CN113743665A - 一种基于供电电网典型用户群用电负荷预测的方法 - Google Patents

Abstract

本发明公开了一种基于供电电网典型用户群用电负荷预测的方法，包括：步骤1，对典型用户群的用电负荷历史数据进行时间序列分解；步骤2，对基于时间序列分解出的趋势项进行求解，得到预测模型；步骤3，采用平均绝对误差MAE来对预测模型进行评估并优化；步骤4，采用优化后的预测模型对典型用户群进行用电负荷预测。本发明的技术效果在于，本发明基于时间序列分解和机器学习拟合相结合的方式建立用户用电量的预测模型，并引入了节假日对于用电负荷的影响，通过平均绝对误差来优化调整预测模型，从而得到了能够较为准确的预测用电负荷的预测模型，有利于电力供应企业根据未来的经济形势对用电量的影响提前做出判断，及时调整供电量并提前做好准备。

Description

一种基于供电电网典型用户群用电负荷预测的方法

技术领域

本发明涉及一种基于供电电网典型用户群用电负荷预测的方法。

背景技术

在现代社会中，用户的用电量与经济发展有非常强的相关性，往往反映了整个行业的发展趋势。通过较为准确的预测用户用电量水平，一方面能够精确的调度电力的供应水平，缓解电网的用电负载，另一方面也为相关经济研究提供了重要的研究线索。而时间序列预测分析是利用历史上某事件时间的特征来预测未来一段时间内该事件的特征。时间序列可以分为平稳序列，即存在某种周期，季节性及趋势的方差和均值不随时间变化的序列，及非平稳序列两大类。对变化的时间数据进行准确的预测是一类相对比较复杂的预测建模问题。多种因素均会对时间序列预测结果产生影响。

常见的预测有定性方法与定量方法两类。定性方法包括专家会议、类推预测和德尔菲法。它们通常适用于长期预测，一般在历史数据较少的情况下，依赖专家来进行预测，具有较强的主观性。定量方法主要包括线性回归预测法、非线性回归预测法、趋势外部推法、移动平均法、指数平滑法、自适应过滤法、平稳时间序列预测法等，它们一般适用于中短期预测。

在19世纪70年代早期，罗伯特G·布朗发现时间序列有一定的规律，能够反映未来的趋势，并提出指数平滑方法。方圆，唐广心将指数平滑法应用实际生活。高洪波，龚晓等国内学者使用指数平滑法应用时间序列预测。刘丹丹，刘亚波基于时间序列模型预测。2013年，Siddharth Arora提出了基于季节性负荷对于短期负荷预测的重要影响，能够较为准确地推算预测数据。贾明珠，康伟民使用机器学习方法预测未来序列数据。2017年，FACEBOOK公司的Taylor等提出一种新型的时间预测方法prophet，该方法结合了时间序列分解与机器学习，既考虑了不同时间周期对预测的影响，也考虑逻辑回归等非线性函数拟合方式对预测的影响。李涛，田杨阳使用循环神经网络预测未来时间序列上的信息；左松林，黄采用卷积神经网络对点亮负载进行研究；神经网络数据拟合性强可移植性好。但目前还没有一种能够根据供电电网典型用户的历史数据来进行用电负荷预测的方法

发明内容

为了解决目前供电电网典型用户的用电负荷没有合适的预测方法的技术问题，本发明提供一种能够较为准确的预测用电负荷的基于供电电网典型用户群用电负荷预测的方法。

为了实现上述技术目的，本发明的技术方案是，

一种基于供电电网典型用户群用电负荷预测的方法，包括以下步骤：

步骤1，对典型用户群的用电负荷历史数据进行时间序列分解；

步骤2，对基于时间序列分解出的趋势项进行求解，得到预测模型；

步骤3，采用平均绝对误差MAE来对预测模型进行评估并优化；

步骤4，采用优化后的预测模型对典型用户群进行用电负荷预测。

所述的一种基于供电电网典型用户群用电负荷预测的方法，所述的步骤1中，对典型用户群的用电负荷历史数据进行时间序列分解包括以下步骤：

将用电负荷历史数据所形成的时间序列y_t分成季节项S_t，趋势项T_t和剩余项R_t：

y_t＝S_t+T_t+R_t，其中t≥0

以乘法形式表示为：

y_t＝S_t×T_t×R_t

即等价为：

lny_t＝lnS_t+lnT_t+lnR_t

同时引入节假日对于时间序列的影响，表示为：

y(t)＝g(t)+s(t)+h(t)+ε_t

其中g(t)为趋势项，代表时间序列在非周期上的变化趋势；s(t)为周期项，代表序列周期性的变化；h(t)为节假日项，代表假期的影响；ε_t为服从高斯分布的误差项。

所述的一种基于供电电网典型用户群用电负荷预测的方法，所述的步骤2中，对基于时间序列分解出的趋势项进行求解包括以下步骤：

通过逻辑回归函数与分段线性函数对趋势项进行求解：

f(x)＝C/(1+e^-k(x-m))

其中C为逻辑回归曲线的最大渐进值，k为曲线的增长率，m表示曲线的中点。

所述的一种基于供电电网典型用户群用电负荷预测的方法，所述的C、k和m这三个参数，是随时间变化的动态参数，故有：

C＝C(t),k＝k(t),m＝m(t)

其中t≥0。

所述的一种基于供电电网典型用户群用电负荷预测的方法，所述的步骤3中，采用平均绝对误差MAE来对预测模型进行评估包括以下步骤：

通过求每个观察值和算术平均值误差的绝对值的平均得到平均绝对误差MAE：

其中Δ是MAE，Δ1，Δ2……Δn为每次测量的绝对误差。

所述的一种基于供电电网典型用户群用电负荷预测的方法，所述的步骤3中，预测模型的优化过程为：

根据Δ来调整预测模型的参数，从而使Δ的值不断降低，当Δ降低到预设阈值时，即完成预测模型的优化。

本发明的技术效果在于，本发明基于时间序列分解和机器学习拟合相结合的方式建立用户用电量的预测模型，并引入了节假日对于用电负荷的影响，通过平均绝对误差来优化调整预测模型，从而得到了能够较为准确的预测用电负荷的预测模型，有利于电力供应企业根据未来的经济形势对用电量的影响提前做出判断，及时调整供电量并提前做好供电准备。

附图说明

图1为用户全年用电负荷与时间关系示意图，其中(a)为A用户，(b)为B用户，(c)为C用户，(d)为D用户；

图2为用户全年滑动均值与标准差示意图，其中(a)为A用户，(b)为B用户，(c)为C用户，(d)为D用户；

图3为用户时间序列分解示意图，其中(a)为A用户，(b)为B用户，(c)为C用户，(d)为D用户；

图4为用户短期预测曲线图，其中(a)为A用户，(b)为B用户，(c)为C用户，(d)为D用户；

图5为用户中长期预测曲线图，其中(a)为A用户，(b)为B用户，(c)为C用户，(d)为D用户。

具体实施方式

本实施例所提供的基于供电电网典型用户群用电负荷预测的方法，包括以下步骤：

步骤1，对典型用户群的用电负荷历史数据进行时间序列分解。时间序列的分解(DecompositionofTimeSeries)，是把时间序列y_t分成季节项S_t，趋势项T_t，剩余项R_t。

y_t＝ S_t+T_t+R_t t≥0 (1)

此外，也有乘法形式，如式(2)：

y_t＝ S_t×T_t×R_t t≥0 (2)

以上算式等价于：

lny_t＝lnS_t+InT_t+lnR_t t≥0 (3)

在某些预测计算中，会先取对数，再进行各项的分解计算。

在实际生产生活中，除了以上各项之外，通常还有节假日影响，所以上式变化为：

y(t)＝g(t)+s(t)+h(t)+ε_t (4)

其中g(t)为趋势项，代表时间序列在非周期上的变化趋势。s(t)为周期项，代表序列周期性的变化。h(t)为节假日项，代表假期的影响，ε_t为服从高斯分布的误差项。通过对时间序列中的各特征项进行拟合，便可求得该序列的预测结果。

步骤2，对基于时间序列分解出的趋势项进行求解，得到预测模型。prophet方法中，求解趋势项主要是以逻辑回归函数与分段线性函数为主，公式如下：

f(x)＝C/(1+e^-k(x-m))(5)

其中C为逻辑回归曲线的最大渐进值，k为曲线的增长率，m表示曲线的中点。在现实求解中，这三个参数均非常数，而是随着时间迁移而变化，故在求解时，有以下函数：

C＝C(t),k＝k(t),m＝m(t) (6)

步骤3，采用平均绝对误差MAE来对预测模型进行评估并优化。选取不同的评价标注对模型的优化影响很大，选择合适的模型可以降低误差，提高预测的准确率。在本文中，用平均绝对误差MAE来评价预测模型的好坏。MAE是每个观察值和算术平均值误差的绝对值的平均：

以上为一组观测数据，Δ是MAE，Δ1，Δ2……Δn为每次测量的绝对误差。较好的模型会降低MAE，使得实际值和预测值更加接近。

步骤4，采用优化后的预测模型对典型用户群进行用电负荷预测。

下面根据所采集的实际用户用电情况来对本实施例作出实际运行分析。

本实施例选取大型商业综合体(简称：A)、大型居民小区(简称：B)、大型国有物业集团(简称：C)、大型电信运营商企业(简称：D)为代表进行实验。

首先对4个用户2019年用电负荷数据进行数据探索性分析。

用户用电负荷与时间的走势参见图1。总体来看，4个用户均呈现上下波动趋势和一定的周期性变化，其中大型商业体与大型电信业务提供商季节波动较其他用户为少，而政府用户与居民小区均呈现明显的季节性变化。下一步计算4个用户的滑动均值及标准差。参见图2，从滑动均值与平均值方面分析，4个用户的时序稳定性均较差，有一定的随机波动噪声，需要进一步的分解处理。参见图3，对4个用户进行时间序列分解，其中Trend为趋势性序列，Seasonal为周期性序列，Residual为剩余的残差信息序列。从时间序列分解结果来看，4个用户的Trend数据均具有较明显的趋势性，所分解的周期性分量的周期性也较强。但4个用户均有部分非周期的随机性数据，其中电信提供商的Residual分量较其他用户维多，表现较强的非周期性。

接下来对短期(1天，96个时刻点，15分钟间距)与中长期(1周，672个时刻，15分钟间距)进行预测验证。各用户的短期预测结果参见图4。可以看出，对各用户的用电负荷短期预测中，各类用户的趋势性拟合较好，均有呈现明显的周期性，但对单日周期来说，由于数据本身残差分量较大，绝对值上难以较准确的预测出来。

参见图5，在1周的预测周期上，各用户明显的周期性趋势预测较好，大型商业综合体、政府用户、大型居民小区的整体预测情况较好，基本拟合真实值，但对基础电信用户的预测波动性较大，应为数据中残差分量过多影响导致。

Claims (6)

1.一种基于供电电网典型用户群用电负荷预测的方法，其特征在于，包括以下步骤：

步骤1，对典型用户群的用电负荷历史数据进行时间序列分解；

步骤2，对基于时间序列分解出的趋势项进行求解，得到预测模型；

步骤3，采用平均绝对误差MAE来对预测模型进行评估并优化；

步骤4，采用优化后的预测模型对典型用户群进行用电负荷预测。

2.根据权利要求1所述的一种基于供电电网典型用户群用电负荷预测的方法，其特征在于，所述的步骤1中，对典型用户群的用电负荷历史数据进行时间序列分解包括以下步骤：

将用电负荷历史数据所形成的时间序列

分成季节项S_t，趋势项T_t和剩余项R_t：

其中t≥0

以乘法形式表示为：

即等价为：

同时引入节假日对于时间序列的影响，表示为：

其中g(t)为趋势项，代表时间序列在非周期上的变化趋势；s(t)为周期项，代表序列周期性的变化；h(t)为节假日项，代表假期的影响；ε_t为服从高斯分布的误差项。

3.根据权利要求1所述的一种基于供电电网典型用户群用电负荷预测的方法，其特征在于，所述的步骤2中，对基于时间序列分解出的趋势项进行求解包括以下步骤：

通过逻辑回归函数与分段线性函数对趋势项进行求解：

f(x)＝C/(1+e^-k(x-m))

其中C为逻辑回归曲线的最大渐进值，k为曲线的增长率，m表示曲线的中点。

4.根据权利要求3所述的一种基于供电电网典型用户群用电负荷预测的方法，其特征在于，所述的C、k和m这三个参数，是随时间变化的动态参数，故有：

C＝C(t),k＝k(t),m＝m(t)

其中t≥0。

5.根据权利要求1所述的一种基于供电电网典型用户群用电负荷预测的方法，其特征在于，所述的步骤3中，采用平均绝对误差MAE来对预测模型进行评估包括以下步骤：

通过求每个观察值和算术平均值误差的绝对值的平均得到平均绝对误差MAE：

其中Δ是MAE，Δ1，Δ2……Δn为每次测量的绝对误差。

6.根据权利要求5所述的一种基于供电电网典型用户群用电负荷预测的方法，其特征在于，所述的步骤3中，预测模型的优化过程为：

根据Δ来调整预测模型的参数，从而使Δ的值不断降低，当Δ降低到预设阈值时，即完成预测模型的优化。

Images