孫 偉鮑 毅戴 波盧君波王 昆

（1.杭州天麗科技有限公司 杭州 310051）（2.國網(wǎng)浙江省電力公司信息通信分公司 杭州 310007）

1 引言

電力需求預(yù)測對電力公司的戰(zhàn)略目標(biāo)有著重要影響，預(yù)測的準(zhǔn)確與否，對于電力行業(yè)的健康發(fā)展和經(jīng)濟(jì)的節(jié)約與否都有至關(guān)重要的作用，在國民經(jīng)濟(jì)中占有重要地位。所以，對于電力需求進(jìn)行預(yù)測是十分必要的［1］。

針對電力需求預(yù)測，已經(jīng)有部分學(xué)者進(jìn)行了相關(guān)的研究。于松青等提出了采用系統(tǒng)動力學(xué)對山東的電力需求進(jìn)行了分析，構(gòu)建了相應(yīng)的數(shù)學(xué)模型，并通過算例仿真，驗證了此模型的有效性，并給出了對應(yīng)的建議［2］。傅守強(qiáng)等將電力需求預(yù)測模型分解成三個方面，并采用VAR，GM等建立預(yù)測模型，通過馬爾可夫和殘差均方根來建立優(yōu)化模型，并針對實際案例，驗證此方法的準(zhǔn)確性［3］。曾波采用改進(jìn)的灰色預(yù)測模型對電力需求進(jìn)行預(yù)測，將該方法在某市的電力需求上進(jìn)行預(yù)測，預(yù)測效果良好，表明了此方法的有效性［4］。龍禹等將電力數(shù)據(jù)按階段進(jìn)行劃分，采用熵權(quán)法求取每個階段的不同權(quán)重值，在負(fù)荷預(yù)測中，預(yù)測精度較高［5］。于松青等采用偏最小二乘法原理，對山東的電力需求進(jìn)行預(yù)測，預(yù)測精度高達(dá)98.09%［6］。

雖然上述對電力需求側(cè)的預(yù)測較多，且成果也很顯著，但是，由于各個地區(qū)的經(jīng)濟(jì)、氣候、環(huán)境等的不同，預(yù)測方法也不是通用的，所以，本文提出了基于改進(jìn)極限學(xué)習(xí)機(jī)的電力需求側(cè)預(yù)測模型，該模型將歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)處理后，將對電力需求有影響的因子作為模型的輸入，將需求側(cè)的負(fù)荷作為輸出，這樣的模型簡便且可移植性較高，在不同地區(qū)的電力需求預(yù)測中，只要采集的數(shù)據(jù)可靠，則均可實現(xiàn)可靠的電力需求預(yù)測。

2 電力需求側(cè)分析

2.1 電力需求的特點

對電力需求的特征和走勢進(jìn)行分析，對于有效預(yù)測電力需求具有重要意義。為此，本文將對電力需求預(yù)測的分為以下幾點進(jìn)行研究。

1）工業(yè)用電

其特點是用電量大且穩(wěn)定。據(jù)統(tǒng)計，我國目前的工業(yè)用電占所有用電量總和的75%左右。而工業(yè)用電的行業(yè)不同，由于生產(chǎn)過程的特征和工藝不同，用電量的大小也不一樣。比如，冶煉行業(yè)用電量大且穩(wěn)定，負(fù)荷不高。同一種設(shè)備如果連續(xù)進(jìn)行作業(yè)的用電量會超過采用倒班制度下進(jìn)行作業(yè)的用電量，同樣也使負(fù)荷率增大，倒班次數(shù)多的用電量又會低于倒班次數(shù)低的用電量［7］。但是各個工業(yè)不同行業(yè)所用的月，年等總用電量呈現(xiàn)平穩(wěn)的形式。大部分行業(yè)的工業(yè)用電與季節(jié)無關(guān)，除非是某些特殊的行業(yè)需要在特定的季節(jié)進(jìn)行生產(chǎn)。由于工業(yè)生產(chǎn)用電的上述特點，就保證了我們對電力需求進(jìn)行預(yù)測的可行性以及可靠性。

2）農(nóng)業(yè)用電

據(jù)統(tǒng)計，我國農(nóng)業(yè)用電所占比例不高，4.2%左右。農(nóng)業(yè)用電大都會隨著季節(jié)的不同而變化。農(nóng)業(yè)用電每天不會發(fā)生很大的差異，但是若按月和年來評判，其差異較大。比如說，抽水灌溉用電，在冬季時用電量較低，夏天對電量的需求較大。所以，對農(nóng)業(yè)用電需求進(jìn)行有效預(yù)測，可以降低電量損耗，提高經(jīng)濟(jì)效益。

3）交通運輸用電

目前，我國交通運輸所需要的用電量不是很多，大概為3%左右。在交通運輸?shù)挠秒娭校容^穩(wěn)定的是鐵路運輸行業(yè)，由于鐵路運行的規(guī)律性，穩(wěn)定性，其用電需求也比較穩(wěn)定，而且每日，每月以及每年的用電量相差不大，變化率僅為0.7%左右［8］。其他運輸行業(yè)的用電量每天的變化較大，但是按月，季，年來計算，則差別不明顯。隨著我國動車、高鐵等項目的逐步推進(jìn)和發(fā)展，鐵路行業(yè)的用電量會逐年增長?？偟膩碚f，交通運輸業(yè)的用電量比較穩(wěn)定，不會有大的差異，這就為交通運輸業(yè)的電力需求預(yù)測提供了便利條件［9］。

4）居民生活用電

隨著現(xiàn)代化進(jìn)程的加速，我國居民用電量逐步提升，但是生活用電所占比例不高，僅為10%左右。與其他用電量較多的國家相比較，有較大差距［10］。

居民用電量的特點是每天的用電量不同，有較大差異。日符合率較低，0.4%左右，但按月來說不會有大的差異。照明和家用電器用電是居民生活的主要電力消耗部分。照明用電每天的差異較大，而且時間集中。而且由于空調(diào)的大量使用，使夏季的用電量上升，而冬季主要為照明用電［11］。所以，居民用電要合理進(jìn)行規(guī)劃，按其不同階段所需的負(fù)荷不同，進(jìn)行合理調(diào)整。

5）動力用電

動力用電是和用電設(shè)備的容量緊密關(guān)聯(lián)的。隨著我國自動化水平的逐漸提升，目前的動力電用電量也逐步提升，在我國用電中所占比重逐漸加大。而且用電時間也呈現(xiàn)逐漸增長的趨勢。所以要對動力電的用電時間，容量等進(jìn)行合理統(tǒng)計，以便預(yù)測其用電量。

2.2 電力需求預(yù)測的原理和過程

2.2.1 電力需求預(yù)測原理

電力需求預(yù)測就是根據(jù)當(dāng)前生產(chǎn)狀況以及行業(yè)用電特征，預(yù)測其用電量趨勢。用電需求預(yù)測的基本原理為

1）可知性

對電力需求的預(yù)測要確保預(yù)測人員對過去，當(dāng)前，以及將來的用電量是本人們所認(rèn)可的。

2）可能性

因為電力需求側(cè)存在的各種不穩(wěn)定性，使電力負(fù)荷的預(yù)測也存在著各種可能性，在預(yù)測的時候，針對各種不同的情況要進(jìn)行全面的預(yù)測［12］。

3）連續(xù)性

由于電力負(fù)荷的發(fā)展是連續(xù)的、不間斷的過程，所以可以通過對過去現(xiàn)在將來的負(fù)荷不同，進(jìn)行相應(yīng)的趨勢預(yù)測［13］。

4）相似性

將電力需求的當(dāng)前情況，在過去的電力負(fù)荷情況當(dāng)中進(jìn)行相似案例尋找，從而推導(dǎo)預(yù)測當(dāng)前和未來的電力需求情況［14］。

5）反饋性

當(dāng)預(yù)測的電力負(fù)荷與實際的電力負(fù)荷存在差別的時候，可以實時調(diào)整預(yù)測模型，使其更符合實際值［15］。

6）系統(tǒng)性

對電力需求側(cè)的預(yù)測要將電力需求側(cè)各個用電環(huán)節(jié)綜合起來，看成一個整體，對每個用電量進(jìn)行合理的預(yù)測指導(dǎo)，掌控其發(fā)展動態(tài)。這樣才能提高預(yù)測的精度［16］。

2.2.2 電力需求預(yù)測的過程

電力需求預(yù)測的過程包括準(zhǔn)備、實施、評價等步驟。

1）準(zhǔn)備階段

此階段的主要內(nèi)容是收集，整理，分析資料，從而在其中提取出對電力需求預(yù)測有用的因素。在本文中要做的工作就是確定預(yù)測目標(biāo)作為輸出，找出對預(yù)測目標(biāo)有影響的因素作為輸入，整理數(shù)據(jù)，以表格形式存儲［17］。

2）實施階段

本文選擇改進(jìn)的極限學(xué)習(xí)機(jī)模型作為預(yù)測模型，帶入整理階段的輸入量和輸出量，來預(yù)測將來的用電需求。由于電力需求側(cè)的各種影響因素會隨著時間發(fā)生變化，比如經(jīng)濟(jì)、天氣等，所以，要求預(yù)測人員根據(jù)實際情況實時調(diào)整模型的參數(shù)，從而為準(zhǔn)確預(yù)測做好準(zhǔn)備［18］。

3）評價階段

對預(yù)測出來的結(jié)果進(jìn)行評價，若評價結(jié)果誤差小于預(yù)定的閾值，則判定該評價方案的可行性。在電力需求側(cè)負(fù)荷預(yù)測的過程中，認(rèn)為短期預(yù)測誤差在3%以內(nèi)，中期在5%以內(nèi)，長期在15%以內(nèi)［19］。

3 改進(jìn)極限學(xué)習(xí)機(jī)模型

3.1 極限學(xué)習(xí)機(jī)（Extreme Learning Machine）

ELM是一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)（SLF?Ns）。典型的ELM是隨機(jī)獲取輸入層到隱層神經(jīng)元之間的權(quán)值和閾值矩陣，然后用最小二乘法計算輸出權(quán)值［20］。

極限學(xué)習(xí)機(jī)的數(shù)學(xué)模型如圖1所示。

圖1 極限學(xué)習(xí)機(jī)的數(shù)學(xué)模型

ELM可以表示為

H是隱層神經(jīng)元輸出矩陣，(xi，ti) ∈Rd×Rc代表樣本，G(ai，bi，x)表示第 i個隱層神經(jīng)元的激活函數(shù)，如果H不是方陣，那么上述線性系統(tǒng)的最小二乘法基準(zhǔn)是：

H?是矩陣H的偽廣義逆矩陣的逆。這樣，ELM可以概括為如下：

輸出：ELM對回歸和分類的預(yù)測功能。

1）隨機(jī)產(chǎn)生隱層神經(jīng)元參數(shù)矩陣W∈Rd×L。

2）隱層神經(jīng)元輸出矩陣H=G（W，X）。

3）輸出權(quán)值向量 β?=H?T 。

4）決策函數(shù)：

3.2 遺傳算法

遺傳算法（genetic algorithm，GA）的執(zhí)行過程：

Step1：初始化。

隨機(jī)產(chǎn)生M 染色體Y(0)，交叉、變異值為Pc，Pm，迭代次數(shù)N。

Step2：計算個體適應(yīng)度。

求第t代的適應(yīng)度函數(shù)。種群 f(y)，y∈M ，M={y1，…，ym}，yi={x1，…，xm}。Oj，Tj為第j個預(yù)測輸出和實際輸出，n是數(shù)據(jù)總數(shù)。

Step3：進(jìn)化。

選擇：在Y(t)中取L個染色體L≥M 。

交叉：取L2對染色體，與剩下的染色體編碼部分進(jìn)行交叉互換［8］。

變異：染色體按Pm進(jìn)行變異。

Step4：選擇子代：進(jìn)化過后，生成M個染色體記為Y(t+1)。

選擇方法——適應(yīng)度比例法。假設(shè)被選擇的概率為Pc。

yi為第i條染色體，fit(yi)為其適應(yīng)度值。

具體步驟：

1）求取沒個染色體的適應(yīng)度值。

2對適應(yīng)度求和，找出中間值S-mid，累加值sum=∑fit(yi)。

3）設(shè)定隨機(jī)數(shù)N，0＜N＜sum。

4）值等于S-mid的染色體產(chǎn)生變異。

5）重復(fù)3）和4）過程。

Step5：終止進(jìn)化。1）達(dá)到終止迭代次數(shù)。2）達(dá)到設(shè)定閾值。取 fit(yi)最大的染色體作為最優(yōu)解輸出。

3.3 遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)

Step1：初始化種群

初始化種群X，包括m個染色體，其中每個染色體xi都包括A·B個輸入權(quán)值和B個閾值，并把初始群體作為第一代種群：

其中，akg是輸入權(quán)值，bkh是隱層神經(jīng)元閾值，初始群體中的權(quán)值和閾值是隨機(jī)獲取的。

k=1，2，…，m;g=1，2，…，A;h=1，2，…，B

Step2：計算適應(yīng)度

xi由輸入權(quán)值向量ωi和閾值向量bi組成

用ELM求輸出權(quán)值的方法求隱層神經(jīng)元輸出權(quán)值β：

Step3：選擇染色體

計算出每個染色體的適應(yīng)度后，對種群進(jìn)行選擇，交叉，變異等操作，形成新一代種群。繼續(xù)進(jìn)行優(yōu)化運算，直到達(dá)到設(shè)定的遺傳代數(shù)，選出此時適應(yīng)度最高的染色體作為優(yōu)化后的輸入權(quán)值和閾值［21］。

3.4 改進(jìn)ELM預(yù)測電力需求的過程

1）采集電力需求側(cè)負(fù)荷的數(shù)據(jù)。

2）對采集到的數(shù)據(jù)進(jìn)行處理。

3）將數(shù)據(jù)按照屬性不同分為輸入，輸出因子，并帶入改進(jìn)的極限學(xué)習(xí)機(jī)模型進(jìn)行預(yù)測。

4）對預(yù)測的結(jié)果與實際用電需求進(jìn)行對比，求取誤差，調(diào)整預(yù)測模型。

4 基于改進(jìn)極限學(xué)習(xí)機(jī)的電力需求預(yù)測算例分析

4.1 案例仿真

針對上述所提電力需求側(cè)預(yù)測的過程，本章結(jié)合實際案例進(jìn)行仿真分析。

選取某供電企業(yè)2015年行業(yè)售電量數(shù)據(jù)以及其他影響因子進(jìn)行仿真預(yù)測分析。

由于大工業(yè)，非普工業(yè)，商業(yè)用電受溫度影響較小，所以將上述數(shù)據(jù)分成兩類，受GDP影響而不受溫度影響的數(shù)據(jù)，數(shù)據(jù)處理后采用改進(jìn)極限學(xué)習(xí)機(jī)方法進(jìn)行預(yù)測如表2所示。受溫度影響較大，GDP影響較小采用改進(jìn)極限學(xué)習(xí)機(jī)進(jìn)行預(yù)測后的結(jié)果如表3、4所示。

表3 生活用電需求預(yù)測分析（單位：萬千瓦時）

4.2 結(jié)果分析

經(jīng)過數(shù)據(jù)預(yù)處理之后，對上述電力需求側(cè)用電負(fù)荷進(jìn)行預(yù)測。其中大工業(yè)用電量，非普工業(yè)用電量，商業(yè)用電的數(shù)據(jù)擬合程度較好，精度較高。在居民生活用電的預(yù)測上面，只有2月的預(yù)測誤差較大，達(dá)到了8.17%，其余時間段的誤差與實際值均比較吻合，還需要進(jìn)一步改進(jìn)網(wǎng)絡(luò)預(yù)測模型，以期使預(yù)測結(jié)果的擬合度更高。非居民生活用電中，預(yù)測值與實際值的誤差較小，預(yù)測較穩(wěn)定。

表4 非居民生活用電預(yù)測（單位：萬千瓦時）

在本文所提的基于改進(jìn)極限學(xué)習(xí)機(jī)的電力需求預(yù)測模型中，考慮了GDP，溫度，季節(jié)等各個方面對電力負(fù)荷的影響，使預(yù)測模型趨于全面準(zhǔn)確地反映實際電力需求量的值。通過對2015年電力需求值進(jìn)行預(yù)測，也證明了本文所提方法的預(yù)測精度較高，具有一定的實用性。

但是因為各個電力企業(yè)的經(jīng)濟(jì)，氣候等不同的原因，想要實現(xiàn)精確的預(yù)測還有一定的挑戰(zhàn)性。本文所提的方法，可以為各地的電力需求預(yù)測提供理論指導(dǎo)意見。

5 結(jié)語

針對電力需求側(cè)負(fù)荷的預(yù)測，本文提出了一種改進(jìn)的極限學(xué)習(xí)機(jī)模型，通過模擬退火算法對極限學(xué)習(xí)機(jī)訓(xùn)練過程中的網(wǎng)絡(luò)模型進(jìn)行優(yōu)化訓(xùn)練，從而得到更優(yōu)的網(wǎng)絡(luò)模型。將改進(jìn)的極限學(xué)習(xí)機(jī)模型應(yīng)用在電力需求預(yù)測上，實際的仿真結(jié)果表明，在大工業(yè)、非普工業(yè)、商業(yè)、居民生活用電和非生活用電的預(yù)測上面，均具有良好的精度，驗證了此方法的適用性，為將來更準(zhǔn)確可靠地建立電力需求預(yù)測模型提供了有利的依據(jù)。