徐普

摘要：需求預測應用實施依然是按照跨行業(yè)標準數(shù)據(jù)挖掘流程開展，其不僅需要有對業(yè)務的洞察與業(yè)務數(shù)據(jù)的理解，也需要熟悉需求預測理論與工程應用，從而實現(xiàn)需求預測驅動業(yè)務規(guī)劃與高效運營的作用。雖然需求預測在各行業(yè)中實際應用千差萬別，但其中基本的應用步驟與實踐理論大體一致。電力需求預測以其應用場景多、價值高，是需求預測研究應用的典型代表。該文通過研究需求預測理論及其在電力需求預測中的應用方法，梳理了需求預測中的關鍵步驟與常用方法，提供了需求預測在各行業(yè)中應用的基本思路。

關鍵詞：需求預測??電力規(guī)劃??應用場景??系統(tǒng)工程

中圖分類號：TP11???文獻標識碼：A

Research?on?the?Application?Method?of?Demand?Forecasting

—Taking?Electric?Power?Demand?Forecasting?as?an?Example

XU?Pu

（School?of?Statistics，?University?of?International?Business?and?Economics，?Beijing，?100029?China）

Abstract：The?application?implementation?of?demand?forecasting?is?still?carried?out?according?to?the?cross-industry?standard?process?for?data?mining，?which?not?only?requires??insight?of?business?and?understanding?of?business?data，?but?also?needs?to?be?familiar?with?the?demand?forecasting?theory?and?engineering?application，?so?as?to?realize?the?role?of demand?forecasting?in?driving?business?planning?and?efficient?operation.?The?practical?application?of?demand?forecasting?varies?widely?in?various?industries，?but?basic?application?steps?and?practical?theory?are?generally?consistent.?Electric?power?demand?forecasting，?with?its?many?application?scenarios?and?high?value，?is?the?typical?representative?of?the?research?and?application?of?demand?forecasting.?By?studying?the?demand?forecasting?theory?and?its?application?methods?in?electric?power?demand?forecasting，?this?paper?sorts?out?the?key?steps?and?common?methods?in?demand?forecasting，?and?provides?the?basic?ideas?for?the?application?of?demand?forecasting?in?various?industries.

Key?Words：Demand?forecasting;?Power?planning;?Application?scenarios;?Systems?engineering

需求預測是指根據(jù)需求的歷史數(shù)據(jù)及相關影響因素對未來的需求做出判斷的方法。由于需求預測是供應鏈中原材料準備及行業(yè)相關資源計劃的基礎，其一直是工業(yè)界進行業(yè)務計劃與管理的重要內容之一，其廣泛應用于如供應鏈庫存管理、電力規(guī)劃等[1]。有效的需求預測能提高運營資源利用效率，從而提高行業(yè)競爭力。

前人對于需求預測涉及的算法模型已有大量理論研究[2]，但相對缺乏對這些模型在各行業(yè)實際項目應用的適用性探討。由于行業(yè)需求場景、數(shù)據(jù)與系統(tǒng)等差異，一些算法在實驗數(shù)據(jù)上表現(xiàn)較好，但在行業(yè)數(shù)據(jù)與場景特異性因素的影響下難以應用到實際生產(chǎn)中。這導致需求預測理論與實際應用之間出現(xiàn)鴻溝。

盡管需求預測應用存在差異，其中一些基本的流程以及相應的數(shù)據(jù)處理與建模方法仍然有著很大的一致性。作為需求預測應用的典型代表，電力需求預測有著豐富的應用場景以及應用價值[3]。通過電力需求預測的應用研究，梳理了需求預測的主要步驟與一般方法，彌補了需求預測在各行業(yè)實踐應用鴻溝，為需求預測更廣泛應用提供基礎。

1?電力需求預測的意義

電力需求預測是根據(jù)經(jīng)濟社會發(fā)展、電力負荷、氣象等與電力需求相關的歷史數(shù)據(jù)來探索電力需求變化規(guī)律，尋求電力需求與各種相關因素之間的內在聯(lián)系并預測未來的電力需求以供電力系統(tǒng)相關規(guī)劃及運營活動的高效開展。

電力系統(tǒng)是現(xiàn)代化社會經(jīng)濟發(fā)展的重要基礎設施之一。其主要由發(fā)電、輸電、（變電）配電和用電這幾個主要環(huán)節(jié)組成。其主要的基礎設施包括發(fā)電廠、電力網(wǎng)、變電站及用電設備。世界各國發(fā)展經(jīng)驗表明，國民經(jīng)濟每增長1%，電力能源需要相應增長1.3%～1.5%，才能為國民經(jīng)濟其他行業(yè)穩(wěn)步發(fā)展提供足夠的動力[4]。20世紀90年代后，有效的中長期電力資源規(guī)劃配置成了中國經(jīng)濟快速增長的保障。

由于發(fā)電、輸電、變配電和用電這些環(huán)節(jié)幾乎是實時進行的，這個過程如何使需求與供給保持動態(tài)平衡，不對電力系統(tǒng)造成巨大波動等都需要對電力需求量或用電負荷做出合理的估計，以便在滿足需求的同時，電力系統(tǒng)保持平衡穩(wěn)定且相關資源得到合理有效的利用。以中長期電力需求預測為例，如果預測的結果比實際需求低，則可能導致發(fā)輸配電設施不足而造成缺電，影響正常社會生活和成為經(jīng)濟發(fā)展的瓶頸。相反，如果預測值偏高，有可能使發(fā)輸配電設備過剩，導致電力企業(yè)虧損及資源的閑置和浪費。

2?電力需求預測應用場景

CRISP-DM（Cross?Industry?Standard?Process?for?Data?Mining）是由歐洲委員會與幾家在數(shù)據(jù)挖掘應用上有經(jīng)驗的公司共同籌劃組織的一個特別小組提出的，目前使用的CRISP-DM為該小組于2000年提出的數(shù)據(jù)挖掘標準化過程[5]。整體來看，需求預測仍然是按照跨行業(yè)數(shù)據(jù)挖掘標準流程來實施的。按照這個標準流程，如圖1所示，電力需求預測步驟也可以分為需求預測場景分析，預測目標確定，相關資料與數(shù)據(jù)收集分析，初步解決方案確定，方案實施、反饋與應用這幾個主要步驟。

由于不同行業(yè)有著各行業(yè)的特點，而這些行業(yè)的特點及需求的場景決定了后續(xù)解決方案的設計。因此，需求預測應用的業(yè)務場景理解與分析是需要首先實施的。電力系統(tǒng)需求預測在不同的場景下解決方案會不同，常見的電力需求預測場景如表1所示，通過描述梳理用戶的需求應用場景及價值再結合數(shù)據(jù)等因素確定合適的解決方案。

從時間的維度來看，可以將電力需求預測分為中長期預測、短期與超短期預測。中長期預測主要為年度和月度預測，其主要應用于相對宏觀的計劃；短期預測主要為未來每日負荷需求預測，其主要應用于短期的資源調度；超短期預測則為當日的時分預測，其主要特點是結合了當日時間節(jié)點的負荷數(shù)據(jù)，以提高當日預測精度并實現(xiàn)對當日負荷變化進行預測性監(jiān)測。

從空間維度來看，可以是行政地域物理位置上的分區(qū)預測；也可以是像子母線節(jié)點這樣的虛擬空間分區(qū)預測。

從預測輸出的結果來看，可以是單點預測，如平均值、最大（?。┲档?；可以是區(qū)間預測，如一定置信度下的區(qū)間預測值；也可以是連續(xù)值，如連續(xù)多日負荷曲線等。

需要注意的是，從各維度出發(fā)的預測最終會發(fā)生多級協(xié)調問題。比如：年度預測產(chǎn)生的值可能和分月度預測匯總后產(chǎn)生的值不一致，有時甚至差距十分大。這種情況下，需要通過一定的方法進行多級協(xié)調。比較直觀的一種方式是以某一個比較可信的級為基準，協(xié)調其他級的預測值。

3?電力需求預測常用模型與方法

電力需求預測的方法主要可以分為經(jīng)驗判斷法、參數(shù)化模型法以及組合預測方法。其中，參數(shù)化模型法又可以分為基于時間序列的單變量模型方法和基于多變量的參數(shù)化模型方法。根據(jù)電力需求預測應用的場景以及相關數(shù)據(jù)情況選擇一種或多種方法，最終形成對電力系統(tǒng)規(guī)劃的支撐。研究者更傾向于對有強大數(shù)據(jù)支撐的定量預測模型和綜合性及容錯性更強的組合預測模型的研究應用，將定性預測方法作為科學預測的輔助工具。

對于長期用電需求預測而言，預測更多的依靠對社會經(jīng)濟發(fā)展的估計，同時輔以歷史年度的用電量及裝機量等數(shù)據(jù)分析。對于中期用電需求預測而言，一般會基于一定范圍內的用電需求歷史數(shù)據(jù)建模，再輔以人工的決策。而對于短期與實時預測，更多是基于相關數(shù)據(jù)建模實現(xiàn)的智能輔助資源調度。

電力負荷隨著人們的電力需求變化本身有著一定的特性。電力需求與人們的生產(chǎn)生活節(jié)律密切相關，而生產(chǎn)生活又受到季節(jié)、天氣等因素影響，因此電力需求在具有一定隨機性的同時具有一定的內在規(guī)律，比如白天高、深夜低等。從用電負荷的分類來看，一個地區(qū)的總負荷是該地區(qū)工業(yè)負荷、農業(yè)負荷、商業(yè)負荷以及居民用電負荷等負荷的總和。工業(yè)負荷變化相對比較平穩(wěn)；農村用電在總負荷中所占的比例較小，受季節(jié)的影響較大；商業(yè)負荷與居民用電一般呈現(xiàn)白天高，深夜低。

根據(jù)電力需求的特性，行業(yè)專家可以根據(jù)一定區(qū)域產(chǎn)業(yè)及經(jīng)濟狀況做出電力需求的合理判斷。比如：根據(jù)第一、二、三產(chǎn)業(yè)耗電歷史數(shù)據(jù)獲得該地區(qū)電力的基本需求。在子母線負荷預測中，行業(yè)也常常采用子母線配比因子法進行估計。在宏觀年度用電量需求的預測中，人們往往通過對未來可能發(fā)生的情景及發(fā)展趨勢的研究，設置不同的需求擋位，比如高、中、低三種可能發(fā)生的場景，并基于現(xiàn)有的條件和合理的推測，綜合分析內外部相關因素做出合理的假設和判斷。表2對比分析了常用的定性及簡單需求預測方法。

參數(shù)化模型法主要依靠電力需求相關的數(shù)據(jù)通過建立合適的參數(shù)化模型并對未來進行預測。在需求預測中常用的參數(shù)化模型方法大致可以分為兩大類，一類是基于時間序列的單變量模型，比如灰度模型（Grey?Model，GM）和差分自回歸移動平均（Autoregressive?Integrated?Moving?Average，ARIMA）；一類是基于多變量的模型，比如多元線性回歸和決策樹等。同時，近幾年深度學習模型如LSTM（Long?Short-Term?Memory）可以同時適用于單變量和多變量的情況。總體來講，參數(shù)化模型方法更依賴于質量更高、維度更全面和顆粒度更細的歷史數(shù)據(jù)。

其中灰度模型和ARIMA這兩種參數(shù)化模型及其變種經(jīng)常被應用于年度或月度的電力預測中。很多文獻研究表明這兩種方法在顆粒度較大的預測中有相對較好的效果。相關的研究很早就有，后續(xù)人們又在這些基礎模型上提出了很多優(yōu)化方法，比如羅松山使用優(yōu)化的灰度模型應用于電力需求預測中[6]。

決策樹、支持向量回歸（Support?Vector?Regression，SVR）、集成模型（隨機森林、梯度提升樹）等，這些統(tǒng)計機器學習模型也廣泛被應用于各顆粒度的預測。這類模型能有效處理影響電力需求相關因素（如天氣等）特征，因此在高精度預測模型中，其往往有較好的表現(xiàn)。張一舉通過使用氣溫、季節(jié)、節(jié)假日等因素并結合每日負荷歷史數(shù)據(jù)使用SVR進行短期電力負荷預測[7]。

近年來，隨著深度學習算法的廣泛應用，越來越多的短期或超短期電力需求預測使用了相關的算法。比如，洪小林通過使用改良的LSTM算法對4種場景的數(shù)據(jù)進行模擬預測取得了較好的效果[8]。這類算法在海量樣本中能自動提取有效特征并做出預測，但這類算法相對復雜，其對數(shù)據(jù)質量及人員的能力要求也相對較高。表3對比分析了需求預測中幾種代表的參數(shù)化模型方法。

另外，在參數(shù)化模型實際運用中，區(qū)間估計應用價值一般優(yōu)于點估計，因為置信區(qū)間估計能有效指導運營人員對于未來需求范圍的把握。如果僅僅是一個點估計，在實踐中往往會在預估值的基礎上增加一定的需求余量，以預防供給不足的情況。

由于每種算法都有其特點及局限性，單一模型的表現(xiàn)有時缺乏魯棒性，人們發(fā)現(xiàn)組合多種模型的效果往往相比單一模型有較好的表現(xiàn)。常用的組合有單一模型加專家經(jīng)驗，多種模型平均權重組合等。比如：牛成林等人在短期負荷預測中通過決策樹模型結合專家系統(tǒng)在實例預測分析中顯示相對于單獨的決策樹模型，結合專家經(jīng)驗后預測結果更接近實際情況[9]。

近年來，隨著智能電表等智能終端設備系統(tǒng)的推廣，與之相適應的基于細顆粒度的終端電力需求預測也表現(xiàn)出很好的效果。WANG?Y等人就通過對細顆粒度的終端數(shù)據(jù)進行建模，其結果表現(xiàn)優(yōu)于傳統(tǒng)方法[10]。隨著電網(wǎng)中高比例可再生能源及電子設備滲透率的提高，電力系統(tǒng)的運行形態(tài)將發(fā)生深刻變化，基于經(jīng)驗選擇的電力系統(tǒng)方式分析，越來越難以應對電力系統(tǒng)運行、規(guī)劃、保護和穩(wěn)定分析的要求[11]。

4?電力需求預測的難點分析

需求預測的難點在于需求受到多種因素的影響，其在復雜多變的情境下會變得不可預測。中長期電力負荷與當?shù)厝丝?、?jīng)濟、氣候及未來發(fā)展等諸多因素有著密切的關系，比如人口或產(chǎn)業(yè)結構的逐漸變化會帶來電力需求的長期變化。僅僅根據(jù)電力負荷歷史數(shù)據(jù)或結合部分因素進行建模，其實踐結果往往并不令人滿意。同時，一些突發(fā)事件，如天氣突變等都會導致電力負荷具有明顯的隨機性和波動性。這些因素都使得電力負荷預測變得相對困難。

而且，隨著以電代煤、以電代油等政策的實施，這些新的需求在歷史數(shù)據(jù)中并沒有完全體現(xiàn)，會使得基于參數(shù)化模型方法的電力預測結果有偏低的傾向。同時，新型低碳化能源優(yōu)先入網(wǎng)政策使得這種波動性，隨機性相對較高的能源也成為一個需要在預測中考慮的因素。

5?結語

需求預測常常是資源規(guī)劃的起點和基礎。盡管需求預測在劇烈變化的外部環(huán)境下會更難實施，但在各種約束條件下可以選擇相對合適的與之對應的方法。電力行業(yè)需求預測是需求預測的典型代表，需要根據(jù)不同的應用場景以及數(shù)據(jù)情況設計與之相適應的模型。電力需求預測不僅僅是一個或幾個基于歷史數(shù)據(jù)的預測模型，更多的是如何結合行業(yè)實踐經(jīng)驗與實際應用場景，設計實施能有效解決電力系統(tǒng)規(guī)劃運營過程中資源規(guī)劃與優(yōu)化的問題。同時，在日常運營中，需求預測結果往往需要與現(xiàn)行的運營系統(tǒng)做一定的集成，以實現(xiàn)自動化、智能化，從而提高資源利用率與運營效率。

參考文獻