王巍，馬莉，明月，李智威，王紅薇，蘇敏，陳業(yè)傳，汪念，柴濤

(1.國網(wǎng)湖北省電力有限公司經(jīng)濟(jì)技術(shù)研究院，湖北 武漢 430000；2.中乾立源工程咨詢有限公司,湖北 武漢 430000；3.三峽大學(xué) 電氣與新能源學(xué)院，湖北 宜昌 443002)

準(zhǔn)確的電力負(fù)荷預(yù)測有益于維持電力系統(tǒng)的穩(wěn)定性和安全性[1-2]。電力系統(tǒng)中的調(diào)度運(yùn)行決策(例如檢修計(jì)劃的編排等)取決于負(fù)荷的變化行為[3]，特別是在具有較高精度的負(fù)荷預(yù)測結(jié)果指導(dǎo)下，需要電力公司快速響應(yīng)電網(wǎng)運(yùn)行條件的急劇變化；另一方面，準(zhǔn)確的電力負(fù)荷預(yù)測有助于提高邊際電價(jià)預(yù)測精度，從而保證電力公司和用戶之間的利潤精細(xì)化、最大化[4]。由于氣候敏感負(fù)荷的存在，負(fù)荷預(yù)測精度依賴于多方面的因素。因此，準(zhǔn)確的天氣預(yù)報(bào)(如溫度或濕度)可以提高負(fù)荷預(yù)測的性能，日氣溫是影響負(fù)荷變化最重要的自然參數(shù)之一。研究表明，以歷史負(fù)荷需求和溫度組成的大數(shù)據(jù)樣本為基礎(chǔ)進(jìn)行負(fù)荷預(yù)測能夠得到具有較高精度的預(yù)測結(jié)果[5]。

隨著電力市場化改革的穩(wěn)步推進(jìn)，發(fā)電企業(yè)正從集中式運(yùn)營轉(zhuǎn)向分散式運(yùn)營，這意味著許多發(fā)電公司產(chǎn)生的電力能夠在市場調(diào)節(jié)范圍內(nèi)以合理的價(jià)格出售給購電商。通常，發(fā)電企業(yè)以競價(jià)的方式提交自己的電力投標(biāo)價(jià)格，這些舉措使得各發(fā)電企業(yè)間形成了巨大的市場競爭[6]。準(zhǔn)確的邊際電價(jià)預(yù)測有益于售、購電商的交易，有益于電力市場的穩(wěn)定運(yùn)行。電力市場環(huán)境中，負(fù)荷需求決定電價(jià)，歷史電價(jià)影響實(shí)時(shí)電價(jià)。

相關(guān)學(xué)者進(jìn)行了大量有關(guān)負(fù)荷預(yù)測的研究。文獻(xiàn)[7]提出一種基于貝葉斯優(yōu)化極限梯度提升的模型用于短期峰值負(fù)荷預(yù)測；文獻(xiàn)[8]設(shè)計(jì)了一種基于梯度提升樹的短期用電負(fù)荷預(yù)測系統(tǒng)；文獻(xiàn)[9]以負(fù)荷數(shù)據(jù)為基礎(chǔ)，利用歷史數(shù)據(jù)增強(qiáng)技術(shù)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)回歸模型；文獻(xiàn)[10]構(gòu)建了基于數(shù)據(jù)驅(qū)動(dòng)的差分-徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的臺(tái)區(qū)短期負(fù)荷預(yù)測方法；文獻(xiàn)[11-13]提出一種基于深度長短期記憶神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動(dòng)型短期負(fù)荷預(yù)測方法；文獻(xiàn)[14]提出了一種基于時(shí)間序列和卡爾曼濾波組合的需求響應(yīng)基線負(fù)荷預(yù)測模型；文獻(xiàn)[15]提出一種基于聚類和神經(jīng)網(wǎng)絡(luò)的組合型短期負(fù)荷預(yù)測方法。上述負(fù)荷預(yù)測方法采用了統(tǒng)計(jì)學(xué)、人工智能等方法和技術(shù)，以歷史負(fù)荷數(shù)據(jù)為基礎(chǔ)來建模預(yù)測，但是少有考慮溫度對(duì)負(fù)荷變化的影響，同時(shí)也沒有預(yù)測誤差補(bǔ)償機(jī)制，導(dǎo)致預(yù)測精度受限。

與負(fù)荷預(yù)測相關(guān)研究相比，近年來邊際電價(jià)預(yù)測方法的研究較少。文獻(xiàn)[16]提出了基于AdaBoost的短期邊際電價(jià)預(yù)測集成學(xué)習(xí)算法；文獻(xiàn)[17]建立了實(shí)時(shí)邊際電價(jià)預(yù)測模型；文獻(xiàn)[18]將天然氣和石油價(jià)格作為影響邊際電價(jià)預(yù)測精度的影響因素。上述文獻(xiàn)在一定程度上推進(jìn)了邊際電價(jià)預(yù)測方法的革新，然而鮮有考慮負(fù)荷對(duì)邊際電價(jià)預(yù)測的影響，也沒有相應(yīng)的誤差補(bǔ)償機(jī)制。研究表明，負(fù)荷預(yù)測結(jié)果與邊際電價(jià)預(yù)測密切相關(guān)[19]；因此，引入負(fù)荷影響因素可以進(jìn)一步提升預(yù)測精度。

整體而言，引入溫度影響因素可以有效提高負(fù)荷預(yù)測精度，準(zhǔn)確的負(fù)荷預(yù)測結(jié)果有益于提高邊際電價(jià)預(yù)測精度。傳統(tǒng)方法并沒有聯(lián)合考慮負(fù)荷預(yù)測與邊際電價(jià)預(yù)測之間的聯(lián)系，同時(shí)，傳統(tǒng)方法將預(yù)測結(jié)果直接輸出，沒有誤差補(bǔ)償機(jī)制，導(dǎo)致預(yù)測精度受限。

研究表明：以門限循環(huán)單元(gated recurrent unit，GRU)[20]構(gòu)建的深度學(xué)習(xí)模型能夠有效學(xué)習(xí)到數(shù)據(jù)間的時(shí)序關(guān)系，適用于溫度、負(fù)荷這類強(qiáng)時(shí)序關(guān)系的數(shù)據(jù)處理。多層感知器(multilayer perceptron，MLP)[21]能夠擬合強(qiáng)非線性關(guān)系，且具有高度的并行化處理，計(jì)算速度快，適用于具有一般映射關(guān)系數(shù)據(jù)的處理。

鑒于此，本文提出一種基于大數(shù)據(jù)的負(fù)荷-邊際電價(jià)聯(lián)合預(yù)測方法。以GRU-MLP來加強(qiáng)負(fù)荷-邊際電價(jià)聯(lián)合預(yù)測性能。首先以GRU為基礎(chǔ)建立人工智能模型，分別對(duì)負(fù)荷-邊際電價(jià)進(jìn)行預(yù)測；然后分別以歷史溫度/歷史負(fù)荷與實(shí)時(shí)溫度/實(shí)時(shí)負(fù)荷間的差值ΔT和ΔP為基礎(chǔ)，通過建立以MLP為基礎(chǔ)的預(yù)測誤差補(bǔ)償模型，分別對(duì)負(fù)荷-邊際電價(jià)的預(yù)測結(jié)果進(jìn)行修正；最后將GRU的輸出與MLP的輸出疊加計(jì)算得到負(fù)荷-邊際電價(jià)聯(lián)合預(yù)測結(jié)果。

1 GRU與MLP模型

本文以歷史負(fù)荷需求和溫度數(shù)據(jù)為基礎(chǔ)，使用部分實(shí)時(shí)信息來增強(qiáng)負(fù)荷-邊際電價(jià)聯(lián)合預(yù)測效果?？紤]到負(fù)荷變化ΔP和溫度變化ΔT之間的關(guān)系，本文從歷史電力負(fù)荷需求和溫度數(shù)據(jù)中，挖掘了溫度變化對(duì)負(fù)荷預(yù)測的影響機(jī)制。首先使用大數(shù)據(jù)訓(xùn)練GRU模型，得到負(fù)荷預(yù)測結(jié)果；然后利用ΔP和ΔT之間的關(guān)系訓(xùn)練MLP模型，得到預(yù)測結(jié)果的補(bǔ)償量。因此，有必要對(duì)GRU與MLP模型的結(jié)構(gòu)進(jìn)行研究。

1.1 GRU模型結(jié)構(gòu)

負(fù)荷數(shù)據(jù)、溫度數(shù)據(jù)、邊際電價(jià)數(shù)據(jù)都是與時(shí)間強(qiáng)關(guān)聯(lián)性的數(shù)據(jù)，即某時(shí)刻的值取決于歷史時(shí)刻的值，同時(shí)也影響下一時(shí)刻的值。在深度學(xué)習(xí)網(wǎng)絡(luò)中，循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks，RNN)適用于時(shí)間序列預(yù)測與回歸處理。作為RNN的改進(jìn)型，GRU具有更優(yōu)異的性能[20]，本文選取GRU作為訓(xùn)練模型。圖1所示為GRU模型結(jié)構(gòu)。

圖1 GRU模型結(jié)構(gòu)Fig.1 GRU model structure

σ( )∈(0，1)表示S型激活函數(shù)sigmoid，其值為1表示完全保留信息，而值為0表示完全丟棄了信息。

sigmoid函數(shù)

(1)

式中x為待sigmoid變換的變量。

更新門的計(jì)算表達(dá)式為

zt=σ(Wz×[ht-1,xt]).

(2)

重置門的計(jì)算表達(dá)式為

rt=σ(Wr×[ht-1,xt]).

(3)

當(dāng)前記憶內(nèi)容

(4)

(5)

當(dāng)前時(shí)間步的最終記憶(最終輸出)

(6)

1.2 MLP模型結(jié)構(gòu)

MLP是一種經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型，由簡單的相互連接的神經(jīng)元或節(jié)點(diǎn)組成，其中含有特定的非線性激活函數(shù)[21]。MLP有1個(gè)或多個(gè)隱藏層，最后是輸出層。理論上，多隱含層結(jié)構(gòu)的MLP模型能夠擬合具有復(fù)雜非線性特征的映射關(guān)系。

1.3 模型誤差的度量

GRU、MLP模型均屬于人工智能模型，其訓(xùn)練方式采用無監(jiān)督式訓(xùn)練方式。通過數(shù)據(jù)訓(xùn)練，按照反向傳播算法，根據(jù)模型實(shí)際輸出與期望輸出數(shù)據(jù)間的差值來更新網(wǎng)絡(luò)權(quán)值等變量，以此往復(fù)，直到輸出符合精度要求。本文引入人工智能模型進(jìn)行回歸分析，經(jīng)試驗(yàn)驗(yàn)證后選取了均方根誤差(root mean squard error，RMSE)函數(shù)作為評(píng)估模型輸出誤差的度量標(biāo)準(zhǔn)。其數(shù)學(xué)表達(dá)式為

(7)

本文選取RMSE作為人工智能模型優(yōu)化計(jì)算的損失(Loss)函數(shù)(也稱目標(biāo)函數(shù))，通過反復(fù)訓(xùn)練，使模型達(dá)到收斂狀態(tài)，減少模型預(yù)測值的誤差。Loss函數(shù)的作用詳見參考文獻(xiàn)[11-13,20]。

2 負(fù)荷-邊際電價(jià)聯(lián)合預(yù)測模型

在大數(shù)據(jù)基礎(chǔ)上，分析基于大數(shù)據(jù)的負(fù)荷-邊際電價(jià)聯(lián)合預(yù)測機(jī)制，通過將GRU的輸出與MLP的輸出疊加來計(jì)算誤差補(bǔ)償后的負(fù)荷-邊際電價(jià)聯(lián)合預(yù)測結(jié)果。

2.1 基于GRU模型的負(fù)荷預(yù)測

圖2 GRU模型中的重復(fù)結(jié)構(gòu)Fig. Repeated structure in GRU model

以時(shí)序?yàn)?4 h為例，輸入一定時(shí)間間隔的歷史負(fù)荷、歷史溫度數(shù)據(jù)，經(jīng)過GRU模型訓(xùn)練后，生成未來24 h的負(fù)荷預(yù)測數(shù)據(jù)、溫度預(yù)測數(shù)據(jù)。顯然，每個(gè)負(fù)荷預(yù)測結(jié)果包含歷史負(fù)荷、歷史溫度信息，同樣的，溫度預(yù)測結(jié)果也包含歷史負(fù)荷、歷史溫度信息。

可以預(yù)見，負(fù)荷預(yù)測誤差大小與溫度預(yù)測誤差大小呈現(xiàn)明顯的相關(guān)關(guān)系，在實(shí)驗(yàn)數(shù)據(jù)中也得到了驗(yàn)證。因此，如果溫度預(yù)測結(jié)果與實(shí)際溫度之間存在不小的差異，則負(fù)荷功率預(yù)測的準(zhǔn)確性也會(huì)降低。為此，下一節(jié)將研究預(yù)測誤差的補(bǔ)償方法。

2.2 基于MLP模型的負(fù)荷預(yù)測誤差補(bǔ)償

圖3 負(fù)荷預(yù)測誤差補(bǔ)償方法的整體結(jié)構(gòu)Fig.3 Overall structure of error compensation method for load forecasting

由圖3可知，本文所提補(bǔ)償思路為：首先通過歷史負(fù)荷和歷史溫度數(shù)據(jù)訓(xùn)練GRU模型來預(yù)測輸出將來時(shí)段的負(fù)荷需求和溫度；然后通過溫度、負(fù)荷的變化數(shù)據(jù)訓(xùn)練MLP模型來預(yù)測輸入某溫度誤差下對(duì)應(yīng)的負(fù)荷誤差值；最后，將負(fù)荷預(yù)測結(jié)果與負(fù)荷預(yù)測誤差累加，得到經(jīng)補(bǔ)償后的負(fù)荷預(yù)測值。

從時(shí)間角度來看，在初始時(shí)刻，經(jīng)過訓(xùn)練的GRU模型生成未來24 h的負(fù)荷需求和溫度值。然后，實(shí)時(shí)測量實(shí)際溫度，得到溫度預(yù)測誤差ΔT，通過訓(xùn)練的MLP模型得到對(duì)應(yīng)的負(fù)荷預(yù)測誤差補(bǔ)償值ΔP，最后進(jìn)行累加求和，即

(8)

2.3 邊際電價(jià)預(yù)測

圖4 邊際電價(jià)預(yù)測方法的整體結(jié)構(gòu)Fig.4 The overall structure of marginal price forecasting method

首先，通過歷史邊際電價(jià)、歷史負(fù)荷數(shù)據(jù)、負(fù)荷預(yù)測數(shù)據(jù)訓(xùn)練GRU模型來預(yù)測輸出將來時(shí)段的邊際電價(jià)和負(fù)荷需求；然后通過邊際電價(jià)、負(fù)荷的變化數(shù)據(jù)訓(xùn)練MLP模型來預(yù)測輸出某負(fù)荷誤差下對(duì)應(yīng)的邊際電價(jià)誤差值；最后，將邊際電價(jià)預(yù)測結(jié)果與邊際電價(jià)預(yù)測誤差累加，得到經(jīng)補(bǔ)償后的邊際電價(jià)預(yù)測值，即

(9)

3 算例分析

本章所用負(fù)荷、溫度、邊際電價(jià)數(shù)據(jù)為江西省某地區(qū)2018年—2019 年的730 d(24 h采樣點(diǎn)數(shù)為96點(diǎn))共計(jì)70 080 組實(shí)測數(shù)據(jù)。訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)數(shù)量間的比例設(shè)置為8∶2，即訓(xùn)練數(shù)據(jù)數(shù)量為56 064 組，測試數(shù)據(jù)數(shù)量為14 016 組。在負(fù)荷預(yù)測中：GRU模型的輸入量是歷史溫度、歷史負(fù)荷，輸出量是未經(jīng)補(bǔ)償?shù)呢?fù)荷預(yù)測值、溫度預(yù)測值；MLP模型的輸入量是溫度預(yù)測值與實(shí)時(shí)溫度間的差值，輸出是負(fù)荷預(yù)測誤差的補(bǔ)償值；最后，通過疊加未經(jīng)補(bǔ)償?shù)呢?fù)荷預(yù)測值和負(fù)荷預(yù)測誤差的補(bǔ)償值得到負(fù)荷預(yù)測結(jié)果。在邊際電價(jià)預(yù)測中：GRU模型的輸入量是歷史邊際電價(jià)、歷史負(fù)荷、負(fù)荷預(yù)測結(jié)果，輸出量是未經(jīng)補(bǔ)償?shù)倪呺H電價(jià)預(yù)測值；MLP模型的輸入量是負(fù)荷預(yù)測誤差的補(bǔ)償值，輸出是邊際電價(jià)預(yù)測誤差的補(bǔ)償值；最后，通過疊加未經(jīng)補(bǔ)償?shù)倪呺H電價(jià)預(yù)測值和邊際電價(jià)預(yù)測誤差的補(bǔ)償值得到邊際電價(jià)預(yù)測結(jié)果。

在實(shí)驗(yàn)中，使用scikit-learnpython庫對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行規(guī)范化處理。預(yù)測數(shù)據(jù)的時(shí)間間隔T=24 h。相關(guān)計(jì)算基于TensorFlow和Keras平臺(tái)編程實(shí)現(xiàn)，計(jì)算機(jī)環(huán)境：英特爾酷睿i5-10400、16 GB、GTX 1070ti。為避免累述冗長，3.1—3.5節(jié)僅展示夏季溫度、負(fù)荷、邊際電價(jià)數(shù)據(jù)間的計(jì)算結(jié)果。其他季節(jié)的結(jié)果類似，3.6節(jié)將進(jìn)一步說明。

3.1 GRU、MLP模型的超參數(shù)設(shè)置

經(jīng)過多次反復(fù)試驗(yàn)驗(yàn)證，當(dāng)GRU、MLP模型超參數(shù)設(shè)置為表1時(shí)，預(yù)測準(zhǔn)確率最好。

表1 GRU、MLP模型的超參數(shù)設(shè)置Tab.1 Hiper-parameters of GRU and MLP models

3.2 負(fù)荷預(yù)測模型的訓(xùn)練

按照3.1節(jié)參數(shù)分別構(gòu)建GRU模型、MLP模型。首先使用負(fù)荷訓(xùn)練數(shù)據(jù)對(duì)圖3所示的負(fù)荷預(yù)測模型進(jìn)行訓(xùn)練調(diào)參；然后使用負(fù)荷測試數(shù)據(jù)對(duì)模型進(jìn)行測試。圖5所示為GRU、MLP模型訓(xùn)練負(fù)荷數(shù)據(jù)得到的損失值變化曲線。

由圖5可以看出，GRU、MLP負(fù)荷預(yù)測模型的訓(xùn)練損失值均隨著訓(xùn)練次數(shù)的增加遞減，并且收斂到很小的數(shù)值，表明按照表1參數(shù)建立的神經(jīng)網(wǎng)絡(luò)模型收斂，即模型正確可靠，訓(xùn)練效果良好。

圖5 負(fù)荷預(yù)測模型的損失值變化曲線Fig.5 Loss value curves of load forecasting model

3.3 負(fù)荷預(yù)測模型的測試

使用歷史負(fù)荷測試數(shù)據(jù)對(duì)圖3所示的負(fù)荷預(yù)測模型進(jìn)行測試。選取其中的1個(gè)樣本負(fù)荷(1 d的負(fù)荷數(shù)據(jù)，采樣間隔為1 h)預(yù)測結(jié)果進(jìn)行展示說明，其曲線圖如圖6所示。

圖6 負(fù)荷預(yù)測模型的測試結(jié)果Fig.6 Test results of load forecasting model

圖6中，除實(shí)際的負(fù)荷功率曲線外，其他3條曲線分別表示：僅由歷史負(fù)荷數(shù)據(jù)訓(xùn)練GRU模型得到的負(fù)荷預(yù)測曲線；由歷史負(fù)荷數(shù)據(jù)、歷史溫度數(shù)據(jù)共同訓(xùn)練GRU模型得到的負(fù)荷預(yù)測曲線；由歷史負(fù)荷數(shù)據(jù)、歷史溫度數(shù)據(jù)、誤差補(bǔ)償數(shù)據(jù)共同按照圖3所示流程分別訓(xùn)練GRU、MLP模型得到的負(fù)荷預(yù)測曲線。3種不同情況下計(jì)算得到的RMSE值見表2。

表2 3種情況下的RMSE值Tab.2 RMSE values in three cases

由圖6、表2可以看出，由歷史負(fù)荷數(shù)據(jù)、歷史溫度數(shù)據(jù)共同訓(xùn)練得到的負(fù)荷預(yù)測結(jié)果優(yōu)于單一歷史負(fù)荷數(shù)據(jù)訓(xùn)練的預(yù)測結(jié)果，預(yù)測誤差約減小了9.2%。其原因是，某些溫度負(fù)荷對(duì)溫度變化敏感，引入溫度影響因素能夠進(jìn)一步挖掘數(shù)據(jù)間的映射關(guān)系，提高預(yù)測準(zhǔn)確率。

按照圖3所示流程得到的負(fù)荷預(yù)測結(jié)果明顯優(yōu)于其他2種方法，相比于單一歷史負(fù)荷數(shù)據(jù)訓(xùn)練的預(yù)測結(jié)果，預(yù)測誤差約減小了13.4%。其原因是基于MLP模型的負(fù)荷預(yù)測誤差補(bǔ)償機(jī)制有效提升了預(yù)測準(zhǔn)確率。

3.4 邊際電價(jià)預(yù)測模型的訓(xùn)練

圖7所示為GRU、MLP模型訓(xùn)練邊際電價(jià)數(shù)據(jù)得到的損失值變化曲線。

由圖7可以看出，與圖5類似，GRU、MLP邊際電價(jià)模型的訓(xùn)練損失值收斂趨勢良好，表明建立的人工智能模型適用于邊際電價(jià)預(yù)測。

圖7 邊際電價(jià)預(yù)測模型的損失值變化曲線Fig.7 Loss value curves of marginal price forecasting model

3.5 邊際電價(jià)預(yù)測模型的測試

使用歷史邊際電價(jià)測試數(shù)據(jù)、歷史負(fù)荷測試數(shù)據(jù)、負(fù)荷預(yù)測數(shù)據(jù)、誤差補(bǔ)償數(shù)據(jù)對(duì)圖4所示的邊際電價(jià)預(yù)測模型進(jìn)行測試。選取其中的1個(gè)樣本邊際電價(jià)預(yù)測結(jié)果進(jìn)行展示說明，其曲線圖如圖8所示。

圖8中，除實(shí)際的邊際電價(jià)曲線外，其他3條曲線分別表示：僅由歷史邊際電價(jià)數(shù)據(jù)訓(xùn)練GRU模型得到的負(fù)荷預(yù)測曲線；由歷史邊際電價(jià)數(shù)據(jù)、歷史負(fù)荷數(shù)據(jù)、負(fù)荷預(yù)測數(shù)據(jù)共同訓(xùn)練GRU模型得到的負(fù)荷預(yù)測曲線；由歷史邊際電價(jià)數(shù)據(jù)、歷史負(fù)荷數(shù)據(jù)、負(fù)荷預(yù)測數(shù)據(jù)、負(fù)荷預(yù)測誤差補(bǔ)償數(shù)據(jù)共同按照圖4所示流程分別訓(xùn)練GRU、MLP模型得到的邊際電價(jià)預(yù)測曲線。3種不同情況下計(jì)算得到的RMSE值見表3。

圖8 邊際電價(jià)預(yù)測結(jié)果Fig.8 Marginal price forecasting results

表3 3種情況下的RMSE值Tab.3 RMSE values in three cases

由圖8、表3可以看出，由歷史邊際電價(jià)數(shù)據(jù)、歷史負(fù)荷數(shù)據(jù)、負(fù)荷預(yù)測數(shù)據(jù)共同訓(xùn)練得到的邊際電價(jià)預(yù)測結(jié)果優(yōu)于單一歷史邊際電價(jià)數(shù)據(jù)訓(xùn)練的預(yù)測結(jié)果，預(yù)測誤差減小了約50%。其原因是，電力市場環(huán)境下需求決定價(jià)格，引入歷史負(fù)荷數(shù)據(jù)、負(fù)荷預(yù)測數(shù)據(jù)能夠進(jìn)一步挖掘負(fù)荷與邊際電價(jià)間的潛在關(guān)系，因此預(yù)測準(zhǔn)確率較高。按照圖4所示流程得到的邊際電價(jià)預(yù)測結(jié)果明顯優(yōu)于其他2種方法，相比于單一歷史邊際電價(jià)數(shù)據(jù)訓(xùn)練的預(yù)測結(jié)果，預(yù)測誤差約減小了71%。其原因是，基于MLP模型的邊際電價(jià)預(yù)測誤差補(bǔ)償機(jī)制有效提升了預(yù)測準(zhǔn)確率。

對(duì)比圖6、表2可知，邊際電價(jià)預(yù)測結(jié)果與負(fù)荷預(yù)測結(jié)果具有正相關(guān)關(guān)系。

3.6 ΔT與之間的關(guān)系

圖9 ΔT與間的邏輯關(guān)系Fig.9 Logical relationship between ΔT,

由圖10可知：在夏季，負(fù)荷變化與溫度變化呈較強(qiáng)的正相關(guān)關(guān)系，邊際電價(jià)變化與溫度變化也呈較強(qiáng)的正相關(guān)關(guān)系；在冬季，負(fù)荷變化與溫度變化呈較強(qiáng)的負(fù)相關(guān)關(guān)系，邊際電價(jià)變化與溫度變化也呈較強(qiáng)的負(fù)相關(guān)關(guān)系；無論是何季節(jié)，負(fù)荷變化與邊際電價(jià)變化總是呈較強(qiáng)的正相關(guān)關(guān)系。

圖10 ΔT與間的數(shù)值關(guān)系Fig.10 Numerical relationship between

上述規(guī)律可指導(dǎo)電力系統(tǒng)安全穩(wěn)定運(yùn)行。例如，在夏季，當(dāng)預(yù)測到未來溫度異常升高時(shí)，電力系統(tǒng)運(yùn)營商可以提前重新分配可能的發(fā)電資源，以應(yīng)對(duì)負(fù)荷需求的大幅增長。

4 結(jié)束語

本文研究了如何利用溫度、歷史負(fù)荷預(yù)測未來負(fù)荷需求，利用歷史負(fù)荷需求、歷史邊際電價(jià)、實(shí)際負(fù)荷預(yù)測值共同預(yù)測未來邊際電價(jià)，并提出了誤差補(bǔ)償機(jī)制。最終提出了一種基于大數(shù)據(jù)的負(fù)荷-邊際電價(jià)聯(lián)合預(yù)測方法，有效提升了負(fù)荷-邊際電價(jià)聯(lián)合預(yù)測精度。下一步將推廣到電力行業(yè)造價(jià)等分析領(lǐng)域。