王继娴 曹炀
华北电力大学 经济管理系，河北 保定 071000
摘要：准确的电力负荷预测会提升电网运行的安全稳定，研究意义重大。电力负荷受很多因素影响，准确分析其影响因素会提升相应的区域电力负荷预测精度。针对电力负荷这样的非单一线性、多影响因素的变量，基于智能算法优化机器学习的模型对其有很好的预测效果。因此，针对贵州省2004至2017年的地区经济、居民生活水平、气候、能源消耗等特征构建其中长期电力负荷预测模型，本文使用灰色关联度分析进行影响因素分析，其次构建遗传算法(GA)优化极限学习机(ELM)，仿真实验结果表明GA-ELM的预测误差在5%以内。
关键词：电力负荷预测；灰色关联度分析；遗传算法；极限学习机
1 引言
准确的中长期电力负荷预测有利于电网的长期稳定运行，保障地区产业、居民用电，带来巨大的经济效益，因此电力负荷预测也是电网调度中不可或缺的部分[1-2]。经典的电力负荷预测有回归分析法、时间序列法等，在面对众多影响因素的复杂非线性关系时，难以快速准确地寻找最优解[3]。而现代的预测方法如神经网络、极限学习机等机器学习算法则解决了这一类复杂预测问题，与传统方法不同，机器学习算法能在多维空间映射复杂的非线性关系，从而能在更短的时间内综合各类影响因素，获得更准确的最优解[4]。
本文综合贵州省2004年至2017年的13项指标数据，利用灰色关联度分析提取出8个影响贵州省中长期电力负荷的主要因素，结合遗传产算法优化的极限学习机模型(GA-ELM)进行训练和预测，利用平均相对误差指标进行检验，得到了较好的预测效果。
2 理论模型综述
2.1 灰色关联度分析
灰色关联度分析是灰色系统理论的重要组成部分，在研究电力系统时，总会遇到信息不完全明晰的情况，这类充满部分已知信息和未知信息的系统则称为灰色系统[5]。基本思想是通过考虑数据曲线几何形状的相似度来判断序列之间的相关程度，对于数据量的多少及是否服从典型分布等无特殊要求，灰色关联度值越大，表示关联度程度越高。
2.2 极限学习机理论
极限学习机(ELM)是黄广斌等人于2006年提出的一种改进的单隐层神经网络模型[6]。ELM在计算速度和精度方面都具有优势，被广泛应用于回归和分类问题中。为了进一步增强ELM算法的鲁棒性，引入智能优化算法对其输入层和输出层的权值和阈值进行调整。优化的目标是最小化ELM的预测误差，即使模型的回归结果更接近真实值。
2.3 遗传算法
遗传算法(GA)是根据自然界的生存法则“优胜劣汰，适者生存”的遗传规律建立起来的全局寻优算法。对于可行解构成的初始种群通过选择、交叉和变异三种算子对种群进行寻优，根据个体适应度再进行优胜劣汰，留下适应度最好的个体构成新种群，即最优解。由于其具有坚实的生物学基础，对生物智能的模拟具有鲜明的认知学意义，并适合于各种类实际问题，具有广泛的应用价值[7]。针对ELM隐含层权重选择的问题，利用GA良好的全局搜索能力寻得最优参数，以建立GA-ELM模型。
3 贵州省中长期电力负荷预测
3.1 影响因素分析
考虑到贵州省域特性，贵州省年度用电量由2004年的583.26亿千万时增长到2017年的1384.9亿千瓦时，14年间贵州省年度用电量整体呈快速增长趋势。
为准确提取其电力负荷的影响因素，文本在考虑其GDP、产业结构、人口等常见指标外，增加了能源消耗总量因素，数据均来自于《贵州省统计年鉴》。因不同序列的量纲和数量级不同，为消除不同量纲带来的影响，需首先将所有序列值进行无量纲归一化处理。
结果以灰色关联度0.8为界，分析13个指标提取出8个影响因素，按关联程度由大到小排序为：GDP、能源消耗总量、城市化率、人均GDP、第三产业占比、人口、第二产业占比、年平均气温。其中能源消耗总量主要用于第二产业中的工业消耗，和工业用电量有很大的关联程度；与此同时城市化率的提升也会促进能源消耗，城市常住人口增多自然会提升全社会用电量。居民的消费水平的提升则会促进各行各业的加速发展，经济的发展会提升用电负荷；气候因素也会影响电器设备的使用，温度和降雨也会增加或降低用电量。因此需综合考虑以上几类因素来进行贵州省电力负荷的预测。
3.2 模型训练
本文将2004年至2012年的电力负荷相关数据作为训练值，对2013年至2017年的电力负荷进行预测。对于遗传算法的初始参数设置经过经验验证，设遗传终止代数为100，种群数量为30，遗传代沟为0.9，交叉验证次数为5，此时训练集的MSE值为0.0039，训练拟合结果良好。
3.3 预测及评价
将训练好的GA-ELM模型用于预测，使用2013年至2017年的真实电力负荷数据与预测值进行验证，可以得到以下结果：2013-2017年，使用GA-ELM的预测结果分别为1118、1152、1166、1239、1348亿千瓦时，与真实预测值拟合程度较高。后续利用平均相对误差进行指标评价，GA-ELM每年的误差均在5%，其中2015年的误差只有1.4%；而灰色GM模型的平均预测误差则为11.1%，远不如本文所提出的预测模型。由此可知，GA-ELM的预测误差更小，对真实电力负荷值的拟合度更高，更适用于贵州省中长期电力负荷预测。
4 结论
本文利用灰色关联度分析研究了影响贵州省中长期电力负荷的影响因素，提取出8个主要影响因素，应积极关注经济、产业结构、人口及居民生活水平、气候、能源消耗各方面的变化对电力负荷的影响，对后续预测精度的提升有积极作用。本文提出的GA-ELM模型并对贵州省2013年至2017年的年度电力负荷进行预测，与传统的GM(1,1)预测相比效果更好，说明GA-ELM模型更适用于多因素影响，小样本数据的预测，对今后的电力负荷预测模型的建立有一定的借鉴意义。
参考文献：
[1]张志,杜延菱,崔慧军,汪洋,贺哲,赖晓文.考虑关联因素的智能化中长期电力负荷预测方法[J].电力系统保护与控制,2019,47(02):24-30.
[2]崔和瑞,刘冬.区域电力负荷中长期预测复杂性研究[J].华东电力,2011,39(08):1233-1237.
[3]邱立军,付霖宇,董琪,顾钧元.基于遗传算法优化参数SVM的备件需求预测研究[J].兵器装备工程学报,2018,39(04):88-91+96.
[4]肖先勇,葛嘉,何德胜.基于支持向量机的中长期电力负荷组合预测[J].电力系统及其自动化学报,2008(01):84-88.
[5]耿立艳,丁璐璐.基于灰关联分析的最小二乘支持向量机物流需求预测[J].物流技术,2013,32(19):130-132+135.
[6]Huang G B, Wang D H, Lan Y. Extreme learning machines:a survey[J].International Journal of Machine Learning and Cybernetics,2011,2(2):107-122.
[7]马永杰,云文霞.遗传算法研究进展[J].计算机应用研究,2012,29(04):1201-1206+1210.