建立大宗商品負荷預測模型助力現代供電服務體系

■ 貴州電網有限責任公司都勻供電局 時重雯

電力負荷預測能夠為電力企業提供有力的決策分析依據，由此優化運行策略及管理策略，以減少因電量波動對電網穩定性造成的影響，有效保障電網運行安全可靠。建立適合企業應用的大宗商品用戶負荷的預測模型，結合外部市場產品價格數據，判斷用戶負荷增、減波動情況及范圍，有效獲取電量變化情況，實現在系統內的電量全景負荷監測，實時查詢企業用電量信息并預測負荷數據，生成企業用戶畫像，形象立體地體現客戶所有負荷信息，提醒用戶合理調整生產計劃，促進企業經濟運行，在銷售電量管理模式上，可及時調整有序用電范圍，保障電量供應動態優化，促進企業經濟增長。

研究背景

2022年《國務院關于支持貴州在新時代西部大開發上闖新路的意見》（國發〔2022 〕2號）文件出臺，貴州高質量發展規劃獲得強有力支撐，貴州電網公司要求各供電局要主動作為，積極為地方政府出謀劃策，推動出臺產業發展激勵政策，優化產業結構、推進產業升級、延長產業鏈、突出地方產業優勢和特色，關注與地方企業相關的大宗商品價格走勢。深化運用企業原材料價格、人工成本、產品價格、用電特性等大數據，開展區域、行業差異化分析和研究，及時捕捉市場機遇，調整營銷策略，穩定和開拓用電市場。

電力作為經濟支柱性產業，在加強與政府部門溝通，關注宏觀經濟形勢的同時，還要跟蹤省內大宗商品價格走勢以及重點行業上下游經營情況，定期開展用電市場分析。掌握省內重點項目開工投產情況，加強對地方產業引導和助力作用。賦能升級實體中臺，建立重點企業常態聯系工作機制，掌握企業用電預期。完善負荷預測模型，引入天氣等外部數據，進一步提升預測準確率。

目前貴州電網公司范圍內負荷管理模式多停留在監測狀態，即在政府政策、市場波動等各種因素的影響下，接收用戶電能的波動，并長期對已發生的負荷進行統計，缺乏前瞻性，負荷波動可量化程度不高。其次，市場價格變動可能對企業的經營收入帶來波動，對提升優質營商環境振興鄉村經濟帶來不利影響。

模型建設思路

技術要求

根據業務功能大宗商品負苻預測模型主要分為4個模塊。

負荷預測模型?；陔娏ζ髽I計量自動化系統基礎數據、大宗商品價格數據研發。

實現全景監測。實現按月份、行業類型、組織機構查詢大宗商品用戶數、預測電量、實際電量、預測準確率，同時支持對大宗商品價格趨勢的展示。

企業電量預測查詢。實現按月份對大宗商品用戶的預測電量、實際電量、預測準確率進行查詢。提供電量影響因子導入功能，對影響企業電量的因子進行標注，提高電量預測的準確率。

企業畫像。實現對大宗商品用戶基礎屬性用戶名稱、合同容量、電壓電級）、生產特征（企業生產規律、檢修計劃、上下游產品）、電量影響因子占比的顯示，同時通過趨勢圖的方式對歷史月份的預測效果進行展示。

數據分析處理

月數據預處理流程。部分用戶的月電量數據存在0值，且無標注具體原因。處理規則如下：數據缺失大于12個月的直接刪除；數據缺失小于12個月的，利用當年月平均電量填充。

日數據預處理流程。部分用戶的日電量存在較大波動，且有標注電量波動原因。處理規則如下：計算每月沒有發生電量波動情況下的正常日均電量；每月發生因子影響的日電量由正常日均電量替代；存在整月受影響的月份，由上月電量修正。

數據標準化

在進行數據分析之前，每個指標的性質、量綱、數量級、可用性等特征均可能存在差異，導致無法直接使用其分析研究對象的特征和規律。因此，為了保證結果的可靠性，需要對原始指標數據進行變換處理，使不同的特征具有相同的尺度。模型選擇StandardScaler標準化數據（StandardScaler是1個用來將數據進行歸一化和標準化的類。計算訓練集的平均值和標準差，以便測試數據集使用相同的變換。）保證每個維度數據方差為1、均值為0，讓預測結果不會被某些維度過大的特征值而主導。通過fit_transform函數計算訓練數據的均值和方差，基于計算出來的均值和方差來轉換訓練數據，從而把數據轉換成標準的正態分布，如表1所示。

表1 特征指標模型

特征指標體系構建

以特征指標模型為標準，從日期、電量、增減容、價格、天氣、經濟環境等維度出發，構建大宗商品用戶電量預測特征指標體系。

電量預測

在眾多學習機器模型中，隨機森林是利用多棵樹對樣本進行訓練并預測的1種分類器，并且其輸出的類別是由個別樹輸出的類別的眾數而定，適合在新建的模型中作為測試模型。XGBoost算法是基于每1步都產生1個弱預測模型，然后加權累加模型中，可以用于回歸和分類問題的計算，適合在新建模型中的參數調整試驗。LightGBM是一款基于決策樹算法的分布式梯度提升框架，LightGBM減小數據對內存的使用，保證單個機器在不犧牲速度的情況下，盡可能地用上更多的數據；減小通信的代價，提升多機并行時的效率，實現在計算上的線性加速。

基于以上的條件，選擇隨機森林模型、XGBoost、LightGBM，開展模型訓練、模型調參、模型測試等工作，采用電量預測模型構建，最后通過模型評估，選擇最優電量預測模型。第一步：對于經過數據預處理和特征工程的數據進行數據集劃分為測試集、訓練集，采用K折交叉驗證、網格搜索等方法提高模型泛化能力。 第二步：分別選擇不同訓練集、測試集樣本，結合隨機森林、XGBoost、LightGBM進行回歸預測。第三步：結合評價指標MSE進行模型調優，最終選擇最優參數、最優訓練集測試集劃分方式，得到最優模型。第四步：基于隨機森林、XGBoost、LightGBM等模型預測初步電量結果，如圖1所示。

圖1 電量預測模型構建圖示

外部因子調節

通過對外部因子的分析對初步電量預測值進行優化（如企業無法收集到外部因子，不用優化），最后生成“上游大宗商品價格趨勢”“下游大宗商品價格趨勢”，步驟如下：

（1）通過外部數據接口方式，由企業錄入待預測月的外部因子類型和天數。

（2）通過歷史數據分析計算，分析21年以來出現的同類型異常因子，利用分位數統計方法，生成外部因子調整電量。

（3）在模型初步預測值的基礎上通過外部因子調整電量進行優化，計算得到最終大宗商品用戶電量預測值。

全景監測模型

將全景監測模型所需功能植入計量自動化系統，全方位的對數據進行應用和監控，并在系統中展示“各行業大宗商品用戶數統計”“行業查詢預測電量”“客戶電量歷史數據趨勢”，如表2所示。

表2 全景監測模型業務功能

結語

建立大宗商品的預測模型，是通過使用隨機森林模型、XGBoost、LightGBM的算法，得出基礎電量預測值，但是得出的數據基礎模型薄弱，不足以支撐穩定數據輸出，所以尋找外部干擾因子，通過錄入往年外部因子類型和干擾事項找到影響的規律，調整電量進行優化，計算得到最終大宗商品用戶電量預測值。

大宗商品用戶負荷預測是以大宗商品用戶所生產的產品價格有新的波動時，及時觸發數據模型對電量的預測計算，對未來一段時間用戶負荷變化情況作出判斷，便于供電企業的管理者及時調整電費回收和負荷管理策略，為客戶提供負荷波動預測建議的精細化管理，確保有序用電工作順利開展、落實到位。