熊 潔,牛 燕,劉 偉

(國網(wǎng)湖北省電力有限公司鄂州供電公司,湖北 鄂州 436000)

0 前言

隨著“雙碳”目標(biāo)的逐步實(shí)施和新型電力系統(tǒng)的建設(shè),推動用電革命、確保用電供應(yīng)、推進(jìn)能源轉(zhuǎn)型已成為新的電力工作重點(diǎn)。準(zhǔn)確預(yù)測地區(qū)全社會用電量對地方電力企業(yè)節(jié)能減排、合理安排產(chǎn)能消納、實(shí)現(xiàn)“削峰平谷”等具有重要意義。用電數(shù)據(jù)是經(jīng)濟(jì)發(fā)展的“風(fēng)向標(biāo)”。準(zhǔn)確預(yù)測地區(qū)全社會用電量對區(qū)域經(jīng)濟(jì)發(fā)展的評估具有一定作用。因此,用電預(yù)測模型的準(zhǔn)確性和穩(wěn)定性尤為重要。

近年來,用電量預(yù)測研究成果豐碩,針對不同應(yīng)用場景、不同數(shù)據(jù)特征,適用的預(yù)測模型有所不同?？递x等[1]認(rèn)為產(chǎn)業(yè)結(jié)構(gòu)的變化是用電量波動的原因之一。因此,其在預(yù)測用電量的指標(biāo)體系中,除高耗能行業(yè)外,增加了第一、第二產(chǎn)業(yè)增加值作為預(yù)測指標(biāo),并從絕對誤差、模型震蕩程度、適用性和經(jīng)驗(yàn)值這4個方面評價預(yù)測結(jié)果的準(zhǔn)確性。馮偉等[2]利用誤差反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò),采集面積、國內(nèi)生產(chǎn)總值、人口數(shù)量、大型企業(yè)數(shù)量、農(nóng)機(jī)總動力、民營企業(yè)數(shù)量、建筑業(yè)總產(chǎn)值和公路里程這8個方面的影響因素,對泰州的月用電量進(jìn)行預(yù)測。其提高了春節(jié)和7～8月用電高峰期的預(yù)測精度。學(xué)者們利用差分自回歸整合滑動平均(auto regressive integrated moving average,ARIMA)模型在時間序列預(yù)測方面的優(yōu)勢,對不同地區(qū)的年用電量進(jìn)行預(yù)測。該模型在短期內(nèi)(1年)的預(yù)測效果較為理想[3-4]。吳文培[5]利用極限梯度提升機(jī)(extreme gradient boosting,XGBoost)對數(shù)據(jù)進(jìn)行預(yù)測先驗(yàn),并采用先驗(yàn)結(jié)果優(yōu)化 Prophet 模型,以防止過擬合現(xiàn)象;同時,指出預(yù)測差異主要是溫度升高引起的,因此建議下一步需增加氣溫?cái)?shù)據(jù)以進(jìn)行修正。毛錦偉等[6]利用聚類方法對用電數(shù)據(jù)進(jìn)行分類,將自組織特征映射(self-organizing feature maps,SOM)神經(jīng)網(wǎng)絡(luò)和多變量的徑向基函數(shù)(radial basis function,RBF)相結(jié)合搭建神經(jīng)網(wǎng)絡(luò)模型,采集國內(nèi)生產(chǎn)總值、人口、固定資產(chǎn)投資等影響因素,以構(gòu)建某省用電量預(yù)測模型。其比較了單一模型和混合模型的預(yù)測差異,指出了混合模型的優(yōu)勢。陳露東等[7]比較了ARIMA、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)-長短期記憶(long short-term memory,LSTM)網(wǎng)絡(luò)和生成對抗網(wǎng)絡(luò)的預(yù)測(predict using generative adversarial network,PGAN)模型在日電量預(yù)測中的差異,指出PGAN模型存在精度高的優(yōu)點(diǎn),以及計(jì)算時間長的缺點(diǎn)。胡春鳳等[8]從用電量、氣象、交通、經(jīng)濟(jì)這4類共340個變量集中,采用彈性網(wǎng)絡(luò)因子、Granger因果關(guān)系分析找出用電量的影響因素,并預(yù)測月用電量。其結(jié)果與向量自回歸(vector auto regression,VAR)、BP、最小絕對值收縮和選擇算子(least absolute shrinkage and selection operator,LASSO)模型相比,更加精準(zhǔn)。曹敏等[9]為避免自回歸滑動平均(auto regressive moving average,ARMA)模型對外生因素考慮不足的問題,引入支持向量機(jī)(support vector machine,SVM)模型。其對SVM模型加以修正,并對不同企業(yè)的年用電量進(jìn)行預(yù)測,預(yù)測結(jié)果較單獨(dú)使用ARMA和SVM模型更加準(zhǔn)確。劉侃等[10]采用LSTM模型改進(jìn)ARIMA模型,以LSTM預(yù)測用電量、ARIMA修正殘差,對某園區(qū)企業(yè)周用電量進(jìn)行預(yù)測,并比較了單一方法與組合方法的預(yù)測精度差異。李艷青[11]比較了多元線性回歸、季節(jié)趨勢、指數(shù)平滑這3種方法對鋼鐵企業(yè)的年用電量的預(yù)測結(jié)果,指出季節(jié)趨勢結(jié)果適用于長期發(fā)展規(guī)律研究,而指數(shù)平滑則偏重于中短期預(yù)測。沈豫等[12]采用Granger因果關(guān)系提取與用電量預(yù)測有顯著影響的產(chǎn)業(yè)經(jīng)濟(jì)指標(biāo),構(gòu)建自回歸分布滯后(auto regressive distributed lag,ARDL)方法用電量預(yù)測模型,對高耗能產(chǎn)業(yè)月用電量進(jìn)行預(yù)測。預(yù)測結(jié)果準(zhǔn)確性高于自回歸(auto regressive,AR)模型。

上述研究大多數(shù)使用時間序列、機(jī)器學(xué)習(xí)或兩者相結(jié)合的方式,對地區(qū)、行業(yè)或企業(yè)分年、月、日電量進(jìn)行預(yù)測,均有一定參考意義。地區(qū)用電量是行業(yè)電量的線性組合,行業(yè)電量的發(fā)展趨勢不盡相同,因此增加了地區(qū)用電量預(yù)測的不確定性。一方面,從歷史地區(qū)用電量預(yù)測未來地區(qū)用電量,容易因各行業(yè)的不同發(fā)展趨勢導(dǎo)致預(yù)測結(jié)果產(chǎn)生偏差。而從行業(yè)預(yù)測出發(fā),合成地區(qū)預(yù)測用電量的研究還存在一定空白,是值得深入研究的細(xì)分領(lǐng)域。另一方面,時間序列的地區(qū)用電量屬于非線性數(shù)據(jù)。ARIMA模型的缺點(diǎn)在于無法處理非線性數(shù)據(jù)。本文考慮到ARIMA模型的殘差包含了非線性信息,可以采用ARIMA模型預(yù)測的殘差來分析數(shù)據(jù)的非線性成分。因此,本文提出ARIMA和隨機(jī)森林(random forest,RF)的混合模型——季節(jié)性自回歸整合滑動平均-隨機(jī)森林(seasonal auto regressive integrated moving average-random forest,SARIMA-RF)模型。該模型通過發(fā)揮ARIMA和RF的各自優(yōu)勢,在處理非線性數(shù)據(jù)的同時,得出較為準(zhǔn)確的預(yù)測結(jié)果。

1 電力市場用電量預(yù)測相關(guān)理論模型

1.1 K-means聚類算法

作為聚類算法之一,K-means算法得到了廣泛的運(yùn)用。K-means算法主要思想如下:給定K個初始類簇中心點(diǎn)以及K值后,分配各數(shù)據(jù)到與其距離最近類簇中心點(diǎn)的類簇中;分配完全部點(diǎn)后,計(jì)算1個類簇中全部點(diǎn)的中心點(diǎn) (一般采取平均值);以該點(diǎn)為中心點(diǎn),再次重新分配點(diǎn)。如此迭代計(jì)算,對類簇中心點(diǎn)進(jìn)行更新并循環(huán)往復(fù),直到類簇中心點(diǎn)基本上沒有變化,或滿足預(yù)定要求的迭代次數(shù)。

本文假設(shè)數(shù)據(jù)樣本X涵蓋了n個對象,即X={X1,X2,…,Xn},且各對象的屬性均涵蓋m個維度。對K-means算法而言,其目標(biāo)是按照對象之間的相似性,將上述n個對象集聚在指定的k個類簇中,并使得每個對象到其所在類簇中心點(diǎn)的距離最小。K-means應(yīng)對k個聚類中心{C1,C2,…,Ck}(1

(1)

式中:Xi為第i個對象(1≤i≤n);Cj為第j個聚類中心(1≤j≤k);Xit為第i個對象的第t個屬性;Cjt為第j個聚類中心的第t個屬性(1≤t≤m)。

本文分別對比各對象到各聚類中心之間的距離,并分配各對象到最近距離的聚類中心的類簇中,獲得了k個類簇{S1,S2,…,Sk}。

K-means算法借助類簇中心,對類簇的原型進(jìn)行界定。類簇中心即類簇內(nèi)全部對象在諸多維度的平均值。其計(jì)算式如式(2)所示。

(2)

式中:Cl為第l個聚類的中心;當(dāng)1≤l≤k時,SL、Xi分別為第l個類簇中對象的個數(shù)以及第i個對象(1≤i≤|SL|)。

1.2 RF算法

第k個決策樹能夠生成θk(隨機(jī)變量)。θk和前面生成的θ1,θ2,…,θk-1,θk相互獨(dú)立,但概率分布相同。決策樹借助訓(xùn)練集和θk實(shí)現(xiàn)了生長后,能夠塑造出分類器h(x,θk)。x為輸入的特征向量。其在生成了很多決策樹后,借助投票的方式,選出理想方案。

RF是由很多分類樹{h(x,θk),k=1,2,…,n}共同組合而成的分類器。隨機(jī)變量{θk}呈現(xiàn)出獨(dú)立同分布的特點(diǎn)。各分類樹均參與到投票中,以決出最后的輸出。

本文給定多個分類樹h1(x),h2(x),…,hk(x),從隨機(jī)向量X、Y的分布中隨機(jī)挑選訓(xùn)練集。邊緣函數(shù)的定義如式(3)所示。

(3)

式中:I[hk(X)=Y]為指示函數(shù);j為X分類中的隨機(jī)種類。

式(3)邊緣函數(shù)用于測量平均正確分類數(shù)超過平均錯誤分類數(shù)的程度。邊緣函數(shù)值越大,分類預(yù)測越可靠。

1.3 SARIMA

時間序列中的規(guī)則周期稱為季節(jié)性(seasonal,S)。SARIMA作為ARIMA模型的拓展,被廣泛應(yīng)用于預(yù)測季節(jié)性時間序列。

SARIMA在ARIMA(p,d,q)的基礎(chǔ)上增加了3個超參數(shù)(P,D,Q)和s,即SARIMA(p,d,q)(P,D,Q,s)。

其中:p為非季節(jié)性ARIMA的滑動窗口數(shù);P為SARIMA的滑動窗口數(shù);q為非季節(jié)性滑動平均(moving average,MA)滑動窗口數(shù);Q為季節(jié)性MA滑動窗口數(shù);d為非季節(jié)性差分階數(shù);D為季節(jié)性差分階數(shù);s為季節(jié)性周期參數(shù)。

1.4 SARIMA-RF

某省用電量為非線性數(shù)據(jù),SARIMA不能提取數(shù)據(jù)的非線性成分。SARIMA模型的缺點(diǎn)在于無法處理非線性數(shù)據(jù)?？紤]到SARIMA模型的殘差包含了非線性信息,可以利用SARIMA模型預(yù)測的殘差分析數(shù)據(jù)的非線性成分。因此,本文提出SARIMA和機(jī)器學(xué)習(xí)方法的混合模型SARIMA-RF。

SARIMA-RF預(yù)測流程如圖1所示。

圖1 SARIMA-RF預(yù)測流程圖Fig.1 SARIMA-RF prediction flowchart

2 行業(yè)用電量分類

為了提高預(yù)測效率、加快預(yù)測速度,需要對各行業(yè)的歷史用電量數(shù)據(jù)進(jìn)行聚類。K-means聚類算法簡單、快速,可以有效地對行業(yè)用電量進(jìn)行預(yù)測。本文在確定k值的前提下,快速劃分類別,以提煉不同類別的用電差異和用電規(guī)律。在此基礎(chǔ)上,本文采用RF算法對地區(qū)全社會用電量進(jìn)行預(yù)測。

2.1 數(shù)據(jù)預(yù)處理

本文在進(jìn)行K-means分類之前,需要對各行業(yè)用電量數(shù)據(jù)進(jìn)行處理。處理方式如下。

①對各行業(yè)用電量進(jìn)行降序排列。

②計(jì)算各行業(yè)用電量的累計(jì)百分比。

③篩選累計(jì)百分比在99%以內(nèi)的各行業(yè)。因累計(jì)百分比低于1%的部分行業(yè)用電量過小,不具有典型性,且在分類過程中處理困難,故本文只選取累計(jì)百分比在99%以內(nèi)的各行業(yè)。

經(jīng)處理,本文在71個行業(yè)中選出了59個行業(yè),并利用K-means聚類算法對所選的58個行業(yè)用電量進(jìn)行分類。

2.2 K-means聚類劃分行業(yè)用電類型

本文利用K-means聚類算法,對某省2018年1月至2021年6月的月度用電數(shù)據(jù)進(jìn)行聚類,并將行業(yè)用電量分為了5類。為了便于統(tǒng)計(jì)和計(jì)算,本文采用指數(shù)的方式進(jìn)行測算,分別對5類行業(yè)測算月均總用電指數(shù)、行業(yè)月均用電指數(shù)、月用電極差指數(shù)、用電變異系數(shù)等,以觀察不同行業(yè)分類下的各類行業(yè)用電特點(diǎn)。

行業(yè)用電分類基本情況如表1所示。

表1 行業(yè)用電分類基本情況表Tab.1 Basic table of classification of electricity consumption by industry

①第1類行業(yè)月均總用電指數(shù)最高,達(dá)到137.9。其包含6個行業(yè),分別是城鎮(zhèn)居民、電力/熱力的生產(chǎn)和供應(yīng)業(yè)、黑色金屬冶煉和壓延加工業(yè)、化學(xué)原料和化學(xué)制品制造業(yè)、鄉(xiāng)村居民和非金屬礦物制品業(yè)。

第1類行業(yè)總用電指數(shù)及同比增長率如圖2所示。

圖2 第1類行業(yè)總用電指數(shù)及同比增長率Fig.2 Total electricity consumption index and year-on-year growth rate for category 1 industries

總用電指數(shù)具有一定的季節(jié)波動性。每年2月,行業(yè)用電量均有不同程度的回落。受2020年2月疫情的影響,3月總用電指數(shù)跌至低點(diǎn),用電指數(shù)僅為112.1。行業(yè)總用電指數(shù)同比增速降低(僅為-20.4%),降幅超過20%。第1類行業(yè)受疫情影響用電指數(shù)具有一定滯后性。滯后期為1個月左右。2020年9月受發(fā)電企業(yè)用電負(fù)值的影響,用電指數(shù)降至112.0,同比增速降為21.7%。隨著疫情得到有效控制,各行各業(yè)逐漸復(fù)工復(fù)產(chǎn),第1類行業(yè)總用電指數(shù)迅速提升,2020年8月達(dá)到峰值214.0。2020年12月、2021年1月均保持較高的用電指數(shù),分別為173.9、173.3,恢復(fù)勢頭迅猛。

②第2類行業(yè)總用電指數(shù)不高,處于中等水平,為38.4。其包含6個行業(yè),分別是有色金屬冶煉和壓延加工業(yè)、房地產(chǎn)業(yè)、計(jì)算機(jī)/通信和其他電子設(shè)備制造業(yè)、金屬制品業(yè)、紡織業(yè)和汽車制造業(yè)。

第2類行業(yè)總用電指數(shù)及同比增長率如圖3所示。

圖3 第2類行業(yè)總用電指數(shù)及同比增長率Fig.3 Total electricity consumption index and year-on-year growth rate for category 2 industries

第2類行業(yè)總用電指數(shù)具有一定的季節(jié)波動性,2020年2月行業(yè)總用電指數(shù)較低。與第1類行業(yè)相比,第2類行業(yè)受疫情影響更大。2020年2月總用電指數(shù)急速下滑,僅為14.9,同比下降53.3%。2021年2月總用電指數(shù)急劇上升,同比增長率高達(dá)125.7%,較2020年增長1倍以上,略高于2019年2月的用電水平,即恢復(fù)到疫情前用電水平。除疫情引起的特殊波動外,不同月份的用電波動較小,月用電極差指數(shù)僅為36.8,用電變異系數(shù)為0.19。

③第3類行業(yè)總用電量指數(shù)最低,僅為24.3。行業(yè)月均用電量略高(為3.5),僅高于第5類行業(yè)。其包含7個行業(yè),分別是教育/文化/體育和娛樂業(yè)、鐵路運(yùn)輸業(yè)、住宿和餐飲業(yè)、水利/環(huán)境和公共設(shè)施管理業(yè)、石油/煤炭及其他燃料加工業(yè)、電氣機(jī)械和器材制造業(yè)、橡膠/塑料制品業(yè)。

第3類行業(yè)總用電指數(shù)及同比增長率如圖4所示。

圖4 第3類行業(yè)總用電指數(shù)及同比增長率Fig.4 Total electricity consumption index and year-on-year growth rate for category 3 industries

第3類行業(yè)的總用電指數(shù)具有一定的淡旺季特征。淡季集中在2～5月,2月并沒有明顯的走低現(xiàn)象。旺季集中在7～9月。受疫情影響,2020年2月總用電指數(shù)僅為12.6,同比下降49.0%。2021年2月增速達(dá)到97.0%。結(jié)合峰度、偏度等可以看出,第3類行業(yè)用電指數(shù)的走勢與第2類行業(yè)較為相似。

④第4類行業(yè)總用電指數(shù)相對較高,為66.4,但波動大,用電變異系數(shù)為0.37,是5類行業(yè)中波動最大的行業(yè)分類。其包含13個行業(yè),分別是農(nóng)副食品加工業(yè)、水生產(chǎn)和供應(yīng)業(yè)、衛(wèi)生和社會工作、造紙和紙制品業(yè)、公共管理和社會組織/國際組織、醫(yī)藥制造業(yè)、通用設(shè)備制造業(yè)、其他制造業(yè)、農(nóng)/林/牧/漁服務(wù)業(yè)、道路運(yùn)輸業(yè)、建筑裝飾/裝修和其他建筑業(yè)、房屋建筑業(yè)、非金屬礦采選業(yè)。

第4類行業(yè)總用電指數(shù)及同比增長率如圖5所示。

圖5 第4類行業(yè)總用電指數(shù)及同比增長率Fig.5 Total electricity consumption index and year-on-year growth rate for category 4 industries

第4類行業(yè)總用電指數(shù)具有明顯的季節(jié)性,2月總用電指數(shù)下滑明顯。2020年其用電指數(shù)受疫情影響并不嚴(yán)重,2020年2月總用電指數(shù)僅下滑12.1%,是5類行業(yè)中下滑最低的一類。但2020年9月同樣出現(xiàn)發(fā)電企業(yè)負(fù)電量的現(xiàn)象,9月總用電指數(shù)僅為2.3,同比下降96.2%。第4類行業(yè)用電極差指數(shù)較大(為142.3,接近150),是5類行業(yè)中最大的一類,這說明該類行業(yè)月用電差異大。隨著疫情影響逐漸消失,2020年第四季度開始,其總用電指數(shù)趨于穩(wěn)定,僅有小幅波動。

⑤第5類行業(yè)總用電指數(shù)偏低,行業(yè)月均用電指數(shù)最低,僅為1.0。這說明該類行業(yè)用電量較少,電力不是主要的生產(chǎn)資料,或者行業(yè)規(guī)模較小。該類行業(yè)包含行業(yè)最多,共26個,分別是電信/廣播電視和衛(wèi)星傳輸服務(wù)、農(nóng)業(yè)、木材加工和木/竹/藤/棕/草制品業(yè)、食品制造業(yè)、鐵路/船舶/航空航天和其他運(yùn)輸設(shè)備制造業(yè)、多式聯(lián)運(yùn)和運(yùn)輸代理業(yè)、科學(xué)研究和技術(shù)服務(wù)業(yè)、其他采礦業(yè)、畜牧業(yè)、黑色金屬礦采選業(yè)、商務(wù)服務(wù)以及租賃業(yè)、土木工程建筑業(yè)、專用設(shè)備制造業(yè)、互聯(lián)網(wǎng)以及相關(guān)服務(wù)、酒/飲料及精制茶制造業(yè)、紡織服裝/服飾業(yè)、居民服務(wù)/修理和其他服務(wù)業(yè)、金融業(yè)、有色金屬礦采選業(yè)、燃?xì)馍a(chǎn)和供應(yīng)業(yè)、金屬制品/機(jī)械和設(shè)備修理業(yè)、石油和天燃?xì)忾_采業(yè)、廢棄資源綜合利用業(yè)、裝卸搬運(yùn)和倉儲業(yè)、軟件和信息技術(shù)服務(wù)業(yè)、化學(xué)纖維制造業(yè)。

第5類行業(yè)總用電指數(shù)及同比增長率如圖6所示。

圖6 第5類行業(yè)總用電指數(shù)及同比增長率Fig.6 Total electricity consumption index and year-on-year growth rate for category 5 industries

第5類行業(yè)總用電指數(shù)相對穩(wěn)定,季節(jié)性較強(qiáng),具有明顯的周期性。除2020年2月、2021年2月因疫情導(dǎo)致總用電指數(shù)同比增長率異常波動外,其他月份均較為穩(wěn)定,同比增長率基本控制在±20%以內(nèi)。2020年疫情后用電有所復(fù)蘇,行業(yè)總用電量指數(shù)從2020年2月的12.4上升到2020年9月的35.6,超過2019年同期水平。這說明疫情后用電量恢復(fù)情況較好。2020年第四季度到2021年上半年,總用電指數(shù)均保持同期較高水平。

5個類型行業(yè)的用電波動程度不同、疫情對行業(yè)用電影響不同、用電增長情況不同等,對用電量預(yù)測產(chǎn)生較大影響。如果將其疊加起來進(jìn)行預(yù)測,預(yù)測結(jié)果難免出現(xiàn)較大偏差。因此,各行業(yè)需要各自選擇合適的預(yù)測模型,以保證預(yù)測準(zhǔn)確性。

3 全社會用電指數(shù)預(yù)測

本文針對K-means聚類所劃分的5個不同梯度的行業(yè)用電量,分別采用SARIMA、RF、SARIMA-RF模型對不同類型的行業(yè)總用電指數(shù)進(jìn)行預(yù)測,以預(yù)測2021年7～10月5類行業(yè)總用電指數(shù)。因用電行業(yè)并非全部行業(yè),故由模型所算得的預(yù)測值需按比例調(diào)整,以確定全社會用電指數(shù)預(yù)測值。

2021年全社會用電指數(shù)真實(shí)值與預(yù)測值對比如表2所示。

表2 2021年全社會用電指數(shù)真實(shí)值與預(yù)測值對比表Tab.2 Comparison of real value and forecast value of the index of electricity consumption of whole society in 2021

由表2可知,SARIMA-RF模型預(yù)測偏差整體有所改善。2021年8～10月,某省全社會用電量呈現(xiàn)下降趨勢。隨著夏季高溫天氣的減少,“迎峰度夏”到達(dá)尾段,8～10月某省全社會用電量有下降趨勢符合預(yù)期。

4 結(jié)論

用電預(yù)測不僅關(guān)乎電力公司經(jīng)營管理,而且關(guān)系著合理安排電力生產(chǎn)、提高用電保障、降低電力運(yùn)維成本等,是電力企業(yè)經(jīng)營規(guī)劃中必不可少的數(shù)據(jù)基礎(chǔ)。精準(zhǔn)的數(shù)據(jù)預(yù)測可以協(xié)助電力公司預(yù)判未來潛在用電客戶增長地區(qū)、行業(yè)分布等,以提升電網(wǎng)規(guī)劃的科學(xué)性和電網(wǎng)投資的精準(zhǔn)性、提高電網(wǎng)投資效益。同時,精準(zhǔn)的用電預(yù)測可以配合政府制訂、優(yōu)化、調(diào)整分時電價、階梯電價、差別電價等,支撐完善電力中長期交易、現(xiàn)貨市場交易機(jī)制,以防范電價政策調(diào)整風(fēng)險。

本文選取某省代表性行業(yè)58個,利用K-means聚類方法將58個行業(yè)用電數(shù)據(jù)分為5類。5類行業(yè)的用電趨勢各不相同。本文根據(jù)每一類型行業(yè)的用電特點(diǎn),采用SARIMA和RF混合模型分別預(yù)測出各類型行業(yè)的用電指數(shù)。本文合成全社會用電量的預(yù)測值,以觀察用電發(fā)展趨勢。經(jīng)檢驗(yàn),本文模型具有較好的穩(wěn)定性,預(yù)測結(jié)果最大相對誤差控制在2.0%以內(nèi)。

由于各地區(qū)產(chǎn)業(yè)結(jié)構(gòu)具有較大差異,導(dǎo)致用電結(jié)構(gòu)同樣存在一定差異,不同地區(qū)的用電預(yù)測模型不盡相同。針對不同地區(qū)的經(jīng)濟(jì)特點(diǎn),應(yīng)采取與之相適應(yīng)的預(yù)測模型,并按照實(shí)際情況對不同的預(yù)測模型加以完善。