基于大數(shù)據(jù)背景下時間序列的用電量預(yù)測模型構(gòu)建

姚長征，張自強(qiáng)，李玉杰，王選岐

(1.國網(wǎng)慶陽供電公司，甘肅 慶陽 745000；2.國網(wǎng)甘肅省電力公司，甘肅 蘭州 730000)

目前而言，居民用電量預(yù)測仍然是電力系統(tǒng)最為關(guān)注的研究課題之一，準(zhǔn)確的居民用電量預(yù)測同時有益于電力公司與普通居民。對電力公司來講，可以規(guī)范運(yùn)營策略，提升服務(wù)質(zhì)量，降低營銷成本；對普通居民來講，有助于規(guī)劃用電計劃，購買合理的用電套餐，達(dá)到隨時隨地可監(jiān)控自己的用電量的效果。因此，居民用電量預(yù)測研究很有必要，其為電網(wǎng)規(guī)劃建設(shè)、市場開拓、臺區(qū)三相負(fù)荷不平衡調(diào)整等提供科學(xué)的依據(jù)支撐。

國內(nèi)對用電量的預(yù)測研究大部分都停留在回歸分析等傳統(tǒng)方法，該方法預(yù)測精度不高，并且對變化趨勢反映遲鈍。近幾年，有些學(xué)者提出了數(shù)據(jù)挖掘算法如神經(jīng)網(wǎng)絡(luò)等進(jìn)行居民用電量預(yù)測，但該方法要求樣本具有高的代表性，并且解釋過程相對困難，針對上述方法的不足，本文采用較為簡單的時間序列算法對居民用電量預(yù)測研究，利用描述性統(tǒng)計對居民用電量敏感度進(jìn)行了分析。實(shí)現(xiàn)對居民用電量的精準(zhǔn)預(yù)測，提升電力公司的服務(wù)質(zhì)量，降低95598關(guān)于居民用電量的投訴量，為營銷居民用電管理提供決策參考利用居民日電量數(shù)據(jù)匯總生成縣區(qū)日電量數(shù)據(jù)，結(jié)合氣象數(shù)據(jù)，分析居民用電氣象敏感度，達(dá)到預(yù)警的作用。

1 數(shù)據(jù)挖掘分析

1.1 數(shù)據(jù)來源

本次分析電力內(nèi)部數(shù)據(jù)取自營銷業(yè)務(wù)應(yīng)用系統(tǒng)、用電信息采集系統(tǒng)，取數(shù)粒度到居民用電客戶層級，數(shù)據(jù)周期為2018年1月至12月，總數(shù)據(jù)量約1.02 GB、數(shù)據(jù)記錄總數(shù)約7.19億條。

1.2 數(shù)據(jù)質(zhì)量

(1)可信度：日凍結(jié)電量來自于用采系統(tǒng)，為一次數(shù)據(jù)，具有較高的可信度。(2)完整性：日凍結(jié)電量因采集原因不存在重復(fù)情況，存在少量數(shù)據(jù)項缺失情況，整體字段完整度較高，不影響后續(xù)的數(shù)據(jù)挖掘分析。(3)數(shù)據(jù)質(zhì)量：日凍結(jié)電量主要存在數(shù)據(jù)為空或電量數(shù)值突變的情況。

1.3 數(shù)據(jù)預(yù)處理

對日凍結(jié)電量數(shù)據(jù)為空或數(shù)值幅度突變的情況，使用該數(shù)據(jù)臨近數(shù)據(jù)平移填補(bǔ)；將12個月度日凍結(jié)電量寬表合成年度日凍結(jié)電量寬表，如圖1所示。

表1 年度日凍結(jié)電量寬表Tab.1 Annual daily frozen power meter

根據(jù)數(shù)據(jù)集中的用戶日電量匯總計算周電量、月電量、供電所日電量、縣區(qū)日電量。

居民個人日電量曲線波動大，外界影響比較顯著。為減小外界因素影響、提高模型可行性和預(yù)測精確度，將用戶按照所屬供電所分類后，使用日電量求和計算得到的供電所每日用電量進(jìn)行預(yù)測。

1.4 模型構(gòu)建

由居民日用電量按照居民所屬供電所計算供電量日用電量，基于3次指數(shù)平滑算法對未來一周的日用電量進(jìn)行預(yù)測，在確定最佳參數(shù)后，確定向后預(yù)測3 d效果最佳。

算法選擇

幾種算法比較，結(jié)果如表2所示。

表2 算法比較Tab.2 Comparison of algorithms

由表2可知，ARIMA要求數(shù)據(jù)既具有平穩(wěn)性又非白噪聲，部分?jǐn)?shù)據(jù)無法滿足需求，故而無法預(yù)測，試用階段未完成計算；小波變化先將數(shù)據(jù)分解，分解得到的數(shù)據(jù)分別擬合、預(yù)測，最終將各個預(yù)測結(jié)果合成，過程復(fù)雜，且分別擬合效果不佳，試用階段未完成計算；Fbprophet雖完成計算，但計算時間長，對大規(guī)模數(shù)據(jù)適應(yīng)性不好，總體效果在完成計算的3種方法中最差；LSTM、ExponentialSmoothing適應(yīng)大規(guī)模數(shù)據(jù)，計算時間短，比較RMSE(均方根誤差)可知，ExponentialSmoothing更低，故最終選擇ExponentialSmoothing算法。

算法介紹

通常3次指數(shù)平滑算法分為累加和累乘2種方式，在本研究中使用累加形式的3次指數(shù)平滑算法，其用公式表示為：

=(--)+(1-)(-1+-1)
=?(--1)+(1-?)-1
=(-)+(1-)-

式中：為周期。

累加3次指數(shù)平滑的預(yù)測公式為：+=++-+(mod)，其中，，是平滑參數(shù)，是之前個數(shù)據(jù)的平滑值，變量來表示平滑后的趨勢，是指“周期性”部分，是這個周期的長度。

參數(shù)訓(xùn)練

3次指數(shù)平滑的主要參數(shù)有：smoothing_level(alpha值)、smoothing_slope(belta值)、smoothing_seasonal(gamma值)參數(shù)使用網(wǎng)格搜索調(diào)參。指數(shù)平滑算法中alpha值代表最近的歷史數(shù)據(jù)對預(yù)測結(jié)果的影響，考慮到用電量預(yù)測最近的歷史數(shù)據(jù)與未來相似程度最高，所以alpha值至少在0.9以上。本研究鑒于均方根誤差最小來確定最終參數(shù)值，當(dāng)smoothing_level為0.99，其余2個參數(shù)為None時效果最佳，其RMSE值最小為332.13。

模型調(diào)優(yōu)

在確定模型參數(shù)后，計算預(yù)測效果最佳天數(shù)，使用模型參數(shù)向后預(yù)測7 d，通過使平均誤差控制在一定的范圍之內(nèi)確定最佳預(yù)測天數(shù)。

經(jīng)計算，未來7 d的平均預(yù)測誤差如表3所示。

表3 平均預(yù)測誤差Tab.3 Average forecast error

由平均預(yù)測誤差可知，前3 d預(yù)測誤差小于4%，預(yù)測精度較高，故選擇向后預(yù)測最佳天數(shù)為3 d。

1.5 居民用電氣象敏感度分析

分別分析溫度、風(fēng)力、相對濕度、降水量、極端天氣對用電量的影響，最后根據(jù)分析結(jié)果構(gòu)建相關(guān)圖表。

數(shù)據(jù)處理

數(shù)據(jù)處理包含2部分：氣象數(shù)據(jù)處理和用電量數(shù)據(jù)處理。

氣象數(shù)據(jù)處理時間周期為2018年1月1日至2019年6月30日，包含氣象、溫度、相對濕度、風(fēng)力、降水等信息，數(shù)據(jù)集中沒有重復(fù)值、異常值，但含有缺失值，通過其他形式查找缺失氣象數(shù)據(jù)填補(bǔ)缺失值(如以往的天氣預(yù)報值)。

用電量數(shù)據(jù)處理，首先將測量點(diǎn)標(biāo)識與該表所在區(qū)縣代碼一一對應(yīng)，然后根據(jù)區(qū)縣代碼計算該區(qū)縣的用電量。

在對氣象數(shù)據(jù)和用電量數(shù)據(jù)處理完成后，按照對應(yīng)日期合成寬表。

溫度敏感度分析

溫度敏感度分析，結(jié)果如圖1所示。

(a)2018年西峰日用電量折線圖

從2018年西峰日用電量折線圖中可以看出，1～2月份用電量大，且波動明顯；3～8月用電量趨勢總體略顯下降；9～12月用電量總體上升，從11月開始用電量波動增大。這也體現(xiàn)慶陽市的特點(diǎn)，夏季空調(diào)降溫用電量少，冬季采暖用電量高。

從2018年西峰氣溫折線圖可以看出白天和夜晚溫度總體趨勢大體相同，都呈現(xiàn)先上升再下降的趨勢，為簡化分析，只分析其中代表性較強(qiáng)的夜晚溫度。夜晚溫度折線圖中1～2月份、11～12月份溫度基本都在0度以下且震動幅度很大，其他月份總起呈現(xiàn)先上升再下降的趨勢，其中拐點(diǎn)出現(xiàn)在9月份。

溫度和用電量對比分析，結(jié)果如圖2所示。

圖2 溫度和用電量對比分析結(jié)果Fig. 2 Comparison analysis results of temperature and power consumption

由圖2可知，溫度和用電量總體呈負(fù)相關(guān)關(guān)系，部分呈正相關(guān)性。

將上述描述推廣到慶陽市的各個縣，不同區(qū)縣用電量對氣溫的敏感度不同，表4為不同區(qū)縣對溫度敏感度的描述(加入閾值)。

用電量受到多種因素的影響，為了重點(diǎn)強(qiáng)調(diào)現(xiàn)溫度對用電量的影響，選擇相關(guān)性系數(shù)絕對值大于0.8，即對溫度敏感度非常高的時間段，分析溫度對用電量的具體影響；結(jié)果如表5、表6所示。

表4 不同區(qū)縣對溫度敏感度的描述Tab.4 Description of temperature sensitivity of different curves

對春夏、秋季2個時段，其變化趨勢單一，具體趨勢如下：

對冬末、初冬2個時段，其用電量波動性大，同時擁有溫度上升時，用電量下降；溫度下降時，用電量上升的趨勢。

風(fēng)力敏感度與相對濕度分析

風(fēng)力敏感度與相對濕度分析，結(jié)果如圖3所示。

圖3 風(fēng)力敏感度與相對濕度分析結(jié)果Fig. 3 Results of wind sensitivity and relative humidity analysis

表5 用電量隨溫度變化的趨勢(春夏、秋季)Tab.5 Trends of electricity consumption with temperature change (spring & summer, autumn)

表6 用電量隨溫度變化的趨勢(冬末，初冬)Tab.6 Trends in electricity consumption with temperature change (late winter, early winter)

由圖3可知，左邊散點(diǎn)圖根據(jù)某一天與前一天的風(fēng)力等級、用電量的變化差值構(gòu)成的；右圖根據(jù)某一天與前一天的相對濕度、用電量的變化差值構(gòu)成的。當(dāng)風(fēng)力或相對濕度等級增加1級時，用電量既可能增加也可能減少，不存在一定的規(guī)律。同樣的方法應(yīng)用到降水量與極端天氣變量，可以得到相同的結(jié)果。

2 模型應(yīng)用

基于時間序列的居民用電量預(yù)測研究，一方面試點(diǎn)單位的相關(guān)管理人員可根據(jù)預(yù)測結(jié)果制定負(fù)荷調(diào)整計劃，最大程度上降低企業(yè)運(yùn)行成本；另一方面電力公司根據(jù)溫度與用電量大致上呈現(xiàn)負(fù)相關(guān)的基礎(chǔ)上，在溫度急劇上升或急劇下降的事件發(fā)生時，可以輔助制定應(yīng)急策略，讓氣象敏感單位做好提前預(yù)防工作，盡可能降低極端事件帶來的人力物力損失。同時在應(yīng)用過程中，可將新的數(shù)據(jù)作為驗證集代入模型，進(jìn)一步調(diào)整模型參數(shù)，使模型達(dá)到最優(yōu)。

3 創(chuàng)新點(diǎn)

本研究在傳統(tǒng)居民用電量短期預(yù)測的研究基礎(chǔ)上，進(jìn)一步研究了居民用電氣象敏感度分析，將人為不可控因素作為輔助因素(溫度，風(fēng)力，相對濕度，降雨量與極端天氣)加入到居民用電量的研究之中，這種不可控因素?zé)o法阻止其發(fā)生，但我們可以在不可控情況發(fā)生時，及時提出相應(yīng)的策略，達(dá)到預(yù)警的作用，這樣既能完善電力系統(tǒng)功能，又能提升居民客戶對電力公司的信任。

4 結(jié)語

目前對居民用電客戶的用電量預(yù)測工作尚處于探索階段，較主網(wǎng)及大工業(yè)用電客戶的電量預(yù)測還有很大的差距。本研究基于指數(shù)平滑算法中的累加形式的三次指數(shù)平滑算法實(shí)現(xiàn)了慶陽市居民用電量的短期(3 d)預(yù)測，其平均預(yù)測誤差控制在4%以內(nèi)，預(yù)測效果良好，為了進(jìn)一步研究居民用電量，本研究在此基礎(chǔ)上進(jìn)行了居民用電氣象敏感度分析，從而制定相應(yīng)的策略，提前防范極端事件發(fā)生時對電力公司與居民客戶帶來的損失，但是本文提出的不可控因素之間存在多重共線性，可能在一定程度上會影響對居民用電量的判斷，可以用，ridge，lasso等方法進(jìn)行變量稀疏化，再進(jìn)一步進(jìn)行研究。