基于Prophet模型的電量預測技術研究

陸圣芝 金誠 卜廣峰 姚奔 徐恒

摘要：短期電量預測對電網(wǎng)的運營維護工作具有重要意義。傳統(tǒng)的電量預測方法包括灰色預測模型、ARIMA、指數(shù)平滑等，這些方法通常是使用線性時序模型擬合電量數(shù)據(jù)。然而，電力的使用受外部多種環(huán)境因素的影響，含有多個成分，線性模型無法很好地表征電量數(shù)據(jù)的規(guī)律。為提高電量模型預測的準確性，基于Prophet模型進行電量預測，應用到同期線損系統(tǒng)采集的電量統(tǒng)計數(shù)據(jù)上得到精確的預測結(jié)果。對比實驗表明，此模型相比于傳統(tǒng)預測方法有一定性能優(yōu)勢，并且Prophet模型的成分分解使得用戶的用電量變化可以具體解釋。

關鍵詞：時間序列;非線性回歸;電量預測;Prophet模型

0? ? 引言

短期電量預測對電力系統(tǒng)的運營維護工作具有很大的指導意義[1-3]，電量預測的準確率提高能很好地為供電企業(yè)掌握售電市場提供依據(jù)。及時了解政府的各項宏觀調(diào)控政策，通過預測了解各種類型客戶的生產(chǎn)運行情況、資金周轉(zhuǎn)情況，能為電網(wǎng)發(fā)展規(guī)劃提供數(shù)據(jù)支撐。

本文將具有成分分解能力的Prophet模型用于電量預測，用不同的方法建模電量時序信號的不同成分，基于該模型的電量預測結(jié)果由多個成分序列的預測之和得到[4-5]。

1? ? Prophet模型

1.1? ? 成分分解

然而，觀察發(fā)現(xiàn)，用戶使用電量受節(jié)假日影響較大，會出現(xiàn)大幅驟減或驟增，因此，我們利用Prophet模型將電量序列分解為4個成分：

式中，h（t）是節(jié)假日成分。

1.2? ? 趨勢成分

用戶電量的增長模型具有最大電量使用極限，在沒有特殊情況的前提下，電量需求在到達極限前增長會越來越慢，直至平穩(wěn)。這種增長方式可以用非線性的logistic增長模型建模，其基本形式如下：

式中，C是飽和值（又稱承載容量）;k表示增長速率;m是偏置參數(shù)。

在時間點t的速率可以表示為k+α（t）Tδ，當被調(diào)整后，偏置參數(shù)m必須進行相應調(diào)整以實現(xiàn)段與段邊界點的相連，在j變異點的偏置調(diào)整通過計算可以得到：

因此，考慮時變特性的logistic增長模型如下：

其中，模型承載容量函數(shù)C（t）通常需要額外的數(shù)據(jù)源來確定，例如當前某地區(qū)行業(yè)最大可供電量等。

1.3? ? 季節(jié)性成分

我們考慮Harvey和Shephard所提出的傅里葉序列建模季節(jié)性成分時序。設P表示時間序列的周期，當周期為一年時P一般為365.25，周期為一周的時候P一般為7。則周期性成分可表征為：

1.4? ? 節(jié)假日成分

設每一個節(jié)日為i，Di為每年這個節(jié)日的日期。對每一個節(jié)假日指定一個參數(shù)κi表示這個節(jié)假日所造成的電量影響大小，生成如下回歸矩陣：

2? ? 實驗結(jié)果和分析

本文實驗數(shù)據(jù)集來自于國網(wǎng)同期線損系統(tǒng)。下面以Y市B縣建筑業(yè)、住宿和餐飲業(yè)兩個行業(yè)的實驗結(jié)果為例，驗證本文所提基于Prophet模型的電量成分分析及預測方法。

如圖1所示，從B縣建筑業(yè)的趨勢來看，2018年建筑行業(yè)呈現(xiàn)上升趨勢，且上升速度越來越慢，2019年開始緩慢下滑。這和房地產(chǎn)行業(yè)近兩年的發(fā)展態(tài)勢一定程度上吻合。從節(jié)假日的影響來看，春節(jié)造成的電量下降程度最大，持續(xù)時間也最長。此外，季節(jié)性序列成分表明2018年1月、6月、7月、8月、11月、12月是建筑業(yè)用工高峰期。

如圖2所示，B縣住宿和餐飲業(yè)用電量具有周期震蕩特性，整體趨勢略微下降，且夏季和冬季是用電高峰期。節(jié)假日時序成分表明春節(jié)前十天左右，餐飲、住宿行業(yè)的用電量明顯下降，而大年初一之后，用電快速上升，這和春節(jié)后走親戚等習俗吻合。節(jié)假日影響同樣表明，勞動節(jié)和國慶節(jié)期間餐飲、住宿用電量明顯上升。

3? ? 結(jié)語

Prophet模型能對某一個行業(yè)電量季節(jié)性、節(jié)假日的影響進行量化解釋，可以應用于行業(yè)用電分析，反映地區(qū)電氣發(fā)展程度、電網(wǎng)發(fā)展規(guī)模和趨勢，為電能分配和國民經(jīng)濟計劃制定提供依據(jù)。同時在短期電量預測上，Prophet模型相比目前已有的方法更加精準，對于公司對資源進行合理分配、為領導經(jīng)營決策提供數(shù)據(jù)支撐有較大的現(xiàn)實意義。

[參考文獻]

[1] 呂嬋.基于BP神經(jīng)網(wǎng)絡的短期負荷預測[D].武漢：華中科技大學，2007.

[2] 陳卓，孫龍祥.基于深度學習LSTM網(wǎng)絡的短期電力負荷預測方法[J].電子技術，2018（1）：39-41.

[3] HARVEY A C，PETERS S.Estimation procedures for struc-tural time series models[J].Journal of Forecasting，1990，9（2）：89-108.

[4] TAYLOR S J，LETHAM B.Forecasting at Scale[J].The American Statistician，2018，72（1）：37-45.

[5] LIU H，TIAN H Q，LI Y F.Comparison of two new ARIMA-ANN and ARIMA-Kalman hybrid methods for wind speed prediction[J].Applied Energy，2012（98）：415-424.

收稿日期：2020-05-06

作者簡介：陸圣芝（1981—），女，江蘇揚州人，高級工程師，研究方向：電力系統(tǒng)自動化。