基于卷積神經網絡的電力市場短期售電量預測方法

王 蕾，李 斌，李泠聰，張振明，姜 濤

（東北電力大學，吉林 吉林）

引言

售電量預測是結合過去及現在已知的經濟形勢、售電市場狀況，基于歷史數據進行分析研究，探索掌握各相關因素與電力市場的內在關聯及發展變化規律，從而根據對未來經濟形勢和外在因素的預測來科學地預測未來的售電市場需求狀況[1]。準確地對售電量進行預測具有重要意義，一方面供電企業可以據此調整未來供電量，優化供電結構，提高電力系統運行的安全性；另一方面，售電量直接影響售電公司的利益，并有助于提高售電公司在電力市場的競爭力[2]。

本文提出了基于卷積神經網絡的中長期售電量預測方法，旨在從用電機理層次出發，考慮電力市場不同行業的用電特征和電力市場短期交易特點，建立基于卷積神經網絡的電力市場短期售電量預測方法，首先根據用戶的用電負荷率進行分類，獲取不同行業的用電特征和需求模式，然后考慮正負偏差電量的影響，設計基于CNN-ResNet 的短期售電量預測方法，能夠在不同影響因素下準確地預測短期售電量，對保證售電公司的利益具有重要意義。

1 售電量時間維度和頻率分布分析

1.1 售電量的時間維度分析

基于在某電力市場中獲取的不同行業售電量的實際數據，進行中長期交易中售電量在年、月、周不同時間維度的變化特點分析，該數據集包含了2020 年1月-2023 年4 月間該電力市場中工業、非工業和其他共三個行業的售電量、電價、用電負荷等數據。圖1 所示工業領域用戶月售電量具有明顯的周期性，具有售電量大和周期性高峰，最大售電量通常出現在某幾個月份，非工業與其他領域月售電量曲線具有一定的相似性，高峰曲線相對比較平穩，通常在緩慢波動區間出現低峰，在集中區間出現高峰。

圖1 月售電量曲線分析

1.2 售電量的頻率分布分析

對上述3 個行業，如圖2 計算售電量的頻率密度分布，通過分析服務領域售電量集中在[450,500] KW·h 區間內，在[400,440] KW·h 區間相對平緩，工業領域售電量集中在[480,520] KW·h 區間頻數較高，服務領域售電量集中在490 KW·h 附近, 說明該區域電力市場商業領域和服務業領域的低峰售電量頻率較大，而工業領域高峰售電量頻率較大。

圖2 3 個行業月售電量頻數分布

2 電力市場短期售電量預測方法

2.1 考慮用電特征的行業聚類

為了更好地了解不同行業的用電特征和需求模式，分析不同行業的負荷率水平，可以將不同用戶按照其用電特征進行分類，進而實現針對性的供電方案和能源管理策略。

根據得到的行業聚類特征矩陣改進的Kmeans++方法進行聚類，將售電量特征相似的行業聚為一類，這將大幅減少模型的數量。聚類之后得到若干個簇，每個簇包含了若干行業，同一簇中行業的售電量數據對某些數據特征具有一定的相似性。

考慮到歐式距離的局限性，采用加權歐式距離和弗雷歇的復合距離作為聚類相似性度量。其中，負荷率水平作為歐式距離計算的一個因素。

弗雷歇的基本定義為：根據抽象空間理論，定義在單位區間上的映射γ：[0,1]→S 是連續映射，則稱γ 是S上的連續曲線。那么就可以假設A 和B 是S 上的兩條連續曲線，即A:[0,1]→S,B:[0,1]→S；又設α 和β 是單位區間的兩個重參數化函數，即A:[0,1]→[0,1],B:[0,1]→[0,1]；則曲線A 與曲線B 的費雷歇距離為式（1）:

式中：d 是S 上的度量函數。兩條曲線之間的費雷歇距離越小說明兩條曲線在形態上越相似。

2.2 基于CNN-ResNet 的短期售電量預測

CNN 是用于處理圖像數據的常用網絡結構，它在計算機視覺領域扮演著重要角色。CNN 主要由輸入層、卷積層、池化層、全連接層和輸出層等組成[3]。由于CNN 具有稀疏連接、權值共享和池化操作的特性，即使網絡層數較少，也能有較強的表達能力。卷積核的引入減少了參數連接和過擬合的風險，并實現了參數共享。池化操作對特征進行二次提取，減少計算量。

ResNet 在傳統的深度神經網絡中引入了殘差塊，從而簡化了網絡的復雜性，并解決了網絡退化問題[4]。通過使用殘差塊，可以訓練出更有效的深度網絡，而恒等映射可以加速輸入的前向傳播。

本文利用ResNet 在深度網絡中具有強大的表達能力，并且結合了CNN 在圖像特征處理方面的優勢。因此，將短期售電量時間序列轉換為圖像，并構建了GAF 與多輸入CNN-ResNet 網絡的組合預測方法。

根據售電公司總收益模型，偏差電量考核機制下，正偏差和負偏差對售電公司收益的影響權重是不同的，因此偏差電量考核采用非對稱損失函數[5-6]。目前，建立售電量預測模型常用的最優準則是基于預測結果與真實值之間的誤差，如“誤差平方和最小”、“誤差絕對值之和最小”等。然而，這些最優準則僅考慮誤差的大小，而忽略了誤差的方向。為了應對正負誤差對預測結果影響權重不同的情況，本文提出了非對稱損失函數ALF，旨在提高模型的售電量預測效率。非對稱損失函數ALF 為:

3 實驗分析

選取某地區電力市場的實際售電交易數據作為實驗對象，驗證所提出的基于CNN-ResNet 的短期售電量預測方法的有效性，并與LSTM 預測方法進行預測準確性的對比。

3.1 用電特征的行業聚類實驗

根據獲取的數據集中各行業的用電量數據，采用改進的K-means++方法進行聚類，以用戶的負荷率、節假日、變壓器容量等為輸入，在行業售電量聚類中引入用戶上述特征作為考慮因素，準確地刻畫不同行業的用電情況，如圖3 所示，得到5 種類型的用電分類，根據每種類型用戶制定個性化的售電策略，進而更加準確地預測不同行業的用電需求。

圖3 不同行業用戶用電量聚類

3.2 短期售電量預測實驗

以上述用戶的分類為基礎，對類型1 用戶進行短期售電量預測驗證，數據的預測周期為60 h。3 種預測方法的預測結果對比如圖4 所示，從圖中真實售電量曲線可以發現類型1 的用戶在采集的[10,25]區間內，電量出現波峰，并快速下降出現抖動，本文提出的CNN-ResNet 方法預測性明顯高于LSTM 方法，原因是所提出方法在預測中，充分考慮了各個行業的用電行為特征，同時兼顧了偏差電量考核對售電量的影響，提升了短期售電量的預測精度。

圖4 售電量預測結果對比

同時對上述兩種方法的預測誤差進行了分析，如圖5 所示，LSTM 的預測精度為85%，最大誤差率為4.83%，CNN-ResNet 的預測精度為96%，最大誤差點率為0.5%，綜合上述分析，本文模型在有波動性、隨機性的短期售電量預測中具有較好的預測效果。

圖5 預測的誤差率對比

4 結論

針對電力市場的短期售電量預測中存在的誤差大、計算耗時等問題，提出了基于CNN-ResNet 的短期售電量預測方法，考慮了不同行業用戶的用電行為特征，對于用電曲線有劇烈波動、隨機性強的用戶有較好的預測效果，通過與其他模型對比試驗表明，提出的方法具有更高的預測精度。