報(bào)，2008，25（4）.

[12] 毛玉鳳.基于時(shí)間序列分析的電力需求預(yù)測(cè)及季節(jié)

調(diào)整模型的研究[D].北京工業(yè)大學(xué)，2013.

[13] 宋強(qiáng)，趙彪，劉文華，等.智能直流配電網(wǎng)研究綜

述[J].中國(guó)電機(jī)工程學(xué)報(bào)，2013，22（25）.

[14] 袁旭峰，程時(shí)杰，文勁宇.基于CSC和VSC的混合多

端直流輸電系統(tǒng)及其仿真[J].電力系統(tǒng)自動(dòng)化，

2006，30（20）.

基金項(xiàng)目：本文系中國(guó)南方電網(wǎng)公司科技項(xiàng)目（K-KY2014-035）。

作者簡(jiǎn)介：宋藝航（1982-），男，南方電網(wǎng)科學(xué)研究院副研究員，博士，研究方向：電網(wǎng)系統(tǒng)預(yù)測(cè)。

（責(zé)任編輯：周 瓊）