基于拟合优度赋权的农网用电需求组合预测

刘思，白桦，张凯，叶承晋，黄民翔

(1.浙江大学电气工程学院，杭州市 310027; 2.国网浙江省电力公司经济技术研究院，杭州市 310008)



基于拟合优度赋权的农网用电需求组合预测

刘思1，白桦2，张凯2，叶承晋2，黄民翔1

(1.浙江大学电气工程学院，杭州市 310027; 2.国网浙江省电力公司经济技术研究院，杭州市 310008)

在我国新型城镇化和美丽乡村宏观政策的推动下，城乡一体化进程加快，带动农网用电需求快速增长。分析新型城镇化和美丽乡村背景下的农网用电需求，对建立和完善乡镇电网发展模式和建设标准具有重要现实意义。结合新型城镇化和美丽乡村背景下的农网用电需求特点，建立了城镇用电需求评估指标体系，提出一种基于全样本空间的类比预测法，将用电需求预测从单一维度扩展到多维空间，适用于目前城镇化过程中电力数据和经济社会发展信息交汇的大数据环境。在此基础上，综合回归分析法、灰色模型、人均用电量法等3种经典预测方法，设计了基于拟合优度赋权的组合预测算法，实现了权重的自动优化调整，算例结果表明组合预测算法提高了预测的精度和可靠性。

用电需求预测；全样本空间；组合预测；拟合优度；新型城镇化

0 引 言

我国新型城镇化的快速发展和美丽乡村建设的深入实施，给电网建设和供电服务提出了一系列新的要求。城乡一体化将提高现代农业发展水平，并逐步实现基础设施和公共服务设施的共建共享，使农民在生产和生活上的电力需求都有明显提高，城乡电力需求差距将进一步缩小[1-3]。分析新型城镇化和美丽乡村背景下的农网用电需求，对建立和完善乡镇电网发展模式和建设标准具有重要的现实意义。

用电需求预测是指通过历史用电信息预测未来一定时期的用电需求。近年来逐步形成了两类较为成熟的预测方法，一类是以时间序列法、回归分析法、相关分析法等为代表的经典预测方法，另一类是以灰色系统理论、模糊预测、专家系统、支持向量机等为代表的新兴预测理论[4-9]。新型城镇化和美丽乡村背景下的农网用电需求主要具有如下特点：

(1)不同产业特征的乡镇用电需求差异明显；

(2)产业特征相似但发达程度不同的乡镇，其用电需求也存在较大差异；

(3)部分乡镇用电需求接近饱和，而部分乡镇用电需求仍处于高速增长中。

上述特点决定了不同乡镇的用电需求预测很难采用一套通用的标准，例如人均用电量和负荷密度指标。然而，用电指标的准确性又直接决定了电网规划方案的指导意义。传统用电需求预测已难以适应城乡二元结构剧烈变化的新形势和科学预测新型城镇化和美丽乡村背景下的农网用电需求。

结合新型城镇化和美丽乡村的农网用电需求特点，构建了城镇用电需求评估指标体系，并提出一种基于全样本空间的类比预测法，该方法避免了确定人均用电量和负荷密度指标的困难，将用电需求预测从单一维度扩展到多维空间，适用于目前城镇化过程中电力数据和经济社会发展信息交汇的大数据环境。

单一模型和方法可能导致预测结果片面、不准确[10]，为分散风险，提高预测结果准确性，本文采用组合预测方法，具体包括基于全样本空间的类比预测法、回归分析法、灰色模型、人均用电量法4种算法，采用基于拟合优度的客观赋权方法综合处理各算法的结果。利用某乡镇历史用电量进行预测校验，结果表明：该组合预测算法结果残差小，提高了农网用电需求预测的精度和可靠性。

1 城镇用电需求评估指标体系

城镇化不仅是人口的简单聚集，而且是整个社会基本形态由农业型社会向更高一级城市型社会的转型[11]。城镇化伴随产业结构动态调整，与经济发展水平紧密相关[12]。1957年，美国经济学家钱纳里利用世界各国的人均GDP和城镇化水平进行分析研究，证明二者存在正相关关系[13]。

1979年，美国城市地理学家诺瑟姆提出“城镇化三阶段理论”，将城镇化过程划分为初期起步、中期加速和后期稳定3个阶段[14]，即城镇化过程具有明显的阶段性和相似性。当前我国城镇化水平正处于加速发展的中期阶段，此阶段农业劳动生产率大幅提高，经济快速发展，城乡居民收入差距逐步缩小，产业结构变化明显[15]，必将带动农网用电需求迅速增长。

城镇用电需求与当地经济发展和用电结构密切相关[16-17]。从经济发展和用电结构2个角度，选取人均用电量、人均GDP、单位GDP电耗、一产用电量占比、二产用电量占比、三产用电量占比、居民生活用电量占比等7个维度的指标，建立城镇用电需求评估指标体系，全方位、多角度对城镇用电结构和用电水平进行度量，综合评估城镇用电需求。各指标的选取依据如表1所示。

表1 城镇用电需求评估指标体系

Table 1 Power demand evaluation indexes of town

2 基于全样本空间的类比预测法

基于全样本空间的类比预测法的思想概述如下：基于城镇用电需求评估指标体系，构建由国内外多个样本城镇组成的全样本空间；以目标城镇为输入，以空间距离为相似性度量判据，遍历全样本空间矩阵，找到与目标城镇空间距离最小、相似度最高的样本即最匹配样本，以最匹配样本之后年份用电需求增长趋势作为目标城镇未来用电需求增速的参考。算法的流程图如图1所示。

图1 基于全样本空间的类比预测法流程图

2.1 全样本空间构造

建立包含不同城镇化进程、不同经济社会发展水平、不同用电结构的国内外样本城镇多维度空间。

每个样本具有地域、年份2个属性，包含7个维度的城镇用电需求评估指标，具体包括人均用电量、人均GDP、单位GDP电耗、一产、二产、三产用电量占比、居民生活用电量占比7个维度的指标数据，综合表征了该地区相应年份的用电需求特点。

样本空间容量越大越好，并且为增强参考性，应包括国外样本。样本构造注意以下2点：(1)国内样本尽量包括发达城镇“十一五”至现阶段数据；(2)国外样本由于较近年份数据获取难度大，并且相对于国内发展水平超前较多。因此，应包括较早年份数据。

2.2 最匹配样本搜索

2.2.1 数据规范化

为去除度量单位和初始值域对数据分析的影响，采用最小-最大规范化方法，对目标城镇和全样本空间矩阵进行归一化处理。

设C为7维目标城镇向量，X为m个样本组成的m×7维全样本空间矩阵，最小-最大规范化后的目标城镇向量为C′，全样本空间矩阵为X′，转换公式如下：

(1)

(2)

式中：minj和maxj分别为维度j的最小值、最大值，minj=min[C(j),Xij]，maxj=max[C(j),Xij]，其中i=1,2,…,m及j=1,2,…,7。

2.2.2 最匹配样本选取

以归一化后的目标城镇向量C′为输入，以空间距离为相似性度量判据，遍历全样本空间X′中的所有样本，找出与目标城镇目标年份用电需求评估指标综合相似度最高的样本，称为最匹配样本，记作X(k)。目标城镇向量C′关于全样本空间矩阵X′的第i个样本的空间距离D(i)为：

(3)

最匹配样本X(k)即与目标样本的空间距离最小的样本，其空间距离为

D(k)=minD(i)(i=1,2,…,m)

(4)

2.3 用电需求预测

采用最匹配样本之后年份的用电需求增长趋势作为目标城镇未来用电需求增速的参考。例如，若与目标城镇相似度最高的样本为“乌镇2006”，则乌镇2006年后的用电需求增速可以作为目标城镇未来用电需求增速的参考。

3 基于拟合优度赋权的组合预测方法

(5)

式中：Xij表示采用第i种预测方法得到的第j年的预测数据，xj表示第j年的实际数据，t表示历史数据的总年份。

(6)

基于拟合优度的赋权方法具有如下显著优势：

(2)保证预测结果对历史数据拟合效果差的方法具有较小的权重，对历史数据拟合效果好的方法具有较大的权重，实现了权重的自动优化调整。

在确定权重之后，组合预测在第j时刻(j=t+1,t+2,…,T)的预测值，可表示为

(7)

本文中组合预测方法包括基于全样本空间的类比预测法、回归分析法、灰色模型、人均用电量法共4种单项算法，采用基于拟合优度的客观赋权方法综合处理各算法结果，算法示意图如图2所示。

4 算例分析

采用基于全样本空间的类比预测法对浙江省某工业发达城镇A镇2006—2014年的历史用电量进行预测。

全样本空间构成如下：国内样本包括江浙81个城镇2005—2014年的经济发展和用电信息，国外样本包括韩国、日本、法国27个城镇1975—1984年的经济发展和用电信息。经数据清理后，共包含987个有效样本城镇的数据信息。预测结果如表2所示，评估指标对比如表3所示。

图2 基于拟合优度赋权的组合预测法示意图

表2 基于全样本空间的类比预测法历史用电量预测结果

Table 2 Forecasting results for electricity consumption in 2005-2014 with analogy forecasting method based

on full sample space

注：以最匹配样本之后3年的年均用电量增长率作为目标城镇A镇未来一年的用电量增长率。

表3 目标城镇与最匹配样本用电需求评估指标对比

Table 3 Power demand evaluation indexes comparison between object town and the most similar sample

由表2知，目标城镇A镇2014年的最匹配样本为“观海卫2009”；对比表3中二者用电需求评估指标，其用电结构和用电水平高度相似。表2中A镇历年最匹配样本结果，也进一步验证二者用电需求和发展情况的相似性。因而，最匹配样本观海卫镇用电需求增长趋势和发展模式对目标城镇A镇有重要参考价值。

进一步采用二元回归、灰色模型GM(1,1)、人均用电量法3种单项预测方法，与提出的基于全样本空间的类比预测法，共同构成基于拟合优度赋权的组合预测算法，与等权平均组合预测算法预测结果进行比较。

各单项预测方法的预测结果和历史值如表4所示。组合预测算法中各单项算法的权重系数见表5，预测结果如表6所示。各单项算法和组合预测算法的预测结果如图3所示。

表4 目标城镇用电量历史值和各单项算法预测值

Table 4 Historical values and forecasting values of forecasting methods of the object town

亿kW·h

表5 组合预测算法中各单项算法权重系数

采用平均相对误差(mean relative error, MRE)和残差均方根(mean squared error, MSE)为误差评价指标，以比较各单项算法和组合算法的性能，如式(8)～(9)所示：

表6 各组合预测算法预测值

Table 6 Forecasting values of each combination forecasting method 亿kW·h

图3 各算法用电量预测结果比较

(8)

(9)

式中：Xij表示采用第i种预测方法得到的第j年的预测数据；xj表示第j年的实际数据；t表示历史数据的总年份。

各单项预测算法和组合预测算法的误差如表7所示。

从表7的误差分析结果可以看出：在4种单项算法预测法中，基于全样本空间的类比预测法对历史用电量的拟合效果最好，平均相对误差和残差均方根均最小，预测结果可靠性高，验证了提出算法的正确性。

对比组合预测算法和各单项算法的预测结果，组合预测算法的预测误差一般都比单项预测算法的误差小，预测结果更可靠。且在组合预测算法中，本文采用基于拟合优度的客观赋权理论，参考表5，基于全样本空间的类比预测法对历史用电量的拟合优度最佳，权重系数最大；二元回归模型的拟合优度最差，权重系数最小，算法实现了权重的自动优化调整，比等权平均这一类固定权重的组合预测算法更科学、更合理，其预测结果更精确。综上基于拟合优度赋权的组合预测算法提高了预测的精度和可靠性。

表7 各单项预测算法和组合预测算法误差

Table 4 Error of each single and combination forecasting methods

5 结 论

本文结合新型城镇化和美丽乡村背景下的农网用电需求特点，构建了城镇用电需求评估指标体系，提出一种基于全样本空间的类比预测法，开展多维度用电需求预测，适用于城镇化过程中电力数据和经济社会发展信息交汇的大数据环境。为提高预测结果的准确性，设计了基于拟合优度赋权的农网用电需求组合预测方法，该方法可实现权重的自动优化调整。某乡镇算例结果表明，该组合预测方法提高了预测结果的精度和可靠性。

样本空间容量较小、样本类型不够全面是制约基于全样本空间的类比预测法性能和预测精度的主要因素，因而广泛收集国内外样本信息，构造大容量、多类型、全方面的样本空间是今后该算法应用和改进的重点。

[1]国务院发展研究中心课题组.中国新型城镇化:道路、模式和政策[M].北京： 中国发展出版社，2014.Development Research Center of the State Council.New Urbanization of China: Method, Model and Policy[M].Beijing: China Development Press, 2014.

[2]王利,周爱民.新型城镇化: 农网发展新动力[J].中国电力企业管理,2014(24):18-23.Wang Li, Zhou Aimin.New urbanization: a new power of rural power network development[J].China Power Enterprise Management, 2014(24):18-23.

[3]单卓然,黄亚平.“新型城镇化”概念内涵、目标内容、规划策略及认知误区解析[J].城市规划学刊,2013(2):16-22.Shan Zhuoran, Huang Yaping.An analysis of the concept, goals, contents, planning strategies and misunderstandings of new urbanization[J].Urban Planning Forum,2013(2):16-22.

[4]牛东晓,曹树华,卢建昌,等.电力负荷预测技术及其应用[M].北京：中国电力出版社,2009.Niu Dongxiao, Cao Shuhua, Lu Jianchang, et al.Power System Load Forecasting and its Application[M].Beijing: China Electric Power Press, 2009.

[5]Campbell P R J, Adamson K.Methodologies for load forecasting [C]// 2006 3rd International IEEE Conference on Intelligent Systems, London, 2006:800-806.

[6]张俊芳，吴伊昂，吴军基.基于灰色理论负荷预测的应用研究[J].电力自动化设备, 2004,24(5)：24-26.Zhang Junfang，Wu Yiang，Wu Junji.Application of gray system theory in load forecasting[J].Electric Power Automation Equipment，2004，24(5)：24-26.

[7]耿光飞,郭喜庆.模糊线性回归法在负荷预测中的应用[J].电网技术,2002, 26 (4): 19-21.Geng Guangfei, Guo Xiqing.Application of fuzzy linear regression to load forecasting[J] Power System Technology, 2002, 26 (4): 19-21.

[8]杨正瓴,张广涛,林孔元.时间序列法短期负荷预测准确度上限估计 [J].电力系统及其自动化学报,2004,16 (2):36-39.Yang Zhengling, Zhang Guangtao, Lin Kongyuan.Upper limit estimating of short-term load forecasting precision by time series analysis[J].Proceedings of the CSU-EPSA.2004,16(2): 36-39.

[9]Meng K, Dong Z Y, Wang D H,et al.A self-adaptive RBF neural network classifier for transformer fault analysis [J].IEEE Trans on Power Systems, 2010,25 (3):1350-1360.

[10]Bates J M, Granger C W J.Combination of forecast[J].Operations Research Quarterly,1969,20(4):451-468.

[11]王秀玲.对国外城镇化发展的思考[J].河北师范大学学报：哲学社会科学版,2006(4):42-45.Wang Xiuling.A developmental study of the overseas urbanizations [J].Journal of Hebei Normal University： Philosophy and Social Sciences Edition, 2006(4):42-45.

[12]贺春光,王涛,董昕.城镇化率与电力消费相关性分析方法及其应用[J].河北电力技术,2014(3):19-22.He Chunguang, Wang Tao, Dong Xin.Corelation analysis method on total electricity consumption and urbanization rate and its application[J].Hebei Electric Power, 2014(3):19-22.

[13]Hollis C, Moises S.Patterns of development: 1950-1970[M].Oxford University Press,1975

[14]Northam R M.Urban Geography[M].New York: J.Wiley Sons , 1975:65-67

[15]刘博轩.三大产业对城镇化各阶段的影响研究[J].中国城市经济,2011(29):9-12.Liu Boxuan.Impact of the three major industries of the various stages of urbanization[J].China Urban Economy, 2011(29):9-12.

[16]国家发改委宏观经济研究院信息中心课题组.经济增长对电力需求的影响(总报告)[J].经济研究参考,2005(78):2-23 Information Research and Consulting Center, Academy of Macroeconomic Research.The impact of economic growth on demand for electricity[J].Review of Economic Research, 2005(78): 2- 23

[17]袁家海,丁伟,胡兆光.电力消费与中国经济发展的协整与波动分析[J].电网技术,2006(9):10-15.Yuan Jiahai, Ding Wei, Hu Zhaoguang.Analysis on co-integration and co-movement of electricity consumption and economic growth in China[J].Power System Technology,2006(9):10-15.

(编辑：刘文莹)

Power Demand Combination Forecasting of Rural Power Network Based on Goodness of Fit Empowerment

LIU Si1, BAI Hua2, ZHANG Kai2, YE Chengjin2, HUANG Minxiang1

(1.College of Electrical Engineering, Zhejiang University, Hangzhou 310027, China;2.Economic Research Institute of State Grid Zhejiang Electric Power Company, Hangzhou 310008, China)

With the promotion of the new urbanization and beautiful countryside macro policy in China, the process of the urban-rural integration accelerates, which drives the fast increase in the demand of the rural power network.In the background of the new urbanization and beautiful countryside, the analysis of the demand of the rural power network has the important practical significance to the establishment and improvement of the development model and construction standard of rural power network.Combining the power demand characteristics of rural power network in the background of the new urbanization and beautiful countryside, the power demand evaluation indexes for town are established and the analogy forecasting method is proposed based on full sample space, which could extend the load forecasting from a single dimension to hyperspace.It is applicable to the big data environment where the power data intersected the economic and social development in the process of urbanization.On this basis, this paper synthesizes the three classic forecasting methods, including the regression analysis method, the grey model and the per capita consumption method, and proposes a combination forecasting method based on the goodness of fit empowerment, which could realize the automatic optimization adjustment of weight.The numerical example results show that the combination forecasting method can improve the accuracy and reliability of the forecasting results.

power demand forecasting; full sample space; combination forecasting; goodness of fit; new urbanization

TM 715；TU 47

A

1000-7229(2015)08-0055-06

10.3969/j.issn.1000-7229.2015.08.009

2015-06-09

2015-07-03

刘思(1991)，女，硕士研究生，主要研究方向为电力系统需求侧管理、电力系统规划与可靠性；

白桦(1979)，男，副高级工程师，主要从事电力系统配电网规划、项目评审工作；

张凯(1987)，男，工程师，主要从事电力系统配电网规划、可研项目评审工作；

叶承晋(1987)，男，工程师，主要从事电力系统配电网规划、电力系统优化相关工作；

黄民翔(1955)，男，教授，主要研究方向为电力系统规划与电力市场。