唐 猛，董曉琦，蔣睿辰

（1.深圳能源售電有限公司，廣東 深圳 518000；2.廣東工業(yè)大學(xué)，廣州 510006）

0 引言

自2015年3月提出我國要開展新一輪電力體制改革（以下簡稱“電改”）以來，各省根據(jù)電量規(guī)模、電源結(jié)構(gòu)及市場主體對電改的適應(yīng)情況等因素紛紛制定了相應(yīng)的市場交易規(guī)則。隨著電改的不斷深入，以廣東省為代表的“月度競價規(guī)則”歷經(jīng)了近2年的運(yùn)轉(zhuǎn)，已經(jīng)到達(dá)了市場建設(shè)的瓶頸，急需開展電力現(xiàn)貨市場來繼續(xù)推進(jìn)電改的進(jìn)程。因此，2017年9月國家發(fā)改委、能源局印發(fā)了《關(guān)于開展電力現(xiàn)貨市場建設(shè)試點(diǎn)工作的通知》，選擇8個地區(qū)作為第一批電力現(xiàn)貨市場建設(shè)試點(diǎn)。廣東省作為本輪電改的排頭兵，在經(jīng)歷過“月度負(fù)荷預(yù)測”和“月度偏差考核”的規(guī)則后，已經(jīng)率先啟動了部分主力售電公司日前負(fù)荷曲線的申報工作。由于電力現(xiàn)貨市場具有交易品種復(fù)雜、交易頻率高和價格波動大等特點(diǎn)，因此售電公司需要著力提高超短期負(fù)荷的預(yù)測水平，從而使自身在現(xiàn)貨市場中的能量市場、容量市場、輔助服務(wù)市場及需求側(cè)響應(yīng)市場中利潤最大化。

相似日算法[1-4]已被廣泛應(yīng)用于電力系統(tǒng)的短期負(fù)荷預(yù)測中。該算法的核心是根據(jù)相關(guān)影響因素選取出相似日后，根據(jù)相似日與預(yù)測日的差異來進(jìn)行修正調(diào)整。在發(fā)生特殊事件干擾的情況下，也可以根據(jù)特殊事件對負(fù)荷的影響來修正預(yù)測日的負(fù)荷曲線。但相似日算法存在以下問題：

（1）在選取相似日時，通常只考慮一些常規(guī)邊界因素，如日期類型、氣象條件等，容易造成無法找到相似日或找到的相似日與待預(yù)測日的負(fù)荷特性曲線相差較大的情況。

（2）缺乏自主學(xué)習(xí)和自適應(yīng)推理能力，在選取出相似日后，需要人工干涉修正相似日的負(fù)荷才能得到預(yù)測日的負(fù)荷，對于修正相似日負(fù)荷缺乏一個合理的處理方法，修正的方法不同，會導(dǎo)致結(jié)果的差異較大。

針對單一預(yù)測模型存在的缺陷[5]，很多文獻(xiàn)提出了多種方法對預(yù)測方法進(jìn)行改善，以提高超短期負(fù)荷預(yù)測的精度。文獻(xiàn)[6]建立了EEMDLSSVM模型，通過EEMD（集合經(jīng)驗?zāi)M分解）增強(qiáng)超短期負(fù)荷序列的平穩(wěn)性，在LSSVM（最小二乘支持向量機(jī)）預(yù)測中使用貝葉斯證據(jù)方法對參數(shù)進(jìn)行優(yōu)化，有效提高了預(yù)測精度，增強(qiáng)了數(shù)據(jù)曲線的平滑性。文獻(xiàn)[7]針對超短期電力負(fù)荷預(yù)測中負(fù)荷波動巨大的問題，提出了一種基于掛起準(zhǔn)則的多模型集總極限學(xué)習(xí)算法。文獻(xiàn)[8]通過采用主成分與灰色關(guān)聯(lián)分析方法選擇相似日，分析綜合因子與各影響因素的關(guān)系，計算各個影響因素的權(quán)重。文獻(xiàn)[9]將一種帶擴(kuò)展記憶的PSOEM（粒子群優(yōu)化技術(shù)）和支持向量回歸相結(jié)合，提高以歷史負(fù)荷數(shù)據(jù)、氣象因素等作為輸入的基于PSOEM-SVR的短期電力負(fù)荷預(yù)測方法。文獻(xiàn)[2]和文獻(xiàn)[10]引入粒子群算法來優(yōu)化LS-SVM短期負(fù)荷預(yù)測模型中的參數(shù)，以提高預(yù)測效果。

上述研究都是針對全網(wǎng)或局部分布較為集中的用戶的負(fù)荷預(yù)測研究[11]，由于售電公司的客戶具有離散分布、行業(yè)結(jié)構(gòu)多樣化、分時歷史數(shù)據(jù)缺乏等特征，因此售電公司的短期負(fù)荷預(yù)測與電網(wǎng)常規(guī)的短期負(fù)荷預(yù)測相比，難度更大、更復(fù)雜。

本文通過對售電公司的客戶負(fù)荷特征進(jìn)行分析，針對相似日算法存在的問題，提出了一種基于改進(jìn)狼群算法與SVM（支持向量機(jī)）相結(jié)合的短期負(fù)荷預(yù)測方法，將日期類型、氣象條件、近期同類型日日平均負(fù)荷和隨機(jī)干擾事件等因素引入到相似日的選取中，并運(yùn)用改進(jìn)的人工狼群算法對SVM模型的主要參數(shù)進(jìn)行優(yōu)化，從而實(shí)現(xiàn)基于電力現(xiàn)貨市場的售電公司日負(fù)荷曲線預(yù)測。

1 短期負(fù)荷預(yù)測的影響因素

通過對不同負(fù)荷類型特性的對比分析后，本文首先將影響用戶分時負(fù)荷曲線的因素歸納為：日期類型、氣象條件、近期同類型日的日平均負(fù)荷和干擾事件4項。日期類型是指當(dāng)日為星期幾、工作日、休息日或節(jié)假日等對負(fù)荷曲線產(chǎn)生影響的日特征因素；氣象條件是指包括最高和最低溫度、是否降雨及雨量大小、天氣類型等影響負(fù)荷曲線的氣象特征因素[12]；近期同類型日的日平均負(fù)荷是指近幾日同類型日的同一時刻的負(fù)荷平均值，能夠反映客戶的近期負(fù)荷水平，也是影響負(fù)荷曲線預(yù)測準(zhǔn)確度的重要特征因素；干擾事件是指客戶個體的用電情況變化，如故障檢修、生產(chǎn)計劃變更、市場波動、產(chǎn)業(yè)政策等突發(fā)事件對負(fù)荷曲線造成影響的特征因素。

1.1 日期類型

根據(jù)分組映射的方法將日期數(shù)據(jù)映射到[0，1]區(qū)間，將日期類型分為3類：第一類是周一—周五為正常工作日時，映射范圍為[0，0.5]；第二類是周六、周日，為介于節(jié)假日與工作日之間的日期類型，映射范圍為[0.6，0.7]；第三類是小長假、黃金周、春節(jié)假期等，映射范圍為[0.8，1]。

1.2 氣象條件

將當(dāng)日負(fù)荷所在區(qū)域的溫度（最高、最低、平均值）映射到[0，1]區(qū)間，映射邊界為對應(yīng)所在區(qū)域的歷史溫度數(shù)據(jù)極值；天氣類型（陰、晴、臺風(fēng)等）映射至[0，1]，分別映射 0.8，0.5，0.2等；降雨量映射至[0，1]區(qū)間，對應(yīng)暴雨、大雨、中雨、小雨、陣雨5個等級[3]分別映射為1.0，0.8，0.6，0.4，0.2；不同季節(jié)對負(fù)荷的影響也不盡相同，因此將季節(jié)類型（春、夏、秋、冬）分別映射至[0，1]區(qū)間，分別映射為0.2，0.4，0.6，0.8。

1.3 近期同類型日日平均負(fù)荷

由于相似日算法遵循“近大遠(yuǎn)小”的規(guī)則[13]，且負(fù)荷曲線的形態(tài)及客戶用電特性在沒有較大干擾事件的影響下具有較強(qiáng)的延續(xù)性，即近期同類型日（如同為工作日或周末）的相同時刻負(fù)荷具有一定的相似性，因此近期同類型日的日平均負(fù)荷曲線為預(yù)測時需要參照的基準(zhǔn)曲線。本文引入近期同類型日的日均負(fù)荷曲線的相關(guān)系數(shù)ρ，表示待預(yù)測日第i日與相似日第j日的近期負(fù)荷特性相似度， 取值范圍為[0， 1]， 其中 Cov（Xi， Xj）為2個日特征向量的協(xié)方差，σ1和σ2為各自的標(biāo)準(zhǔn)差，其值越大表示相關(guān)性越強(qiáng)，則日相關(guān)系數(shù)為：

1.4 隨機(jī)干擾事件

由于相似日算法對當(dāng)日邊界條件的依賴性較強(qiáng)[14]，而即便是在其它邊界條件完全相似的情況下，某些客戶的干擾事件影響即突變也是分時負(fù)荷曲線預(yù)測的關(guān)鍵點(diǎn)，因此基于干擾事件對分時負(fù)荷的量化修正是負(fù)荷曲線預(yù)測的關(guān)鍵。由于在現(xiàn)貨市場開展初期，售電公司及客戶對于突發(fā)因素的干擾預(yù)判缺乏經(jīng)驗，在雙方還未形成有效的互動機(jī)制之前，本文對干擾事件的定量化處理采用專家干預(yù)的方式，即將可預(yù)測的突發(fā)事件所產(chǎn)生的電量偏差按比例折算至?xí)r刻負(fù)荷。

2 相似日的選取方法

根據(jù)第1節(jié)對影響因素的定義，設(shè)待預(yù)測日第i日量化后的特征向量為Xi=[Xi1，Xi2，…，Xim]=[日類型，氣象因子，日相關(guān)系數(shù)，隨機(jī)干擾]，其數(shù)值設(shè)定方法同第1節(jié)，m為特征因素的維度，歷史日的特征向量為Xj，則歷史日與待預(yù)測日的相似度函數(shù)為：

式中：aik為向量Xi的第k維特征元素所對應(yīng)的權(quán)重，對于權(quán)重的定量方法采用模糊聚類的分析方法，該方法能夠識別各影響因素對不同負(fù)荷的影響程度。通過式（2）確定歷史日與待預(yù)測日之間的相似度，隨后選取相似度較強(qiáng)的幾天作為預(yù)測模型的訓(xùn)練樣本。

3 基于WPA-SVM的短期負(fù)荷預(yù)測模型

利用SVM算法進(jìn)行預(yù)測，具有收斂速度快、全局最優(yōu)等優(yōu)點(diǎn)，但是該算法的2個重要參數(shù)核寬度系數(shù)σ與正規(guī)化參數(shù)C，其值的選擇決定了預(yù)測模型的準(zhǔn)確度。

3.1 核函數(shù)的選取

對于短期負(fù)荷預(yù)測問題，其相關(guān)影響因素相互制約，較為復(fù)雜，且有很強(qiáng)的非線性特性，因此對于不同的核函數(shù)其所構(gòu)成的支持向量機(jī)也不盡相同。為避免過學(xué)習(xí)現(xiàn)象[15]，通過將3種常見kernel核函數(shù)對比后，本文選取Sigmoidal kernel作為核函數(shù)，即：

3.2 預(yù)測模型參數(shù)優(yōu)化

WPA（人工狼群算法）包含游獵、召喚和圍攻3種智能搜尋方式，并具有“強(qiáng)者生存”的群體更新機(jī)制，能夠通過不斷的迭代來尋求全局空間內(nèi)的最優(yōu)答案，適用于解決模型參數(shù)的選擇問題，但存在容易過早陷入局部最優(yōu)的風(fēng)險。因此，本文將自適應(yīng)擁擠度因子φ引入狼群算法來實(shí)現(xiàn)參數(shù)的優(yōu)化，φ的更新公式為：

式中：c為與閾值變化系數(shù)，范圍[0，1]；k為當(dāng)前迭代次數(shù)。

則WPA-SVM算法的參數(shù)優(yōu)化過程如下。

（1）參數(shù)的初始化設(shè)置：需要優(yōu)化的參數(shù)為核寬度系數(shù)σ與正規(guī)化參數(shù)c。狼群的初始化參數(shù)包括個體位置向量Yi=[σ，c]，個體的數(shù)量A，最大迭代次數(shù)maxk，搜索方向h，最大游獵次數(shù)maxdh，初始游獵步長Stepa，優(yōu)良狼的比例α和狼群更新比例M。

（2）計算個體所在位置的適應(yīng)度函數(shù)值，適應(yīng)度值按照樣本中待預(yù)測日的預(yù)測與MAPE（實(shí)際絕對誤差）來表示，即：

式中：t為預(yù)測日所需要預(yù)測的負(fù)荷點(diǎn)數(shù)；Li為樣本中待預(yù)測日在該時刻的預(yù)測負(fù)荷值；Lir為待預(yù)測日該時刻的實(shí)際負(fù)荷值。

選取適應(yīng)度值排位在前A·α的人工狼進(jìn)行h個方向的游獵搜索行為：當(dāng)個體搜索某個方向的適應(yīng)度值優(yōu)于當(dāng)前所在位置時，則個體向該方向前進(jìn)一步，并進(jìn)行位置更新；當(dāng)個體搜索的h個方向的適應(yīng)度值不如當(dāng)前位置或達(dá)到最大游獵次數(shù)maxdh時，則結(jié)束游獵行為轉(zhuǎn)步驟（3）。

（3）將適應(yīng)度值最優(yōu)的個體作為頭狼Ybest發(fā)起召喚行為，其它同伴向頭狼發(fā)起圍攻行為，即若滿足Ybest＞φ·Yi，則個體向頭狼的位置移動，并進(jìn)行位置更新。

（4）去除個體中適應(yīng)度值排位在后A×M位的同時產(chǎn)生A×M個新個體。

（5）一次迭代完成，判定是否滿足最大迭代次數(shù)maxk要求，若達(dá)到，則輸出適應(yīng)度值最大的狼個體的位置，即所求問題的最優(yōu)解，否則轉(zhuǎn)步驟（2）。

（6）直至找出全局極值Wbest值，計算結(jié)束，存儲最優(yōu)的狼群位置，即為目標(biāo)參數(shù)的優(yōu)化結(jié)果。

3.3 短期負(fù)荷預(yù)測步驟

基于電力現(xiàn)貨市場的售電公司短期負(fù)荷預(yù)測算法流程見圖1，具體步驟如下：

（1）選取預(yù)測目標(biāo)負(fù)荷日的前60日數(shù)據(jù)作為初始樣本數(shù)據(jù)，按照第1節(jié)的相關(guān)因素處理方法對樣本數(shù)據(jù)進(jìn)行預(yù)處理，包括日期類型，溫度參數(shù)，天氣類型，降雨量季節(jié)類型和近2日均負(fù)荷相關(guān)系數(shù)等。

（2）根據(jù)第2節(jié)的方法計算初始樣本數(shù)據(jù)與預(yù)測目標(biāo)負(fù)荷日的曲線相似度值，并選取排名在前15%的樣本數(shù)據(jù)，定義為預(yù)測模型的訓(xùn)練樣本集合，樣本集合包括負(fù)荷曲線和影響因素數(shù)據(jù)。

（3）將所選出的訓(xùn)練樣本集合及其近2日平均負(fù)荷曲線作為輸入變量，按照3.2小節(jié)方法運(yùn)用改進(jìn)的WPA算法來確定最優(yōu)的SVM算法參數(shù)σ 與c。

（4）將待預(yù)測日的相關(guān)因素及其近2日的平均負(fù)荷曲線輸入到預(yù)測模型中，最終得到待預(yù)測日的負(fù)荷曲線。

4 評估實(shí)例

根據(jù)廣東省實(shí)施電力現(xiàn)貨試點(diǎn)的基本要求，售電公司參與日前市場前需要將節(jié)點(diǎn)或區(qū)域內(nèi)客戶次日的負(fù)荷曲線進(jìn)行申報。本文選取廣東省某地區(qū)部分客戶在2018年6月10日—2018年7月10日內(nèi)每日分時（24：00）負(fù)荷曲線作為預(yù)測目標(biāo)，并采用式（5）平均絕對誤差MAPE來判斷預(yù)測的準(zhǔn)確度。

圖2為某售電公司在廣東電力交易中心現(xiàn)貨模擬系統(tǒng)中所申報的典型日負(fù)荷曲線的分時預(yù)測偏差實(shí)例。

圖1 預(yù)測算法流程

圖2 24 h負(fù)荷預(yù)測偏差實(shí)例

同時按照WPA-SVM算法分別進(jìn)行預(yù)測，并與文獻(xiàn)[6]和文獻(xiàn)[2]的改進(jìn)算法進(jìn)行比較，算例結(jié)果如表1所示。

表1 廣東售電公司某區(qū)域內(nèi)客戶的負(fù)荷曲線預(yù)測結(jié)果

由表1可知，本文提出的WPA-SVM方法在預(yù)測周期內(nèi)的日負(fù)荷平均準(zhǔn)確率為95.1%，要明顯優(yōu)于另外2種方法的93.2%和93.8%，且平均絕對誤差在5%以內(nèi)?？梢?，由于本文方法在選擇相似日及預(yù)測模型中充分考慮了近期負(fù)荷曲線的特性因素及負(fù)荷延續(xù)性強(qiáng)的特征，比常規(guī)算法中只考慮常規(guī)影響因子更能夠在實(shí)際應(yīng)用中取得較好的效果。因此，本文方法能夠為即將到來的現(xiàn)貨市場提供有力的技術(shù)支持。

5 結(jié)語

本文根據(jù)廣東省實(shí)施電力現(xiàn)貨試點(diǎn)的基本要求，針對售電公司參與日前市場前需將節(jié)點(diǎn)或區(qū)域內(nèi)客戶次日的負(fù)荷曲線進(jìn)行預(yù)測的實(shí)際需求，提出了一種基于相似日的WPA-SVM短期負(fù)荷預(yù)測方法。該方法在相似日選取時加入了近期同類型日的日平均負(fù)荷這一因子，充分考慮了負(fù)荷的延續(xù)性，同時采用模糊聚類方法來識別不同影響因素對不同負(fù)荷的影響程度，并將擁擠度因子引入人工狼群算法來實(shí)現(xiàn)對SVM預(yù)測模型的參數(shù)優(yōu)化，從而提高了預(yù)測的精確度。實(shí)例驗證本文算法相對其它算法準(zhǔn)確度更高，能夠為售電公司面對即將到來的電力現(xiàn)貨市場提供技術(shù)支持。