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。