電力現貨市場的售電公司短期負荷預測

唐 猛，董曉琦，蔣睿辰

（1.深圳能源售電有限公司，廣東 深圳 518000；2.廣東工業大學，廣州 510006）

0 引言

自2015年3月提出我國要開展新一輪電力體制改革（以下簡稱“電改”）以來，各省根據電量規模、電源結構及市場主體對電改的適應情況等因素紛紛制定了相應的市場交易規則。隨著電改的不斷深入，以廣東省為代表的“月度競價規則”歷經了近2年的運轉，已經到達了市場建設的瓶頸，急需開展電力現貨市場來繼續推進電改的進程。因此，2017年9月國家發改委、能源局印發了《關于開展電力現貨市場建設試點工作的通知》，選擇8個地區作為第一批電力現貨市場建設試點。廣東省作為本輪電改的排頭兵，在經歷過“月度負荷預測”和“月度偏差考核”的規則后，已經率先啟動了部分主力售電公司日前負荷曲線的申報工作。由于電力現貨市場具有交易品種復雜、交易頻率高和價格波動大等特點，因此售電公司需要著力提高超短期負荷的預測水平，從而使自身在現貨市場中的能量市場、容量市場、輔助服務市場及需求側響應市場中利潤最大化。

相似日算法[1-4]已被廣泛應用于電力系統的短期負荷預測中。該算法的核心是根據相關影響因素選取出相似日后，根據相似日與預測日的差異來進行修正調整。在發生特殊事件干擾的情況下，也可以根據特殊事件對負荷的影響來修正預測日的負荷曲線。但相似日算法存在以下問題：

（1）在選取相似日時，通常只考慮一些常規邊界因素，如日期類型、氣象條件等，容易造成無法找到相似日或找到的相似日與待預測日的負荷特性曲線相差較大的情況。

（2）缺乏自主學習和自適應推理能力，在選取出相似日后，需要人工干涉修正相似日的負荷才能得到預測日的負荷，對于修正相似日負荷缺乏一個合理的處理方法，修正的方法不同，會導致結果的差異較大。

針對單一預測模型存在的缺陷[5]，很多文獻提出了多種方法對預測方法進行改善，以提高超短期負荷預測的精度。文獻[6]建立了EEMDLSSVM模型，通過EEMD（集合經驗模擬分解）增強超短期負荷序列的平穩性，在LSSVM（最小二乘支持向量機）預測中使用貝葉斯證據方法對參數進行優化，有效提高了預測精度，增強了數據曲線的平滑性。文獻[7]針對超短期電力負荷預測中負荷波動巨大的問題，提出了一種基于掛起準則的多模型集總極限學習算法。文獻[8]通過采用主成分與灰色關聯分析方法選擇相似日，分析綜合因子與各影響因素的關系，計算各個影響因素的權重。文獻[9]將一種帶擴展記憶的PSOEM（粒子群優化技術）和支持向量回歸相結合，提高以歷史負荷數據、氣象因素等作為輸入的基于PSOEM-SVR的短期電力負荷預測方法。文獻[2]和文獻[10]引入粒子群算法來優化LS-SVM短期負荷預測模型中的參數，以提高預測效果。

上述研究都是針對全網或局部分布較為集中的用戶的負荷預測研究[11]，由于售電公司的客戶具有離散分布、行業結構多樣化、分時歷史數據缺乏等特征，因此售電公司的短期負荷預測與電網常規的短期負荷預測相比，難度更大、更復雜。

本文通過對售電公司的客戶負荷特征進行分析，針對相似日算法存在的問題，提出了一種基于改進狼群算法與SVM（支持向量機）相結合的短期負荷預測方法，將日期類型、氣象條件、近期同類型日日平均負荷和隨機干擾事件等因素引入到相似日的選取中，并運用改進的人工狼群算法對SVM模型的主要參數進行優化，從而實現基于電力現貨市場的售電公司日負荷曲線預測。

1 短期負荷預測的影響因素

通過對不同負荷類型特性的對比分析后，本文首先將影響用戶分時負荷曲線的因素歸納為：日期類型、氣象條件、近期同類型日的日平均負荷和干擾事件4項。日期類型是指當日為星期幾、工作日、休息日或節假日等對負荷曲線產生影響的日特征因素；氣象條件是指包括最高和最低溫度、是否降雨及雨量大小、天氣類型等影響負荷曲線的氣象特征因素[12]；近期同類型日的日平均負荷是指近幾日同類型日的同一時刻的負荷平均值，能夠反映客戶的近期負荷水平，也是影響負荷曲線預測準確度的重要特征因素；干擾事件是指客戶個體的用電情況變化，如故障檢修、生產計劃變更、市場波動、產業政策等突發事件對負荷曲線造成影響的特征因素。

1.1 日期類型

根據分組映射的方法將日期數據映射到[0，1]區間，將日期類型分為3類：第一類是周一—周五為正常工作日時，映射范圍為[0，0.5]；第二類是周六、周日，為介于節假日與工作日之間的日期類型，映射范圍為[0.6，0.7]；第三類是小長假、黃金周、春節假期等，映射范圍為[0.8，1]。

1.2 氣象條件

將當日負荷所在區域的溫度（最高、最低、平均值）映射到[0，1]區間，映射邊界為對應所在區域的歷史溫度數據極值；天氣類型（陰、晴、臺風等）映射至[0，1]，分別映射 0.8，0.5，0.2等；降雨量映射至[0，1]區間，對應暴雨、大雨、中雨、小雨、陣雨5個等級[3]分別映射為1.0，0.8，0.6，0.4，0.2；不同季節對負荷的影響也不盡相同，因此將季節類型（春、夏、秋、冬）分別映射至[0，1]區間，分別映射為0.2，0.4，0.6，0.8。

1.3 近期同類型日日平均負荷

由于相似日算法遵循“近大遠小”的規則[13]，且負荷曲線的形態及客戶用電特性在沒有較大干擾事件的影響下具有較強的延續性，即近期同類型日（如同為工作日或周末）的相同時刻負荷具有一定的相似性，因此近期同類型日的日平均負荷曲線為預測時需要參照的基準曲線。本文引入近期同類型日的日均負荷曲線的相關系數ρ，表示待預測日第i日與相似日第j日的近期負荷特性相似度， 取值范圍為[0， 1]， 其中 Cov（Xi， Xj）為2個日特征向量的協方差，σ1和σ2為各自的標準差，其值越大表示相關性越強，則日相關系數為：

1.4 隨機干擾事件

由于相似日算法對當日邊界條件的依賴性較強[14]，而即便是在其它邊界條件完全相似的情況下，某些客戶的干擾事件影響即突變也是分時負荷曲線預測的關鍵點，因此基于干擾事件對分時負荷的量化修正是負荷曲線預測的關鍵。由于在現貨市場開展初期，售電公司及客戶對于突發因素的干擾預判缺乏經驗，在雙方還未形成有效的互動機制之前，本文對干擾事件的定量化處理采用專家干預的方式，即將可預測的突發事件所產生的電量偏差按比例折算至時刻負荷。

2 相似日的選取方法

根據第1節對影響因素的定義，設待預測日第i日量化后的特征向量為Xi=[Xi1，Xi2，…，Xim]=[日類型，氣象因子，日相關系數，隨機干擾]，其數值設定方法同第1節，m為特征因素的維度，歷史日的特征向量為Xj，則歷史日與待預測日的相似度函數為：

式中：aik為向量Xi的第k維特征元素所對應的權重，對于權重的定量方法采用模糊聚類的分析方法，該方法能夠識別各影響因素對不同負荷的影響程度。通過式（2）確定歷史日與待預測日之間的相似度，隨后選取相似度較強的幾天作為預測模型的訓練樣本。

3 基于WPA-SVM的短期負荷預測模型

利用SVM算法進行預測，具有收斂速度快、全局最優等優點，但是該算法的2個重要參數核寬度系數σ與正規化參數C，其值的選擇決定了預測模型的準確度。

3.1 核函數的選取

對于短期負荷預測問題，其相關影響因素相互制約，較為復雜，且有很強的非線性特性，因此對于不同的核函數其所構成的支持向量機也不盡相同。為避免過學習現象[15]，通過將3種常見kernel核函數對比后，本文選取Sigmoidal kernel作為核函數，即：

3.2 預測模型參數優化

WPA（人工狼群算法）包含游獵、召喚和圍攻3種智能搜尋方式，并具有“強者生存”的群體更新機制，能夠通過不斷的迭代來尋求全局空間內的最優答案，適用于解決模型參數的選擇問題，但存在容易過早陷入局部最優的風險。因此，本文將自適應擁擠度因子φ引入狼群算法來實現參數的優化，φ的更新公式為：

式中：c為與閾值變化系數，范圍[0，1]；k為當前迭代次數。

則WPA-SVM算法的參數優化過程如下。

（1）參數的初始化設置：需要優化的參數為核寬度系數σ與正規化參數c。狼群的初始化參數包括個體位置向量Yi=[σ，c]，個體的數量A，最大迭代次數maxk，搜索方向h，最大游獵次數maxdh，初始游獵步長Stepa，優良狼的比例α和狼群更新比例M。

（2）計算個體所在位置的適應度函數值，適應度值按照樣本中待預測日的預測與MAPE（實際絕對誤差）來表示，即：

式中：t為預測日所需要預測的負荷點數；Li為樣本中待預測日在該時刻的預測負荷值；Lir為待預測日該時刻的實際負荷值。

選取適應度值排位在前A·α的人工狼進行h個方向的游獵搜索行為：當個體搜索某個方向的適應度值優于當前所在位置時，則個體向該方向前進一步，并進行位置更新；當個體搜索的h個方向的適應度值不如當前位置或達到最大游獵次數maxdh時，則結束游獵行為轉步驟（3）。

（3）將適應度值最優的個體作為頭狼Ybest發起召喚行為，其它同伴向頭狼發起圍攻行為，即若滿足Ybest＞φ·Yi，則個體向頭狼的位置移動，并進行位置更新。

（4）去除個體中適應度值排位在后A×M位的同時產生A×M個新個體。

（5）一次迭代完成，判定是否滿足最大迭代次數maxk要求，若達到，則輸出適應度值最大的狼個體的位置，即所求問題的最優解，否則轉步驟（2）。

（6）直至找出全局極值Wbest值，計算結束，存儲最優的狼群位置，即為目標參數的優化結果。

3.3 短期負荷預測步驟

基于電力現貨市場的售電公司短期負荷預測算法流程見圖1，具體步驟如下：

（1）選取預測目標負荷日的前60日數據作為初始樣本數據，按照第1節的相關因素處理方法對樣本數據進行預處理，包括日期類型，溫度參數，天氣類型，降雨量季節類型和近2日均負荷相關系數等。

（2）根據第2節的方法計算初始樣本數據與預測目標負荷日的曲線相似度值，并選取排名在前15%的樣本數據，定義為預測模型的訓練樣本集合，樣本集合包括負荷曲線和影響因素數據。

（3）將所選出的訓練樣本集合及其近2日平均負荷曲線作為輸入變量，按照3.2小節方法運用改進的WPA算法來確定最優的SVM算法參數σ 與c。

（4）將待預測日的相關因素及其近2日的平均負荷曲線輸入到預測模型中，最終得到待預測日的負荷曲線。

4 評估實例

根據廣東省實施電力現貨試點的基本要求，售電公司參與日前市場前需要將節點或區域內客戶次日的負荷曲線進行申報。本文選取廣東省某地區部分客戶在2018年6月10日—2018年7月10日內每日分時（24：00）負荷曲線作為預測目標，并采用式（5）平均絕對誤差MAPE來判斷預測的準確度。

圖2為某售電公司在廣東電力交易中心現貨模擬系統中所申報的典型日負荷曲線的分時預測偏差實例。

圖1 預測算法流程

圖2 24 h負荷預測偏差實例

同時按照WPA-SVM算法分別進行預測，并與文獻[6]和文獻[2]的改進算法進行比較，算例結果如表1所示。

表1 廣東售電公司某區域內客戶的負荷曲線預測結果

由表1可知，本文提出的WPA-SVM方法在預測周期內的日負荷平均準確率為95.1%，要明顯優于另外2種方法的93.2%和93.8%，且平均絕對誤差在5%以內。可見，由于本文方法在選擇相似日及預測模型中充分考慮了近期負荷曲線的特性因素及負荷延續性強的特征，比常規算法中只考慮常規影響因子更能夠在實際應用中取得較好的效果。因此，本文方法能夠為即將到來的現貨市場提供有力的技術支持。

5 結語

本文根據廣東省實施電力現貨試點的基本要求，針對售電公司參與日前市場前需將節點或區域內客戶次日的負荷曲線進行預測的實際需求，提出了一種基于相似日的WPA-SVM短期負荷預測方法。該方法在相似日選取時加入了近期同類型日的日平均負荷這一因子，充分考慮了負荷的延續性，同時采用模糊聚類方法來識別不同影響因素對不同負荷的影響程度，并將擁擠度因子引入人工狼群算法來實現對SVM預測模型的參數優化，從而提高了預測的精確度。實例驗證本文算法相對其它算法準確度更高，能夠為售電公司面對即將到來的電力現貨市場提供技術支持。