需求预测应用方法研究

徐普

摘要：需求預测应用实施依然是按照跨行业标准数据挖掘流程开展，其不仅需要有对业务的洞察与业务数据的理解，也需要熟悉需求预测理论与工程应用，从而实现需求预测驱动业务规划与高效运营的作用。虽然需求预测在各行业中实际应用千差万别，但其中基本的应用步骤与实践理论大体一致。电力需求预测以其应用场景多、价值高，是需求预测研究应用的典型代表。该文通过研究需求预测理论及其在电力需求预测中的应用方法，梳理了需求预测中的关键步骤与常用方法，提供了需求预测在各行业中应用的基本思路。

关键词：需求预测  电力规划  应用场景  系统工程

中图分类号：TP11   文献标识码：A

Research on the Application Method of Demand Forecasting

—Taking Electric Power Demand Forecasting as an Example

XU Pu

（School of Statistics， University of International Business and Economics， Beijing， 100029 China）

Abstract：The application implementation of demand forecasting is still carried out according to the cross-industry standard process for data mining， which not only requires  insight of business and understanding of business data， but also needs to be familiar with the demand forecasting theory and engineering application， so as to realize the role of demand forecasting in driving business planning and efficient operation. The practical application of demand forecasting varies widely in various industries， but basic application steps and practical theory are generally consistent. Electric power demand forecasting， with its many application scenarios and high value， is the typical representative of the research and application of demand forecasting. By studying the demand forecasting theory and its application methods in electric power demand forecasting， this paper sorts out the key steps and common methods in demand forecasting， and provides the basic ideas for the application of demand forecasting in various industries.

Key Words：Demand forecasting; Power planning; Application scenarios; Systems engineering

需求预测是指根据需求的历史数据及相关影响因素对未来的需求做出判断的方法。由于需求预测是供应链中原材料准备及行业相关资源计划的基础，其一直是工业界进行业务计划与管理的重要内容之一，其广泛应用于如供应链库存管理、电力规划等[1]。有效的需求预测能提高运营资源利用效率，从而提高行业竞争力。

前人对于需求预测涉及的算法模型已有大量理论研究[2]，但相对缺乏对这些模型在各行业实际项目应用的适用性探讨。由于行业需求场景、数据与系统等差异，一些算法在实验数据上表现较好，但在行业数据与场景特异性因素的影响下难以应用到实际生产中。这导致需求预测理论与实际应用之间出现鸿沟。

尽管需求预测应用存在差异，其中一些基本的流程以及相应的数据处理与建模方法仍然有着很大的一致性。作为需求预测应用的典型代表，电力需求预测有着丰富的应用场景以及应用价值[3]。通过电力需求预测的应用研究，梳理了需求预测的主要步骤与一般方法，弥补了需求预测在各行业实践应用鸿沟，为需求预测更广泛应用提供基礎。

1 电力需求预测的意义

电力需求预测是根据经济社会发展、电力负荷、气象等与电力需求相关的历史数据来探索电力需求变化规律，寻求电力需求与各种相关因素之间的内在联系并预测未来的电力需求以供电力系统相关规划及运营活动的高效开展。

电力系统是现代化社会经济发展的重要基础设施之一。其主要由发电、输电、（变电）配电和用电这几个主要环节组成。其主要的基础设施包括发电厂、电力网、变电站及用电设备。世界各国发展经验表明，国民经济每增长1%，电力能源需要相应增长1.3%～1.5%，才能为国民经济其他行业稳步发展提供足够的动力[4]。20世纪90年代后，有效的中长期电力资源规划配置成了中国经济快速增长的保障。

由于发电、输电、变配电和用电这些环节几乎是实时进行的，这个过程如何使需求与供给保持动态平衡，不对电力系统造成巨大波动等都需要对电力需求量或用电负荷做出合理的估计，以便在满足需求的同时，电力系统保持平衡稳定且相关资源得到合理有效的利用。以中长期电力需求预测为例，如果预测的结果比实际需求低，则可能导致发输配电设施不足而造成缺电，影响正常社会生活和成为经济发展的瓶颈。相反，如果预测值偏高，有可能使发输配电设备过剩，导致电力企业亏损及资源的闲置和浪费。

2 电力需求预测应用场景

CRISP-DM（Cross Industry Standard Process for Data Mining）是由欧洲委员会与几家在数据挖掘应用上有经验的公司共同筹划组织的一个特别小组提出的，目前使用的CRISP-DM为该小组于2000年提出的数据挖掘标准化过程[5]。整体来看，需求预测仍然是按照跨行业数据挖掘标准流程来实施的。按照这个标准流程，如图1所示，电力需求预测步骤也可以分为需求预测场景分析，预测目标确定，相关资料与数据收集分析，初步解决方案确定，方案实施、反馈与应用这几个主要步骤。

由于不同行业有着各行业的特点，而这些行业的特点及需求的场景决定了后续解决方案的设计。因此，需求预测应用的业务场景理解与分析是需要首先实施的。电力系统需求预测在不同的场景下解决方案会不同，常见的电力需求预测场景如表1所示，通过描述梳理用户的需求应用场景及价值再结合数据等因素确定合适的解决方案。

从时间的维度来看，可以将电力需求预测分为中长期预测、短期与超短期预测。中长期预测主要为年度和月度预测，其主要应用于相对宏观的计划；短期预测主要为未来每日负荷需求预测，其主要应用于短期的资源调度；超短期预测则为当日的时分预测，其主要特点是结合了当日时间节点的负荷数据，以提高当日预测精度并实现对当日负荷变化进行预测性监测。

从空间维度来看，可以是行政地域物理位置上的分区预测；也可以是像子母线节点这样的虚拟空间分区预测。

从预测输出的结果来看，可以是单点预测，如平均值、最大（小）值等；可以是区间预测，如一定置信度下的区间预测值；也可以是连续值，如连续多日负荷曲线等。

需要注意的是，从各维度出发的预测最终会发生多级协调问题。比如：年度预测产生的值可能和分月度预测汇总后产生的值不一致，有时甚至差距十分大。这种情况下，需要通过一定的方法进行多级协调。比较直观的一种方式是以某一个比较可信的级为基准，协调其他级的预测值。

3 电力需求预测常用模型与方法

电力需求预测的方法主要可以分为经验判断法、参数化模型法以及组合预测方法。其中，参数化模型法又可以分为基于时间序列的单变量模型方法和基于多变量的参数化模型方法。根据电力需求预测应用的场景以及相关数据情况选择一种或多种方法，最终形成对电力系统规划的支撑。研究者更倾向于对有强大数据支撑的定量预测模型和综合性及容错性更强的组合预测模型的研究应用，将定性预测方法作为科学预测的辅助工具。

对于长期用电需求预测而言，预测更多的依靠对社会经济发展的估计，同时辅以历史年度的用电量及装机量等数据分析。对于中期用电需求预测而言，一般会基于一定范围内的用电需求历史数据建模，再辅以人工的决策。而对于短期与实时预测，更多是基于相关数据建模实现的智能辅助资源调度。

电力负荷随着人们的电力需求变化本身有着一定的特性。电力需求与人们的生产生活节律密切相关，而生产生活又受到季节、天气等因素影响，因此电力需求在具有一定随机性的同时具有一定的内在规律，比如白天高、深夜低等。从用电负荷的分类来看，一个地区的总负荷是该地区工业负荷、农业负荷、商业负荷以及居民用电负荷等负荷的总和。工业负荷变化相对比较平稳；农村用电在总负荷中所占的比例较小，受季节的影响较大；商业负荷与居民用电一般呈现白天高，深夜低。

根据电力需求的特性，行业专家可以根据一定区域产业及经济状况做出电力需求的合理判断。比如：根据第一、二、三产业耗电历史数据获得该地区电力的基本需求。在子母线负荷预测中，行业也常常采用子母线配比因子法进行估计。在宏观年度用电量需求的预测中，人们往往通过对未来可能发生的情景及发展趋势的研究，设置不同的需求挡位，比如高、中、低三种可能发生的场景，并基于现有的条件和合理的推测，综合分析内外部相关因素做出合理的假设和判断。表2对比分析了常用的定性及简单需求预测方法。

参数化模型法主要依靠电力需求相关的数据通过建立合适的参数化模型并对未来进行预测。在需求预测中常用的参数化模型方法大致可以分为两大类，一类是基于时间序列的单变量模型，比如灰度模型（Grey Model，GM）和差分自回归移动平均（Autoregressive Integrated Moving Average，ARIMA）；一类是基于多变量的模型，比如多元线性回归和决策树等。同时，近几年深度学习模型如LSTM（Long Short-Term Memory）可以同时适用于单变量和多变量的情况。总体来讲，参数化模型方法更依赖于质量更高、维度更全面和颗粒度更细的历史数据。

其中灰度模型和ARIMA这两种参数化模型及其变种经常被应用于年度或月度的电力预测中。很多文献研究表明这两种方法在颗粒度较大的预测中有相对较好的效果。相关的研究很早就有，后续人们又在这些基础模型上提出了很多优化方法，比如罗松山使用优化的灰度模型应用于电力需求预测中[6]。

决策树、支持向量回归（Support Vector Regression，SVR）、集成模型（随机森林、梯度提升树）等，这些统计机器学习模型也广泛被应用于各颗粒度的预测。这类模型能有效处理影响电力需求相关因素（如天气等）特征，因此在高精度预测模型中，其往往有较好的表现。张一举通过使用气温、季节、节假日等因素并结合每日负荷历史数据使用SVR进行短期电力负荷预测[7]。

近年来，随着深度学习算法的广泛应用，越来越多的短期或超短期电力需求预测使用了相关的算法。比如，洪小林通过使用改良的LSTM算法对4种场景的数据进行模拟预测取得了较好的效果[8]。这类算法在海量样本中能自动提取有效特征并做出预测，但这类算法相对复杂，其对数据质量及人员的能力要求也相对较高。表3对比分析了需求预测中几种代表的参数化模型方法。

另外，在参数化模型实际运用中，区间估计应用价值一般优于点估计，因为置信区间估计能有效指导运营人员对于未来需求范围的把握。如果仅仅是一个点估计，在实践中往往会在预估值的基础上增加一定的需求余量，以预防供给不足的情况。

由于每种算法都有其特点及局限性，单一模型的表现有时缺乏鲁棒性，人们发现组合多种模型的效果往往相比单一模型有较好的表現。常用的组合有单一模型加专家经验，多种模型平均权重组合等。比如：牛成林等人在短期负荷预测中通过决策树模型结合专家系统在实例预测分析中显示相对于单独的决策树模型，结合专家经验后预测结果更接近实际情况[9]。

近年来，随着智能电表等智能终端设备系统的推广，与之相适应的基于细颗粒度的终端电力需求预测也表现出很好的效果。WANG Y等人就通过对细颗粒度的终端数据进行建模，其结果表现优于传统方法[10]。随着电网中高比例可再生能源及电子设备渗透率的提高，电力系统的运行形态将发生深刻变化，基于经验选择的电力系统方式分析，越来越难以应对电力系统运行、规划、保护和稳定分析的要求[11]。

4 电力需求预测的难点分析

需求预测的难点在于需求受到多种因素的影响，其在复杂多变的情境下会变得不可预测。中长期电力负荷与当地人口、经济、气候及未来发展等诸多因素有着密切的关系，比如人口或产业结构的逐渐变化会带来电力需求的长期变化。仅仅根据电力负荷历史数据或结合部分因素进行建模，其实践结果往往并不令人满意。同时，一些突发事件，如天气突变等都会导致电力负荷具有明显的随机性和波动性。这些因素都使得电力负荷预测变得相对困难。

而且，随着以电代煤、以电代油等政策的实施，这些新的需求在历史数据中并没有完全体现，会使得基于参数化模型方法的电力预测结果有偏低的倾向。同时，新型低碳化能源优先入网政策使得这种波动性，随机性相对较高的能源也成为一个需要在预测中考虑的因素。

5 结语

需求预测常常是资源规划的起点和基础。尽管需求预测在剧烈变化的外部环境下会更难实施，但在各种约束条件下可以选择相对合适的与之对应的方法。电力行业需求预测是需求预测的典型代表，需要根据不同的应用场景以及数据情况设计与之相适应的模型。电力需求预测不仅仅是一个或几个基于历史数据的预测模型，更多的是如何结合行业实践经验与实际应用场景，设计实施能有效解决电力系统规划运营过程中资源规划与优化的问题。同时，在日常运营中，需求预测结果往往需要与现行的运营系统做一定的集成，以实现自动化、智能化，从而提高资源利用率与运营效率。

参考文献