基于大數據技術的廣州市臺風負荷影響分析和預測

林恒毅 邢竟 王文靜 龐朝曦 羅微

【摘 要】論文通過研究臺風期間天氣氣象指標的變化規律，分析各氣象指標變化對廣州市日最大負荷的影響，進而建立臺風負荷預測模型，研究臺風期間氣象變化對廣州市小時最大負荷的影響。論文分別從臺風氣象、廣州氣象及廣州電力負荷三個維度構建了臺風預測模型，通過相關分析技術篩選臺風期間對廣州電力負荷有顯著影響的指標，最后采用多種機器學習方法進行預測。實驗結果表明XGBOOST方法優于其他機器學習方法且模型也通過假設檢驗，模型對數據的擬合程度達到68.1%，臺風期間負荷的外推預測平均準確率能達到85.22%。

【Abstract】Through studying the variation rule of weather and meteorological indexes during typhoon， the paper analyzes the influence of the changes of meteorological indexes on the maximum daily load in Guangzhou， and then establishes a typhoon load forecasting model， so as to study the influence of meteorological changing on the maximum hourly load in Guangzhou during typhoon. The typhoon forecasting model is established from three dimensions： typhoon meteorology， Guangzhou meteorology and Guangzhou power load. Through correlation analysis technology， the index has significant influence on Guangzhou electric power load is filtered. Finally， a variety of machine learning methods are used to predict the power load. The experimental results show that XGBOOST method is superior to other machine learning methods and the model also passes hypothesis test. The fitting degree of the model to data reaches 68.1%， and the average accuracy of load extrapolation during typhoon can reach 85.22%.

【關鍵詞】電力負荷;臺風;特征工程;機器學習

【Keywords】power load; typhoon; feature engineering; machine Learning

【中圖分類號】TP391? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻標志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文章編號】1673-1069（2019）01-0154-03

1 引言

廣州由于其特殊的地理位置關系是一個臺風頻繁發生的地區，臺風影響廣州的時間大多集中在每年6到9月份，此時恰是天氣比較炎熱的季節，空調等制冷電力設備的用電負荷居于全年最高峰。由于臺風到來的前后往往會伴隨著以氣溫和降雨為主的顯著的氣候變化，此時會對廣州用電負荷造成顯著的疊加影響，給廣州電力系統正常用電調度帶來不小挑戰。本文收集了廣州近三年臺風氣象數據，廣州市氣溫數據和電網運行各級負荷數據。利用氣溫，濕度，風速、降雨量，廣州日用電負荷等數據，分析研究臺風期間的不同氣象特征對廣州電網日最大負荷的影響建立臺風用電負荷模型，為以后掌握臺風期間用電負荷變化情況提供參考，為廣州負荷調度安排提供決策參考意見。

2 研究綜述

對于現代人類生活來說，電力已經成為人們生活中不可分割的一部分，因此，對電力負荷特性變化研究也一直是學術界關注的重點。目前，國內外許多研究表明電力負荷變化是與氣候因素變化息息相關的。然而，雖然關于電力負荷特性與氣候因素變化的相關研究比較多，但是具體到電力負荷特性與臺風氣候的相關研究就比較少了。其中，劉思捷等[1]通過描述統計方法分析了廣東省從2006年到2010年對廣東有影響臺風期間并廣東電力負荷特性分析，該文章用數據展示了臺風登陸前后電力負荷波動趨勢。莫若慧等[2]研究在臺風天氣下海南電網對氣象因素的敏感度，文中通過會灰色關聯理論篩選了影響電網的主要氣候因素，在此基礎上進行多元回歸分析從而得到海南電網在臺風條件的下用電規律。李小燕等[3]認為在臺風期間現有負荷預測方式在大部分情況下預測程度一般不高，該文章首先分析了氣象因子與系統負荷的相關性，從總負荷重分解出趨勢分量，周期分量和氣象敏感分量，在此基礎上提出了基于相似日氣象負荷修正的短期負荷預測方法。劉晶[4]也進行了類似的研究。

從現有關于臺風期間電力負荷特性研究成果來看，研究對象粒度最小到日用電負荷，而對氣候因素篩選往往只會考慮氣溫。然而，在實際情況中，對電力系統調度造成巨大困擾往往是臺風期間某幾個小時而非一段連續時間。此外，臺風期間，降雨量、風力和濕度也會對電力系統負荷造成比較大的影響。本文通過研究臺風期間天氣氣象指標的變化規律，分析各氣象指標變化對廣州市日小時最大負荷的影響，進而建立臺風負荷預測模型，研究臺風期間氣象變化對廣州市小時最大負荷的影響。

3 建模步驟

3.1 基本思路

因臺風負荷是指在臺風期間，僅由臺風引起的負荷。本研究中臺風負荷=臺風期間總負荷-基準負荷，其中基準負荷是指采用臺風前一個月的對應星期，對應小時的數據與臺風后一個月的對應星期、對應小時的數據的平均值。臺風期間總負荷與基準負荷的差值就代表由于臺風影響所造成的負荷變化值[5]。因此，所有指標的值都是臺風期間總值與基準的差值。為了選擇找出對最大負荷有顯著影響的指標，本研究采用基于相關分析的特征選擇技術，篩選出臺風期間跟廣州負荷顯著相關的指標，最后采用多種機器學習方法對臺風負荷進行預測。

3.2 模型建立

將廣州市的總負荷分成臺風負荷、基準負荷兩個部分，即廣州市總負荷=臺風負荷+基準負荷。為提高廣州市總負荷預測的準確率，將臺風負荷和基準負荷分開建模。

臺風負荷預測模型：臺風負荷預測是指僅考慮臺風引起的各項氣象指標變化，進而產生的負荷變化量。臺風對廣州市負荷的影響可分為臺風前、臺風中、臺風后三個階段，分開建模。臺風負荷預測模型可采用分段回歸方法實現預測。

其中，Yt是臺風期間負荷值，Yb是臺風期間基準負荷，ΔY即為臺風負荷，Xt-是臺風期間天氣因素向量，Xb是臺風期間天氣因素基準負荷向量。

基準負荷預測模型：基準負荷預測模型是指剔除除臺風影響的其他因素影響的負荷，包括節假日、周末、經濟因素等其他因素?；鶞守摵刹捎门_風生成前一個月，臺風消失后一個月中剔除含有臺風的日期和時間，與臺風中每個時刻對應的星期、對應的時刻的點的均值來代替[6]。

3.3 實驗結果及分析

3.3.1 基于相關分析建模的特征選擇

探究臺風對廣州系統負荷波動的影響，研究范圍從臺風生成到臺風結束為臺風的生存周期，在臺風生成前，廣州系統負荷在自身狀態下平穩運行，在臺風期間，考慮到廣州處于亞熱帶板塊的內陸地帶而且廣州沿海線短且狹小，一般不容易受到臺風的正面襲擊，因此，認為臺風對廣州系統負荷的影響是通過臺風影響廣州氣候從而進一步影響廣州負荷。在臺風過后，臺風氣候影響因素消失，廣州氣候系統和生產系統慢慢恢復，廣州生產負荷回歸到臺風前狀態。

本文考慮三個大類別指標，分別是跟臺風氣象有關數據指標，跟廣州氣候有關數據指標，建模構造指標。其中跟臺風氣象有關的指標包括：臺風強度，風力等級，臺風最大風速，臺風移向，臺風移動速度，臺風氣壓，7級風圈半徑，10級風圈半徑，12級風圈半徑，臺風持續天數，臺風開始第幾天，是否臺風記錄數據，臺風狀態，行政區域是否在風網外，臺風經度，臺風維度，是否覆蓋半徑[7]。跟廣州氣候有關指標包括：最大溫度，平均溫度，最低溫度，最大潮濕度，平均潮濕度，最低潮濕度，最大氣壓，平均氣壓，最小氣壓，最大風速，平均風速，最低風速，最大負荷，最小負荷，平均負荷，廣州經度，廣州維度，人體舒適度指數。建模構造指標包括最大負荷與基準負荷做差，最大溫度與基準溫度做差，最大潮濕度與基準潮濕度做差，最大氣壓與基準氣壓做差，最大風速與基準風速做差，最小負荷與基準負荷做差，最小溫度與基準溫度做差，最小潮濕度與基準潮濕度做差，最小氣壓與基準氣壓做差，最小風速與基準風速做差，平均負荷與基準負荷做差，平均溫度與基準溫度做差，平均潮濕度與基準潮濕度做差，平均氣壓與基準氣壓做差，平均風速與基準風速做差，人體舒適度是否過60，臺風與廣州距離（km）。

從物理氣象學角度分析以下指標對最大負荷的變化均有影響，故建立最大負荷與各氣象指標的相關分析模型。指標包括最大負荷（1.0，0.0000）、最大溫度（0.563，0.000）、最大潮濕度（-0.302，0.000）、最大氣壓（-0.233，0.000）、最大風速（-0.085，0.0000）、最小溫度（0.537，0.000）、最小氣壓（-0.235，0.000）、最小風速（-0.062，1.3E-0.8）、平均溫度（0.557，0.000）、平均氣壓（-0.235，0.000）、平均風速（-0.077，1.17E-12）、距離（0.058，1.03E-07）、人體舒適度（0.185，0.000），其中括號表示（相關系數，顯著性檢驗P）。

各氣象指標與最大負荷的相關系數絕對值排行情況如下：最大溫度（0.56）> 平均溫度（0.55）> 最小溫度（0.53）> 最小潮濕度（0.53）> 平均潮濕度（-0.30）> 最大潮濕度（-0.291）> 最小氣壓（-0.29）。所有氣象指標與最大負荷的相關系數在95%的置信度下，均拒絕原假設，通過統計顯著性檢驗，即認為所有指標與最大負荷均具有顯著的相關性。

3.3.2 各算法預測精度對比

為了提高結果的準確度和穩定性，采用多種集成學習方法實現臺風負荷的建模和估計，主要包括隨機森林（Random Forest）、自適應提升（AdaBoost）、梯度提升（GBDT）、袋裝（Bagging）、XGBOOST。本次建模過程中，采用樣本隨機劃分的原則，采用的訓練集和測試的比例為4：1。模型對判定系數、平均絕對誤差、均方根誤差等指標進行評價結果如表1。

由表1可知，最好的模型是XGBOOST，模型對數據的擬合程度達到68.1%，臺風期間負荷的外推預測平均準確率能達到85.22%。為了驗證模型是否穩定，需要對最優算法的前提假設進行檢驗。

3.3.3 最優算法預測結果

為了從直觀上觀察預測結果與真實結果的差距，做了真實值與預測值的對比圖，從下圖可以看出從整體上看，預測值與真實值相差不多，誤差較大的時間集中在每年的中秋節和國慶黃金周。從臺風期間系統負荷預測的圖可以看出，誤差基本分布在1000以下，2015年和2017年的預測誤差基本在1000以內，但是在2016年10月份左右的時候會出現波動在2000以上的情況。平均誤差率為11.63%，準確率88.37%左右。誤差最高的時段均出現在每年的中秋和國慶（20150926-27，20160915-17，20161001-03， 20171001-03），誤差呈現小幅周期性波動（可能是周末因素）。

4 結論

本文通過研究臺風期間天氣氣象指標的變化規律，分析各氣象指標變化對廣州市日小時最大負荷的影響，進而建立臺風負荷預測模型，研究臺風期間氣象變化對廣州市小時最大負荷的影響。本文首先根據臺風生成特點和影響機制，通過收集近三年來對廣州有顯著影響的臺風氣象數據及臺風期間的廣州氣象數據，廣州用電負荷數據，搭建了一個涉及臺風氣象，廣州氣候和電力負荷衍生指標三個維度56指標特征工程。接著通過相關分析方法篩選出臺風期間對廣州每小時最高負荷有顯著影響影響的指標，分別為指標包括最大負荷、最大溫度、最大潮濕度、最大氣壓、最大風速、最小溫度、最小氣壓、最小風速、平均溫度、平均氣壓、平均風速、距離、人體舒適度等。最后通過多種機器學習方法對篩選后指標做回歸分析，其中集成學習方法XGBOOST明顯優于其他算法，對數據的擬合程度達到68.1%，臺風期間負荷的外推預測平均準確率能達到85.22%。通過本文建立算法模型能夠對臺風期間用電負荷情況進行大體預測，為臺風期間用電負荷變化提供參考，從而為廣州負荷調度安排提供決策參考意見。

【參考文獻】

【1】劉思捷， 劉昌， 李小燕，等. 臺風對廣東電力負荷特性的影響[J]. 云南電力技術， 2012， 40（1）：91-93.

【2】莫若慧， 符子星， 曾炎，等. 臺風天氣下電網負荷對氣象因素的敏感度分析[J]. 南方電網技術， 2015， 9（2）：79-83.

【3】李小燕， 文福拴， 盧恩，等. 基于相似日負荷修正的臺風期間短期負荷預測[J]. 電力系統及其自動化學報， 2013， 25（3）：82-89.

【4】劉晶. 基于相似日和支持向量機的短期負荷預測研究[D]. 廣州：華南理工大學， 2010.

【5】林輝， 劉晶， 郝志峰，等. 基于相似日負荷修正的節假日短期負荷預測[J]. 電力系統保護與控制， 2010， 38（7）：47-51.

【6】于龍， 鄭益慧， 王昕，等. 基于SVM與相似日的短期電力負荷預測[J]. 電工技術學報， 2013， 28（1增）：217-223.

【7】Taylor J W， Buizza R. Neural Network Load Forecasting with Weather Ensemble Predictions[J]. IEEE Power Engineering Review， 2007， 22（7）：59-59.