優(yōu)化組合的電力負(fù)荷預(yù)測

摘要：電力系統(tǒng)的市場化，一方面，電廠建設(shè)規(guī)劃、合理及有效的供電計(jì)劃制定是成為了許多相關(guān)部門的重要任務(wù)。由于預(yù)測算法理論和適用范圍都不盡相同并且負(fù)荷變化規(guī)律又具有復(fù)雜性，因此使用單一模型的預(yù)測效果常?！皶r(shí)好時(shí)壞”，為了綜合各單項(xiàng)模型的優(yōu)點(diǎn)，本文通過構(gòu)建優(yōu)化組合模型來提高預(yù)測性能。

關(guān)鍵詞：組合預(yù)測，區(qū)間預(yù)測，電力負(fù)荷

1 組合模型

根據(jù)權(quán)重組合形式可以劃分為兩種，一種是線性組合預(yù)測為，表示權(quán)重;另一種是非線性組合預(yù)測為，是非線性函數(shù)。按照權(quán)重的求解方式來區(qū)分，組合方法也可以分為定權(quán)值、變權(quán)值方法。

1.1 簡單平均組合

簡單平均（Simple Averaging，簡記為SA）策略是將相等的權(quán)重應(yīng)用于不同的方法，SA的計(jì)算過程具有簡單操作性，其特點(diǎn)是每個(gè)單項(xiàng)模型的權(quán)完全相等，即把模型等同的看待，SA組合的權(quán)值計(jì)算公式為：

其中，表示第種預(yù)測方法，然后將權(quán)值代入，得到具體的簡單平均組合預(yù)測值。

1.2 加權(quán)平均組合

基于模型的預(yù)測評(píng)價(jià)指標(biāo)的加權(quán)平均組合方法（WA），是簡單平均發(fā)的改進(jìn)，WA的基本思想是，精度高的模型權(quán)重大，精度低的模型給予應(yīng)給較低的權(quán)重，本文以平均絕對(duì)百分比（MAPE）為權(quán)重計(jì)算根據(jù)，指標(biāo)的具體公式見本章3.5節(jié)，因此WA權(quán)值對(duì)應(yīng)的公式為：

其中，表示第種預(yù)測方法，然后將權(quán)值代入，得到具體的MAPE加權(quán)平均組合預(yù)測值。除了上述以MAPE為基礎(chǔ)的WA組合，還可以以MSE、MA及RMSE等為基礎(chǔ)建立對(duì)應(yīng)的WA組合模型。

2 組合優(yōu)化預(yù)測模型

本文構(gòu)建優(yōu)化組合預(yù)測的過程為：首先基于XGBoost算法對(duì)原始數(shù)據(jù)集進(jìn)行特征篩選;然后使用三個(gè)非線性分位數(shù)回歸模型，QRF、GBQR及SVQR進(jìn)行BO參數(shù)優(yōu)化之后產(chǎn)生了優(yōu)化后的模型：BO-QRF、BO-GBQR及BO-SVQR，此時(shí)可以產(chǎn)生各分位點(diǎn)下的預(yù)測值;最后通過不同的組合方法（SA、WA、OLS以及CQRA）對(duì)三個(gè)模型的各分位點(diǎn)的預(yù)測值進(jìn)行組合得到優(yōu)化組合的預(yù)測結(jié)果。

（1） 原始數(shù)據(jù)預(yù)處理

對(duì)非數(shù)值型數(shù)據(jù)進(jìn)行量化，如星期類型數(shù)據(jù)、節(jié)假日變量。星期類型變量做了量化處理，即星期一至星期天依次取值為1、2、...、7。對(duì)節(jié)假日變量所做的處理為若當(dāng)日為法定節(jié)假日則取值為1，否則取值為0。

（2）XGBoost特征提取

通過對(duì)初始全部特征建立XGBoost模型，按照得出的自變量顯著性排名，設(shè)置閾值得到對(duì)應(yīng)的特征子集并計(jì)算在該特征子集下模型的預(yù)測效果，進(jìn)而選取最佳的特征子集作為篩選變量。

（3） 貝葉斯超參數(shù)優(yōu)化

首先，對(duì)單項(xiàng)模型的重要參數(shù)進(jìn)行優(yōu)化，包括輸入模型的待優(yōu)化參數(shù)空間，設(shè)置目標(biāo)函數(shù)，利用貝葉斯算法優(yōu)化得到最佳的參數(shù)集合。本文選取了各模型重要參數(shù)進(jìn)行優(yōu)化具體如表3-1所示，通過最小化將平均絕對(duì)百分比誤差（MAPE）作為優(yōu)化目標(biāo)函數(shù)，使用樹形Parzen評(píng)估器（Tree Parzen Estimate，簡記為TPE）進(jìn)行優(yōu)化，通過計(jì)算樣本采集函數(shù)（設(shè)置為EI）來決定下一組待評(píng)估的參數(shù)集合。設(shè)置迭代次數(shù)，在每次迭代中，算法選取代理函數(shù)在參數(shù)域空間中損失最小的參數(shù)集合，然后計(jì)算這些參數(shù)的目標(biāo)函數(shù)值，經(jīng)過多次迭代返回在表現(xiàn)最優(yōu)的參數(shù)集合作為優(yōu)化結(jié)果。

（4）單項(xiàng)模型預(yù)測

通過貝葉斯參數(shù)優(yōu)化，得到BO-QRF、BO-GBQR及BO-SVQR三個(gè)優(yōu)化后的模型，然后對(duì)數(shù)據(jù)集進(jìn)行分位點(diǎn)的預(yù)測分析，進(jìn)而進(jìn)行區(qū)間預(yù)測及概率密度預(yù)測。

（5）組合模型預(yù)測

通過上面的結(jié)果，我們得到了BO-QRF、BO-GBQR及BO-SVQR三個(gè)模型在各分位點(diǎn)的預(yù)測結(jié)果，通過3.1節(jié)中采用的組合方法，將單項(xiàng)預(yù)測模型進(jìn)行組合，得到各分位點(diǎn)下優(yōu)化組合預(yù)測的預(yù)測值。

3 總結(jié)

電力市場日益發(fā)展，負(fù)荷預(yù)測也成為能源經(jīng)濟(jì)系統(tǒng)的一個(gè)重要組成部分。在這種新的背景下，高預(yù)測精度和高預(yù)測速度不僅是可靠的系統(tǒng)運(yùn)行所需要的，而且也是適當(dāng)?shù)氖袌鲞\(yùn)行所需要的，因?yàn)榈皖A(yù)測和超預(yù)測都會(huì)使得運(yùn)營成本和收入損失的增加。此外，針對(duì)一般電力負(fù)荷點(diǎn)預(yù)測方法輸出結(jié)果單一的缺點(diǎn)，本文還對(duì)負(fù)荷進(jìn)行了區(qū)間預(yù)測及概率密度預(yù)測以進(jìn)一步完善負(fù)荷信息，得到更加全面準(zhǔn)確的預(yù)測。通過對(duì)實(shí)例數(shù)據(jù)進(jìn)行驗(yàn)證，發(fā)現(xiàn)本文提出的優(yōu)化組合方法，有效提高了模型負(fù)荷預(yù)測能力。

參考文獻(xiàn)：

[1]Dehalwar， V.， Kalam， A.， Kolhe， M.L.， et al. Electricity load forecasting for Urban area using weather forecast information[C].2016 IEEE International Conference on Power and Renewable Energy （ICPRE）. IEEE， 2016： 355-359.

[2]陸寧，周建中，何耀耀.粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型在短期負(fù)荷預(yù)測中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制，2010，38（12）：65-68.

作者簡介：葉凌風(fēng)，1999年10月，籍貫湖北黃岡，本科在讀，三峽大學(xué)，郵編443002，研究方向：電力系統(tǒng)

三峽大學(xué) 湖北 宜昌 443002