基于時間分段的改進電量預測方法

屈璐，方興，張超

(國網湖南省電力有限公司長沙供電公司，湖南長沙410015)

0 引言

對于供電企業而言,售電量預測準確度的提升,可進一步有效提升供電量和全社會用電量的準確率。未來更多的清潔能源將加入電力供應隊伍,高質量的電量預測將為電網規劃提供更多數據支撐進而可提升電網投資精準度,對降低社會用能成本與實現電網可持續發展具有重要意義[1-3]。

針對用電量的特點,文獻 [4]選用灰色預測模型、自回歸滑動平均模型ARMA(autoregressive moving average)對各行業用電量進行預測,并經二維二級協調模型實現對總用電量的預測。文獻[5]提出了一種基于EMD的ARIMA預測模型,將分解后得到的固有模態分量進行預測。文獻[6]建立了用于售電量預測的擬合度和準確度更高的ANN模型。文獻 [7]基于最小二乘法建立了 “Logistics”+“層次分析-模糊聚類”組合預測模型,通過關聯影響售電量的必然性因子與偶然性因子,提升月度售電量預測準確度。文獻 [8]建立了基于BP神經網絡優化的改進灰色模型可提升預測準確度。文獻 [9-10]提出將業擴信息介入電量預測方法,表明能夠顯著提高電量預測精確度。

實際工作開展中,為獲得更可靠的預測值,常采用多種方法進行預測并從中獲得預測推薦值[11]。供電企業為更精準的把握售電量指標,預測工作一般按季度甚至月度滾動開展。工作中常用的預測方法有大用戶分析法、回歸分析法、時間序列法等[12-14],各方法常以預測指標對應的歷史值為數據依據,如預測年度售電量,參考的均為歷史年度售電量[15]。然而根據滾動工作開展的月份不同,售電量已知的時間段在不斷增加,需要預測的時間段不斷減少,因此需對預測指標進行分解,僅對未知部分進行預測。此外,歷史數據常出現跳躍點,尤其是臨近的跳躍點易導致預測值偏高 (低)。基于以上,為提升年度售電量的預測準確度,本文提出基于時間分段的改進電量預測方法。

1 整體框架

基于時間分段的改進電量預測方法,一是以預測工作開展的月份為分界線,對預測指標和歷史數據進行分解,僅對預測指標的未知部分進行預測；二是通過分析已知值對未知部分的預測值進行修正。預測工作的主要流程 (以開展2019年度售電量的預測工作為例)如圖1所示,修正系數 (偏差率)的計算如圖2所示。

圖1 預測流程說明圖

圖2 修正系數的確定

圖中,下標i均代表年份；E2019為預測指標(2019年度售電量)。預測指標根據工作開展月份將12個月進行分解:售電量已知時間段和未知時間段,對應預測指標分解為X2019和Y2019；X、Y代表預測值,x、y代表歷史已知值；R2為預測過程中擬合曲線的相關性系數,判斷指標0.95為可調節值,可根據預測的精準度要求進行調整,精準度要求較高可將判斷指標調高,精準度要求較低可將判斷指標調低,0≤R2≤1。

2 基于時間分段的改進電量預測方法及案例分析

2.1 預測指標分解及數據預處理

本文研究的預測指標為年度售電量,所包含的已知電量根據預測工作開展的月份而不同,如3月份開展預測工作,1—2月電量已知；8月份開展預測工作,則1—7月電量已知。因此首先需基于預測工作的開展月份,將一年的12個月份進行分解,并據此對年度售電量預測指標進行分解。

針對某城市2019年8月開展的預測工作,預測指標為2019年度售電量。根據分解依據,將年度分為兩個時間段,1—7月和8—12月,相對應的預測指標E2019分解為X2019和Y2019,分別代表2019年1—7月、8—12月售電量,據此也將歷史年度售電量分解為xi、yi(其中i為年份)。以該城市售電量中的分項 (居民用電量)為例,其歷史值的分解結果見表1。x、y分別為1—7月、8—12月的實際售電量,下標均代表年份。

表1 居民售電量歷史數據 億kWh

2.2 獲得初始預測結果

由于X2019為1—7月的售電量,該值已知,因此直接對其進行賦值:X2019＝x2019＝72.88億kWh。采用時間序列法對8—12月的售電量 (Y2019)進行預測,獲得初始預測結果Y2019’ ＝52.04億kWh。

2.3 確定修正系數

歷史年度售電量的發展并非均衡的,部分年份可能出現快速增長或下降現象,如某城市2018年售電量為近20年的增長至高點,類似波動較大的跳躍點極易造成預測結果偏高 (低)。為減小跳躍點的影響,可利用本年度的已知值對初始預測結果進行修正。相較于歷史數據,臨近的已知電量可以較好地體現近期的售電量發展規律。基于以上,通過對X2019進行偏差分析獲得修正系數 (偏差率):

1)根據歷史值x2005～x2018預測得到初始預測值X2019’ ＝67.14 億 kWh；

2)實際值x2019為72.88億kWh,根據公式σ＝(x2019-X2019’) /X2019’ ×100%計算得到偏差率σ＝8.55%。該值從一定程度上反應了以歷史數據為依據對本年度 (2019)進行預測所產生的偏差影響。

2.4 修正分析

是否需要采取修正分析,是根據預測結果的偏差或者對預測結果的準確度要求而定的。根據本地區預測需求,對預測的準確度要求偏高,確定當歷史值擬合曲線的R2在0.95以下時進行修正。由于該城市歷史居民售電量擬合曲線的R2為0.939,因此對預測結果進行修正:Y2019＝ (1+σ) ×Y2019’ ＝56.49億kWh。

2.5 預測結果分析

根據以上結果,預測得到2019年居民售電量E2019＝X2019+Y2019＝129.37億kWh。同理,可根據以上基于時間分段改進的時間序列法,對售電量的其他分項第一、二、三產業用電量進行預測。通過各項求和,2019年售電量的預測值為358.22億kWh。實際值 (354.41億kWh)較預測值的偏差率為-1.06%。各項實際值及整體值較相應預測值的偏差見表2。

表2 售電量預測結果偏差分析

由表2可知,基于時間分段改進的時間序列法的預測結果偏差分析中,分項中以數值較小的第一產業用電量和受天氣因素影響較大的居民用電量的預測偏差較大,但整體上的年度售電量的偏差率為-1.06%,預測準確度較高。

3 預測方法優勢分析

以2019年8月開展的電量預測工作為例,通過采用時間分段預測方法,應用時間序列法獲得的預測結果為358.22億kWh。基于同等的時間分段預測原理,對大用戶法、回歸分析法、產值單耗法等預測方法做出改進,各方法的預測結果與實際值的預測偏差見表3。

表3 各預測方法在采用時間分段預測方法前后的預測偏差

通過分析表3可知,采用時間分段預測方法前,四種方法的預測結果范圍為342.3～365.9億kWh；采用時間分段預測方法后,四種方法的預測結果范圍為353.6～358.2億kWh。顯然,各方法在采用時間分段法進行改進后,預測準確度都有不同程度地提升 (預測偏差的絕對值均有降低)。此外,各方法之間的預測結果差異也有所減小,通過計算,采用時間分段預測前后,各方法下預測結果之間的方差分別為109.97、3.64。這是由于預測方法基于時間分段進行改進后,售電量各分項的預測過程更加合理,且采用修正措施可減小跳躍點帶來的預測偏差,因此售電量的預測準確性得到了大幅度提升。

4 結語

根據預測工作開展月份,將年度售電量預測指標進行分解,通過對初始預測結果進行修正來減小歷史跳躍點帶來的預測偏差,以獲得可靠度更高的預測結果。基于以上對預測方法的改進,以某城市2019年開展的售電量預測工作作為案例進行分析。結果證明時間分段預測方法可通過優化各階段的預測結果進而提升整體售電量的預測可靠度,并通過減小各方法之間的預測差異性,有利于最終推薦方案的選擇而提升預測準確度。實際上,影響電量的因素還有很多,如電價政策、售電市場形勢等。未來在數據更加完備的情況下,考慮將更多的影響因子關聯到預測方法中,進一步提升電量預測準確度,為電網建設提供更多技術支撐。