多算法融合的電網(wǎng)用電量預(yù)測(cè)系統(tǒng)研究和實(shí)現(xiàn)

李文彬，張春梅

（廣東電網(wǎng)有限責(zé)任公司中山供電局，中山528400）

多算法融合的電網(wǎng)用電量預(yù)測(cè)系統(tǒng)研究和實(shí)現(xiàn)

李文彬，張春梅

（廣東電網(wǎng)有限責(zé)任公司中山供電局，中山528400）

準(zhǔn)確預(yù)測(cè)用電量是電網(wǎng)企業(yè)合理規(guī)劃電網(wǎng)建設(shè)和提高經(jīng)濟(jì)效益的前提基礎(chǔ)，該系統(tǒng)實(shí)現(xiàn)包括Random Forest、Extra?Trees、XGBoost、AdaBoost在內(nèi)的多個(gè)算法對(duì)用電量進(jìn)行預(yù)測(cè)，并在B/S架構(gòu)下設(shè)計(jì)一個(gè)用電量預(yù)測(cè)系統(tǒng)，功能包括可視化每個(gè)用戶的用電量和預(yù)測(cè)誤差情況、自動(dòng)選取預(yù)測(cè)算法和數(shù)據(jù)導(dǎo)入導(dǎo)出管理。系統(tǒng)的實(shí)現(xiàn)有助于直觀地展示用電量預(yù)測(cè)結(jié)果，輔助管理層進(jìn)行決策。

用電量預(yù)測(cè)；回歸分析；集成學(xué)習(xí)；B/S架構(gòu)

0 引言

電網(wǎng)企業(yè)需要掌握用電需求變化趨勢(shì)，以便有計(jì)劃地提供電力服務(wù)。用電量預(yù)測(cè)是電網(wǎng)企業(yè)的一項(xiàng)重要基礎(chǔ)性工作，預(yù)測(cè)結(jié)果可能直接影響企業(yè)效益。同時(shí)，用電量預(yù)測(cè)也是制定電力發(fā)展規(guī)劃的重要依據(jù)。準(zhǔn)確地用電量預(yù)測(cè)系統(tǒng)可以確保電網(wǎng)安全運(yùn)行，對(duì)合理設(shè)計(jì)電網(wǎng)改造、錯(cuò)峰用電、發(fā)電計(jì)劃有著重要的參考價(jià)值，有助于實(shí)現(xiàn)節(jié)能減排等環(huán)境保護(hù)目標(biāo)。

1 國內(nèi)外現(xiàn)狀

用電量預(yù)測(cè)根據(jù)預(yù)測(cè)周期可分為短期預(yù)測(cè)和中長期預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)通常用來安排電力計(jì)劃的調(diào)度，因此，對(duì)短期負(fù)荷預(yù)測(cè)，一般需要充分研究電力系統(tǒng)過去的變化規(guī)律和趨勢(shì)，分析各種干擾因素。中長期預(yù)測(cè)主要用來確定大機(jī)組的運(yùn)行方式，根據(jù)地區(qū)的實(shí)際情況，制定相關(guān)的電網(wǎng)改造和擴(kuò)建規(guī)劃，保證負(fù)荷用電量能夠滿足居民用電和工農(nóng)業(yè)用電的需要。根據(jù)預(yù)測(cè)對(duì)象可分為地區(qū)負(fù)荷預(yù)測(cè)、微電網(wǎng)負(fù)荷預(yù)測(cè)、大客戶負(fù)荷預(yù)測(cè)等。

根據(jù)預(yù)測(cè)算法劃分，可分為以下幾個(gè)類別[1]：（1）傳統(tǒng)的基于歷史數(shù)據(jù)統(tǒng)計(jì)的線性回歸預(yù)測(cè)算法，包括線性回歸法、移動(dòng)平均法等方法；（2）時(shí)間序列預(yù)測(cè)方法，將用電量數(shù)據(jù)作為季節(jié)相關(guān)的時(shí)間序列數(shù)據(jù)處理。（3）灰度模型組合預(yù)測(cè)法，通過對(duì)負(fù)荷特性的分析，用累加殘差的方法確定權(quán)重，在不同的階段建立不同的灰度模型，利用了組合灰度模型提高預(yù)測(cè)的準(zhǔn)確性[2]。（4）基于機(jī)器學(xué)習(xí)算法的智能預(yù)測(cè)方法，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)[3]、粒子群算法、遺傳算法等。

從預(yù)測(cè)模型的結(jié)構(gòu)來看，可分為單算法模型和組合模型。合理的算法組合設(shè)計(jì)可以有效降低預(yù)測(cè)誤差，如文獻(xiàn)[4]通過將不同神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)際負(fù)荷作為輸出，運(yùn)用多神經(jīng)網(wǎng)絡(luò)方法，很好的克服了單神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度差的缺陷。

本文設(shè)計(jì)了一個(gè)用電量預(yù)測(cè)分析系統(tǒng)，通過多算法組合預(yù)測(cè)的方式進(jìn)行用電量預(yù)測(cè)，并在B/S架構(gòu)下加以實(shí)現(xiàn)，系統(tǒng)可以自動(dòng)或手動(dòng)選擇預(yù)測(cè)算法、預(yù)測(cè)時(shí)段以及對(duì)預(yù)測(cè)結(jié)果和誤差可視化。

2 預(yù)測(cè)算法設(shè)計(jì)

系統(tǒng)實(shí)現(xiàn)了Random Forest、ExtraTrees、XGBoost、AdaBoost四種預(yù)測(cè)算法，已知19個(gè)用電客戶68個(gè)月的月用電量數(shù)據(jù)，前60個(gè)月的數(shù)據(jù)作為樣本數(shù)據(jù)，后8個(gè)月的數(shù)據(jù)作為測(cè)試數(shù)據(jù)，使用預(yù)測(cè)的8個(gè)月數(shù)據(jù)與測(cè)試數(shù)據(jù)計(jì)算誤差，為每個(gè)用戶選取平均誤差最小的算法進(jìn)行實(shí)際預(yù)測(cè)。下面主要介紹Random Forest和Extrees算法的主要步驟和實(shí)現(xiàn)方法。

（1）Random Forest算法

Random Forest算法基于Bagging思想，本系統(tǒng)的算法基學(xué)習(xí)器采用CART回歸樹[5-7]，用平方誤差最小化準(zhǔn)則進(jìn)行輸入空間劃分，即基于最小二乘偏差（LSD）生成回歸樹。

Bagging也叫裝袋，屬于有放回抽樣，給定一個(gè)訓(xùn)練集,Bagging算法從中均勻、有放回地選出m個(gè)子集作為新的訓(xùn)練集。在這T個(gè)訓(xùn)練集上使用回歸算法，則可得到T個(gè)模型，再通過取平均值的方法，即可得到Bagging的結(jié)果。

Bagging算法是一種并行算法，學(xué)習(xí)效率較高。由于每個(gè)基學(xué)習(xí)器只學(xué)習(xí)一部分樣本，可以有效降低方差，沒有被抽取到的袋外樣本可以用來對(duì)模型進(jìn)行泛化能力的評(píng)價(jià),已得到證明，袋外估計(jì)的精度與用同訓(xùn)練集大小一樣的測(cè)試集估計(jì)的精度結(jié)果近似。

Random Forest算法以T個(gè)CART回歸樹作為基學(xué)習(xí)器模型，輸出為T個(gè)CART回歸樹輸出結(jié)果的平均值。Random Forest是二次隨機(jī)算法，第一次隨機(jī)采用Bootstrap采樣，從N個(gè)訓(xùn)練樣本中以有放回抽樣的方式，取樣N次，形成一個(gè)訓(xùn)練集（即Bootstrap取樣），由于每次約有37%的樣本未被抽中，可用未抽到的樣本做袋外估計(jì)，評(píng)估其誤差；第二次隨機(jī)，對(duì)于每一個(gè)節(jié)點(diǎn)，隨機(jī)選擇m個(gè)特征，其中m應(yīng)遠(yuǎn)小于總特征數(shù)M。決策樹上每個(gè)節(jié)點(diǎn)的決定都是基于這些特征確定的。根據(jù)這m個(gè)特征，計(jì)算其最佳的分裂方式，由于m遠(yuǎn)小于M，所以每棵樹都會(huì)完整成長而不會(huì)剪枝進(jìn)行二次隨機(jī)的原因是，如果訓(xùn)練集中，有幾個(gè)特征對(duì)預(yù)測(cè)結(jié)果影響很大，那么這些特征將每次都會(huì)被決策樹采用，從而使決策樹之間的相關(guān)性增強(qiáng)，導(dǎo)致模型方差較大，而且對(duì)數(shù)據(jù)擾動(dòng)過于敏感。

由于Random Forest的基學(xué)習(xí)器是CART回歸樹，并在訓(xùn)練集上進(jìn)行Bootstrap采樣，所以參數(shù)調(diào)整分為兩部分，Bagging的參數(shù)和CART的參數(shù)。

①Bagging參數(shù)：

n_estimators，指基學(xué)習(xí)器最大迭代次數(shù),一般是越大越好，但迭代次數(shù)增加，模型的訓(xùn)練時(shí)間也會(huì)增加。oob_score，是否考慮袋外樣本來擬合模型，通常選擇True，因?yàn)镺OB誤差結(jié)果近似于交叉驗(yàn)證。

②CART參數(shù)：

max_features，劃分時(shí)考慮的最大特征數(shù)，增加max_features能提高算法性能，但是當(dāng)其值過大時(shí)，會(huì)導(dǎo)致樹的相關(guān)性增強(qiáng)。

max_depth，決策樹的最大深度，越深模型則越復(fù)雜。

min_samples_split，內(nèi)部節(jié)點(diǎn)再劃分所需的最小樣本數(shù)，對(duì)剪枝有較大影響。

min_samples_leaf，葉子結(jié)點(diǎn)最小樣本數(shù)，對(duì)剪枝有較大影響。

由于基學(xué)習(xí)器之間沒有依賴關(guān)系，并且訓(xùn)練Ran?dom Forest的過程也是訓(xùn)練每棵樹的過程，所以可以進(jìn)行并行化訓(xùn)練，對(duì)效率有很大提升。又因?yàn)樵趯?duì)特征的劃分選擇時(shí)采用的是隨機(jī)抽取特征的方法，所以在高維度訓(xùn)練時(shí)仍能有較好的效率，并且可以通過改變特征值反映各個(gè)特征的重要程度。

（2）ExtraTrees算法

ExtraTrees算法是Random Forest的改進(jìn)算法，主要區(qū)別在于：

①Random Forest基于Bagging思想，而ExtraTrees不采用Bootstrap采樣，即使用所有的訓(xùn)練樣本得到每棵決策樹。

②Random Forest是在一個(gè)隨機(jī)特征子集內(nèi)得到最佳分裂屬性，而ExtraTrees是隨機(jī)的選擇分裂屬性，即對(duì)每一個(gè)特征，在它的特征取值范圍內(nèi)，隨機(jī)選擇一個(gè)分裂值，再計(jì)算看選取哪一個(gè)特征來進(jìn)行分裂最好綜上，ExtraTrees算法的優(yōu)點(diǎn)是在分裂時(shí)隨機(jī)選擇分裂值，使得ExtraTrees的方差進(jìn)一步減小，即對(duì)數(shù)據(jù)擾動(dòng)的敏感性減小。

對(duì)于模型預(yù)測(cè)后的用電量誤差，采用平方誤差進(jìn)行計(jì)算，并做了歸一化處理。誤差計(jì)算公式如下，其中Si,k為預(yù)測(cè)用電量數(shù)據(jù)，Ti,k為實(shí)際用電量數(shù)據(jù)：

3 預(yù)測(cè)系統(tǒng)設(shè)計(jì)

多算法電網(wǎng)用電量預(yù)測(cè)設(shè)計(jì)為三個(gè)模塊：可視化模塊、算法預(yù)測(cè)模塊、數(shù)據(jù)導(dǎo)入導(dǎo)出模塊。主要功能是：（1）預(yù)測(cè)未來的用電量數(shù)據(jù)，并根據(jù)誤差對(duì)多個(gè)算法模型進(jìn)行評(píng)價(jià)選優(yōu)；（2）對(duì)用電量走勢(shì)、算法誤差實(shí)現(xiàn)可視化；（3）實(shí)現(xiàn)系統(tǒng)數(shù)據(jù)的導(dǎo)入與導(dǎo)出。系統(tǒng)總體架構(gòu)圖如圖1所示。

圖1 系統(tǒng)總體架構(gòu)圖

可視化模塊對(duì)用電量預(yù)測(cè)結(jié)果和預(yù)測(cè)誤差進(jìn)行可視化。選擇篩選條件（包括算法模型、用電量區(qū)間、用戶、年/季度/月、時(shí)間區(qū)間），利用上述條件進(jìn)行預(yù)測(cè)，對(duì)預(yù)測(cè)結(jié)果可視化，直觀展示用電量走勢(shì)、誤差結(jié)果，為決策者提供更加直觀的結(jié)果展示。

算法預(yù)測(cè)模塊實(shí)現(xiàn)了多個(gè)預(yù)測(cè)算法，并計(jì)算每個(gè)算法的平均誤差。假設(shè)有N個(gè)月的用電量數(shù)據(jù)作為原始數(shù)據(jù)，將其中的前M個(gè)月作為訓(xùn)練數(shù)據(jù)，后面N-M個(gè)月的數(shù)據(jù)作為測(cè)試數(shù)據(jù)，預(yù)測(cè)結(jié)果與測(cè)試數(shù)據(jù)比對(duì)計(jì)算誤差。系統(tǒng)支持自動(dòng)或手動(dòng)選擇平均誤差最小的算法進(jìn)行實(shí)際預(yù)測(cè)。

數(shù)據(jù)導(dǎo)入模塊的作用是，當(dāng)有新的數(shù)據(jù)產(chǎn)生，可以通過Excel將新數(shù)據(jù)導(dǎo)入系統(tǒng)，然后對(duì)新數(shù)據(jù)調(diào)用預(yù)測(cè)算法，更新預(yù)測(cè)結(jié)果。數(shù)據(jù)導(dǎo)出模塊支持選擇篩選條件（包括算法模型、用電量區(qū)間、用戶、年/季度/月、時(shí)間區(qū)間）后，利用上述條件進(jìn)行組合查詢，然后將符合條件的數(shù)據(jù)導(dǎo)出到Excel。預(yù)測(cè)和可視化過程只有在導(dǎo)入新數(shù)據(jù)時(shí)才進(jìn)行，這樣可以減少服務(wù)器資源的開銷。

4 系統(tǒng)實(shí)現(xiàn)

系統(tǒng)基于B/S結(jié)構(gòu)實(shí)現(xiàn)，前端采用BootStrap進(jìn)行頁面布局，服務(wù)器端采用PyCharm作為開發(fā)工具，后臺(tái)服務(wù)基于Django框架，數(shù)據(jù)可視化采用Pygal，數(shù)據(jù)庫工具為MySQL。

數(shù)據(jù)集為某電網(wǎng)公司19個(gè)用電客戶68個(gè)月的月用電量數(shù)據(jù)。

在頁面左側(cè)選擇篩選條件（算法模型、用電量區(qū)間、用戶、年/季度/月、時(shí)間區(qū)間），在頁面右側(cè)會(huì)異步刷新，顯示符合條件的各用戶用電量走勢(shì)圖、最后一個(gè)時(shí)間單位的各用戶占總量的百分比的餅狀圖、以及最后4個(gè)時(shí)間單位的各用戶用電量列表。用電量走勢(shì)圖集成了工具條、添加/隱藏圖線、圖線加粗等交互功能?？梢暬K頁面如圖2所示。圖3為4個(gè)算法在19個(gè)用戶上的平均誤差柱狀圖。

圖2 可視化模塊頁面

圖3 算法平均誤差柱狀圖（橫坐標(biāo)表示用戶，縱坐標(biāo)預(yù)測(cè)誤差）

5 結(jié)語

系統(tǒng)融合了多個(gè)算法進(jìn)行電網(wǎng)用電量預(yù)測(cè)，基于用戶68個(gè)月的月用電量數(shù)據(jù)進(jìn)行特征處理和分類建模，針對(duì)每個(gè)用戶進(jìn)行了最佳模型的自動(dòng)篩選，有較強(qiáng)的靈活性。其中重點(diǎn)分析了Random Forest、ExtraTrees兩種較優(yōu)算法，在模型調(diào)優(yōu)之后，得到了準(zhǔn)確率較高的預(yù)測(cè)結(jié)果。

下一步的工作是針對(duì)用電量波動(dòng)不規(guī)律的用戶預(yù)測(cè)準(zhǔn)確度不高的問題做進(jìn)一步的算法優(yōu)化，在可視化上能夠更直觀地把用電量數(shù)據(jù)、預(yù)測(cè)誤差呈現(xiàn)出來，可以更方便地比較各種算法的預(yù)測(cè)性能。

[1]康重慶，夏清，劉梅.電力系統(tǒng)負(fù)荷預(yù)測(cè)[M].北京：中國電力出版社，2007：4-192

[2]余健明,燕飛,楊文宇,等.中長期電力負(fù)荷的變權(quán)灰色組合預(yù)測(cè)模型[J].電網(wǎng)技術(shù),2005,29(17):26-29.

[3]潘峰,程浩忠,楊鏡非,等.基于支持向量機(jī)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù),2004,28(21):39-42.

[4]張亞軍,劉志剛,張大波.一種基于多神經(jīng)網(wǎng)絡(luò)的組合負(fù)荷預(yù)測(cè)模型[J].電網(wǎng)技術(shù),2006,30(21):21-25.

[5]李航.統(tǒng)計(jì)學(xué)習(xí)方法[M].北京：清華大學(xué)出版社,2012：67-73.

[6]周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016：44-46.

[7]PeterHarrington.機(jī)器學(xué)習(xí)實(shí)戰(zhàn)[M].北京：人民郵電出版社，2013:163-173.

Research and Im p lementation of Power Consum ption Forecasting System Based on MultiAlgorithm Fusion

LIWen-bin，ZHANGChun-mei
（Zhongshan Power Supply Bureau ofGuangdong PowerGrid Co.,Ltd.,Zhongshan 528400）

The accurate prediction of electricity consumption is the enterprise rational planning of power grid construction and improve the economic benefit of the premise,this system realizesmultiple algorithm including Random Forest,ExtraTrees,XGBoost,AdaBoost,to predict the power consumption,and designs a power consumption forecasting system based on B/S,the function of consumption and forecast the error, including the visualization ofeach user to automatically select the prediction algorithm and data importand exportmanagement.The imple?mentation of the system is helpful for the visual display of the electricity consumption forecasting results and the auxiliarymanagement.

李文彬（1983-），男，本科，助理工程師，從事領(lǐng)域?yàn)殡娏π畔⑾到y(tǒng)的建設(shè)和項(xiàng)目管理工作

2017-05-11

2017-07-26

1007-1423（2017）22-0075-04

10.3969/j.issn.1007-1423.2017.22.018

張春梅（1978-），女，本科，高級(jí)工程師，從事領(lǐng)域?yàn)殡娏π畔⑾到y(tǒng)的建設(shè)和項(xiàng)目管理工作

Electricity Consumption Forecasting;Regression Analysis;Ensemble Learning;B/SArchitecture