论文部分内容阅读
[摘 要]用电量预测作为电力市场需求预测，是电力生产和发展的基本依据，准确的电量预测是实现电网安全、经济运行的前提。本文通过建立组合预测模型，对某地区2018-2022年度最大负荷进行分析预测，算例表明，文中提出的组合预测模型预测精度较高，实用性强。是一种有效的负荷预测方法。
[关键词]电力 数据挖掘 组合模型 负荷预测
中图分类号：G712 文献标识码：A 文章编号：1009-914X（2019）01-0194-01
一、前言
当前，我国发展进入新常态，电力消费随之产生新常态的变化，因此电力行业急需建立符合当前形势变化的负荷预测机制，以了解用户用电行为及未来区域用电量。中长期电力负荷预测是电力行业进行电力宏观调控、电网规划等重大决策的重要依据，开展电力行业中长期电力预测，加强电力市场的发展方向的科学把控，可提高企业投资效益、经营效益。
中长期预测的方法主要有：灰色预测法、时间序列法等，由于电力负荷预测比较复杂，影响负荷的因素复杂且不确定，单一的预测模型对电力预测均会产生较大的误差，本文研究构建组合预测模型，可有效提高电力负荷分析预测的质量和准确性。
二、组合预测模型构建
对于中长期电力负荷预测，主要关注预测发展趋势的准确性和可靠性，往往面临样本数据较少的情况，因此，会导致各种预测算法缺乏精准性。
本文构建的组合预测方法是将多种单一模型所突出的优点，进行最优组合。利用灰色预测及时间序列模型分别对区域用电量进行分析，将以上两种方法的相对误差进行分析，建立组合预测方程，进行组合预测。该方法既能拟合预测和实际曲线趋势，又可以表达精准的电力中长期预测趋势。
三、区域用电负荷预测分析
通过对国家统计局分省年度数据搜集、整理，统计某地区近五年用电量数据，开展区域用电负荷预测分析。
（一）灰色预测模型
（1）构建模型
将2013-2017年度的区域最大负荷数据作为原始数据 序列开始建模，得到灰色模型参数。
x（t+1）=32814.857803exp（0.035113t）-31716.177801
-a=0.035113<0.3，GM（1，1）模型预测精度较高，可进行中长期预测。通过C与P综合评定模型的精度，得到最大负荷的灰色预测结果：0.5 （2）残差序列建模
对残差序列建模分析得到灰色模型参数。
x（t+1）=142.685838exp（0.242641t）-85.541578
-a=0.1242631<0.3，GM（1，1）模型预测精度较高，可进行中长期预测。通过C与P综合评定模型的精度，得到：C=0.3444<0.5，评价好；p=1.0000，评价很好。
将观测值与最大负荷预测值进行比较，通过误差检验对灰色预测方法的有效性进行检验，灰色模型的平均误差为2.27%，拟合效果较好。由此得到未来2018-2022年全社会最大负荷的预测值：
表1 最大负荷预期值
单位：万千瓦
（二）时间序列预测模型
（1）数据平稳化
由于该地区最大负荷具有很强的非平稳性，因此进行平稳化处理，对一阶差分进行ADF检验，可以得到t=-3.53<-3.4，p=0.0429，处理后的数据时间序列基本平稳，符合平稳化的要求。
（2）模型参数确定
对处理后的数据进行自相关系数ACF和偏自相关系数PACF计算，数值表现出趋势特征，认为该时间序列符合ARMA模型，设p=2，q=2，建立ARIMA（2，1，2）模型。
经计算，R方=0.972，接近1，拟合效果较好。得到ARIMA（2，1，2）模型为：
最大负荷bct=68.173-0.844bct-1-0.994bct-2-0.664εt-1-0.858εt-2+εt
经检验残差序列为白噪声序列，通过检验。
（3）最大负荷预测
经计算拟合值的平均相对误差为3.13%，差值非常小，说明ARIMA（2，1，2）模型具有良好的预测效果。
表2 最大负荷预测
单位：万千瓦
（三）组合预测
为提高负荷预测的精确度，将以上两种单一模型所突出的优点进行最优组合。综合灰色预测、时间序列等方法对最大负荷进行分析预测，根据相对误差确定其权重以进行组合预测，以平均相对误差为依据确定各方法的组合预测权重，得到组合预测方程为：
M=0.42037037*Y1+0.57962963*Y2
其中，M：最大负荷
Y1：灰色分析预测值
Y2：时间序列法预测值
由此，可以得到2018-2022年该区域最大负荷的组合预测值，见表3。
表3 最大负荷预测值
单位：万千瓦
四、小结
本文是基于数据挖掘的中长期电力负荷预测研究，通过构建组合预测模型，基本实现较精准负荷预测的期望。
（1）以数据挖掘思想为基础，对用电量预测，是满足电力生产和发展的需要，保证电网安全、经济运行的基础。
（2）基于灰色預测以及时间序列分析模型，构建组合预测模型预测精度较高，实用性强，是一种可靠的负荷预测方法。
参考文献
[1]杨凛，李巍.基于数据挖掘的电力负荷预测[J].自动化与仪器仪表.2018（03）.
[2]陈浩.以电力客户行为数据挖掘为基础的营销策略研究[D].北京：华北电力大学，2017.
[3]邱剑.电力中文文本数据挖掘技术及其在可靠性中的应用研究[D].杭州：浙江大学，2016.
[4]甘霖.组合预测模型在中长期电力负荷预测中的应用[D].南昌：南昌航空大学，2015.
作者简介：
许小亮（1990年12月），男，河北承德，硕士；
陈小峰（1980年2月），男，天津，高级工程师，博士；
刘春光（1992年7月），男，河北迁安，硕士；
夏保冰（1989年3月），男，山东茌平，硕士；
刘学军（1969年2月），男，天津，高级工程师，高级经济师，硕士。
数据来源于国家统计局网站。
[关键词]电力 数据挖掘 组合模型 负荷预测
中图分类号：G712 文献标识码：A 文章编号：1009-914X（2019）01-0194-01
一、前言
当前，我国发展进入新常态，电力消费随之产生新常态的变化，因此电力行业急需建立符合当前形势变化的负荷预测机制，以了解用户用电行为及未来区域用电量。中长期电力负荷预测是电力行业进行电力宏观调控、电网规划等重大决策的重要依据，开展电力行业中长期电力预测，加强电力市场的发展方向的科学把控，可提高企业投资效益、经营效益。
中长期预测的方法主要有：灰色预测法、时间序列法等，由于电力负荷预测比较复杂，影响负荷的因素复杂且不确定，单一的预测模型对电力预测均会产生较大的误差，本文研究构建组合预测模型，可有效提高电力负荷分析预测的质量和准确性。
二、组合预测模型构建
对于中长期电力负荷预测，主要关注预测发展趋势的准确性和可靠性，往往面临样本数据较少的情况，因此，会导致各种预测算法缺乏精准性。
本文构建的组合预测方法是将多种单一模型所突出的优点，进行最优组合。利用灰色预测及时间序列模型分别对区域用电量进行分析，将以上两种方法的相对误差进行分析，建立组合预测方程，进行组合预测。该方法既能拟合预测和实际曲线趋势，又可以表达精准的电力中长期预测趋势。
三、区域用电负荷预测分析
通过对国家统计局分省年度数据搜集、整理，统计某地区近五年用电量数据，开展区域用电负荷预测分析。
（一）灰色预测模型
（1）构建模型
将2013-2017年度的区域最大负荷数据作为原始数据 序列开始建模，得到灰色模型参数。
x（t+1）=32814.857803exp（0.035113t）-31716.177801
-a=0.035113<0.3，GM（1，1）模型预测精度较高，可进行中长期预测。通过C与P综合评定模型的精度，得到最大负荷的灰色预测结果：0.5
对残差序列建模分析得到灰色模型参数。
x（t+1）=142.685838exp（0.242641t）-85.541578
-a=0.1242631<0.3，GM（1，1）模型预测精度较高，可进行中长期预测。通过C与P综合评定模型的精度，得到：C=0.3444<0.5，评价好；p=1.0000，评价很好。
将观测值与最大负荷预测值进行比较，通过误差检验对灰色预测方法的有效性进行检验，灰色模型的平均误差为2.27%，拟合效果较好。由此得到未来2018-2022年全社会最大负荷的预测值：
表1 最大负荷预期值
单位：万千瓦
（二）时间序列预测模型
（1）数据平稳化
由于该地区最大负荷具有很强的非平稳性，因此进行平稳化处理，对一阶差分进行ADF检验，可以得到t=-3.53<-3.4，p=0.0429，处理后的数据时间序列基本平稳，符合平稳化的要求。
（2）模型参数确定
对处理后的数据进行自相关系数ACF和偏自相关系数PACF计算，数值表现出趋势特征，认为该时间序列符合ARMA模型，设p=2，q=2，建立ARIMA（2，1，2）模型。
经计算，R方=0.972，接近1，拟合效果较好。得到ARIMA（2，1，2）模型为：
最大负荷bct=68.173-0.844bct-1-0.994bct-2-0.664εt-1-0.858εt-2+εt
经检验残差序列为白噪声序列，通过检验。
（3）最大负荷预测
经计算拟合值的平均相对误差为3.13%，差值非常小，说明ARIMA（2，1，2）模型具有良好的预测效果。
表2 最大负荷预测
单位：万千瓦
（三）组合预测
为提高负荷预测的精确度，将以上两种单一模型所突出的优点进行最优组合。综合灰色预测、时间序列等方法对最大负荷进行分析预测，根据相对误差确定其权重以进行组合预测，以平均相对误差为依据确定各方法的组合预测权重，得到组合预测方程为：
M=0.42037037*Y1+0.57962963*Y2
其中，M：最大负荷
Y1：灰色分析预测值
Y2：时间序列法预测值
由此，可以得到2018-2022年该区域最大负荷的组合预测值，见表3。
表3 最大负荷预测值
单位：万千瓦
四、小结
本文是基于数据挖掘的中长期电力负荷预测研究，通过构建组合预测模型，基本实现较精准负荷预测的期望。
（1）以数据挖掘思想为基础，对用电量预测，是满足电力生产和发展的需要，保证电网安全、经济运行的基础。
（2）基于灰色預测以及时间序列分析模型，构建组合预测模型预测精度较高，实用性强，是一种可靠的负荷预测方法。
参考文献
[1]杨凛，李巍.基于数据挖掘的电力负荷预测[J].自动化与仪器仪表.2018（03）.
[2]陈浩.以电力客户行为数据挖掘为基础的营销策略研究[D].北京：华北电力大学，2017.
[3]邱剑.电力中文文本数据挖掘技术及其在可靠性中的应用研究[D].杭州：浙江大学，2016.
[4]甘霖.组合预测模型在中长期电力负荷预测中的应用[D].南昌：南昌航空大学，2015.
作者简介：
许小亮（1990年12月），男，河北承德，硕士；
陈小峰（1980年2月），男，天津，高级工程师，博士；
刘春光（1992年7月），男，河北迁安，硕士；
夏保冰（1989年3月），男，山东茌平，硕士；
刘学军（1969年2月），男，天津，高级工程师，高级经济师，硕士。
数据来源于国家统计局网站。