毛楷文

一、研究背景及意義

電力作為一種穩(wěn)定高效的清潔能源，相比其他能源具有得天獨(dú)厚的優(yōu)勢(shì)，出于能源消費(fèi)結(jié)構(gòu)合理化的要求和環(huán)境保護(hù)的壓力，電力在未來能源消費(fèi)領(lǐng)域中的地位也會(huì)愈加重要，伴隨著能源消費(fèi)結(jié)構(gòu)的調(diào)整和電力市場(chǎng)改革的不斷推進(jìn)，可以預(yù)見未來的電力需求一定會(huì)出現(xiàn)大幅增長(zhǎng)，市場(chǎng)面臨的電力需求也會(huì)更加多樣化，相對(duì)精準(zhǔn)的電力需求預(yù)測(cè)是國(guó)家進(jìn)行電力市場(chǎng)宏觀調(diào)控和改革推進(jìn)、電網(wǎng)企業(yè)進(jìn)行需求側(cè)管理與需求側(cè)響應(yīng)，應(yīng)對(duì)環(huán)境變化制定企業(yè)戰(zhàn)略的重要依據(jù)，因此，尋求一種合適的模型方法對(duì)未來電力需求進(jìn)行準(zhǔn)確預(yù)測(cè)就具有了重要的研究?jī)r(jià)值和現(xiàn)實(shí)意義。

二、國(guó)內(nèi)外研究現(xiàn)狀

關(guān)于電力需求預(yù)測(cè)可以分為極短期負(fù)荷預(yù)測(cè)[1-2]、短期負(fù)荷預(yù)測(cè)[3-5]、中期負(fù)荷預(yù)測(cè)[6]、長(zhǎng)期負(fù)荷預(yù)測(cè)[7-8]，本研究的涉及的屬于長(zhǎng)期負(fù)荷預(yù)測(cè)，R.J. Hyndman[8]提出了預(yù)測(cè)長(zhǎng)期高峰需求的預(yù)測(cè)方法，將人口增長(zhǎng)、經(jīng)濟(jì)狀況和天氣狀況等可能影響高峰需求的不確定因素考慮在內(nèi)。此外，特別提出，由于不同的駕駛行為和收費(fèi)模式，電動(dòng)汽車的大規(guī)模使用會(huì)成為不確定性因素之一[9-12]。關(guān)于針對(duì)電力需求預(yù)測(cè)的方法有很多，包括模糊邏輯方法和人工神經(jīng)網(wǎng)絡(luò)[13]，線性回歸[14]，數(shù)據(jù)挖掘[15]，傳遞函數(shù)[16]，貝葉斯統(tǒng)計(jì)[17]，判斷預(yù)測(cè)[18]和灰色動(dòng)態(tài)模型[19]等方法，在電力需求預(yù)測(cè)領(lǐng)域都得到很好的實(shí)踐。

國(guó)內(nèi)學(xué)者關(guān)于電力需求的預(yù)測(cè)主要方法有協(xié)整理論[20]、灰色模型[21]、支持向量機(jī)[22]、人工神經(jīng)網(wǎng)絡(luò)[23]、組合預(yù)測(cè)法[24]等。李如琦[25]通過利用啟發(fā)式最小二乘支持向量機(jī)對(duì)我國(guó)中長(zhǎng)期電力負(fù)荷進(jìn)行預(yù)測(cè)，具有較高的精度、可行性與實(shí)用性。除了對(duì)基本方法的研究之外，很多學(xué)者通過研究如粒子群等優(yōu)化算法[26-29]對(duì)預(yù)測(cè)模型進(jìn)行優(yōu)化，以提高各類預(yù)測(cè)方法的精度。

三、研究模型構(gòu)建

通過對(duì)電力需求預(yù)測(cè)相關(guān)文獻(xiàn)的研究可以發(fā)現(xiàn)，影響電力需求的因素眾多，相比影響因素而言可統(tǒng)計(jì)利用的數(shù)據(jù)相對(duì)較少，且各因素與終端電力消費(fèi)量之間的關(guān)系是非線性的，因此考慮應(yīng)用蟻獅優(yōu)化最小二乘支持向量機(jī)（ant lion optimizer least squares support vector machine （ALO -LSSVM））的方法進(jìn)行預(yù)測(cè)。

最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）是支持向量機(jī)在二次損失函數(shù)下的一種形式，是利用小樣本數(shù)據(jù)的統(tǒng)計(jì)學(xué)習(xí)理論在高維特征空間中尋找最優(yōu)線性回歸超平面對(duì)數(shù)據(jù)進(jìn)行回歸的一種模型?；舅枷雭碓从谧顑?yōu)分離超平面——最大化間隔并采用核學(xué)習(xí)的方法，是結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則在統(tǒng)計(jì)學(xué)習(xí)問題上的一個(gè)具體實(shí)現(xiàn)。

在運(yùn)用最小二乘支持向量機(jī)LSSVM模型預(yù)測(cè)電力需求時(shí)，首先需要確定正則化參數(shù)C和核函數(shù)參數(shù)σ2的數(shù)值，而這兩個(gè)參數(shù)的取值對(duì)LSSVM模型回歸性能具有很重要的影響。其中，正則化參數(shù)C（也稱之為懲罰參數(shù)）用于控制LSSVM模型函數(shù)擬合的誤差，其值越大，擬合誤差越小，但也會(huì)導(dǎo)致模型的訓(xùn)練時(shí)間增加以及過擬合現(xiàn)象;核函數(shù)參數(shù)σ2代表徑向基RBF函數(shù)的帶寬，LSSVM模型擬合誤差隨著參數(shù)σ2的變小而減小，但同時(shí)也會(huì)存在模型訓(xùn)練時(shí)間增加以及過擬合現(xiàn)象。因此，需要合理有效地確定正則化參數(shù)C和核函數(shù)參數(shù)σ2的數(shù)值。

當(dāng)前，確定正則化參數(shù)C和核函數(shù)參數(shù)數(shù)值主要有兩種方法：一是根據(jù)經(jīng)驗(yàn)主觀確定二者的參數(shù)值，這種方法常常會(huì)導(dǎo)致LSSVM模型不能很好的反映實(shí)際問題的特征;另一種方式是采用群體智能等方法優(yōu)化確定LSSVM模型的這兩個(gè)參數(shù)，這種方法規(guī)避了人為主觀確定方法的缺點(diǎn)，同時(shí)能夠通過多次迭代尋優(yōu)最優(yōu)的參數(shù)值。因此，近些年在實(shí)際工程問題中得到了廣泛地應(yīng)用。本文為了能夠準(zhǔn)確設(shè)定正則化參數(shù)C和核函數(shù)參數(shù)σ2的值，采用第二種方法，具體為運(yùn)用蟻獅優(yōu)化算法自動(dòng)尋找用于預(yù)測(cè)電力需求的最優(yōu)參數(shù)值。

通過文獻(xiàn)分析，我們選取GDP，人口和產(chǎn)業(yè)結(jié)構(gòu)作為影響用電需求的主要影響因素，并用全社會(huì)用電量作為樣本年份中的電力需求值，運(yùn)用上文構(gòu)建的模型，將GDP、人口、產(chǎn)業(yè)結(jié)構(gòu)以及全社會(huì)用電量作為輸入變量，就能對(duì)未來受社會(huì)經(jīng)濟(jì)因素影響下的理論用電需求做出預(yù)測(cè)。

四、以北京地區(qū)為例的電力需求預(yù)測(cè)實(shí)證分析

利用構(gòu)建的ALO-LSSVM模型對(duì)北京地區(qū)至2020年的電力需求進(jìn)行預(yù)測(cè)，首先根據(jù)相關(guān)歷史數(shù)據(jù)和政策分析，對(duì)2016-2020年的北京市GDP、人口和產(chǎn)業(yè)結(jié)構(gòu)進(jìn)行分析和預(yù)測(cè)，再代入模型預(yù)測(cè)2017-2020年的電力需求。

（一）GDP

圖1 北京市2001-2016年實(shí)際GDP

根據(jù)《北京市國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十三個(gè)五年規(guī)劃綱要》主要目標(biāo)中對(duì)經(jīng)濟(jì)發(fā)展的要求提出經(jīng)濟(jì)保持中高速增長(zhǎng)。在發(fā)展質(zhì)量和效益不斷提高的基礎(chǔ)上，地區(qū)生產(chǎn)總值年均增長(zhǎng)6.5%，2020年地區(qū)生產(chǎn)總值和城鄉(xiāng)居民人均收入比2010年翻一番。根據(jù)發(fā)展規(guī)劃要求對(duì)北京市2017-2020年的GDP進(jìn)行預(yù)測(cè)，結(jié)果如表1所示。

（二）人口

北京市2001-2016年實(shí)際人口總數(shù)與增長(zhǎng)率如圖2所示：

根據(jù)《北京市國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十三個(gè)五年規(guī)劃綱要》關(guān)于有序疏解非首都功能中提出要求，嚴(yán)格控制增量，有序疏解存量，強(qiáng)化政策措施，加強(qiáng)人口調(diào)控，嚴(yán)格控制人口規(guī)模，2020年常住人口控制在2300萬人以內(nèi)。因此對(duì)北京市2017-2020年的人口進(jìn)行預(yù)測(cè)，如表2所示。

（三）產(chǎn)業(yè)結(jié)構(gòu)

一般選取一個(gè)地區(qū)的二產(chǎn)占比來表征產(chǎn)業(yè)結(jié)構(gòu)，有別于其他地區(qū)，北京出臺(tái)的一系列環(huán)境治理政策，去產(chǎn)能政策，非首都功能化政策等措施，不斷提高三產(chǎn)在國(guó)民經(jīng)濟(jì)中的占比，北京市第三產(chǎn)業(yè)已然成為影響地區(qū)電力需求的最主要因素，因此針對(duì)北京市，特選取第三產(chǎn)業(yè)產(chǎn)值占總產(chǎn)值的比例表征產(chǎn)業(yè)結(jié)構(gòu)。北京市2001-2016年的三產(chǎn)占比結(jié)構(gòu)變化如圖3所示。

根據(jù)《北京市國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十三個(gè)五年規(guī)劃綱要》中提出的要求，主要經(jīng)濟(jì)指標(biāo)平衡協(xié)調(diào)，勞動(dòng)生產(chǎn)率和地均產(chǎn)出率大幅提高。三次產(chǎn)業(yè)內(nèi)部結(jié)構(gòu)進(jìn)一步優(yōu)化，服務(wù)業(yè)增加值占地區(qū)生產(chǎn)總值比重高于80%。因此本文利用十二五以來的三產(chǎn)占比平均增長(zhǎng)率預(yù)測(cè)2017-2020年的三產(chǎn)占比，結(jié)果如表3所示。

（四）全社會(huì)用電量

根據(jù)中國(guó)電力統(tǒng)計(jì)年鑒數(shù)據(jù)，可以得到2001-2016年北京市全社會(huì)用電量如圖4所示。

利用2001-2011年的全社會(huì)用電量、GDP、人口、三產(chǎn)占比的歷史數(shù)據(jù)，運(yùn)用前文構(gòu)建的ALO-LSSVM方法，對(duì)2017-2020年的用電需求進(jìn)行預(yù)測(cè)，其中選取2001-2015的歷史數(shù)據(jù)作為訓(xùn)練樣本，以2016年的數(shù)據(jù)作為測(cè)試樣本，根據(jù)MAE （平均絕對(duì)誤差）準(zhǔn)則，得到γ與σ2兩個(gè)參數(shù)的最優(yōu)值，進(jìn)而對(duì)2017-2020年的用電需求值進(jìn)行預(yù)測(cè)，結(jié)果如表4所示。

通過比較2016年全社會(huì)用電量和2016年測(cè)試樣本的計(jì)算結(jié)果可以發(fā)現(xiàn)，2016年的預(yù)測(cè)值和實(shí)際值誤差為3%，說明ALO-LSSVM模型的預(yù)測(cè)具有較高準(zhǔn)確度，運(yùn)用該方法能夠較為精確的對(duì)未來受社會(huì)經(jīng)濟(jì)影響的電力需求做出預(yù)測(cè)。

參考文獻(xiàn)：

[1]李翔， 高山， 陳昊. 基于變結(jié)構(gòu)協(xié)整理論的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)模型[J]. 電網(wǎng)技術(shù)， 2007， 31（9）：48-52.

[2]王大鵬， 汪秉文. 基于變權(quán)緩沖灰色模型的中長(zhǎng)期負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)技術(shù)， 2013， 37（1）：167-171.

[3]羅楠， 朱業(yè)玉， 杜彩月. 支持向量機(jī)方法在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 電網(wǎng)技術(shù)， 2007（s2）：215-218.

[4]王小波， 劉德強(qiáng). 基于人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)的研究[J]. 電力學(xué)報(bào)， 2011， 26（4）：287-289.

[5]劉文穎， 門德月， 梁紀(jì)峰，等. 基于灰色關(guān)聯(lián)度與 LSSVM 組合的月度負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)技術(shù)， 2012， 36（8）：228-232.

[6]李如琦， 蘇浩益， 王宗耀，等. 應(yīng)用啟發(fā)式最小二乘支持向量機(jī)的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)技術(shù)， 2011， 35（11）：195-199.