摘要
售电量是电网企业经营管理的重要经济指标,也是售电均价、财务收入、电网投资预算等一系列指标计算的基础数据。由于售电量受到诸多复杂因素影响,很难找到一种“放之四海”皆准的预测方法,既适合于任何地区又适用于各种情况。目前,关于售电量预测的研究有很多,常用的预测方法主要有灰色预测法和时间序列法两大类,但是这些方法在不同地区、不同售电结构和不同的用电负荷特性的售电量预测中存在一定的局限性。本文旨在研究适用于白银市月度售电量预测的模型,提高预测准确度,满足企业工作需要。
![适用于白银市月度售电量预测的模型构建](/uploads/allimg/210319/36-2103191522541V.png)
结合白银市用电负荷特性,本文按照用电性质、执行电价和国民经济行业对白银市用电负荷进行分类,分析售电量变化规律。在此基础上构建了五种数学模型,通过分析比对仿真预测结果,选取灰色预测和人工神经网络组合方式作为基础预测模型,采用差分进化算法对灰色神经网络预测模型网络参数进行了优化,并将气象因素作为影响因子不断修正预测模型。
为进一步提高预测模型的精度,充分考虑当地用电负荷结构特点,将K-means聚类算法应用到白银市负荷聚类中,将七类负荷聚为三类。在MATLAB平台上建立了白银市月度售电量预测模型,采用聚类后的售电量作为训练数据,通过与聚类前的预测结果进行对比,结果证明基于数据聚类的差分灰色神经网络预测模型,能够进一步提高该市月度售电量预测的精度。
关键词: 售电量预测;灰色神经网络;差分优化;聚类算法。
Abstract
Electricity sales is an important economic indicator for th e operation and management of Power Grid Enterprises, it is also the basic data of a series of index calculation such as average price of selling electricity, financial income, investment budget of power grid, etc. . Electricity sales are affected by many complicated factors, it is hard to find a "one-size-fits-all" approach to forecasting, which is suitable for the load characteristics of different regions, scholars at home and abroad have paid much attention to it. At present, There are many researches on the forecasting of electricity sales,the commonly forecasting methods are Grey prediction method and time series method. However, these methods have some limitations in different areas, different distribution structures and different load characteristics. The purpose of this essay is to develop a method suitable for forecasting the monthly electricity sales in Baiyin to improve the accuracy of forecasting and meet the needs of enterprises.
Combined with the characteristics of electric load in Baiyin, in this essay, the Baiyin Electricity load is classified according to the nature of electricity consumption, the implementation price and the national economy industry.On this basis, five mathematical models are constructed.By analyzing and comparing the emulat ion prediction results, the combination of grey prediction and artificial neural network is selected as the basic prediction model .The parameters of grey neural network prediction model are optimized by using differential evolution algorithm, the forecast model is modified continuously by taking meteorological factors as influencing factors.
In order to improve the accuracy of the prediction model ,this essay combines the characteristics of electric load in Baiyin. The k-means clustering algorithm is appliedto the load clustering in Baiyin area , seven types of Power load are grouped into three types. Using the clustering electricity sales as the training data, a monthly electricity sales prediction model in Baiyin is established on the MATLAB platform. By comparing with the prediction results in the previous chapters, this differential grey neural network algorithm based on data clustering can further improve the accuracy of monthly electricity sales prediction.
Key Words: Electricity sales prediction; Gray neural network; Differential optimization; Clustering algorithm 。
第1章 绪论
1.1、售电量预测的作用及意义。
售电量是供电企业经营管理的重要经济指标,是供电企业销售利润、售电均价、线损等一系列指标计算的基础数据。售电量预测是在正确的理论指导下,通过调查研究,运用可靠的技术方法和管理手段对售电量的发展趋势做出科学合理的推断。随着我国电力市场经济体制改革进程不断加深,能源互联网建设的不断推进,区域售电量预测管理已经成为电网规划、经济运行的重要课题。电网企业以销售电量为主营业务,售电量的多少将直接影响企业经营效益,对售电量进行准确的预测利于电力企业制定电网发展规划,提高供电可靠性。
2006年开始,国家电网公司将月度售电量预测的精度,作为重要管理指标纳入了企业负责人业绩考核之中。
售电量的发展趋势受到多种不确定因素的影响,国民经济发展、季节更替、电价政策调整、市场价格波动以及客户生产方式调整等,这些不确定因素导致准确预测售电量难度很大。多数情况下,售电量预测仍然依赖于相关工作人员根据历史数据和个人工作经验完成,预测方法过于主观,预测准确率和可靠性不高、随机性较大。
近年来,关于提高售电量预测水平的研究不断增多,常用的研究主要集中在时间序列法和基于机器学习的各类预测模型的组建上。但是,由于各地区售电量结构、负荷特性以及经济发展水平存在较大差异,已有的售电量预测方法很难达到直接在白银地区应用的要求。出于实际工作需要,本文中,将结合白银市用电负荷特性和售电结构特点,对白银市月度售电量预测进行研究,构建一个适用于白银市的月度售电量预测模型,按照国网公司绩效考评标准,将月度售电量预测偏差控制在2.5%以内,提高企业经营管理水平。
综上,结合白银市当地用电负荷特性,寻找一种更加科学、系统、客观、准确率更高的方法,获得较为准确的区域电网月度售电量预测数据,对当地供电企业的业绩考核、电力规划、财务管理等相关工作都有着重要作用。因此,对白银市月度售电量预测模型的研究极具现实意义与实用价值。
1.2、 研究现状。
各种统计学理论是计算机学习和数学建模的基础,大量关于电力负荷和相关领域预测方法的研究成为售电量预测的重要参考,国内外结合各地实际开展的售电量预测成果也颇为丰富,根据各类预测方法的难易程度和预测方式不同主要分为以下五个方面:
1. 早期数学建模预测法 。
英国数学家R.T.Bayes发挥对数学研究方面的优势,提出了着名的贝叶斯公式以及一种归纳推理的方法,后来的研究者在该理论的基础上总结出了一整套统计推断的方法和系统[1]。贝尔实验室的Vapnik研究统计学习理论,并在此基础上提出了一种新的计算机学习方法-支持向量机(Support Vector Machines,SVM),它基于结构风险最小化理论,在特征空间中构建最优分类面,使得学习器能够得到全局最优化。支持向量机(Support vector machines,SVM)在非线性、小样本和高维模式的识别问题中,表现出许多特有的优势,并在很大程度上克服了“过学习”和“维数灾难”和问题[2]。在支持向量机的基础上,文献[3]
在支持向量回归模型(Support Vector Regression ,SVR)中引入股票指数以提高短期负荷预测,这种方法相比传统的时间序列法预测精度更高;文献[4]介绍了基于支持向量回归机的短期负荷预测策略。文献[5]详细解析说明了43个MATLAB神经网络案例,这些案例是建立售电量预测模型的基础和重要依据。
模糊算法在电力系统的诸多领域中得到广泛应用,模糊预测法是以模糊数学理论为基础,将模糊不确定的信息和经验以规则的形式表示出来,并将这种规则的信息转换成可以在计算机上运行的算法。文献[6]提出了一个采用模糊自适应推理和相似性的短期负荷预测方法,并考虑了温度和湿度对电力负荷的影响。这种方法中,模糊推理用在预测日的相似日的负载曲线校正中,从而获得对未来电力负荷的预测值。这种模糊推理的方法,能够进一步提高电力负荷预测结果。
时间序列法在趋势性较好的平稳序列中具有较好的预测效果,回归分析法较为全面的考虑了各种因素对月度售电量的影响,应用这些影响因素进行建模预测,取得了一定的效果。但是,现有的研究在考虑温度对售电量预测的影响时,忽略了在舒适温度区间内,不会存在采暖和制冷措施的客观事实。同时,因随机因子不易被量化,也忽略了随机变量对售电量预测精度的影响。
2. 人工神经网络算法 。
人工神经网络是模仿生物神经对信息的处理方式而建立的,它可以对多种信息处理和复杂算法建立数学模型,通过调整大量的内部节点和相互联系之间的关系,达到信息处理的目的。神经网络具有自学习功能和非线性处理的特点,使得神经网络在众多领域获得广泛应用。截至今天,学者们已经建立了百种人工神经网络模型,涉及到社会各界的学习算法更是举不胜数。其中,得到广泛使用和最具代表性的网络是反向传播神经网络(Back Propagation,BP)。该网络是在1986年由D.E.Rumelhart和J.L.Mc Cleland提出的,它利用误差反向传播算法来训练神经网络[7],该算法的主要优点是在有足够多的隐含层和隐节点的情况下,可以逼近任意的非线性映射关系;同时,它的学习算法属于全局逼近的方法,具有较好的泛化能力[8]。
3.组合预测模型算法 。
混合预测能够“博采众长”,发挥两种甚至几种预测模型的最大优势。文献[9]为混合模型制定了建模标准,成为后来学者研究和建立混合预测模型的标尺。文献[10]则将人工神经网络(Artificial Neutral Network ,ANN)与SVM模型组合,大大节约了模型训练的时间。二十世纪末,美国华盛顿大学的D.C.Park等人,将传统模型中很少考虑的天气因素加入到神经网络预测模型中[11],使得神经网络法预测精度进一步提高。近年来,针对时间序列法和回归分析法存在的不足,不断有学者通过将多种预测算法进行组合的方式来提高售电量的预测精度。文献[12]
通过将时间序列法中的X12乘法模型和自回归移动平均(ARIMA)模型相结合的方式,有效地解决了季节周期分量、趋势分量和随机分量相互干扰时对模型预测精度的影响;主要思想是采用X12乘法模型将电力负荷分量分解为季节周期分量、趋势分量和随机分量。其次,应用ARIMA模型对趋势分量进行预测,采用平均法和加权法进行季节周期分量和随机分量的预测。最后,通过X12乘法模型将三个分量的预测值还原为最终的预测值。
4. 计算机模拟算法 。
社会各界对计算机预测模型的研究和应用,为售电量预测模型的构建提供了一定的参考和思路。2011年,美国学者Saripalli,P等人将云计算引入到电力负荷短期预测中,云计算的核心是将大量用网络连接的计算机资源统一管理和调度,构成一个计算资源池向用户按需服务。在文献[13]中已经将云计算的软件服务化(Software as a Service, Saa S)应用在电力负荷预测中,它充分利用网络计算资源,实现可靠的数据采集、存储和分析,从而有效的提高了预测精度。华北电力大学的王保义教授在文献[14]中,引入了分布式和multi-agent思想,提升了电力负荷预测算法的准确率。
Map-Reduce编程框架对采用云计算的算法模型进行并行化改进,提高其处理海量高维数据的能力;通过在32节点云计算集群上进行实验,结果表明,基于该模型的电力负荷预测精度要优于传统支持向量回归预测算法,且优于神经网络算法,这种算法具有优异的并行性能。文献[15]中研究应用最优子集回归模型来预测短期电力负荷,文献[16]用调和聚类分类方法预测电力负荷,文献[17]将人体舒适度指数纳入配电网短期负荷预测中。自回归条件密度模型、灰色投影改进随机森林算法、灰色模型和Kalman平滑器、灰色模型和神经网络组合、改进随机森林算法等多种计算机模拟算法被应用在负荷预测中[18-24],其中,灰色模型、BP神经网络模型、最小二乘支持向量机模型[25-29]等在电力负荷预测中得到广泛应用。与此同时,灰色神经网络法被大量应用在空气质量预测、企业商誉价值评估、高考批次线预测等实际工作中[30-32]。
5. 影响因子算法 。
近年来,许多电力从业人士结合实际工作,提出了一些适合本地区应用的售电量预测模型。尹子民、王允平、李晓波等人将部分影响因素加入到灰色预测模型中,构建GM(1,n)模型,从不同方面进行了预测,使得其预测结果更加准确[33-35]。
丁磊明,杨晓雷,黄金波等研究应用经济指标与电量的相互作用,利用BP神经网络对电量值进行预测[36],得到了实用性更好的中长期电量预测结果。林丽将大数据挖掘应用到电量预测中,构建了年度用电量预测模型,具有较高的实用价值。杨晓雷将灰色预测和随机森林组合算法引入电量预测中,并充分利用两种算法的优点,深入挖掘历史电量数据和区域相关经济数据的关联性,构建预测模型,减小数据预测偏差[37],为地区电量预测工作提供一种新思路。杨晔采用组合预测思路,将两种单一模型整合为适用于本地区电量预测的新模型,使综合误差达到最小化标准[38],有效优化了中长期售电量预测工作。
在售电量预测方法中,也有工作人员对业扩报装数据与售电量的关联性加以研究,建立了基于业扩报装大数据的售电量预测模型[39-41]。文献[42]为住宅区电力需求建立了预测模型,这种基于支持向量回归和粒子群优化算法的预测模型,是根据每月的平均温度、日照强度、电力消耗、风速、实时电价以及居民消费价格指数等,建立了具有14个气象变量和5个社会变量的短期电力需求预测模型;文献[43]以意大利夏季售电量数据为例,分析了该地区天气预报和温度变化可能对电量需求的影响。气象因素对电力负荷的影响一度被各位学者关注和重视[44-47],这种将多种影响因素作为变量引入预测模型的方法,对售电量预测研究均有借鉴意义。
综上所述,本文将根据白银地区售电量结构特点和实际工作需要,建立适用于白银地区的售电量预测模型,通过具体算例不断修正预测算法和预测方式。用真实数据与预测数据分析对比,对预测模型的预测准确度进行评估,验证模型的有效性和实用性,最终确立最优方案。
【由于本篇文章为硕士论文,如需全文请点击底部下载全文链接】
1.3、 本文研究的主要内容
1.4、 本章小结
第2章 白银市售电量特性分析
2.1、白银市售电量结构
2.2、白银市售电量影响因素
2.3、白银市售电量数据预处理
2.4、售电量影响因子归一化处理.
2.5、本章小结
第3章 时间序列法在白银市售电量预测中的应用
3.1、时间序列法基本理论概述
3.2、预测误差评价方法
3.3、时间序列法实证分析
3.4、本章小结
第4章 白银市售电量预测数学模型的建立
4.1、白银市售电量预测线性模型的构建
4.1.1 、ARMA售电量预测模型
4.1.2 、ARIMA售电量预测模型
4.2、白银市售电量预测组合模型的构建
4.2.1、灰色模型(Greg Model)
4.2.2、灰色神经网络售电量预测模型
4.2.3、差分灰色神经网络售电量预测模型
4.3、本章小结
第5章 基于数据聚类的白银市月度售电量预测
5.1、白银市售电量聚类.
5.2、聚类预测效果评价与改进措施
5.3、本章小结
结 论
本文根据白银市用电结构和“两高一低”的负荷特性,通过基于差分进化的灰色神经网络模型聚类预测方法,对白银市售电量预测模型进行研究。主要研究过程和结果如下:
(1)根据月度售电量特性,结合白银地区实际情况,分析预测误差产生的主要原因。经分析说明,经济发展、天气变化、季节更替、客户生产状况、数学模型的实用性、数据资料质量等均是导致白银市售电量预测误差的原因。
(2)收集整理2011年至2016年历史数据,将2011年至2015年数据作为训练集,2016年数据作为测试集,先后建立自回归滑动平均模型(ARMA)、自回归积分滑动平均模型(ARIMA)、灰色模型以及组合灰色神经网络模型等四种预测模型,分别得到2016年售电量的预测值。将四种方法得到的预测值与真实值进行比较,对比预测误差大小。根据当地的气象数据对预测模型结果进行修正,建立修正的售电量预测模型,结果证明,修正的灰色预测模型,在小样本的地区售电量预测方面具有较好的精度。
(3)采用差分进化算法对组合灰色神经网络模型参数进行了优化,相比单一预测模型和参数未得到优化的模型,优化后的灰色神经网络模型在白银市月度售电量预测仿真应用中,预测偏差进一步缩小。
(4)结合该地区用电负荷特性,将K-means聚类应用到白银市月度售电量历史数据处理和预测中,对各聚类预测电量进行再组合,并引入重点负荷随机因子对预测结果进行修正,使得预测准确率能够达到实际工作需要。
综上所述,通过对白银市售电量预测模型的研究,表明在不同用电特性、不同用电结构的地区,售电量预测模型的建立具有很强的个性差异。在白银市月度售电量模型建立过程中,一是考虑了天气因素对售电量的影响,并对相关模型进行修正;二是应用灰色模型和人工神经网络进行组合预测,并对组合模型进行进一步优化;三是采用的K-means方法将各分类售电量进行聚类,应用聚类数据训练已建数学模型,并对聚类电量分别预测。同一个预测模型,对比售电量整体预测与聚类预测的精度,分类预测能够降低模型预测误差。最后,结合该地区负荷特性和工作需要,将35k V及以上重点负荷作为随机因子对数据进行再处理,最终得到改进差分灰色神经网络算法,将预测精度提高到最优。
当前,国内电企改革在如火如荼的开展,售电量预测能力的强弱将成为售电市场竞争的关键因素。随着计算机技术的飞速发展,以计算机为导向的售电量预测已广泛应用于电力系统服务。在未来,随着智能电表、电力物联网等新技术的普及,数据采集和历史数据获取方面将变得更加便捷高效,通过建立更加全面的多维历史数据库,将使售电量预测准确率得到进一步的提高。
在本文中,利用MATLAB平台建立了不断修正的白银市月度售电量预测方法。但理论模型的建立难以满足当前电力预测需求市场。由于时间、个人能力和数据收集条件所限,研究中还存在许多不足,一些影响售电量的因素未能纳入预测模型中。如:为减少化石燃料消耗引起的环境问题,节能环保的电动汽车已经在城市地区推广使用,有些公交车站已经建立了大型的快速充电桩,城市地区的售电量会急速的增长;再者,与全国60多个资源枯竭新城市一样,白银市矿产资源枯竭,产生了经济、社会、环保等一系列问题,白银的产业结构正在快速的转型和升级,用电结构也将进一步发生大的转变。在未来的售电量预测中,应将这些随时代变化的主要因素考虑到建模研究中,才能增加预测的准确率。此外,各种影响因素的权重也非常重要。一些不确定因素,如紧急情况和异常天气仍然会对负荷预测产生影响,这些随机因素用灰色神经网络预测模型无法具体体现。
今后,一方面应利用大数据的手段,全面挖掘影响售电量变化的相关因素,并且考虑其累积效应,以提高电力企业的决策能力和电力供需预警能力,加强对于其他影响因素变化的应性和前瞻性。另一方面需加强重要用电客户的用电计划管理,对用电量排名在本地区前100名的大客户逐户预测,建立大客户检修、停产、变更或新装增容等随机事件数据库,将这部分电量分别预计,再与通过数学模型预测的其他售电量进行组合;或根据供电企业供电范围,化小预测区域进行预测,实现预测准确率的不断提高。
参考文献.