李冰冰

華北水利水電大學(xué)，河南 鄭州450046

0 引言

在國(guó)家出臺(tái)“雙碳”目標(biāo)的背景下，對(duì)不同行業(yè)進(jìn)行電力負(fù)荷預(yù)測(cè)，有利于了解各行業(yè)的生產(chǎn)經(jīng)營(yíng)狀況，評(píng)判各行業(yè)的發(fā)展趨勢(shì)，引導(dǎo)其正向發(fā)展，對(duì)國(guó)家電力發(fā)展意義重大[1]。

負(fù)荷預(yù)測(cè)需要建立在龐大的數(shù)據(jù)基礎(chǔ)上，文章結(jié)合某地區(qū)的每15 min負(fù)荷數(shù)據(jù)、行業(yè)日負(fù)荷數(shù)據(jù)和氣象數(shù)據(jù)深入分析相關(guān)數(shù)據(jù)，最終解決以下問(wèn)題：對(duì)某地區(qū)每15 min的用電負(fù)荷進(jìn)行量化分析，建立用電負(fù)荷趨勢(shì)的數(shù)學(xué)模型，在此基礎(chǔ)上確定未來(lái)10 d每15 min的負(fù)荷[2]。

1 基本思路

首先，對(duì)該地區(qū)電網(wǎng)未來(lái)10 d每15 min的負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理。然后，對(duì)新的數(shù)據(jù)表進(jìn)行可視化分析[3]?？紤]到所用數(shù)據(jù)會(huì)影響模型的準(zhǔn)確度，選擇2020年8月31日—2021年8月31日近一年的數(shù)據(jù)進(jìn)行預(yù)測(cè)。文章將氣象條件作為解釋變量，每15 min測(cè)得的總有功功率作為被解釋變量進(jìn)行短期預(yù)測(cè)。采用聚類(lèi)分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)方法，先對(duì)該地區(qū)的歷史數(shù)據(jù)進(jìn)行k-means聚類(lèi)，然后將聚類(lèi)結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)的輸入層進(jìn)行訓(xùn)練，得到BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。為了測(cè)試模型的精度，選取后一個(gè)月的數(shù)據(jù)作為樣本進(jìn)行訓(xùn)練，將所得預(yù)測(cè)結(jié)果與真實(shí)結(jié)果進(jìn)行對(duì)比，得出模型的精度，即誤差。為了預(yù)測(cè)未來(lái)10 d的負(fù)荷，需要得知未來(lái)的氣象條件，因此對(duì)氣象條件中的因素進(jìn)行簡(jiǎn)單的時(shí)間序列預(yù)測(cè)，根據(jù)所得的氣象條件及一天中每15 min的變化情況，得出最終的結(jié)果[4]。

2 負(fù)荷影響因素的確定

影響電力系統(tǒng)短期負(fù)荷預(yù)測(cè)精度的因素眾多，文章選取多個(gè)因素（最高溫度、最低溫度、白天風(fēng)力風(fēng)向、夜晚風(fēng)力風(fēng)向、天氣）作為解釋變量從而提高模型的精度。經(jīng)過(guò)可視化分析，天氣的晴朗程度與總有功功率成反比，惡劣的天氣會(huì)導(dǎo)致用電的增加，電能的增加使得總有功功率也增加[5]。

天氣和白天風(fēng)力風(fēng)向、夜晚風(fēng)力風(fēng)向3個(gè)因素與總有功功率的數(shù)字關(guān)系不明顯，根據(jù)風(fēng)級(jí)和天氣晴朗程度的不同，賦予各因素不同的等級(jí)；每天的天氣均有變化，將天氣劃分為兩個(gè)部分。給天氣（晴、局部多云、多云、陰、小雨、中雨、大雨）賦予不同等級(jí)（1～7）；根據(jù)風(fēng)級(jí)的不同，編序?yàn)闊o(wú)持續(xù)風(fēng)向＜3級(jí)、北風(fēng)3～4級(jí)、北風(fēng)4～5級(jí)。

3 負(fù)荷預(yù)測(cè)方法

3.1 k-means聚類(lèi)算法

k-means（k均值）聚類(lèi)算法作為無(wú)監(jiān)督算法，可以根據(jù)各個(gè)因素的相關(guān)性，以歐式距離為參照，找出最優(yōu)的質(zhì)心，將因素分為不同的簇[6]。k-means聚類(lèi)算法可以根據(jù)各個(gè)影響因素的歐式距離的差異，以歐式距離的反比反映兩個(gè)不同影響因素之間的相關(guān)性，以此聚成不同的簇[7]。

文章選取了眾多影響因素作為負(fù)荷短期預(yù)測(cè)的解釋變量，而各個(gè)影響因素之間具有一定的關(guān)系。因此，除了計(jì)算各因素對(duì)負(fù)荷的影響，還應(yīng)將各因素之間的相關(guān)性納入考慮范圍。需要先對(duì)該地區(qū)的歷史數(shù)據(jù)進(jìn)行k-means聚類(lèi)，然后將聚類(lèi)結(jié)果作為輸入層并使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，能夠達(dá)到很好的效果[8]。

3.2 BP神經(jīng)網(wǎng)絡(luò)

各地區(qū)的負(fù)荷與其影響因素之間是一種非線性關(guān)系，存在較嚴(yán)重的隨機(jī)性[9]。BP神經(jīng)網(wǎng)絡(luò)兼具非線性映射數(shù)學(xué)能力、自學(xué)習(xí)與自適應(yīng)性、泛化能力及容錯(cuò)性等多重優(yōu)勢(shì)，使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)能夠避開(kāi)一些限制問(wèn)題，讓負(fù)荷的短期預(yù)測(cè)更加順利[10]。BP神經(jīng)網(wǎng)絡(luò)算法的基本公式如下。

對(duì)于輸出層：

式中：ok為第k個(gè)輸出變量的實(shí)際輸出；f(netx)為變換函數(shù)；k為輸出變量的個(gè)數(shù)；netj為神經(jīng)網(wǎng)絡(luò)輸入層；m為輸入層的個(gè)數(shù)；j為第j個(gè)輸入層；wjk與θt為隱含層到輸出層的權(quán)值與閾值；yj為隱含層輸出。

對(duì)于隱含層：

式中：f(netj)為變換函數(shù)；vjk與θi為輸入隱含層的權(quán)值與閾值；xi為隱含層輸入層；n為隱含層輸入層的個(gè)數(shù)；i為第i個(gè)隱含層的輸入層。

3.3 負(fù)荷預(yù)測(cè)模型的搭建

使用上述方法搭建的負(fù)荷預(yù)測(cè)模型如圖1所示。

圖1 負(fù)荷預(yù)測(cè)模型框架

4 實(shí)證分析

4.1 解釋變量的聚類(lèi)

2018—2019 年，該地區(qū)的總有功功率出現(xiàn)明顯的波動(dòng)，之后，該地區(qū)的總有功功率的大小和波動(dòng)趨勢(shì)逐漸穩(wěn)定。根據(jù)總有功功率的走勢(shì)可以推出，在2019年之后負(fù)荷近似呈現(xiàn)以年為單位的周期性變化，因此采用2019年8月一個(gè)月的數(shù)據(jù)進(jìn)行跨度為10 d（2021年9月1日—9月10日）的負(fù)荷預(yù)測(cè)。

使用k-means聚類(lèi)算法，根據(jù)最高溫度、最低溫度、天氣、白天風(fēng)力風(fēng)向和夜晚風(fēng)力風(fēng)向等因素將數(shù)據(jù)大致聚為4類(lèi)。聚類(lèi)分析得到的結(jié)果如表1所示。

表1 聚類(lèi)分析結(jié)果

4.2 負(fù)荷預(yù)測(cè)

聚類(lèi)之后，使用近期一個(gè)月的數(shù)據(jù)進(jìn)行預(yù)測(cè)。首先，使用前25 d（2019年8月1日—8月25日）的數(shù)據(jù)預(yù)測(cè)未來(lái)6 d（2019年8月26日—8月31日）的總有功功率，測(cè)試模型精度；然后，預(yù)測(cè)未來(lái)10 d（2021年9月1日—9月10日）的總有功功率。

4.2.1 未來(lái)6 d的負(fù)荷預(yù)測(cè)

部分預(yù)測(cè)值與真實(shí)值的誤差如表2所示。預(yù)測(cè)值波動(dòng)較小，且都位于合理區(qū)間，可以進(jìn)行下一步預(yù)測(cè)。

表2 部分預(yù)測(cè)值與真實(shí)值的誤差

4.2.2 未來(lái)10 d的負(fù)荷預(yù)測(cè)

最高溫度和最低溫度具有季節(jié)性特征，對(duì)最高溫度和最低溫度需要采用三次指數(shù)平滑法。預(yù)測(cè)未來(lái)10 d總有功功率時(shí)，需要得到未來(lái)10 d的氣象條件，因此使用SPSS對(duì)天氣、最高溫度、最低溫度、白天風(fēng)力風(fēng)向、夜晚風(fēng)力風(fēng)向進(jìn)行簡(jiǎn)單的時(shí)間序列預(yù)測(cè)，得到的結(jié)果如表3所示。

表3 不同解釋變量的時(shí)間序列預(yù)測(cè)結(jié)果

將預(yù)測(cè)得到的各個(gè)解釋變量的值代入聚類(lèi)結(jié)果，尋找與其最接近的聚類(lèi)中心作為輸入層進(jìn)入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算，預(yù)測(cè)未來(lái)10 d的負(fù)荷，部分預(yù)測(cè)值如表4所示。預(yù)測(cè)結(jié)果的走勢(shì)和大小與歷史相近，預(yù)測(cè)值波動(dòng)較小，且都位于合理區(qū)間，說(shuō)明預(yù)測(cè)結(jié)果相對(duì)合理。

表4 未來(lái)10 d的部分預(yù)測(cè)值

5 結(jié)束語(yǔ)

文章介紹了一種結(jié)合k-means聚類(lèi)與BP神經(jīng)網(wǎng)絡(luò)的新型預(yù)測(cè)方式并進(jìn)行了實(shí)證分析。結(jié)果顯示，構(gòu)建的模型精度較高，并且能夠較好地解決解釋變量間存在非線性關(guān)系的問(wèn)題。同時(shí)，模型還存在一定的不足，在預(yù)測(cè)電負(fù)荷之前，還需要對(duì)解釋變量（即氣候條件等眾多因素）進(jìn)行預(yù)測(cè)，這不僅增加了操作難度，還在一定程度上降低了預(yù)測(cè)的精度。總的來(lái)說(shuō)，該新型預(yù)測(cè)方式可操作性強(qiáng)、結(jié)果精確度良好，可以推廣應(yīng)用。