基于多維關聯規則的用電負荷智能預測方法

鄒 暉，李金燦，盧萬平

（1.廣西電網有限責任公司，廣西南寧 530000；2.廣西電網有限責任公司河池供電局，廣西河池 547000）

目前國內用電負荷預測技術主要集中在各種影響指標之間的交互作用上，但國內現有的用電負荷預測模型還存在一些不足，無法精準預測用電負荷。針對上述研究背景，研究一種新的用電負荷智能預測方法，已經成為當前相關領域的研究重點。

文獻[1]提出了基于LSTM 神經網絡的預測方法，該方法在神經網絡結構支持下提取電力負荷變化特征，使用雙向時序學習方式訓練特征。再結合注意力機制計算負荷權重，由此實現用電負荷預測；文獻[2]提出了基于最小二乘支持向量機的預測方法，該方法使用一種自適應權重計算方法，優化處理用電負荷權值，結合自組織特征映射網絡對原始負荷分類處理，獲取多組訓練集。依據訓練集構建預測模型，使用粒子群優化算法獲取預測結果。

然而，上述這兩種方法均無法辨識用電負荷是否異常，導致預測結果誤差較大。為此，提出了基于多維關聯規則的用電負荷智能預測方法。

1 用電負荷智能預測

1.1 負荷數據挖掘

多維關聯規則是一種多維挖掘準則，能夠表明多個變量之間的規律性。多維關聯規則匹配中如果只有一條相匹配結論，那么依據該匹配條件構建預測模型。為了滿足用電需求，研究最小支持度和可信度之間的關聯關系[3-5]。由于負荷預測中的相關定量數據為連續值，所以應對數據進行離散化處理，將數據劃分為不同等級，得到概化后的數據庫，該數據庫直接作用于多維關聯規則挖掘過程中。

基于多維關聯規則挖掘主要包括兩個步驟：首先掃描新增用電負荷數據的集合，獲取新增用電負荷集上的候選集。將原項目集A1 的復雜項目添加到總用電量數據集B1 中，掃描非頻繁項集并統計頻繁項集支持的候選集，之后向B1 中添加頻繁項。向頻繁項集合中添加不常用的C1 候選集，掃描數據庫，移除非頻繁候選集中的大幅度變化數據，返回頻繁項集B1 中；在此基礎上，若該項目的子集屬于非頻繁項集，那么該項目就會被刪除。在頻繁項集合B1 中，可獲得候選集C2，同樣也需移除非頻繁候選集中的大幅度變化數據，返回頻繁項集B2 中[6]。依次挖掘，直到找到所有頻繁項集即可，即可獲取全部用電負荷待預測數據。

1.2 用電負荷智能預測

根據上述挖掘的頻繁項集（即用電負荷待預測數據）對數據進一步劃分，方便負荷智能預測[7]。以如下公式作為劃分負荷的依據，可表示為：

式中，q1、q2、q3、…、qn分別表示電冰箱、電視、空調等n個用電負荷。

結合這些用電負荷數據，在多維關聯規則中，計算規則提升度可表示為：

式中，P(X)、P(Y)分別表示頻繁項集B1、B2 被挖掘的概率。當公式計算結果為負值時，能夠馬上剔除這部分多余數據；反之，則說明多維關聯規則中提升度對頻繁項集被挖掘概率起到有效作用[8-10]。

在確定規則提升度情況下，對n個用電負荷數據進行預處理，生成待預測目標集，在該目標集中第n個用電序列模型可表示為：

根據獲取的用電序列，整合全部頻繁項集，生成強大關聯規則。在該規則中，1 表示非空子集，0 表示空子集，如果項集合中任意一個頻繁項集為1，則說明該集合為非空子集，可將該子集作為用電負荷智能待預測集合[11-12]。通過對待預測集合進行訓練，能夠得到預測模型，進而減小訓練誤差[13]。統計預測日前m天用電負荷最大值和最小值，構建預測模型，如圖1 所示。

圖1 用電負荷智能預測模型

根據用電負荷的最大值和最小值，提取由電冰箱、電視、空調等n個用電負荷組成的預測模型初始數據。對初始數據進行標準化處理，從而獲取輸入數據矩陣，將多維關聯規則作為預測模型規則進行強關聯學習[14]。

在每個負荷預測結果中加入一個權值，將權值控制在規定的臨界值之內，通過對實測數據的對比和分析，得出偏差的平方值[15]。采用迭代法對包含全部負荷和測量數據各狀態變量進行迭代優化處理，得到了各狀態變量下的目標函數均方值，以判定其收斂性。在收斂程度最大的情況，可獲取用電負荷預測最大值，反之則獲取用電負荷最小值。

2 誤差預測數據修正

在用電負荷智能預測結果中包含了多種誤差數據，直接將其作為預測結果很難保證預測結果精準。對預測結果進行可靠性評估，是平衡用電負荷智能預測結果的基礎指標?；诖?，為了快速發現用電負荷智能預測過程受到噪聲影響而出現的異常負荷問題，使用多維關聯規則修正方法，克服對誤差數據辨識難的問題。

首先，根據電力資料庫中的電力消耗情況，找出一條特定的電力供應線路，統計所經過的電力消耗電量，再由系統查找出電力供應節點，在該節點處注入用電負荷預測修正公式，可表示為：

式中，Wt-1、Wt分別表示t-1 時刻、t時刻節點的有功功率，即用電負荷[16]。在獲取用電負荷后，辨識誤差負荷數據，避免影響預測結果，辨識結構如圖2 所示。

圖2 辨識結構

由圖2 可知，通過對誤差負荷數據辨識，計算誤差預測數據的預測偏差，公式可表示為：

式中，f′0 表示預測負荷值；f0表示實際負荷值。針對實際的用電負荷需求，選取最優頻繁項集。在考慮多維支撐度和頻繁項集合的情況下，選取適當的置信度可使低值頻繁集和冗余關聯規則得到最小化。

最后，將上述節點注入的修正值與待預測用電負荷值進行對比，如果對比結果不在0～2%誤差范圍內，則說明這部分數據為誤差數據，需剔除；如果對比結果在0～2%誤差范圍內，則保留全部待預測值，由此完成用電負荷智能預測。

3 實 驗

根據某省近三年電網用電負荷歷史數據信息，統計得到：2020 年用電負荷突然大幅度增加，這一年用戶使用的電子設備較多，這些用電高峰期主要發生 在2020 年5 月-7 月、9 月-11 月。對于這部分數據，使用用電信息采集裝置進行實時采集，采集系統的集中器與采集器直接相連，并通過載波電源線路進行數據交換。各個用電裝置與電表之間通過RS485 連接，由此才能開始進行實驗測試。

3.1 實驗數據分析

采集從2020年5月1日至6月30日和9月1日至10月30日的某市溫度最高、最低值及日照時長數據，如表1所示。

表1 溫度、時長數據統計結果

由表1 可知，實驗情況設置為兩類，分別是溫度情況和日照情況。在這兩種情況下，統計用電負荷最大值和最小值，如表2 所示。

表2 用電負荷最大值和最小值統計結果

由表2 可確定實際用電最大和最小負荷值，以此為依據進行實驗驗證分析。

3.2 實驗結果與分析

3.2.1 溫度因素對預測結果影響

在電網中用電設備存在大量氣候敏感負荷（比如空調），如果持續高溫將會引起空調用電負荷變化幅度較大。在該情況下，只考慮溫度因素，不考慮日照因素，對比分析LSTM 神經網絡、最小二乘支持向量機、多維關聯規則預測方法的用電負荷預測結果，如圖3 所示。

圖3 溫度因素下用電負荷預測

由圖3可知，使用神經網絡識別方法最大、最小預測結果與實際數據不一致，最大誤差分別為470 MW和110 MW；使用最小二乘支持向量機識別方法最大、最小預測結果與實際數據不一致，最大誤差分別為420 MW 和70 MW；使用多維關聯規則識別方法最大、最小預測結果與實際數據基本一致，只在9 月30 日時與實際數據存在最大為5 MW 的最大負荷誤差。

3.2.2 日照因素對預測結果影響

用電負荷隨著日照小時的季節變化發生改變，日照因素會導致負荷需求模式發生結構性改變。在該情況下，只考慮日照因素，不考慮溫度因素，對比分析三種預測方法的用電負荷預測結果，如圖4所示。

圖4 日照因素下用電負荷預測

由圖4 可知，使用神經網絡識別方法最大、最小預測結果與實際數據不一致，最大誤差分別為31 MW 和13 MW；使用最小二乘支持向量機識別方法最大、最小預測結果與實際數據不一致，最大誤差分別為60 MW 和9 MW；使用多維關聯規則識別方法最大、最小預測結果與實際數據基本一致，只在6月15 日時與實際數據存在最大為0.3 MW 的最小負荷誤差。

通過上述分析結果可知，使用多維關聯規則識別方法能夠精準識別用電最大、最小負荷。

4 結束語

該文提出了基于多維關聯規則的用電負荷智能預測方法，通過數據預處理，將原始數據整合為以用電負荷分析為主的數據庫，為關聯規則提供數據平臺。運用關聯規則建立的預測模型，對負荷進行智能預測。通過實驗驗證結果可知，該方法運用于城市電力負荷分析，能夠有效提升用電負荷的預測準確性，對電力用電決策提供理論依據。