基于雙模型組合的月度售電量預(yù)測分析

楊曄

（國網(wǎng)江蘇省電力有限公司昆山市供電分公司，江蘇 昆山 215334）

月度售電量其中含有電力供求雙方的各種信息，同時，也是對電網(wǎng)運營和需求側(cè)進行準確預(yù)測的基礎(chǔ)，能夠促進電網(wǎng)的協(xié)同運營。為此，需要從偶然和必然兩種角度入手，針對月度售電量形成波動問題的驅(qū)動因素進行深入解析，進一步明確相關(guān)預(yù)測應(yīng)該是非慣性預(yù)測和慣性預(yù)測的重疊。

1 研究背景

月度售電量作為電力系統(tǒng)運行中供需雙方的競爭表征，準確預(yù)測月度售電量，能夠促進電力需求側(cè)管理工作的全面優(yōu)化，同時，還能夠進一步提高供電企業(yè)營銷、生產(chǎn)以及基建等多種環(huán)節(jié)的工作質(zhì)量，但按照歷年來不同地區(qū)月度售電量相關(guān)大戶數(shù)據(jù)的分析結(jié)果發(fā)現(xiàn)，研究對象變化呈現(xiàn)出一種非線性特征，整體層面上十分復雜，證明其會被多種不同性質(zhì)因素進行協(xié)同驅(qū)動。

月度售電量中的不同類型預(yù)測技術(shù)有其不同的適用范圍和側(cè)重點，而以單一模型為基礎(chǔ)的預(yù)測方法無法準確全面總結(jié)概括不同時段和不同區(qū)域的特性需求，比如，某一模型應(yīng)用到甲供電企業(yè)中能夠起到有效的作用，但應(yīng)用到乙企業(yè)中卻無法發(fā)揮成效。模型在這一時段內(nèi)有效，但卻無法保證在下一時段內(nèi)的有效性。本文就此針對月度售電量提出了一種全新的預(yù)測思路，從不確定性和確定性兩種角度入手，針對使售電量出現(xiàn)變化的內(nèi)驅(qū)動力進行詳細分析，隨后，以縣級供電企業(yè)中的應(yīng)用關(guān)切和數(shù)據(jù)采集實際狀況入手，分別選擇其中具有突出代表性的模型預(yù)測偶然分量和必然分量，最后，按照組合預(yù)測思路，全面整合兩種單一模型，從而為了使綜合誤差達到最小化標準。如此便可以有效優(yōu)化月度售電量相關(guān)預(yù)測工作。

2 創(chuàng)建預(yù)測體系

縣級供電企業(yè)中的常見態(tài)勢如下，引入先進的自動化調(diào)度技術(shù)，從電網(wǎng)數(shù)據(jù)采集層面得到明顯提高，但系統(tǒng)外部各種和售電量變化的相關(guān)數(shù)據(jù)信息要想實現(xiàn)足量獲取存在較大難度。隨著電力技術(shù)持續(xù)更新和國民經(jīng)濟的發(fā)展，相關(guān)配網(wǎng)規(guī)模也持續(xù)擴大，整個結(jié)構(gòu)越加復雜化，從而導致大量模糊因素的積累。第一種態(tài)勢證明縣級電網(wǎng)于大數(shù)據(jù)短缺消除中依然需要進行繼續(xù)創(chuàng)新改革，為此針對月度售電量進行預(yù)測過程中，不可避免會應(yīng)用那些對數(shù)據(jù)要求較小的模型。第二種態(tài)勢證明針對月度售電量進行預(yù)測建模過程中，應(yīng)該針對待測區(qū)域內(nèi)真實狀況實施統(tǒng)籌思考。

除此之外，結(jié)合驅(qū)動因素進行分析，發(fā)現(xiàn)售電量變遷主要是被慣性支配，同時，還會受到不同地區(qū)內(nèi)產(chǎn)業(yè)、人口和經(jīng)濟因素的影響，屬于一種偶然性范疇。其中，需要特殊說明的是，月度平均氣溫變化和月度售電量存在一定聯(lián)系，但此次研究中便不結(jié)合該點內(nèi)容進行考慮。主要原因如下：通過分析理念關(guān)于氣候變化的大數(shù)據(jù)發(fā)現(xiàn)，每年相同月份相關(guān)氣溫會形成一定的變化浮動，但整體變化并非十分明顯，由此來看，隨著時間跨度持續(xù)加大，能夠有效降低單日氣溫變化影響。同時，氣溫對月度售電量影響主要是從空調(diào)負荷中體現(xiàn)出來，在新時期經(jīng)濟發(fā)展背景下，保持一種穩(wěn)定、健康的發(fā)展狀態(tài)，大部分區(qū)域中空調(diào)負荷都處于一種慣性上揚趨勢，人們行為會被慣性思維所影響，為了追求舒適生活而應(yīng)用空調(diào)是一種必然慣性因子。綜上所述，結(jié)合預(yù)測選型要求，設(shè)計電量預(yù)測體系框架如圖1所示。

上述LOGISITC模型能夠代表月度售電量按照慣性趨勢的發(fā)展狀況，同時，相關(guān)模型也比較適用于貧信息場景下相關(guān)預(yù)測工作，僅需要一些簡單歷史數(shù)據(jù)即可。層次分析加模糊聚類模型，能夠充分顯示出待測空間中的獨特實情，證明月度售電量相關(guān)發(fā)展狀況呈現(xiàn)出一種非慣性趨勢，同時，結(jié)合最小二乘法，能夠確保兩種模型按照最優(yōu)權(quán)重開展全面組合，促進預(yù)測精確度的全面優(yōu)化。

圖1 電網(wǎng)月度售電量相關(guān)預(yù)測模型

3 不同區(qū)域建模

（1）LOGISTIC模型。轄區(qū)內(nèi)固定區(qū)域電網(wǎng)中，因為電力應(yīng)用中的慣性思維推力影響，即便是在沒有各種外加條件情況下，逐年月度售電量將會呈現(xiàn)出一種S形的變化趨勢。而S形曲線和人們所預(yù)測的LOGISTIC模型較為相似，所以通過其當成一種慣性預(yù)測分析模型較為適合。對于此次而言，由于預(yù)測目標是月度售電量，所以需要逐月創(chuàng)建預(yù)測公示。舉例說明，結(jié)合預(yù)測需求，將其中某一年當成待預(yù)測年，比如，2021年，從之前連續(xù)數(shù)年的1月月度售電量作為主要參考依據(jù)，數(shù)量在10～20個左右為宜。隨后，將歷史月度售電量數(shù)據(jù)作為基礎(chǔ)，結(jié)合MATLAB軟件內(nèi)的NLINFIT函數(shù)作為非線性回歸，如此便能夠得到一種未知系數(shù)值，從而形成各項系數(shù)預(yù)測公式，如果想預(yù)測2020年，則只需將相關(guān)數(shù)據(jù)代入其中即可。

（2）模糊聚類建模。當下新常態(tài)是整個經(jīng)濟大環(huán)境的主要特征，基于該種背景下，大部分地區(qū)中的月度售電量也呈現(xiàn)出波動增長狀態(tài)，并非是單邊上揚形式，而該種波動和地域空間布局、產(chǎn)業(yè)配置以及人口特征等密切相關(guān)。產(chǎn)業(yè)、布局和人口等涵蓋城鎮(zhèn)化實施中的核心內(nèi)容，下面包括各種干分級要素，不同地區(qū)在該方面存在一定差異。為此需要針對相關(guān)要素實施提煉，并以層次分析法為基礎(chǔ)，融合專家經(jīng)驗，獲得各要素在月度售電量影響方面的權(quán)重配置，引入模糊聚類，針對權(quán)重處理結(jié)束后的樣本數(shù)據(jù)實施聚類比較，得到預(yù)測數(shù)值，上述內(nèi)容便是結(jié)合非慣性因素形成的預(yù)測思路。以某個縣城為例，對城市要素體系進行全面整理提煉，形成一種基礎(chǔ)思路，勾畫出以模糊聚類和層次分析等方法為基礎(chǔ)的售電量預(yù)測流程。

（3）最小二乘法應(yīng)用。文中所介紹的兩種模型都有其不同考量和側(cè)重點，其應(yīng)用劣勢和優(yōu)勢也各不相同，為此需要取長補短，不能隨意偏廢，針對兩種模型組合系數(shù)進行考量時，需要將兩種模型預(yù)測誤差減到最少，至于最小二乘法也比較符合該種期望。通過分析實際發(fā)展狀況，需要先針對單一模型實施驗證性預(yù)測，獲得預(yù)測偏差序列。通過未知數(shù)方法，設(shè)定兩種單一模型于不同月份內(nèi)組合系數(shù)。把偏差矩陣和系數(shù)向量有效融入到最小二乘法內(nèi)，使合成偏差最低系數(shù)向量求解出來。

4 案例分析

（1）歷史樣本分析。以某一供電企業(yè)從2010～2018年的月度售電量歷史數(shù)據(jù)作為基礎(chǔ)樣本，并對相關(guān)數(shù)據(jù)開展初步觀察分析，能夠了解到以下內(nèi)容：第一，是立足于整體角度分析，不同年份、同一月份中的月度售電量變化趨勢呈現(xiàn)出一種扁平S形式，證明LOGISTICS相關(guān)模型吸納存在一定合理性。第二，是從細微角度入手進行準確辨識，其中，大量月份是不存在逐年波動性的，鑒于層次分析以及模糊聚類模型也存在一定有用之處。

（2）單一模型預(yù)測。通過LOGISTIC模型針對研究階段中的數(shù)據(jù)信息實施驗證性預(yù)測，了解相應(yīng)的誤差狀況。通過分析發(fā)現(xiàn)，因為模型能夠?qū)⑹挛飸T性變遷準確揭示出來，同時，相關(guān)售電量變化也在較大程度上滿足慣性原則，為此相關(guān)預(yù)測工作從總體層面沒有偏離事物軌跡。模型因為屬于一種貧信息預(yù)測，針對產(chǎn)業(yè)、人口以及經(jīng)濟等影響因素都無須考量，為此一定會產(chǎn)生預(yù)測偏差過大的問題，某些月份超出了4%的對標指標，由此能夠看出，需要借助其他模型進行輔助判斷。依托層次分析和模糊劇烈模型開展驗證性判斷，因為篇幅限制，此次僅展示2018年11月的結(jié)果。通過分析歷年相似度聚類分析結(jié)果能夠發(fā)現(xiàn)，2014、2016和2018聚類水平低于0.92，歸屬一類，為此開業(yè)計算2018年11月手月度售電量和11年5月相比，有所增長，并對2018年11月的月度售電量增長狀況進行準確估測。最終結(jié)果如表1所示。

表1 預(yù)測結(jié)果分析

通過分析上表能夠發(fā)現(xiàn)，模糊聚類加上層次分析這種預(yù)測方法有效融入專家知識，能夠清晰表達多模糊因素，提高月度售電量相關(guān)預(yù)測準確度。

（3）雙模型組合預(yù)測。通過兩種單一模型針對2011～2018年實施按月預(yù)測驗證后，以最小二乘法為基礎(chǔ)，計算組合模型內(nèi)不同模型相關(guān)權(quán)重系數(shù)，并創(chuàng)建逐月組合模型。因為前面所說的驗證性預(yù)測到2018年年末截止，結(jié)合近大遠小的基礎(chǔ)原則，最新創(chuàng)建而成的組合模型和2019年預(yù)測最為契合。通過分析最新組合模型對2019月度售電量進行預(yù)測，結(jié)果發(fā)現(xiàn)，組合預(yù)測模型在實際應(yīng)用中，相關(guān)預(yù)測準確性得到了明顯提升，同時，和單一模型比較，相關(guān)預(yù)測成效也十分穩(wěn)定。

5 結(jié)語

綜上所述，此次嘗試以最小二乘法擬合而成的雙模型組合為主進行準確預(yù)測，相關(guān)案例結(jié)果證明，層次分析模糊聚類加上LOGISTIC模型，能夠?qū)﹄娏夸N售中的各種偶然性因子和必然性因子產(chǎn)生統(tǒng)籌影響。為了進一步提升預(yù)測準確性，應(yīng)該結(jié)合氣溫因子進行綜合考量。