改進(jìn)決策樹在電網(wǎng)超短期負(fù)荷預(yù)測(cè)中的應(yīng)用

黃星知，劉 星，張文娟， 張永飛

(1.國(guó)網(wǎng)湖南省電力有限公司信息通信分公司，湖南 長(zhǎng)沙 410007； 2.北京國(guó)電通網(wǎng)絡(luò)技術(shù)有限公司，北京 100000)

目前，在我國(guó)電力市場(chǎng)環(huán)境下，電力交易的增加和經(jīng)營(yíng)主體的不同，使得交易環(huán)境出現(xiàn)了多種不確定因素。與此同時(shí)，電網(wǎng)負(fù)荷對(duì)電價(jià)的影響程度也隨著市場(chǎng)的變化而不斷增加，這都給電網(wǎng)超短期負(fù)荷預(yù)測(cè)帶來了困難。電網(wǎng)負(fù)荷數(shù)據(jù)中含有4個(gè)分量：極端天氣下的敏感負(fù)荷、節(jié)假日/工作日負(fù)荷、周期性變化負(fù)荷和隨機(jī)變化負(fù)荷。

針對(duì)電網(wǎng)數(shù)據(jù)過于繁雜的特點(diǎn)，張宇帆等[1]提出一種深度長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)預(yù)測(cè)方法。該方法前期對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，提升輸入信息精度，再通過深度長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)確定訓(xùn)練參數(shù)值，利用隨機(jī)搜索尋優(yōu)，并且使用最優(yōu)參數(shù)建立泛化能力最優(yōu)的預(yù)測(cè)模型。結(jié)果表明該方法對(duì)離線狀態(tài)下的負(fù)荷數(shù)據(jù)可以實(shí)現(xiàn)很好的預(yù)測(cè)，但是對(duì)于負(fù)荷的不確定性以及影響因素并未作出考慮，在線預(yù)測(cè)精度較低。李濱與陸明珍利用時(shí)域卷積網(wǎng)絡(luò)對(duì)電網(wǎng)短期負(fù)荷預(yù)測(cè)[2]。預(yù)測(cè)前期，綜合考慮各種影響因素，提出日負(fù)荷數(shù)與當(dāng)日天氣因素的相似日選取方法，將各類因素的影響指數(shù)作為輸入內(nèi)容輸入到預(yù)測(cè)模型中，最后，根據(jù)時(shí)域卷積網(wǎng)絡(luò)訓(xùn)練當(dāng)前日負(fù)荷數(shù)，完成建模預(yù)測(cè)。該方法將氣象屬性影響因素考慮在內(nèi)，但是并沒有對(duì)負(fù)荷的周期性變化和非線性問題作出預(yù)處理，使得結(jié)果與實(shí)際相比有誤差。

在實(shí)際情況中，影響電網(wǎng)負(fù)荷預(yù)測(cè)的因素有很多，例如負(fù)荷數(shù)據(jù)數(shù)量巨大、種類復(fù)雜且含有的噪聲過多，在對(duì)這些雜亂數(shù)據(jù)進(jìn)行處理時(shí)，往往需要用到數(shù)據(jù)挖掘算法。數(shù)據(jù)挖掘算法是在已知數(shù)據(jù)集合內(nèi)，挖掘需要信息的過程，決策樹是挖掘算法中比較常用的一種，可以實(shí)現(xiàn)對(duì)電網(wǎng)負(fù)荷數(shù)據(jù)有針對(duì)性的挖掘，避免陷入隨機(jī)性中。因此，本文在決策樹的基礎(chǔ)上，提出了電網(wǎng)超短期負(fù)荷預(yù)測(cè)方法，并將所提方法應(yīng)用到實(shí)際中，通過現(xiàn)場(chǎng)應(yīng)用對(duì)提出方法進(jìn)行性能測(cè)試。

1 決策樹算法

1.1 決策樹原理

決策樹算法是數(shù)據(jù)挖掘算法中最為常用的一種，根據(jù)樣本的特性進(jìn)行劃分，并根據(jù)取值范圍作為分支部分，結(jié)合信息論原理實(shí)現(xiàn)對(duì)繁雜的樣本屬性的分類和歸納。對(duì)所有樣本進(jìn)行屬性篩選，找出包含信息量最大的作為決策樹[3]的根節(jié)點(diǎn)，再以根節(jié)點(diǎn)為基礎(chǔ)、選取子樹中包含信息量最大的樣本屬性作為樹的中間節(jié)點(diǎn)劃分。決策樹的葉子表示樣本之間的類別差異，通過樣本數(shù)據(jù)之間的關(guān)系分析，即歷史情況的參考，對(duì)數(shù)據(jù)進(jìn)行評(píng)估，根據(jù)前一天的數(shù)據(jù)進(jìn)行后天的預(yù)測(cè)。決策樹算法原理如圖1所示。

圖1 決策樹算法原理Fig.1 Decision tree algorithm

1.2 ID3算法

作為決策樹的主要構(gòu)成部分，ID3算法具有清晰的理論基礎(chǔ)、簡(jiǎn)單的算法步驟以及超強(qiáng)的學(xué)習(xí)能力，在處理類似電網(wǎng)負(fù)荷這種大規(guī)模數(shù)據(jù)時(shí)非常有效。將ID3算法與信息增益度量算法結(jié)合起來使用，對(duì)樣本屬性信息進(jìn)行全方位測(cè)試，將測(cè)試出來的結(jié)果作為預(yù)測(cè)的依據(jù)。

選取n個(gè)電網(wǎng)歷史負(fù)荷樣本數(shù)據(jù)，并將所有樣本集中在集合S內(nèi)，對(duì)其進(jìn)行分類，得到c個(gè)子類別Ci(i=1,2,…,c)，每個(gè)Ci中有ni個(gè)樣本。那么S中包含c個(gè)子類別的信息熵或者期望[4]信息，將Sv定義為S中屬性A的值為v的樣本子集，將Gain(S,A)定義為A與S的信息增益，Gain(S,A)的值越大，說明屬性A在分類時(shí)得到的信息就越多；反之，得到的信息就越少。ID3算法的主要目的就是對(duì)每個(gè)節(jié)點(diǎn)信息進(jìn)行增益(S,A)，然后選取屬性值最大的節(jié)點(diǎn)作為測(cè)試屬性。

1.3 電網(wǎng)超短期負(fù)荷預(yù)測(cè)實(shí)現(xiàn)

決策樹是通過計(jì)算樣本屬性的不同取值范圍，實(shí)現(xiàn)對(duì)樣本數(shù)據(jù)的分類。如果將電網(wǎng)負(fù)荷的相關(guān)屬性作為決策樹運(yùn)算中的條件屬性，將負(fù)荷看作目標(biāo)屬性[5]，那么就可以將電網(wǎng)負(fù)荷數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。利用建立好的決策樹對(duì)電網(wǎng)超短期負(fù)荷進(jìn)行預(yù)測(cè)。

基礎(chǔ)信息數(shù)據(jù)的獲取為每15 min選取1個(gè)數(shù)據(jù)點(diǎn)，以1 d為例，可選取的數(shù)據(jù)點(diǎn)為96個(gè)。通過決策樹對(duì)電網(wǎng)日負(fù)荷[6]進(jìn)行預(yù)測(cè)就是通過決策樹對(duì)96個(gè)數(shù)據(jù)點(diǎn)的負(fù)荷值進(jìn)行采樣。在采集數(shù)據(jù)后，結(jié)合電網(wǎng)數(shù)據(jù)特性[7]，選取待測(cè)日、待測(cè)日前兩天、一星期前同一天的氣象屬性信息以及每一天的實(shí)際負(fù)荷值。

選取第N+1天的氣象屬性代入到?jīng)Q策樹算法中，此為主要節(jié)點(diǎn)，即是框架，以歷史數(shù)據(jù)作為參考依據(jù)，為了準(zhǔn)確預(yù)測(cè)，選取第N-1天的實(shí)際負(fù)荷數(shù)據(jù)(由于當(dāng)天的負(fù)荷數(shù)據(jù)無法采集，所以需要選取前一天的數(shù)據(jù))進(jìn)行輸入，最終得到預(yù)測(cè)結(jié)果。

對(duì)于溫差較大的待測(cè)日選擇以下修正模型：

r=a(F1-Fu)

(1)

式中，F(xiàn)1為與待測(cè)日溫差相對(duì)較小的日期的日負(fù)荷數(shù)值；Fu為恒定溫度下負(fù)荷預(yù)測(cè)結(jié)果；a為一個(gè)置信系數(shù)，滿足a=[yη-yη-1/(yr-yr-1)]，其中，yη-yη-1/(yr-yr-1)為待測(cè)日與某天溫度變化量之比，yη為待測(cè)日當(dāng)天溫度數(shù)值，yr為某天溫度數(shù)值。

當(dāng)遇見溫度較高的天氣時(shí)，建立溫度和溫度變化、負(fù)荷和負(fù)荷變化之間的線性回歸模型[8]，公式：

r=?y/?x,y=f(W,X)

(2)

式中，y為待測(cè)日負(fù)荷或負(fù)荷變化區(qū)間；W為預(yù)測(cè)模型中的參數(shù)向量；X為溫度變化區(qū)間；?為變化因子。

當(dāng)高溫天氣持續(xù)一段時(shí)間后，需要采取相應(yīng)措施進(jìn)行特殊處理：

r=y0[f(η)-1]=y0[(1+q)x-1]

(3)

式中，q為百分量；y0為待測(cè)日的預(yù)測(cè)結(jié)果。

1.4 氣象屬性對(duì)負(fù)荷預(yù)測(cè)影響

論文主要考慮了工作日負(fù)荷數(shù)[9]，將已經(jīng)完成處理的負(fù)荷數(shù)進(jìn)行離散化處理，獲得基本數(shù)據(jù)集，采用決策樹算法，對(duì)歷史數(shù)據(jù)情況和影響因素進(jìn)行數(shù)據(jù)的交叉驗(yàn)證。

建立屬性決策表Q=[U,V∈U]，將氣象屬性看作決策樹中的條件屬性集V，細(xì)分為溫度m、氣壓p、濕度h、風(fēng)速w和日照l；將負(fù)荷數(shù)值看作決策樹中的決策集D。對(duì)氣象屬性進(jìn)行數(shù)字量化[10]，將溫度的取值設(shè)置在[-12.8,37.4]，再將其細(xì)分為6個(gè)更小的區(qū)間，并進(jìn)行標(biāo)記：[-12.8，-4.5]標(biāo)記為0，[-4.4,3.9]標(biāo)記為1，以此類推，[28.9,37.4]標(biāo)記為5；風(fēng)速、濕度的標(biāo)記方法等同于溫度；根據(jù)日照強(qiáng)度的不同，將其細(xì)分為雨天、陰天和晴天，分別用數(shù)字表示為2、1、0；氣壓的標(biāo)記方法等同于日照；根據(jù)歷史使用情況，可以將日負(fù)荷數(shù)值的變化情況分為無、低、高3種，分別用數(shù)字表示為0、1、2。氣象屬性與數(shù)字間的量化情況及屬性劃分見表1。

表1 氣象屬性劃分Tab.1 Division of meteorological attributes

那么，對(duì)于風(fēng)速屬性w來說，有γC(D)-γC-|w|(D)=0，從等式中不難看出，風(fēng)速對(duì)負(fù)荷結(jié)果的預(yù)測(cè)不會(huì)產(chǎn)生任何影響。因此，對(duì)其忽略不計(jì)。按照此方法，可以忽略空氣濕度以及氣壓的影響，那么得到的最終屬性約簡(jiǎn)集為{m,l}，氣象屬性中只有溫度和日照會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響，在預(yù)測(cè)模型中輸出預(yù)測(cè)結(jié)果，對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析。

1.5 預(yù)測(cè)流程

基于決策樹的電網(wǎng)超短期負(fù)荷預(yù)測(cè)，實(shí)現(xiàn)流程如圖2所示。

圖2 基于決策樹的電網(wǎng)超短期負(fù)荷預(yù)測(cè)流程Fig.2 Flow chart of power grid ultra short term load forecasting based on decision tree

基于決策樹的電網(wǎng)超短期負(fù)荷預(yù)測(cè)方法的實(shí)現(xiàn)可以總結(jié)為：①電網(wǎng)歷史負(fù)荷數(shù)據(jù)庫的建立，在建立的過程中對(duì)歷史數(shù)據(jù)進(jìn)行缺失、錯(cuò)誤等處理，并進(jìn)行新數(shù)據(jù)的采集；②利用決策樹參考?xì)v史情況和影響因素進(jìn)行數(shù)據(jù)的交叉驗(yàn)證；③輸出驗(yàn)證后的結(jié)果；④校驗(yàn)初步輸出結(jié)果，即驗(yàn)證預(yù)測(cè)的準(zhǔn)確性，并進(jìn)行修正;⑤輸出最終預(yù)測(cè)結(jié)果，實(shí)現(xiàn)電網(wǎng)超短期負(fù)荷預(yù)測(cè)。

2 電網(wǎng)超短期負(fù)荷預(yù)測(cè)可行性

為將2節(jié)提出的控制負(fù)荷預(yù)測(cè)方法的可行性分析更好地與電力電網(wǎng)超短期負(fù)荷結(jié)合，需要針對(duì)電網(wǎng)超短期負(fù)荷預(yù)測(cè)的設(shè)計(jì)相應(yīng)的分析流程。具體在實(shí)現(xiàn)過程中，有2個(gè)重要的因素會(huì)使結(jié)果出現(xiàn)誤差:①由于未知點(diǎn)的存在，在進(jìn)行比例尺選取時(shí)如果選取不當(dāng)，就會(huì)對(duì)結(jié)果造成影響。②同樣因?yàn)槲粗c(diǎn)的存在，在對(duì)負(fù)荷進(jìn)行排序時(shí)由可能會(huì)出現(xiàn)錯(cuò)誤。

(1)造成第1類誤差出現(xiàn)的原因，在于未知點(diǎn)無法像正常計(jì)算時(shí)那樣直接計(jì)算比例尺，那么可以利用時(shí)間序列法以及參考相似日的數(shù)據(jù)來解決這一問題。利用本文采用的方法可以找出多個(gè)被選相似日，根據(jù)這些相似日的數(shù)據(jù)可以確定未知點(diǎn)所在的一個(gè)大致區(qū)間UN，注意到在區(qū)間UN中未知點(diǎn)(xN,yN)的x是可以確定的，只有y是不確定的。如此對(duì)于每個(gè)已知點(diǎn)xi就可以比較容易地計(jì)算出：

(4)

(5)

注意由于θ函數(shù)取值的區(qū)間性以及時(shí)間序列維數(shù)計(jì)算本身的不確定性，按照這種方法計(jì)算出來的最終負(fù)荷區(qū)間，雖然比不確定的區(qū)間范圍要小，但仍然是不確定的，所以還是只能作為最終結(jié)果的一個(gè)估值區(qū)間來輔助下面的計(jì)算。不過至少根據(jù)已經(jīng)得到的區(qū)間，可以確定比例尺d的選值范圍。

3 現(xiàn)場(chǎng)應(yīng)用

目前，已將本文提出方法應(yīng)用到湖南省長(zhǎng)沙市開福區(qū)配電網(wǎng)中，該區(qū)域擁有10 kV線路280回，共計(jì)135 km。但由于能力有限，應(yīng)用于本文方法進(jìn)行日負(fù)荷測(cè)試的區(qū)域?yàn)樾惴褰值栏浇潆娋W(wǎng)，秀峰街道電網(wǎng)現(xiàn)場(chǎng)如圖3所示。

通過對(duì)開福區(qū)秀峰街道配電網(wǎng)的現(xiàn)場(chǎng)應(yīng)用情況以及上述對(duì)本文提出的基于改進(jìn)決策樹的電網(wǎng)超短期負(fù)荷預(yù)測(cè)新方法可行性的分析，驗(yàn)證本文方法在實(shí)際應(yīng)用中具有預(yù)測(cè)精度高的特點(diǎn)，能夠有效地應(yīng)用在實(shí)際的電網(wǎng)超短期負(fù)荷預(yù)測(cè)中，具有較好的實(shí)用性能。

圖3 秀峰街道配電網(wǎng)現(xiàn)場(chǎng)Fig.3 Site diagram of Xiufeng Street distribution network

3.1 負(fù)荷數(shù)據(jù)預(yù)處理

在利用決策樹對(duì)秀峰街道進(jìn)行電網(wǎng)負(fù)荷預(yù)測(cè)之前，需要對(duì)該地區(qū)的負(fù)荷數(shù)據(jù)做準(zhǔn)備工作，主要包含負(fù)荷數(shù)據(jù)的選取、預(yù)處理以及變換。數(shù)據(jù)選取為決策樹算法提供數(shù)據(jù)來源，從開福區(qū)電網(wǎng)數(shù)據(jù)庫內(nèi)選取一組可以作為代表性的數(shù)據(jù)，在負(fù)荷預(yù)測(cè)中，選取的數(shù)據(jù)通常為負(fù)荷數(shù)據(jù)和氣象數(shù)據(jù)。在挖掘電網(wǎng)負(fù)荷歷史數(shù)據(jù)時(shí)，常常存在記錄不全、統(tǒng)計(jì)方式不一致和偏差較大等現(xiàn)象。為了使預(yù)測(cè)結(jié)果更加精準(zhǔn)，對(duì)于這些數(shù)據(jù)需要進(jìn)行特殊處理并建立數(shù)據(jù)庫。數(shù)據(jù)處理包含去重操作、填補(bǔ)缺失數(shù)據(jù)、去除噪聲以及數(shù)據(jù)類型的轉(zhuǎn)換等。數(shù)據(jù)變換的主要內(nèi)容是對(duì)負(fù)荷數(shù)據(jù)進(jìn)行降維操作，在選取的數(shù)據(jù)中，找到符合預(yù)測(cè)的有用特征數(shù)據(jù)，防止在挖掘過程中出現(xiàn)特征量過大的情況。通過過濾算法和規(guī)定的數(shù)值取值[11]范圍，將錯(cuò)誤數(shù)據(jù)篩選出來。例如，氣溫類數(shù)據(jù)的取值范圍在0～48 ℃；歷史數(shù)據(jù)庫中存在一部分?jǐn)?shù)據(jù)殘缺不全、重要數(shù)據(jù)缺失的情況。同時(shí)，過濾算法篩選數(shù)據(jù)時(shí)，也可能會(huì)造成某些數(shù)據(jù)的丟失。當(dāng)缺失數(shù)據(jù)與前后時(shí)間相差較近時(shí)，可利用線性插值算法進(jìn)行人工填補(bǔ)，例如，已知t和t+1兩個(gè)時(shí)刻下的符合數(shù)據(jù)，可求得t+j時(shí)刻的數(shù)據(jù)Tt+j為：

(6)

式中，i為數(shù)據(jù)類別。

當(dāng)缺少數(shù)據(jù)的前后間隔時(shí)間較長(zhǎng)時(shí)，則可以通過觀察相鄰幾天的數(shù)據(jù)進(jìn)行填補(bǔ)。假設(shè)，當(dāng)前電網(wǎng)負(fù)荷數(shù)據(jù)的采集頻率[12]為1條/min，氣象數(shù)據(jù)的采集頻率為1條/6 h，由于二者之間的采集頻率不同，需要對(duì)其進(jìn)行相同頻率下的轉(zhuǎn)換。本文通過線性插值算法補(bǔ)齊氣象數(shù)據(jù)，使二者的采集頻率統(tǒng)一為1條/15 min。

3.2 日負(fù)荷預(yù)測(cè)

為了驗(yàn)證本文方法的可行性，選取湖南省長(zhǎng)沙市開福區(qū)進(jìn)行測(cè)試。實(shí)驗(yàn)中用到的數(shù)據(jù)來自某電網(wǎng)企業(yè)開福區(qū)2019年8月10—19日的氣象屬性以及負(fù)荷數(shù)據(jù)，對(duì)該數(shù)據(jù)庫中電網(wǎng)歷史數(shù)據(jù)的缺失、錯(cuò)誤等問題進(jìn)行處理，并將工作日與節(jié)假日兩個(gè)時(shí)間劃分開來，選擇SQL Server 2015軟件建立電網(wǎng)負(fù)荷數(shù)據(jù)庫，建立預(yù)測(cè)模型進(jìn)行日負(fù)荷的預(yù)測(cè)[13]。開福區(qū)2019年8月10—19日實(shí)驗(yàn)數(shù)據(jù)的氣象屬性見表2。當(dāng)?shù)厝肇?fù)荷數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)見表3。

表2 氣象屬性數(shù)據(jù)Tab.2 Meteorological attribute data

表3 實(shí)際日負(fù)荷數(shù)據(jù)與預(yù)測(cè)日負(fù)荷數(shù)據(jù)Tab.3 Actual daily load data and predicted daily load data

為了使測(cè)試效果更加直觀，依照表3數(shù)據(jù)繪制2019年8月10—19日的工作日與休息日的日負(fù)荷預(yù)測(cè)結(jié)果圖,如圖4所示。對(duì)開福區(qū)2019年8月10—19日的電網(wǎng)日負(fù)荷進(jìn)行預(yù)測(cè)，可以看出無論休息日的電網(wǎng)日負(fù)荷預(yù)測(cè)結(jié)果還是工作日的電網(wǎng)日負(fù)荷預(yù)測(cè)結(jié)果，都與實(shí)際電網(wǎng)日負(fù)荷結(jié)果十分相近，僅具有細(xì)微差別，說明該方法在電網(wǎng)負(fù)荷預(yù)測(cè)工作中能夠?qū)崿F(xiàn)有效的預(yù)測(cè)。

圖4 2019年8月10—19日的日負(fù)荷預(yù)測(cè)結(jié)果Fig.4 Daily load forecast results from August 10 to 19,2019

隨機(jī)選取2019年8月10—19日中某一工作日與休息日進(jìn)行24 h預(yù)測(cè)日負(fù)荷數(shù)據(jù)與實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行對(duì)比,如圖5所示。通過圖5的日負(fù)荷數(shù)據(jù)對(duì)比能夠看出，無論是休息日還是工作日，用電負(fù)荷較大的時(shí)間段均為18:00—21:00,通過使用本文方法對(duì)日負(fù)荷進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果與實(shí)際負(fù)荷數(shù)據(jù)幾乎一致，最大誤差不超過100 W。可以證明本文方法具有較好的實(shí)用性與可行性，能夠滿足對(duì)電網(wǎng)超短期負(fù)荷預(yù)測(cè)的需求。

3.3 預(yù)測(cè)結(jié)果準(zhǔn)確度和誤差

按照預(yù)測(cè)流程，使用本文方法對(duì)開福區(qū)的電網(wǎng)日負(fù)荷預(yù)測(cè)結(jié)果如圖6所示。從圖6中的數(shù)據(jù)可知，應(yīng)用本文方法進(jìn)行預(yù)測(cè)，8月10—19日中，對(duì)實(shí)驗(yàn)區(qū)域8月12日電網(wǎng)日負(fù)荷預(yù)測(cè)的準(zhǔn)確率達(dá)到了98%，其他時(shí)間負(fù)荷預(yù)測(cè)準(zhǔn)確率也在90%以上，并且一直處于一個(gè)平穩(wěn)的狀態(tài)，說明本文方法對(duì)電網(wǎng)日負(fù)荷的預(yù)測(cè)不僅準(zhǔn)確率高，同時(shí)還具有較強(qiáng)的穩(wěn)定性。

圖5 日負(fù)荷數(shù)據(jù)對(duì)比Fig.5 Comparison of daily load data

圖6 超短期—日負(fù)荷預(yù)測(cè)結(jié)果分析Fig.6 Analysis of ultra-short-daily load prediction results

為避免上述日預(yù)測(cè)誤差內(nèi)可能存在的相互抵消情況，影響數(shù)據(jù)預(yù)測(cè)結(jié)果[14-15]，根據(jù)負(fù)荷預(yù)測(cè)平均絕對(duì)誤差(MAPE)結(jié)果進(jìn)行分析，圖7為分析結(jié)果。MAPE的定義公式如下：

(5)

式中，R(i)和K(i)分別為1 h內(nèi)電網(wǎng)負(fù)荷數(shù)據(jù)的實(shí)際結(jié)果與預(yù)測(cè)結(jié)果；B為1 h負(fù)荷數(shù)據(jù)采樣次數(shù)。

圖7 平均絕對(duì)誤差結(jié)果分析Fig.7 Analysis of average absolute error of prediction results

由圖7可以看出，本文預(yù)測(cè)的平均絕對(duì)誤差隨時(shí)間的增加，呈現(xiàn)出一定程度的增長(zhǎng)，但是平均絕對(duì)誤差值一直在2.0以內(nèi)，說明本文方法在剪枝的過程中，隨著決策樹的不斷生長(zhǎng)，得到越來越多的分枝，同時(shí)使得訓(xùn)練誤差在逐漸變小，找到最小代價(jià)復(fù)雜度的最優(yōu)決策樹[16-17]，能夠有效降低預(yù)測(cè)誤差值，證明本文方法在超短期負(fù)荷預(yù)測(cè)上有著精度高的優(yōu)點(diǎn)。

4 結(jié)論

電網(wǎng)負(fù)荷的預(yù)測(cè)是一項(xiàng)非常復(fù)雜且難度非常高的工作，以往其他方法在進(jìn)行預(yù)測(cè)時(shí)常常存在誤差較大、精度較低等缺點(diǎn)。因此，本文在決策樹算法的基礎(chǔ)上，針對(duì)超短期電網(wǎng)負(fù)荷提出了一種新的預(yù)測(cè)方法。首先，對(duì)選取的負(fù)荷數(shù)據(jù)進(jìn)行處理和變換操作，避免在后續(xù)的計(jì)算過程中出現(xiàn)錯(cuò)誤數(shù)據(jù)和缺失數(shù)據(jù)的情況；然后再結(jié)合氣象屬性以及其他影響負(fù)荷變化的因素，實(shí)現(xiàn)對(duì)未來負(fù)荷數(shù)值變化的預(yù)測(cè)。最后引入專家系統(tǒng)，對(duì)首次預(yù)測(cè)結(jié)果進(jìn)行修正，確保具有較高的精準(zhǔn)度。在實(shí)際應(yīng)用中采集了某電網(wǎng)企業(yè)的歷史負(fù)荷數(shù)據(jù)，對(duì)開福區(qū)秀峰街道的電網(wǎng)超短期日負(fù)荷與時(shí)負(fù)荷的預(yù)測(cè)結(jié)果分析，證明了本文方法具有較高的預(yù)測(cè)精度。