基于數據挖掘的電采暖電量預測及應用

作者簡介：陳廣宇（1982—），男，本科，高級工程師，研究方向為電力系統規劃與電網調度運行。

摘" 要：為簡便實現電采暖電量預測，提出基于數據挖掘的電量預測方法。該方法對電采暖電量和眾多影響因素進行灰色關聯分析，篩選出與電量有強關聯的因素；利用線性回歸算法構建了采暖用戶預測模型，根據平均采暖戶和權重系數實現對電采暖電量的準確快速預測，并創建了預測分析小工具，實現了電量的可視化預測分析。根據河北某地的電量實測數據進行驗證，與雙向LSTM網絡預測結果對比，該方法預測效果較好，同時模型的參數少且計算時間短，可以簡化電采暖電量預測方法。

關鍵詞：電采暖" 灰色關聯分析" 電量預測" 數據挖掘

中圖分類號：TM715

Abstract：In order to realize the forecasting of electric heating electricity easily， an electricity consumption forecasting method based on data mining is proposed. This method carries out the gray correlation analysis of electric heating electricity and many influence factors， and screens out factors that are strongly correlated with electricity consumption， and it uses the linear regression algorithm to build a heating user prediction model， realizes the accurate and rapid prediction of electric heating electricity according to the average heating rate and weight coefficient， and creates small predictive analysis tools to realize the visual forecasting analysis of electricity. This method is verified according to the measurement data of electricity in a certain place in Hebei Province， and compared with the prediction results of the the two-way LSTM network， it has better prediction effect with few model parameters and short calculation time， so it can simplify the prediction method of electric heating electricity.

Key Words：Electric heating; Gray correlation analysis; Electricity consumption forecasting; Data mining

1 研究背景

準確快速實現電采暖電量預測不僅能保證配電網的經濟穩定運行，而且對電網企業進行決策部署、合理安排工作具有重要意義[1]。

電量預測是根據歷史電量、天氣信息等數據，分析相關歷史數據變化趨勢對未來電量變化的影響規律，確定未來某一時間段的電量數值。電量預測的方法主要分為傳統預測方法和新型預測方法。傳統預測方法主要包括時間序列法和回歸分析法；新型預測方法主要包括支持向量機、神經網絡等機器學習算法[2]。目前針對電采暖電量的預測研究成果相對較少，且大多數方法主要以人工智能預測算法為主，構建的預測模型相對復雜，而且電采暖電量影響因素的選取過于隨意。基于上述原因，文中在分析歷史采暖季某市“電采暖”基本情況和采暖電量的基礎上，通過灰色關聯分析電量及其影響因素的關聯程度，研究電采暖用戶的變化趨勢，采用線性回歸算法對電采暖用戶進行線性擬合，預測未來的平均采暖戶，結合權重系數實現電采暖電量的預測。接著利用雙向LSTM網絡構建電采暖電量預測模型，通過算例分析驗證文章所提方法的有效性，結果表明文章方法在實際中具有一定的應用價值。

2 基于灰色關聯分析的電采暖電量影響因素分析

與一般的電力負荷不同，電采暖負荷類似于夏季的空調制冷負荷，不僅具有明顯的季節氣候特性，受氣溫變化影響顯著，而且具有較強的時序特征。結合實際情況構建電采暖電量預測模型的研究需要及資料信息的可獲取性，電采暖電量受多種因素共同影響，主要包括天氣因素、經濟因素、用戶特征和日期類型等[3]。天氣因素主要指平均溫度、最低溫度、最高溫度和相對濕度等，相對濕度表示空氣中的絕對濕度與同溫度和氣壓下的飽和絕對濕度的比值，影響人體的舒適度[4]。經濟因素就是該地區的經濟發展水平，一般來說，該區域經濟發展越好，電量越高；用戶特征主要是每日使用電采暖的用戶數，相鄰月份的用戶采暖率差別較大；日期類型包括節假日和工作日，家庭用戶工作日電采暖電量較低，節假日電量偏高；商業用戶則相反，工作日電采暖電量較高，節假日電量較低。

電采暖電量各影響因素之間的關系無法用固定的公式表示，變量之間關系呈灰態，是典型的灰色系統。同時，電量與影響因素之間的關系是非線性的，因此平常的相關性分析方法并不適用。灰色關聯分析針從模糊的角度出發分析影響因素與電量之間的關聯性，對樣本數據沒有特殊的要求。因此，相比于傳統的相關性分析方法，灰色關聯分析更適用于電采暖電量影響因素辨識，為建立電量預測模型打下基礎。

灰色關聯分析用于確定各因素對其所在模型的影響程度，根據因素之間發展趨勢的相似相異程度，為衡量因素之間的關聯程度提供了量化的度量。其基本思想是通過序列曲線幾何形狀的相似程度來判斷其聯系是否緊密，曲線越接近，相應序列之間的關聯度就越大，反之就越小。

文章利用灰色關聯分析求取各類影響因素與電采暖電量的相關性，確定每一個因素與電采暖電量之間的關聯度，根據關聯度大小選取特征指標。由于部分特征無法用數值表示，因此需要提前對各種影響因素進行編碼以作為輸入特征[5]。采用One-Hot編碼方式對非數值數據進行處理，不會對最后的預測結果產生干擾。One-Hot編碼，又稱為一位有效編碼，主要是采用N位狀態寄存器來對N個狀態進行編碼，每個狀態都有其獨立的寄存器位，并且在任意時候只有一位有效。特征編碼結果如表1所示。

灰色關聯分析方法的具體計算步驟如下：

（1）確定分析數列，根據分析目的確定分析指標體系，確定反映系統行為特征的參考數列和影響系統行為的比較數列，參考數列為電采暖電量，比較序列為上述的電采暖電量特征指標。（2）數據歸一化，由于電采暖電量與其影響因素的物理意義不同，導致數據的量綱也不相同，難以分析出正確的結果。（3）計算關聯系數。（4）計算關聯度，由于關聯系數是比較序列與參考序列在各個時刻的關聯程度值，所以它不止一個。因此將各個時刻的關聯系數取平均值，作為比較數列與參考數列間關聯程度的數量表示。

關聯度表示各比較數列與參考數列之間的相似關聯程度，介于0～1之間，該值越大表示比較數列與參考數列的關聯度越高，意味著比較數列與參考數列之間關系越緊密，相關性越高。

根據關聯度大小將特征指標排序，分析指標對電采暖電量的影響程度。關聯度最高的兩個因素為最低溫度和用戶數，如表2所示。

從表2數據可知，與電采暖電量相關性最高的為用戶數，關聯度為0.952；其次是最低溫度，關聯度為0.941；其他因素對電量的影響程度相對較小。這主要是因為用戶采暖率越高，用電量越多；但最低溫度和用戶數的相關性也較高，為減少預測模型的參數，快速實現電量預測，文章只選擇月均采暖戶數構建電量預測模型。

3 基于數據挖掘的電采暖電量預測分析工具

文章基于數據挖掘對電采暖電量進行預測，預測過程主要分三步進行：首先對原始數據進行預處理，以保證數據的質量和可用性；其次分析用戶變化趨勢，構建基于線性回歸算法的用戶預測模型，計算出月度平均采暖戶，結合權重系數實現對電采暖電量的預測；最后創建預測分析工具，提供電量預測的可視化分析。具體如圖1所示。

構建基于數據挖掘的電量預測模型的主要步驟如下。

3.1 異常值和缺失值處理

在收集數據的過程中難免會出現數據丟失或采集異常的情況，這些值的存在會嚴重影響后續預測工作的進行。缺失值和異常值會在一定程度上影響數據的分析結果，導致預測誤差偏大。因此需要對原始數據中的異常值和缺失值進行相關處理，以提升數據的質量。利用線性插值法對序列中的缺失值進行填補，通過Z-score方法查找數據中的異常值，然后取近三天的平均值替換異常值。

3.2 用戶變化趨勢

線性回歸模型是經典的統計學模型，它利用數理統計中的回歸分析，對自變量（特征）和因變量（目標）之間相互依賴的定量關系進行建模，是一種思想簡單的統計分析方式[6]。其基本原理是尋求一組自變量與因變量之間近似的線性函數關系，根據自變量的個數可分為一元線性回歸和多元線性回歸，一元線性回歸只包括一個自變量和一個因變量，二者關系可用一條直線近似表示；多元線性回歸包括兩個或兩個以上的自變量，且因變量和自變量之間是線性關系。線性回歸是回歸算法中最簡單、實用的算法之一，計算速度快，模型容易理解，具有很好的可解釋性。

統計處理后的每日用戶數，利用線性回歸算法擬合每月電采暖用戶數與日期之間的線性關系。為優化每月的擬合效果，將日期換算為相對于每月1號的天數，如2022年11月9日就等效為第9天。文章只分析用戶數與日期之間的關系，因此，選擇一元線性回歸建立用戶預測模型，分析用戶數變化趨勢。現有采暖用戶的擬合結果如表3所示。

通過分析2022年最低溫度及采暖用戶變化趨勢，2022年11月初始用戶數選擇去年11月和12月采暖用戶的均值。

3.3 月均采暖戶

根據線性回歸算法建立的用戶預測模型，利用現有的采暖用戶數預測未來幾個月的用戶數，計算得到每個月的日均采暖用戶數，即月均采暖戶。

3.4 電量預測模型

統計現有的平均采暖戶較去年同比增加的百分率，作為預測采暖電量時的權重。根據現在的采暖用戶數權重計算得到預計新增采暖戶，采暖電量與平均采暖戶的比值為用戶月均電量，兩者相乘即可預測出新增電量。

電采暖電量預測需要考慮多種因素，如天氣變化、用戶行為等，因此使用文章方法預測時需要綜合考慮多種因素，根據用戶變化及時調整平均采暖戶，以提高預測的準確性。

針對電采暖電量預測分析，有效的數據分析平臺可提高電量預測的自動化、可視化以及科學化，結合實際工作中的分析流程，方便工作人員進行操作，為數據分析、電量預測提供有效支撐。預測分析工具的主要功能架構如圖2所示。

3.4.1 數據管理

電量預測所需要的數據主要來源于調度的檔案、采集和關口電量等數據，提供了數據集成接入、利用Excel模板導入以及人工維護3種功能。對導入后的數據進行數據校驗，甄別異常數據（零數據或突變數據），處理數據序列中的缺失值和異常值。

3.4.2 模型參數

選擇電采暖電量、采暖用戶和權重系數作為預測模型參數，工作人員可查看詳細數據，以便更好地開展工作。

3.4.3 模型預測

通過模型參數對月均采暖戶和新增采暖戶優化分析及調整，實現電采暖電量預測。

4 算例分析

收集河北某地2021年11月1日至2022年2月28日時間段的電采暖電量相關數據，預測2022年11月至2023年2月的電采暖電量。首先利用線性回歸算法預測每月的采暖用戶數，計算得到月均采暖戶。然后分析電量趨勢，計算現有的月均采暖戶較去年同比增加的百分率；最后代入模型計算得到電量預測值，由新增采暖戶估計出新增電量。利用預測工具構建的電量預測模型如表4所示，22年11月和12月，相比2021年11月和12月，新增電量分別增加43.77%和14.02%；23年1月和2月，相比2022年1月和2月，新增電量分別為4.84%和2.71%。

雙向LSTM網絡是基于時間序列的預測，當前時間點臨近過去和未來的序列信息都可用于評估當前時刻，且不依賴預定義參數。然而LSTM神經網絡只能使用某一時刻之前的輸入信息來預測結果。雙向LSTM則基于整個時間序列對輸出進行預測，同時包括過去和未來的序列信息。構建雙向LSTM網絡預測模型，驗證文章預測方法的有效性。

基于雙向LSTM網絡預測電采暖電量，建立預測模型的步驟具體如下。

（1）首先將隱藏層神經元分成正時間方向和負時間方向2個部分，具有2個獨立的隱藏層，然后前饋到相同的輸出層，同時包括過去和未來的序列信息。第1層LSTM計算當前時間點順序信息，第2層LSTM反向讀取相同的序列，添加逆序信息，每層的LSTM具有不同參數。

（2）按照灰色關聯分析的特征指標關聯度的順序，依次選擇不同數目的特征指標。采用雙向LSTM網絡對其進行電量預測，以均方誤差來衡量預測結果，選取均方誤差最小的特征指標作為模型輸入，建立基于雙向LSTM網絡的電采暖電量預測模型。

（3）在模型訓練階段，最重要的參數是雙向LSTM網絡隱藏層的層數和神經元的數量。層數越多、隱藏神經元數量越多，模型的非線性擬合能力和泛化能力就越強，但網絡模型復雜度和訓練時長也會大幅增加。確定LSTM模型的層數及其隱藏神經元數量的具體步驟是：首先搜索單層模型的最佳隱藏單元數量并將其固定；然后增加一層隱藏層，繼續搜索該層的最佳隱藏神經元數量；反復迭代，直到確定均方誤差最小時所對應的層數及神經元數量，作為雙向LSTM模型的最終參數。

（4）選擇待預測的數據輸入雙向LSTM網絡預測模型，輸出電采暖電量預測結果。對比兩種預測方法，如表5所示。

根據表5可知，文章提出的預測方法和雙向LSTM網絡均具有較高的預測精度，模型預測效果更優。但該方法模型參數簡單且計算時間短，具有廣闊的應用前景。

5 結語

文章主要以電采暖電量的影響因素為基礎，通過灰色關聯分析求取電量的關鍵影響因素，選擇采暖用戶數作為主要特征，構建了基于線性回歸算法的用戶預測模型，通過月均采暖戶和權重系數實現電采暖電量預測，并創建了電量預測分析工具。根據河北某市的實際電量數據，驗證文章方法的有效性。相比于雙向LSTM網絡，兩種方法均可實現電采暖電量的準確預測，但文章預測方法模型參數少，可調節性好，且計算時間短。文章所用方法簡化了電采暖電量的預測方法，表明了該方法的實用性，對推進電采暖的實施管理具有較高的實際意義。

參考文獻

[1]趙陽，范文奕，安佳坤，等.基于智能加權混合模型的新型電力系統電量預測方法[J].電測與儀表，2022，59（12）：56-63.

[2]張杰，薛太林，解張超，等.基于改進AHP法和改進熵權法結合的組合電量預測模型[J].電氣自動化，2022，44（6）：28-31.

[3]羅靜.基于新裝用戶用電特征的行業電量預測方法研究[D].天津：天津職業技術師范大學，2023.

[4]焦宗舉.基于數據挖掘的BB供電公司售電量預測研究與應用[D].重慶：重慶工商大學，2022.

[5]孫旺青，劉曉峰，何沁蔓.基于相似月和Elman神經網絡的行業月度售電量預測[J].電力需求側管理，2022，24（4）：53-58.

[6]王梓屹，王越涵.基于小波分析的月售電量預測方法[J].東北電力技術，2022，43（5）：14-21.