基于天氣信息修正的短期冷熱電負(fù)荷聯(lián)合預(yù)測方法

曹曉波，李 津，楊 鑫，楊少華，師錛博，盧志剛,*

(1.國網(wǎng)雄安新區(qū)供電公司，河北 雄安新區(qū) 071700;2.燕山大學(xué) 河北省電力電子節(jié)能與傳動控制重點實驗室，河北 秦皇島 066004)

0 引言

能源互聯(lián)網(wǎng)以大電網(wǎng)為基礎(chǔ)平臺，同時接入多種能源網(wǎng)絡(luò)，這些網(wǎng)絡(luò)互相聯(lián)合和互相補(bǔ)充，由此達(dá)到滿足用戶冷熱電負(fù)荷需求的目的，而冷熱電負(fù)荷預(yù)測對能源互聯(lián)網(wǎng)的穩(wěn)定運(yùn)行，對冷熱電負(fù)荷的供求平衡都具有重要意義[1-4]。同時，冷熱電負(fù)荷預(yù)測在冷熱電聯(lián)供系統(tǒng)的優(yōu)化設(shè)計、運(yùn)行調(diào)度和能量管理方面發(fā)揮著巨大的作用[5-6]。因此，提高冷熱電負(fù)荷預(yù)測的準(zhǔn)確性至關(guān)重要。

負(fù)荷預(yù)測是指根據(jù)已知的社會發(fā)展?fàn)顩r和系統(tǒng)需求狀況，并且考慮自然條件、經(jīng)濟(jì)等相關(guān)因素，在滿足一定精度要求的條件下，對未來負(fù)荷數(shù)據(jù)做出的估計和預(yù)測[7]。負(fù)荷預(yù)測主要是以電力負(fù)荷、冷需求負(fù)荷和熱需求負(fù)荷為研究對象，其中電力負(fù)荷預(yù)測就是根據(jù)電力系統(tǒng)實時信息數(shù)據(jù)和歷史數(shù)據(jù)，使用傳統(tǒng)或者現(xiàn)代預(yù)測方法模型對未來電力系統(tǒng)負(fù)荷進(jìn)行的預(yù)測。目前電力負(fù)荷預(yù)測的研究比較深入，已有大量研究成果。文獻(xiàn)[8]提出了基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)和門控循環(huán)單元(Gated Recurrent Unit，GRU)神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測方法，克服了深度學(xué)習(xí)中以循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)為主體構(gòu)建的預(yù)測模型難以有效提取歷史序列中潛在高維特征且當(dāng)時序過長時重要信息易丟失的缺點，提高了預(yù)測精度及穩(wěn)定性。文獻(xiàn)[9]在長短期記憶(Long Short-Term Memory，LSTM)網(wǎng)絡(luò)模型和寬度&深度(Wide&Deep)模型的基礎(chǔ)上提出基于Wide&Deep-LSTM的深度學(xué)習(xí)短期負(fù)荷預(yù)測模型，該模型不僅具有深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，而且發(fā)揮了LSTM模塊的時間序列信息表達(dá)特性，從而解決了臺區(qū)電力負(fù)荷預(yù)測的多特征維度及時序性特征問題，進(jìn)一步提高了預(yù)測精度。文獻(xiàn)[10]提出一種基于差分分解(Differential Decomposition，DD)和誤差補(bǔ)償(Error Compensation，EC)的GRU神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測方法(DD-EC-GRU)，解決了基于序列分解方法出現(xiàn)的誤差積累的問題,并克服了現(xiàn)有方法忽略歷史預(yù)測誤差與當(dāng)前預(yù)測結(jié)果存在相關(guān)關(guān)系的缺點，提高了預(yù)測精度。冷負(fù)荷預(yù)測和熱負(fù)荷預(yù)測是綜合能源系統(tǒng)運(yùn)行的重要一環(huán)，它們會受到季節(jié)變化和氣象變化的影響，更與用戶用能數(shù)據(jù)密切相關(guān)。文獻(xiàn)[11]構(gòu)建了一種基于粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)的反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)模型(PSO-BP)并進(jìn)行室內(nèi)冷負(fù)荷短期預(yù)測，該方法結(jié)合了PSO具有較強(qiáng)的全局搜索能力和快速的收斂速度的特點，使得整個模型的預(yù)測精度和收斂速度都得到較大的提高。文獻(xiàn)[12]建立了小波-BP網(wǎng)絡(luò)預(yù)測模型，并將其應(yīng)用到冰蓄冷空調(diào)負(fù)荷預(yù)測中，該方法通過結(jié)合小波多分辨分析與神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)自適應(yīng)能力強(qiáng)的優(yōu)點，使得預(yù)測精度具有良好的效果。文獻(xiàn)[13]提出了一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短期熱負(fù)荷預(yù)測方法，該方法結(jié)合了遺傳算法(Genetic Algorithm，GA)與BP神經(jīng)網(wǎng)絡(luò)，利用遺傳算法的全局搜索能力，補(bǔ)足了BP神經(jīng)網(wǎng)絡(luò)的缺點，提高了熱負(fù)荷預(yù)測精度。文獻(xiàn)[14]結(jié)合PSO和最小二乘支持向量機(jī)(Least Squares Support Vector Machines，LSSVM) 提出了基于交叉驗證意義下的 PSO-LSSVM 熱負(fù)荷預(yù)測模型，實現(xiàn)了對換熱站負(fù)荷的高精度預(yù)測。

在上述研究中，大部分都是只對單一的負(fù)荷進(jìn)行預(yù)測，沒有考慮不同種類負(fù)荷之間內(nèi)部的關(guān)聯(lián)性以及各種負(fù)荷的規(guī)律性、季節(jié)性，從而導(dǎo)致不同種類負(fù)荷單獨(dú)預(yù)測的精度不高，而冷熱電負(fù)荷聯(lián)合預(yù)測是使用一個預(yù)測模型同時對冷熱電三種負(fù)荷進(jìn)行預(yù)測。同時，隨著深度學(xué)習(xí)的發(fā)展，現(xiàn)有的負(fù)荷預(yù)測中使用的預(yù)測模型大部分為深度學(xué)習(xí)模型，由于其層數(shù)、超參數(shù)較多，導(dǎo)致模型使用較為復(fù)雜[15-16]。針對上述問題，本文提出了一種基于天氣信息修正的短期冷熱電負(fù)荷預(yù)測框架以及基于增量學(xué)習(xí)的寬度學(xué)習(xí)(Incremental Learning Broad Learning System，ILBLS)預(yù)測模型。首先使用基于增量學(xué)習(xí)的寬度學(xué)習(xí)對氣象局提供的天氣信息進(jìn)行修正，以此來降低其對冷熱電負(fù)荷預(yù)測的影響。其次，使用X-12-ARMIA對冷熱電三種負(fù)荷進(jìn)行季節(jié)性分解。最后，使用基于增量學(xué)習(xí)的寬度學(xué)習(xí)預(yù)測模型對分解后的分量進(jìn)行預(yù)測，從而得到最終的預(yù)測結(jié)果。

1 預(yù)測模型

寬度學(xué)習(xí)系統(tǒng) (Broad Learning System，BLS)[17-19]是一種基于隨機(jī)向量函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)和單層前饋神經(jīng)網(wǎng)絡(luò)的單層增量式神經(jīng)網(wǎng)絡(luò)，其基本原理是：首先通過一系列隨機(jī)映射將原始輸入數(shù)據(jù)變?yōu)樘卣鞴?jié)點矩陣；然后再經(jīng)過一系列的隨機(jī)增強(qiáng)變換，在上一步特征節(jié)點矩陣的基礎(chǔ)上，形成增強(qiáng)節(jié)點矩陣；最后將所有的特征節(jié)點矩陣和增強(qiáng)節(jié)點矩陣送入輸出端，并借助偽逆求出隱層與輸出層之間的連接權(quán)重。

相比于傳統(tǒng)的深層網(wǎng)絡(luò)模型，這個模型在保證一定精度的同時，具有快速、簡潔的特點[20]，這是因為在特征節(jié)點矩陣和增強(qiáng)節(jié)點矩陣的生成過程中，BLS所有的隱層連接權(quán)沒有變化并且都是隨機(jī)產(chǎn)生，故而只需要求出隱層與輸出層之間的連接權(quán)。另外，當(dāng)BLS直接訓(xùn)練后可能無法達(dá)到理想的性能時，BLS可使用自己的增量學(xué)習(xí)范式達(dá)到快速實現(xiàn)模型重建的目的。

1.1 寬度學(xué)習(xí)

BLS的基本結(jié)構(gòu)示意圖如圖1所示，其隱藏層包括兩部分，分別為特征節(jié)點和增強(qiáng)節(jié)點。Z1,Z2,…,Zn為特征節(jié)點矩陣，H1,H2,…,Hm為增強(qiáng)節(jié)點矩陣，Wm為隱層和輸出層之間的連接權(quán)矩陣。

首先，輸入矩陣X經(jīng)過n組特征映射形成特征節(jié)點矩陣Z1,Z2,…,Zn：

Zi=φi(XWei+βei),

(1)

其中,i=1,2,…,n,φi為線性或非線性激活函數(shù),通常默認(rèn)為一個線性變換,Wei和βei分別為隨機(jī)權(quán)重矩陣和隨機(jī)偏置矩陣。Wei和βei經(jīng)常通過稀疏自編碼器進(jìn)行微調(diào)，這是為了得到輸入特征的稀疏表示。將n組特征節(jié)點矩陣拼接成一個整體，得到總的特征節(jié)點矩陣：

Zn=[Z1,Z2,…,Zn],

(2)

然后經(jīng)過m組增強(qiáng)變換，形成增強(qiáng)節(jié)點矩陣H1,H2,…,Hm：

Hj=ξj(ZnWhj+βhj),

(3)

其中,j=1,2,…,m,ξj為一個非線性激活函數(shù)，一般可將其設(shè)置為雙曲正切函數(shù)：

ξj(x)=tanh(x)，

(4)

Whj和βhj也為隨機(jī)權(quán)重矩陣和隨機(jī)偏置矩陣。將m組增強(qiáng)節(jié)點拼接為

Hm=[H1,H2,…,Hm]。

(5)

圖1 BLS的結(jié)構(gòu)示意圖Fig.1 Schematic diagram of BLS structure

為了方便起見，這里引入新的變量，記為

A=[Zn|Hm]，

(6)

則系統(tǒng)的輸出為

(7)

(8)

Wm=(ATA+λI)-1ATY，

(9)

其中,AT為A的轉(zhuǎn)置矩陣，I為單位矩陣。當(dāng)λ→0時，設(shè)：

(10)

則可得

Wm=A+Y，

(11)

其中,A+表示為A的偽逆。

1.2 基于增量學(xué)習(xí)的寬度學(xué)習(xí)

目前，大多研究使用基礎(chǔ)的BLS。文獻(xiàn)[21]結(jié)合自組織映射和BLS對光伏發(fā)電功率進(jìn)行超短期預(yù)測，其在使用自組織映射對各時刻的光伏數(shù)據(jù)進(jìn)行精細(xì)化聚類的基礎(chǔ)上，通過BLS訓(xùn)練神經(jīng)網(wǎng)絡(luò)，提高了計算效率。文獻(xiàn)[22]針對BLS參數(shù)選擇的問題，將網(wǎng)格搜索法與BLS進(jìn)行結(jié)合，提出一種BLS 的特征自適應(yīng)提取方法。但是，對于一些情況，BLS直接訓(xùn)練后可能無法達(dá)到理想的性能[23]，為此提出了基于增量學(xué)習(xí)的寬度學(xué)習(xí)。增量學(xué)習(xí)的核心思想就是，在已經(jīng)得出的計算結(jié)果和新數(shù)據(jù)的基礎(chǔ)之上進(jìn)行更新，從而只需少量計算就能得到更新的權(quán)重。相比深度學(xué)習(xí)在反復(fù)訓(xùn)練過程中時常陷入局部最優(yōu)無法自拔，增量學(xué)習(xí)的優(yōu)勢非常明顯。

若模型結(jié)構(gòu)需要收集到新的訓(xùn)練數(shù)據(jù)或擴(kuò)展寬度，BLS不需要模型的重新訓(xùn)練過程，只需要一些高效的增量計算來動態(tài)更新系統(tǒng)，比如BLS增強(qiáng)節(jié)點增量學(xué)習(xí)[24]。在某些特殊狀況下，插入額外的增強(qiáng)節(jié)點會讓系統(tǒng)擁有更好更優(yōu)秀的性能。如圖2所示，在保持特征節(jié)點不變的情況下新增增強(qiáng)節(jié)點，則系統(tǒng)的隱藏層變?yōu)椋?/p>

Am+1=[A|ξ(ZnWm+1+βm+1)]，

(12)

其中,ξ為激活函數(shù),Wm+1和βm+1為新的隨機(jī)權(quán)重矩陣和隨機(jī)偏置矩陣,則可得到

(13)

其中,D=A+ξ(ZnWm+1+βm+1)。

(14)

其中,C=ξ(ZnWm+1+βm+1)-AD,C+為C的偽逆。新的權(quán)重則為

(15)

通過以上計算過程可以得出，添加新的增強(qiáng)節(jié)點后，我們只需要對一個較小的矩陣計算偽逆，從而極大地降低了計算量。

1.3 預(yù)測結(jié)果評價指標(biāo)

本文采用均方根誤差(Root Mean Square Error，RMSE)、平均絕對誤差(Mean Absolute Error，MAE)以及平均絕對百分比誤差(Mean Absolute Percentage Error，MAPE)作為預(yù)測評價指標(biāo)。

圖2 BLS增強(qiáng)節(jié)點增量學(xué)習(xí)示意圖Fig.2 Schematic diagram of BLS enhanced node incremental learning

假設(shè)數(shù)據(jù)真實值為

y={y1,y2,…,yn}，

(16)

數(shù)據(jù)預(yù)測值為

(17)

對于均方根誤差，其計算公式為

(18)

其計算結(jié)果的范圍為[0,+∞)。RMSE在數(shù)量級上比較直觀，當(dāng)RMSE=0時，預(yù)測值與真實值完美重合，這時模型預(yù)測的效果最好，即為完美模型；當(dāng)RMSE≠0時，比如RMSE=10，這時可以認(rèn)為回歸效果比真實值平均相差10。總之RMSE的值越小，預(yù)測的誤差就越小，模型也越優(yōu)秀，模型精確度也越高。

對于平均絕對誤差,其計算方法如下：

(19)

平均絕對誤差可以排除誤差相互抵消的問題，能夠準(zhǔn)確地反映預(yù)測誤差的大小，MAE計算結(jié)果的范圍也是[0,+∞)，其值為0時模型的預(yù)測效果最好。

對于平均絕對百分比誤差，它是一個百分比值，故其比其他統(tǒng)計量更容易理解，也更加直觀，其計算公式如下：

(20)

平均絕對百分比誤差的范圍是[0,+∞)，當(dāng)模型為完美模型時，MAPE=0%；當(dāng)MAPE>100%時，模型預(yù)測效果很差，認(rèn)為模型為劣質(zhì)模型。

2 預(yù)測框架

冷熱電負(fù)荷一般與天氣信息具有一定的相關(guān)性并且具有明顯的周期性。相關(guān)性主要表現(xiàn)在冷熱負(fù)荷受溫度影響比較大，溫度較高時冷負(fù)荷用能較高，而溫度較低時熱負(fù)荷用能較大；冷熱電三種負(fù)荷都具有明顯的周期性，電負(fù)荷中占比較高的一般為工業(yè)負(fù)荷，部分工業(yè)負(fù)荷主要集中在白天進(jìn)行工業(yè)生產(chǎn)，還有一部分能耗較大的工業(yè)負(fù)荷選擇在夜間電價較低時進(jìn)行工業(yè)生產(chǎn)；冷負(fù)荷在白天能耗較高，在中午或者下午由于溫度的上升從而達(dá)到頂峰；熱負(fù)荷一般在晚上由于溫度的降低達(dá)到最高，在中午或者下午由于溫度的升高而降低。因此，天氣信息預(yù)測的準(zhǔn)確性將直接影響冷熱電負(fù)荷預(yù)測的準(zhǔn)確性。

2.1 天氣信息修正

現(xiàn)有的天氣信息的獲取來源主要是中國氣象局對氣象信息的預(yù)測，然而氣象部門提供的天氣信息數(shù)據(jù)存在較為明顯的誤差，直接將其輸入預(yù)測模型會使預(yù)測結(jié)果存在明顯的誤差。

基于上述問題，本文提出一種基于天氣信息修正的短期冷熱電負(fù)荷預(yù)測模型。首先對氣象歷史數(shù)據(jù)進(jìn)行采集，采集的歷史數(shù)據(jù)包括真實的天氣數(shù)據(jù)Tt，氣象局預(yù)測的天氣數(shù)據(jù)Tp。將過去的歷史真實數(shù)據(jù)、歷史預(yù)測數(shù)據(jù)以及未來的預(yù)測數(shù)據(jù)結(jié)合起來，得到誤差較小的天氣預(yù)測數(shù)據(jù)，從而提高預(yù)測精度。天氣信息修正流程圖如圖3所示。

圖3 天氣信息修正流程圖Fig.3 Flow chart of weather information correction

使用歷史預(yù)測天氣數(shù)據(jù)Tp作為模型的輸入，歷史真實天氣數(shù)據(jù)Tt作為模型的輸出，對基于增量學(xué)習(xí)的寬度學(xué)習(xí)進(jìn)行訓(xùn)練，訓(xùn)練目標(biāo)如下：

Tt=f(Tp)，

(21)

(22)

其中，g(t)為經(jīng)過訓(xùn)練的模型。

2.2 冷熱電負(fù)荷預(yù)測框架

針對冷熱電負(fù)荷明顯的季節(jié)性以及周期性，本文利用X-12-自回歸積分滑動平均(X-12-ARIMA)季節(jié)分解[25]，提出了一種基于X-12-ARIMA和ILBLS的預(yù)測模型：X-12-ARIMA-ILBLS模型。首先，將冷熱電負(fù)荷冷熱電三種負(fù)荷分解成趨勢及循環(huán)分量、季節(jié)分量、不規(guī)則分量三部分。然后使用ILBLS預(yù)測模型對三種分量進(jìn)行預(yù)測，進(jìn)而得到最終的預(yù)測結(jié)果，預(yù)測流程圖如圖4所示。

圖4 預(yù)測流程圖Fig.4 Forecast flow chart

3 算例分析

為了驗證本文提出的天氣信息修正方法以及預(yù)測模型的準(zhǔn)確性，本文選取了中國北部地區(qū)某城市2017年7月18日-2017年7月31日共14天的冷熱電的負(fù)荷數(shù)據(jù)、地區(qū)真實氣象數(shù)據(jù)以及氣象局天氣信息預(yù)測數(shù)據(jù)，數(shù)據(jù)集采集的頻率為每小時采集一次，共采集336組數(shù)據(jù)，選取前312組數(shù)據(jù)作為訓(xùn)練集，對最后24時刻的冷熱電負(fù)荷以及氣象數(shù)據(jù)進(jìn)行預(yù)測。本文模型構(gòu)建及訓(xùn)練在基于Python 3.6以及tensorflow 2.4架構(gòu)的Pycharm3.3公開版上進(jìn)行，硬件平臺采用Intel Core i7 CPU以及NVIDIA GTX 1650 GPU。

本文的仿真算例分為四個部分。第一，使用本文所使用的ILBLS模型對待預(yù)測日氣象局天氣預(yù)測信息進(jìn)行修正，減小氣象局天氣信息預(yù)測誤差，使之更加接近真實天氣數(shù)據(jù)；第二，使用X-12-ARIMA分別對冷熱電三種負(fù)荷進(jìn)行分解；第三，使用氣象局提供的氣象信息進(jìn)行冷熱電負(fù)荷預(yù)測；第四，使用修正后的天氣預(yù)測信息作為模型的輸入對冷熱電負(fù)荷進(jìn)行預(yù)測。具體分析如下：

1) 天氣預(yù)測信息修正

本部分使用2017年7月8日-2017年7月31日氣象局天氣信息預(yù)測數(shù)據(jù)以及歷史真實天氣信息數(shù)據(jù)，采集頻率為每小時一次。以溫度為例，使用ILBLS對氣象局氣象預(yù)測溫度進(jìn)行修正，修正結(jié)果如圖5所示，結(jié)果誤差分析如表1所示。

圖5 天氣信息修正結(jié)果Fig.5 Weather information correction result

如表1所示，相比于氣象局氣象預(yù)測溫度與真實溫度之間的誤差，修正溫度與真實溫度之間的誤差明顯減少，以MAPE為例，修正之后比修正之前減小了2.05%，修正之后的溫度數(shù)據(jù)更加接近真實溫度數(shù)據(jù)。

表1 天氣信息修正前后誤差對比Tab.1 Error comparison before and after weather information correction

2) 季節(jié)分解

對冷熱電負(fù)荷數(shù)據(jù)進(jìn)行季節(jié)分解，分別得到每種負(fù)荷的3個分量：長期趨勢及循環(huán)分量，季節(jié)分量以及不規(guī)則分量。以電負(fù)荷序列為例，季節(jié)分解結(jié)果如圖6所示。

圖6 季節(jié)分解結(jié)果Fig.6 Seasonal decomposition results

3) 使用氣象局天氣預(yù)測信息的預(yù)測結(jié)果

本部分預(yù)測使用氣象局天氣信息預(yù)測數(shù)據(jù)作為輸入，分別使用BP神經(jīng)網(wǎng)絡(luò)、LSTM、 BLS、ILBLS以及X-12-ARIMA-ILBLS五種模型對所選擇地區(qū)2017年7月31日24時刻的冷熱電負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測。預(yù)測結(jié)果如圖7～9所示，結(jié)果誤差分析如表2～4所示。為了區(qū)分不同種類負(fù)荷之間的預(yù)測結(jié)果，本文所有的冷、熱、電負(fù)荷預(yù)測結(jié)果均分開顯示。

通過對預(yù)測結(jié)果進(jìn)行分析并計算誤差，以熱負(fù)荷的MAPE為例，本文所提X-12-ARIMA-ILBLS預(yù)測模型為3.30%，比BP神經(jīng)網(wǎng)絡(luò)減少5.82%，比LSTM減少4.37%，比BLS減少2.1%，比ILBLS減少1.31%。冷負(fù)荷與電負(fù)荷預(yù)測結(jié)果誤差與熱負(fù)荷幾乎相同。通過不同模型之間預(yù)測結(jié)果對比，本文所提X-12-ARIMA-ILBLS預(yù)測模型的預(yù)測精度最優(yōu)，誤差最小。

圖7 電負(fù)荷預(yù)測結(jié)果對比Fig.7 Comparison of power load forecast results

圖8 冷負(fù)荷預(yù)測結(jié)果對比Fig.8 Comparison of cooling load forecast results

圖9 熱負(fù)荷預(yù)測結(jié)果對比Fig.9 Comparison of heating load forecast results

表2 電負(fù)荷預(yù)測誤差對比Tab.2 Error comparison of power load forecast

表3 冷負(fù)荷預(yù)測誤差對比Tab.3 Error comparison of cooling load forecast

表4 熱負(fù)荷預(yù)測誤差對比Tab.4 Error comparison of heating load forecast

4)使用不同溫度數(shù)據(jù)及最優(yōu)模型的預(yù)測結(jié)果

本部分預(yù)測使用X-12-ARIMA-ILBLS預(yù)測模型，并將修正的天氣信息數(shù)據(jù)作為模型的輸入，以此來對所選擇地區(qū)2017年7月31日24時刻的冷熱電負(fù)荷進(jìn)行預(yù)測。本部分預(yù)測所使用的數(shù)據(jù)集以及數(shù)據(jù)集的劃分均與3)部分相同，預(yù)測結(jié)果如圖10～12所示，預(yù)測誤差分析如表5～7所示。

表5 天氣信息修正前后的電負(fù)荷預(yù)測誤差分析Tab.5 Error analysis of electric load forecast before and after weather Information correction

表6 天氣信息修正前后的冷負(fù)荷預(yù)測誤差分析Tab.6 Error analysis of cooling load forecast before and after weather Information correction

表7 天氣信息修正前后的熱負(fù)荷預(yù)測誤差分析Tab.7 Error analysis of heat load forecast before and after weather information correction

圖10 天氣信息修正前后的電負(fù)荷預(yù)測結(jié)果對比Fig.10 Comparison of power load forecast results before and after weather information correction

圖11 天氣信息修正前后的冷負(fù)荷預(yù)測結(jié)果對比Fig.11 Comparison of cooling load forecast results before and after weather information correction

圖12 天氣信息修正前后的熱負(fù)荷預(yù)測結(jié)果對比Fig.12 Comparison of heating load forecast results before and after weather information correction

根據(jù)預(yù)測結(jié)果，使用天氣修正方法后，預(yù)測精度更高，預(yù)測效果更優(yōu)，以電負(fù)荷的MAPE為例，預(yù)測誤差比使用修正方法之前減少1.14%。冷熱電負(fù)荷的預(yù)測誤差均有明顯減少，證明了天氣信息修正方法可以有效提高預(yù)測的精度。

4 結(jié)論

本文考慮氣象局天氣信息數(shù)據(jù)對冷熱電負(fù)荷預(yù)測造成誤差,并結(jié)合X-12-ARIMA和ILBLS，提出了一種基于天氣信息修正的短期冷熱電負(fù)荷預(yù)測框架，從而提高了冷熱電聯(lián)合預(yù)測的精度。最后使用中國北方某城市的冷熱電負(fù)荷數(shù)據(jù)作為算例進(jìn)行驗證，最終得到如下結(jié)論：

1) 本文使用的基于增量學(xué)習(xí)的寬度學(xué)習(xí)預(yù)測模型相較于基礎(chǔ)的寬度學(xué)習(xí)模型、長短期記憶神經(jīng)網(wǎng)絡(luò)以及BP神經(jīng)網(wǎng)絡(luò)能夠有效提高預(yù)測精度。

2) 相較于使用未修正天氣預(yù)測信息的預(yù)測模型，本文提出的基于天氣信息修正的預(yù)測框架能夠提高模型的預(yù)測精度。

3) 冷熱電負(fù)荷存在明顯的季節(jié)性以及周期性，對其進(jìn)行季節(jié)性分解可以有效提高預(yù)測精度。