基于时序模型的高耗能企业短期电力负荷预测方法

摘要：常规的高能耗企业短期电力负荷预测方法，易受内外循环鲁棒性影响，导致电力负荷预测平均相对误差（MeanRelativeError，MRE）较高，因此，基于时序模型，设计一种全新的高能耗企业短期电力负荷预测方法。即处理了企业短期电力负荷预测数据，基于时序模型设计了企业短期电力负荷预测算法，从而实现了短期电力负荷预测。实验结果表明，设计的高耗能企业短期电力时序模型负荷预测方法的电力负荷预测平均相对误差MRE较低，证明设计的电力负荷预测方法的预测效果较好，有一定的应用价值，为降低企业电能损耗做出了一定的贡献。

关键词：时序模型高耗能企业电力负荷预测平均相对误差

中图分类号：TP39

AShort-TermPowerLoadForecastingMethodforHighEnergyConsumptionEnterprisesBasedonTimingModel

LIKangyuYANHongJIANGXiZHANGDandan

HarbinPuhuaElectricPowerDesignCo.，Ltd.，HarbinCity，HeilongjiangProvince，150000China

Abstract：Conventionalshort-termpowerloadforecastingmethodsforhighenergyconsumingenterprisesareeasilyaffectedbytherobustnessofinternalandexternalcycles，resultinginahighMeanRelativeError（MRE）inpowerloadforecasting.Therefore，basedonatimingmodel，anewshort-termpowerloadforecastingmethodforhighenergyconsumingenterprisesisdesigned.Inotherwords，theshort-termpowerloadforecastingdataforenterprisesareprocessedandashort-termpowerloadforecastingalgorithmisdesignedbasedonatimingmodel，therebyachievingshort-termpowerloadforecasting.TheexperimentalresultsshowthatMREofthedesignedshort-termpowertimingmodelloadforecastingmethodforhighenergyconsumingenterprisesisrelativelylow，whichprovesthatthedesignedpowerloadforecastingmethodhasgoodpredictiveeffectandcertainapplicationvalue，makingacertaincontributiontoreducingenterprisepowerloss.

KeyWords：Timingmodel;Highenergyconsumption;Electricityloadforecasting;MRE

受经济与工业化发展规模影响，我国各个区域的电力需求不均，建设的配电网规模存在较大差异[1]。若未针对地区概况进行短期电力负荷预测则很容易出现过高的供配电负荷[2]，不仅会增加供配电成本，还会导致电网运行故障，难以满足人们的日常要求[3]。为解决上述问题，提前进行区域供配电规划[4]，需要设计一种有效的高耗能企业短期电力负荷预测方法。相关研究人员提出考虑相似用电单元及图卷积神经网络的高耗能企业短期电力负荷预测方法[5]，其主要利用单元负荷相似性进行聚类处理，生成用电负荷预测策略，实现短期电力负荷预测；还有研究人员提出基于二次分解策略组合Informer的高耗能企业短期电力负荷预测方法[6]，其主要利用样本熵值计算进行预测分量重构，从而确定最终的预测结果，完成短期电力负荷预测。但是易受内外循环鲁棒性影响，导致电力负荷预测平均相对误差MAPE过高。为此，本文基于时序模型，设计了一种高耗能企业短期电力负荷预测方法。

1短期电力时序模型负荷预测方法设计

1.1处理企业短期电力负荷预测数据

电力负荷数据是短期电力负荷预测的基础，要想提高电力负荷预测的准确性，需要对电力负荷预测数据进行有效处理[7]。首先，可以根据预测要求设置采样间隔与采样点，收集全部的采样数据，开始执行电力负荷预测数据处理流程。在电力负荷数据采集的过程中受采集设备故障等因素影响，会导致数据内部噪声过多，影响后续的电力负荷预测结果，因此需要对缺失数据进行处理[8]。本文设计的方法使用填充法进行了缺失数据填补。缺失数据填充完毕后，需要进行水平修正，剔除相差较大的数据阈值。除此之外，可以根据负荷数据的基础特性进行垂直处理。

经过处理的数据剔除了无用的噪声，但是格式仍然存在一定的差异，因此，本文设计的高耗能企业短期电力负荷预测方法按照某一特定的量纲进行了数据归一化处理，避免出现数据爆炸问题，待归一化训练完成后，进行反向归一化验证，从而获得准确的短期电力负荷预测数据。

1.2基于时序模型的负荷预测

常规的短期电力负荷预测方法在局部加权回归提取电力负荷预测分量时容易受内外循环鲁棒性影响，降低了最终的预测效果，且短期电力负荷的变化波动较大，影响短期电力负荷预测结果的因素较多，预测难度较高，因此，本文设计的短期电力负荷预测方法基于时序模型设计了企业短期电力负荷预测算法。时序模型可以根据时间序列分析原理运用概率统计法获取预测数据序列，生成预测模型，实现参数估计与自适应控制处理。电力负荷时序的平稳性较差，周期性也相对难以确定，因此，可以根据预测时间间隔生成MATLAB模拟曲线。

根据MATLAB模拟曲线可以建立属性分类机制，快速获取平稳的电力负荷预测时序，在实际负荷预测分析的过程中，可以根据预测目标的属性值筛选样本空间，按照时间顺序调整时间间隔。在通常情况下，判断的样本负荷特征值存在一定的截尾性，因此需要根据有限时间序列的关系计算预测均值函数。根据上述预测的均值函数可以进行自相关估计，获取样本的基础容量，从而得到短期电力负荷预测时序模型。根据上述构建的短期电力负荷预测时序模型，可以针对负荷量变化因素进行量化分析，确定预测离散属性关系，调节电力负荷预测变量。

2实验

2.1实验准备

根据高耗能企业短期电力负荷预测实验要求，本文将某高耗能企业作为研究对象，采集处理了电力负荷预测数据，生成了实验数据集。在实验开始前，需要进行预测负荷描述，根据采集的电力负荷预测数据生成实验参数，调整实验间隔时间序列，待上述步骤完毕后，再进行预测任务描述。为了满足实验的随机性要求，本文选取的研究区域的光储能、风储能两个单元，获取了相关的实验数据，进行电力负荷筛选。从历史样本数据集合中选择负荷储能单元预测要求的实验样本序列，生成自相关函数，再根据实验预测要求进行参数匹配，实验指标电力负荷预测平均相对误差MRE计算式如下（1）所示。

力负荷预测平均相对误差MRE越高证明电力负荷预测效果越差，反之越低证明电力负荷预测效果较好。待实验指标确定完毕后，即可得出后续的实验结果。

2.2实验结果与讨论

结合上述的实验准备，在配置的实验平台中可以进行高耗能企业短期电力负荷预测实验。分别使用三种不同的方法，即本文设计的基于时序模型的高耗能企业短期电力负荷预测方法、朱子意等人[5]考虑相似用电单元及图卷积神经网络的高耗能企业短期电力负荷预测方法，以及朱莉等人[6]基于二次分解策略组合Informer的高耗能企业短期电力负荷预测方法，对研究的高耗能企业的部分个体单元（类别1光储单元＼类别2风储单元）进行短期负荷预测。使用公式（1）计算这3种方法在不同日期的电力负荷预测平均相对误差MRE。实验结果如表1所示。

由表1可知：本文设计的基于时序模型的高耗能企业短期电力负荷预测方法在不同日期下的电力负荷预测平均相对误差MRE较低；朱子意等人[5]的考虑相似POqNsIzHUWIUlQGOMt+7Xl4p7aFLbNZtPtS9VebkNRY=用电单元及图卷积神经网络的高耗能企业短期电力负荷预测方法，以及朱莉等人[6]基于二次分解策略组合Informer的高耗能企业短期电力负荷预测方法在不同日期下的电力负荷预测平均相对误差MRE较高。上述实验结果证明，本文设计的短期电力负荷预测方法的预测效果较好，有一定的应用价值。

3结语

近几年，我国各个领域的用电量正在成倍增长，对电能质量的要求也越来越高。与此同时，我国正在进行供能优化转型，使用光能、风能等清洁能源替代常规的不可再生能源。但我国的各个区域电网分配不均，供需要求不等，容易导致供配电损耗过高，不符合供电经济性要求，因此，本文基于时序模型构建了一种全新的高耗能企业短期电力负荷预测方法。通过实验结果表明，设计的高耗能企业短期电力负荷预测的预测效果较好，有一定的应用价值，为推动我国的供配电可持续发展做出了一定的贡献。

参考文献

[1].周孟然，张易平，汪胜和，等.基于MVMD-CapSA-DBN的工业多元负荷分类研究[J].河南师范大学学报（自然科学版），2023，51（3）：123-130.

[2].俞胜，黄福兴，冯艳丽，等.新型电力AMI系统中基于NeuralProphet模型的电力负荷预测与修补研究[J].智慧电力，2023，51（5）：44-50.

[3].俞斌，孟伟，俞天杨，等.基于ICEEMDAN-CNN-K-shape的智慧园区短期负荷预测研究[J].国外电子测量技术，2023，42（5）：103-112.

[4].邵非凡，王俊琪，尹晗，等.适应电力保供形势的新型电力系统“电力发展命运共同体”建设模式研究[J].电子元器件与信息技术，2023，7（4）：101-104.

[5].朱子意，孙晓燕，柳先彪，等.基于相似用电单元及图卷积神经网络的电力负荷预测[J].电力科学与工程，2023，39（7）：9-23.

[6].朱莉，韩凯萍，朱春强.二次分解策略组合Informer的短期电力负荷预测方法[J].国外电子测量技术，2023，42（6）：23-32.

[7].王艳松，申晓阳，李强，等.基于PCA-GRD-LWR模型的海上油田中长期最大电力负荷预测[J].中国石油大学学报（自然科学版），2023，47（2）：129-135.

[8].余蕾，岳超，车怡然，等.电价激励下电力负荷响应潜力评估研究：基于净负荷的广义负荷资源互动分析[J].价格理论与实践，2022（8）：154-159.