屈璐，方興，張超

(國網(wǎng)湖南省電力有限公司長沙供電公司，湖南長沙410015)

0 引言

對于供電企業(yè)而言,售電量預測準確度的提升,可進一步有效提升供電量和全社會用電量的準確率。未來更多的清潔能源將加入電力供應隊伍,高質(zhì)量的電量預測將為電網(wǎng)規(guī)劃提供更多數(shù)據(jù)支撐進而可提升電網(wǎng)投資精準度,對降低社會用能成本與實現(xiàn)電網(wǎng)可持續(xù)發(fā)展具有重要意義[1-3]。

針對用電量的特點,文獻 [4]選用灰色預測模型、自回歸滑動平均模型ARMA(autoregressive moving average)對各行業(yè)用電量進行預測,并經(jīng)二維二級協(xié)調(diào)模型實現(xiàn)對總用電量的預測。文獻[5]提出了一種基于EMD的ARIMA預測模型,將分解后得到的固有模態(tài)分量進行預測。文獻[6]建立了用于售電量預測的擬合度和準確度更高的ANN模型。文獻 [7]基于最小二乘法建立了 “Logistics”+“層次分析-模糊聚類”組合預測模型,通過關聯(lián)影響售電量的必然性因子與偶然性因子,提升月度售電量預測準確度。文獻 [8]建立了基于BP神經(jīng)網(wǎng)絡優(yōu)化的改進灰色模型可提升預測準確度。文獻 [9-10]提出將業(yè)擴信息介入電量預測方法,表明能夠顯著提高電量預測精確度。

實際工作開展中,為獲得更可靠的預測值,常采用多種方法進行預測并從中獲得預測推薦值[11]。供電企業(yè)為更精準的把握售電量指標,預測工作一般按季度甚至月度滾動開展。工作中常用的預測方法有大用戶分析法、回歸分析法、時間序列法等[12-14],各方法常以預測指標對應的歷史值為數(shù)據(jù)依據(jù),如預測年度售電量,參考的均為歷史年度售電量[15]。然而根據(jù)滾動工作開展的月份不同,售電量已知的時間段在不斷增加,需要預測的時間段不斷減少,因此需對預測指標進行分解,僅對未知部分進行預測。此外,歷史數(shù)據(jù)常出現(xiàn)跳躍點,尤其是臨近的跳躍點易導致預測值偏高 (低)?；谝陨?為提升年度售電量的預測準確度,本文提出基于時間分段的改進電量預測方法。

1 整體框架

基于時間分段的改進電量預測方法,一是以預測工作開展的月份為分界線,對預測指標和歷史數(shù)據(jù)進行分解,僅對預測指標的未知部分進行預測；二是通過分析已知值對未知部分的預測值進行修正。預測工作的主要流程 (以開展2019年度售電量的預測工作為例)如圖1所示,修正系數(shù) (偏差率)的計算如圖2所示。

圖1 預測流程說明圖

圖2 修正系數(shù)的確定

圖中,下標i均代表年份；E2019為預測指標(2019年度售電量)。預測指標根據(jù)工作開展月份將12個月進行分解:售電量已知時間段和未知時間段,對應預測指標分解為X2019和Y2019；X、Y代表預測值,x、y代表歷史已知值；R2為預測過程中擬合曲線的相關性系數(shù),判斷指標0.95為可調(diào)節(jié)值,可根據(jù)預測的精準度要求進行調(diào)整,精準度要求較高可將判斷指標調(diào)高,精準度要求較低可將判斷指標調(diào)低,0≤R2≤1。

2 基于時間分段的改進電量預測方法及案例分析

2.1 預測指標分解及數(shù)據(jù)預處理

本文研究的預測指標為年度售電量,所包含的已知電量根據(jù)預測工作開展的月份而不同,如3月份開展預測工作,1—2月電量已知；8月份開展預測工作,則1—7月電量已知。因此首先需基于預測工作的開展月份,將一年的12個月份進行分解,并據(jù)此對年度售電量預測指標進行分解。

針對某城市2019年8月開展的預測工作,預測指標為2019年度售電量。根據(jù)分解依據(jù),將年度分為兩個時間段,1—7月和8—12月,相對應的預測指標E2019分解為X2019和Y2019,分別代表2019年1—7月、8—12月售電量,據(jù)此也將歷史年度售電量分解為xi、yi(其中i為年份)。以該城市售電量中的分項 (居民用電量)為例,其歷史值的分解結果見表1。x、y分別為1—7月、8—12月的實際售電量,下標均代表年份。

表1 居民售電量歷史數(shù)據(jù) 億kWh

2.2 獲得初始預測結果

由于X2019為1—7月的售電量,該值已知,因此直接對其進行賦值:X2019＝x2019＝72.88億kWh。采用時間序列法對8—12月的售電量 (Y2019)進行預測,獲得初始預測結果Y2019’ ＝52.04億kWh。

2.3 確定修正系數(shù)

歷史年度售電量的發(fā)展并非均衡的,部分年份可能出現(xiàn)快速增長或下降現(xiàn)象,如某城市2018年售電量為近20年的增長至高點,類似波動較大的跳躍點極易造成預測結果偏高 (低)。為減小跳躍點的影響,可利用本年度的已知值對初始預測結果進行修正。相較于歷史數(shù)據(jù),臨近的已知電量可以較好地體現(xiàn)近期的售電量發(fā)展規(guī)律。基于以上,通過對X2019進行偏差分析獲得修正系數(shù) (偏差率):

1)根據(jù)歷史值x2005～x2018預測得到初始預測值X2019’ ＝67.14 億 kWh；

2)實際值x2019為72.88億kWh,根據(jù)公式σ＝(x2019-X2019’) /X2019’ ×100%計算得到偏差率σ＝8.55%。該值從一定程度上反應了以歷史數(shù)據(jù)為依據(jù)對本年度 (2019)進行預測所產(chǎn)生的偏差影響。

2.4 修正分析

是否需要采取修正分析,是根據(jù)預測結果的偏差或者對預測結果的準確度要求而定的。根據(jù)本地區(qū)預測需求,對預測的準確度要求偏高,確定當歷史值擬合曲線的R2在0.95以下時進行修正。由于該城市歷史居民售電量擬合曲線的R2為0.939,因此對預測結果進行修正:Y2019＝ (1+σ) ×Y2019’ ＝56.49億kWh。

2.5 預測結果分析

根據(jù)以上結果,預測得到2019年居民售電量E2019＝X2019+Y2019＝129.37億kWh。同理,可根據(jù)以上基于時間分段改進的時間序列法,對售電量的其他分項第一、二、三產(chǎn)業(yè)用電量進行預測。通過各項求和,2019年售電量的預測值為358.22億kWh。實際值 (354.41億kWh)較預測值的偏差率為-1.06%。各項實際值及整體值較相應預測值的偏差見表2。

表2 售電量預測結果偏差分析

由表2可知,基于時間分段改進的時間序列法的預測結果偏差分析中,分項中以數(shù)值較小的第一產(chǎn)業(yè)用電量和受天氣因素影響較大的居民用電量的預測偏差較大,但整體上的年度售電量的偏差率為-1.06%,預測準確度較高。

3 預測方法優(yōu)勢分析

以2019年8月開展的電量預測工作為例,通過采用時間分段預測方法,應用時間序列法獲得的預測結果為358.22億kWh?；谕鹊臅r間分段預測原理,對大用戶法、回歸分析法、產(chǎn)值單耗法等預測方法做出改進,各方法的預測結果與實際值的預測偏差見表3。

表3 各預測方法在采用時間分段預測方法前后的預測偏差

通過分析表3可知,采用時間分段預測方法前,四種方法的預測結果范圍為342.3～365.9億kWh；采用時間分段預測方法后,四種方法的預測結果范圍為353.6～358.2億kWh。顯然,各方法在采用時間分段法進行改進后,預測準確度都有不同程度地提升 (預測偏差的絕對值均有降低)。此外,各方法之間的預測結果差異也有所減小,通過計算,采用時間分段預測前后,各方法下預測結果之間的方差分別為109.97、3.64。這是由于預測方法基于時間分段進行改進后,售電量各分項的預測過程更加合理,且采用修正措施可減小跳躍點帶來的預測偏差,因此售電量的預測準確性得到了大幅度提升。

4 結語

根據(jù)預測工作開展月份,將年度售電量預測指標進行分解,通過對初始預測結果進行修正來減小歷史跳躍點帶來的預測偏差,以獲得可靠度更高的預測結果?；谝陨蠈︻A測方法的改進,以某城市2019年開展的售電量預測工作作為案例進行分析。結果證明時間分段預測方法可通過優(yōu)化各階段的預測結果進而提升整體售電量的預測可靠度,并通過減小各方法之間的預測差異性,有利于最終推薦方案的選擇而提升預測準確度。實際上,影響電量的因素還有很多,如電價政策、售電市場形勢等。未來在數(shù)據(jù)更加完備的情況下,考慮將更多的影響因子關聯(lián)到預測方法中,進一步提升電量預測準確度,為電網(wǎng)建設提供更多技術支撐。