基于大數(shù)據(jù)技術(shù)的廣州市臺(tái)風(fēng)負(fù)荷影響分析和預(yù)測(cè)

林恒毅 邢竟 王文靜 龐朝曦 羅微

【摘 要】論文通過研究臺(tái)風(fēng)期間天氣氣象指標(biāo)的變化規(guī)律，分析各氣象指標(biāo)變化對(duì)廣州市日最大負(fù)荷的影響，進(jìn)而建立臺(tái)風(fēng)負(fù)荷預(yù)測(cè)模型，研究臺(tái)風(fēng)期間氣象變化對(duì)廣州市小時(shí)最大負(fù)荷的影響。論文分別從臺(tái)風(fēng)氣象、廣州氣象及廣州電力負(fù)荷三個(gè)維度構(gòu)建了臺(tái)風(fēng)預(yù)測(cè)模型，通過相關(guān)分析技術(shù)篩選臺(tái)風(fēng)期間對(duì)廣州電力負(fù)荷有顯著影響的指標(biāo)，最后采用多種機(jī)器學(xué)習(xí)方法進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明XGBOOST方法優(yōu)于其他機(jī)器學(xué)習(xí)方法且模型也通過假設(shè)檢驗(yàn)，模型對(duì)數(shù)據(jù)的擬合程度達(dá)到68.1%，臺(tái)風(fēng)期間負(fù)荷的外推預(yù)測(cè)平均準(zhǔn)確率能達(dá)到85.22%。

【Abstract】Through studying the variation rule of weather and meteorological indexes during typhoon， the paper analyzes the influence of the changes of meteorological indexes on the maximum daily load in Guangzhou， and then establishes a typhoon load forecasting model， so as to study the influence of meteorological changing on the maximum hourly load in Guangzhou during typhoon. The typhoon forecasting model is established from three dimensions： typhoon meteorology， Guangzhou meteorology and Guangzhou power load. Through correlation analysis technology， the index has significant influence on Guangzhou electric power load is filtered. Finally， a variety of machine learning methods are used to predict the power load. The experimental results show that XGBOOST method is superior to other machine learning methods and the model also passes hypothesis test. The fitting degree of the model to data reaches 68.1%， and the average accuracy of load extrapolation during typhoon can reach 85.22%.

【關(guān)鍵詞】電力負(fù)荷;臺(tái)風(fēng);特征工程;機(jī)器學(xué)習(xí)

【Keywords】power load; typhoon; feature engineering; machine Learning

【中圖分類號(hào)】TP391? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻(xiàn)標(biāo)志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文章編號(hào)】1673-1069（2019）01-0154-03

1 引言

廣州由于其特殊的地理位置關(guān)系是一個(gè)臺(tái)風(fēng)頻繁發(fā)生的地區(qū)，臺(tái)風(fēng)影響廣州的時(shí)間大多集中在每年6到9月份，此時(shí)恰是天氣比較炎熱的季節(jié)，空調(diào)等制冷電力設(shè)備的用電負(fù)荷居于全年最高峰。由于臺(tái)風(fēng)到來的前后往往會(huì)伴隨著以氣溫和降雨為主的顯著的氣候變化，此時(shí)會(huì)對(duì)廣州用電負(fù)荷造成顯著的疊加影響，給廣州電力系統(tǒng)正常用電調(diào)度帶來不小挑戰(zhàn)。本文收集了廣州近三年臺(tái)風(fēng)氣象數(shù)據(jù)，廣州市氣溫?cái)?shù)據(jù)和電網(wǎng)運(yùn)行各級(jí)負(fù)荷數(shù)據(jù)。利用氣溫，濕度，風(fēng)速、降雨量，廣州日用電負(fù)荷等數(shù)據(jù)，分析研究臺(tái)風(fēng)期間的不同氣象特征對(duì)廣州電網(wǎng)日最大負(fù)荷的影響建立臺(tái)風(fēng)用電負(fù)荷模型，為以后掌握臺(tái)風(fēng)期間用電負(fù)荷變化情況提供參考，為廣州負(fù)荷調(diào)度安排提供決策參考意見。

2 研究綜述

對(duì)于現(xiàn)代人類生活來說，電力已經(jīng)成為人們生活中不可分割的一部分，因此，對(duì)電力負(fù)荷特性變化研究也一直是學(xué)術(shù)界關(guān)注的重點(diǎn)。目前，國(guó)內(nèi)外許多研究表明電力負(fù)荷變化是與氣候因素變化息息相關(guān)的。然而，雖然關(guān)于電力負(fù)荷特性與氣候因素變化的相關(guān)研究比較多，但是具體到電力負(fù)荷特性與臺(tái)風(fēng)氣候的相關(guān)研究就比較少了。其中，劉思捷等[1]通過描述統(tǒng)計(jì)方法分析了廣東省從2006年到2010年對(duì)廣東有影響臺(tái)風(fēng)期間并廣東電力負(fù)荷特性分析，該文章用數(shù)據(jù)展示了臺(tái)風(fēng)登陸前后電力負(fù)荷波動(dòng)趨勢(shì)。莫若慧等[2]研究在臺(tái)風(fēng)天氣下海南電網(wǎng)對(duì)氣象因素的敏感度，文中通過會(huì)灰色關(guān)聯(lián)理論篩選了影響電網(wǎng)的主要?dú)夂蛞蛩?，在此基礎(chǔ)上進(jìn)行多元回歸分析從而得到海南電網(wǎng)在臺(tái)風(fēng)條件的下用電規(guī)律。李小燕等[3]認(rèn)為在臺(tái)風(fēng)期間現(xiàn)有負(fù)荷預(yù)測(cè)方式在大部分情況下預(yù)測(cè)程度一般不高，該文章首先分析了氣象因子與系統(tǒng)負(fù)荷的相關(guān)性，從總負(fù)荷重分解出趨勢(shì)分量，周期分量和氣象敏感分量，在此基礎(chǔ)上提出了基于相似日氣象負(fù)荷修正的短期負(fù)荷預(yù)測(cè)方法。劉晶[4]也進(jìn)行了類似的研究。

從現(xiàn)有關(guān)于臺(tái)風(fēng)期間電力負(fù)荷特性研究成果來看，研究對(duì)象粒度最小到日用電負(fù)荷，而對(duì)氣候因素篩選往往只會(huì)考慮氣溫。然而，在實(shí)際情況中，對(duì)電力系統(tǒng)調(diào)度造成巨大困擾往往是臺(tái)風(fēng)期間某幾個(gè)小時(shí)而非一段連續(xù)時(shí)間。此外，臺(tái)風(fēng)期間，降雨量、風(fēng)力和濕度也會(huì)對(duì)電力系統(tǒng)負(fù)荷造成比較大的影響。本文通過研究臺(tái)風(fēng)期間天氣氣象指標(biāo)的變化規(guī)律，分析各氣象指標(biāo)變化對(duì)廣州市日小時(shí)最大負(fù)荷的影響，進(jìn)而建立臺(tái)風(fēng)負(fù)荷預(yù)測(cè)模型，研究臺(tái)風(fēng)期間氣象變化對(duì)廣州市小時(shí)最大負(fù)荷的影響。

3 建模步驟

3.1 基本思路

因臺(tái)風(fēng)負(fù)荷是指在臺(tái)風(fēng)期間，僅由臺(tái)風(fēng)引起的負(fù)荷。本研究中臺(tái)風(fēng)負(fù)荷=臺(tái)風(fēng)期間總負(fù)荷-基準(zhǔn)負(fù)荷，其中基準(zhǔn)負(fù)荷是指采用臺(tái)風(fēng)前一個(gè)月的對(duì)應(yīng)星期，對(duì)應(yīng)小時(shí)的數(shù)據(jù)與臺(tái)風(fēng)后一個(gè)月的對(duì)應(yīng)星期、對(duì)應(yīng)小時(shí)的數(shù)據(jù)的平均值。臺(tái)風(fēng)期間總負(fù)荷與基準(zhǔn)負(fù)荷的差值就代表由于臺(tái)風(fēng)影響所造成的負(fù)荷變化值[5]。因此，所有指標(biāo)的值都是臺(tái)風(fēng)期間總值與基準(zhǔn)的差值。為了選擇找出對(duì)最大負(fù)荷有顯著影響的指標(biāo)，本研究采用基于相關(guān)分析的特征選擇技術(shù)，篩選出臺(tái)風(fēng)期間跟廣州負(fù)荷顯著相關(guān)的指標(biāo)，最后采用多種機(jī)器學(xué)習(xí)方法對(duì)臺(tái)風(fēng)負(fù)荷進(jìn)行預(yù)測(cè)。

3.2 模型建立

將廣州市的總負(fù)荷分成臺(tái)風(fēng)負(fù)荷、基準(zhǔn)負(fù)荷兩個(gè)部分，即廣州市總負(fù)荷=臺(tái)風(fēng)負(fù)荷+基準(zhǔn)負(fù)荷。為提高廣州市總負(fù)荷預(yù)測(cè)的準(zhǔn)確率，將臺(tái)風(fēng)負(fù)荷和基準(zhǔn)負(fù)荷分開建模。

臺(tái)風(fēng)負(fù)荷預(yù)測(cè)模型：臺(tái)風(fēng)負(fù)荷預(yù)測(cè)是指僅考慮臺(tái)風(fēng)引起的各項(xiàng)氣象指標(biāo)變化，進(jìn)而產(chǎn)生的負(fù)荷變化量。臺(tái)風(fēng)對(duì)廣州市負(fù)荷的影響可分為臺(tái)風(fēng)前、臺(tái)風(fēng)中、臺(tái)風(fēng)后三個(gè)階段，分開建模。臺(tái)風(fēng)負(fù)荷預(yù)測(cè)模型可采用分段回歸方法實(shí)現(xiàn)預(yù)測(cè)。

其中，Yt是臺(tái)風(fēng)期間負(fù)荷值，Yb是臺(tái)風(fēng)期間基準(zhǔn)負(fù)荷，ΔY即為臺(tái)風(fēng)負(fù)荷，Xt-是臺(tái)風(fēng)期間天氣因素向量，Xb是臺(tái)風(fēng)期間天氣因素基準(zhǔn)負(fù)荷向量。

基準(zhǔn)負(fù)荷預(yù)測(cè)模型：基準(zhǔn)負(fù)荷預(yù)測(cè)模型是指剔除除臺(tái)風(fēng)影響的其他因素影響的負(fù)荷，包括節(jié)假日、周末、經(jīng)濟(jì)因素等其他因素?；鶞?zhǔn)負(fù)荷采用臺(tái)風(fēng)生成前一個(gè)月，臺(tái)風(fēng)消失后一個(gè)月中剔除含有臺(tái)風(fēng)的日期和時(shí)間，與臺(tái)風(fēng)中每個(gè)時(shí)刻對(duì)應(yīng)的星期、對(duì)應(yīng)的時(shí)刻的點(diǎn)的均值來代替[6]。

3.3 實(shí)驗(yàn)結(jié)果及分析

3.3.1 基于相關(guān)分析建模的特征選擇

探究臺(tái)風(fēng)對(duì)廣州系統(tǒng)負(fù)荷波動(dòng)的影響，研究范圍從臺(tái)風(fēng)生成到臺(tái)風(fēng)結(jié)束為臺(tái)風(fēng)的生存周期，在臺(tái)風(fēng)生成前，廣州系統(tǒng)負(fù)荷在自身狀態(tài)下平穩(wěn)運(yùn)行，在臺(tái)風(fēng)期間，考慮到廣州處于亞熱帶板塊的內(nèi)陸地帶而且廣州沿海線短且狹小，一般不容易受到臺(tái)風(fēng)的正面襲擊，因此，認(rèn)為臺(tái)風(fēng)對(duì)廣州系統(tǒng)負(fù)荷的影響是通過臺(tái)風(fēng)影響廣州氣候從而進(jìn)一步影響廣州負(fù)荷。在臺(tái)風(fēng)過后，臺(tái)風(fēng)氣候影響因素消失，廣州氣候系統(tǒng)和生產(chǎn)系統(tǒng)慢慢恢復(fù)，廣州生產(chǎn)負(fù)荷回歸到臺(tái)風(fēng)前狀態(tài)。

本文考慮三個(gè)大類別指標(biāo)，分別是跟臺(tái)風(fēng)氣象有關(guān)數(shù)據(jù)指標(biāo)，跟廣州氣候有關(guān)數(shù)據(jù)指標(biāo)，建模構(gòu)造指標(biāo)。其中跟臺(tái)風(fēng)氣象有關(guān)的指標(biāo)包括：臺(tái)風(fēng)強(qiáng)度，風(fēng)力等級(jí)，臺(tái)風(fēng)最大風(fēng)速，臺(tái)風(fēng)移向，臺(tái)風(fēng)移動(dòng)速度，臺(tái)風(fēng)氣壓，7級(jí)風(fēng)圈半徑，10級(jí)風(fēng)圈半徑，12級(jí)風(fēng)圈半徑，臺(tái)風(fēng)持續(xù)天數(shù)，臺(tái)風(fēng)開始第幾天，是否臺(tái)風(fēng)記錄數(shù)據(jù)，臺(tái)風(fēng)狀態(tài)，行政區(qū)域是否在風(fēng)網(wǎng)外，臺(tái)風(fēng)經(jīng)度，臺(tái)風(fēng)維度，是否覆蓋半徑[7]。跟廣州氣候有關(guān)指標(biāo)包括：最大溫度，平均溫度，最低溫度，最大潮濕度，平均潮濕度，最低潮濕度，最大氣壓，平均氣壓，最小氣壓，最大風(fēng)速，平均風(fēng)速，最低風(fēng)速，最大負(fù)荷，最小負(fù)荷，平均負(fù)荷，廣州經(jīng)度，廣州維度，人體舒適度指數(shù)。建模構(gòu)造指標(biāo)包括最大負(fù)荷與基準(zhǔn)負(fù)荷做差，最大溫度與基準(zhǔn)溫度做差，最大潮濕度與基準(zhǔn)潮濕度做差，最大氣壓與基準(zhǔn)氣壓做差，最大風(fēng)速與基準(zhǔn)風(fēng)速做差，最小負(fù)荷與基準(zhǔn)負(fù)荷做差，最小溫度與基準(zhǔn)溫度做差，最小潮濕度與基準(zhǔn)潮濕度做差，最小氣壓與基準(zhǔn)氣壓做差，最小風(fēng)速與基準(zhǔn)風(fēng)速做差，平均負(fù)荷與基準(zhǔn)負(fù)荷做差，平均溫度與基準(zhǔn)溫度做差，平均潮濕度與基準(zhǔn)潮濕度做差，平均氣壓與基準(zhǔn)氣壓做差，平均風(fēng)速與基準(zhǔn)風(fēng)速做差，人體舒適度是否過60，臺(tái)風(fēng)與廣州距離（km）。

從物理氣象學(xué)角度分析以下指標(biāo)對(duì)最大負(fù)荷的變化均有影響，故建立最大負(fù)荷與各氣象指標(biāo)的相關(guān)分析模型。指標(biāo)包括最大負(fù)荷（1.0，0.0000）、最大溫度（0.563，0.000）、最大潮濕度（-0.302，0.000）、最大氣壓（-0.233，0.000）、最大風(fēng)速（-0.085，0.0000）、最小溫度（0.537，0.000）、最小氣壓（-0.235，0.000）、最小風(fēng)速（-0.062，1.3E-0.8）、平均溫度（0.557，0.000）、平均氣壓（-0.235，0.000）、平均風(fēng)速（-0.077，1.17E-12）、距離（0.058，1.03E-07）、人體舒適度（0.185，0.000），其中括號(hào)表示（相關(guān)系數(shù)，顯著性檢驗(yàn)P）。

各氣象指標(biāo)與最大負(fù)荷的相關(guān)系數(shù)絕對(duì)值排行情況如下：最大溫度（0.56）> 平均溫度（0.55）> 最小溫度（0.53）> 最小潮濕度（0.53）> 平均潮濕度（-0.30）> 最大潮濕度（-0.291）> 最小氣壓（-0.29）。所有氣象指標(biāo)與最大負(fù)荷的相關(guān)系數(shù)在95%的置信度下，均拒絕原假設(shè)，通過統(tǒng)計(jì)顯著性檢驗(yàn)，即認(rèn)為所有指標(biāo)與最大負(fù)荷均具有顯著的相關(guān)性。

3.3.2 各算法預(yù)測(cè)精度對(duì)比

為了提高結(jié)果的準(zhǔn)確度和穩(wěn)定性，采用多種集成學(xué)習(xí)方法實(shí)現(xiàn)臺(tái)風(fēng)負(fù)荷的建模和估計(jì)，主要包括隨機(jī)森林（Random Forest）、自適應(yīng)提升（AdaBoost）、梯度提升（GBDT）、袋裝（Bagging）、XGBOOST。本次建模過程中，采用樣本隨機(jī)劃分的原則，采用的訓(xùn)練集和測(cè)試的比例為4：1。模型對(duì)判定系數(shù)、平均絕對(duì)誤差、均方根誤差等指標(biāo)進(jìn)行評(píng)價(jià)結(jié)果如表1。

由表1可知，最好的模型是XGBOOST，模型對(duì)數(shù)據(jù)的擬合程度達(dá)到68.1%，臺(tái)風(fēng)期間負(fù)荷的外推預(yù)測(cè)平均準(zhǔn)確率能達(dá)到85.22%。為了驗(yàn)證模型是否穩(wěn)定，需要對(duì)最優(yōu)算法的前提假設(shè)進(jìn)行檢驗(yàn)。

3.3.3 最優(yōu)算法預(yù)測(cè)結(jié)果

為了從直觀上觀察預(yù)測(cè)結(jié)果與真實(shí)結(jié)果的差距，做了真實(shí)值與預(yù)測(cè)值的對(duì)比圖，從下圖可以看出從整體上看，預(yù)測(cè)值與真實(shí)值相差不多，誤差較大的時(shí)間集中在每年的中秋節(jié)和國(guó)慶黃金周。從臺(tái)風(fēng)期間系統(tǒng)負(fù)荷預(yù)測(cè)的圖可以看出，誤差基本分布在1000以下，2015年和2017年的預(yù)測(cè)誤差基本在1000以內(nèi)，但是在2016年10月份左右的時(shí)候會(huì)出現(xiàn)波動(dòng)在2000以上的情況。平均誤差率為11.63%，準(zhǔn)確率88.37%左右。誤差最高的時(shí)段均出現(xiàn)在每年的中秋和國(guó)慶（20150926-27，20160915-17，20161001-03， 20171001-03），誤差呈現(xiàn)小幅周期性波動(dòng)（可能是周末因素）。

4 結(jié)論

本文通過研究臺(tái)風(fēng)期間天氣氣象指標(biāo)的變化規(guī)律，分析各氣象指標(biāo)變化對(duì)廣州市日小時(shí)最大負(fù)荷的影響，進(jìn)而建立臺(tái)風(fēng)負(fù)荷預(yù)測(cè)模型，研究臺(tái)風(fēng)期間氣象變化對(duì)廣州市小時(shí)最大負(fù)荷的影響。本文首先根據(jù)臺(tái)風(fēng)生成特點(diǎn)和影響機(jī)制，通過收集近三年來對(duì)廣州有顯著影響的臺(tái)風(fēng)氣象數(shù)據(jù)及臺(tái)風(fēng)期間的廣州氣象數(shù)據(jù)，廣州用電負(fù)荷數(shù)據(jù)，搭建了一個(gè)涉及臺(tái)風(fēng)氣象，廣州氣候和電力負(fù)荷衍生指標(biāo)三個(gè)維度56指標(biāo)特征工程。接著通過相關(guān)分析方法篩選出臺(tái)風(fēng)期間對(duì)廣州每小時(shí)最高負(fù)荷有顯著影響影響的指標(biāo)，分別為指標(biāo)包括最大負(fù)荷、最大溫度、最大潮濕度、最大氣壓、最大風(fēng)速、最小溫度、最小氣壓、最小風(fēng)速、平均溫度、平均氣壓、平均風(fēng)速、距離、人體舒適度等。最后通過多種機(jī)器學(xué)習(xí)方法對(duì)篩選后指標(biāo)做回歸分析，其中集成學(xué)習(xí)方法XGBOOST明顯優(yōu)于其他算法，對(duì)數(shù)據(jù)的擬合程度達(dá)到68.1%，臺(tái)風(fēng)期間負(fù)荷的外推預(yù)測(cè)平均準(zhǔn)確率能達(dá)到85.22%。通過本文建立算法模型能夠?qū)ε_(tái)風(fēng)期間用電負(fù)荷情況進(jìn)行大體預(yù)測(cè)，為臺(tái)風(fēng)期間用電負(fù)荷變化提供參考，從而為廣州負(fù)荷調(diào)度安排提供決策參考意見。

【參考文獻(xiàn)】

【1】劉思捷， 劉昌， 李小燕，等. 臺(tái)風(fēng)對(duì)廣東電力負(fù)荷特性的影響[J]. 云南電力技術(shù)， 2012， 40（1）：91-93.

【2】莫若慧， 符子星， 曾炎，等. 臺(tái)風(fēng)天氣下電網(wǎng)負(fù)荷對(duì)氣象因素的敏感度分析[J]. 南方電網(wǎng)技術(shù)， 2015， 9（2）：79-83.

【3】李小燕， 文福拴， 盧恩，等. 基于相似日負(fù)荷修正的臺(tái)風(fēng)期間短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2013， 25（3）：82-89.

【4】劉晶. 基于相似日和支持向量機(jī)的短期負(fù)荷預(yù)測(cè)研究[D]. 廣州：華南理工大學(xué)， 2010.

【5】林輝， 劉晶， 郝志峰，等. 基于相似日負(fù)荷修正的節(jié)假日短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制， 2010， 38（7）：47-51.

【6】于龍， 鄭益慧， 王昕，等. 基于SVM與相似日的短期電力負(fù)荷預(yù)測(cè)[J]. 電工技術(shù)學(xué)報(bào)， 2013， 28（1增）：217-223.

【7】Taylor J W， Buizza R. Neural Network Load Forecasting with Weather Ensemble Predictions[J]. IEEE Power Engineering Review， 2007， 22（7）：59-59.