江弋如

（國(guó)網(wǎng)湖北省電力公司遠(yuǎn)安縣供電公司）

基于雙模型協(xié)同的售電量預(yù)測(cè)研究

江弋如

（國(guó)網(wǎng)湖北省電力公司遠(yuǎn)安縣供電公司）

準(zhǔn)確預(yù)測(cè)月度售電量對(duì)電網(wǎng)企業(yè)的經(jīng)營(yíng)決策起著重要的作用。本文首先對(duì)影響售電量的因素進(jìn)行分析，認(rèn)為售電量預(yù)測(cè)應(yīng)為確定性預(yù)測(cè)與不確定預(yù)測(cè)的疊加。其次根據(jù)售電量年間變化特點(diǎn)，選擇“Logistic模型”作為確定性預(yù)測(cè)；根據(jù)歷史數(shù)據(jù)的某種相似度，擇定“層次分析—模糊聚類(lèi)預(yù)測(cè)”作為不確定性預(yù)測(cè)；并以最小二乘法將兩個(gè)單獨(dú)模型進(jìn)行融合協(xié)同；最后，以遠(yuǎn)安縣供電公司為背景做實(shí)證分析。

負(fù)荷預(yù)測(cè)；數(shù)學(xué)模型；模糊聚類(lèi)；最小二乘法

0 引言

精準(zhǔn)預(yù)測(cè)售電量可為供電公司開(kāi)展電力需求側(cè)管理和制定科學(xué)的營(yíng)銷(xiāo)決策指明方向[1]。售電量變遷受諸多確定性因素(如氣溫、歷史售電量等)和不確定性因素(如政策、隨機(jī)事件等)的交織影響[2]，總體呈現(xiàn)復(fù)雜走勢(shì)。目前沿用較多的售電量預(yù)測(cè)方法有灰色預(yù)測(cè)、回歸分析、神經(jīng)網(wǎng)絡(luò)等，它們的不足表現(xiàn)在：①基本以單一模型為依托，不能兼顧售電量變化中確定性與不確定性?xún)煞矫?；②一些模型的結(jié)構(gòu)比較復(fù)雜，不但需要大量數(shù)據(jù)作運(yùn)行支撐，還不方便基層供電公司營(yíng)銷(xiāo)人員應(yīng)用。因此，在國(guó)內(nèi)外研究現(xiàn)狀基礎(chǔ)上，選擇合理模型進(jìn)行組合預(yù)測(cè)，對(duì)于提升售電量預(yù)測(cè)工作意義重大。

1 組合預(yù)測(cè)架構(gòu)

當(dāng)前縣級(jí)電網(wǎng)實(shí)際狀況：①普遍采用調(diào)度自動(dòng)化技術(shù)，在自身數(shù)據(jù)積累方面有長(zhǎng)足進(jìn)展，但相關(guān)的系統(tǒng)外部門(mén)的數(shù)據(jù)提供未能及時(shí)跟上；②隨著經(jīng)濟(jì)的快速發(fā)展和新型技術(shù)的不斷涌現(xiàn)，電網(wǎng)的規(guī)模及復(fù)雜程度與日俱增，各類(lèi)不確定因素在增加。情況①?zèng)Q定了縣級(jí)電網(wǎng)仍未消除大數(shù)據(jù)缺乏的短板，因此在售電量預(yù)測(cè)上需借鑒確定性類(lèi)預(yù)測(cè)方法(這類(lèi)方法對(duì)數(shù)據(jù)要求少)；情況②決定了縣級(jí)電網(wǎng)售電量預(yù)測(cè)建模必須考慮對(duì)不確定性因素的處理。

綜上所述，為了實(shí)現(xiàn)縣級(jí)電網(wǎng)售電量的精確預(yù)測(cè)，應(yīng)建立“確定性預(yù)測(cè)”+“不確定性預(yù)測(cè)”的優(yōu)化組合體系，如圖1所示。圖中，對(duì)于確定性預(yù)測(cè)，從售電量年間變化特點(diǎn)出發(fā)，采用“Logistic模型”；對(duì)于不確定性預(yù)測(cè)，以充分融合專(zhuān)家經(jīng)驗(yàn)為考量，采用“層次分析-模糊聚類(lèi)”模型；最后以最小二乘法將兩個(gè)單獨(dú)模型進(jìn)行綜合。

圖1 售電量預(yù)測(cè)建模的總體框架

2 各部分建模

2.1 Logistic模型

對(duì)于一個(gè)地域范圍明確、穩(wěn)定的電網(wǎng)(如本文用作算例的遠(yuǎn)安縣供電公司)，其土地面積確定、人口數(shù)量有限，若無(wú)外加條件，其特定月份的售電量將逐年增長(zhǎng)且呈現(xiàn)類(lèi)似“S”型曲線(xiàn)[3]，如圖2所示。

圖2 地域范圍一定的區(qū)域的售電量增長(zhǎng)趨勢(shì)

顯然，這個(gè)S曲線(xiàn)符合人口學(xué)中的Logistic模型，因此可借鑒該模型來(lái)作為本研究項(xiàng)目中售電量預(yù)測(cè)的一個(gè)分模型。Logistic模型如式(1)所示[4]。

式中，t為預(yù)測(cè)年；t0為起始年；p0為對(duì)應(yīng)t0的售電量原始數(shù)據(jù)；pM為t→∞時(shí)的理論上極值(由歷史數(shù)據(jù)決定)；a待定。由于本次研究的是月度售電量預(yù)測(cè)，因此采用Logistic模型進(jìn)行預(yù)測(cè)時(shí)，應(yīng)針對(duì)每個(gè)月份建立預(yù)測(cè)公式。

2.2 層次分析—模糊聚類(lèi)建模

當(dāng)前，全面推進(jìn)城鎮(zhèn)化如火如荼，經(jīng)濟(jì)深化改革不斷前行，兩者相互交織，使得社會(huì)面貌呈現(xiàn)所謂的“新常態(tài)”。在“新常態(tài)”背景下，很多地方的人口、產(chǎn)業(yè)以及布局等元素出現(xiàn)新變化，使得這些地區(qū)的售電量不再呈“單邊上揚(yáng)”式的快速增長(zhǎng)趨勢(shì)，而展現(xiàn)為某種波動(dòng)特性[5-6]，這給售電量預(yù)測(cè)增加了難度。為了科學(xué)統(tǒng)籌具有模糊屬性的經(jīng)濟(jì)形勢(shì)、國(guó)家政策對(duì)售電量的影響，特構(gòu)造“層次分析—模糊聚類(lèi)”相結(jié)合的預(yù)測(cè)模型，如圖3所示。

圖3 基于層次分析-模糊聚類(lèi)方法的售電量預(yù)測(cè)流程

在該模型中，首先是全面、細(xì)致梳理各類(lèi)要素，形成層次體系，見(jiàn)圖4所示（以沿海某地為例）。

圖4 對(duì)售電量有影響的要素提煉（以沿海某地為例）

其次是運(yùn)用層次分析法對(duì)要素權(quán)重進(jìn)行配置(鑒于層次分析法是一種成熟的方法，本文不再單獨(dú)闡述)，并基于此將各要素量值予以集成；再次是運(yùn)用模糊聚類(lèi)來(lái)判斷不同歷史年份之間的相似度，找到與待測(cè)年月有較高相似度的歷史年月；最后將該歷史年月的相關(guān)數(shù)據(jù)與待測(cè)年月的相關(guān)數(shù)據(jù)融合以生成售電量預(yù)測(cè)值。

2.3 最小二乘法應(yīng)用

應(yīng)該說(shuō)，Logistic模型和“層次分析—模糊聚類(lèi)”模型在售電量預(yù)測(cè)上各有側(cè)重點(diǎn)，為了避免單一模型“一統(tǒng)天下”的弊端，將最小二乘法引入以使Logistic模型和“層次分析—模糊聚類(lèi)”模型得到優(yōu)勢(shì)互補(bǔ)。具體來(lái)說(shuō)：首先用單一模型對(duì)已經(jīng)發(fā)生實(shí)績(jī)的月度進(jìn)行驗(yàn)證性“預(yù)測(cè)”，并計(jì)算預(yù)測(cè)值與實(shí)際發(fā)生值之間的偏差；然后對(duì)不同月份設(shè)定兩個(gè)模型的“貢獻(xiàn)比”(未知數(shù)形式)；最后將偏差矩陣和“貢獻(xiàn)比”向量納入最小二乘法，得到“貢獻(xiàn)比”數(shù)據(jù)(在該“貢獻(xiàn)比”下，兩個(gè)模型的融合可使預(yù)測(cè)誤差最小化)。

3 實(shí)證分析

3.1 歷史數(shù)據(jù)

搜集遠(yuǎn)安縣供電公司轄區(qū)2009～2015年的歷史售電量數(shù)據(jù)(如表1所示)作為算例樣本。從這些數(shù)據(jù)可以看出：

表1 遠(yuǎn)安公司轄區(qū)歷史售電量數(shù)據(jù) （單位：萬(wàn)kW·h）

3.2 分模型預(yù)測(cè)

首先運(yùn)用Logistic模型對(duì)2010～2015年做虛擬預(yù)測(cè)，得到系列預(yù)測(cè)誤差，限于篇幅，僅列示2015年情況。由表2可知：運(yùn)用Logistic模型進(jìn)行預(yù)測(cè)，存在部分月份誤差偏大情形(超過(guò)國(guó)網(wǎng)公司要求的同業(yè)對(duì)標(biāo)指標(biāo)4%)，這說(shuō)明了單個(gè)預(yù)測(cè)模型在售電量預(yù)測(cè)中的局限性。

表2 基于Logistic模型的預(yù)測(cè)示例(2015年)

其次利用“層次分析—模糊聚類(lèi)”方法進(jìn)行預(yù)測(cè)(限于篇幅，僅對(duì)2015年5月的預(yù)測(cè)情形作展示)。圖5所示為根據(jù)相關(guān)歷史數(shù)據(jù)(指適用于遠(yuǎn)安縣的類(lèi)似圖4的分層要素所對(duì)應(yīng)的數(shù)據(jù))形成的聚類(lèi)結(jié)果。由該結(jié)果可知：在聚類(lèi)水平0.92下，2013、2015和2010年為一類(lèi)，因此可通過(guò)獲取2010年5月份的售電量增長(zhǎng)(相對(duì)于2009年5月)來(lái)虛擬推算2015年5月份的售電量增長(zhǎng)(相對(duì)于2014年5月)。表3為預(yù)測(cè)結(jié)果。

圖5 動(dòng)態(tài)聚類(lèi)

表3 基于“層次分析-模糊聚類(lèi)”的預(yù)測(cè)示例(2015年5月)

由表3可知：“層次分析—模糊聚類(lèi)”預(yù)測(cè)方法將專(zhuān)家經(jīng)驗(yàn)科學(xué)引入以進(jìn)行智能化干預(yù)，同時(shí)通過(guò)對(duì)多因素的協(xié)同考察來(lái)將樣本內(nèi)蘊(yùn)的模糊關(guān)聯(lián)信息清晰化和量化，以達(dá)成有效的售電量預(yù)測(cè)輔助決策。

3.3 組合預(yù)測(cè)

在利用兩個(gè)分模型完成對(duì)2010～2015年的逐月預(yù)測(cè)后，以最小二乘法為工具可獲得組合預(yù)測(cè)中各模型的“貢獻(xiàn)系數(shù)”，如表4所示(模型1指Logistics模型，模型2指層次分析-模糊聚類(lèi)模型)。

表4 組合預(yù)測(cè)中兩個(gè)模型的系數(shù)配置

以表4系數(shù)為依托，對(duì)2016年進(jìn)行預(yù)測(cè)成效檢驗(yàn)，如表5所示。由表可知，在采用組合預(yù)測(cè)后，預(yù)測(cè)精確度有了明顯提升，且較為穩(wěn)定(與單模型預(yù)測(cè)相比)。另外，在2012～2015年，遠(yuǎn)安縣供電公司一直采用年均增長(zhǎng)率法進(jìn)行預(yù)測(cè)，誤差基本在3%～6%區(qū)間，可見(jiàn)遠(yuǎn)遜于本項(xiàng)研究。

表5 組合預(yù)測(cè)效果展示(2016年) （單位：萬(wàn)kW·h）

4 結(jié)束語(yǔ)

售電量變化趨勢(shì)受多種因素影響，這些因素既有歸屬于確定性層面的，也有歸屬于不確定性層面的。因此，為了準(zhǔn)確掌握售電量變遷情況，必須同時(shí)進(jìn)行針對(duì)確定性因素的售電量預(yù)測(cè)和針對(duì)不確定因素的售電量預(yù)測(cè)，并用科學(xué)方法將兩者進(jìn)行融合集成。

[1]牛東曉, 曹樹(shù)華, 趙磊, 等. 電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用[M]. 北京: 中國(guó)電力出版社, 1998: 3-77.

[2]潘小輝, 劉麗萍, 李揚(yáng). 提高月度售電量預(yù)測(cè)精度的一種新方法[J]. 電力需求側(cè)管理, 2013, 15(3): 11-14.

[3]王璐璐. 營(yíng)口地區(qū)電力營(yíng)銷(xiāo)系統(tǒng)中的需電量預(yù)測(cè)研究[D]. 北京:華北電力大學(xué), 2015.

[4]孫婧婕. 基于組合方法的月度售電量預(yù)測(cè)研究[D]. 大連: 大連理工大學(xué), 2014.

[5]劉威. 電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)模型研究及應(yīng)用[J].中國(guó)工程咨詢(xún), 2012, 30(10): 36-38.

[6]顏偉, 程超, 薛斌, 等. 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(5): 74-77.

2017-07-02）