基于序列理論的電網用戶用電負荷自動預測分析

黨志慧

（國網朔州供電公司）

0 引言

電力用電負荷對電力企業經營發展以及戰略制定有著極大的影響，隨著經濟不斷發展、產業結構改革，導致電力負荷用戶數量快速增加，再加上企業升級轉型，用戶用電負荷不斷變化，在一定程度上影響了電網穩定運行。對此，制定一套完善、有效、精準的用戶電力負荷自動預測系統尤為重要。目前，國內外針對用戶用電負荷預測的研究成果有很多，很多專家學者也提出了相應的解決方案。例如，Attention-GRU預測模型實現了用戶用電短期負荷預測方案，該方案預測效率高，但精度有待進一步提升；結合數據挖掘、支持向量機提出一種用電負荷預測平臺，該平臺通過訓練歷史負荷序列得到訓練集，極大地提升了用戶用電負荷預測精度，但預測效率明顯降低。針對這些情況，本文提出一種基于序列理論的電網用戶用電負荷預測系統，旨在同時保證電網用戶用電負荷預測的效率和精度。

1 系統整體方案

用電負荷是指電網用戶所使用的用電設備在某個階段向供電系統所獲取的電力功率總量。本文所提出的基于序列理論的電網用戶用電負荷自動預測系統，其運行原理是通過明確的用戶用電負荷歷史數據信息，掌握用戶用電負荷變化規律，從而描述未來一段時間內該用戶用電負荷的規律變化，并構建時間序列模型，實現用戶用電負荷的精準預測［1］。基于序列理論的電網用戶用電負荷自動預測系統主要包括三個方面：一是電網用戶歷史用電負荷數據預處理，二是用電負荷序列分解，三是構建預測模型。

2 系統設計

2.1 用戶歷史用電負荷數據預處理

本設計是以用戶歷史用電負荷數據作為自動預測系統的基礎，以用戶歷史用電負荷數據建立模型，從而預測未來用電負荷。因此，為了保證預測模型的質量，就必須要確保歷史用電負荷數據的精度，這就需要做好用戶歷史用電負荷數據的預處理工作。預處理流程為：

（1）采集用戶歷史用電負荷數據、用戶歷史用電費用。

（2）數據集成、歸納。

（3）數據清洗，將異常值、重復值剔除，填補缺失的數據信息。

（4）數據歸一化，在歷史用電負荷數據樣本X中找出最大值Xmax和最小值Xmin。

（5）驗證。

（6）高質量歷史用電負荷數據輸出。

將用戶歷史用電負荷數據進行預處理后，可以得到更加規范、更高質量的歷史用電負荷數據信息，將預處理之后的數據傳輸到預測模型中，從而得到更加精準的預測值。

2.2 用電負荷序列分解

按照時間序列分布用戶歷史用電負荷數據，得到用電負荷時間序列。由于該序列波動性強，且帶有周期性特點，如果直接應用則無法被預測模型識別，這就需要二次分解該序列，再進行預測模型的識別。

用電負荷時間序列可采用經驗模式分解法進行分解，將用電負荷時間序列分解成多個高頻分量和一個低頻分量，并從中提取用電負荷時變特性，以便于后期應用在預測模型中［2］。經驗模式分解法的應用流程為：

（1）從用電負荷時間序列中選出極小值、極大值兩組數據。

（2）采用三次樣條函數擬合用電負荷時間序列中的極大值數據、極小值數據，得出序列當中的上包絡線、下包絡線。

（3）計算上包絡線、下包絡線的均值。

（4）計算首位用戶歷史用電負荷序列的首個分量。

（5）判斷用戶歷史用電負荷首個分量是否是用電負荷時間序列當中的首個內涵模態分量（Intrinsic Mode Function，IMF）。判定方法為：①局部極值點與過零點差距不超過1；②任何點位上的上、下包絡線均值都等于0。

（6）同時滿足（5）中2個條件的用戶歷史用電負荷首個分量作為第一個IFM，否則重新從流程（1）開始，并重復上述條件，直到可以滿足（5）中2個條件為止。

（7）記錄滿足上述條件的用戶歷史用電負荷首個分量。

（8）用用電負荷時間序列減去（7）的首個分量，得到剔除掉高頻的剩余分量。

（9）重復上述所有過程n次，每次將上一步所得出的剩余分量作為原始數據，直到得到第2個IFM、第3個IFM…第n個IFM。

（10）判斷是否得到最終所需的終止條件，也就是要求n個剩余分量為單調函數。一旦滿足條件，則停止用電負荷時間序列分解，從高到低將用電負荷時間序列分為不同頻段。

通過上述十個步驟得出分解后的用電負荷時間序列，相比原始用電負荷時間序列更具規律性以及線性，有助于提高后期用戶用電負荷預測精度。

2.3 基于時間序列模型的用電負荷預測

結合時間序列理論，選擇相對應的模型，并在模型中輸入分解后的用電負荷時間序列，即可得出未來某個時間段、時間點的用戶用電負荷量，即未來預測值。本文所選用的預測模型為基于ARMAX搭建的預測模型，該模型是多輸入、單輸出的系統，用戶歷史用電負荷為輸入量，用戶未來用電負荷為輸出量。基于ARMAX建立的未來用電負荷預測模型中主要參數包括：某個時間段用戶對電力需求的數值、殘差、滯后算子、常數項、負荷量、負荷平方的滯后階次、待估計參數［3］。其主要應用過程如下：

（1）設定用戶用電的假設條件，在預測模型中設定殘差序列、參數。

（2）結合已經分解得出的某個時間點的用戶歷史用電負荷參數、電力續期參數，確定負荷平方的滯后階次的初始值。通過自相關函數、偏自相關函數確定負荷值、殘差值；通過回歸系數顯著分析確定負荷值、負荷平方滯后階次。

（3）采用最大擬然法估計各個參數值。

（4）校驗上述（2）和（3）所估計得出的參數、殘差序列，根據最終校驗結果判定該預測模型是否符合本次設計條件，確認符合設計條件即可直接應用于未來用戶用電負荷預測工作。

3 系統應用效果仿真分析

為了測試本次設計的用戶未來用電負荷自動預測系統的實際使用效果，對本系統進行了應用效果仿真分析。仿真平臺采用MATLAB，為了讓仿真測試結果更加直觀，本次仿真設計采用了其他預測平臺進行對比，包括Attention-GRU預測平臺、數據挖掘與支持向量機的預測平臺、NW-FLNN預測平臺［4］。

3.1 用戶歷史用電負荷數據來源

本次仿真測試從PJM電力市場獲取用戶歷史用電負荷數據，用電負荷采集頻率為1次／h，數據集為2020年整個8月份，共計采集了720h（1～30日）、得到720個數據，并將這720個用戶用電負荷數據作為歷史數據，根據1～30日的用戶歷史用電負荷數據預測31日用戶用電負荷量。

3.2 用戶歷史用電負荷序列分解

采用上文提到的經驗模式分解法對1～30日用電負荷序列進行分解，其結果如圖所示。

圖 負荷序列分解結果

3.3 設置模型參數

通過回歸系數顯著性分析獲取基于ARMAX的用戶未來用電負荷預測模型參數，并對預測模型參數進行校驗，校驗合格之后將用戶歷史用電負荷數據出入到預測模型當中，得出最終該模型輸出的用戶未來用電負荷的預測值。

3.4 評價指標

本次設計的用戶用電負荷自動預測系統主要有兩大核心評價指標，即平均絕對誤差值、平均絕對百分比誤差值。

3.5 預測結果

本次仿真測試以2020年8月1～30日的用戶用電負荷數據作為歷史值，通過預測模型對當月的31日進行用戶用電負荷預測，通過將31日真實值與預測模型輸出的預測值進行對比分析，從而判定本次電網用戶用電負荷自動預測系統是否滿足使用標準［5］。最終預測結果見下表。

表 電網用戶用電負荷情況對比表（單位kW·h）

在相同的用電負荷數據條件下，分別進行了Attention-GRU預測平臺、數據挖掘與支持向量機預測平臺、NW-FLNN預測平臺的用戶用電負荷量預測，并得出最終的預測結果。

3.6 預測結果對比分析

本次設計采用了基于MATLAB的用戶用電負荷自動預測系統，同時與Attention-GRU預測平臺、數據挖掘與支持向量機預測平臺、NW-FLNN預測平臺最終預測結果進行對比分析。根據平均絕對誤差值、平均絕對百分比誤差值兩大指標判斷最終預測效果［6］。最終測試結果表明了基于MATLAB的用戶用電負荷自動預測系統平均絕對誤差值、平均絕對百分比誤差值均小于其他三個預測平臺，也就表示相比于Attention-GRU預測平臺、數據挖掘與支持向量機預測平臺、NW-FLNN預測平臺，基于MATLAB的用戶用電負荷自動預測系統預測誤差更小，即所得到的預測結果更加精準。

4 結束語

綜上所述，電力能源關乎到社會經濟發展以及人民日常生活，所涉及到的影響非常大，因此如何保證電網供電的穩定性是需要重點考慮的問題。電力定價關乎到社會發展的多個方面，同時也會對電力企業日常盈利情況造成直接影響。對此，本文提出了一種基于MATLAB的用戶用電負荷自動預測系統，該系統是以序列理論作為基礎，通過采集用戶歷史電力負荷數據預測未來一段時間的用戶用電負荷量。對基于MATLAB的用戶用電負荷自動預測系統仿真測試表明，該方法相比于Attention-GRU預測平臺、數據挖掘與支持向量機預測平臺、NW-FLNN預測平臺更具優勢，在保證預測效率的同時預測精度更高，達到了預測模型設計標準。基于MATLAB的用戶用電負荷自動預測系統的應用，有助于電力定價決策，讓電力定價更加符合市場需求，滿足供電、用電均衡。