1. 引言
当前,我国经济进入精细化、高质量发展的新阶段,电网规划建设也要求由满足电力负荷平衡需求到电量平衡需求转变 [1] [2]。用电量的影响因素较多,国内外学者也从不同方面对电量预测方法进行了研究。文献 [3] 基于回归分析法和指数平滑法,提出计及经济因素的月度用电量预测方法;文献 [4] [5] [6] 采用回归分析和X-12-ARIMA模型,对季节和气候变化对月度电量进行预测模型构建;文献 [7] [8] 针对春节期间负荷和电量最小值差异,分别对负荷和电量按照2段建模分析;文献 [9] 针对计量装置在线路故障情况下存在缺失电量问题,采用强鲁棒性的随机森林方法对故障区间用电量进行滚动预测。
以上文献从不同方面考虑了电量回归预测分析方法,影响因素多有局限性。随着新形势的发展变化,需要探索和拓展考虑多重影响的因素的电量预测方法。神经网络预测方法 [10] [11] [12] 是所有预测方法中最接近人工智能的,它能够模拟人脑活动,以其独特的自我学习和自动适应能力,实现对知识优化和智能化处理,在预测精度、所需训练样本、处理影响因素等方面,比其他预测方法更具优势。
本文首先采用相关系数分析法,分析影响电量的主要因素,并将主要影响因素和电量等多元素,作为输入条件,采用神经网络中两种不同的预测模型和方法,从不同角度,构建、训练电量预测模型,并以某区域电量为实例,验证模型方法的准确性和实用性,提高电量预测的精度,助力电力负荷平衡向电量平衡转变。
2. 用电量主要影响因素分析
2.1. 相关性分析方法
采用相关性分析,对用电量和影响因素进行两两指标量化相关系数分析。相关性判别原则,如表1所示。
![](Images/Table_Tmp.jpg)
Table 1. Relevance discrimination principle
表1. 相关性判别原则
(1)
式中,n——指标样本数据的个数;
x和y——两个比较指标的平均值。
(2)
2.2. 影响因素相关性分析
2.2.1. 与产业和能源消耗的相关性
用统计分析软件SPSS,对某城市A《统计年鉴》近10年中,全社会用电量对国民经济、工业总产值、万元国内生产总值能耗等数据的相关性分析,结果如表2所示。
![](Images/Table_Tmp.jpg)
Table 2. Pearson correlation analysis of electricity consumption in the whole society in the past 10 years (unit: 100 million yuan, 10,000 tons of standard coal, ton of standard coal/10,000 yuan)
表2. 近10年全社会用电量的Pearson相关性分析(单位:亿元,万吨标煤,吨标煤/万元)
**在0.01水平(双侧)上显著相关。
*在0.05水平(双侧)上显著相关。
从表2可以看出,近10年全社会用电量对以上数据分析的相关系数,均在0.9以上,具有高度相关性。
2.2.2. 与气象因素的相关性
同理,用统计分析软件SPSS,对A城市历史年某1年365天中,分析全社会日用电量与气象因素相关数据的相关性分析,结果如表3所示。
从表3可以看出,电量与最高气温、最低气温、平均气温,低度相关,与平均气压显著负相关;与降水量、最大风速、最大风向、日照时长、平均相对湿度等,基本不相关。即气象因素中,仅气温为用电量影响因子。
![](Images/Table_Tmp.jpg)
Table 3. Pearson correlation analysis of daily electricity consumption
表3. 日用电量Pearson相关性分析
**在0.01水平(双侧)上显著相关。
*在0.05水平(双侧)上显著相关。
图1为某城市近年用电量与各月平均气温的散点图,以及对应的二次拟合曲线。从图中明显看出,气温在高于25度,以及低于5度时,对用电量产生重要影响。
![](//html.hanspub.org/file/1-1010405x15_hanspub.png?20220307080943393)
Figure 1. Scattered fitting diagram of the relationship between electricity consumption and temperature
图1. 用电量与气温关系散点拟合图
2.2.3. 与节假日的相关性
对于中短期电量预测来说,节假日也是一个重要影响因素。特别是春节、“五一”、“十一”这三个假日,对当月用电量产生较大影响。三大假期中,由于春节是中国农历假期,故单独列出其所在阳历日期,以期分析对应影响关系。
春节是中国人民传统的节日,很多大型工厂停产放假,影响了第二产业的用电量,进而对全社会用电量产生巨大影响。表4为2011~2020年春节对应日期表。图2为A城市2011~2020年月度全社会用电量趋势图。
从图2看出,全社会用电量呈明显的周期性和规律性。形状如同“宝盖头”。峰值为每年的夏季高峰负荷,低谷为每年的春节假期。也从侧面进一步佐证,夏季高温对城市月度电量的影响程度。
![](Images/Table_Tmp.jpg)
Table 4. 2011~2020 Electricity consumption and spring festival date correspondence table
表4. 2011~2020年用电量与春节日期对应表
![](//html.hanspub.org/file/1-1010405x16_hanspub.png?20220307080943393)
Figure 2. Trend map of monthly electricity consumption of the whole society in City A from 2011 to 2020
图2. A市2011~2020年月度全社会用电量走向图
3. 神经网络模型
3.1. BP神经网络模型
3.1.1. BP模型简介
BP (Back Propagation)神经网络,具有多层神经元输入、单层神经元输出,信号前馈、误差后馈的神经网络。通过神经元多次迭代学习和训练,使得预测输出不断逼近期望值,是多变量预测算法模型中应用最广泛的模型之一,结构如图3所示。
![](//html.hanspub.org/file/1-1010405x17_hanspub.png?20220307080943393)
Figure 3. Schematic diagram of BP neural network
图3. BP神经网络示意图
3.1.2. BP神经网络预测模拟训练
1) 数据标准化
先对数据进行标准化处理,将最小值定为0,最大值定为1,中间值用下列公式计算:
(3)
分别为训练样本的最大和最小值。
2) 模拟训练
由于每月总用电量与时间的关系复杂,并非简单的线性关系,还应考虑以前几个月用电量情况,因此,利用前一部分月份的用电量作为输入,后一部分月份的用电量作为输出,用以检验预测结果,依次类推。
3.1.3. BP神经网络预测流程
应用BP神经网络预测模型,预测月度用电量的流程如下:
首先收集月度用电量,对数据作归一化处理;
将数据分为训练样本和检验样本两部分,分别为输入训练数据和输出校验数据。通过多次训练,达到预测所需要的精度,即可停止训练;
将训练好的模型结果保存,作为可供选择应用的全社会用电量预测模型,如图4所示。
![](//html.hanspub.org/file/1-1010405x20_hanspub.png?20220307080943393)
Figure 4. BP neural network prediction flowchart
图4. BP神经网络预测流程图
3.2. RBF神经网络模型
3.2.1. RBF神经网络简介
RBF (Radical Basic Function)神经网络,利用多维空间插值技术 ,能够逼近任意非线性函数。它具有结构、训练简洁、学习收敛速度快,较BP神经网络更具优越性,其结构如图5所示。
![](//html.hanspub.org/file/1-1010405x21_hanspub.png?20220307080943393)
Figure 5. Schematic diagram of RBF neural network structure
图5. RBF神经网路结构示意图
3.2.2. RBF神经网络预测模拟训练
近年来,RBF神经网络以唯一最佳逼近点的优势,在预测领域的应用越来越广泛。
为保证训练的充分有效性,RBF神经网络学习训练时,一般隐含层为输入层变量个数的2倍以上,且样本数据不宜小于20个。
根据相关遵循原则,设置好各层的参数,进行模拟训练,直到满足误差要求为止。
3.2.3. RBF神经网络预测流程
应用RBF神经网络预测模型,预测月度用电量的流程如下:
首先收集月度用电量,对数据作归一化处理;
将数据分为训练样本和检验样本两部分,分别为输入训练数据和输出校验数据。通过多次训练,达到预测所需要的精度,即可停止训练;
将训练好的模型结果保存,作为可供使用的全社会用电量预测模型,如图6所示。
![](//html.hanspub.org/file/1-1010405x22_hanspub.png?20220307080943393)
Figure 6. RBF neural network prediction flowchart
图6. RBF神经网络预测流程图
4. 算例分析
4.1. 实例概况
本文收集某地区A市2018~2020年电网用电量,采用以上2种神经网络预测模型进行月度电量预测,并与其它方法的预测结果进行校核。
4.2. BP神经网络预测用电量
4.2.1. 训练
以A市2018.1~2020.12全社会用电量作为训练样本。将所有数据样本分成两组,其中,2018.1~2020.6 共30个样本作为训练组,2020.7~2020.12共6个样本作为检验组。训练过程如表5所示。
![](Images/Table_Tmp.jpg)
Table 5. 2018.1~2020.6 Electricity consumption standardized value table
表5. 2018.1~2020.6用电量标准化值表
4.2.2. 预测结果与分析
通过BP神经网络模型600次训练后,在满足误差精度要求下,BP神经网络预测结果,如表6所示。
![](Images/Table_Tmp.jpg)
Table 6. BP neural network prediction results
表6. BP神经网络预测结果
![](//html.hanspub.org/file/1-1010405x23_hanspub.png?20220307080943393)
Figure 7. BP neural network prediction result fitting graph
图7. BP神经网络预测结果拟合图
预测值与实际值之间存在一定误差,原因分析如下:
1) 网络模型尚需更多的学习样本,且随着训练样本的增多,预测精度会更高。
2) 实际数据难免有统计误差,势必造成预测的误差。
经过检验,把24个月的用电量作为对第25个月的预测输入值,可以进一步提高预测精度。
4.3. RBF神经网络预测用电量
采用RBF神经网络模型进行模拟训练,训练后的预测结果,如表7所示。
![](Images/Table_Tmp.jpg)
Table 7. RBF neural network prediction results
表7. RBF神经网络预测结果
从图8、表7可以看出,隐含层神经元参数设置为12的情况下,预测结果和实际值高度拟合,具有高精度预测结果。
![](//html.hanspub.org/file/1-1010405x24_hanspub.png?20220307080943393)
Figure 8. RBF neural network prediction result fitting graph
图8. RBF神经网络预测结果拟合图
4.4. 气象因素拟合预测用电量
按照考虑气象因素的回归模型算法,同样对上文中A市历史用电量进行拟合预测,预测结果如表8、图9所示。
![](Images/Table_Tmp.jpg)
Table 8. Forecast results based on meteorological factors
表8. 基于气象因素预测结果
![](//html.hanspub.org/file/1-1010405x25_hanspub.png?20220307080943393)
Figure 9. Fitting diagram of prediction results of electricity consumption in the whole society based on temperature
图9. 基于气温的全社会用电量预测结果拟合图
从图9可以看出,基于气温的全社会用电量预测结果,较为接近实际全社会用电量曲线,有一定的拟合度,预测结果结合本文影响因素中季节、假日等,还可以进一步精度拟合修正。
4.5. 几种预测结果对比分析
为验证本文所提BP神经网络、RBF神经网络模型方法的有效性,将以上算例中三种方法预测结果及误差进行综合对比,如表9所示。
![](Images/Table_Tmp.jpg)
Table 9. Comparative analysis of three prediction results
表9. 三种预测结果对比分析
从表9可以看出,BP神经网络模型、RBF神经网络模型、基于气温预测模型,三种预测模型方法的结果平均误差,分别为0.22%、0.50%、9.43%,验证了本文所提出的2种神经网络预测模型预测结果,均在1%的误差范围内,具有较高的预测精准度。
5. 结语
本文采用相关系数分析法,分析出产业和能源消耗、气温、节假日等都是影响电量的重要因素。
采用BP神经网络和RBF神经网络,通过对模型构建和训练,其中,BP神经网络电量预测平均误差为0.22%;RBF神经网络电量预测平均误差为0.5%;采用基于气象因素的拟合预测方法,平均误差为9.43%。
算例分析结果表明,神经网络预测模型方法预测结果和实际值高度拟合,具有较高的预测精度。