王 蕾，李 斌，李泠聰，張振明，姜 濤

（東北電力大學，吉林 吉林）

引言

售電量預測是結合過去及現(xiàn)在已知的經(jīng)濟形勢、售電市場狀況，基于歷史數(shù)據(jù)進行分析研究，探索掌握各相關因素與電力市場的內在關聯(lián)及發(fā)展變化規(guī)律，從而根據(jù)對未來經(jīng)濟形勢和外在因素的預測來科學地預測未來的售電市場需求狀況[1]。準確地對售電量進行預測具有重要意義，一方面供電企業(yè)可以據(jù)此調整未來供電量，優(yōu)化供電結構，提高電力系統(tǒng)運行的安全性；另一方面，售電量直接影響售電公司的利益，并有助于提高售電公司在電力市場的競爭力[2]。

本文提出了基于卷積神經(jīng)網(wǎng)絡的中長期售電量預測方法，旨在從用電機理層次出發(fā)，考慮電力市場不同行業(yè)的用電特征和電力市場短期交易特點，建立基于卷積神經(jīng)網(wǎng)絡的電力市場短期售電量預測方法，首先根據(jù)用戶的用電負荷率進行分類，獲取不同行業(yè)的用電特征和需求模式，然后考慮正負偏差電量的影響，設計基于CNN-ResNet 的短期售電量預測方法，能夠在不同影響因素下準確地預測短期售電量，對保證售電公司的利益具有重要意義。

1 售電量時間維度和頻率分布分析

1.1 售電量的時間維度分析

基于在某電力市場中獲取的不同行業(yè)售電量的實際數(shù)據(jù)，進行中長期交易中售電量在年、月、周不同時間維度的變化特點分析，該數(shù)據(jù)集包含了2020 年1月-2023 年4 月間該電力市場中工業(yè)、非工業(yè)和其他共三個行業(yè)的售電量、電價、用電負荷等數(shù)據(jù)。圖1 所示工業(yè)領域用戶月售電量具有明顯的周期性，具有售電量大和周期性高峰，最大售電量通常出現(xiàn)在某幾個月份，非工業(yè)與其他領域月售電量曲線具有一定的相似性，高峰曲線相對比較平穩(wěn)，通常在緩慢波動區(qū)間出現(xiàn)低峰，在集中區(qū)間出現(xiàn)高峰。

圖1 月售電量曲線分析

1.2 售電量的頻率分布分析

對上述3 個行業(yè)，如圖2 計算售電量的頻率密度分布，通過分析服務領域售電量集中在[450,500] KW·h 區(qū)間內，在[400,440] KW·h 區(qū)間相對平緩，工業(yè)領域售電量集中在[480,520] KW·h 區(qū)間頻數(shù)較高，服務領域售電量集中在490 KW·h 附近, 說明該區(qū)域電力市場商業(yè)領域和服務業(yè)領域的低峰售電量頻率較大，而工業(yè)領域高峰售電量頻率較大。

圖2 3 個行業(yè)月售電量頻數(shù)分布

2 電力市場短期售電量預測方法

2.1 考慮用電特征的行業(yè)聚類

為了更好地了解不同行業(yè)的用電特征和需求模式，分析不同行業(yè)的負荷率水平，可以將不同用戶按照其用電特征進行分類，進而實現(xiàn)針對性的供電方案和能源管理策略。

根據(jù)得到的行業(yè)聚類特征矩陣改進的Kmeans++方法進行聚類，將售電量特征相似的行業(yè)聚為一類，這將大幅減少模型的數(shù)量。聚類之后得到若干個簇，每個簇包含了若干行業(yè)，同一簇中行業(yè)的售電量數(shù)據(jù)對某些數(shù)據(jù)特征具有一定的相似性。

考慮到歐式距離的局限性，采用加權歐式距離和弗雷歇的復合距離作為聚類相似性度量。其中，負荷率水平作為歐式距離計算的一個因素。

弗雷歇的基本定義為：根據(jù)抽象空間理論，定義在單位區(qū)間上的映射γ：[0,1]→S 是連續(xù)映射，則稱γ 是S上的連續(xù)曲線。那么就可以假設A 和B 是S 上的兩條連續(xù)曲線，即A:[0,1]→S,B:[0,1]→S；又設α 和β 是單位區(qū)間的兩個重參數(shù)化函數(shù)，即A:[0,1]→[0,1],B:[0,1]→[0,1]；則曲線A 與曲線B 的費雷歇距離為式（1）:

式中：d 是S 上的度量函數(shù)。兩條曲線之間的費雷歇距離越小說明兩條曲線在形態(tài)上越相似。

2.2 基于CNN-ResNet 的短期售電量預測

CNN 是用于處理圖像數(shù)據(jù)的常用網(wǎng)絡結構，它在計算機視覺領域扮演著重要角色。CNN 主要由輸入層、卷積層、池化層、全連接層和輸出層等組成[3]。由于CNN 具有稀疏連接、權值共享和池化操作的特性，即使網(wǎng)絡層數(shù)較少，也能有較強的表達能力。卷積核的引入減少了參數(shù)連接和過擬合的風險，并實現(xiàn)了參數(shù)共享。池化操作對特征進行二次提取，減少計算量。

ResNet 在傳統(tǒng)的深度神經(jīng)網(wǎng)絡中引入了殘差塊，從而簡化了網(wǎng)絡的復雜性，并解決了網(wǎng)絡退化問題[4]。通過使用殘差塊，可以訓練出更有效的深度網(wǎng)絡，而恒等映射可以加速輸入的前向傳播。

本文利用ResNet 在深度網(wǎng)絡中具有強大的表達能力，并且結合了CNN 在圖像特征處理方面的優(yōu)勢。因此，將短期售電量時間序列轉換為圖像，并構建了GAF 與多輸入CNN-ResNet 網(wǎng)絡的組合預測方法。

根據(jù)售電公司總收益模型，偏差電量考核機制下，正偏差和負偏差對售電公司收益的影響權重是不同的，因此偏差電量考核采用非對稱損失函數(shù)[5-6]。目前，建立售電量預測模型常用的最優(yōu)準則是基于預測結果與真實值之間的誤差，如“誤差平方和最小”、“誤差絕對值之和最小”等。然而，這些最優(yōu)準則僅考慮誤差的大小，而忽略了誤差的方向。為了應對正負誤差對預測結果影響權重不同的情況，本文提出了非對稱損失函數(shù)ALF，旨在提高模型的售電量預測效率。非對稱損失函數(shù)ALF 為:

3 實驗分析

選取某地區(qū)電力市場的實際售電交易數(shù)據(jù)作為實驗對象，驗證所提出的基于CNN-ResNet 的短期售電量預測方法的有效性，并與LSTM 預測方法進行預測準確性的對比。

3.1 用電特征的行業(yè)聚類實驗

根據(jù)獲取的數(shù)據(jù)集中各行業(yè)的用電量數(shù)據(jù)，采用改進的K-means++方法進行聚類，以用戶的負荷率、節(jié)假日、變壓器容量等為輸入，在行業(yè)售電量聚類中引入用戶上述特征作為考慮因素，準確地刻畫不同行業(yè)的用電情況，如圖3 所示，得到5 種類型的用電分類，根據(jù)每種類型用戶制定個性化的售電策略，進而更加準確地預測不同行業(yè)的用電需求。

圖3 不同行業(yè)用戶用電量聚類

3.2 短期售電量預測實驗

以上述用戶的分類為基礎，對類型1 用戶進行短期售電量預測驗證，數(shù)據(jù)的預測周期為60 h。3 種預測方法的預測結果對比如圖4 所示，從圖中真實售電量曲線可以發(fā)現(xiàn)類型1 的用戶在采集的[10,25]區(qū)間內，電量出現(xiàn)波峰，并快速下降出現(xiàn)抖動，本文提出的CNN-ResNet 方法預測性明顯高于LSTM 方法，原因是所提出方法在預測中，充分考慮了各個行業(yè)的用電行為特征，同時兼顧了偏差電量考核對售電量的影響，提升了短期售電量的預測精度。

圖4 售電量預測結果對比

同時對上述兩種方法的預測誤差進行了分析，如圖5 所示，LSTM 的預測精度為85%，最大誤差率為4.83%，CNN-ResNet 的預測精度為96%，最大誤差點率為0.5%，綜合上述分析，本文模型在有波動性、隨機性的短期售電量預測中具有較好的預測效果。

圖5 預測的誤差率對比

4 結論

針對電力市場的短期售電量預測中存在的誤差大、計算耗時等問題，提出了基于CNN-ResNet 的短期售電量預測方法，考慮了不同行業(yè)用戶的用電行為特征，對于用電曲線有劇烈波動、隨機性強的用戶有較好的預測效果，通過與其他模型對比試驗表明，提出的方法具有更高的預測精度。