倪家明 陳 博 董 陽 李 旭

(國網(wǎng)天津市電力公司信息通信公司 天津 300010)

0 引 言

工業(yè)革命以來，電力系統(tǒng)作為推動社會經(jīng)濟(jì)不斷發(fā)展的必要條件，與人類日常的生產(chǎn)、生活息息相關(guān)。電力系統(tǒng)高效穩(wěn)定的運行不僅保障了工業(yè)生產(chǎn)的正常運轉(zhuǎn)，而且直接影響著城市居民的生活質(zhì)量。因此，為保證電力系統(tǒng)的穩(wěn)定運行，同時節(jié)約發(fā)電成本，對用電需求進(jìn)行準(zhǔn)確預(yù)測具有十分重要的意義。

隨著存儲設(shè)備價格降低、網(wǎng)絡(luò)傳輸速率加快等科技進(jìn)步，傳統(tǒng)的電網(wǎng)、電表也將被更加經(jīng)濟(jì)的智能電網(wǎng)[1]與智能電表[2]取代。作為一種現(xiàn)代化的輸電網(wǎng)絡(luò)，智能電網(wǎng)可以使用技術(shù)手段偵測、收集供應(yīng)端的電力供給數(shù)據(jù)和客戶端的電力消耗數(shù)據(jù)，并以收集到數(shù)據(jù)為基礎(chǔ)控制電力的供給與輸配，以達(dá)到節(jié)能、減少損耗、增加電網(wǎng)穩(wěn)定性等目的。同樣，作為一種新式的數(shù)字電表，智能電表可以標(biāo)示出精確的耗電量，并具有存儲、計算等功能。隨著智能電網(wǎng)與智能電表的普及，電力系統(tǒng)中積累了大量的用戶用電記錄，這為細(xì)粒度的用電量預(yù)測提供了原始的數(shù)據(jù)積累。

智能電網(wǎng)和智能電表的使用，意味著更精確、更細(xì)粒度的用電數(shù)據(jù)，系統(tǒng)更加出色的計算能力，更大的存儲空間和更快速的網(wǎng)絡(luò)傳輸。由此，新的用電預(yù)測需求也應(yīng)運而生，比如在各戶智能電表中對用戶的用電需求進(jìn)行預(yù)測，并利用預(yù)測結(jié)果進(jìn)行適當(dāng)?shù)恼{(diào)控。傳統(tǒng)的用電需求預(yù)測算法通常使用某地區(qū)某一段時間內(nèi)的用電量數(shù)據(jù)進(jìn)行模型訓(xùn)練，而無法對每個用戶細(xì)粒度的用電需求和短時間內(nèi)的用電需求進(jìn)行預(yù)測。

針對以上問題，本文提出了一種細(xì)粒度用電需求預(yù)測算法。該算法基于特征匹配的思想，通過提取每個用戶的用電特征，并在實時用電數(shù)據(jù)上進(jìn)行特征匹配，進(jìn)而利用匹配到的特征對用電量進(jìn)行預(yù)測。本文提出的模型可以運行在細(xì)粒度(例如：以分鐘為單位)的居民用電數(shù)據(jù)上，由實驗結(jié)果可見，基于特征匹配的細(xì)粒度用電需求預(yù)測模型能夠?qū)崿F(xiàn)更精確的用電需求預(yù)測。

1 相關(guān)工作

用電量預(yù)測算法主要包括以計劃為目的的長、中期用電需求預(yù)測和以調(diào)控為目的的短期用電需求預(yù)測，本文的研究工作主要專注于短期的用電需求預(yù)測算法。

傳統(tǒng)的短期用電需求算法主要包括三種：簡單移動平均模型(SMA)[3-5]、統(tǒng)計模型和機(jī)器學(xué)習(xí)模型。其中，SMA是對某變數(shù)之前x個數(shù)量值進(jìn)行加權(quán)算術(shù)平均，SMA可撫平短期波動，反映出長期趨勢或周期，計算量較小，訓(xùn)練時間復(fù)雜度低，可以較好地應(yīng)用于實際的用電量預(yù)測過程中。統(tǒng)計模型主要包括回歸模型[6]以及時間序列模型[8-11]等模型?；诮y(tǒng)計模型的方法通常使用大量歷史用電數(shù)據(jù)擬合出模型，計算量比SMA稍大。以上兩種方式有一個共同特點就是預(yù)測結(jié)果為用電需求的趨勢，但是預(yù)測的數(shù)值和真實數(shù)據(jù)的數(shù)值誤差較大。機(jī)器學(xué)習(xí)模型主要包括人工神經(jīng)網(wǎng)絡(luò)[12-15]以及模式匹配[16-17]等。其中，人工神經(jīng)網(wǎng)絡(luò)模型利用大量歷史用電數(shù)據(jù)訓(xùn)練模型參數(shù)[18]，訓(xùn)練完成后利用實時數(shù)據(jù)進(jìn)行預(yù)測，訓(xùn)練時間復(fù)雜度較高。而模式匹配模型通常先從歷史用電數(shù)據(jù)中挖掘出不同的特征(例如：每個特征都是一個長度為n的時間序列)，然后對特征段進(jìn)行聚類生成不同簇。在預(yù)測時，將待預(yù)測日前的時間序列T取出，挑選出和該序列最相似的簇，使用該簇中所有特征在len(T)+1處用電量的平均值進(jìn)行預(yù)測。

上述方法均使用各地區(qū)用電量以天級的總和進(jìn)行學(xué)習(xí)預(yù)測，但是地區(qū)用電量天級總和相對各用戶小時級用電數(shù)據(jù)模式較為平穩(wěn)，波動較小，而上述方法對于波動較大的以用戶為單位的小時級數(shù)據(jù)的學(xué)習(xí)預(yù)測效果不夠理想。

綜上所述，基于智能電表和智能電網(wǎng)的用電需求預(yù)測算法應(yīng)該滿足如下要求：(1) 可以依據(jù)采集的各用戶智能電表中的耗電數(shù)據(jù)實現(xiàn)對用戶的用電預(yù)測；(2) 智能電網(wǎng)可以利用基于采集的各智能電表的耗電數(shù)據(jù)預(yù)測結(jié)果進(jìn)行用電需求總量的預(yù)測；(3) 算法應(yīng)可以利用各智能電表采集的細(xì)粒度數(shù)據(jù)實現(xiàn)細(xì)粒度預(yù)測，提升預(yù)測粒度的精準(zhǔn)性和實用性。

本文提出一種基于特征匹配的用電量預(yù)測模型，滿足上述預(yù)測需求。算法使用電力消耗的特征識別，應(yīng)用在以6小時為單位的各戶每日尖峰平谷的數(shù)據(jù)集上。在此之前文獻(xiàn)[19]已使用類似于本文的思想在分鐘級數(shù)據(jù)上開展相關(guān)工作并取得了良好效果。

2 基于特征匹配的用電需求預(yù)測算法

2.1 問題介紹

根據(jù)電網(wǎng)的負(fù)荷變化情況，可以將一天劃分為尖、峰、平、谷四個時段，進(jìn)而可以用四個時段的用電量代表居民一天的用電行為。本文以時段為單位開展細(xì)粒度用電需求預(yù)測的相關(guān)研究，該研究問題可以形式化地表示為如下形式：

對于時段t，給定該時段之前n個時段的歷史用電行為序列X={xt-n,xt-n+1,…,xt-1}，其中xi表示第i個時段的用電量，根據(jù)歷史用電行為序列預(yù)測當(dāng)前時段的用電量xt。

2.2 算法描述

針對本文的研究問題，首先對居民用電行為的特點進(jìn)行一定的分析。居民用電數(shù)據(jù)是一種典型的時間序列數(shù)據(jù)，但是又不同于股票等時間序列數(shù)據(jù)，其具有如下一些特點：

(1) 居民的用電量在一段時間內(nèi)相對固定。

(2) 居民的生活習(xí)慣較為固定。

(3) 在不同的時段(例如不同季節(jié))居民的用電行為會有不同，但在相同時段內(nèi)較為固定。

(4) 居民的大部分用電行為具有實效性。例如：某戶購進(jìn)了新電器，或是某戶人員進(jìn)行了更換，那么該戶的用電特征將會與之前的用電特征有一定的不同并一直持續(xù)下去。

綜上，針對居民用電數(shù)據(jù)的特點，本文提出了一種基于特征匹配的用電需求預(yù)測算法，該算法主要分為四個步驟。第一步，基于智能電表的可存儲可計算的特點，對居民的歷史用電行為序列進(jìn)行用電行為特征的提取。第二步，將居民的實時用電序列與提取到的特征進(jìn)行匹配，得到與實時用電數(shù)據(jù)最相似的用電行為特征。第三步，利用匹配到的特征進(jìn)行用電需求的預(yù)測，得到單個居民的用電需求預(yù)測量。第四步，通過智能電網(wǎng)將預(yù)測結(jié)果傳送給控制中心，控制中心對所有預(yù)測結(jié)果進(jìn)行求和，得到區(qū)域整體的用電需求預(yù)測量。利用這些數(shù)據(jù)，智能電網(wǎng)的控制中心就可以對某地區(qū)的用電情況進(jìn)行調(diào)控。

區(qū)域耗電預(yù)測的系統(tǒng)結(jié)構(gòu)示意圖如圖1所示。

圖1 區(qū)域耗電預(yù)測系統(tǒng)結(jié)構(gòu)示意圖

2.3 特征提取算法

本文提出一種基于特征匹配的用電需求預(yù)測算法，其中核心步驟是進(jìn)行特征匹配。首先，我們對用電行為序列和用電行為特征進(jìn)行定義：

定義1令di={di1,di2,di3,di4,di5}表示智能電表中存儲的某戶居民在第i天的用電行為記錄，其中di1、di2、di3、di4、di5分別表示當(dāng)日的尖、峰、平、谷四個時段的用電量和當(dāng)日總用電量。由n天的居民用電行為記錄構(gòu)成的序列D={d1,d2,…,dn}稱為用電行為序列。

定義2從用電行為序列中提取的，能代表居民用電行為特點的序列D′={di,di+1,…,dj}稱為用電行為特征，其中i、j分別表示用電行為特征的起止索引。

用電行為序列的結(jié)構(gòu)如圖2所示。其中：①表示居民歷史用電行為序列。該序列由居民每日的尖、峰、平、谷四個用電時段的用電量(單位：kW/h)組成。②代表了連續(xù)3天的用電行為記錄，其中不同顏色的方塊代表不同時段的用電量。除各時段細(xì)粒度的用電量之外，用戶行為記錄還應(yīng)考慮粗粒度的日用電量總和。對此，本算法將日用電量總和插入到對應(yīng)日的尖峰平谷用電量之后，如③所示。具體地，每五個方塊表示居民一天的用電行為，其中前四個方塊分別表示一天內(nèi)尖、峰、平、谷四個時間段的用電量，最后一個方塊表示當(dāng)天的用電量總和。

圖2 用電行為序列的數(shù)據(jù)結(jié)構(gòu)示意圖

基于智能電表中存儲的居民用電行為序列，本文以天為單位將用電行為序列劃分為多個子序列，并采用歐氏距離計算居民用電子序列之間的相似度，以此挖掘居民的用電行為特點，選取能夠代表用電行為特點的子序列構(gòu)成用電行為特征集合，具體的特征提取算法如算法1所示。

算法1特征提取算法

輸入：歷史用電行為序列H；用電行為子序列覆蓋的天數(shù)w；相似度閾值p0，當(dāng)兩個特征的相似度小于閾值，則認(rèn)為特征相似。

輸出：用電行為特征集合S。

步驟1：初始化用電行為特征集合S為空集。

步驟2：從歷史用電行為序列的起點選取長度為5w的用電序列作為待定序列si(由于一天的用電記錄是由尖、峰、平、谷四個四段的用電量和總用電量共同組成，子序列選取的長度為5w)。

步驟3：若用電行為特征集合S不為空集，則計算子序列si與集合中已存在的特征之間的相似度，得到相似度的最小值p；若用電行為特征集合S為空集，則設(shè)置p為int型的最大值。

步驟4：如果相似度的最小值p大于p0，則認(rèn)為子序列與用電行為特征集合中的特征均不相似，可以將其si作為新特征，添加至特征集S中；反之，認(rèn)為用電行為特征集中已包含能代表子序列的用電行為特征，則不添加至特征集。

步驟5：若未遍歷至歷史用電序列的末尾，則沿歷史用電行為序列向后移動5位(即以天為單位后移一天)，選取長度為5w的用電序列作為子序列si，轉(zhuǎn)至步驟3。

步驟6：若已遍歷至歷史用電行為序列的末尾，則輸出用電行為特征集合S，算法結(jié)束。

其中，用電行為特征集合應(yīng)具備如下兩個特性：(1) 集合中包含的任意兩個用電行為特征之間的相似度應(yīng)該盡可能小，即特征之間的差異度盡可能大。(2) 集合中包含的任意一個用電行為特征應(yīng)和多個用電行為子序列具有較高的相似度，即用電行為特征應(yīng)具有一定的代表性。

由此，特征提取算法的關(guān)鍵在于相似度的定義。本文基于歐氏距離，采用下式進(jìn)行相似度計算：

(1)

式中：Si、Sj分別為兩段等長的用電行為子序列，d(i,j)為用電行為子序列Si和用電行為子序列Sj的歐氏距離，len(*)為用電行為子序列的長度，Si(t)代表用電行為子序列Si中的第t個值。d(i,j)越大，說明Si和Sj的相似度越低，同理，d(i,j)越小，說明Si和Sj的相似度越高。

歐式距離作為相似度的定義簡單易懂，容易計算，但要求序列的長度相同。因此，為了簡化算法，本文采用固定的長度進(jìn)行特征提取。

按照算法1對每戶居民的歷史用電行為序列進(jìn)行遍歷，能夠快速地得到各戶居民的用電行為特征集合。進(jìn)而可以將提取到的用電行為特征集合存儲在對應(yīng)的居民智能電表中，用于居民用電需求的實時預(yù)測。

2.4 實時預(yù)測算法

在進(jìn)行居民用電需求預(yù)測時，各戶居民的智能電表將結(jié)合該戶的用電行為特征集合，以及該戶的實時用電行為序列進(jìn)行用電需求預(yù)測。圖3為預(yù)測算法中的特征對比示意圖。

圖3 特征對比示意圖

在特征提取的過程中，我們已選取若干個長度為5w的用電行為子序列作為用電行為特征。由此，在預(yù)測過程中，我們選取待預(yù)測時段之前長度為5w-q的歷史用電行為序列與特征集中的用電行為特征進(jìn)行相似度計算，并選擇與歷史用電行為序列相似度最高的用電行為特征中的第5w-q+1個值作為待預(yù)測時段的預(yù)測值，由此完成用電需求預(yù)測。其中，q由待預(yù)測時段所屬的時段類型決定。若待預(yù)測時段為尖峰時段，則q=5；若待預(yù)測時段為高峰時段，則q=4；若待預(yù)測時段為平段，則q=3；若待預(yù)測時段為低谷時段，則q=2。

2.5 特征更新及丟棄算法

考慮到居民的用電模式不是完全固定的，除了居民使用負(fù)載時間的隨機(jī)性外，電器的更換、增減，房屋使用人數(shù)的增減、人員的更換，都會造成用電模式的改變。因此，用電行為特征集合應(yīng)該隨著時間的推進(jìn)不斷增加新特征，以保持特征的時效性。我們可以將該過程稱為特征更新。

然而，不斷擴(kuò)大特征集不僅會增加智能電表的存儲壓力，也會增加實時預(yù)測算法的復(fù)雜度。因此本文將特征集的大小設(shè)置為50，并在特征更新的同時丟棄失去時效性的無用特征，該過程可以被稱為特征丟棄。本節(jié)主要介紹特征集合的更新和丟棄算法。

特征更新算法：特征更新算法與特征提取算法類似，即在預(yù)測的同時添加符合條件的新的用電行為特征。在實時預(yù)測的過程中，計算用戶實時產(chǎn)生的用電行為序列與特征集中已有特征之間的相似度，如果當(dāng)前用電行為序列與特征集中已有的特征均不相似，則截取該序列作為新的用電行為特征添加至特征集中。具體的特征更新步驟如算法2所示。

算法2特征更新算法

輸入：用電行為特征集合S；待預(yù)測時段之前長度為5w-q的歷史用電行為序列h；相似度閾值p1，當(dāng)兩個特征的相似度小于閾值，則認(rèn)為特征相似。

輸出：更新后的用電行為特征集合S。

步驟1：計算用電行為序列h與特征集中已存在的特征之間的相似度，得到相似度的最小值p。這里取特征的前5w-q維與h計算相似度。

步驟2：如果相似度的最小值p大于p1，則認(rèn)為用電行為序列h與特征集合中的特征均不相似，使用待預(yù)測時段當(dāng)天的用電序列將歷史用電行為序列h的長度擴(kuò)充至5w，并添加至特征集S中；反之，認(rèn)為特征集中已包含能代表該用電行為的特征，則不進(jìn)行上述操作。

步驟3：若更新后的特征集合S的容量大于50，則執(zhí)行特征丟棄算法，算法結(jié)束。

步驟4：若更新后的特征集合S的容量不大于50，則輸出特征集合S，算法結(jié)束。

特征丟棄算法：特征丟棄算法需要對每個特征添加兩個屬性，即每個特征首次出現(xiàn)的時間和特征被使用的次數(shù)。算法的思路是：對特征集中所有的特征進(jìn)行遍歷，如果特征首次出現(xiàn)的時間早于設(shè)置的最早時間，并且特征被使用的次數(shù)低于設(shè)置的最低次數(shù)，則將該特征刪除。通過特征丟棄算法，可以刪去喪失時效或因偶然因素產(chǎn)生的用電行為特征，進(jìn)而節(jié)省存儲空間與特征對比空間，提高程序的運行效率。具體的特征丟棄算法的步驟如算法3所示。

算法3特征丟棄算法

輸入：用電行為特征集合S；時間閾值t；使用次數(shù)閾值u。

輸出：更新后的用電行為特征集合S。

遍歷特征集合S，對于其中每個特征h執(zhí)行以下步驟：

步驟1：對比特征h的首次出現(xiàn)時間th和時間閾值t，如當(dāng)前特征首次出現(xiàn)時間早于時間閾值，則轉(zhuǎn)步驟2；否則，轉(zhuǎn)步驟3。

步驟2：對比特征h的使用次數(shù)uh和使用次數(shù)閾值u。如當(dāng)前特征的使用次數(shù)低于使用次數(shù)閾值，則認(rèn)為該特征已失去時效性，丟棄該特征，繼續(xù)遍歷特征集；否則，轉(zhuǎn)步驟3。

步驟3：將當(dāng)前特征h的使用次數(shù)置為0，保留該特征，繼續(xù)遍歷特征集。

遍歷結(jié)束，輸出更新后的用電行為特征集合S，算法結(jié)束。

2.6 存儲優(yōu)化

在本文算法實現(xiàn)的過程中，用電行為特征集合會存儲在各居民的智能電表中，并用于用電需求預(yù)測。在未進(jìn)行存儲優(yōu)化的情況下，每個用電行為特征都會被存儲為一個數(shù)組，并需要在智能電表中為其預(yù)留一個長度為5w的空間進(jìn)行存儲。由此，當(dāng)存在n個特征時，空間復(fù)雜度為O(n×5w)。隨著用電行為特征數(shù)n的增加，消耗的存儲空間會非常高，影響智能電表的正常運轉(zhuǎn)。因此，本文提供一種有效的優(yōu)化方法，可以有效地降低特征存儲的空間復(fù)雜度。

具體來說，由于本文的用電行為特征都是從用戶的完整用電行為序列中提取出來的，而用戶完整的用電行為序列會被存儲于智能電表中。因此，我們只需要存儲用電行為特征中每個值對應(yīng)的居民完整用電行為序列中的索引值即可，而無需保存特征的具體數(shù)值。由于用電行為特征中的每一個位置的值對應(yīng)到居民完整用電行為序列中的位置是連續(xù)的整數(shù)，因此在記錄特征時，僅記錄其對應(yīng)的用電行為序列中的起止索引值即可，這樣，空間復(fù)雜度降到了O(2×n)。如圖4所示，采用這種方法，首先為用戶用電行為序列中的每個值分配一個索引值，然后對于每個特征只記錄其對應(yīng)的原始用電行為序列中的起止索引。這樣，比原始算法節(jié)省了大量的存儲空間。

由于用戶的完整用電行為序列可能會被定期清理，所以基于完整用電行為序列的存儲優(yōu)化的特征可能會存在問題。針對這個問題，本文進(jìn)一步采用一種使用單獨空間的優(yōu)化方法。如圖5所示，不同于直接使用居民完整用電行為序列的索引，此方法將挑選出的特征統(tǒng)一存儲到一個單獨的數(shù)組中?？紤]到不同的特征之間往往會存在部分?jǐn)?shù)據(jù)重合的情況，本方法不直接采用首尾拼接的方式將特征添加到數(shù)組，而是對比數(shù)組中存儲的特征末尾與待存儲特征是否重合，只將不重合的部分添加到數(shù)組末尾，最終記錄每個特征對應(yīng)的特征數(shù)組中的起始索引值。

3 實 驗

3.1 數(shù)據(jù)簡介

本文采用的數(shù)據(jù)集是天津市某地區(qū)居民2015年-2016年間的真實用電數(shù)據(jù)。每條數(shù)據(jù)包括用戶ID、日期、當(dāng)天用電量總和、尖時段用電量、峰時段用電量、平時段用電量、谷時段用電量共7個屬性。數(shù)據(jù)集共包含有24 634個有效用戶，我們使用前8個月的數(shù)據(jù)進(jìn)行特征提取，使用后4個月的數(shù)據(jù)進(jìn)行預(yù)測驗證。

3.2 數(shù)據(jù)分析

針對上文描述的居民用電特點，本節(jié)采用天津市某地區(qū)居民2015年-2016年用電數(shù)據(jù)進(jìn)行分析，結(jié)果如圖6和圖7所示。圖6為某一個用戶一年內(nèi)每日低谷時期的用電量時間序列。從圖中可以發(fā)現(xiàn)，居民的生活習(xí)慣較為固定，在短期的時間段內(nèi)居民的用電行為相對穩(wěn)定，但一年中不同時段之間居民的用電行為又會存在不同，例如：有一些序列在圖中多次出現(xiàn)，但是序列之間的特點又存在不同。我們稱這類用電序列為特征序列，特征序列可以用于預(yù)測。圖7是某一任選用戶在不同時刻的兩個相似的特征序列，可以進(jìn)一步說明特征序列可以用于預(yù)測。

圖6 某用戶一年內(nèi)每日低谷時段用電量

圖7 某用戶不同時間段內(nèi)的用電序列

從以上分析可以看出本文所使用的特征匹配算法是合理的。下面將通過實驗驗證本文方法的有效性。

3.3 實驗設(shè)置

本文使用前8個月的數(shù)據(jù)作為訓(xùn)練集，后4個月的數(shù)據(jù)作為測試集。相似度閾值設(shè)置為0.8，特征長度為5，最早時間設(shè)置為1個月，最少出現(xiàn)次數(shù)設(shè)置為2。

3.4 對比方法

為了證明本文所述方法的有效性，我們將本文提出的模型與其他幾種方法的實驗效果進(jìn)行了對比。對比方法如下：

簡單移動平均算法(SMA)[3]：加利福尼亞洲的標(biāo)準(zhǔn)用電數(shù)據(jù)預(yù)測算法。具有計算簡單、穩(wěn)定性高的特點。

自回歸移動平均模型(ARIMA)[21]：全稱為自回歸積分滑動平均模型，ARIMA模型是針對非平穩(wěn)時間序列所建立的模型。它是最常用的時間序列預(yù)測模型。

人工神經(jīng)網(wǎng)絡(luò)(ANN)[22]：人工神經(jīng)網(wǎng)絡(luò)模型是通過模仿生物神經(jīng)網(wǎng)絡(luò)的行為特征，進(jìn)行分布式并行信息處理的數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達(dá)到信息處理的目的。

3.5 評價指標(biāo)

本文使用相對百分誤差絕對值的平均值(Mean absolute percentage error,MAPE)來評估模型，計算公式如下：

(2)

式中：At是t時刻的實際值，F(xiàn)t是t時刻的預(yù)測值，n是預(yù)測的個數(shù)，MAPE越小代表模型的預(yù)測效果越好。

3.6 實驗結(jié)果

為證明本文方法的有效性，我們對單個用戶的用電量以及區(qū)域整體的用電量均進(jìn)行預(yù)測，實驗結(jié)果如表1所示。由表1可以看出，本文提出的算法和SMA算法相比，本文算法得到的每個用戶的平均MAPE為0.396，SMA算法得到的平均MAPE為0.415。本文的算法略優(yōu)于SMA算法。

通過將每個用戶相同時段的用電量需求相加，即可得到總用電需求預(yù)測值，然后與真實值作對比，得到最終的地區(qū)總用電量需求預(yù)測的MAPE值。表1同時記錄了本文算法、SMA算法、ARIMA模型、ANN模型分別預(yù)測得到的區(qū)域MAPE值。本文算法在此數(shù)據(jù)集上的總用電量預(yù)測的MAPE為7.7，取得了最優(yōu)的性能。

表1 實驗結(jié)果

本算法相對于其他常用算法的優(yōu)勢在于可以更充分地利用各用戶的歷史用電數(shù)據(jù)。SMA算法忽略較久之前的歷史數(shù)據(jù)，使得部分有用的數(shù)據(jù)被浪費。ARIMA和ANN模型無法利用每個用戶的數(shù)據(jù)，只能在總和數(shù)據(jù)上建模，也使得各用戶的用電細(xì)節(jié)被忽略。而本算法可以同時利用歷史數(shù)據(jù)和各用戶的數(shù)據(jù)，這使得預(yù)測的準(zhǔn)確性有一定的提升，特別是對于細(xì)粒度的用電需求預(yù)測。

4 結(jié) 語

智能電網(wǎng)是生產(chǎn)力發(fā)展的必然趨勢，也是社會經(jīng)濟(jì)發(fā)展的必然選擇，在新的技術(shù)、新的需求下，更為精確、細(xì)粒度的用電需求預(yù)測必不可少。

本文首先對用戶的用電數(shù)據(jù)進(jìn)行分析，并介紹了一種基于特征匹配的用電需求預(yù)測算法。此外，本文算法針對存儲空間有限的實際情況，進(jìn)一步提出了特征存儲優(yōu)化算法。為證明模型的有效性，本文使用天津市某地區(qū)2015年-2016年居民用電數(shù)據(jù)進(jìn)行實驗，實驗結(jié)果表明，本文算法無論是針對單個用戶預(yù)測，還是對區(qū)域整體預(yù)測，都實現(xiàn)了性能的提升，具有較強(qiáng)的應(yīng)用價值。