CN112016723A - 一种时间粒度可调节的电网负荷预测方法 - Google Patents

Abstract

本发明公开了一种时间粒度可调节的电网负荷预测方法。主要解决依据电网负荷的近期(三到五年)历史数据计算获得一个较长周期内(一整年)电网负荷在密集采样点上的预测数值。其实现步骤为：1.根据预测需求确定数据的时间粒度及数据的采样频度；2.构建多项式回归分析模型，依据近期历史数据通过差分进化算法拟合电网负荷的日变化趋势；3.通过线性回归分析来拟合电网负荷随年度变化的平均涨幅值；4.使用线性拟合得到的目标年份负荷涨幅值修正多项式拟合结果。可变的预测粒度及采样频率的调节提升了长周期负荷预测的灵活性，使得计算过程更易于平衡准确率与计算代价间的关系，为长周期电网负荷预测可同时提供多种备选方案。

Description

一种时间粒度可调节的电网负荷预测方法

技术领域

本发明属于数据挖掘领域，具体涉及一种针对高采样频率特征的电网负荷数据预测方法，所述方法能够提供可变的时间粒度及可调节的采样频率，为整年电网负荷预测提供多种备选方案。

背景技术

时间序列数据预测是数据挖掘领域重要的研究内容之一。电网负荷预测是指在充分考虑设备、自然和社会环境的影响下，构建一个用于处理电网负荷数据的数学模型，在满足一定精度的要求下，确定未来特定时刻的负荷数值。电网负荷预测技术水平的提高有利于合理安排电网运行方式和机组检修计划，有利于节约资源降低发电成本，有利于提高电力系统的经济和社会效益。因此，电网负荷预测已经成为实现电力系统智能化的重要内容之一，是现代化电力系统不可或缺的组成部分。

电网负荷预测受天气和社会活动等影响，在时间序列上表现为非平稳的随机过程，但这些影响因素中大部分都具有一定的规律性，从而为实现有效的预测奠定了基础。目前针对电网负荷预测的方法包括神经网络法、支持向量机法和模糊预测法等。神经网络法和支持向量机法的不足在于超参数的选择和可解释性低等，模糊预测法需要依赖较多的历史数据。由于同一地区电网负荷变化规律稳定的时间较短，故电网负荷预测不宜采用较长的电网负荷历史数据，比较合理的做法是采用最近三到五年内的数据来完成预测。利用短期历史数据能够减少电网内各用电单位结构变化引起的历史数据与当前实际状态的不一致性，更有效地反映当前电网的状态。此外，电网负荷预测往往需要一个长周期、高密度采样点的预测结果(通常是一整年)，这也进一步增大了预测计算的复杂性。

因此，一种适用于长周期、高密度采样点的预测方法更能满足电网负荷的需求。同时这一方法还能够灵活调节运算量和预测精度来满足不同的具体应用场景。基于多项式拟合模型的预测方法能够进行粒度可调节的预测，即时间粒度可以从季度、月逐步细化到周、天，而数据的采样频率可根据需求进行任意设置，甚至精确到分钟或秒。可变的时间粒度及采样频度提高了预测计算的灵活性，提出的基于多项式拟合模型预测方法所需数据少，能够满足任意精度和任意方式的预测要求，预测结果能够反应真实的电网变化规律，具有更强的适用性。

发明内容

针对现有电网负荷预测研究中预测方式缺乏灵活性的问题，本文提出了一种基于多项式拟合模型和时间轴修正的粒度可调节电网负荷预测方法，采用差分进化算法进行拟合模型优化，并对预测结果按照年份进行涨幅修正，得到目标年度的电网负荷。为此，需要解决的关键技术问题包括：按照不同的时间粒度和采样频率整理获得历史电网负荷数据；构建多项式拟合模型，采用差分进化算法(Differential Evolution，DE)进行拟合模型的优化；采用线性拟合学习电网负荷的逐年涨幅计算目标年度的涨幅数值；使用线性拟合得到的涨幅数值修正多项式拟合曲线，得到目标年度的电网负荷预测结果。为实现上述目的，本发明的具体技术方案如下：

一种时间粒度可调节的高频率电网负荷预测方法，所述方法包括以下步骤：

步骤1：按所需采样频率形成电网负荷历史数据集。具体为：

设可变采样频率为δ分钟/次，按照一天24小时，每小时60分钟计算，一天的总采样点数N＝24×60/δ。例如δ＝15分钟/次，则单位日内共有96个检测点。则单位日内电网负荷历史数据集可表示为以下形式

Data_i，j＝{X₁，X₂，...，X_N}，i＝year₁，year₂，...，j＝1，2，...，

其中，i表示年份，为保证用电单位的用电结构相对稳定，只采用近5年内的历史数据。j表示该年份的自然天数，X为一个采样点上的功率值(MW)。

步骤2：按所需时间粒度对电网负荷数据集进行分割。具体为：

所谓时间粒度是指拟合曲线所能代表的时间跨度，不同的时间粒度可表达不同时间跨度内的电网负荷数据的变化规律。时间粒度M可分为季度(s)、月(m)、周(w)、天(d)，即M∈{d，w，m，s}。譬如，以季度作为时间粒度，则整年的数据事实上被分为了4个区段，在每一区段中我们将计算一个拟合曲线，这个曲线将表达此季度内共同的负荷变化趋势。

根据时间粒度M和采样点数N，历史负荷数据集可表示为

T^p＝{Data_i，j|j∈p}，p＝1，2，...，

其中，p表示按照时间粒度将整年数据划分的区段数，则每个p包含该时间跨度下的所有天数。例如，当M是以s(季度)为粒度时，该粒度下的历史负荷数据集可表示为

T^p＝{Data_i，j|j∈p}，p＝1，2，3，4。

步骤3：构建多项式拟合模型，采用差分进化算法进行拟合模型的优化。具体为：

多项式拟合的最大优点就是可以通过增加高次项对实测点进行逼近，直至拟合结果满足要求为止。我们将通过多项式拟合模型刻画一个时间粒度中所有数据的共同变化规律，即通过一条拟合曲线表达一个时间粒度内所有自然天的变化规律。多项式拟合模型可表示如下

y＝a₀+a₁x+a₂x²+…+a_nxⁿ，x＝1，2，...，N，

其中a_i为拟合函数的系数。根据多项式拟合模型计算所得的第k(k＝1，2，...，N)个采样点的功率值为Y_k，故一个时间粒度内电网负荷的多项式拟合结果可表示为以下形式：

Poly＝{Y₁，Y₂，...，Y_N}，

建立多项式拟合模型后，我们将通过差分进化算法对该模型进行拟合优化。根据前文定义，以M为时间粒度，以N为采样点的数据组合中，一个时间粒度内的数据可表示为T^p。差分进化算法优化的目标是最小化多项式拟合模型与T^p中所有数据的均方差，这一目标函数可表示如下

其中，

当M是以s(季度)为粒度时，上述优化过程将执行4次，分别针对原始数据被划分成的4个区段，且每个区段上会得到一条对应的最优多项式拟合曲线。而当M是以d(天)为时间粒度时，预测系统会针对每天的原始数据计算一条对应的最优多项式拟合曲线。显然，前者运算量相对较低，而后者拟合曲线与每个区段内的实际数据变化规律更为贴近，其余时间粒度的上述两个特性则居中。故可根据具体问题的需求，通过调整时间粒度来平衡运算量与拟合准确度之间的关系。

步骤4：通过线性拟合预测目标年度整体电网负荷变化幅度。具体为：

在实际计算中，不同年份同一时间段上的数据变化趋势非常接近，但存在一定幅度的变化。主要表现为随着年份微幅递增。此步骤是希望通过拟合得到电网负荷逐年递增的幅度。为了获得电网负荷逐年变化趋势，首先需要获取不同年度的涨幅值。首先，一个T^p可以根据年份划分为若干个子块。

显然，历史数据包含多少个年份，T^p就将被分为几块。接着，从

开始直到最后一个子块，计算

与

之间平均值的差值。则一个粒度中逐年涨幅可表示为

其中，

表示计算子块

中所有数据的平均值。

获取同一时间粒度内的逐年电网负荷涨幅后，接下来对涨幅趋势进行拟合。为了减少由于电网内各用电单位结构变化引起的历史数据与当前实际状态的不一致性，可用历史数据的年份通常不超过5年，这导致可供拟合计算的数据点较少，故此部分采用一个基本线性拟合进行计算。其拟合公式为

L＝b×year+c，

其中b和c表示拟合系数，year为年份值。根据计算得到的涨幅集合A^p，则线性拟合的目标函数可表示为

最后，针对粒度数据T^p通过线性拟合公式可计算得到一个预测年度的涨幅值l^p。

步骤5：使用线性拟合得到的涨幅数值修正多项式拟合曲线，得到目标年度的电网负荷预测结果。具体为：

针对粒度数据T^p得到了Poly＝{Y₁，Y₂，...，Y_N}，采用线性拟合得到目标年度涨幅预测值为l^p。则此时间粒度内修正结果为

Pred＝{Y_k+l^p|k＝1，2，...，N}，

对数据集中所有T^p进行上述修正计算可得到最终结果。

本发明的有益效果：本发明针对现有电网负荷预测模型预测方式不灵活的问题，采用多项式回归模型拟合电网负荷，保证模型对历史电网负荷数据表达的准确性；拟合不同年度之间电网负荷整体的差异性，对预测结果进行修正，保证预测结果符合当前时段的变化规律。

附图说明

图1为本发明的总流程图；

图2为本发明实施例中2015年1月1日、2016年1月1日和2017年1月1日的电网负荷变化曲线；

图3为本发明实施例中对2015年1月1日、2016年1月1日和2017年1月1日网供总加拟合结果；

图4为本发明实施例中对不同年份之间涨幅的拟合结果；

图5为本发明实施例中对2018年1月1日网供总结预测结果；

具体实施方式

参照图1，本实施例以月为时间粒度和96个采样点的预测方式进行说明，取某地区2015年、2016年和2017年的数据作为历史数据集，对2018年1月1日电网负荷进行预测，具体实现步骤如下：

步骤1：按照所需采样频率形成电网负荷数据集。

以网供负荷为目标，对原始数据进行处理并按照时间点存储，形成一个时间序列，如图2所示为2015年1月1日、2016年1月1日和2017年1月1日的电网负荷变化曲线；

步骤2：按所需时间粒度对电网负荷数据集进行分割。

以月为时间粒度，将同一月的所有数据整理在一起，即将2015年1月、2016年1月和2017年1月的所有数据整理在一起，记为

T¹＝{Data_i，j|j∈p}，p＝1，

其中，Data_i，j＝{X₁，X₂，...，X₉₆}，i∈{2015，2016，2017}，j＝1，2，...。

步骤3：构建多项式拟合模型，采用差分进化算法进行拟合模型优化。

针对步骤2中已经整理的数据T¹，采用差分进化算法对数据进行拟合。建立多项式拟合模型，这里取n＝8，则多项式模型为：

y＝a₀+a₁x+a₂x²+…+a₈x⁸，

采用差分进化算法对集合T¹中的所有数据进行拟合，得到该月对应的最优多项式为：

将对应的多项式系数带入多项式可得到对应的最优数据表达结果，如图3表示对2015年1月1日、2016年1月1日和2017年1月1日的表达结果，其中按月拟合采用整个月的数据进行拟合，得到一条代表该月变化规律的最优拟合结果，同时也代表了该月每一天的拟合结果。

步骤4：时间轴修正，采用线性拟合学习电网负荷的逐年涨幅计算目标年度的涨幅数值。

根据年份将T¹进行分割，按照年份计算不同部分平均值之间的差值，采用线性拟合得出不同年份的涨幅情况。如图4所示为拟合得到的涨幅曲线，对应的表达式为：

根据拟合得到的逐年涨幅曲线，计算2017到2018年的涨幅情况，则预测得到2018年1月的涨幅为：

步骤5：使用线性拟合得到的涨幅数值修正多项式拟合曲线，得到目标年度的电网负荷预测结果。

根据步骤3和步骤4的计算结果，计算2018年1月1日的电网负荷预测结果为：

如图5所示表示2018年1月1日的预测结果。为了更加直观地表明该预测方式的有效性，对预测结果的预测误差率进行计算，方法如下

其中y_true和y_pred均代表一个1×96的矩阵，计算对应矩阵的平均值得到预测误差率为3.19％。

Claims (1)

1.一种时间粒度可调节的高频率电网负荷预测方法，所述方法包括以下步骤：

步骤1：按所需采样频率形成电网负荷历史数据集，具体为：

设可变采样频率为δ分钟/次，按照一天24小时，每小时60分钟计算，一天的总采样点数N＝24×60/δ；例如δ＝15分钟/次，则单位日内共有96个检测点；则单位日内电网负荷历史数据集可表示为以下形式

Data_i，j＝{X₁，X₂，...，X_N}，i＝year₁，year₂，...，j＝1，2，...，

其中，i表示年份，为保证用电单位的用电结构相对稳定，只采用近5年内的历史数据；j表示该年份的自然天数，X为一个采样点上的功率值(MW)；

步骤2：按所需时间粒度对电网负荷数据集进行分割，具体为：

所谓时间粒度是指拟合曲线所能代表的时间跨度，不同的时间粒度可表达不同时间跨度内的电网负荷数据的变化规律；时间粒度M可分为季度(s)、月(m)、周(w)、天(d)，即M∈{d，w，m，s}；譬如，以季度作为时间粒度，则整年的数据事实上被分为了4个区段，在每一区段中我们将计算一个拟合曲线，这个曲线将表达此季度内共同的负荷变化趋势；

根据时间粒度M和采样点数N，历史负荷数据集可表示为

T^p＝{Data_i，j|j∈p}，p＝1，2，...，

其中，p表示按照时间粒度将整年数据划分的区段数，则每个p包含该时间跨度下的所有天数；例如，当M是以s(季度)为粒度时，该粒度下的历史负荷数据集可表示为

T^p＝{Data_i，j|j∈p}，p＝1，2，3，4；

步骤3：构建多项式拟合模型，采用差分进化算法进行拟合模型的优化，具体为：

多项式拟合的最大优点就是可以通过增加高次项对实测点进行逼近，直至拟合结果满足要求为止；我们将通过多项式拟合模型刻画一个时间粒度中所有数据的共同变化规律，即通过一条拟合曲线表达一个时间粒度内所有自然天的变化规律；多项式拟合模型可表示如下

y＝a₀+a₁x+a₂x²+…+a_nxⁿ，x＝1，2，...，N，

其中a_i为拟合函数的系数；根据多项式拟合模型计算所得的第k(k＝1，2，...，N)个采样点的功率值为Y_k，故一个时间粒度内电网负荷的多项式拟合结果可表示为以下形式：

Poly＝{Y₁，Y₂，...，Y_N}，

建立多项式拟合模型后，我们将通过差分进化算法对模型进行拟合优化；根据前文定义，以M为时间粒度，以N为采样点的数据组合中，一个时间粒度内的数据可表示为T^p；则差分进化算法优化的目标是最小化多项式拟合模型与T^p中所有数据的均方差，这一目标函数可表示如下

其中，

Y_k∈Poly，X_k∈Data_i，j；

当M是以s(季度)为粒度时，上述优化过程将执行4次，分别针对原始数据被划分成的4个区段，且每个区段上会得到一条对应的最优多项式拟合曲线；而当M是以d(天)为时间粒度时，预测系统会针对每天的原始数据计算一条对应的最优多项式拟合曲线；显然，前者运算量相对较低，而后者拟合曲线与每个区段内的实际数据变化规律更为贴近，其余时间粒度的上述两个特性则居中；故可根据具体问题的需求，通过调整时间粒度来平衡运算量与拟合准确度之间的关系；

步骤4：通过线性拟合预测目标年度整体电网负荷变化幅度，具体为：

在实际计算中，不同年份同一时间段上的数据变化趋势非常接近，但存在一定幅度的变化；主要表现为随着年份微幅递增；此步骤是希望通过拟合得到电网负荷逐年递增的幅度；为了获得电网负荷逐年变化趋势，首先需要获取不同年度的涨幅值；首先，一个T^p可以根据年份划分为若干个子块

显然，历史数据包含多少个年份，T^p就将被分为几块；接着，从

开始直到最后一个子块，计算

与

之间的平均值的差值；则一个粒度中逐年涨幅可表示为

其中，

表示计算子块

中所有数据的平均值；

获取同一时间粒度内的逐年电网负荷涨幅后，接下来对涨幅趋势进行拟合；为了减少由于电网内各用电单位结构变化引起的历史数据与当前实际状态的不一致性，可用历史数据的年份通常不超过5年，这导致可供拟合计算的数据点较少，故此部分采用一个基本线性拟合进行计算；其拟合公式为

L＝b×year+c，

其中b和c表示拟合系数，year为年份值；根据计算得到的涨幅集合A^p，则线性拟合的目标函数可表示为

最后，针对粒度数据T^p通过线性拟合公式可计算得到一个预测年度的涨幅值l^p；

步骤5：使用线性拟合得到的涨幅数值来修正多项式拟合曲线，得到目标年度的电网负荷预测结果，具体为：

针对粒度数据T^p得到了Poly＝{Y₁，Y₂，...，Y_N}，采用线性拟合得到目标年度涨幅预测值为l^p，则此时间粒度内修正结果为

Pred＝{Y_k+l^p|k＝1，2，...，N}，

对数据集中所有T^p进行上述修正计算可得到最终结果。

Images