基于用電模式數的大用戶負荷短期預測技術研究

欒開寧， 鮑 敏， 易永仙，趙雙雙

(1. 國網江蘇省電力有限公司， 江蘇 南京 210024；2. 國網江蘇省電力有限公司電力科學研究院，江蘇 南京 211103)

0 引言

近年來，我國電力高峰負荷的持續增長以及間歇性能源的迅猛發展增加了電網調度運行的難度，對電網運行調節提出新的重大挑戰[1-3]。需求側管理成為削峰填谷、平衡電網缺口的重要措施。而提高負荷容量預測的準確性對于激勵用戶參與需求側管理及提高需求側管理質量是非常必要的[4]。

負荷預測主要分為居民用電，商業用電以及工業用電三大類[5]。其中工業用戶整體的電能消耗在電能總消耗中所占比例較大，存在巨大的節能潛力，是需求響應實施的良好對象。工業用戶負荷曲線特性含有非常豐富的用電信息。同一行業的不同企業也會由于生產計劃、用電設備以及公司的管理水平等不同導致負荷特性的差異[6]。因此，只按照行業進行分類是粗糙且不嚴謹的。短期負荷預測方法有回歸分析法、相似日法、小波分析法以及支持向量機(support vector machines， SVM)等方法[7-8]。但由于用電負荷的復雜多樣性，以上方法往往只對某一類負荷具有良好的效果，并不具有較強的廣泛適用性[9-12]。

由于傳統負荷預測方法適用性差，故本文通過月均負荷率和負荷標準差與月均負荷率的比值劃分大用戶，明確其負荷特性分類[13-15]。基于此，文中提出一種基于負荷決策預測樹的用電模式數預測方法，根據不同類型的大用戶制定針對性的預測方法，提高可調度容量的預測精確度，為電力營銷需求響應業務的快速發展提供技術支撐。

1 工業用戶負荷特性分析

選取華東某市50個大用戶，對其進行分類，再深入負荷曲線分析、波動曲線分析以及連續負荷分析等得出其用電模式和規律，提高預測的準確性。文中選取時間段為2013年6月1日～28日。

1.1 負荷率分析及用戶分類

文中通過月均負荷率和負荷標準差與月均負荷率的比值劃分大用戶，以月均負荷率0.4，0.6，0.8為界對50個大用戶進行劃分，可分為4類用戶，再以“負荷率標準差/月負荷率=0.1”為界，可進一步劃分為7類大用戶，分類結果見圖1?？梢钥吹剑珹、C、D、F 4類用戶數較多，B、E、G 3類用戶數較少。為便于分析，從上述各類用戶中抽取典型代表，作進一步的分析，見表1。

圖1 50名用戶分類Fig.1 50 users classification

表1 各類別用戶特性分析Tab.1 Analysis of different kinds user characteristics

1.2 典型負荷曲線、波動曲線分析

根據上述的大用戶分類，作出7類典型用戶的負荷曲線(圖2)以及波動曲線(圖3)。圖2反映了大用戶一天內的負荷變化，由圖可見A、B類大用戶負荷的波動極??；C類大用戶波動較大，但波動特性接近系統負荷，有早高峰和晚高峰現象；D、E、F、G 4類大用戶負荷的波動較大，且波動特性各不相同。圖3反映了用戶負荷曲線在各個時段的波動性大小，值越大，對應大用戶負荷在該時段上不同日之間的負荷差異越大。A、C、E類用戶的值較小且穩定，說明這3類大用戶有較強的用電規律，利于預測。B類呈現階梯波動，除了突變點，其他時段都很穩定，也較利于預測。D、F、G類大用戶的波動值較高，說明用電模式較多，規律性差，難以準確預測。

圖2 典型用戶負荷曲線Fig.2 Typical user load curve

圖3 典型用戶波動曲線Fig.3 Typical user fluctuation curve

1.3 連續負荷曲線分析

分別對7種類別中的典型大用戶進行28 d連續負荷曲線分析。分別以各類典型代表企業為例，由圖4整體分析可知，A、B、C、E類呈現重復用電模式，說明用電模式比較固定，可預測性高。D、F、G類負荷波動都十分劇烈，不存在顯著的重復性模式，預測難度比較大。從圖4的細節分析可知：

(1) A類重疊負荷曲線呈現重復式的用電模式，用電模式為4種(忽略只出現一次的異常模式)，在時段20(早上10點)前有較小的波動差異。因此，對此用戶采用基于用電模式的預測方法。

(2) B類典型大用戶整體呈現整天負荷率比較高的單一用電模式(忽略只出現一次的異常模式)，即使是低谷負荷標幺值也在0.9之上。結合B類連續負荷曲線不難發現，B類典型用戶負荷水平在6.2～6.8 kW之間波動，波動差小于10%。這種模式對負荷預測工作是十分有利的。

圖4 7種類型的負荷曲線(左邊：重疊繪制；右邊：連續繪制)Fig.4 7 types of load curves(left： overlap drawing； right： continuous drawing)

(3) C類用電模式整體上為單一的雙峰雙谷用電模式(早高峰+下午高峰，中午低谷+晚低谷)。結合C類連續負荷曲線，發現其負荷波動區間為7.8～12.0 kW左右，負荷水平變化較大，但從單日來看規律性較強，總體而言具有一定的用電規律。

(4) D、F、G類負荷波動都十分劇烈，用電模式(大于7種)不存在顯著的重復性模式，變化錯綜復雜，預測難度比較大，此類用戶與最近日的負荷有著較強的相關性，因此可以采用最近日負荷預測法[9]。用戶負荷特性差異如此之大，一是因為用戶所屬行業千差萬別，二是即使屬于同一行業，不同用戶所屬行業上下游差異、生產計劃的差異都會導致負荷特性不盡相同[10]。

2 需求側資源可調度容量預測方法

通過大用戶負荷的特性分析，為了進一步提高大用戶短期負荷預測的準確度，文中提出基于決策樹的個性化用戶負荷預測思路。通過上述分析提取典型用電模式，根據模式數多少選擇預測方法。如對于用電模式單一的情況，可以采用聚類還原法；對于用電模式適中(2～6種)的情況，采用基于用電模式挖掘的用戶側短期負荷預測法；對于模式較多(大于7種)的情況，采用最近日負荷預測法。對于用電模式變化較大的D、F、G類鋼鐵等行業大用戶負荷，由于其負荷呈現鋸齒形波動特征，采用小波包分解法[12]，先通過頻域處理將鋸齒形波動分量剔除，再基于剩余的穩定分量進行預測。

方案一：聚類預測還原法。適用于用電模式單一的大用戶，將這一類型的所有用戶聚類加總形成聚類負荷，其中每個用戶占整個聚類負荷的配比因子也較為穩定。通過預測出整個聚類負荷再乘以配比因子即可快速預測得到每個用戶負荷。算法步驟如下：

將所有用電模式數為1的大用戶加總形成聚類負荷；基于聚類負荷，采用對照方案二的方法進行預測；維護“聚類負荷——用戶負荷”配比模型，根據聚類負荷預測結果，得到每個用戶負荷的預測值[15]。配比因子可通過平滑近日配比因子得到。對于系統短期負荷而言，其負荷預測評價指標一般采用絕對百分比誤差(mean absolute percent error，MAPE)值，以日負荷曲線yt為例，其MAPE指標值計算公式如下：

(1)

MAPE指標具有相對誤差的性質，有效避免了負荷水平對預測結果評價的影響。但當負荷水平較低甚至為0時，預測精度指標發散，此時MAPE指標數值巨大，不具有可比性，難以據其判斷預測結果的好壞。因此，MAPE指標難以應用在負荷水平較低的用戶負荷上。

大用戶都擁有自己的報裝容量，報裝容量一般是固定的，但也會隨著用戶安裝新的電氣設備而增加?？梢圆捎脠笱b容量值Y代替dMAPE中分母yt，從而避免精度指標發散的情況。這樣設計的精度指標稱為客戶的絕對百分比誤差(customer mean absolute percent error,CMAPE)，表達式如下：

(2)

式中：CMAPE值為預測誤差占用戶報裝容量的平均比例， CMAPE值越大，平均預測誤差越大。用1減去CMAPE值，即為用戶負荷預測的百分比精度。

方案二：基于用電模式挖掘的大用戶短期負荷預測法。適用于模式適中的大用戶，通過統計其歷史用電模式出現順序，采用統計決策方法得到其模式的狀態轉移矩陣，依據此矩陣決策出待預測日用戶的用電模式，再對歷史日中同一模式的負荷曲線進行指數平滑，得到待預測日負荷。算法步驟如下：

采用聚類分析法(無監督聚類)對歷史負荷進行聚類，生成典型用電模式集合A={1， 2，…，i，…，N}，并得到每一個歷史日的生產模式。

根據用戶歷史日生產模式的辨識結果，生成狀態轉移矩陣M，該矩陣記錄了基準日用電模式固定為i的條件下，待預測日用電模式服從各典型生產模式j(j=1，2，…，N)的概率Mij。依據基準日u0生產模式i和這一矩陣，決策出轉移概率最大的生產模式Mik=max(Mi1，Mi2，…，MiN)，即待預測日r0最有可能出現的生產模式。

從歷史日中篩選出用電模式為k的歷史日r1，r2，…，rn，其下標越小，表示離待預測日r0越近，r1最近，rn最遠。按照歷史日負荷與待預測日r0的遠近取指數平滑權重，離待預測日越近，權重越大。權重wl如下：

wl=α(1-α)l-1l=1，2，…，n

(3)

將歷史日rl負荷曲線按wl加權求和，得到待預測日負荷曲線Pr0，其中Prl為歷史rl負荷曲線。

(4)

方案三：最近日負荷預測法。適用于用電模式較多的用戶，最近日負荷對其未來負荷的影響較大，因此可直接采用最近日負荷作為預測結果[16]。

3 某省級電網算例分析

為了考察用電模式挖掘預測法的性能，將其與最近日預測法、最近三日預測法、向量機(support vector machine,SVM)預測法進行對比分析[17]。對本文選取的50個大用戶的數據進行分析，可以看到，對于大多數大用戶負荷，采用模式挖掘預測法的精度是最高的，尤其對于其中一部分用戶，例如用戶35～38，預測精度有顯著提升。

圖5 用戶短期負荷預測誤差Fig.5 Users short-term load forecasting error

對每個用戶，對4種方法的預測精度進行排序，找到各自最優的預測方法。統計每種預測方法為最優預測的比例，如表2所示，不難發現，模式預測法的占比高達52.00%。同時統計4種方法的平均精度，由表2可見，模式數預測法的精度高達93.51%，比其他方法平均提高了0.49%。結果表明模式挖掘預測法的效果是最好的。

表2 4種預測模式對比Tab.2 Comparison of four forecasting models %

4 結語

文中通過對7種典型的大用戶負荷分析，可以得出以下結論：(1) 不同大用戶的負荷特性個性不一，差異十分之大，部分呈現規律的用電模式，部分用戶負荷呈現出與越近歷史負荷日的相關性越強，并無明顯的周期。(2) 針對不同的大用戶類型，文中采用基于用電模式數的預測方法，對于用電模式單一的情況采用聚類還原法；對于用電模式適中(2～6種)的情況，采用基于用電模式挖掘的用戶側短期負荷預測法；對于模式較多(大于7種)的情況，采用最近日負荷預測法。(3) 對比模式數預測方法與最近日預測法、最近三日預測法、SVM預測法可知，模式數預測法的精度高達93.51%，比其他方法平均提高0.49%。事實證明模式數預測法可有效提高負荷預測的準確性。

參考文獻：

[1] 王 珂，姚建國，姚良忠，等. 電力柔性負荷調度研究綜述[J]. 電力系統自動化，2014，38(20)：127-135.

WANG Ke，YAO Jianguo，YAO Liangzhong，et al. Survey of research on flexible loads scheduling technologies[J]. Automation of Electric Power Systems，2014，38(20)：127-135.

[2] 牛東曉，陳志強. 電力市場下的需求響應研究[J]. 華東電力，2008(9)：5-9.

NIU Dongxiao，CHEN Zhiqiang. Demand response in electricity markets[J]. East China Electric Power，2008(9)：5-9.

[3] 馬燕軍，陳嘉曦，華亮亮，等. 電力需求側的超短期負荷預測分析[J]. 機電信息，2015(21)：122-123，125.

MA Yanjun，CHEN Jiaxi，HUA Liangliang，et al. Study on short-term forecasting of power demand-side[J].Mechanical and Electrical Information，2015(21)：122-123，125.

[4] 馬 朝，王 瑩，史 雷. 基于組合模型的制造業用電量預測[J]. 管理觀察，2017(9)：34-36.

MA Chao，WANG Ying，SHI lei. Prediction of electricity consumption in manufacturing industry based on combination model[J]. Management Observer，2017(9)：34-36.

[5] 包哲靜. 支持向量機在智能建模和模型預測控制中的應用[D]. 杭州：浙江大學，2007.

BAO Zhejing. Applications of support vector machine in intelligent modeling and model predictive control[D]. Hangzhou：Zhejiang University，2007.

[6] 張素香，趙丙鎮，王風雨，等. 海量數據下的電力負荷短期預測[J]. 中國電機工程學報，2015，35(1)：37-42.

ZHANG Suxiang，ZHAO Bingzhen，WANG Fengyu，et al.Short-term power load forecasting based on big data[J]. Proceedings of the CSEE，2015，35(1)：37-42.

[7] 張 欽，王錫凡，王建學，等. 電力市場下需求響應研究綜述[J]. 電力系統自動化，2008，32(3)：97-106.

ZHANG Qin，WANG Xifan，WANG Jianxue，et al. Survey of demand response research in deregulated electricity markets[J]. Automation of Electric Power Systems，2008，32(3)：97-106.

[8] 陳明照，毛 堅，杜宗林，等. 基于聚類法的工業用戶需求側管理(DSM)方案分析與研究[J]. 電力系統保護與控制，2017，45(7)：84-89.

CHEN Mingzhao，MAO Jian，DU Zonglin，et al. Analysis on demand side management scheme of industrial enterprise based on clustering method[J]. Power System Protection and Control，2017，45(7)：84-89.

[9] 孫海斌，李 揚，盧 毅，等. 電力系統短期負荷預測方法綜述[J]. 江蘇電機工程，2000(2)：9-13，17.

Sun Haibin，Li Yang，Lu Yi，et al. Synthesis of the short-term load forecast method of power system[J]. Jiangsu Electrical Engineering，2000(2)：9-13，17.

[10] 王德文，孫志偉. 電力用戶側大數據分析與并行負荷預測[J]. 中國電機工程學報，2015，35(3)：527-537.

WANG Dewen，SUN Zhiwei. Big data analysis and parallel load forecasting of electric power user side[J]. Proceedings of the CSEE，2015，35(3)：527-537.

[11] 曾 鳴，李 娜，王 濤，等. 兼容需求側資源的負荷預測新方法[J]. 電力自動化設備，2013，33(10)：59-62，73.

ZENG Ming，LI Na，WANG Tao，et al. Load forecasting compatible with demand-side resources[J]. Electric Power Automation Equipment，2013，33(10)：59-62，73.

[12] 程建東，杜積貴. 組合預測方法在電力負荷預測中的應用[J]. 江蘇電機工程， 2011， 30(6)： 38-40，44.

Cheng Jiandong，Du Jigui. Application of combined method in power load forecasting[J]. Jiangsu Electrical Engineering， 2011， 30 (6)： 38-40，44.

[13] 沈 沉，秦 建，盛萬興，等. 基于小波聚類的配變短期負荷預測方法研究[J]. 電網技術，2016，40(2)：521-526.

SHEN Chen，QIN Jian，SHENG Wanxing，et al. Study on short-term forecasting of distribution transformer load using wavelet and clustering method[J]. Power System Technology，2016，40(2)：521-526.

[14] 林啟開，王 珂，余 坤，等. 峰谷電價下居民用電聚合響應特性分析[J]. 電力工程技術，2017，36(3)：88-93.

Lin Qikai，Wang Ke，Yu Kun，et al. Analysis on the polymeric response characteristics of residents under the peak and valley electricity price[J]. Electric Power Engineering Technology，2017，36(3)：88-93.

[15] 宗 柳，李 揚，王蓓蓓. 計及需求響應的多維度用電特征精細挖掘[J]. 電力系統自動化，2012，36(20)：54-58.

ZONG Liu，LI Yang，WANG Beibei. Fine-mining of multi-dimension electrical characteristics consi-dering demand response[J]. Automation of electric power system，2012，36(20)：54-58.

[16] 陶小馬，周 雯. 電力需求響應的研究進展及文獻述評[J]. 北京理工大學學報(社會科學版)，2014，16(1)：32-40.

TAO Xiaoma，ZHOU Wen. A review of the research on electricity demand response[J]. Journal of Beijing Institute of Technology(Social Sciences Edition)，2014，16(1)：32-40.

[17] 馬小慧，陽育德，龔利武. 基于Kohonen聚類和SVM組合算法的電網日最大負荷預測[J]. 電網與清潔能源，2014，30(2)：7-11.

MA Xiaohui，YANG Yude，GONG Liwu. Forecasting of the daily maximum load based on a combined model of Kohonen clustering and SVM[J]. Power System and Clean Energy，2014，30(2)：7-11.