建立大宗商品负荷预测模型助力现代供电服务体系

■ 贵州电网有限责任公司都匀供电局 时重雯

电力负荷预测能够为电力企业提供有力的决策分析依据，由此优化运行策略及管理策略，以减少因电量波动对电网稳定性造成的影响，有效保障电网运行安全可靠。建立适合企业应用的大宗商品用户负荷的预测模型，结合外部市场产品价格数据，判断用户负荷增、减波动情况及范围，有效获取电量变化情况，实现在系统内的电量全景负荷监测，实时查询企业用电量信息并预测负荷数据，生成企业用户画像，形象立体地体现客户所有负荷信息，提醒用户合理调整生产计划，促进企业经济运行，在销售电量管理模式上，可及时调整有序用电范围，保障电量供应动态优化，促进企业经济增长。

研究背景

2022年《国务院关于支持贵州在新时代西部大开发上闯新路的意见》（国发〔2022 〕2号）文件出台，贵州高质量发展规划获得强有力支撑，贵州电网公司要求各供电局要主动作为，积极为地方政府出谋划策，推动出台产业发展激励政策，优化产业结构、推进产业升级、延长产业链、突出地方产业优势和特色，关注与地方企业相关的大宗商品价格走势。深化运用企业原材料价格、人工成本、产品价格、用电特性等大数据，开展区域、行业差异化分析和研究，及时捕捉市场机遇，调整营销策略，稳定和开拓用电市场。

电力作为经济支柱性产业，在加强与政府部门沟通，关注宏观经济形势的同时，还要跟踪省内大宗商品价格走势以及重点行业上下游经营情况，定期开展用电市场分析。掌握省内重点项目开工投产情况，加强对地方产业引导和助力作用。赋能升级实体中台，建立重点企业常态联系工作机制，掌握企业用电预期。完善负荷预测模型，引入天气等外部数据，进一步提升预测准确率。

目前贵州电网公司范围内负荷管理模式多停留在监测状态，即在政府政策、市场波动等各种因素的影响下，接收用户电能的波动，并长期对已发生的负荷进行统计，缺乏前瞻性，负荷波动可量化程度不高。其次，市场价格变动可能对企业的经营收入带来波动，对提升优质营商环境振兴乡村经济带来不利影响。

模型建设思路

技术要求

根据业务功能大宗商品负苻预测模型主要分为4个模块。

负荷预测模型。基于电力企业计量自动化系统基础数据、大宗商品价格数据研发。

实现全景监测。实现按月份、行业类型、组织机构查询大宗商品用户数、预测电量、实际电量、预测准确率，同时支持对大宗商品价格趋势的展示。

企业电量预测查询。实现按月份对大宗商品用户的预测电量、实际电量、预测准确率进行查询。提供电量影响因子导入功能，对影响企业电量的因子进行标注，提高电量预测的准确率。

企业画像。实现对大宗商品用户基础属性用户名称、合同容量、电压电级）、生产特征（企业生产规律、检修计划、上下游产品）、电量影响因子占比的显示，同时通过趋势图的方式对历史月份的预测效果进行展示。

数据分析处理

月数据预处理流程。部分用户的月电量数据存在0值，且无标注具体原因。处理规则如下：数据缺失大于12个月的直接删除；数据缺失小于12个月的，利用当年月平均电量填充。

日数据预处理流程。部分用户的日电量存在较大波动，且有标注电量波动原因。处理规则如下：计算每月没有发生电量波动情况下的正常日均电量；每月发生因子影响的日电量由正常日均电量替代；存在整月受影响的月份，由上月电量修正。

数据标准化

在进行数据分析之前，每个指标的性质、量纲、数量级、可用性等特征均可能存在差异，导致无法直接使用其分析研究对象的特征和规律。因此，为了保证结果的可靠性，需要对原始指标数据进行变换处理，使不同的特征具有相同的尺度。模型选择StandardScaler标准化数据（StandardScaler是1个用来将数据进行归一化和标准化的类。计算训练集的平均值和标准差，以便测试数据集使用相同的变换。）保证每个维度数据方差为1、均值为0，让预测结果不会被某些维度过大的特征值而主导。通过fit_transform函数计算训练数据的均值和方差，基于计算出来的均值和方差来转换训练数据，从而把数据转换成标准的正态分布，如表1所示。

表1 特征指标模型

特征指标体系构建

以特征指标模型为标准，从日期、电量、增减容、价格、天气、经济环境等维度出发，构建大宗商品用户电量预测特征指标体系。

电量预测

在众多学习机器模型中，随机森林是利用多棵树对样本进行训练并预测的1种分类器，并且其输出的类别是由个别树输出的类别的众数而定，适合在新建的模型中作为测试模型。XGBoost算法是基于每1步都产生1个弱预测模型，然后加权累加模型中，可以用于回归和分类问题的计算，适合在新建模型中的参数调整试验。LightGBM是一款基于决策树算法的分布式梯度提升框架，LightGBM减小数据对内存的使用，保证单个机器在不牺牲速度的情况下，尽可能地用上更多的数据；减小通信的代价，提升多机并行时的效率，实现在计算上的线性加速。

基于以上的条件，选择随机森林模型、XGBoost、LightGBM，开展模型训练、模型调参、模型测试等工作，采用电量预测模型构建，最后通过模型评估，选择最优电量预测模型。第一步：对于经过数据预处理和特征工程的数据进行数据集划分为测试集、训练集，采用K折交叉验证、网格搜索等方法提高模型泛化能力。 第二步：分别选择不同训练集、测试集样本，结合随机森林、XGBoost、LightGBM进行回归预测。第三步：结合评价指标MSE进行模型调优，最终选择最优参数、最优训练集测试集划分方式，得到最优模型。第四步：基于随机森林、XGBoost、LightGBM等模型预测初步电量结果，如图1所示。

图1 电量预测模型构建图示

外部因子调节

通过对外部因子的分析对初步电量预测值进行优化（如企业无法收集到外部因子，不用优化），最后生成“上游大宗商品价格趋势”“下游大宗商品价格趋势”，步骤如下：

（1）通过外部数据接口方式，由企业录入待预测月的外部因子类型和天数。

（2）通过历史数据分析计算，分析21年以来出现的同类型异常因子，利用分位数统计方法，生成外部因子调整电量。

（3）在模型初步预测值的基础上通过外部因子调整电量进行优化，计算得到最终大宗商品用户电量预测值。

全景监测模型

将全景监测模型所需功能植入计量自动化系统，全方位的对数据进行应用和监控，并在系统中展示“各行业大宗商品用户数统计”“行业查询预测电量”“客户电量历史数据趋势”，如表2所示。

表2 全景监测模型业务功能

结语

建立大宗商品的预测模型，是通过使用随机森林模型、XGBoost、LightGBM的算法，得出基础电量预测值，但是得出的数据基础模型薄弱，不足以支撑稳定数据输出，所以寻找外部干扰因子，通过录入往年外部因子类型和干扰事项找到影响的规律，调整电量进行优化，计算得到最终大宗商品用户电量预测值。

大宗商品用户负荷预测是以大宗商品用户所生产的产品价格有新的波动时，及时触发数据模型对电量的预测计算，对未来一段时间用户负荷变化情况作出判断，便于供电企业的管理者及时调整电费回收和负荷管理策略，为客户提供负荷波动预测建议的精细化管理，确保有序用电工作顺利开展、落实到位。