久久精品国产99久久,宿舍4攻1受把腿张开小说

本文以電力系統(tǒng)負(fù)荷預(yù)測(cè)為切入點(diǎn)，從市場(chǎng)主體實(shí)用的角度出發(fā)探討系統(tǒng)負(fù)荷預(yù)測(cè)的基本研究思路,，并提出了一套具體方法供讀者參考,。

1電力系統(tǒng)負(fù)荷預(yù)測(cè)對(duì)市場(chǎng)主體的必要性

電力系統(tǒng)負(fù)荷作為影響價(jià)格的強(qiáng)相關(guān)影響因素，對(duì)市場(chǎng)主體進(jìn)行中長(zhǎng)期交易分析有著重要參考意義,。因此電力系統(tǒng)負(fù)荷預(yù)測(cè)作為輔助決策依據(jù),，能在一定程度上指導(dǎo)電力交易員規(guī)避交易風(fēng)險(xiǎn)，幫助市場(chǎng)主體客觀分析市場(chǎng)形勢(shì),。因此,，在用戶負(fù)荷特性的研究之外，我們針對(duì)電力系統(tǒng)負(fù)荷預(yù)測(cè)也開展了一定的研究,。然而在與市場(chǎng)主體的交流和調(diào)研中我們發(fā)現(xiàn)：由于缺乏完備的數(shù)據(jù)來源,，某些在電力系統(tǒng)運(yùn)行中有著廣泛應(yīng)用的數(shù)據(jù)算法無法直接遷移。此外作為交易判斷依據(jù),，市場(chǎng)主體普遍希望預(yù)測(cè)算法能具備一定的解釋性,。同時(shí)預(yù)測(cè)方法總體應(yīng)從簡(jiǎn)，便于市場(chǎng)主體進(jìn)行調(diào)整或拓展,。

綜上,，我們將研究目標(biāo)定位為設(shè)計(jì)市場(chǎng)主體既能便于直接應(yīng)用，又可拓展研究的系統(tǒng)負(fù)荷預(yù)測(cè)方法,。目前先以短期負(fù)荷預(yù)測(cè)為切入,，逐漸推廣至中長(zhǎng)期分析，希望能幫助市場(chǎng)主體更好地適應(yīng)市場(chǎng)變化,，規(guī)避風(fēng)險(xiǎn),。

本文以講解預(yù)測(cè)思路和方法為主，摘錄了萬里揚(yáng)能源科技研究團(tuán)隊(duì)近期發(fā)表的負(fù)荷預(yù)測(cè)技術(shù)研究主題相關(guān)論文（EI檢索）部分內(nèi)容,，以沿海某省運(yùn)行日系統(tǒng)負(fù)荷預(yù)測(cè)為例,，展示了團(tuán)隊(duì)如何一步步將預(yù)測(cè)算法精度和實(shí)用性提高的過程。本文在闡述的過程中不可避免引入部分公式,，但均有簡(jiǎn)單的示意和解釋,。希望讀者朋友能各取所需，有鉆研精神的大神可深入研究公式背后的含義,，像小編一樣懶于動(dòng)腦但又想了解專業(yè)研究?jī)?nèi)容的朋友也必過度費(fèi)神,，遇到一時(shí)看不懂的地方也不必焦慮,，可以先行收藏，需要用時(shí)再翻出來斟酌,。

2.1刪繁就簡(jiǎn),，利用多元回歸確立預(yù)測(cè)基本方法

電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力系統(tǒng)運(yùn)行安排的必需支撐，也有許多成熟的相關(guān)研究和應(yīng)用方法,，如考慮負(fù)荷近期變化趨勢(shì)的時(shí)間序列分析法,、負(fù)荷求導(dǎo)法，考慮負(fù)荷關(guān)聯(lián)因素的回歸,、參數(shù)估計(jì)或神經(jīng)網(wǎng)絡(luò),，考慮負(fù)荷分類特征的灰度預(yù)測(cè)法、多種距離聚類算法以及考慮實(shí)際運(yùn)行經(jīng)驗(yàn)的相似日法,、負(fù)荷成因分析法等,。然而上述大部分負(fù)荷預(yù)測(cè)方法大多需要電網(wǎng)運(yùn)行數(shù)據(jù)或調(diào)度運(yùn)行經(jīng)驗(yàn)的支撐，并不可完全套用于市場(chǎng)主體,。實(shí)際上市場(chǎng)主體對(duì)系統(tǒng)負(fù)荷預(yù)測(cè)的需求也與電網(wǎng)運(yùn)行部門有所差異,。

我們通過相關(guān)前期調(diào)研和探討，認(rèn)為適用于市場(chǎng)主體的系統(tǒng)負(fù)荷方法應(yīng)具備下列幾個(gè)特征：1,、預(yù)測(cè)方法需完全基于市場(chǎng)公有信息和公布數(shù)據(jù),。由于市場(chǎng)主體無法掌握全面的電網(wǎng)運(yùn)行數(shù)據(jù)，因此某些在電網(wǎng)運(yùn)行負(fù)荷預(yù)測(cè)中表現(xiàn)優(yōu)良的數(shù)據(jù)模型或算法反而在市場(chǎng)主體側(cè)難以直接移植或套用,，不得不面臨“巧婦難為無米之炊”的困境,。因此作為交易決策的輔助手段，市場(chǎng)主體適用的預(yù)測(cè)方法應(yīng)完全基于市場(chǎng)公有信息和數(shù)據(jù)開展,；2,、預(yù)測(cè)方法的可解釋性強(qiáng)。便于在實(shí)用中進(jìn)行復(fù)盤修正,，根據(jù)實(shí)際信息和預(yù)測(cè)經(jīng)驗(yàn)不斷提高預(yù)測(cè)精確度,；3、預(yù)測(cè)方法允許一定的誤差,，但需保證復(fù)雜性低,，收斂性好，計(jì)算資源要求低,。避免交易員在交易分析時(shí)花費(fèi)過多的精力在調(diào)整參數(shù)、調(diào)通數(shù)據(jù)模型和分析因果等事項(xiàng),。

綜上,，我們?cè)谘芯控?fù)荷預(yù)測(cè)時(shí)優(yōu)先考慮使用回歸模型。本文以多元線性回歸作為基本方法為例,，通過對(duì)沿海某省近一年的工作日歷史負(fù)荷進(jìn)行回歸分析,。

研究案例省份近年歷史負(fù)荷數(shù)據(jù)示意

由于電力負(fù)荷在時(shí)間上具有一定的慣性,，我們首先嘗試以歷史負(fù)荷作為回歸變量進(jìn)行預(yù)測(cè)。首先,，考慮了該省市場(chǎng)實(shí)際負(fù)荷較運(yùn)行日日前負(fù)荷信息的發(fā)布時(shí)延,，簡(jiǎn)單粗暴地以目標(biāo)日和目標(biāo)日前兩個(gè)同類型日（考慮市場(chǎng)公有信息發(fā)布延時(shí)）建立了線性回歸模型。表達(dá)式如下所示：

其中,，xrl-day-2代表了運(yùn)行日D-2天的實(shí)時(shí)系統(tǒng)負(fù)荷,，yrl代表模型預(yù)測(cè)的運(yùn)行日系統(tǒng)負(fù)荷。

回歸模型建立后,，我們采用決定系數(shù)R2來評(píng)估模型的準(zhǔn)確度,。看到這的讀者朋友可能會(huì)有疑問：這個(gè)決定系數(shù)到底決定了什么呢,？原來,，線性回歸模型中因變量的實(shí)際值可認(rèn)為由兩部分組成：一部分源自自變量和因變量線性關(guān)系（SSR），代表回歸關(guān)系中可解釋的部分,。另一部分是來自自變量以外的其他無法預(yù)測(cè)因素的干擾（殘差干擾（SSE））,，不可用回歸關(guān)系解釋。為了得到較精確度線性回歸模型,，一般希望模型可解釋的部分占比越高,，無法被解釋的部分占比越小。即用于擬合的自變量對(duì)因變量具有決定性的影響作用,。因此定義了決定系數(shù)R2來反映因變量能通過回歸關(guān)系被自變量解釋的比例,，即回歸正確率。其表達(dá)式如下所示,。

由上述表達(dá)式可見決定系數(shù)R2總是一個(gè)[0,1]區(qū)間內(nèi)的值,。舉個(gè)例子，若R2=0.7,，即意味著該回歸模型的自變量和因變量間的回歸關(guān)系可解釋70%的因變量變化規(guī)律,。因此決定系數(shù)越趨近于1，則誤差越小,，回歸效果越好,，即模型精準(zhǔn)度越高。一般認(rèn)為R2達(dá)到0.8以上則模型有較好的擬合特性,。在我們的研究案例中,，通過僅以歷史負(fù)荷數(shù)據(jù)作為自變量進(jìn)行擬合所述的線性回歸模型R2的值約0.5911?？梢姰?dāng)前模型的準(zhǔn)確度明顯不足,，推測(cè)是還有未予考慮但與負(fù)荷強(qiáng)相關(guān)因素所致。

我們通過查閱負(fù)荷預(yù)測(cè)文獻(xiàn)和實(shí)地調(diào)研,，發(fā)現(xiàn)無論是學(xué)術(shù)研究還是行業(yè)生產(chǎn)上均認(rèn)為天氣條件對(duì)沿海省份的負(fù)荷影響較大,。因此我們?cè)跉v史負(fù)荷模型的基礎(chǔ)上嘗試加入了歷史天氣信息,，因此形成了第二階段的線性回歸模型，希望能顯著提升模型精度,。

其中,，L(weather data)是基于天氣數(shù)據(jù)的線性組合。在這個(gè)階段的模型里,，我們加入了該省兩個(gè)作為主要負(fù)荷中心的城市相關(guān)的天氣數(shù)據(jù),。

這里還出現(xiàn)了一個(gè)有趣的情況：天氣數(shù)據(jù)實(shí)際上包含著相當(dāng)豐富的要素，包括但不限于最高溫度,、最低溫度,、天氣狀況、濕度,、氣壓,、風(fēng)力和風(fēng)向等。由于前期未著重對(duì)于天氣條件這一要點(diǎn)開展充分調(diào)研,，因此我們無法直觀上認(rèn)定哪些天氣要素對(duì)負(fù)荷起到了關(guān)鍵的影響作用,，無奈之下只好將所有天氣信息都放入模型中。伴隨著天氣信息的不斷豐富,，模型的R2值確實(shí)較之前有所上升,，但卻在0.65左右停滯不前。即使多加入幾個(gè)城市的天氣信息,，R2值也僅獲得數(shù)個(gè)百分點(diǎn)的提升,。我們意識(shí)到一味粗暴地加入天氣信息無法進(jìn)一步提升模型精度，原因是某些和負(fù)荷弱相關(guān)的因素妨礙了回歸模型的有效擬合,。

此外,，堆砌海量的天氣信息導(dǎo)致模型的復(fù)雜度異常大，光是維護(hù)起來也夠嗆,。因此我們中止了加入更多參數(shù),，轉(zhuǎn)而尋求有效的方法，希望能篩除與負(fù)荷相關(guān)度低的要素,。

最終赤池法則脫穎而出被我們選中,，該方法原理是什么，又是如何解決問題的,，請(qǐng)?jiān)谙乱黄恼轮幸惶骄烤埂?/p>

作者：萬里揚(yáng)能源科技研究院