基于雙層X(jué)GBoost 算法的臺(tái)區(qū)用戶(hù)超短期負(fù)荷預(yù)測(cè)

俞作良，王超，司曉峰，林波，竇常永

（國(guó)網(wǎng)甘肅省電力公司市場(chǎng)營(yíng)銷(xiāo)事業(yè)部，甘肅蘭州 730000）

近年來(lái)，臺(tái)區(qū)需求響應(yīng)與多能量控制技術(shù)的出現(xiàn)，給超短期負(fù)荷預(yù)測(cè)帶來(lái)了新的挑戰(zhàn)，一是要求時(shí)間短，二是要求系統(tǒng)服務(wù)質(zhì)量更高。因此，對(duì)用戶(hù)進(jìn)行超短期負(fù)荷進(jìn)行預(yù)測(cè)是十分必要的。文獻(xiàn)[1]提出了基于混合神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)預(yù)測(cè)方法，該方法綜合考慮電力負(fù)荷影響因素，構(gòu)造基于混合神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)預(yù)測(cè)模型，得到超短期負(fù)荷預(yù)測(cè)結(jié)果。文獻(xiàn)[2]提出了基于改進(jìn)煙花算法的負(fù)荷預(yù)測(cè)方法。對(duì)原有煙花算法的學(xué)習(xí)權(quán)重、門(mén)限進(jìn)行調(diào)節(jié)，利用改進(jìn)的煙花計(jì)算方法尋找最優(yōu)解，即為負(fù)荷預(yù)測(cè)結(jié)果。盡管這兩種方法的預(yù)測(cè)效果都很好，但是沒(méi)有將負(fù)荷預(yù)測(cè)的所有影響因素考慮在內(nèi)，導(dǎo)致預(yù)測(cè)精度不高，因此，該文采用雙層X(jué)GBoost 算法預(yù)測(cè)臺(tái)區(qū)用戶(hù)超短期負(fù)荷。

1 超短期負(fù)荷預(yù)測(cè)模型構(gòu)建

雙層X(jué)GBoost 算法在目標(biāo)函數(shù)中引入了誤差函數(shù)和正則項(xiàng)，以獲取預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的差異性，從而避免過(guò)度擬合[3]。基于雙層X(jué)GBoost 算法的預(yù)測(cè)模型如圖1 所示。

圖1 基于雙層X(jué)GBoost算法的預(yù)測(cè)模型

圖1 中的每棵決策樹(shù)可表示為：

式中，fk(ai)表示具有特征ai的k棵決策樹(shù)。由于無(wú)法用傳統(tǒng)方法直接對(duì)超短期負(fù)荷預(yù)測(cè)函數(shù)的參數(shù)進(jìn)行優(yōu)化[4-6]，因此，在預(yù)測(cè)模型訓(xùn)練過(guò)程中，將fk(ai)作為學(xué)習(xí)函數(shù)，確定已經(jīng)學(xué)習(xí)過(guò)的決策樹(shù)，添加新的決策樹(shù)，使目標(biāo)最小化，結(jié)果為：

式中，j表示迭代次數(shù)表示預(yù)測(cè)結(jié)果。在訓(xùn)練過(guò)程中，每加入一棵決策樹(shù)就可獲取新的決策函數(shù)[7]，以此最大限度減少誤差函數(shù)和正則項(xiàng)，使目標(biāo)函數(shù)變得更為簡(jiǎn)單，保證模型訓(xùn)練結(jié)果與實(shí)際結(jié)果更接近[8-9]。

在預(yù)測(cè)過(guò)程中，常用的損失函數(shù)為均方誤差函數(shù)，具體可表示為：

式中，ω表示決策樹(shù)節(jié)點(diǎn)對(duì)應(yīng)的權(quán)重；ε表示決策樹(shù)的懲罰系數(shù)。目標(biāo)函數(shù)最小化的目的在于減少模型復(fù)雜性，使得算法學(xué)習(xí)更簡(jiǎn)便，保證預(yù)測(cè)結(jié)果可靠性，同時(shí)降低預(yù)測(cè)誤差[11]。

2 預(yù)測(cè)模型求解

雙層X(jué)GBoost 算法就是極限梯度學(xué)習(xí)算法，通過(guò)監(jiān)督學(xué)習(xí)方式來(lái)減少訓(xùn)練量。引入誤差函數(shù)目標(biāo)和正則項(xiàng)，以求取模型最優(yōu)解，提升預(yù)測(cè)精度。

2.1 雙層協(xié)同校正

由于使用傳統(tǒng)方法預(yù)測(cè)超短期負(fù)荷時(shí)，容易陷入局部最優(yōu)，主要原因是預(yù)測(cè)周期特征量較為復(fù)雜導(dǎo)致出現(xiàn)動(dòng)態(tài)誤差。為了解決該問(wèn)題，引入雙層協(xié)同校正方法[12]，將原始輸入數(shù)據(jù)作為特征量輸入模型中，選擇有效特征，包括時(shí)間、降水量、氣壓、相對(duì)濕度、溫度、風(fēng)向等[13-14]。在超短期負(fù)荷預(yù)測(cè)過(guò)程中，有效篩選出負(fù)荷特征影響因素集。將雙層X(jué)GBoost算法劃分為基準(zhǔn)層與實(shí)時(shí)層兩個(gè)部分，其過(guò)程如圖2所示。

圖2 雙層協(xié)同校正過(guò)程

基準(zhǔn)層負(fù)責(zé)將用戶(hù)所提供的超短期負(fù)荷樣本輸入到預(yù)測(cè)模型中，分析負(fù)荷預(yù)測(cè)周期特征量，獲取基準(zhǔn)層的預(yù)測(cè)結(jié)果；實(shí)時(shí)層負(fù)責(zé)對(duì)比基準(zhǔn)層預(yù)測(cè)結(jié)果與實(shí)測(cè)值，獲取動(dòng)態(tài)誤差[15]。通過(guò)迭代計(jì)算時(shí)間特征以及添加基準(zhǔn)層預(yù)測(cè)結(jié)果，實(shí)時(shí)層輸出預(yù)測(cè)結(jié)果。在雙層協(xié)同結(jié)構(gòu)中，基準(zhǔn)層會(huì)先給出臺(tái)區(qū)用戶(hù)的超短期負(fù)荷預(yù)測(cè)結(jié)果，實(shí)時(shí)層根據(jù)基準(zhǔn)層數(shù)據(jù)的偏差對(duì)預(yù)測(cè)結(jié)果進(jìn)行校正，根據(jù)實(shí)際情況建立了最接近于臺(tái)區(qū)用戶(hù)的實(shí)際工作狀況的預(yù)測(cè)模型，從而使預(yù)測(cè)結(jié)果更可靠。

2.2 模型求解

利用雙層X(jué)GBoost 算法對(duì)超短期負(fù)荷模型求解，求解過(guò)程如下：

步驟一：受到臺(tái)區(qū)用戶(hù)所采集到的特征維度的影響，有效數(shù)據(jù)也相對(duì)較少，因此需要將采集到的數(shù)據(jù)全部特征作為有效數(shù)據(jù)特征[16]；

步驟二：在有效特征數(shù)據(jù)中存在一種特征表現(xiàn)為離散型的差異特性數(shù)據(jù)，將該部分也作為模型輸入值，其可接受數(shù)值的取值范圍為：

式中，q1、q3分別表示四份位數(shù)的第一位和第三位；λ表示異常值。

步驟三：盡管雙層X(jué)GBoost 方法能夠?qū)⑸倭康娜笔е缔D(zhuǎn)化成其他的特征，但是在數(shù)據(jù)缺失的情況下，直接利用現(xiàn)有數(shù)據(jù)進(jìn)行預(yù)測(cè)是不可行的。為提高模型運(yùn)行效率，需要對(duì)數(shù)據(jù)缺失值進(jìn)行填充。由于負(fù)荷特性變化很大，所以由所有負(fù)荷組成的矩陣都呈現(xiàn)出低秩特性[17]。充分考慮了季節(jié)性氣候相關(guān)因子對(duì)超短期負(fù)荷的影響，將影響因素與影響結(jié)果的關(guān)系簡(jiǎn)化為線性關(guān)系。充分考慮日負(fù)荷矩陣，從已知負(fù)荷向量中選取相似的負(fù)荷向量，共同構(gòu)成一個(gè)低秩矩陣，如下所示：

式中，en表示n個(gè)日負(fù)荷向量。待負(fù)荷向量所在環(huán)境較為惡劣時(shí)，使用非線性差值方法填充缺失值。在時(shí)間預(yù)測(cè)序列中，用缺失值前后的非線性差值估算，公式為：

式中，e為缺失向量值；e0表示缺失前的向量值；e1表示缺失后的向量值。

步驟四：對(duì)填補(bǔ)的結(jié)果進(jìn)行排序。在考慮到季節(jié)因素的情況下，將該月份的空值刪除后再進(jìn)行填充，利用非線性插值方法來(lái)填補(bǔ)缺失部分，獲取填補(bǔ)完整的負(fù)荷預(yù)測(cè)集；

步驟五：將樣本數(shù)據(jù)輸入至預(yù)測(cè)模型中，該模型利用雙層X(jué)GBoost 算法進(jìn)行分層求解，并對(duì)其進(jìn)行校驗(yàn)。對(duì)各參數(shù)進(jìn)行進(jìn)一步優(yōu)化，通過(guò)檢驗(yàn)集合來(lái)判定該模型的優(yōu)劣，若判別良好，則繼續(xù)對(duì)其進(jìn)行優(yōu)化，直至獲得更好的結(jié)果；

步驟六：考慮復(fù)雜影響因子，將第一層X(jué)GBoost的特征值作為輸入，選取相應(yīng)超參量，分析第二層X(jué)GBoost 的超短期負(fù)荷，將兩層結(jié)果匯總，即為超短期負(fù)荷預(yù)測(cè)結(jié)果。

3 實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)選取臺(tái)區(qū)電網(wǎng)所采集的2022 年1 月15日的真實(shí)數(shù)據(jù)，將其作為標(biāo)準(zhǔn)集，以驗(yàn)證基于雙層X(jué)GBoost 算法的臺(tái)區(qū)用戶(hù)超短期負(fù)荷預(yù)測(cè)方法的可靠性。

3.1 實(shí)驗(yàn)數(shù)據(jù)

使用Redis 分布式緩存平臺(tái)采集樣本數(shù)據(jù)，其結(jié)構(gòu)如圖3 所示。

圖3 Redis分布式緩存平臺(tái)結(jié)構(gòu)

將該數(shù)據(jù)作為訓(xùn)練集訓(xùn)練初始參數(shù)，預(yù)測(cè)模型學(xué)習(xí)速率0.01 bit/ms，樣本大小為60 bit，懲罰系數(shù)為0.1，正則化項(xiàng)為0。真實(shí)數(shù)據(jù)采集結(jié)果如表1 所示。

表1 真實(shí)數(shù)據(jù)采集結(jié)果

3.2 實(shí)驗(yàn)指標(biāo)

利用負(fù)荷預(yù)測(cè)數(shù)值和真實(shí)負(fù)荷數(shù)值之間的差值來(lái)計(jì)算預(yù)測(cè)準(zhǔn)確率和均方根誤差，評(píng)價(jià)指標(biāo)計(jì)算公式為：

3.3 實(shí)驗(yàn)結(jié)果與分析

分別使用文獻(xiàn)[1]方法、文獻(xiàn)[2]方法和該文方法進(jìn)行實(shí)驗(yàn)測(cè)試，預(yù)測(cè)準(zhǔn)確率對(duì)比結(jié)果如圖4 所示。

圖4 三種方法預(yù)測(cè)準(zhǔn)確率對(duì)比分析

由圖4 可知，文獻(xiàn)[1]方法、文獻(xiàn)[2]方法和該文方法所對(duì)應(yīng)的準(zhǔn)確率最高點(diǎn)坐標(biāo)分別為[12,0.037,66.0]、[5,0.037,67.0]、[2,0.038,99.15]，說(shuō)明該文方法的預(yù)測(cè)準(zhǔn)確率高達(dá)99.15%。

對(duì)表1 數(shù)據(jù)進(jìn)行200 次迭代處理，三種方法的均方根誤差如圖5 所示。

圖5 三種方法的均方根誤差

由圖5 可知，文獻(xiàn)[1]方法、文獻(xiàn)[2]方法的均方根誤差分別在樣本為44 bit 和35 bit 時(shí)停留在0.46、0.25 不發(fā)生變化。使用該文方法在樣本為20 bit 時(shí)，停留在0.02 不再不發(fā)生變化，因此該文方法的均方根誤差較小。

4 結(jié)束語(yǔ)

文中設(shè)計(jì)了基于雙層X(jué)GBoost 算法的臺(tái)區(qū)用戶(hù)超短期負(fù)荷預(yù)測(cè)方法，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該文方法的可靠性，即使用雙層X(jué)GBoost 算法無(wú)需對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，該方法可以有效地滿(mǎn)足臺(tái)區(qū)用戶(hù)超短期負(fù)荷預(yù)測(cè)的實(shí)際需求。

雖然所研究方法具有一定可靠性，但雙層X(jué)GBoost 算法在訓(xùn)練學(xué)習(xí)過(guò)程中存在訓(xùn)練數(shù)據(jù)需求量大、泛化能力不佳的問(wèn)題。為使超短期負(fù)荷預(yù)測(cè)的效率達(dá)到最優(yōu)，將進(jìn)一步將雙層X(jué)GBoost 算法和訓(xùn)練學(xué)習(xí)結(jié)合起來(lái)，從而提升預(yù)測(cè)質(zhì)量與效率。