工業(yè)用電市場(chǎng)用電量組合預(yù)測(cè)方法研究

曹敏 蒲學(xué)吉 巨健 俞文瑾

摘要：在總結(jié)現(xiàn)有用電量預(yù)測(cè)的主流方法基礎(chǔ)上，對(duì)工業(yè)用電量數(shù)據(jù)特征進(jìn)行分析，提出一種新的工業(yè)市場(chǎng)用電量預(yù)測(cè)方法。文章通過分析文獻(xiàn)，總結(jié)了當(dāng)前主流預(yù)測(cè)模型和方法的優(yōu)勢(shì)和劣勢(shì)，從而提出灰色預(yù)測(cè)和梯度提升回歸的組合模型。針對(duì)文章建立的模型，使用某地區(qū)四年實(shí)際用電量數(shù)據(jù)，與傳統(tǒng)灰色預(yù)測(cè)模型、神經(jīng)網(wǎng)絡(luò)模型、單一梯度提升回歸模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)該組合模型在數(shù)據(jù)量較少或數(shù)據(jù)量比較充足的情況下，預(yù)測(cè)精度和穩(wěn)定性很高，證明了所建立模型可靠性和有效性。

Abstract： On the basis of summarizing the current mainstream methods of electricity consumption forecasting， the paper analyzes the characteristics of industrial electricity consumption data， and proposes a new industrial market electricity consumption forecasting method. By analyzing the literature， the paper summarizes the advantages and disadvantages of current mainstream prediction models and methods， then it proposes a combined model of grey prediction and gradient elevation regression. According to the model established in the article， using the four-year actual electricity consumption data of a certain area， compared with the prediction results of the traditional gray prediction model， neural network model and single gradient lifting regression model， it is found that the combined model has less data volume or data volume. In the case of sufficient conditions， the prediction accuracy and stability are high， which proves the reliability and effectiveness of the established model.

關(guān)鍵詞：預(yù)測(cè);用電量;灰色預(yù)測(cè)模型;梯度提升回歸

Key words： forecast;electricity consumption;grey-forecasting model;ANN

中圖分類號(hào)：TM715 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1006-4311（2019）13-0035-03

0 ?引言

在電力需求側(cè)管理中，用電量預(yù)測(cè)是一項(xiàng)關(guān)鍵的工作。在售電市場(chǎng)開放后，工業(yè)電力用戶作為電力市場(chǎng)的主體，它們的用電量需求對(duì)用電市場(chǎng)產(chǎn)生很大的影響，工業(yè)市場(chǎng)用電量是各售電市場(chǎng)主體制定策略時(shí)參考的一項(xiàng)重要的指標(biāo)，買賣雙方通過預(yù)測(cè)用電量來估計(jì)成交價(jià)格成交規(guī)模，從而制定自己的營(yíng)銷及交易策略。對(duì)于售電企業(yè)來說，對(duì)工業(yè)用電量的預(yù)測(cè)準(zhǔn)確性決定了其對(duì)售電市場(chǎng)方向的把握程度;對(duì)于供電主體來說，準(zhǔn)確的用電量預(yù)測(cè)對(duì)合理地制定發(fā)電計(jì)劃、能源銷售計(jì)劃以及配置電力資源起到了十分重要的作用[1]。

眾多學(xué)者針對(duì)售電量預(yù)測(cè)方法進(jìn)行了大量的研究，從各種角度進(jìn)行創(chuàng)新提出了很多具有不同特點(diǎn)的預(yù)測(cè)方法。當(dāng)前較為常見的預(yù)測(cè)方法有時(shí)間序列、灰色預(yù)測(cè)模型以及回歸預(yù)測(cè)模型。時(shí)間序列預(yù)測(cè)模型主要通過歷史數(shù)據(jù)預(yù)測(cè)未來趨勢(shì)，對(duì)樣本需求量較低[2]，目前主流的時(shí)間序列方法主要包括平滑類方法和自回歸類方法，平滑類方法包含簡(jiǎn)單移動(dòng)平均、指數(shù)平滑等方法，對(duì)波動(dòng)量較大的數(shù)據(jù)較為敏感，要求數(shù)據(jù)與時(shí)間有線性或其他函數(shù)關(guān)系，呈一條平滑的曲線;而自回歸類模型包含現(xiàn)有主流的自回歸積分滑動(dòng)平均模型（ARIMA）等要求數(shù)據(jù)平穩(wěn)，在使用該類模型時(shí)除了要將數(shù)據(jù)轉(zhuǎn)換為平穩(wěn)序列外，還要確定多個(gè)參數(shù)，工程化難度較大。灰色預(yù)測(cè)理論最早由鄧聚龍?jiān)?982年提出[3]，其原理是使用數(shù)學(xué)方法利用少量數(shù)據(jù)建立灰色系統(tǒng)[4]，從部分已知或部分未知的信息和趨勢(shì)中提取有價(jià)值的信息。最早的灰色預(yù)測(cè)模型是GM（1，1）模型，它通過單變量的一階微分方程估計(jì)預(yù)測(cè)值，雖然該模型原理簡(jiǎn)單、可檢驗(yàn)性強(qiáng)[5]，但是它單純的從目標(biāo)變量的趨勢(shì)來預(yù)測(cè)，不能加入更多已知的影響因素。由此考慮多變量影響的GM（1，n）模型得到了更廣泛的應(yīng)用[6-8]，但是Tien等[9]（2012）通過對(duì)GM（1，n）的一次累計(jì)估計(jì)函數(shù)進(jìn)行積分形式的推導(dǎo)發(fā)現(xiàn)，傳統(tǒng)的GM（1，n）模型存在一定的缺陷，并在文章中證明卷積積分灰色預(yù)測(cè)模型GMC（1，n）的正確性，但是筆者在實(shí)際運(yùn)用中發(fā)現(xiàn)GMC（1，n）模型也存在一定缺陷，一方面在特征選擇方面還不夠完善，容易受低相關(guān)特征影響而出現(xiàn)較大的偏差;另一方面，某些特征的某一段數(shù)據(jù)出現(xiàn)互相關(guān)時(shí)，會(huì)導(dǎo)致依賴于最小二乘法求解參數(shù)的GMC（1，n）模型失效。較為常用的預(yù)測(cè)方法還有回歸預(yù)測(cè)方法，包含線性回歸、神經(jīng)網(wǎng)絡(luò)等算法，回歸模型可以應(yīng)用于中長(zhǎng)期預(yù)測(cè)，但是此類模型對(duì)數(shù)據(jù)量有著一定的要求;梯度提升回歸[10]本質(zhì)上是一種回歸模型，區(qū)別于傳統(tǒng)回歸模型，梯度提升回歸對(duì)離散值不敏感，因此不需要?dú)w一化處理，由于其有著預(yù)測(cè)精度高、泛化能力強(qiáng)等特點(diǎn)，該模型被廣泛應(yīng)用于數(shù)據(jù)建模比賽中。

在以月為單位的工業(yè)市場(chǎng)用電量預(yù)測(cè)中，用電量受較多的隨機(jī)因素影響，區(qū)別于其他行業(yè)用電特征，工業(yè)用電市場(chǎng)各月之間變動(dòng)幅度大、周期波動(dòng)呈現(xiàn)復(fù)雜的非線性結(jié)構(gòu)，如圖1所示（單位：萬千瓦時(shí)），單獨(dú)使用一種預(yù)測(cè)模型無法產(chǎn)生較好的預(yù)測(cè)效果，事實(shí)證明，組合預(yù)測(cè)算法可以提高預(yù)測(cè)精度[11-13]。文章在前人研究基礎(chǔ)上，將灰色預(yù)測(cè)與梯度提升回歸結(jié)合，建立了一種自適應(yīng)的組合預(yù)測(cè)模型;使用某省4年的數(shù)據(jù)進(jìn)行預(yù)測(cè)，通過對(duì)比多個(gè)預(yù)測(cè)模型發(fā)現(xiàn)，文章所建立的組合預(yù)測(cè)模型預(yù)測(cè)精度較高，魯棒性較強(qiáng)。

1 ?用電量預(yù)測(cè)模型

1.1 灰色預(yù)測(cè)模型

文章使用售電市場(chǎng)月用電量序列數(shù)據(jù)作為輸入，使用GM（1，1）模型預(yù)測(cè)，用最小二乘法求解出系統(tǒng)參數(shù)，帶入灰色微分方程解得預(yù)測(cè)值。

模型的具體求解過程如下：

設(shè)有觀察值X（0），是該動(dòng)態(tài)系統(tǒng)的原始序列，將原始序列一次累加生成X（1）（縮寫為1-AGO），以減少數(shù)據(jù)的隨機(jī)性，則GM（1，1）模型的離散動(dòng)力系統(tǒng)可由以下灰色微分方程表示：

2 ?算例分析

2.1 實(shí)驗(yàn)設(shè)計(jì)

文章選取某省2014年1到2017年9月工業(yè)用電數(shù)據(jù)（單位：萬千瓦時(shí)），分別使用灰色預(yù)測(cè)模型、梯度提升樹、神經(jīng)網(wǎng)絡(luò)以及文章建立的組合預(yù)測(cè)模型進(jìn)行建模和預(yù)測(cè)，對(duì)比多個(gè)模型的預(yù)測(cè)結(jié)果;此外，文章通過調(diào)整訓(xùn)練期長(zhǎng)度和預(yù)測(cè)期長(zhǎng)度，分析不同數(shù)據(jù)量下各個(gè)模型在預(yù)測(cè)不同時(shí)長(zhǎng)內(nèi)工業(yè)市場(chǎng)用電量的表現(xiàn)。

神經(jīng)網(wǎng)絡(luò)由于其出色的非線性擬合能力，近年來被廣泛的應(yīng)用于各個(gè)領(lǐng)域，本文使用3層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，通過對(duì)2-3倍的輸入層節(jié)點(diǎn)數(shù)進(jìn)行測(cè)試，確定隱含層節(jié)點(diǎn)數(shù)，最終設(shè)置為12個(gè)。迭代次數(shù)設(shè)置為1000次，防止過擬合。

文章使用公式（12）中的絕對(duì)百分誤差MAPE評(píng)估模型的預(yù)測(cè)精度，使用MAPE的標(biāo)準(zhǔn)差作為評(píng)估預(yù)測(cè)模型穩(wěn)定性的指標(biāo)，即在多次實(shí)驗(yàn)中，MAPE均值越低模型準(zhǔn)確度越高，MAPE標(biāo)準(zhǔn)差越低，模型穩(wěn)定性越好。

2.2 實(shí)驗(yàn)結(jié)果與分析

在訓(xùn)練期長(zhǎng)度r分別6、12、24時(shí)的實(shí)驗(yàn)結(jié)果如表1所示。

通過對(duì)比實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)，和以往的經(jīng)驗(yàn)不同，灰色預(yù)測(cè)模型在數(shù)據(jù)匱乏的時(shí)候的表現(xiàn)并不是很好，而如神經(jīng)網(wǎng)絡(luò)、梯度提升回歸等一些強(qiáng)學(xué)習(xí)器卻得到了一些很好的預(yù)測(cè)結(jié)果。

當(dāng)訓(xùn)練數(shù)據(jù)量增加到12個(gè)月時(shí)，此時(shí)訓(xùn)練期的數(shù)據(jù)量仍然是偏小的，四個(gè)預(yù)測(cè)模型中，組合預(yù)測(cè)模型表現(xiàn)最好，精度和穩(wěn)定性都是最高的。

當(dāng)數(shù)據(jù)量比較充足時(shí)前三種模型的預(yù)測(cè)精度相近，但是相比較來說灰色預(yù)測(cè)模型的穩(wěn)定性較差，在這種情況下宜采用組合預(yù)測(cè)或神經(jīng)網(wǎng)絡(luò)模型。

此外可以發(fā)現(xiàn)當(dāng)預(yù)測(cè)期逐漸增加，灰色預(yù)測(cè)模型的精度和穩(wěn)定性在不斷提高，主要原因是灰色預(yù)測(cè)在長(zhǎng)期的趨勢(shì)預(yù)測(cè)方面有著一定的優(yōu)勢(shì)，而它的的擬合能力較差，使用組合模型將其與梯度提升回歸模型進(jìn)行耦合，可以在一定條件下實(shí)現(xiàn)二者的互補(bǔ)。文章所述組合模型在數(shù)據(jù)量較少或充足的情況下可以實(shí)現(xiàn)對(duì)工業(yè)用電市場(chǎng)進(jìn)行有效預(yù)測(cè)。

3 ?結(jié)束語

工業(yè)用戶，特別是大工業(yè)用戶在售電市場(chǎng)用電量中占有很大的比重，不同于其他用電量，工業(yè)用電量在中長(zhǎng)期的隨機(jī)波動(dòng)很強(qiáng)，波動(dòng)周期不太明顯。使用擬合能力較強(qiáng)的梯度提升回歸模型與灰色預(yù)測(cè)模型組合，可以很好的發(fā)揮互相修正的作用。通過實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，組合預(yù)測(cè)優(yōu)于單個(gè)預(yù)測(cè)模型，文章所建立的組合預(yù)測(cè)模型參數(shù)較少，預(yù)測(cè)精度和穩(wěn)定性高，可以在工業(yè)用電預(yù)測(cè)中發(fā)揮有效的作用。

參考文獻(xiàn)：

[1]何川，舒勤，賀含峰.ICA特征提取與BP神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2014，26（08）：40-46.

[2]顏偉，程超，薛斌，李丹，陳飛，王順昌.結(jié)合X12乘法模型和ARIMA模型的月售電量預(yù)測(cè)方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2016，28（05）：74-80.

[3]鄧聚龍.灰色控制系統(tǒng)[J].華中工學(xué)院學(xué)報(bào)，1982（03）：9-18.

[4]Ren J， Gao S， Tan S， et al. Prediction of the yield of biohydrogen under scanty data conditions based on GM（1， N）[J]. Interna-tional Journal of Hydrogen Energy， 2013， 38（30）： 13198-13203.

[5]王允平，黃殿勛，熊浩清，牛元立.智能電網(wǎng)環(huán)境下采用關(guān)聯(lián)分析和多變量灰色模型的用電量預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2012，40（01）：96-100.

[6]Wang W， Hao Y， Du X. Application of grey system GM（1， N） model to predicting spring flow[C]// IEEE International Conference on Grey Systems and Intelligent Services. IEEE， 2007：448-452.

[7]Wang Z X. Grey multivariable power model GM（1， N） and its application[J]. Systems Engineering-Theory & Practice， 2014， 34（9）：2357-2363.

[8]李曉波.GM（1，N）改進(jìn)模型在年度售電量預(yù)測(cè)中的應(yīng)用[J].中國(guó)新技術(shù)新產(chǎn)品，2016（03）：4-5.

[9]Tien T L. A research on the grey prediction model GM（1，n）[J]. Applied Mathematics & Computation， 2012， 218（9）： 4903-4916.

[10]Friedman JH. Greedy function approx-imation： a gradient boosting machine [J]. The Annals of Statistics， 2001， 29（5）： 1189-1232.

[11]牛東曉，陳志業(yè)，邢棉，謝宏.具有二重趨勢(shì)性的季節(jié)型電力負(fù)荷預(yù)測(cè)組合優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)模型[J].中國(guó)電機(jī)工程學(xué)報(bào)，2002（01）：30-33.

[12]楊大晟，李濤，吳大軍，馮瑞明.全社會(huì)用電量的優(yōu)選組合預(yù)測(cè)法[J].電氣應(yīng)用，2013，32（24）：81-84.

[13]Zhang J， Wei Y M， Li D， et al. Short term electricity load forecasting using a hybrid model[J]. Energy， 2018， 158： 774-781.

[14]王允平，黃殿勛，熊浩清，牛元立.智能電網(wǎng)環(huán)境下采用關(guān)聯(lián)分析和多變量灰色模型的用電量預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2012，40（01）：96-100.