馬騫，周毓敏，袁泉，周輝

(1.中國(guó)南方電網(wǎng)電力調(diào)度控制中心，廣東 廣州 510663；2.北京清軟創(chuàng)新科技有限公司，北京 100085)

電力負(fù)荷預(yù)測(cè)是電網(wǎng)公司各部門的重要工作之一。隨著人工智能技術(shù)的發(fā)展，短期負(fù)荷預(yù)測(cè)算法不斷優(yōu)化[1-8]，而針對(duì)沿海地區(qū)，臺(tái)風(fēng)所造成的氣象變化，會(huì)隨著臺(tái)風(fēng)的強(qiáng)度、登陸的時(shí)間和地點(diǎn)不同都會(huì)有所不同，這其中的復(fù)雜性和隨機(jī)性使得一些對(duì)于正常日有良好精度的預(yù)測(cè)方法也難以得到較為滿意的預(yù)測(cè)結(jié)果[9]，并在此期間對(duì)電網(wǎng)的安全穩(wěn)定性、電力調(diào)度控制性等均產(chǎn)生較大影響。為了進(jìn)一步優(yōu)化目前的臺(tái)風(fēng)期間電力負(fù)荷預(yù)測(cè)過(guò)程，充分發(fā)揮人工智能預(yù)測(cè)算法在預(yù)測(cè)方面的優(yōu)勢(shì)，提升預(yù)測(cè)精度，本文對(duì)臺(tái)風(fēng)期間的電力負(fù)荷預(yù)測(cè)進(jìn)行研究與論述。

對(duì)于臺(tái)風(fēng)期間的負(fù)荷預(yù)測(cè)：文獻(xiàn)[10]研究了基于氣象信息粒還原的分時(shí)段預(yù)測(cè)方法；文獻(xiàn)[11]將臺(tái)風(fēng)期間負(fù)荷拆分至臺(tái)風(fēng)負(fù)荷與基準(zhǔn)負(fù)荷進(jìn)行分別分析與預(yù)測(cè)；文獻(xiàn)[12-17]采用基于歷史相似日的方法進(jìn)行特殊日期間的負(fù)荷預(yù)測(cè)。上述文獻(xiàn)通常將待預(yù)測(cè)特殊日當(dāng)作單獨(dú)的主體進(jìn)行研究，未考慮到特殊日前后日期的相關(guān)影響，而由于氣象條件與電力負(fù)荷需求的連續(xù)性，臺(tái)風(fēng)的影響往往體現(xiàn)在一個(gè)周期內(nèi)，并非單獨(dú)的某天。

在此背景下，本文提出一種基于雙重相似機(jī)制的臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)方法，將臺(tái)風(fēng)按照其對(duì)負(fù)荷產(chǎn)生的影響程度進(jìn)行分類，針對(duì)各類臺(tái)風(fēng)均提出不同的預(yù)測(cè)思路；主要研究兼顧臺(tái)風(fēng)周期內(nèi)的相似性以及臺(tái)風(fēng)登陸日的相似性的雙重相似機(jī)制，并以廣東省為例[18]，采用考慮氣象因素的正常日預(yù)測(cè)方法與本文研究的基于雙重相似機(jī)制的預(yù)測(cè)方法分別進(jìn)行臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)，驗(yàn)證本文研究方法的有效性。

1 臺(tái)風(fēng)天氣負(fù)荷預(yù)測(cè)方法

考慮對(duì)于臺(tái)風(fēng)天氣下的負(fù)荷預(yù)測(cè)，首先將臺(tái)風(fēng)天氣進(jìn)行分類，從其對(duì)負(fù)荷的影響程度入手，可以分為：無(wú)特殊影響臺(tái)風(fēng)、影響性臺(tái)風(fēng)、破壞性臺(tái)風(fēng)。無(wú)特殊影響臺(tái)風(fēng)主要是指由于臺(tái)風(fēng)的到來(lái)引起了各項(xiàng)氣象指標(biāo)的變化，而負(fù)荷的變化跟隨溫度、降雨等氣象指標(biāo)的變化而變化，即通過(guò)日常訓(xùn)練的氣象與負(fù)荷之間的關(guān)聯(lián)模型可以得到較為準(zhǔn)確的預(yù)測(cè)值；影響性臺(tái)風(fēng)是指由臺(tái)風(fēng)引起的氣象指標(biāo)變化幅度較大或較為劇烈，超出日常訓(xùn)練模型的預(yù)估，在這種情況下則需要尋找歷史數(shù)據(jù)中的相似情況，參考其進(jìn)行預(yù)測(cè)；破壞性臺(tái)風(fēng)是指由于臺(tái)風(fēng)天氣而造成物理破壞，如對(duì)電力設(shè)備與線路的損壞、公共財(cái)產(chǎn)與安全的影響等，在這種情況下，依靠數(shù)學(xué)模型是無(wú)法預(yù)估負(fù)荷的變化情況，需要在一定計(jì)算的基礎(chǔ)上，輔以專家經(jīng)驗(yàn)進(jìn)行判斷。

1.1 無(wú)特殊影響臺(tái)風(fēng)

一般情況下，臺(tái)風(fēng)影響負(fù)荷的主要因素就是氣象，臺(tái)風(fēng)前天氣悶熱，溫度上升，負(fù)荷水平上升；臺(tái)風(fēng)中大風(fēng)強(qiáng)降雨導(dǎo)致溫度下降，負(fù)荷急劇下降；臺(tái)風(fēng)后溫度回升，用電負(fù)荷恢復(fù)。因此，判斷臺(tái)風(fēng)是否屬于無(wú)特殊影響臺(tái)風(fēng)，需要從臺(tái)風(fēng)前后及臺(tái)風(fēng)期間氣溫與負(fù)荷之間的關(guān)系是否產(chǎn)生明顯變化來(lái)看。本文利用臺(tái)風(fēng)前一段時(shí)間氣溫與負(fù)荷之間的關(guān)系進(jìn)行模型訓(xùn)練，通過(guò)該模型，評(píng)估臨近臺(tái)風(fēng)以及臺(tái)風(fēng)中時(shí)間的氣溫與負(fù)荷之間是否滿足該模型確定的關(guān)系。由于每個(gè)模型都存在一定的誤差率，設(shè)置5%的置信區(qū)間，如果氣溫與負(fù)荷對(duì)應(yīng)關(guān)系在該區(qū)間內(nèi)，則認(rèn)為其滿足該模型。

如圖1所示，圓形散點(diǎn)表示臺(tái)風(fēng)“鸚鵡”到來(lái)之前2周左右廣東省日最大負(fù)荷與日平均溫度之間的關(guān)系，三角形散點(diǎn)表示臺(tái)風(fēng)“鸚鵡”登陸期間的日最大負(fù)荷與平均溫度之間的關(guān)系。

圖1 臺(tái)風(fēng)“鸚鵡”前、中氣溫與負(fù)荷關(guān)系Fig.1 Relationships between air temperature and load before and during typhoon Nuri

由圖1可以看到，本次臺(tái)風(fēng)期間，日負(fù)荷與氣象之間的關(guān)系變化不明顯，與臺(tái)風(fēng)到來(lái)前負(fù)荷-氣象模型基本匹配，故認(rèn)為該臺(tái)風(fēng)為無(wú)特殊影響臺(tái)風(fēng)，預(yù)測(cè)時(shí)不采取特殊策略，利用近期氣象與負(fù)荷訓(xùn)練得到的模型進(jìn)行預(yù)測(cè)即可。

1.2 影響性臺(tái)風(fēng)

影響性臺(tái)風(fēng)是指臺(tái)風(fēng)期間，負(fù)荷與氣象指標(biāo)之間的關(guān)系發(fā)生較大變化，與臺(tái)風(fēng)前一段時(shí)間內(nèi)二者間關(guān)系差異較大，無(wú)法直接用數(shù)學(xué)模型進(jìn)行預(yù)測(cè)。臺(tái)風(fēng)“海高斯”前、中氣溫與負(fù)荷關(guān)系如圖2所示。

圖2 臺(tái)風(fēng)“海高斯”前、中氣溫與負(fù)荷關(guān)系Fig.2 Relationships between air temperature and load before and during typhoon Higos

由圖2可以看到，本次臺(tái)風(fēng)期間，登陸前1日以及登陸當(dāng)天，臺(tái)風(fēng)導(dǎo)致的溫度變化波動(dòng)較強(qiáng)，直接造成負(fù)荷與氣象之間的對(duì)應(yīng)關(guān)系發(fā)生明顯變化，偏離了近段時(shí)間二者之間已形成的關(guān)系。

在圖2情況下，僅依靠歷史氣象與負(fù)荷數(shù)據(jù)訓(xùn)練的模型難以得到較準(zhǔn)確的預(yù)測(cè)結(jié)果，對(duì)此本文研究了一種雙重相似機(jī)制，即在歷史數(shù)據(jù)中尋找一段周期內(nèi)氣象變化趨勢(shì)相似、日特征相似的日期作為參考相似日，從而應(yīng)用在未來(lái)臺(tái)風(fēng)條件下的預(yù)測(cè)中。

1.2.1 相似周期

研究發(fā)現(xiàn)，臺(tái)風(fēng)帶來(lái)的影響往往是一個(gè)周期，臺(tái)風(fēng)前氣溫升高天氣悶熱，臺(tái)風(fēng)中出現(xiàn)強(qiáng)降雨和大風(fēng)，臺(tái)風(fēng)后溫度回升，均導(dǎo)致負(fù)荷產(chǎn)生相應(yīng)的波動(dòng)[19]?；诖颂攸c(diǎn)，本文以臺(tái)風(fēng)登陸日為中心，結(jié)合登陸前2日與后2日形成一個(gè)5日的周期，作為待預(yù)測(cè)周期。

日常生活中，除了影響性臺(tái)風(fēng)外，由于氣溫的突變、異常的波動(dòng)、突然的降雨等情況，也有可能發(fā)生與影響性臺(tái)風(fēng)期間相類似的負(fù)荷變化，這種情況稱之為“類臺(tái)風(fēng)天氣”。由于臺(tái)風(fēng)天氣樣本量較小，在預(yù)測(cè)時(shí)難以找到合適的相似參考情況，而考慮“類臺(tái)風(fēng)天氣”的變化則是擴(kuò)大樣本的有效途徑之一。根據(jù)上文分析，臺(tái)風(fēng)影響周期長(zhǎng)短不一，結(jié)合氣象預(yù)報(bào)時(shí)長(zhǎng)，本文以5日為一個(gè)周期，遍歷歷史數(shù)據(jù)，尋找氣象變化相似的周期，即為“類臺(tái)風(fēng)天氣”。

考慮到日前負(fù)荷預(yù)測(cè)主要是根據(jù)歷史數(shù)據(jù)中挖掘得到的規(guī)律建立模型，并依據(jù)未來(lái)的氣象預(yù)報(bào)，得到未來(lái)的負(fù)荷預(yù)測(cè)值，因此，在進(jìn)行臺(tái)風(fēng)相似周期的選擇時(shí)，主要依據(jù)氣象指標(biāo)的相似度進(jìn)行計(jì)算。本文采用歐氏距離進(jìn)行相似度的衡量，由于歐氏距離計(jì)算前提是各維度指標(biāo)具有相同的刻度級(jí)別，因此在相似度計(jì)算之前，首先進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化處理，消除不同日期下氣象指標(biāo)的量級(jí)差異。

1.2.2 相似日特征

雙重相似機(jī)制的第2個(gè)選取相似的步驟，是以相似周期內(nèi)第3日，即臺(tái)風(fēng)登陸日為目標(biāo)，同時(shí)考慮氣象指標(biāo)的相似、日期距離的遠(yuǎn)近、星期類型的差異、季節(jié)類型的差異以及臺(tái)風(fēng)強(qiáng)度等，計(jì)算與其相似的日期相似程度。

a)氣象相似。臺(tái)風(fēng)期間的負(fù)荷預(yù)測(cè)中，氣象指標(biāo)帶來(lái)的影響最為突出，因此，氣象指標(biāo)的相似是相似日判斷的必要條件。

b)日期距離。電力需求會(huì)根據(jù)居民的生活習(xí)慣、產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整等發(fā)生改變，因此負(fù)荷的變化往往具有連續(xù)性，時(shí)間越接近，負(fù)荷特性越相似。相似日與待預(yù)測(cè)日的日期距離同樣是相似日判斷的重要條件。

c)星期類型。負(fù)荷的變化具有周維度特性，這主要是因?yàn)楣ぷ魅张c周末的生產(chǎn)活動(dòng)、生活特性差異較大，因此在相似日選擇時(shí)應(yīng)考慮星期類型的相似程度。

d)季節(jié)類型。負(fù)荷的變化同時(shí)具有季節(jié)特性，主要是由于在不同的季節(jié)用電特性具有差異性，如夏季高溫導(dǎo)致降溫負(fù)荷增加，冬季低溫導(dǎo)致采暖負(fù)荷增加；因此在相似日選擇時(shí)還應(yīng)考慮季節(jié)類型的相似程度。

e)臺(tái)風(fēng)強(qiáng)度。由于臺(tái)風(fēng)天氣具有獨(dú)特的負(fù)荷變化規(guī)律與特點(diǎn)，臺(tái)風(fēng)之間的相似程度更佳，因此將臺(tái)風(fēng)屬性也作為相似程度評(píng)估的條件之一。

綜合來(lái)看，相似日特征的選擇主要以日特征向量的形式評(píng)估，每項(xiàng)評(píng)估指標(biāo)分別計(jì)算其關(guān)聯(lián)度，最終所有指標(biāo)關(guān)聯(lián)度相乘得到整體日特征的相似度。

在影響性臺(tái)風(fēng)的負(fù)荷預(yù)測(cè)中，首先進(jìn)行第1步相似周期的計(jì)算，按照相似程度從大到小排列，并依次對(duì)這些周期內(nèi)第3日與待預(yù)測(cè)的臺(tái)風(fēng)登陸日進(jìn)行相似日的計(jì)算，得到相似周期、相似日的雙重相似結(jié)果，將其輸入模型中進(jìn)行訓(xùn)練，使預(yù)測(cè)模型可以重點(diǎn)學(xué)習(xí)相似度較高周期與日期的負(fù)荷-氣象變化規(guī)律。

1.3 破壞性臺(tái)風(fēng)

破壞性臺(tái)風(fēng)是指臺(tái)風(fēng)帶來(lái)了破壞性的影響，對(duì)生命及財(cái)產(chǎn)安全產(chǎn)生危害。比如2018年的臺(tái)風(fēng)“山竹”，造成廣東、廣西、海南、湖南、貴州5省(區(qū))近300萬(wàn)人受災(zāi)[20]，5人死亡，1人失蹤，160.1萬(wàn)人緊急避險(xiǎn)轉(zhuǎn)移和安置，1 200余間房屋倒塌，農(nóng)作物受災(zāi)面積174.4千公頃，直接經(jīng)濟(jì)損失52億元。由于其造成的嚴(yán)重影響，第51屆臺(tái)風(fēng)委員會(huì)年度會(huì)議上，決定將“山竹”除名。臺(tái)風(fēng)“山竹”前、中氣溫與負(fù)荷關(guān)系如圖3所示。

圖3 臺(tái)風(fēng)“山竹”前、中氣溫與負(fù)荷關(guān)系Fig.3 Relationships between air temperature and load before and during typhoon Mangkhut

臺(tái)風(fēng)“山竹”2018年9月15日登陸期間，廣東省負(fù)荷大幅度下降，這一變化較為罕見(jiàn)且無(wú)法利用數(shù)學(xué)模型進(jìn)行分析及預(yù)判。對(duì)于這類破壞性臺(tái)風(fēng)，采用專家經(jīng)驗(yàn)判斷的方法進(jìn)行預(yù)測(cè)。首先，對(duì)于歷史上出現(xiàn)的破壞性臺(tái)風(fēng)進(jìn)行標(biāo)簽設(shè)置，由于該類臺(tái)風(fēng)數(shù)量較少，結(jié)合專家經(jīng)驗(yàn)判斷與歷史數(shù)據(jù)參考，是預(yù)測(cè)該類臺(tái)風(fēng)期間負(fù)荷變化趨勢(shì)的有效方法。

2 基于雙重相似機(jī)制的臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)流程

基于雙重相似機(jī)制的臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)流程如圖4所示，圖中：i為周期內(nèi)第1日與待預(yù)測(cè)周期第1日之間的天數(shù)差；di為每個(gè)歷史周期與待預(yù)測(cè)周期之間的氣象相似程度；N為歷史數(shù)據(jù)長(zhǎng)度；Aopt為對(duì)比周期內(nèi)預(yù)測(cè)負(fù)荷值與實(shí)際負(fù)荷值平均偏差和最小偏差二者之間的最小值。下文將對(duì)各步驟分別進(jìn)行介紹。

2.1 氣象指標(biāo)相關(guān)性評(píng)估

一般可以獲取的氣象指標(biāo)包括溫度、濕度、風(fēng)速、降雨量，通過(guò)這些指標(biāo)還可以計(jì)算得到人體舒適度、溫濕指數(shù)等復(fù)合氣象指標(biāo)。采用皮爾遜相關(guān)系數(shù)rpq[21]對(duì)各個(gè)氣象指標(biāo)與負(fù)荷之間的相關(guān)程度進(jìn)行評(píng)估，計(jì)算公式為

(1)

式中：p、q為時(shí)間序列向量；cov(p,q)為向量p

與q的協(xié)方差；σp、σq分別為向量p與q的標(biāo)準(zhǔn)差。

相關(guān)系數(shù)是描述2個(gè)變量p與q之間相關(guān)程度的定量指標(biāo)，相關(guān)系數(shù)rpq無(wú)量綱，其值在[-1,1]范圍內(nèi)。當(dāng)rpq=0，p與q不相關(guān)；當(dāng)rpq>0，p與q正相關(guān)；當(dāng)rpq<0，p與q負(fù)相關(guān)。

2.2 主導(dǎo)氣象指標(biāo)選擇

依據(jù)計(jì)算得到的各個(gè)氣象指標(biāo)與地區(qū)負(fù)荷的相關(guān)性，選擇相關(guān)程度最高的一個(gè)或多個(gè)指標(biāo)作為主導(dǎo)氣象因素，將其未來(lái)各個(gè)時(shí)刻點(diǎn)的預(yù)報(bào)數(shù)據(jù)作為重要的參數(shù)輸入預(yù)測(cè)模型進(jìn)行訓(xùn)練。

2.3 獲取未來(lái)天氣預(yù)報(bào)信息

對(duì)于短期的負(fù)荷預(yù)測(cè)，接入實(shí)時(shí)傳輸?shù)奶鞖忸A(yù)報(bào)信息至關(guān)重要。基于本文所描述的臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)方法，至少需要獲取未來(lái)5日的氣象預(yù)報(bào)信息。

2.4 氣象數(shù)據(jù)標(biāo)準(zhǔn)化處理

不同日期、不同季節(jié)、不同年份的氣象數(shù)據(jù)存在著量級(jí)有所差異的特點(diǎn)，在相似周期的選擇步驟中，著重關(guān)注氣象變化趨勢(shì)的相似性，因此在進(jìn)行相似性計(jì)算之前，對(duì)氣象數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。本文采用z-score標(biāo)準(zhǔn)化處理方式，通過(guò)變換，將多組數(shù)據(jù)轉(zhuǎn)化為無(wú)單位的z-score分值，使得數(shù)據(jù)標(biāo)準(zhǔn)統(tǒng)一化，提高數(shù)據(jù)可比性。計(jì)算公式為

圖4 基于雙重相似機(jī)制的臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)流程Fig.4 Load forecasting flow chart during typhoon based on double similarity mechanism

(2)

式中：θ為觀測(cè)值，指各指標(biāo)數(shù)據(jù)的原始值；μ為總體數(shù)據(jù)的均值；σ為總體數(shù)據(jù)的標(biāo)準(zhǔn)差；z為經(jīng)過(guò)z-score標(biāo)準(zhǔn)化后的數(shù)據(jù)。

2.5 第一重相似機(jī)制：周期相似性計(jì)算

對(duì)于以5日為一個(gè)周期的相似性計(jì)算，本文采用歐氏距離進(jìn)行判斷，距離值越小，則發(fā)展變化趨勢(shì)越相似。

待預(yù)測(cè)周期日氣象指標(biāo)向量

Y=(y1,y2,y3,y4,y5).

(3)

式中：下標(biāo)1—5表示周期內(nèi)第1—5日；y1至y5為待預(yù)測(cè)周期第1—5日以15 min為間隔的日氣象指標(biāo)時(shí)間序列。

歷史周期日氣象指標(biāo)向量

Xi=(x1i,x2i,x3i,x4i,x5i).

(4)

式中：i為周期內(nèi)第1日與待預(yù)測(cè)周期第1日之間的天數(shù)差，i=5…N；x1i至x5i為歷史周期第1—5日以15 min為間隔的日氣象指標(biāo)時(shí)間序列。

每個(gè)歷史周期下，與待預(yù)測(cè)周期之間的氣象相似程度

(5)

2.6 待預(yù)測(cè)臺(tái)風(fēng)屬性判斷

無(wú)特殊影響臺(tái)風(fēng)、影響性臺(tái)風(fēng)與破壞性臺(tái)風(fēng)可以通過(guò)其登陸期間氣象指標(biāo)與負(fù)荷的關(guān)系與臺(tái)風(fēng)前一段時(shí)間的差異性進(jìn)行區(qū)分：差異性較小，即為無(wú)特殊影響臺(tái)風(fēng)；差異性適中，為影響性臺(tái)風(fēng)；差異性較大，為破壞性臺(tái)風(fēng)。

根據(jù)上一步相似周期的計(jì)算結(jié)果，可以對(duì)臺(tái)風(fēng)屬性進(jìn)行判斷。具體如下：

a)選擇與待預(yù)測(cè)周期Y相似性最高的歷史周期記為Xopt。

b)以周期Xopt前2周工作日氣象指標(biāo)與負(fù)荷數(shù)據(jù)為基礎(chǔ)，建立二者之間的相關(guān)模型記為Mopt。

(6)

如果Aopt≤5%，表示周期Xopt內(nèi)負(fù)荷與氣象之間的關(guān)系與該周期前2周內(nèi)二者間關(guān)系接近，則認(rèn)為Xopt對(duì)應(yīng)天氣為無(wú)特殊影響天氣，可近似認(rèn)為待預(yù)測(cè)周期Y對(duì)應(yīng)臺(tái)風(fēng)為無(wú)特殊影響臺(tái)風(fēng)；如果5%10%，則認(rèn)為待預(yù)測(cè)周期Y對(duì)應(yīng)臺(tái)風(fēng)為破壞性臺(tái)風(fēng)。

2.7 依據(jù)屬性選擇預(yù)測(cè)方法

結(jié)合對(duì)上一步驟中待預(yù)測(cè)周期的臺(tái)風(fēng)屬性判斷，選擇對(duì)應(yīng)的預(yù)測(cè)方法：

a)如待預(yù)測(cè)周期Y對(duì)應(yīng)臺(tái)風(fēng)為無(wú)特殊影響臺(tái)風(fēng)，則采用正常日預(yù)測(cè)模型直接預(yù)測(cè)；

b)如待預(yù)測(cè)周期Y對(duì)應(yīng)臺(tái)風(fēng)為影響性臺(tái)風(fēng)，則進(jìn)入第二重相似性的判斷；

c)如待預(yù)測(cè)周期Y對(duì)應(yīng)臺(tái)風(fēng)為破壞性臺(tái)風(fēng)，同樣進(jìn)入第二重相似性的判斷，并重點(diǎn)采用專家經(jīng)驗(yàn)預(yù)測(cè)的方式進(jìn)行修正。

2.8 日特征向量構(gòu)建

在第一重相似周期的計(jì)算中，保留相似程度前50%的歷史周期，并提取這些歷史周期內(nèi)的第3日，對(duì)應(yīng)待預(yù)測(cè)周期中的臺(tái)風(fēng)登陸日，構(gòu)建此日特征向量。

日特征向量的構(gòu)建旨在從氣象指標(biāo)、日期距離、星期類型、季節(jié)類型、臺(tái)風(fēng)強(qiáng)度等角度全方位評(píng)估歷史日與待預(yù)測(cè)日的相似程度。氣象指標(biāo)、日期距離、臺(tái)風(fēng)強(qiáng)度等通過(guò)相似周期對(duì)應(yīng)日與待預(yù)測(cè)周期中對(duì)應(yīng)日的數(shù)值相似度進(jìn)行判斷，而星期類型與季節(jié)類型則依據(jù)廣東省實(shí)際的用電規(guī)律性進(jìn)行相應(yīng)設(shè)定。

為了較準(zhǔn)確探究廣東地區(qū)星期類型用電特征，選擇氣象影響較弱的一段時(shí)間，觀察每日最大負(fù)荷變化規(guī)律如圖5所示。

圖5 廣東電網(wǎng)2020-10-15—11-15日最大負(fù)荷變化情況Fig.5 Daily maximum load variations of Guangdong power grid from October 15 to November 15 in 2020

由圖5可以看到，廣東電網(wǎng)存在較明顯的周末效應(yīng)。周一至周五用電需求旺盛且相對(duì)平穩(wěn)，周六負(fù)荷較周中略有下降，而周日則出現(xiàn)較大幅度下降。因此對(duì)于星期類型的取值將對(duì)周六、周日與正常工作日做出區(qū)分。在此情況下，周一與周五作為銜接工作日與休息日的過(guò)渡日期，同樣需要與周中正常工作日做出區(qū)分。

廣東2018—2020年各月最大負(fù)荷變化情況如圖6所示。

圖6 廣東省2018—2020年月最大負(fù)荷Fig.6 Monthly maximum load of Guangdong province from 2018 to 2020

由圖6可以看到，廣東整體呈現(xiàn)明顯的夏季用電突出特性，從負(fù)荷水平結(jié)合氣候情況來(lái)看，每年12月—次年1月負(fù)荷水平接近，2月—3月處于季節(jié)更迭期、4月—5月處于溫度上升期且與10月—11月負(fù)荷水平與氣溫水平均接近、6月—9月則是主要的夏季期間，負(fù)荷水平受高溫影響處于全年最高峰。根據(jù)上述特點(diǎn)，對(duì)季節(jié)類型的取值做出相應(yīng)的區(qū)分。

綜上所述，構(gòu)建日特征向量：

Vj=(VWeatherj,VDayj,VWeekj,VSeasonj,VTyphoonj).

(7)

式中：j為距離待預(yù)測(cè)的臺(tái)風(fēng)登陸日的距離，j=5,…,N；VWeatherj取值為選定主導(dǎo)氣象指標(biāo)的實(shí)際值；VDayj取值為j；VWeekj取值為1、2、3、5、7，基于廣東地區(qū)生產(chǎn)規(guī)律特點(diǎn)，設(shè)定周一取值為1，周二至周四取值為2，周五取值為3，周六取值為5，周日取值為7；VSeasonj取值為1、3、5、9，依據(jù)廣東地區(qū)氣象與負(fù)荷之間的關(guān)系，分別代表12月—次年1月、2月—3月，4月—5月、10月—11月、6月—9月；VTyphoonj取值為6～16，分別代表臺(tái)風(fēng)中心附近最大風(fēng)力等級(jí)，如非臺(tái)風(fēng)日，則取值為1。

待預(yù)測(cè)周期y的臺(tái)風(fēng)登陸日特征向量表示為：

Vy=(VWeathery,VDayy,VWeeky,VSeasony,VTyphoony).

(8)

2.9 第二重相似機(jī)制：日特征相似性評(píng)估

日特征向量的相似性評(píng)估，由各特征值相似度綜合評(píng)估得到。對(duì)日維度各特征設(shè)置評(píng)估系數(shù)，旨在評(píng)估歷史日與待預(yù)測(cè)日之間該特征的相似程度，各特征評(píng)估系數(shù)相乘得到該日與待預(yù)測(cè)日的總體相似度。

a)氣象指標(biāo)評(píng)估系數(shù)。基于主導(dǎo)氣象指標(biāo)選擇步驟中選定的主導(dǎo)氣象指標(biāo)，計(jì)算氣象評(píng)估系數(shù)

(9)

b)日期距離評(píng)估系數(shù)[14-15]。歷史日相對(duì)于待預(yù)測(cè)日之間的距離是評(píng)估相似度的特征之一，采用“近大遠(yuǎn)小”的原則，日期距離評(píng)估系數(shù)

(10)

式中：mod表示取余函數(shù)，mod(j,N1)即j/N1所得余數(shù)；int表示取整函數(shù)，int(j/N)即j/N2所得整數(shù)；Sj為1,0變量，表示歷史日與待預(yù)測(cè)日是否為同一節(jié)假日；α1、α2與α3為常數(shù)，分別表示歷史日與待預(yù)測(cè)日距離每增加1日、1周和1年的縮減比例，在此分別取值0.9、0.95、0.98；N1、N2與N3為常數(shù)，分別取值為7、7、365(閏年為366)。

c)星期類型評(píng)估系數(shù)

(11)

d)季節(jié)類型評(píng)估系數(shù)

(12)

e)臺(tái)風(fēng)強(qiáng)度評(píng)估系數(shù)

(13)

f)日特征綜合相似度。日特征綜合相似度由各特征指標(biāo)評(píng)估系數(shù)相乘得到：

βj=βweatherjβdayjβweekjβseasonjβtyphoonj.

(14)

2.10 基于雙重相似結(jié)果的負(fù)荷預(yù)測(cè)

第一重相似性計(jì)算后，得到相似度前50%的歷史周期作為下一步計(jì)算的數(shù)據(jù)基礎(chǔ)；第二重相似性計(jì)算后，得到每個(gè)歷史周期內(nèi)與臺(tái)風(fēng)登陸日對(duì)應(yīng)日期與待預(yù)測(cè)臺(tái)風(fēng)登陸日的日特征綜合相似程度，將日特征綜合相似度作為可信度指標(biāo)，輸入至人工智能預(yù)測(cè)模型中，對(duì)模型進(jìn)行訓(xùn)練，最終根據(jù)臺(tái)風(fēng)期間氣象預(yù)報(bào)信息，得到負(fù)荷預(yù)測(cè)結(jié)果。

本次研究采用長(zhǎng)短期記憶(long short-term memory，LSTM)算法進(jìn)行預(yù)測(cè)，該算法可以選擇過(guò)去任意時(shí)刻輸入的信息是否有效，對(duì)具有一定周期性時(shí)間序列的預(yù)測(cè)具有很好的適用性。

3 預(yù)測(cè)算例

臺(tái)風(fēng)“海高斯”于2020年8月19日登陸廣東省陽(yáng)江市，以該臺(tái)風(fēng)為例，采用正常日預(yù)測(cè)方法以及基于雙重相似機(jī)制的臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)方法分別進(jìn)行預(yù)測(cè)。以19日為中心，17—21日為待預(yù)測(cè)周期，進(jìn)行預(yù)測(cè)得如下。

3.1 第一重相似計(jì)算

通過(guò)氣象與負(fù)荷之間的相關(guān)性分析(見(jiàn)表1)可以得到2020年夏季各氣象指標(biāo)的主導(dǎo)性。

表1 氣象與負(fù)荷相關(guān)性計(jì)算Tab.1 Meteorological and load correlation calculations

由表1可以看到，在上述氣象指標(biāo)中，平均溫度與負(fù)荷的相關(guān)性最強(qiáng)，因此在后續(xù)的相似性判斷時(shí)選用平均溫度指標(biāo)，在預(yù)測(cè)模型中采用溫度的逐時(shí)預(yù)報(bào)值作為氣象輸入?yún)?shù)進(jìn)行預(yù)測(cè)。

通過(guò)相似周期的計(jì)算方式，得到相似性排名前5位的周期見(jiàn)表2。

表2 相似周期計(jì)算結(jié)果Tab.2 Similar cycle calculation results

其中，7月24日至7月28日之間的相似程度與待預(yù)測(cè)周期最高，計(jì)算得到在該周期內(nèi)平均的預(yù)測(cè)偏差A(yù)opt為6.21%，介于5%～10%，故判斷待預(yù)測(cè)臺(tái)風(fēng)為影響性臺(tái)風(fēng)。

3.2 第二重相似計(jì)算

第二重相似性的計(jì)算主要針對(duì)臺(tái)風(fēng)登陸日的日特征向量構(gòu)建與相似特性評(píng)估。通過(guò)對(duì)各相似周期內(nèi)臺(tái)風(fēng)登陸日對(duì)應(yīng)的日維度氣象指標(biāo)、日期距離、星期類型、季節(jié)類型、臺(tái)風(fēng)強(qiáng)度等逐一進(jìn)行評(píng)估計(jì)算，得到7月24—28日周期內(nèi)對(duì)應(yīng)臺(tái)風(fēng)登陸日的日特征最相似，具體結(jié)果見(jiàn)表3。

表3 日特征向量相似計(jì)算結(jié)果Tab.3 Similarity calculation results of daily eigenvectors

3.3 預(yù)測(cè)結(jié)果

根據(jù)上述計(jì)算，采用LSTM算法對(duì)負(fù)荷進(jìn)行預(yù)測(cè)，并對(duì)比正常日預(yù)測(cè)方法測(cè)算結(jié)果。正常日預(yù)測(cè)方法在預(yù)測(cè)模型的輸入中僅包含日期、氣象數(shù)據(jù)、假日標(biāo)識(shí)等信息；而本文論述的基于雙重相似機(jī)制的臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)方法則在日期、氣象、假日標(biāo)識(shí)之外，將相似程度作為另一個(gè)重要的可信度指標(biāo)輸入至模型。

本文在應(yīng)用LSTM算法進(jìn)行預(yù)測(cè)時(shí)，以廣東省2013年1月—2020年8月18日的數(shù)據(jù)為基礎(chǔ)，采用8∶2的比例拆分為訓(xùn)練集與測(cè)試集進(jìn)行模型構(gòu)建，正常日預(yù)測(cè)與本文所提雙重相似機(jī)制的臺(tái)風(fēng)預(yù)測(cè)方法輸入?yún)?shù)見(jiàn)表4。

表4 2種預(yù)測(cè)方法輸入?yún)?shù)表Tab.4 Input parameters of two prediction methods

模型通過(guò)歷史負(fù)荷變化規(guī)律，結(jié)合歷史日的預(yù)測(cè)可信度，得到預(yù)測(cè)結(jié)果如圖7所示。

由圖7可以看到：在臺(tái)風(fēng)登陸前，由于氣溫升高，負(fù)荷高于正常情況，正常日預(yù)測(cè)算法得到的結(jié)果整體低于實(shí)際負(fù)荷；臺(tái)風(fēng)登陸當(dāng)天，氣溫降幅較大，影響性臺(tái)風(fēng)帶來(lái)超出正常日氣象與負(fù)荷之間關(guān)系的影響導(dǎo)致負(fù)荷降幅超出預(yù)期，正常日預(yù)測(cè)算法對(duì)此規(guī)律無(wú)法掌握，因此預(yù)測(cè)結(jié)果偏高；臺(tái)風(fēng)過(guò)后，氣溫反彈，負(fù)荷大幅回升，此時(shí)正常日預(yù)測(cè)算法的預(yù)測(cè)結(jié)果偏低，整體預(yù)測(cè)負(fù)荷變化幅度小于實(shí)際。采用本文研究的基于雙重相似機(jī)制的臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)算法進(jìn)行預(yù)測(cè)，得到的預(yù)測(cè)結(jié)果在一定程度上優(yōu)化了這一缺陷，在臺(tái)風(fēng)周期內(nèi)，預(yù)測(cè)負(fù)荷與實(shí)際負(fù)荷更加接近，對(duì)此期間內(nèi)負(fù)荷與氣象之間的關(guān)系描述更加精準(zhǔn)。2種方法預(yù)測(cè)精度見(jiàn)表5。

圖7 臺(tái)風(fēng)“海高斯”期間負(fù)荷預(yù)測(cè)結(jié)果Fig.7 Load prediction results during typhoon Higos

表5 預(yù)測(cè)精度對(duì)比表Tab.5 Comparisons of prediction accuracy %

通過(guò)算例驗(yàn)證，本文研究的基于雙重相似機(jī)制的臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)方法預(yù)測(cè)效果優(yōu)于正常日預(yù)測(cè)方法，預(yù)測(cè)精度有較明顯提升，具有較好的適用性。

4 結(jié)束語(yǔ)

鑒于臺(tái)風(fēng)天氣影響時(shí)間、范圍、程度的隨機(jī)性，負(fù)荷預(yù)測(cè)工作面臨較大的挑戰(zhàn)。對(duì)此，本文提出基于雙重相似機(jī)制的臺(tái)風(fēng)期間負(fù)荷預(yù)測(cè)方法，一方面以臺(tái)風(fēng)登陸日為中心，尋找與臺(tái)風(fēng)登陸前后一段時(shí)間內(nèi)氣象條件變化相似的周期，作為后續(xù)計(jì)算基礎(chǔ)，增加考慮了預(yù)測(cè)當(dāng)中氣象、負(fù)荷變化的連續(xù)性與相鄰日之間的關(guān)聯(lián)性；另一方面在相似性較高的周期內(nèi)，選擇與臺(tái)風(fēng)登陸日對(duì)應(yīng)的日期進(jìn)行相似日特征的評(píng)估，同時(shí)從氣象、日期距離、星期類型、季節(jié)類型以及臺(tái)風(fēng)強(qiáng)度等角度進(jìn)行評(píng)估，得到每個(gè)備選日與待預(yù)測(cè)臺(tái)風(fēng)登陸日之間的日特征相似性，作為預(yù)測(cè)模型參考的可信度，使預(yù)測(cè)模型得到更有效地學(xué)習(xí)樣本。

以臺(tái)風(fēng)“海高斯”期間廣東省負(fù)荷預(yù)測(cè)結(jié)果為例，驗(yàn)證了該方法的適用性與有效性。但是綜合來(lái)看，臺(tái)風(fēng)期間的負(fù)荷預(yù)測(cè)仍然存在歷史樣本較少、變化波動(dòng)隨機(jī)性強(qiáng)，很可能存在無(wú)法匹配歷史相似周期或相似日的情況，因此未來(lái)的研究工作仍將持續(xù)，不斷積累相關(guān)數(shù)據(jù)、優(yōu)化預(yù)測(cè)方法。