基于时间分段的改进电量预测方法

屈璐，方兴，张超

(国网湖南省电力有限公司长沙供电公司，湖南长沙410015)

0 引言

对于供电企业而言,售电量预测准确度的提升,可进一步有效提升供电量和全社会用电量的准确率。未来更多的清洁能源将加入电力供应队伍,高质量的电量预测将为电网规划提供更多数据支撑进而可提升电网投资精准度,对降低社会用能成本与实现电网可持续发展具有重要意义[1-3]。

针对用电量的特点,文献 [4]选用灰色预测模型、自回归滑动平均模型ARMA(autoregressive moving average)对各行业用电量进行预测,并经二维二级协调模型实现对总用电量的预测。文献[5]提出了一种基于EMD的ARIMA预测模型,将分解后得到的固有模态分量进行预测。文献[6]建立了用于售电量预测的拟合度和准确度更高的ANN模型。文献 [7]基于最小二乘法建立了 “Logistics”+“层次分析-模糊聚类”组合预测模型,通过关联影响售电量的必然性因子与偶然性因子,提升月度售电量预测准确度。文献 [8]建立了基于BP神经网络优化的改进灰色模型可提升预测准确度。文献 [9-10]提出将业扩信息介入电量预测方法,表明能够显著提高电量预测精确度。

实际工作开展中,为获得更可靠的预测值,常采用多种方法进行预测并从中获得预测推荐值[11]。供电企业为更精准的把握售电量指标,预测工作一般按季度甚至月度滚动开展。工作中常用的预测方法有大用户分析法、回归分析法、时间序列法等[12-14],各方法常以预测指标对应的历史值为数据依据,如预测年度售电量,参考的均为历史年度售电量[15]。然而根据滚动工作开展的月份不同,售电量已知的时间段在不断增加,需要预测的时间段不断减少,因此需对预测指标进行分解,仅对未知部分进行预测。此外,历史数据常出现跳跃点,尤其是临近的跳跃点易导致预测值偏高 (低)。基于以上,为提升年度售电量的预测准确度,本文提出基于时间分段的改进电量预测方法。

1 整体框架

基于时间分段的改进电量预测方法,一是以预测工作开展的月份为分界线,对预测指标和历史数据进行分解,仅对预测指标的未知部分进行预测；二是通过分析已知值对未知部分的预测值进行修正。预测工作的主要流程 (以开展2019年度售电量的预测工作为例)如图1所示,修正系数 (偏差率)的计算如图2所示。

图1 预测流程说明图

图2 修正系数的确定

图中,下标i均代表年份；E2019为预测指标(2019年度售电量)。预测指标根据工作开展月份将12个月进行分解:售电量已知时间段和未知时间段,对应预测指标分解为X2019和Y2019；X、Y代表预测值,x、y代表历史已知值；R2为预测过程中拟合曲线的相关性系数,判断指标0.95为可调节值,可根据预测的精准度要求进行调整,精准度要求较高可将判断指标调高,精准度要求较低可将判断指标调低,0≤R2≤1。

2 基于时间分段的改进电量预测方法及案例分析

2.1 预测指标分解及数据预处理

本文研究的预测指标为年度售电量,所包含的已知电量根据预测工作开展的月份而不同,如3月份开展预测工作,1—2月电量已知；8月份开展预测工作,则1—7月电量已知。因此首先需基于预测工作的开展月份,将一年的12个月份进行分解,并据此对年度售电量预测指标进行分解。

针对某城市2019年8月开展的预测工作,预测指标为2019年度售电量。根据分解依据,将年度分为两个时间段,1—7月和8—12月,相对应的预测指标E2019分解为X2019和Y2019,分别代表2019年1—7月、8—12月售电量,据此也将历史年度售电量分解为xi、yi(其中i为年份)。以该城市售电量中的分项 (居民用电量)为例,其历史值的分解结果见表1。x、y分别为1—7月、8—12月的实际售电量,下标均代表年份。

表1 居民售电量历史数据 亿kWh

2.2 获得初始预测结果

由于X2019为1—7月的售电量,该值已知,因此直接对其进行赋值:X2019＝x2019＝72.88亿kWh。采用时间序列法对8—12月的售电量 (Y2019)进行预测,获得初始预测结果Y2019’ ＝52.04亿kWh。

2.3 确定修正系数

历史年度售电量的发展并非均衡的,部分年份可能出现快速增长或下降现象,如某城市2018年售电量为近20年的增长至高点,类似波动较大的跳跃点极易造成预测结果偏高 (低)。为减小跳跃点的影响,可利用本年度的已知值对初始预测结果进行修正。相较于历史数据,临近的已知电量可以较好地体现近期的售电量发展规律。基于以上,通过对X2019进行偏差分析获得修正系数 (偏差率):

1)根据历史值x2005～x2018预测得到初始预测值X2019’ ＝67.14 亿 kWh；

2)实际值x2019为72.88亿kWh,根据公式σ＝(x2019-X2019’) /X2019’ ×100%计算得到偏差率σ＝8.55%。该值从一定程度上反应了以历史数据为依据对本年度 (2019)进行预测所产生的偏差影响。

2.4 修正分析

是否需要采取修正分析,是根据预测结果的偏差或者对预测结果的准确度要求而定的。根据本地区预测需求,对预测的准确度要求偏高,确定当历史值拟合曲线的R2在0.95以下时进行修正。由于该城市历史居民售电量拟合曲线的R2为0.939,因此对预测结果进行修正:Y2019＝ (1+σ) ×Y2019’ ＝56.49亿kWh。

2.5 预测结果分析

根据以上结果,预测得到2019年居民售电量E2019＝X2019+Y2019＝129.37亿kWh。同理,可根据以上基于时间分段改进的时间序列法,对售电量的其他分项第一、二、三产业用电量进行预测。通过各项求和,2019年售电量的预测值为358.22亿kWh。实际值 (354.41亿kWh)较预测值的偏差率为-1.06%。各项实际值及整体值较相应预测值的偏差见表2。

表2 售电量预测结果偏差分析

由表2可知,基于时间分段改进的时间序列法的预测结果偏差分析中,分项中以数值较小的第一产业用电量和受天气因素影响较大的居民用电量的预测偏差较大,但整体上的年度售电量的偏差率为-1.06%,预测准确度较高。

3 预测方法优势分析

以2019年8月开展的电量预测工作为例,通过采用时间分段预测方法,应用时间序列法获得的预测结果为358.22亿kWh。基于同等的时间分段预测原理,对大用户法、回归分析法、产值单耗法等预测方法做出改进,各方法的预测结果与实际值的预测偏差见表3。

表3 各预测方法在采用时间分段预测方法前后的预测偏差

通过分析表3可知,采用时间分段预测方法前,四种方法的预测结果范围为342.3～365.9亿kWh；采用时间分段预测方法后,四种方法的预测结果范围为353.6～358.2亿kWh。显然,各方法在采用时间分段法进行改进后,预测准确度都有不同程度地提升 (预测偏差的绝对值均有降低)。此外,各方法之间的预测结果差异也有所减小,通过计算,采用时间分段预测前后,各方法下预测结果之间的方差分别为109.97、3.64。这是由于预测方法基于时间分段进行改进后,售电量各分项的预测过程更加合理,且采用修正措施可减小跳跃点带来的预测偏差,因此售电量的预测准确性得到了大幅度提升。

4 结语

根据预测工作开展月份,将年度售电量预测指标进行分解,通过对初始预测结果进行修正来减小历史跳跃点带来的预测偏差,以获得可靠度更高的预测结果。基于以上对预测方法的改进,以某城市2019年开展的售电量预测工作作为案例进行分析。结果证明时间分段预测方法可通过优化各阶段的预测结果进而提升整体售电量的预测可靠度,并通过减小各方法之间的预测差异性,有利于最终推荐方案的选择而提升预测准确度。实际上,影响电量的因素还有很多,如电价政策、售电市场形势等。未来在数据更加完备的情况下,考虑将更多的影响因子关联到预测方法中,进一步提升电量预测准确度,为电网建设提供更多技术支撑。