鄒 暉，李金燦，盧萬平

（1.廣西電網(wǎng)有限責(zé)任公司，廣西南寧 530000；2.廣西電網(wǎng)有限責(zé)任公司河池供電局，廣西河池 547000）

目前國內(nèi)用電負(fù)荷預(yù)測技術(shù)主要集中在各種影響指標(biāo)之間的交互作用上，但國內(nèi)現(xiàn)有的用電負(fù)荷預(yù)測模型還存在一些不足，無法精準(zhǔn)預(yù)測用電負(fù)荷。針對上述研究背景，研究一種新的用電負(fù)荷智能預(yù)測方法，已經(jīng)成為當(dāng)前相關(guān)領(lǐng)域的研究重點。

文獻(xiàn)[1]提出了基于LSTM 神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，該方法在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)支持下提取電力負(fù)荷變化特征，使用雙向時序?qū)W習(xí)方式訓(xùn)練特征。再結(jié)合注意力機制計算負(fù)荷權(quán)重，由此實現(xiàn)用電負(fù)荷預(yù)測；文獻(xiàn)[2]提出了基于最小二乘支持向量機的預(yù)測方法，該方法使用一種自適應(yīng)權(quán)重計算方法，優(yōu)化處理用電負(fù)荷權(quán)值，結(jié)合自組織特征映射網(wǎng)絡(luò)對原始負(fù)荷分類處理，獲取多組訓(xùn)練集。依據(jù)訓(xùn)練集構(gòu)建預(yù)測模型，使用粒子群優(yōu)化算法獲取預(yù)測結(jié)果。

然而，上述這兩種方法均無法辨識用電負(fù)荷是否異常，導(dǎo)致預(yù)測結(jié)果誤差較大。為此，提出了基于多維關(guān)聯(lián)規(guī)則的用電負(fù)荷智能預(yù)測方法。

1 用電負(fù)荷智能預(yù)測

1.1 負(fù)荷數(shù)據(jù)挖掘

多維關(guān)聯(lián)規(guī)則是一種多維挖掘準(zhǔn)則，能夠表明多個變量之間的規(guī)律性。多維關(guān)聯(lián)規(guī)則匹配中如果只有一條相匹配結(jié)論，那么依據(jù)該匹配條件構(gòu)建預(yù)測模型。為了滿足用電需求，研究最小支持度和可信度之間的關(guān)聯(lián)關(guān)系[3-5]。由于負(fù)荷預(yù)測中的相關(guān)定量數(shù)據(jù)為連續(xù)值，所以應(yīng)對數(shù)據(jù)進(jìn)行離散化處理，將數(shù)據(jù)劃分為不同等級，得到概化后的數(shù)據(jù)庫，該數(shù)據(jù)庫直接作用于多維關(guān)聯(lián)規(guī)則挖掘過程中。

基于多維關(guān)聯(lián)規(guī)則挖掘主要包括兩個步驟：首先掃描新增用電負(fù)荷數(shù)據(jù)的集合，獲取新增用電負(fù)荷集上的候選集。將原項目集A1 的復(fù)雜項目添加到總用電量數(shù)據(jù)集B1 中，掃描非頻繁項集并統(tǒng)計頻繁項集支持的候選集，之后向B1 中添加頻繁項。向頻繁項集合中添加不常用的C1 候選集，掃描數(shù)據(jù)庫，移除非頻繁候選集中的大幅度變化數(shù)據(jù)，返回頻繁項集B1 中；在此基礎(chǔ)上，若該項目的子集屬于非頻繁項集，那么該項目就會被刪除。在頻繁項集合B1 中，可獲得候選集C2，同樣也需移除非頻繁候選集中的大幅度變化數(shù)據(jù)，返回頻繁項集B2 中[6]。依次挖掘，直到找到所有頻繁項集即可，即可獲取全部用電負(fù)荷待預(yù)測數(shù)據(jù)。

1.2 用電負(fù)荷智能預(yù)測

根據(jù)上述挖掘的頻繁項集（即用電負(fù)荷待預(yù)測數(shù)據(jù)）對數(shù)據(jù)進(jìn)一步劃分，方便負(fù)荷智能預(yù)測[7]。以如下公式作為劃分負(fù)荷的依據(jù)，可表示為：

式中，q1、q2、q3、…、qn分別表示電冰箱、電視、空調(diào)等n個用電負(fù)荷。

結(jié)合這些用電負(fù)荷數(shù)據(jù)，在多維關(guān)聯(lián)規(guī)則中，計算規(guī)則提升度可表示為：

式中，P(X)、P(Y)分別表示頻繁項集B1、B2 被挖掘的概率。當(dāng)公式計算結(jié)果為負(fù)值時，能夠馬上剔除這部分多余數(shù)據(jù)；反之，則說明多維關(guān)聯(lián)規(guī)則中提升度對頻繁項集被挖掘概率起到有效作用[8-10]。

在確定規(guī)則提升度情況下，對n個用電負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測目標(biāo)集，在該目標(biāo)集中第n個用電序列模型可表示為：

根據(jù)獲取的用電序列，整合全部頻繁項集，生成強大關(guān)聯(lián)規(guī)則。在該規(guī)則中，1 表示非空子集，0 表示空子集，如果項集合中任意一個頻繁項集為1，則說明該集合為非空子集，可將該子集作為用電負(fù)荷智能待預(yù)測集合[11-12]。通過對待預(yù)測集合進(jìn)行訓(xùn)練，能夠得到預(yù)測模型，進(jìn)而減小訓(xùn)練誤差[13]。統(tǒng)計預(yù)測日前m天用電負(fù)荷最大值和最小值，構(gòu)建預(yù)測模型，如圖1 所示。

圖1 用電負(fù)荷智能預(yù)測模型

根據(jù)用電負(fù)荷的最大值和最小值，提取由電冰箱、電視、空調(diào)等n個用電負(fù)荷組成的預(yù)測模型初始數(shù)據(jù)。對初始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，從而獲取輸入數(shù)據(jù)矩陣，將多維關(guān)聯(lián)規(guī)則作為預(yù)測模型規(guī)則進(jìn)行強關(guān)聯(lián)學(xué)習(xí)[14]。

在每個負(fù)荷預(yù)測結(jié)果中加入一個權(quán)值，將權(quán)值控制在規(guī)定的臨界值之內(nèi)，通過對實測數(shù)據(jù)的對比和分析，得出偏差的平方值[15]。采用迭代法對包含全部負(fù)荷和測量數(shù)據(jù)各狀態(tài)變量進(jìn)行迭代優(yōu)化處理，得到了各狀態(tài)變量下的目標(biāo)函數(shù)均方值，以判定其收斂性。在收斂程度最大的情況，可獲取用電負(fù)荷預(yù)測最大值，反之則獲取用電負(fù)荷最小值。

2 誤差預(yù)測數(shù)據(jù)修正

在用電負(fù)荷智能預(yù)測結(jié)果中包含了多種誤差數(shù)據(jù)，直接將其作為預(yù)測結(jié)果很難保證預(yù)測結(jié)果精準(zhǔn)。對預(yù)測結(jié)果進(jìn)行可靠性評估，是平衡用電負(fù)荷智能預(yù)測結(jié)果的基礎(chǔ)指標(biāo)。基于此，為了快速發(fā)現(xiàn)用電負(fù)荷智能預(yù)測過程受到噪聲影響而出現(xiàn)的異常負(fù)荷問題，使用多維關(guān)聯(lián)規(guī)則修正方法，克服對誤差數(shù)據(jù)辨識難的問題。

首先，根據(jù)電力資料庫中的電力消耗情況，找出一條特定的電力供應(yīng)線路，統(tǒng)計所經(jīng)過的電力消耗電量，再由系統(tǒng)查找出電力供應(yīng)節(jié)點，在該節(jié)點處注入用電負(fù)荷預(yù)測修正公式，可表示為：

式中，Wt-1、Wt分別表示t-1 時刻、t時刻節(jié)點的有功功率，即用電負(fù)荷[16]。在獲取用電負(fù)荷后，辨識誤差負(fù)荷數(shù)據(jù)，避免影響預(yù)測結(jié)果，辨識結(jié)構(gòu)如圖2 所示。

圖2 辨識結(jié)構(gòu)

由圖2 可知，通過對誤差負(fù)荷數(shù)據(jù)辨識，計算誤差預(yù)測數(shù)據(jù)的預(yù)測偏差，公式可表示為：

式中，f′0 表示預(yù)測負(fù)荷值；f0表示實際負(fù)荷值。針對實際的用電負(fù)荷需求，選取最優(yōu)頻繁項集。在考慮多維支撐度和頻繁項集合的情況下，選取適當(dāng)?shù)闹眯哦瓤墒沟椭殿l繁集和冗余關(guān)聯(lián)規(guī)則得到最小化。

最后，將上述節(jié)點注入的修正值與待預(yù)測用電負(fù)荷值進(jìn)行對比，如果對比結(jié)果不在0～2%誤差范圍內(nèi)，則說明這部分?jǐn)?shù)據(jù)為誤差數(shù)據(jù)，需剔除；如果對比結(jié)果在0～2%誤差范圍內(nèi)，則保留全部待預(yù)測值，由此完成用電負(fù)荷智能預(yù)測。

3 實 驗

根據(jù)某省近三年電網(wǎng)用電負(fù)荷歷史數(shù)據(jù)信息，統(tǒng)計得到：2020 年用電負(fù)荷突然大幅度增加，這一年用戶使用的電子設(shè)備較多，這些用電高峰期主要發(fā)生 在2020 年5 月-7 月、9 月-11 月。對于這部分?jǐn)?shù)據(jù)，使用用電信息采集裝置進(jìn)行實時采集，采集系統(tǒng)的集中器與采集器直接相連，并通過載波電源線路進(jìn)行數(shù)據(jù)交換。各個用電裝置與電表之間通過RS485 連接，由此才能開始進(jìn)行實驗測試。

3.1 實驗數(shù)據(jù)分析

采集從2020年5月1日至6月30日和9月1日至10月30日的某市溫度最高、最低值及日照時長數(shù)據(jù)，如表1所示。

表1 溫度、時長數(shù)據(jù)統(tǒng)計結(jié)果

由表1 可知，實驗情況設(shè)置為兩類，分別是溫度情況和日照情況。在這兩種情況下，統(tǒng)計用電負(fù)荷最大值和最小值，如表2 所示。

表2 用電負(fù)荷最大值和最小值統(tǒng)計結(jié)果

由表2 可確定實際用電最大和最小負(fù)荷值，以此為依據(jù)進(jìn)行實驗驗證分析。

3.2 實驗結(jié)果與分析

3.2.1 溫度因素對預(yù)測結(jié)果影響

在電網(wǎng)中用電設(shè)備存在大量氣候敏感負(fù)荷（比如空調(diào)），如果持續(xù)高溫將會引起空調(diào)用電負(fù)荷變化幅度較大。在該情況下，只考慮溫度因素，不考慮日照因素，對比分析LSTM 神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機、多維關(guān)聯(lián)規(guī)則預(yù)測方法的用電負(fù)荷預(yù)測結(jié)果，如圖3 所示。

圖3 溫度因素下用電負(fù)荷預(yù)測

由圖3可知，使用神經(jīng)網(wǎng)絡(luò)識別方法最大、最小預(yù)測結(jié)果與實際數(shù)據(jù)不一致，最大誤差分別為470 MW和110 MW；使用最小二乘支持向量機識別方法最大、最小預(yù)測結(jié)果與實際數(shù)據(jù)不一致，最大誤差分別為420 MW 和70 MW；使用多維關(guān)聯(lián)規(guī)則識別方法最大、最小預(yù)測結(jié)果與實際數(shù)據(jù)基本一致，只在9 月30 日時與實際數(shù)據(jù)存在最大為5 MW 的最大負(fù)荷誤差。

3.2.2 日照因素對預(yù)測結(jié)果影響

用電負(fù)荷隨著日照小時的季節(jié)變化發(fā)生改變，日照因素會導(dǎo)致負(fù)荷需求模式發(fā)生結(jié)構(gòu)性改變。在該情況下，只考慮日照因素，不考慮溫度因素，對比分析三種預(yù)測方法的用電負(fù)荷預(yù)測結(jié)果，如圖4所示。

圖4 日照因素下用電負(fù)荷預(yù)測

由圖4 可知，使用神經(jīng)網(wǎng)絡(luò)識別方法最大、最小預(yù)測結(jié)果與實際數(shù)據(jù)不一致，最大誤差分別為31 MW 和13 MW；使用最小二乘支持向量機識別方法最大、最小預(yù)測結(jié)果與實際數(shù)據(jù)不一致，最大誤差分別為60 MW 和9 MW；使用多維關(guān)聯(lián)規(guī)則識別方法最大、最小預(yù)測結(jié)果與實際數(shù)據(jù)基本一致，只在6月15 日時與實際數(shù)據(jù)存在最大為0.3 MW 的最小負(fù)荷誤差。

通過上述分析結(jié)果可知，使用多維關(guān)聯(lián)規(guī)則識別方法能夠精準(zhǔn)識別用電最大、最小負(fù)荷。

4 結(jié)束語

該文提出了基于多維關(guān)聯(lián)規(guī)則的用電負(fù)荷智能預(yù)測方法，通過數(shù)據(jù)預(yù)處理，將原始數(shù)據(jù)整合為以用電負(fù)荷分析為主的數(shù)據(jù)庫，為關(guān)聯(lián)規(guī)則提供數(shù)據(jù)平臺。運用關(guān)聯(lián)規(guī)則建立的預(yù)測模型，對負(fù)荷進(jìn)行智能預(yù)測。通過實驗驗證結(jié)果可知，該方法運用于城市電力負(fù)荷分析，能夠有效提升用電負(fù)荷的預(yù)測準(zhǔn)確性，對電力用電決策提供理論依據(jù)。