电力现货市场的售电公司短期负荷预测

唐 猛，董晓琦，蒋睿辰

（1.深圳能源售电有限公司，广东 深圳 518000；2.广东工业大学，广州 510006）

0 引言

自2015年3月提出我国要开展新一轮电力体制改革（以下简称“电改”）以来，各省根据电量规模、电源结构及市场主体对电改的适应情况等因素纷纷制定了相应的市场交易规则。随着电改的不断深入，以广东省为代表的“月度竞价规则”历经了近2年的运转，已经到达了市场建设的瓶颈，急需开展电力现货市场来继续推进电改的进程。因此，2017年9月国家发改委、能源局印发了《关于开展电力现货市场建设试点工作的通知》，选择8个地区作为第一批电力现货市场建设试点。广东省作为本轮电改的排头兵，在经历过“月度负荷预测”和“月度偏差考核”的规则后，已经率先启动了部分主力售电公司日前负荷曲线的申报工作。由于电力现货市场具有交易品种复杂、交易频率高和价格波动大等特点，因此售电公司需要着力提高超短期负荷的预测水平，从而使自身在现货市场中的能量市场、容量市场、辅助服务市场及需求侧响应市场中利润最大化。

相似日算法[1-4]已被广泛应用于电力系统的短期负荷预测中。该算法的核心是根据相关影响因素选取出相似日后，根据相似日与预测日的差异来进行修正调整。在发生特殊事件干扰的情况下，也可以根据特殊事件对负荷的影响来修正预测日的负荷曲线。但相似日算法存在以下问题：

（1）在选取相似日时，通常只考虑一些常规边界因素，如日期类型、气象条件等，容易造成无法找到相似日或找到的相似日与待预测日的负荷特性曲线相差较大的情况。

（2）缺乏自主学习和自适应推理能力，在选取出相似日后，需要人工干涉修正相似日的负荷才能得到预测日的负荷，对于修正相似日负荷缺乏一个合理的处理方法，修正的方法不同，会导致结果的差异较大。

针对单一预测模型存在的缺陷[5]，很多文献提出了多种方法对预测方法进行改善，以提高超短期负荷预测的精度。文献[6]建立了EEMDLSSVM模型，通过EEMD（集合经验模拟分解）增强超短期负荷序列的平稳性，在LSSVM（最小二乘支持向量机）预测中使用贝叶斯证据方法对参数进行优化，有效提高了预测精度，增强了数据曲线的平滑性。文献[7]针对超短期电力负荷预测中负荷波动巨大的问题，提出了一种基于挂起准则的多模型集总极限学习算法。文献[8]通过采用主成分与灰色关联分析方法选择相似日，分析综合因子与各影响因素的关系，计算各个影响因素的权重。文献[9]将一种带扩展记忆的PSOEM（粒子群优化技术）和支持向量回归相结合，提高以历史负荷数据、气象因素等作为输入的基于PSOEM-SVR的短期电力负荷预测方法。文献[2]和文献[10]引入粒子群算法来优化LS-SVM短期负荷预测模型中的参数，以提高预测效果。

上述研究都是针对全网或局部分布较为集中的用户的负荷预测研究[11]，由于售电公司的客户具有离散分布、行业结构多样化、分时历史数据缺乏等特征，因此售电公司的短期负荷预测与电网常规的短期负荷预测相比，难度更大、更复杂。

本文通过对售电公司的客户负荷特征进行分析，针对相似日算法存在的问题，提出了一种基于改进狼群算法与SVM（支持向量机）相结合的短期负荷预测方法，将日期类型、气象条件、近期同类型日日平均负荷和随机干扰事件等因素引入到相似日的选取中，并运用改进的人工狼群算法对SVM模型的主要参数进行优化，从而实现基于电力现货市场的售电公司日负荷曲线预测。

1 短期负荷预测的影响因素

通过对不同负荷类型特性的对比分析后，本文首先将影响用户分时负荷曲线的因素归纳为：日期类型、气象条件、近期同类型日的日平均负荷和干扰事件4项。日期类型是指当日为星期几、工作日、休息日或节假日等对负荷曲线产生影响的日特征因素；气象条件是指包括最高和最低温度、是否降雨及雨量大小、天气类型等影响负荷曲线的气象特征因素[12]；近期同类型日的日平均负荷是指近几日同类型日的同一时刻的负荷平均值，能够反映客户的近期负荷水平，也是影响负荷曲线预测准确度的重要特征因素；干扰事件是指客户个体的用电情况变化，如故障检修、生产计划变更、市场波动、产业政策等突发事件对负荷曲线造成影响的特征因素。

1.1 日期类型

根据分组映射的方法将日期数据映射到[0，1]区间，将日期类型分为3类：第一类是周一—周五为正常工作日时，映射范围为[0，0.5]；第二类是周六、周日，为介于节假日与工作日之间的日期类型，映射范围为[0.6，0.7]；第三类是小长假、黄金周、春节假期等，映射范围为[0.8，1]。

1.2 气象条件

将当日负荷所在区域的温度（最高、最低、平均值）映射到[0，1]区间，映射边界为对应所在区域的历史温度数据极值；天气类型（阴、晴、台风等）映射至[0，1]，分别映射 0.8，0.5，0.2等；降雨量映射至[0，1]区间，对应暴雨、大雨、中雨、小雨、阵雨5个等级[3]分别映射为1.0，0.8，0.6，0.4，0.2；不同季节对负荷的影响也不尽相同，因此将季节类型（春、夏、秋、冬）分别映射至[0，1]区间，分别映射为0.2，0.4，0.6，0.8。

1.3 近期同类型日日平均负荷

由于相似日算法遵循“近大远小”的规则[13]，且负荷曲线的形态及客户用电特性在没有较大干扰事件的影响下具有较强的延续性，即近期同类型日（如同为工作日或周末）的相同时刻负荷具有一定的相似性，因此近期同类型日的日平均负荷曲线为预测时需要参照的基准曲线。本文引入近期同类型日的日均负荷曲线的相关系数ρ，表示待预测日第i日与相似日第j日的近期负荷特性相似度， 取值范围为[0， 1]， 其中 Cov（Xi， Xj）为2个日特征向量的协方差，σ1和σ2为各自的标准差，其值越大表示相关性越强，则日相关系数为：

1.4 随机干扰事件

由于相似日算法对当日边界条件的依赖性较强[14]，而即便是在其它边界条件完全相似的情况下，某些客户的干扰事件影响即突变也是分时负荷曲线预测的关键点，因此基于干扰事件对分时负荷的量化修正是负荷曲线预测的关键。由于在现货市场开展初期，售电公司及客户对于突发因素的干扰预判缺乏经验，在双方还未形成有效的互动机制之前，本文对干扰事件的定量化处理采用专家干预的方式，即将可预测的突发事件所产生的电量偏差按比例折算至时刻负荷。

2 相似日的选取方法

根据第1节对影响因素的定义，设待预测日第i日量化后的特征向量为Xi=[Xi1，Xi2，…，Xim]=[日类型，气象因子，日相关系数，随机干扰]，其数值设定方法同第1节，m为特征因素的维度，历史日的特征向量为Xj，则历史日与待预测日的相似度函数为：

式中：aik为向量Xi的第k维特征元素所对应的权重，对于权重的定量方法采用模糊聚类的分析方法，该方法能够识别各影响因素对不同负荷的影响程度。通过式（2）确定历史日与待预测日之间的相似度，随后选取相似度较强的几天作为预测模型的训练样本。

3 基于WPA-SVM的短期负荷预测模型

利用SVM算法进行预测，具有收敛速度快、全局最优等优点，但是该算法的2个重要参数核宽度系数σ与正规化参数C，其值的选择决定了预测模型的准确度。

3.1 核函数的选取

对于短期负荷预测问题，其相关影响因素相互制约，较为复杂，且有很强的非线性特性，因此对于不同的核函数其所构成的支持向量机也不尽相同。为避免过学习现象[15]，通过将3种常见kernel核函数对比后，本文选取Sigmoidal kernel作为核函数，即：

3.2 预测模型参数优化

WPA（人工狼群算法）包含游猎、召唤和围攻3种智能搜寻方式，并具有“强者生存”的群体更新机制，能够通过不断的迭代来寻求全局空间内的最优答案，适用于解决模型参数的选择问题，但存在容易过早陷入局部最优的风险。因此，本文将自适应拥挤度因子φ引入狼群算法来实现参数的优化，φ的更新公式为：

式中：c为与阈值变化系数，范围[0，1]；k为当前迭代次数。

则WPA-SVM算法的参数优化过程如下。

（1）参数的初始化设置：需要优化的参数为核宽度系数σ与正规化参数c。狼群的初始化参数包括个体位置向量Yi=[σ，c]，个体的数量A，最大迭代次数maxk，搜索方向h，最大游猎次数maxdh，初始游猎步长Stepa，优良狼的比例α和狼群更新比例M。

（2）计算个体所在位置的适应度函数值，适应度值按照样本中待预测日的预测与MAPE（实际绝对误差）来表示，即：

式中：t为预测日所需要预测的负荷点数；Li为样本中待预测日在该时刻的预测负荷值；Lir为待预测日该时刻的实际负荷值。

选取适应度值排位在前A·α的人工狼进行h个方向的游猎搜索行为：当个体搜索某个方向的适应度值优于当前所在位置时，则个体向该方向前进一步，并进行位置更新；当个体搜索的h个方向的适应度值不如当前位置或达到最大游猎次数maxdh时，则结束游猎行为转步骤（3）。

（3）将适应度值最优的个体作为头狼Ybest发起召唤行为，其它同伴向头狼发起围攻行为，即若满足Ybest＞φ·Yi，则个体向头狼的位置移动，并进行位置更新。

（4）去除个体中适应度值排位在后A×M位的同时产生A×M个新个体。

（5）一次迭代完成，判定是否满足最大迭代次数maxk要求，若达到，则输出适应度值最大的狼个体的位置，即所求问题的最优解，否则转步骤（2）。

（6）直至找出全局极值Wbest值，计算结束，存储最优的狼群位置，即为目标参数的优化结果。

3.3 短期负荷预测步骤

基于电力现货市场的售电公司短期负荷预测算法流程见图1，具体步骤如下：

（1）选取预测目标负荷日的前60日数据作为初始样本数据，按照第1节的相关因素处理方法对样本数据进行预处理，包括日期类型，温度参数，天气类型，降雨量季节类型和近2日均负荷相关系数等。

（2）根据第2节的方法计算初始样本数据与预测目标负荷日的曲线相似度值，并选取排名在前15%的样本数据，定义为预测模型的训练样本集合，样本集合包括负荷曲线和影响因素数据。

（3）将所选出的训练样本集合及其近2日平均负荷曲线作为输入变量，按照3.2小节方法运用改进的WPA算法来确定最优的SVM算法参数σ 与c。

（4）将待预测日的相关因素及其近2日的平均负荷曲线输入到预测模型中，最终得到待预测日的负荷曲线。

4 评估实例

根据广东省实施电力现货试点的基本要求，售电公司参与日前市场前需要将节点或区域内客户次日的负荷曲线进行申报。本文选取广东省某地区部分客户在2018年6月10日—2018年7月10日内每日分时（24：00）负荷曲线作为预测目标，并采用式（5）平均绝对误差MAPE来判断预测的准确度。

图2为某售电公司在广东电力交易中心现货模拟系统中所申报的典型日负荷曲线的分时预测偏差实例。

图1 预测算法流程

图2 24 h负荷预测偏差实例

同时按照WPA-SVM算法分别进行预测，并与文献[6]和文献[2]的改进算法进行比较，算例结果如表1所示。

表1 广东售电公司某区域内客户的负荷曲线预测结果

由表1可知，本文提出的WPA-SVM方法在预测周期内的日负荷平均准确率为95.1%，要明显优于另外2种方法的93.2%和93.8%，且平均绝对误差在5%以内。可见，由于本文方法在选择相似日及预测模型中充分考虑了近期负荷曲线的特性因素及负荷延续性强的特征，比常规算法中只考虑常规影响因子更能够在实际应用中取得较好的效果。因此，本文方法能够为即将到来的现货市场提供有力的技术支持。

5 结语

本文根据广东省实施电力现货试点的基本要求，针对售电公司参与日前市场前需将节点或区域内客户次日的负荷曲线进行预测的实际需求，提出了一种基于相似日的WPA-SVM短期负荷预测方法。该方法在相似日选取时加入了近期同类型日的日平均负荷这一因子，充分考虑了负荷的延续性，同时采用模糊聚类方法来识别不同影响因素对不同负荷的影响程度，并将拥挤度因子引入人工狼群算法来实现对SVM预测模型的参数优化，从而提高了预测的精确度。实例验证本文算法相对其它算法准确度更高，能够为售电公司面对即将到来的电力现货市场提供技术支持。