您的当前位置:首页正文

成分分解方法预测月度电力负荷

2020-12-09 来源:步旅网
第29卷第5期 2017年5月 电力系统及其自动化学报 Proceedings of the CSU—EPSA Vol|29 No.5 May 2017 成分分解方法预测月度电力负荷 龙勇 ,苏振宇 ,盖晓平 (1.重庆大学经济与工商管理学院,重庆400030;2.甘肃省电力公司培训中心,兰州730070) 摘要:为了提高月度负荷预测精度,提出了基于x一12-ARIMA季节调整模型的月度负荷预测方法。首先在季节 调整前,消除原始负荷中离群值、工作日、闰年等效应的影响,然后对经季节调整后的趋势循环序列应用H—P滤 波方法进行成分分解,再针对分解后得到的长期趋势、循环周期、季节因子、不规则成分序列的特点选择了适合 的预测模型进行预测并得到最终结果。通过甘肃地区188个月的负荷数据进行检验,结果表明该预测方法是可 靠有效的。 关键词:离群值;月度负荷;季节调整;成分分解 中图分类号:TM715;TM743 文献标志码:A 文章编号:1003—8930(2017)05—0035—06 DOl:10.39696.issn.1003—8930.2017.05.006 Monthly Load Forecasting Using Component Decomposition Method LONG Yong ,SU Zhenyu。一,GAI Xiaoping (1.School of Economics and Business Administration,Chongqing University,Chongqing 400030,China; 2.Gansu Electric Power Training Center,Lanzhou 730070,China) Abstract:In this paper,a monthly load forecasting method based on X-12一ARIMA model with seasonal adjustment is proposed to improve the performance of load forecasting.Firstly,the effects of factors such as outliers,work days and leap years are eliminated from the original load data.Secondly,H—P filtering method is used to decompose the sequenc- es of trend and cycle obtained after seasonal adjustment.According to the characteristics of the component sequences of long term trend,cycle,seasonal factors and irregularity,an appropriate forecasting model is selected,and the final re— suh is obtained.Through an empirical test on the load data in Gansu area for 188 months,it is indicated that the pro— posed method is reliable and effective. Key words:outlier;monthly load;seasonal adjustment;component decomposition 对于具有明显季节波动的月度、季度等负荷预 度售电量进行了预测研究。 测的主要方法有Holt—Winters加法(乘法)季节模 由于以月份、季度为时间观测单位的经济时间 型¨。]、ARIMA(auto regressive integrated moving aver. 序列中,因季节性因素存在着周期性变化,使得实 age)季节模型 等。在季节性的中期负荷预测理 际观测的序列不能及时反映经济的变化,同时受到 论和方法研究方面,文献[6]针对季节性时间序列具 些经济活动的影响,使负荷序列出现波动,造成 有增长性和波动性的二重趋势性,提出了季节性预 序列中个别数据异常增大或减少,致使负荷序列变 一测的组合灰色神经网络模型,对季节负荷预测方法 动规律更难把握,预测变得更加困难。 进行了探索;文献[7]利用小波分析方法对月度负荷 为解决以上问题,本文提出在季节调整前,首 预测进行了研究;文献[8忻j最小二乘支持向量机构 先应对月度负荷数据进行预调整,将负荷序列中的 建了月度负荷预测模型。近年来,部分学者将季节 异常值效应、工作日效应等影响从原始序列中剔 调整的方法应用于电力行业并取得较好效果。文 除;然后再进行季节调整并获得趋势循环、季节成 献[9]建立了基于季节调整的月度负荷预测模型;文 分和不规则成分3个时间序列;对于趋势循环应用 献[10]改进了季节调整方法并用于电煤的月度需求 H—P滤波方法分离出长期趋势序列和周期循环序 预测;文献【11]建立了基于季节调整的误差校正负 列。在此基础上,针对分离出的各序列特性,分别 荷预测模型;文献[121使用X12和ARIMA模型对月 建立适当的预测模型,最后将各序列预测结果进行 收稿日期:2016—11—09;修回日期:2017—01—05 基金项目:国家社会科学基金重点资助项目(14AZD130) ・36・ 电力系统及其自动化学报 第5期 组合,得到最终预测结果。 为验证模型的有效性,使用甘肃地区1998— Y =∑ + i=1 (2)  为回归系数;五为回 12—2O14—07的发电量数据进行验证,并将预测结 式中:‰为离群值等回归变量;MA模型。式(1)和式 果与传统的SARIMA和Holt—Winters方法进行比 归误差,假定服从式(1)的ARIMA模型,即 较,结果证实本文提出的基于X一12一ARIMA的方法 (2)组合在一起,即形成所谓的regARI获得了最优的预测结果。 ㈣ ㈤(卜 (1一Ls)。(), 一∑卢。 )= i=l 1预测方法 建立的预测方法主要包括原始序列预调整,x一 O(L)OQ )占 q(3) 由于ARIMA仅能对因变量的滞后值以及随机 12一ARIMA季节调整,H—P滤波,分量负荷序列预 测,组合预测结果5个步骤,其流程如图1所示。 regARIMA 模型预调整 季节调整分解 趋势循环序列//季节成分序列//不规则成分序列 H—P滤波 长期趋势序列//循环同期序列 Holt—Wi预测 nters ll  ll ARMA l 预测 l l虚拟变量  l回归预测 ARMA 预测 组合预测结果 图1负荷预测流程 Fig.1 Flow chart of load forecasting method 1.1负荷序列预调整 对于负荷预测序列预调整使用ARIMA扩展模 型regARIMA,通过该模型可以去除序列中的离群 值、工作13等因素的影响。通常使用的ARIMA模型为 ( P( (1一 ) (1一Ls) Y =Oq(L)Op(£) (1) 式中: 为原始负荷序列;P、Q、P、q分别为季节与非 季节自回归、移动平均算子的最大滞后阶数;d、D分 别为非季节和季节性差分次数; ( )、 ( )分别为 非季节自回归过程AR和季节自回归过程SAR的滞 后算子多项式;OdL)、 。(£)分别为非季节移动平均 过程MA和季节移动平均过程SMA的滞后算子多项 式;(卜 ) 和(卜∥)。分别为对序列 的非季节差分 和季节差分滞后算子;S为季节差分的步长;&是独 立同分布的,均值为0,方差为cr2。通常情况下以 ARIMA(p,d,q)(P,D,p)形式来表示上述模型。 作为ARIMA模型的一个扩展是假设时间序列 存在如下的多元变量回归模型,即 误差项的现值和滞后值进行回归,而regARIMA模 型则可以同时考虑到与观测值同期发生的回归变 量的影响,并在建模时将回归效果予以去除,因此 大大增加了建模的灵活性,扩展了ARIMA模型的 功能。 1.1.1 离群值效应 在负荷序列中,离群值主要有以下3种类型。 1)单点异常值AO(additive outlier) 单点异常值是指时间序列中单个跳跃点,只影 响序列中的单个观察值。其所构造的回归解释变 量表示发生在t。时刻的离群值点,定义为 A0 。= (4) 2)水平移动LS(1evel shitf) 水平移动是指序列中发生水平的持久变化,表 现为一个特定时点的所有观察值突然增大或减少 一个常数,即平移一个水平。其构造的回归解释变 量表示从 。时刻起变量瞬间变化到一个新的水平上 并保持这一水平,定义LS离群值为 gO={ (5) 3)暂时变动TC(temporary change) 暂时变动是指序列中数据发生跳跃后,又平滑 回复到初始路径的单个跳跃点。其构造的回归解 释变量TC离群值定义为 。= ㈦ 式中,O/为经指数衰减回到原有水平的速率(0< <1)。 由于离群值的存在,使得时间序列呈现出较大 的波动。在构建预测模型时,因不能识别出序列的 变化规律,可能会造成模型的误设,或者是造成模 型参数估计误差增大,影响预测结果的准确性。 1.1.2工作日效应 由于每周存在工作日与休息日,而每月的工作 第29卷 龙勇等:成分分解方法预测月度电力负荷 ・37・ 日与休息日的天数不同,因此会对负荷数据产生不 使用Holt—Winters方法进行预测,需要计算初 JB。对于初始值计算,使用普通最小 同的影响,为了识别负荷的发展规律,这些影响在 始值和参数O/、季节调整前也应予以消除。假设工作日影响效应 二乘法计算,即 相同,而周六和周日的影响效应相同,则可构造交 易日的回归效应变量为 TD _N0w厂 m =c+ib (13) 式中,C为截距常数。假设选取前i个数据,则回归 和b即为初始的水平平滑值和 (7) 方程式计算出的m 趋势平滑值。 式中:No 为某月中工作日的天数;No 为某月中周 六和周Et的天数。 1.1.3 闰年效应 闰年2月有29 d,非闰年2月有28 d。构造闰 年回归效应变量为 f0.75 闰年2月 LY ={一0.25 非闰年2月 (8) 【0 其他月 1.2负荷序列季节调整 季节调整的核心是使用Henderson移动平均的 方法进行成分分解。对于加法模型,季节分解模型为 =TC +S +,l (9) 式中:TC 为趋势循环序列;.s 为季节成分序列; 为 不规则成分序列。 1.3 H—P滤波 经过季节调整后形成的序列TC 中包含长期趋 势成分和经济周期循环变动成分,使用H—P滤波可 以将长期趋势成分和经济周期循环成分分离出来, 针对分离出的序列特性可构建适当的预测模型,即 TC =Tr +Cyc (1O) 式中:Tn为分离出的长期趋势成分;Cyc 为分离出 的经济周期循环成分。H—P滤波基本原理是使分 离出的长期趋势成分损失函数 (f)达到最小值,即 minL(t)={∑(Tc 一Trt) + A∑[(Tr川一Tr )一(Tr,-Tr卜. (11) H—P滤波方法依赖于事先给定的参数入,通常情况 下,月度数据A取值为14 400。 1.4分量负荷序列预测 1.4.1 长期趋势序列 对于分离出的长期趋势序列rrL,由于不含季节 因素和周期循环成分,则可以使用Holt—Winters无 季节因素模型进行预测,即 {l b =卢(m 一m二卜】 二)+(1一 麓 6 —l 一 式中,m 和b 分别为当前水平平滑值和趋势平滑值。 用非线性规划的牛顿切线法求解参数Ol、JB,即 ∑(m 一 ) min z )=塑 一 (14) 式中:71为预测时的时间结点;约束条件 、 取值范 围为[0,1];z(£)为规划目标函数除去前i个数据后提 前一期预测误差平方和均值最小。 lI4.2季节成分预测 对于季节成分序列S ,运行不带截距的12个月 虚拟变量的回归方程。回归方程为 S£=FlSlf+F2Js2t+…+F12S&+e£ (15) 式中,et为回归方程残差序列。估计出的参数 , …,,F。 即是固定季节成分预测值。 1.4-3循环周期成分和不规则成分预测 循环周期成分序列Cyc 和不规划成分序列L均 围绕0值上下波动,不含趋势和季节因素,因此序 列应是平稳的,所以可用ARMA模型进行预测,即 Yf=c+601Y 一1+…+ pY£一p+ £+ 6l 1+…+6M 々(16) 式中: 为循环周期成分序列Cyc 或不规划成分序 列L;“ 为白噪声序列;p和q分别为自回归过程AR 和移动平均过程MA滞后阶数; 和 分别为AR和 MA过程对应滞后阶数的参数估计值。 1.5预测最终结果 将各个分量的预测结果结合在一起,即可得到 最终预测结果,即 y + =Tr + +Cyci+ +5t+ +, + (17) 式中,k为提前预测的期数。如果预测期中某月存 在着工作日和闰年效应,需要对该月的预测的结果 进行相应修正后,方可得到最终的预测结果。 2实例 2.1数据选择 为验证模型的预测效果,选择了甘肃省月发电 量数据进行验证,数据来源于国家统计局网站。时间 序列为1998—12__20l4—07,共188个样本数据,其中 1998—1 _2013一O7数据用来建模,2013—08—2014一O7 ・38・ 电力系统及其自动化学报 第5期 数据用来进行提前1期预测效果验证。 2.2负荷序列预调整 2.3季节调整分解 对经过预调整的序列进行季节分解,可以得到 原始序列负荷如图2所示,由图可以看出,原始序 循环周期成分、季节因子成分和不规则成分序列。 列呈现出趋势明显,有一定的季节性,在1999年7月、 各序列如图3~图5所示。 2oo8年下半年及2010年上半年负荷波动较为明显。 月份 图2甘肃地区负荷原始序列 Fig.2 Original load sequences in Gansu area 2.2.1 离群值影响 为消除离群值的影响,使用x一12一ARIMA进行 异常值的侦测,即1999—07为单点异常值,2008—03 和2008一ll发生暂时性的变动,201l—O3和201l一07 序列发生水平移动,结果如表1所示。 表1离群值类型及统计量 Tab.1 Types of outliers and statistics 2.2.2工作日和闰年效应 交易日和闰年效应测量结果如表2所示。工 作日/休息日统计量在0.05的显著水平上未达到显 著,但在0.10水平上达到了显著,说明工作日与休 息日对负荷的影响程度并不相同。 表2交易日及闰年效应统计量 Tab.2 Statistics related to the effec ̄of trading days and leap years 闰年效应在0.15显著水平上达到显著,说明2 月份负荷数值在闰年与非闰年时存在较显著的差 异。工作日效应变量和闰年效应变量联合分布的 卡方统计量P值为0.15。因此,在负荷序列预处理 阶段,可考虑将工作日和闰年效应的影响从原始序 列中消除。 月份 图3趋势循环成分序列 Fig.3 Component sequences of trend and cycle 2 一 、 嬗 m 8 6 4 2 o 嵋 芷( 月份 图4季节因子成分序列 Fig.4 Component sequences of seasonal factors 色 0 、 :瞧 月份 图5不规则成分序列 Fig.5 Irregular component sequences 与原始序列相比,趋势循环序列更为平滑,趋 势特征更为明显。从季节因子成分序列中可以看 出,序列中呈现出明显的季节因素,通常每年7月、 12月达到高峰,9月左右达到低谷。对于不规则成 分则呈现出围绕0值上下波动的特征。 2.3.1 H—P滤波 由于趋势循环成分序列中含有长期趋势成分 和循环周期成分,因此可以应用H—P滤波方法对序 列进一步分解,形成长期趋势序列和循环周期序列 如图6所示。 由图可以看出分离后的趋势序列更为平滑,而 第29卷 龙勇等:成分分解方法预测月度电力负荷 ・39・ 月份 图6 趋势循环成分分解后序列 Fig.6 Sequences after the decomposition of trend and cycle 循环周期成分围绕0值上下波动,且在2010年底至 201 1年间负荷波动发生剧烈波动。 2.3.2分解序列预测 由于分解后的序列特性各不相同,因此需选择 适合的模型进行预测。 对于趋势时间序列采用改进Holt—Winters方法 建模,选择前24个数据建立回归模型,求出初始值 和斜率分别为21.85和0.11;应用线性规划求解的ot 和 均为1,说明模型发生退化现象。 对于季节成分序列应用虚拟变量回归求得各 月季节因子的数值。除1月和7月外各月均在0.0l 水平上达到显著;1月在0.10水平上达到显著;7月 则未达到显著水平。 对于不规划成分和循环周期序列,首先进行单 位根检验,检查序列的平稳性。循环周期序列 Dickey ruler检验统计量t=~4.24,P:0;不规则成 分序列Dickey—Fuller检验统计量 =一11.09,P=0, 证实序列是平稳的,可以建立ARMA模型。通过相 关图分析,循环周期成分序列建立方程为Cyc 0.92u +O.82uH+0.71u 不规则成分序列为: = 0.62L_广0.56u 一0.27u ,参数估计值均达到显著。 2.4预测结果 依据各分解序列建立的模型对2013—08~ 2014—07开展提前1期预测,各分量预测结果求和 就得到初步预测结果。因预调整阶段,消除了工作 日和闰年效应,因此预测时需对存在工作日和闰年 效应的月份进行调整。预调整阶段,程序会给出未 来一年存在工作日和闰年效应的月份,本例中是 2014年2月存在闰年效应,3月存在工作13效应。 经对相应月份进行调整后就得到最终预测结果。 为验证本文提出的预测方法的实际预测效果, 同时应用季节Holt—Winters模型和季节ARIMA模 型进行预测并比较,各预测方法2013—08—2014—07 各月预测结果的绝对百分比误差APE(absolute per. centage error)和12个月的平均绝对百分比误差 MAPE(mean absolute percentage error) ̄ll表3所示。 表3不同方法误差预测结果比较 Tab.3 Comparison of error forecasting result among diferent methods % 由表3可知,本文提出的预测方法得到的 2013—08—20l4—07共12个月预测结果的平均绝对 百分比误差MAPE最低,其次是Holt—Winters模型, 最后是季节差分自回归移动平均SARIMA season~ al auto-regressive integrated moving average)模型,说 明本文方法预测效果优于Holt—Winters模型和季节 ARIMA模型。 从各月预测结果绝对百分比误差APE看,当 SARIMA和Holt—Winters模型得到较大预测误差时, 本文提出的方法可以得到相对稳定、更优的预测结 果。例如2013年11月、12月和2014年2月的预测 结果。 3结语 相较于现有的基于季节调整的预测方法而言, 本文提出季节调节前应首先考察负荷序列中的离群 值、工作日等影响并进行预调整;其次针对季节调整 后趋势循环序列的性质可进一步应用H—P滤波方法 分解得到趋势序列和循环周期序列,以更好地把握 负荷变化的长期趋势;另外,分解后的各分量序列特 征和含义各不相同,应选择适合的模型进行建模;最 后,应对个别月份的预测结果进行预调整时消除效 应的修正,本例中为工作日和闰年效应。 通过对甘肃省负荷序列分析和预测,并与季节 Holt—Winters模型和季节ARIMA模型进行比较证 实,本文提出的预测方法平均绝对百分比误差值最 小,预测精度最优;各月预测绝对百分比预测误差 相对稳定,预测结果稳定性较强。 ・40・ 电力系统及其自动化学报 第5期 参考文献: 【1] Abosedra S,Dah A,Ghosh S.Demand for electricity in Qing,et a1).考虑经济因素时滞效应的月度负荷预测方 法(Study on mid term electricity load forecast consider— ing time lag effects of economic factors)[J1.电网技术 Power System Technology),2016,40(2):514—520. Lebanon[J].International Business&Economics Re— search Journal,2009,8(1):1卜18. [121颜伟,程超,薛斌,等(Yan Wei,Cheng Chao,Xue Bin,et 。Z).结合X12乘法模型和ARIMA模型的月售电量预测 方法(Forecasting orf monthly electricity consumption us— ing X12 multiplication method and ARIMA Mode1)『J1.电 【2]Cruz A,Munoz A,Zamora J L,et a1.The effeet of wind generation and weekday on Spanish electricity spot price forecasting[J].Electric Power Systems Research,201 1,81 (10):1924—1935. [3】 Gelper S,Fried R,Croux C.Robust forecasting with expo・ 力系统及其自动化学报(Proceedings of the CSU—EP— SA)。2016,28(5):74—80. nential and Holt-Winters smoothing[J].Journal of Forecast— ing,2010,29(3):285—300. 【4 安德洪,4J柳湘月,刘嘉煜,等(An Dehong,Liu Xiangyue, Liu Jiakun,et a1).基于季节ARIMA模型的电力负荷建 模与预报(Traffic modeling and predication using season— al ARIMA models in power system)[J].天津大学学报 (Journal ofTianjin University),2004,37(2):184-187. [51汤岩,王福林,王吉权(Tang Yan,Wang Fulin,Wang Ji— quan).基于季节ARIMA模型的电力系统负荷短期预 测(Shot term forecasting using ARIMA model in power system)【J1.数学的实践与认识(Mathematics in Practice and Theory),2012,42(10):74—80. f6 牛东晓,陈志业,邢棉,等(Ni6]u Dongxiao,Chen Zhiye, Xing Mian,et a1).具有二重趋势性的季节型电力负荷 预测组合优化灰色神经网络模型(Combined optimum gray neural network model of the seasonal power load fore— casting with the double trends)[J].中国电机工程学报 (Proceedings ofthe CSEE),2002,22(1):29-32. [7】姚李孝,刘学琴(Yao Lixiao,Liu Xueqin).基于小波分析 的月度负荷组合预测(A wavelet analysis based com— bined model for monthly load forecasting)【J].电网技术 (PowerSystemTechnology),2007,31(19):65-68. 『88]刘文颖,门德月,梁纪峰,等(LiuWenying,MenDeyue, Liang Ji ̄ng,et a1).基于灰色关联度与LSSVM组合的 月度负荷预测(Monthly load forecasting based on grey relational degree and least squares suppo ̄vector ma— chine)fJ].电网技术(Power System Technology),2012, 36(8):228—232. [9】乔占俊(Qiao Zhanjun).基于CensusX12一SARIMA模型 的中长期负荷预测(Medium and long term load forecast— ing based on Census X12-SARIMA mode)fJ1.电力系统 及其自动化学报(Proceedings oftheCSU—EPSA),2014, 26(1):34—38. 【1O]朱发根(Zhu Fagen).基于改进x一12一ARIMA的电煤需 求预测模型与实证研究(Electrical coal demand fore— casting model and case studies based on improved X・。1 2—’ ARIMA)lJ】.中国电力(Electric Power),2014,47(2): 140—145. 【ll1郭鸿业,陈启鑫,夏清,等(Guo Hongye,Chen Qixin,Xia 【13】US Census Bureau.X一12一ARIMA Referenee Manual Vet— sion 0.3(Beta)【EB/OL].http://www.census.gov/srd www/ xl2a/sapaper.html,2011. 【14]Maravall A,V Gomez.Programs TRAMO and SEATS:in— structions for the user,beta version[J].Working Papers, 1996(28):1-124. 【15】Bokhari S,Ansari I.Seasonal adjustment of some finan— cial indicators of Pakistan[J].Journal of Management and Social Sciences,2009,5(2):107—123. 【16]Gabr S M,ttassan M M,Haggag O A.Stochastic modeling compared with artiifcial intelligence based approach for electrical load forecasting[J].Journal of American Sci— ence,2011,7(4):400—407. 【17]廖旎焕,胡智宏,马莹莹,等(LiaoNihuan,Hu Zhihong, Ma Yingying,et aZ).电力系统短期负荷预测方法综述 Ⅲ.电力系统保护与控制(Power System Protection and Contro1),2011,39(1):14%152. 【18]陈艳平,毛弋,陈萍,等(Chen Yanping,Mao Yi,Chen Ping,et a1).基于EEMD一样本熵和Elman神经网络的短 期电力负荷预测(Short—term power load forecasting based on ensemble empirical mode decomposition。。sample entro— PY and Elman neural network)[J].电力系统及其自动化 学报(Proceedings ofthe CSU—EPSA),2016,28(3):59— 64. [19]康重庆,夏清,张伯明(Kang Chongqing,Xia Qing,Zhang Boming).电力系统负荷预测研究综述与发展方向的探 讨(Review and Prospect ofpower system load forecasting) 『J].电力系统自动化(Automation ofElectric Power Sys— terns),2004.28(17):1一l1. 作者简介: 龙勇(1963一),男,博士,教授,博士生导师,研究方向为 电力技术经济管理、技术创新与风险投资等。Email: longyong@cqu.edu.cn 苏振宇(1972一),男,通信作者,博士研究生,高级讲师,研 究方向为电力技术经济管理、电力企业人力资源开发。 Email:513457198@qq.corn 盖晓平(1981一),男,硕土,工程师,研究方向为电力系统控 制。Email:416773718@qq.corn 

因篇幅问题不能全部显示,请点此查看更多更全内容