基于時(shí)序模型的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法

摘要：常規(guī)的高能耗企業(yè)短期電力負(fù)荷預(yù)測(cè)方法，易受內(nèi)外循環(huán)魯棒性影響，導(dǎo)致電力負(fù)荷預(yù)測(cè)平均相對(duì)誤差（MeanRelativeError，MRE）較高，因此，基于時(shí)序模型，設(shè)計(jì)一種全新的高能耗企業(yè)短期電力負(fù)荷預(yù)測(cè)方法。即處理了企業(yè)短期電力負(fù)荷預(yù)測(cè)數(shù)據(jù)，基于時(shí)序模型設(shè)計(jì)了企業(yè)短期電力負(fù)荷預(yù)測(cè)算法，從而實(shí)現(xiàn)了短期電力負(fù)荷預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，設(shè)計(jì)的高耗能企業(yè)短期電力時(shí)序模型負(fù)荷預(yù)測(cè)方法的電力負(fù)荷預(yù)測(cè)平均相對(duì)誤差MRE較低，證明設(shè)計(jì)的電力負(fù)荷預(yù)測(cè)方法的預(yù)測(cè)效果較好，有一定的應(yīng)用價(jià)值，為降低企業(yè)電能損耗做出了一定的貢獻(xiàn)。

關(guān)鍵詞：時(shí)序模型高耗能企業(yè)電力負(fù)荷預(yù)測(cè)平均相對(duì)誤差

中圖分類號(hào)：TP39

AShort-TermPowerLoadForecastingMethodforHighEnergyConsumptionEnterprisesBasedonTimingModel

LIKangyuYANHongJIANGXiZHANGDandan

HarbinPuhuaElectricPowerDesignCo.，Ltd.，HarbinCity，HeilongjiangProvince，150000China

Abstract：Conventionalshort-termpowerloadforecastingmethodsforhighenergyconsumingenterprisesareeasilyaffectedbytherobustnessofinternalandexternalcycles，resultinginahighMeanRelativeError（MRE）inpowerloadforecasting.Therefore，basedonatimingmodel，anewshort-termpowerloadforecastingmethodforhighenergyconsumingenterprisesisdesigned.Inotherwords，theshort-termpowerloadforecastingdataforenterprisesareprocessedandashort-termpowerloadforecastingalgorithmisdesignedbasedonatimingmodel，therebyachievingshort-termpowerloadforecasting.TheexperimentalresultsshowthatMREofthedesignedshort-termpowertimingmodelloadforecastingmethodforhighenergyconsumingenterprisesisrelativelylow，whichprovesthatthedesignedpowerloadforecastingmethodhasgoodpredictiveeffectandcertainapplicationvalue，makingacertaincontributiontoreducingenterprisepowerloss.

KeyWords：Timingmodel;Highenergyconsumption;Electricityloadforecasting;MRE

受經(jīng)濟(jì)與工業(yè)化發(fā)展規(guī)模影響，我國(guó)各個(gè)區(qū)域的電力需求不均，建設(shè)的配電網(wǎng)規(guī)模存在較大差異[1]。若未針對(duì)地區(qū)概況進(jìn)行短期電力負(fù)荷預(yù)測(cè)則很容易出現(xiàn)過(guò)高的供配電負(fù)荷[2]，不僅會(huì)增加供配電成本，還會(huì)導(dǎo)致電網(wǎng)運(yùn)行故障，難以滿足人們的日常要求[3]。為解決上述問(wèn)題，提前進(jìn)行區(qū)域供配電規(guī)劃[4]，需要設(shè)計(jì)一種有效的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法。相關(guān)研究人員提出考慮相似用電單元及圖卷積神經(jīng)網(wǎng)絡(luò)的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法[5]，其主要利用單元負(fù)荷相似性進(jìn)行聚類處理，生成用電負(fù)荷預(yù)測(cè)策略，實(shí)現(xiàn)短期電力負(fù)荷預(yù)測(cè)；還有研究人員提出基于二次分解策略組合Informer的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法[6]，其主要利用樣本熵值計(jì)算進(jìn)行預(yù)測(cè)分量重構(gòu)，從而確定最終的預(yù)測(cè)結(jié)果，完成短期電力負(fù)荷預(yù)測(cè)。但是易受內(nèi)外循環(huán)魯棒性影響，導(dǎo)致電力負(fù)荷預(yù)測(cè)平均相對(duì)誤差MAPE過(guò)高。為此，本文基于時(shí)序模型，設(shè)計(jì)了一種高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法。

1短期電力時(shí)序模型負(fù)荷預(yù)測(cè)方法設(shè)計(jì)

1.1處理企業(yè)短期電力負(fù)荷預(yù)測(cè)數(shù)據(jù)

電力負(fù)荷數(shù)據(jù)是短期電力負(fù)荷預(yù)測(cè)的基礎(chǔ)，要想提高電力負(fù)荷預(yù)測(cè)的準(zhǔn)確性，需要對(duì)電力負(fù)荷預(yù)測(cè)數(shù)據(jù)進(jìn)行有效處理[7]。首先，可以根據(jù)預(yù)測(cè)要求設(shè)置采樣間隔與采樣點(diǎn)，收集全部的采樣數(shù)據(jù)，開始執(zhí)行電力負(fù)荷預(yù)測(cè)數(shù)據(jù)處理流程。在電力負(fù)荷數(shù)據(jù)采集的過(guò)程中受采集設(shè)備故障等因素影響，會(huì)導(dǎo)致數(shù)據(jù)內(nèi)部噪聲過(guò)多，影響后續(xù)的電力負(fù)荷預(yù)測(cè)結(jié)果，因此需要對(duì)缺失數(shù)據(jù)進(jìn)行處理[8]。本文設(shè)計(jì)的方法使用填充法進(jìn)行了缺失數(shù)據(jù)填補(bǔ)。缺失數(shù)據(jù)填充完畢后，需要進(jìn)行水平修正，剔除相差較大的數(shù)據(jù)閾值。除此之外，可以根據(jù)負(fù)荷數(shù)據(jù)的基礎(chǔ)特性進(jìn)行垂直處理。

經(jīng)過(guò)處理的數(shù)據(jù)剔除了無(wú)用的噪聲，但是格式仍然存在一定的差異，因此，本文設(shè)計(jì)的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法按照某一特定的量綱進(jìn)行了數(shù)據(jù)歸一化處理，避免出現(xiàn)數(shù)據(jù)爆炸問(wèn)題，待歸一化訓(xùn)練完成后，進(jìn)行反向歸一化驗(yàn)證，從而獲得準(zhǔn)確的短期電力負(fù)荷預(yù)測(cè)數(shù)據(jù)。

1.2基于時(shí)序模型的負(fù)荷預(yù)測(cè)

常規(guī)的短期電力負(fù)荷預(yù)測(cè)方法在局部加權(quán)回歸提取電力負(fù)荷預(yù)測(cè)分量時(shí)容易受內(nèi)外循環(huán)魯棒性影響，降低了最終的預(yù)測(cè)效果，且短期電力負(fù)荷的變化波動(dòng)較大，影響短期電力負(fù)荷預(yù)測(cè)結(jié)果的因素較多，預(yù)測(cè)難度較高，因此，本文設(shè)計(jì)的短期電力負(fù)荷預(yù)測(cè)方法基于時(shí)序模型設(shè)計(jì)了企業(yè)短期電力負(fù)荷預(yù)測(cè)算法。時(shí)序模型可以根據(jù)時(shí)間序列分析原理運(yùn)用概率統(tǒng)計(jì)法獲取預(yù)測(cè)數(shù)據(jù)序列，生成預(yù)測(cè)模型，實(shí)現(xiàn)參數(shù)估計(jì)與自適應(yīng)控制處理。電力負(fù)荷時(shí)序的平穩(wěn)性較差，周期性也相對(duì)難以確定，因此，可以根據(jù)預(yù)測(cè)時(shí)間間隔生成MATLAB模擬曲線。

根據(jù)MATLAB模擬曲線可以建立屬性分類機(jī)制，快速獲取平穩(wěn)的電力負(fù)荷預(yù)測(cè)時(shí)序，在實(shí)際負(fù)荷預(yù)測(cè)分析的過(guò)程中，可以根據(jù)預(yù)測(cè)目標(biāo)的屬性值篩選樣本空間，按照時(shí)間順序調(diào)整時(shí)間間隔。在通常情況下，判斷的樣本負(fù)荷特征值存在一定的截尾性，因此需要根據(jù)有限時(shí)間序列的關(guān)系計(jì)算預(yù)測(cè)均值函數(shù)。根據(jù)上述預(yù)測(cè)的均值函數(shù)可以進(jìn)行自相關(guān)估計(jì)，獲取樣本的基礎(chǔ)容量，從而得到短期電力負(fù)荷預(yù)測(cè)時(shí)序模型。根據(jù)上述構(gòu)建的短期電力負(fù)荷預(yù)測(cè)時(shí)序模型，可以針對(duì)負(fù)荷量變化因素進(jìn)行量化分析，確定預(yù)測(cè)離散屬性關(guān)系，調(diào)節(jié)電力負(fù)荷預(yù)測(cè)變量。

2實(shí)驗(yàn)

2.1實(shí)驗(yàn)準(zhǔn)備

根據(jù)高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)實(shí)驗(yàn)要求，本文將某高耗能企業(yè)作為研究對(duì)象，采集處理了電力負(fù)荷預(yù)測(cè)數(shù)據(jù)，生成了實(shí)驗(yàn)數(shù)據(jù)集。在實(shí)驗(yàn)開始前，需要進(jìn)行預(yù)測(cè)負(fù)荷描述，根據(jù)采集的電力負(fù)荷預(yù)測(cè)數(shù)據(jù)生成實(shí)驗(yàn)參數(shù)，調(diào)整實(shí)驗(yàn)間隔時(shí)間序列，待上述步驟完畢后，再進(jìn)行預(yù)測(cè)任務(wù)描述。為了滿足實(shí)驗(yàn)的隨機(jī)性要求，本文選取的研究區(qū)域的光儲(chǔ)能、風(fēng)儲(chǔ)能兩個(gè)單元，獲取了相關(guān)的實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行電力負(fù)荷篩選。從歷史樣本數(shù)據(jù)集合中選擇負(fù)荷儲(chǔ)能單元預(yù)測(cè)要求的實(shí)驗(yàn)樣本序列，生成自相關(guān)函數(shù)，再根據(jù)實(shí)驗(yàn)預(yù)測(cè)要求進(jìn)行參數(shù)匹配，實(shí)驗(yàn)指標(biāo)電力負(fù)荷預(yù)測(cè)平均相對(duì)誤差MRE計(jì)算式如下（1）所示。

力負(fù)荷預(yù)測(cè)平均相對(duì)誤差MRE越高證明電力負(fù)荷預(yù)測(cè)效果越差，反之越低證明電力負(fù)荷預(yù)測(cè)效果較好。待實(shí)驗(yàn)指標(biāo)確定完畢后，即可得出后續(xù)的實(shí)驗(yàn)結(jié)果。

2.2實(shí)驗(yàn)結(jié)果與討論

結(jié)合上述的實(shí)驗(yàn)準(zhǔn)備，在配置的實(shí)驗(yàn)平臺(tái)中可以進(jìn)行高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)實(shí)驗(yàn)。分別使用三種不同的方法，即本文設(shè)計(jì)的基于時(shí)序模型的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法、朱子意等人[5]考慮相似用電單元及圖卷積神經(jīng)網(wǎng)絡(luò)的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法，以及朱莉等人[6]基于二次分解策略組合Informer的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法，對(duì)研究的高耗能企業(yè)的部分個(gè)體單元（類別1光儲(chǔ)單元＼類別2風(fēng)儲(chǔ)單元）進(jìn)行短期負(fù)荷預(yù)測(cè)。使用公式（1）計(jì)算這3種方法在不同日期的電力負(fù)荷預(yù)測(cè)平均相對(duì)誤差MRE。實(shí)驗(yàn)結(jié)果如表1所示。

由表1可知：本文設(shè)計(jì)的基于時(shí)序模型的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法在不同日期下的電力負(fù)荷預(yù)測(cè)平均相對(duì)誤差MRE較低；朱子意等人[5]的考慮相似POqNsIzHUWIUlQGOMt+7Xl4p7aFLbNZtPtS9VebkNRY=用電單元及圖卷積神經(jīng)網(wǎng)絡(luò)的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法，以及朱莉等人[6]基于二次分解策略組合Informer的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法在不同日期下的電力負(fù)荷預(yù)測(cè)平均相對(duì)誤差MRE較高。上述實(shí)驗(yàn)結(jié)果證明，本文設(shè)計(jì)的短期電力負(fù)荷預(yù)測(cè)方法的預(yù)測(cè)效果較好，有一定的應(yīng)用價(jià)值。

3結(jié)語(yǔ)

近幾年，我國(guó)各個(gè)領(lǐng)域的用電量正在成倍增長(zhǎng)，對(duì)電能質(zhì)量的要求也越來(lái)越高。與此同時(shí)，我國(guó)正在進(jìn)行供能優(yōu)化轉(zhuǎn)型，使用光能、風(fēng)能等清潔能源替代常規(guī)的不可再生能源。但我國(guó)的各個(gè)區(qū)域電網(wǎng)分配不均，供需要求不等，容易導(dǎo)致供配電損耗過(guò)高，不符合供電經(jīng)濟(jì)性要求，因此，本文基于時(shí)序模型構(gòu)建了一種全新的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)方法。通過(guò)實(shí)驗(yàn)結(jié)果表明，設(shè)計(jì)的高耗能企業(yè)短期電力負(fù)荷預(yù)測(cè)的預(yù)測(cè)效果較好，有一定的應(yīng)用價(jià)值，為推動(dòng)我國(guó)的供配電可持續(xù)發(fā)展做出了一定的貢獻(xiàn)。

參考文獻(xiàn)

[1].周孟然，張易平，汪勝和，等.基于MVMD-CapSA-DBN的工業(yè)多元負(fù)荷分類研究[J].河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，51（3）：123-130.

[2].俞勝，黃福興，馮艷麗，等.新型電力AMI系統(tǒng)中基于NeuralProphet模型的電力負(fù)荷預(yù)測(cè)與修補(bǔ)研究[J].智慧電力，2023，51（5）：44-50.

[3].俞斌，孟偉，俞天楊，等.基于ICEEMDAN-CNN-K-shape的智慧園區(qū)短期負(fù)荷預(yù)測(cè)研究[J].國(guó)外電子測(cè)量技術(shù)，2023，42（5）：103-112.

[4].邵非凡，王俊琪，尹晗，等.適應(yīng)電力保供形勢(shì)的新型電力系統(tǒng)“電力發(fā)展命運(yùn)共同體”建設(shè)模式研究[J].電子元器件與信息技術(shù)，2023，7（4）：101-104.

[5].朱子意，孫曉燕，柳先彪，等.基于相似用電單元及圖卷積神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)[J].電力科學(xué)與工程，2023，39（7）：9-23.

[6].朱莉，韓凱萍，朱春強(qiáng).二次分解策略組合Informer的短期電力負(fù)荷預(yù)測(cè)方法[J].國(guó)外電子測(cè)量技術(shù)，2023，42（6）：23-32.

[7].王艷松，申曉陽(yáng)，李強(qiáng)，等.基于PCA-GRD-LWR模型的海上油田中長(zhǎng)期最大電力負(fù)荷預(yù)測(cè)[J].中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，47（2）：129-135.

[8].余蕾，岳超，車怡然，等.電價(jià)激勵(lì)下電力負(fù)荷響應(yīng)潛力評(píng)估研究：基于凈負(fù)荷的廣義負(fù)荷資源互動(dòng)分析[J].價(jià)格理論與實(shí)踐，2022（8）：154-159.