多算法融合的電網用電量預測系統研究和實現

李文彬，張春梅

（廣東電網有限責任公司中山供電局，中山528400）

多算法融合的電網用電量預測系統研究和實現

李文彬，張春梅

（廣東電網有限責任公司中山供電局，中山528400）

準確預測用電量是電網企業合理規劃電網建設和提高經濟效益的前提基礎，該系統實現包括Random Forest、Extra?Trees、XGBoost、AdaBoost在內的多個算法對用電量進行預測，并在B/S架構下設計一個用電量預測系統，功能包括可視化每個用戶的用電量和預測誤差情況、自動選取預測算法和數據導入導出管理。系統的實現有助于直觀地展示用電量預測結果，輔助管理層進行決策。

用電量預測；回歸分析；集成學習；B/S架構

0 引言

電網企業需要掌握用電需求變化趨勢，以便有計劃地提供電力服務。用電量預測是電網企業的一項重要基礎性工作，預測結果可能直接影響企業效益。同時，用電量預測也是制定電力發展規劃的重要依據。準確地用電量預測系統可以確保電網安全運行，對合理設計電網改造、錯峰用電、發電計劃有著重要的參考價值，有助于實現節能減排等環境保護目標。

1 國內外現狀

用電量預測根據預測周期可分為短期預測和中長期預測。短期負荷預測通常用來安排電力計劃的調度，因此，對短期負荷預測，一般需要充分研究電力系統過去的變化規律和趨勢，分析各種干擾因素。中長期預測主要用來確定大機組的運行方式，根據地區的實際情況，制定相關的電網改造和擴建規劃，保證負荷用電量能夠滿足居民用電和工農業用電的需要。根據預測對象可分為地區負荷預測、微電網負荷預測、大客戶負荷預測等。

根據預測算法劃分，可分為以下幾個類別[1]：（1）傳統的基于歷史數據統計的線性回歸預測算法，包括線性回歸法、移動平均法等方法；（2）時間序列預測方法，將用電量數據作為季節相關的時間序列數據處理。（3）灰度模型組合預測法，通過對負荷特性的分析，用累加殘差的方法確定權重，在不同的階段建立不同的灰度模型，利用了組合灰度模型提高預測的準確性[2]。（4）基于機器學習算法的智能預測方法，如神經網絡、支持向量機[3]、粒子群算法、遺傳算法等。

從預測模型的結構來看，可分為單算法模型和組合模型。合理的算法組合設計可以有效降低預測誤差，如文獻[4]通過將不同神經網絡的預測結果作為神經網絡的輸入，實際負荷作為輸出，運用多神經網絡方法，很好的克服了單神經網絡預測精度差的缺陷。

本文設計了一個用電量預測分析系統，通過多算法組合預測的方式進行用電量預測，并在B/S架構下加以實現，系統可以自動或手動選擇預測算法、預測時段以及對預測結果和誤差可視化。

2 預測算法設計

系統實現了Random Forest、ExtraTrees、XGBoost、AdaBoost四種預測算法，已知19個用電客戶68個月的月用電量數據，前60個月的數據作為樣本數據，后8個月的數據作為測試數據，使用預測的8個月數據與測試數據計算誤差，為每個用戶選取平均誤差最小的算法進行實際預測。下面主要介紹Random Forest和Extrees算法的主要步驟和實現方法。

（1）Random Forest算法

Random Forest算法基于Bagging思想，本系統的算法基學習器采用CART回歸樹[5-7]，用平方誤差最小化準則進行輸入空間劃分，即基于最小二乘偏差（LSD）生成回歸樹。

Bagging也叫裝袋，屬于有放回抽樣，給定一個訓練集,Bagging算法從中均勻、有放回地選出m個子集作為新的訓練集。在這T個訓練集上使用回歸算法，則可得到T個模型，再通過取平均值的方法，即可得到Bagging的結果。

Bagging算法是一種并行算法，學習效率較高。由于每個基學習器只學習一部分樣本，可以有效降低方差，沒有被抽取到的袋外樣本可以用來對模型進行泛化能力的評價,已得到證明，袋外估計的精度與用同訓練集大小一樣的測試集估計的精度結果近似。

Random Forest算法以T個CART回歸樹作為基學習器模型，輸出為T個CART回歸樹輸出結果的平均值。Random Forest是二次隨機算法，第一次隨機采用Bootstrap采樣，從N個訓練樣本中以有放回抽樣的方式，取樣N次，形成一個訓練集（即Bootstrap取樣），由于每次約有37%的樣本未被抽中，可用未抽到的樣本做袋外估計，評估其誤差；第二次隨機，對于每一個節點，隨機選擇m個特征，其中m應遠小于總特征數M。決策樹上每個節點的決定都是基于這些特征確定的。根據這m個特征，計算其最佳的分裂方式，由于m遠小于M，所以每棵樹都會完整成長而不會剪枝進行二次隨機的原因是，如果訓練集中，有幾個特征對預測結果影響很大，那么這些特征將每次都會被決策樹采用，從而使決策樹之間的相關性增強，導致模型方差較大，而且對數據擾動過于敏感。

由于Random Forest的基學習器是CART回歸樹，并在訓練集上進行Bootstrap采樣，所以參數調整分為兩部分，Bagging的參數和CART的參數。

①Bagging參數：

n_estimators，指基學習器最大迭代次數,一般是越大越好，但迭代次數增加，模型的訓練時間也會增加。oob_score，是否考慮袋外樣本來擬合模型，通常選擇True，因為OOB誤差結果近似于交叉驗證。

②CART參數：

max_features，劃分時考慮的最大特征數，增加max_features能提高算法性能，但是當其值過大時，會導致樹的相關性增強。

max_depth，決策樹的最大深度，越深模型則越復雜。

min_samples_split，內部節點再劃分所需的最小樣本數，對剪枝有較大影響。

min_samples_leaf，葉子結點最小樣本數，對剪枝有較大影響。

由于基學習器之間沒有依賴關系，并且訓練Ran?dom Forest的過程也是訓練每棵樹的過程，所以可以進行并行化訓練，對效率有很大提升。又因為在對特征的劃分選擇時采用的是隨機抽取特征的方法，所以在高維度訓練時仍能有較好的效率，并且可以通過改變特征值反映各個特征的重要程度。

（2）ExtraTrees算法

ExtraTrees算法是Random Forest的改進算法，主要區別在于：

①Random Forest基于Bagging思想，而ExtraTrees不采用Bootstrap采樣，即使用所有的訓練樣本得到每棵決策樹。

②Random Forest是在一個隨機特征子集內得到最佳分裂屬性，而ExtraTrees是隨機的選擇分裂屬性，即對每一個特征，在它的特征取值范圍內，隨機選擇一個分裂值，再計算看選取哪一個特征來進行分裂最好綜上，ExtraTrees算法的優點是在分裂時隨機選擇分裂值，使得ExtraTrees的方差進一步減小，即對數據擾動的敏感性減小。

對于模型預測后的用電量誤差，采用平方誤差進行計算，并做了歸一化處理。誤差計算公式如下，其中Si,k為預測用電量數據，Ti,k為實際用電量數據：

3 預測系統設計

多算法電網用電量預測設計為三個模塊：可視化模塊、算法預測模塊、數據導入導出模塊。主要功能是：（1）預測未來的用電量數據，并根據誤差對多個算法模型進行評價選優；（2）對用電量走勢、算法誤差實現可視化；（3）實現系統數據的導入與導出。系統總體架構圖如圖1所示。

圖1 系統總體架構圖

可視化模塊對用電量預測結果和預測誤差進行可視化。選擇篩選條件（包括算法模型、用電量區間、用戶、年/季度/月、時間區間），利用上述條件進行預測，對預測結果可視化，直觀展示用電量走勢、誤差結果，為決策者提供更加直觀的結果展示。

算法預測模塊實現了多個預測算法，并計算每個算法的平均誤差。假設有N個月的用電量數據作為原始數據，將其中的前M個月作為訓練數據，后面N-M個月的數據作為測試數據，預測結果與測試數據比對計算誤差。系統支持自動或手動選擇平均誤差最小的算法進行實際預測。

數據導入模塊的作用是，當有新的數據產生，可以通過Excel將新數據導入系統，然后對新數據調用預測算法，更新預測結果。數據導出模塊支持選擇篩選條件（包括算法模型、用電量區間、用戶、年/季度/月、時間區間）后，利用上述條件進行組合查詢，然后將符合條件的數據導出到Excel。預測和可視化過程只有在導入新數據時才進行，這樣可以減少服務器資源的開銷。

4 系統實現

系統基于B/S結構實現，前端采用BootStrap進行頁面布局，服務器端采用PyCharm作為開發工具，后臺服務基于Django框架，數據可視化采用Pygal，數據庫工具為MySQL。

數據集為某電網公司19個用電客戶68個月的月用電量數據。

在頁面左側選擇篩選條件（算法模型、用電量區間、用戶、年/季度/月、時間區間），在頁面右側會異步刷新，顯示符合條件的各用戶用電量走勢圖、最后一個時間單位的各用戶占總量的百分比的餅狀圖、以及最后4個時間單位的各用戶用電量列表。用電量走勢圖集成了工具條、添加/隱藏圖線、圖線加粗等交互功能。可視化模塊頁面如圖2所示。圖3為4個算法在19個用戶上的平均誤差柱狀圖。

圖2 可視化模塊頁面

圖3 算法平均誤差柱狀圖（橫坐標表示用戶，縱坐標預測誤差）

5 結語

系統融合了多個算法進行電網用電量預測，基于用戶68個月的月用電量數據進行特征處理和分類建模，針對每個用戶進行了最佳模型的自動篩選，有較強的靈活性。其中重點分析了Random Forest、ExtraTrees兩種較優算法，在模型調優之后，得到了準確率較高的預測結果。

下一步的工作是針對用電量波動不規律的用戶預測準確度不高的問題做進一步的算法優化，在可視化上能夠更直觀地把用電量數據、預測誤差呈現出來，可以更方便地比較各種算法的預測性能。

[1]康重慶，夏清，劉梅.電力系統負荷預測[M].北京：中國電力出版社，2007：4-192

[2]余健明,燕飛,楊文宇,等.中長期電力負荷的變權灰色組合預測模型[J].電網技術,2005,29(17):26-29.

[3]潘峰,程浩忠,楊鏡非,等.基于支持向量機的電力系統短期負荷預測[J].電網技術,2004,28(21):39-42.

[4]張亞軍,劉志剛,張大波.一種基于多神經網絡的組合負荷預測模型[J].電網技術,2006,30(21):21-25.

[5]李航.統計學習方法[M].北京：清華大學出版社,2012：67-73.

[6]周志華.機器學習[M].北京：清華大學出版社，2016：44-46.

[7]PeterHarrington.機器學習實戰[M].北京：人民郵電出版社，2013:163-173.

Research and Im p lementation of Power Consum ption Forecasting System Based on MultiAlgorithm Fusion

LIWen-bin，ZHANGChun-mei
（Zhongshan Power Supply Bureau ofGuangdong PowerGrid Co.,Ltd.,Zhongshan 528400）

The accurate prediction of electricity consumption is the enterprise rational planning of power grid construction and improve the economic benefit of the premise,this system realizesmultiple algorithm including Random Forest,ExtraTrees,XGBoost,AdaBoost,to predict the power consumption,and designs a power consumption forecasting system based on B/S,the function of consumption and forecast the error, including the visualization ofeach user to automatically select the prediction algorithm and data importand exportmanagement.The imple?mentation of the system is helpful for the visual display of the electricity consumption forecasting results and the auxiliarymanagement.

李文彬（1983-），男，本科，助理工程師，從事領域為電力信息系統的建設和項目管理工作

2017-05-11

2017-07-26

1007-1423（2017）22-0075-04

10.3969/j.issn.1007-1423.2017.22.018

張春梅（1978-），女，本科，高級工程師，從事領域為電力信息系統的建設和項目管理工作

Electricity Consumption Forecasting;Regression Analysis;Ensemble Learning;B/SArchitecture