基于多模型組合的月度用電量預測研究

萬義飛 雷向宇 陶思恒

廣西電網有限責任公司信息中心 廣西 南寧530023

引言

常用的電量預測的方法大致可以分成兩類。一類是基于傳統的數理統計知識,主要有灰色系統理論、回歸分析、時間序列分析等,用于處理影響因素較為單一且數據量較小的電量預測問題;另一類是新興的基于機器學習的人工智能算法,主要包括SVM(支持向量機)、神經網絡算法、隨機森林、LSTM 算法等,這些機器學習的算法具有一定的自適應能力和自學習的能力,能夠處理高維度、多變量、非線性以及時變性的問題,挖掘出數據中隱藏的知識和價值,適用于處理數據量大的問題。基于已有的數據單一且數據量較少的情況,選取傳統的統計數學模型進行電量預測的研究。

11、1主要研究方法

(16)1.1

Holt-Winters方法

Holt-Winters方法是一種時間序列分析方法,適用于具有線性趨勢和周期波動的非平穩序列,利用指數平滑法(EMA)讓模型參數不斷適應非平穩序列的變化。Holt-Winters方法是在Holt模型的基礎上引入了Winters周期項(也叫做季節項),包括Winter無季節、Winter加法和Winter乘法。

Holt-Winters乘法模型有三個參數,適用于具有線性時間趨勢和乘法模型的季節變化情形,yt的平滑序列y^t由公式:

得到,其中a(t)表示截距,b(t)表示趨勢,ct表示乘法模型的季節因子,定義公式如下:

2 電量預測思路

本文建模使用的工具為Pooval Mining大數據挖掘軟件,電量預測模型思路如下:

圖1 電量預測流程

獲取電量數據。該模型選取電網公司2018年1月至2019年4月的16條月用電量數據,選取其中13條數據用于構建時間序列模型,3條數據用于測試模型的準確性。

數據預處理。用于建模的數據包括兩個字段,日期字段和電量字段,日期字段為日期型,電量字段為數值型。

單一算法預測。首先分別用Holt-Winters方法、ARI MA 模型、線性回歸建立擬合模型,評估擬合情況。

3 模型結果

表1 模型預測結果

4 結語

本文采用多模型組合的方法,提高了用電量預測的準確性,能夠在一定程度上為電網公司的配網生產決策提供支持。