程志友，汪德勝

基于機(jī)器學(xué)習(xí)與疫情關(guān)聯(lián)特征的短期負(fù)荷預(yù)測

程志友1,2，汪德勝2

(1.教育部電能質(zhì)量工程研究中心(安徽大學(xué))，安徽 合肥 230601；2.安徽大學(xué)電子信息工程學(xué)院，安徽 合肥 230601)

準(zhǔn)確的電力負(fù)荷預(yù)測是電力系統(tǒng)正常運(yùn)轉(zhuǎn)的重要保障。針對新冠疫情期間負(fù)荷需求波動大、歷史參考負(fù)荷難以建模等問題，提出了一種基于機(jī)器學(xué)習(xí)與靜默指數(shù)、滾動焦慮指數(shù)的短期負(fù)荷預(yù)測方法。首先，利用谷歌流動性數(shù)據(jù)和疫情數(shù)據(jù)構(gòu)建出靜默指數(shù)、滾動焦慮指數(shù)來量化經(jīng)濟(jì)、疫情的發(fā)展對電力負(fù)荷造成的影響。然后，采用最大信息系數(shù)分析疫情期間電力負(fù)荷的強(qiáng)相關(guān)因素并引入疫情負(fù)荷關(guān)聯(lián)特征。最后，將氣象數(shù)據(jù)、歷史負(fù)荷以及構(gòu)建的疫情關(guān)聯(lián)特征合并作為預(yù)測模型的輸入變量，通過多種機(jī)器學(xué)習(xí)模型進(jìn)行預(yù)測算例分析。結(jié)果表明，引入疫情關(guān)聯(lián)特征的負(fù)荷預(yù)測模型能夠有效地提高疫情期間負(fù)荷預(yù)測的準(zhǔn)確性。

負(fù)荷預(yù)測；新冠疫情；機(jī)器學(xué)習(xí)；靜默指數(shù)；焦慮指數(shù)

0 引言

2020年2月底，新冠肺炎在歐洲演變?yōu)橐砸獯罄麨橹行牡囊咔榇蟊l(fā)，全球電力系統(tǒng)在此次突發(fā)性事件中均受到了不同程度的沖擊。由于封鎖措施的推出，各國經(jīng)濟(jì)活動遭到嚴(yán)重破壞，能源需求持續(xù)下降[1]。全面封鎖導(dǎo)致了法國、西班牙、英國、印度、意大利以及美國西北部地區(qū)日電力需求至少減少了15%。

電力負(fù)荷需求的異常變化給負(fù)荷預(yù)測增加了難度。以往電力負(fù)荷的預(yù)測通常選取歷史負(fù)荷值、日歷信息和氣象信息作為輸入變量[2-7]，但在疫情爆發(fā)期間，電力系統(tǒng)受更多不確定性因素影響，采用常規(guī)影響因素?zé)o法充分考慮電力負(fù)荷與社會性因素之間的復(fù)雜關(guān)系，電力負(fù)荷預(yù)測精度有所欠缺[8]。因此考慮引入反映疫情和經(jīng)濟(jì)活動情況的特征，幫助模型深入學(xué)習(xí)疫情傳播對電力系統(tǒng)所造成的影響。

目前電力負(fù)荷預(yù)測的研究方法主要包括基于傳統(tǒng)統(tǒng)計學(xué)的時間序列模型和基于機(jī)器學(xué)習(xí)的模型兩大類。其中基于統(tǒng)計學(xué)的預(yù)測模型主要包括指數(shù)平滑模型(exponential smoothing model, ESM)[9]、線性回歸(linear regression, LR)模型[10]和自回歸移動平均(auto regresssive moving average, ARMA)模型[11]等。該類預(yù)測算法相對來說簡單、成熟，訓(xùn)練速度快，人為干預(yù)性低，但無法捕捉歷史負(fù)荷中的非線性特征，難以對復(fù)雜環(huán)境影響下的電力負(fù)荷進(jìn)行建模，且對時間序列的平穩(wěn)性有較高的要求。而機(jī)器學(xué)習(xí)模型[12-16]相較于統(tǒng)計學(xué)模型優(yōu)勢在于其出色的非線性映射能力。文獻(xiàn)[13]分析了傳統(tǒng)氣象因素處理方法在負(fù)荷預(yù)測中的不足之處，并提出基于費(fèi)歇信息的氣象因素建模策略，在支持向量機(jī)(support vector machine, SVM)預(yù)測模型中引入費(fèi)歇信息對氣象因素進(jìn)行建模，解決了氣象因素的累積效應(yīng)以及氣象因素變化造成的負(fù)荷滯后效應(yīng)，提高了預(yù)測精度；文獻(xiàn)[14]利用粒子群優(yōu)化(particle swarm optimization, PSO)算法改良循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks, RNN)來解決梯度消失、梯度爆炸等問題，并整合了歷史負(fù)荷、溫度、日期等因素進(jìn)行短期負(fù)荷預(yù)測；文獻(xiàn)[15]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)和門控循環(huán)單元(gated recurrent unit, GRU)混合神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法，構(gòu)建了日歷因素、氣象因素和相似日負(fù)荷的特征集，利用CNN網(wǎng)絡(luò)提取負(fù)荷與特征在高維空間中的聯(lián)系，并將得到的高維特征向量輸入GRU網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提升了對負(fù)荷特征的挖掘能力。

以上方法在負(fù)荷預(yù)測中采用了常用的日期、氣象等負(fù)荷相關(guān)因素，但均未考慮經(jīng)濟(jì)以及其他因素的影響。在新冠疫情大爆發(fā)的背景下，電力負(fù)荷受到明顯的沖擊，傳統(tǒng)預(yù)測方法勢必會帶來眾多誤差。文獻(xiàn)[16]提出了一種基于可計及經(jīng)濟(jì)和氣象因素的中期電力負(fù)荷預(yù)測方法，利用多種月度經(jīng)濟(jì)指標(biāo)挖掘影響電量消費(fèi)的信息，由于采用的是月度經(jīng)濟(jì)指標(biāo)作為影響因素，無法對高時間分辨率要求的短期負(fù)荷進(jìn)行預(yù)測。

因此，本文提出一種基于機(jī)器學(xué)習(xí)與疫情關(guān)聯(lián)特征的短期負(fù)荷預(yù)測方法。首先采用最大信息系數(shù)(maximal information coefficient, MIC)分析不同特征與電力負(fù)荷之間的相關(guān)性。MIC可以兼顧挖掘變量之間線性和非線性的相關(guān)性，確定靜默指數(shù)、疫情滾動焦慮指數(shù)與電力負(fù)荷之間存在較強(qiáng)的相關(guān)性。然后將預(yù)處理過后的指數(shù)數(shù)據(jù)與日歷數(shù)據(jù)、氣象數(shù)據(jù)等相關(guān)特征合并作為負(fù)荷特征數(shù)據(jù)輸入各機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練。實(shí)驗結(jié)果表明，與常規(guī)預(yù)測模型相比，本文方法能夠有效地提高疫情時期的負(fù)荷預(yù)測精度。

1 疫情關(guān)聯(lián)特征構(gòu)建

國家電力負(fù)荷需求與國民經(jīng)濟(jì)活動密切相關(guān)，比如意大利作為歐洲受疫情影響最嚴(yán)重的國家之一，其封鎖時間從2020年3月10日到4月3日，范圍擴(kuò)大到整個國家，工業(yè)和商業(yè)部分的消費(fèi)用電水平大幅下降，居民住宅的用電雖有所增加但難以彌補(bǔ)工商業(yè)的巨大下降。因此疫情期間的電力負(fù)荷預(yù)測有必要引入與電力負(fù)荷消耗密切關(guān)聯(lián)的影響因素來捕捉其復(fù)雜的波動趨勢，疫情對國家電力負(fù)荷造成的影響是時變的，而靜默指數(shù)作為經(jīng)濟(jì)活動的代理指標(biāo)可以彌補(bǔ)疫情數(shù)據(jù)的滯后性。

1.1 靜默指數(shù)構(gòu)建

1.2 疫情滾動焦慮指數(shù)構(gòu)建

1.3 電力負(fù)荷與疫情關(guān)聯(lián)特征可視化分析

2020年意大利能源需求持續(xù)下降，1月至4月與2019年同期相比下降了7.5%。疫情關(guān)聯(lián)特征在一定程度上反映了電力負(fù)荷的變化趨勢。根據(jù)SI和RAI的公式構(gòu)建疫情關(guān)聯(lián)特征數(shù)據(jù)，2月24日至4月26日期間的電力負(fù)荷狀況如圖1所示。由圖1可知，隨疫情的逐漸發(fā)展RAI呈現(xiàn)出持續(xù)下降的趨勢，且最后在低處趨于平穩(wěn)；而隨社會活動、經(jīng)濟(jì)情況的下降SI逐漸上升，在高處趨于平穩(wěn)，二者曲線突變的時間段與電力負(fù)荷出現(xiàn)突降的時間段基本吻合。

圖1 電力負(fù)荷、SI和RAI曲線

2 疫情關(guān)聯(lián)特征與電力負(fù)荷相關(guān)性分析

2.1 最大信息系數(shù)

對使用不同劃分方式得到的最大MI值逐一比較后得到負(fù)荷值和分析特征值的最大信息系數(shù)為

2.2 相關(guān)性分析

大量公共設(shè)施、工業(yè)設(shè)施關(guān)閉以及國家主要經(jīng)濟(jì)活動的減少，改變了以往電力負(fù)荷的消費(fèi)模式，比較直觀的反映就是日電力負(fù)荷曲線不同于以往的規(guī)律性。從圖2可以看到：在一天的前半部分由于缺少了往日的通勤高峰，電力負(fù)荷緩慢攀升，峰值電力負(fù)荷消耗曲線比較平坦；后半部分的電力負(fù)荷曲線高峰仍在，但已明顯低于同期水平。

圖2 意大利2020年4月1日和14日與上一年負(fù)荷對比

依靠傳統(tǒng)負(fù)荷相關(guān)特征提高負(fù)荷預(yù)測精度的手段在疫情流行期間表現(xiàn)不佳，因為這些特征無法捕捉到重大社會事件造成的社會經(jīng)濟(jì)活動中斷、電力需求下降等重要信息。因此考慮分析與電力負(fù)荷波動變化密切相關(guān)的經(jīng)濟(jì)因素、疫情因素變得尤為重要。

選取2020年1月1日—2020年4月26日期間幾個歐洲國家的疫情、流動性數(shù)據(jù)來驗證疫情關(guān)聯(lián)特征與電力負(fù)荷之間的關(guān)聯(lián)程度。圖3分析了氣象因素、SI、RAI與電力負(fù)荷的MIC值。可以明顯看到溫、濕度作為負(fù)荷預(yù)測常用的氣象特征，與電力負(fù)荷的MIC值都達(dá)到了0.6以上，表明這些氣象特征是負(fù)荷預(yù)測不可忽視的重要因素；而該時期與電力負(fù)荷關(guān)聯(lián)性最大的兩個特征是SI和RAI，均高于常規(guī)的氣象因素，意大利、德國和法國的SI、RAI與電力負(fù)荷序列的MIC值均在0.65以上，具有較強(qiáng)的相關(guān)性，這也反映了疫情時期的電力負(fù)荷受到了外部因素較大的影響。

圖3 歐洲國家電力負(fù)荷相關(guān)因素MIC分析

3 基于機(jī)器學(xué)習(xí)的負(fù)荷預(yù)測模型

3.1 機(jī)器學(xué)習(xí)模型構(gòu)建

(1) SVM模型

(2) 注意力機(jī)制

深度學(xué)習(xí)中的注意力機(jī)制(attention mechanism)學(xué)習(xí)了人腦的注意力機(jī)制，著重處理輸入的關(guān)鍵信息，從而有效地獲取神經(jīng)網(wǎng)絡(luò)運(yùn)算所需的特征信息，并將學(xué)習(xí)到的權(quán)重系數(shù)動態(tài)分配給模型來降低非關(guān)鍵信息的影響力。

在時序預(yù)測中，注意力機(jī)制能夠更好地捕捉重點(diǎn)時間特征信息來提高負(fù)荷預(yù)測精度[24]。圖4為注意力機(jī)制結(jié)構(gòu)圖。

圖4 注意力機(jī)制結(jié)構(gòu)

(3) 循環(huán)神經(jīng)網(wǎng)絡(luò)模型

RNN憑借其獨(dú)特的記憶功能可以有效地處理時間序列數(shù)據(jù)。RNN網(wǎng)絡(luò)結(jié)構(gòu)分為輸入、輸出和隱藏三部分，每個隱藏層按照時間順序連接。模型訓(xùn)練時，隱藏層的環(huán)路設(shè)計可以兼顧學(xué)習(xí)當(dāng)前時刻狀態(tài)以及上一時刻的隱藏狀態(tài)信息，因此RNN可以實(shí)現(xiàn)任意時刻與之前時間序列的處理，但存在輸入長時間序列會發(fā)生梯度消失的缺陷。

GRU與長短時記憶(long short-term memory, LSTM)神經(jīng)網(wǎng)絡(luò)一樣[25-27]，都是由RNN改進(jìn)而來，通過門結(jié)構(gòu)的設(shè)計可以任意控制輸入數(shù)據(jù)中信息的保留或者丟棄，從而實(shí)現(xiàn)在較長時間序列中保存信息的功能，解決了RNN神經(jīng)網(wǎng)絡(luò)在處理長時間序列時出現(xiàn)的梯度消失和梯度爆炸問題。GRU結(jié)構(gòu)如圖5所示。

圖5 GRU結(jié)構(gòu)

3.2 機(jī)器學(xué)習(xí)模型負(fù)荷預(yù)測流程

本文提出的疫情負(fù)荷預(yù)測流程如圖6所示，數(shù)據(jù)預(yù)處理階段對本次實(shí)驗所需的負(fù)荷數(shù)據(jù)以及特征數(shù)據(jù)進(jìn)行異常值修正、缺失值填補(bǔ)。使用MaxMin的方法將數(shù)據(jù)歸一化處理至區(qū)間[0, 1]內(nèi)，歸一化公式為

負(fù)荷數(shù)據(jù)通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型進(jìn)行負(fù)荷預(yù)測后，預(yù)測值將通過反歸一化處理得到最終負(fù)荷預(yù)測值。

圖6 負(fù)荷預(yù)測流程圖

4 預(yù)測實(shí)驗及算例分析

4.1 實(shí)驗數(shù)據(jù)選擇

選取意大利電網(wǎng)公司Terna[28]2020年1月1日至2020年4月26日期間的國家電力負(fù)荷數(shù)據(jù)作為疫情期間研究對象，電力負(fù)荷數(shù)據(jù)采樣頻率為30 min，每天48個采樣點(diǎn)，并在世界天氣[29]選取該地區(qū)氣象數(shù)據(jù)、同一時期世衛(wèi)疫情數(shù)據(jù)[30]和谷歌流動性數(shù)據(jù)[31]。實(shí)驗輸入的負(fù)荷影響特征如表1所示，其中電力負(fù)荷數(shù)據(jù)以及每個特征數(shù)據(jù)均為5616個樣本。使用前110天的數(shù)據(jù)訓(xùn)練模型參數(shù)，測試集為最后一周共336個負(fù)荷數(shù)據(jù)樣本，選取待預(yù)測時刻點(diǎn)前8個采樣點(diǎn)的所有負(fù)荷數(shù)據(jù)及特征值數(shù)據(jù)作為下一預(yù)測點(diǎn)的輸入。

表1 負(fù)荷影響特征

4.2 預(yù)測精度評價指標(biāo)

4.3 算例分析

對測試集336個數(shù)據(jù)進(jìn)行滾動預(yù)測，并構(gòu)建SVM、RNN、GRU及Attention與GRU結(jié)合模型(記為AGRU) 4組對比模型，驗證加入疫情關(guān)聯(lián)特征對預(yù)測精度提高的有效性。其中SVM模型選取徑向基函數(shù)作為核函數(shù)，懲罰參數(shù)設(shè)置為1.0；RNN網(wǎng)絡(luò)模型由1層SimpleRNN單元組成，RNN神經(jīng)元個數(shù)為64，激活函數(shù)為Sigmoid，并使用RMSProp優(yōu)化函數(shù)；AGRU網(wǎng)絡(luò)參數(shù)設(shè)置為2層GRU單元，分別包含64個神經(jīng)元，激活函數(shù)為tanh，采用RMSProp優(yōu)化函數(shù)，損失函數(shù)設(shè)置為mse，單一GRU網(wǎng)絡(luò)模型去掉注意力機(jī)制，其余參數(shù)與AGRU網(wǎng)絡(luò)一致。

對周四到周日進(jìn)行負(fù)荷預(yù)測對比分析，未引入和引入疫情關(guān)聯(lián)特征負(fù)荷預(yù)測對比分別如圖7和圖8所示。由圖7可以看到，在未引入疫情關(guān)聯(lián)特征時，由于疫情期間的電力系統(tǒng)波動較大導(dǎo)致負(fù)荷預(yù)測復(fù)雜度增加，各預(yù)測模型在周四到周日的預(yù)測結(jié)果與實(shí)際值偏差較大。在引入關(guān)聯(lián)特征后，圖8各預(yù)測模型在周四、周五兩日的負(fù)荷預(yù)測上均有明顯改善，其中AGRU模型可以更高效地捕捉電力負(fù)荷與時序特征之間的時序依賴性，其預(yù)測曲線更好地擬合了真實(shí)值的變化。

圖7 未引入疫情關(guān)聯(lián)特征負(fù)荷預(yù)測對比

圖8 引入疫情關(guān)聯(lián)特征負(fù)荷預(yù)測對比

意大利電力負(fù)荷以周為周期規(guī)律性地變化，其中工作日、休息日的電力負(fù)荷曲線差異比較明顯，將周五、周六作為工作日和休息日兩種日類型進(jìn)行MAPE和RMSE分析，結(jié)果如表2所示。由表2可知，采用本文提出的引入疫情關(guān)聯(lián)特征的負(fù)荷預(yù)測方法后，預(yù)測效果最好的AGRU模型在工作日和休息日的預(yù)測中均有效提高了負(fù)荷預(yù)測精度，預(yù)測誤差明顯降低。

對周五、周六進(jìn)行預(yù)測誤差對比分析，如圖9所示，引入疫情關(guān)聯(lián)特征能夠幫助模型更有效地學(xué)習(xí)負(fù)荷在工作日和休息日的變化規(guī)律，大幅度地降低了疫情時期的預(yù)測誤差。

表2 日類型預(yù)測結(jié)果對比

圖9 預(yù)測結(jié)果誤差對比

分別計算4種機(jī)器學(xué)習(xí)模型在測試集上的MAPE和RMSE，其中常規(guī)方法基于原始數(shù)據(jù)進(jìn)行預(yù)測，本文方法為引入疫情關(guān)聯(lián)特征的負(fù)荷預(yù)測，實(shí)驗結(jié)果如表3所示。在不考慮疫情關(guān)聯(lián)特征情況下，受模型自身特性影響，SVM和RNN的預(yù)測效果較差，但在引入疫情關(guān)聯(lián)特征后，4種模型預(yù)測精度均有明顯優(yōu)化。在引入疫情關(guān)聯(lián)特征后SVM、RNN、GRU和AGRU預(yù)測精度與常規(guī)方法相比分別提高了10.29%、24.42%、19.92%和20.59%，而與單一GRU網(wǎng)絡(luò)模型相比較，加入注意力機(jī)制的GRU網(wǎng)絡(luò)預(yù)測精度提高了11.27%。并且在RMSE上可以看到引入疫情關(guān)聯(lián)特征模型的預(yù)測誤差顯著下降：SVM、RNN、GRU和AGRU的RMSE分別降低了8.9%、22.91%、14.80%和16.35%。實(shí)驗結(jié)果表明，引入疫情關(guān)聯(lián)特征對4種機(jī)器學(xué)習(xí)模型的預(yù)測精度都有較大的改善效果。

表3 不同模型預(yù)測結(jié)果對比

5 結(jié)論

本文基于疫情大流行對電力系統(tǒng)造成嚴(yán)重沖擊的背景下，深入研究高時間分辨率的靜默指數(shù)和疫情滾動焦慮指數(shù)對提高負(fù)荷預(yù)測精度的作用。提出一種引入疫情關(guān)聯(lián)特征的短期負(fù)荷預(yù)測方法，采用反映國民經(jīng)濟(jì)活動情況的靜默指數(shù)和反映疫情嚴(yán)重程度的滾動焦慮指數(shù)作為疫情發(fā)生時期負(fù)荷預(yù)測的特殊影響因素；利用MIC分析氣象特征、疫情關(guān)聯(lián)特征與待預(yù)測負(fù)荷之間的相關(guān)性。分析結(jié)果與實(shí)驗數(shù)據(jù)表明，疫情關(guān)聯(lián)特征與電力負(fù)荷之間具有強(qiáng)相關(guān)性；同時結(jié)合多種機(jī)器學(xué)習(xí)模型進(jìn)行對比預(yù)測，驗證了引入疫情關(guān)聯(lián)特征對模型預(yù)測精度提高的普適性。實(shí)驗結(jié)果表明，引入疫情關(guān)聯(lián)特征的負(fù)荷預(yù)測模型能夠有效地提高疫情期間負(fù)荷預(yù)測精度。

[1] GHIANI E, GALICI M, MUREDDU M, et al. Impact on electricity consumption and market pricing of energy and ancillary services during pandemic of COVID-19 in Italy[J]. Energies, 2020, 13(13): 3357.

[2] 靳冰潔, 林勇, 羅澍忻, 等. 基于負(fù)荷特性聚類及Elastic Net分析的短期負(fù)荷預(yù)測方法[J]. 中國電力, 2020, 53(9): 221-228.

JIN Bingjie, LIN Yong, LUO Shuxin, et al. A short-term load forecasting method based on load curve clustering and Elastic Net analysis[J]. Electric Power, 2020, 53(9): 221-228.

[3] 趙會茹, 趙一航, 郭森. 基于互補(bǔ)集合經(jīng)驗?zāi)B(tài)分解和長短期記憶神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J]. 中國電力, 2020, 53(6): 48-55.

ZHAO Huiru, ZHAO Yihang, GUO Sen. Short-term load forecasting based on complementary ensemble empirical mode decomposition and long short-term memory[J]. Electric Power, 2020, 53(6): 48-55.

[4] 王永偉, 李新龍, 田斐, 等. 基于人群搜索算法的電網(wǎng)短期用電負(fù)荷預(yù)測研究[J]. 電網(wǎng)與清潔能源, 2020, 36(12): 35-40.

WANG Yongwei, LI Xinlong, TIAN Fei, et al. Research on short-term electric load forecasting of power grid based on crowd search algorithms[J]. Power System and Clean Energy, 2020, 36(12): 35-40.

[5] 丁學(xué)輝, 許海林, 羅穎婷, 等. 基于CNN特征選擇與QRGRU的電力負(fù)荷概率密度預(yù)測方法[J]. 電力信息與通信技術(shù), 2021, 19(6): 32-38.

DING Xuehui, XU Hailin, LUO Yingting, et al. Power load probability density prediction method based on CNN feature selection and QRGRU[J]. Electric Power Information and Communication Technology, 2021, 19(6): 32-38.

[6] 李正浩, 李孟凡. 基于深度學(xué)習(xí)的智能型負(fù)荷預(yù)測方法的研究[J]. 智慧電力, 2020, 48(10): 78-85, 112.

LI Zhenghao, LI Mengfan. Smart load forecasting method based on deep learning[J]. Smart Power, 2020, 48(10): 78-85, 112.

[7] 潘良軍, 王楷, 趙宏炎, 等. 基于春節(jié)影響時期分析的中期負(fù)荷智能預(yù)測[J]. 智慧電力, 2020, 48(9): 75-80, 117.

PAN Liangjun, WANG Kai, ZHAO Hongyan, et al. Mid-term load intelligent prediction based on the analysis of influence period of Spring Festival[J]. Smart Power, 2020, 48(9):75-80, 117.

[8] 張旭, 劉文君, 王建淵, 等. 新冠疫情期間陜西學(xué)校暑期短期電力負(fù)荷大數(shù)據(jù)分析[J]. 電網(wǎng)與清潔能源, 2020, 36(11): 100-105.

ZHANG Xu, LIU Wenjun, WANG Jianyuan, et al. A short-term summer power load analysis of schools during summer holidays after COVID-19[J]. Power System and Clean Energy, 2020, 36(11): 100-105.

[9] 葉宗斌, 周步祥, 林楠, 等. 基于等維新息指數(shù)平滑法模型的中長期負(fù)荷預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(18): 47-51.

YE Zongbin, ZHOU Buxiang, LIN Nan, et al. Medium/ long term load forecast of exponential smoothing method based on information and equal dimensional operators[J]. Power System Protection and Control, 2012, 40(18): 47-51.

[10] 鄧帶雨, 李堅, 張真源, 等. 基于EEMD-GRU-MLR的短期電力負(fù)荷預(yù)測[J]. 電網(wǎng)技術(shù), 2020, 44(2): 593-602.

DENG Daiyu, LI Jian, ZHANG Zhenyuan, et al. Short-term power load forecasting based on EEMD-GRU-MLR[J]. Power System Technology, 2020, 44(2): 593-602.

[11] 田波, 樸在林, 郭丹, 等. 基于改進(jìn)EEMD-SE-ARMA的超短期風(fēng)功率組合預(yù)測模型[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(4): 72-79.

TIAN Bo, PIAO Zailin, GUO Dan, et al. Wind power ultra short-term model based on improved EEMD-SE- ARMA[J]. Power System Protection and Control, 2017, 45(4): 72-79.

[12] MADHIARASAN M. Accurate prediction of different forecast horizons wind speed using a recursive radial basis function neural network[J]. Protection and Control of Modern Power Systems, 2020, 5(3): 230-238.

[13] 蔡舒平, 張保會, 湯大海, 等. 短期負(fù)荷預(yù)測中氣象因素處理的費(fèi)歇信息方法[J]. 電力自動化設(shè)備, 2020, 40(3): 141-146.

CAI Shuping, ZHANG Baohui, TANG Dahai, et al. Fisher information method for processing weather factors in short-term load forecasting[J]. Electric Power Automation Equipment, 2020, 40(3): 141-146.

[14] 程換新, 黃震. 基于改進(jìn) PSO 優(yōu)化 RNN 的短期電力負(fù)荷預(yù)測模型[J]. 電子測量技術(shù), 2019, 42(20): 94-98.

CHENG Huanxin, HUANG Zhen. Short-term electric load forecasting model based on improved PSO optimized RNN[J]. Electronic Measurement Technology, 2019, 42(20): 94-98.

[15] 姚程文, 楊蘋, 劉澤健. 基于CNN-GRU混合神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法[J]. 電網(wǎng)技術(shù), 2020, 44(9): 3416-3424.

YAO Chengwen, YANG Ping, LIU Zejian. Load forecasting method based on CNN-GRU hybrid neural network[J]. Power System Technology, 2020, 44(9): 3416-3424.

[16] 劉俊, 趙宏炎, 劉嘉誠, 等. 基于協(xié)整-格蘭杰因果檢驗和季節(jié)分解的中期負(fù)荷預(yù)測[J]. 電力系統(tǒng)自動化, 2019, 43(1): 73-80.

LIU Jun, ZHAO Hongyan, LIU Jiacheng, et al. Medium- term load forecasting based on cointegration-Granger causality test and seasonal decomposition[J]. Automation of Electric Power Systems, 2019, 43(1): 73-80.

[17] WANG S, TONG Y, FAN Y, et al. Observing the silent world under COVID-19 with a comprehensive impact analysis based on human mobility[J]. Scientific Reports, 2021, 11(1): 1-12.

[18] YU X L, XIAO K T, LIU J P. Dynamic co-movements of COVID-19 pandemic anxieties and stock market returns[J]. Finance Research Letters, 2021, 102.

[19] RESHEF D N, RESHEF Y A, FINUCANE H K, et al. Detecting novel associations in large datasets[J]. Science, 2011, 334: 1518-1524.

[20] 程逸, 胡陽, 馬素玲, 等. 基于MIC-LSTM與CKDE的風(fēng)電機(jī)組機(jī)艙溫度區(qū)間預(yù)測[J]. 智慧電力, 2020, 48(7): 16-23.

CHENG Yi, HU Yang, MA Suling, et al. Wind turbine nacelle temperature interval prediction based on MIC- LSTM and CKDE[J]. Smart Power, 2020, 48(7): 16-23.

[21] VAPNIK V N. The nature of statistical learning theory[M]. New York: Springer, 1995.

[22] 彭曙蓉, 黃士峻, 李彬, 等. 基于深度學(xué)習(xí)分位數(shù)回歸模型的充電樁負(fù)荷預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(2): 44-50.

PENG Shurong, HUANG Shijun, LI Bin, et al. Charging pile load prediction based on deep learning quantile regression model[J]. Power System Protection and Control, 2020, 48(2): 44-50.

[23] 趙倩, 黃景濤. 基于EMD-SA-SVR的超短期風(fēng)電功率預(yù)測研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(4): 89-96.

ZHAO Qian, HUANG Jingtao. Research on ultra-short- term wind power prediction based on EMD-SA-SVR[J]. Power System Protection and Control, 2020, 48(4): 89-96.

[24] 汪欣, 蔡旭, 李征. 合交叉局部異常因子和注意力機(jī)制的超短期風(fēng)電功率預(yù)測方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(23): 92-99.

WANG Xin, CAI Xu, LI Zheng. Ultra-short-term wind power forecasting method based on a cross LOF preprocessing algorithm and an attention mechanism[J]. Power System Protection and Control, 2020, 48(23): 92-99.

[25] KONG W, DONG Z Y, JIA Y. Short-term residential load forecasting based on LSTM recurrent neural network[J]. IEEE Transactions on Smart Grid, 2019, 10(1): 841-851.

[26] SHI H, XU M, LI R. Deep learning for household load forecasting—a novel pooling deep RNN[J]. IEEE Transactions on Smart Grid, 2019, 9(5): 5271-5280.

[27] 謝謙, 董立紅, 厙向陽. 基于Attention-GRU的短期電價預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(23): 154-160.

XIE Qian, DONG Lihong, SHE Xiangyang. Short-term electricity price forecasting based on Attention-GRU[J]. Power System Protection and Control, 2020, 48(23): 154-160.

[28] Terna. Total load[EB/OL]. [2021-09-10]. https://www. terna.it.

[29] World Weather Online. Historical weather[EB/OL]. [2021-09-10].https://www.worldweatheronline.com/hwd.

[30] EDEC. COVID-19 data[EB/OL].[2021-09-11]. https:// www.edec.eropa.eu/en/COVID-19/data.

[31] Google. COVID-19 community mobility reports[EB/OL]. [2021-09-20].https//www.google.com/covid19/mobility.

Short-term load forecasting based on machine learning and epidemic association features

CHENG Zhiyou1, 2, WANG Desheng2

(1. Power Quality Engineering Research Center (Anhui University), Ministry of Education, Hefei 230601, China;2. School of Electronics and Information Engineering, Anhui University, Hefei 230601, China)

Accurate power load forecasting is an important guarantee for normal operation of a power system. There have been problems of large fluctuations in load demand and difficulty in modeling historical reference load during the COVID-19 outbreak. Thus this paper proposes a short-term load forecasting method based on machine learning, silent index and rolling anxiety index. First, Google mobility data and epidemic data are used to construct the silent index and rolling anxiety index to quantify the impact of the economic and epidemic developments on the power load. Then, the maximal information coefficient is used to analyze the strong correlation factors of power load during the epidemic and introduce epidemic load correlation characteristics. Finally, meteorological data, historical load and the constructed epidemic correlation features are combined as the input variables of the prediction model, and the prediction algorithm is analyzed by multiple machine learning models. The results show that the load forecasting model with the introduction of the epidemic correlation features can effectively improve the accuracy of load forecasting during the epidemic.

load forecasting; COVID-19 outbreak; machine learning; silent index; anxiety index

10.19783/j.cnki.pspc.220037

國家自然科學(xué)基金項目資助(61672032)；安徽省科技重大專項資助(18030901018)

This work is supported by the National Natural Science Foundation of China (No. 61672032).

2022-01-10；

2022-03-23

程志友(1972—)，男，博士，教授，碩士生導(dǎo)師，研究方向為電能質(zhì)量分析、電力負(fù)荷預(yù)測；E-mail: czy@ ahu.edu.cn

汪德勝(1996—)，男，通信作者，碩士研究生，研究方向為電力負(fù)荷預(yù)測。E-mail: 1751355226@qq.com

(編輯 魏小麗)