需求預(yù)測應(yīng)用方法研究

徐普

摘要：需求預(yù)測應(yīng)用實施依然是按照跨行業(yè)標(biāo)準(zhǔn)數(shù)據(jù)挖掘流程開展，其不僅需要有對業(yè)務(wù)的洞察與業(yè)務(wù)數(shù)據(jù)的理解，也需要熟悉需求預(yù)測理論與工程應(yīng)用，從而實現(xiàn)需求預(yù)測驅(qū)動業(yè)務(wù)規(guī)劃與高效運(yùn)營的作用。雖然需求預(yù)測在各行業(yè)中實際應(yīng)用千差萬別，但其中基本的應(yīng)用步驟與實踐理論大體一致。電力需求預(yù)測以其應(yīng)用場景多、價值高，是需求預(yù)測研究應(yīng)用的典型代表。該文通過研究需求預(yù)測理論及其在電力需求預(yù)測中的應(yīng)用方法，梳理了需求預(yù)測中的關(guān)鍵步驟與常用方法，提供了需求預(yù)測在各行業(yè)中應(yīng)用的基本思路。

關(guān)鍵詞：需求預(yù)測??電力規(guī)劃??應(yīng)用場景??系統(tǒng)工程

中圖分類號：TP11???文獻(xiàn)標(biāo)識碼：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

需求預(yù)測是指根據(jù)需求的歷史數(shù)據(jù)及相關(guān)影響因素對未來的需求做出判斷的方法。由于需求預(yù)測是供應(yīng)鏈中原材料準(zhǔn)備及行業(yè)相關(guān)資源計劃的基礎(chǔ)，其一直是工業(yè)界進(jìn)行業(yè)務(wù)計劃與管理的重要內(nèi)容之一，其廣泛應(yīng)用于如供應(yīng)鏈庫存管理、電力規(guī)劃等[1]。有效的需求預(yù)測能提高運(yùn)營資源利用效率，從而提高行業(yè)競爭力。

前人對于需求預(yù)測涉及的算法模型已有大量理論研究[2]，但相對缺乏對這些模型在各行業(yè)實際項目應(yīng)用的適用性探討。由于行業(yè)需求場景、數(shù)據(jù)與系統(tǒng)等差異，一些算法在實驗數(shù)據(jù)上表現(xiàn)較好，但在行業(yè)數(shù)據(jù)與場景特異性因素的影響下難以應(yīng)用到實際生產(chǎn)中。這導(dǎo)致需求預(yù)測理論與實際應(yīng)用之間出現(xiàn)鴻溝。

盡管需求預(yù)測應(yīng)用存在差異，其中一些基本的流程以及相應(yīng)的數(shù)據(jù)處理與建模方法仍然有著很大的一致性。作為需求預(yù)測應(yīng)用的典型代表，電力需求預(yù)測有著豐富的應(yīng)用場景以及應(yīng)用價值[3]。通過電力需求預(yù)測的應(yīng)用研究，梳理了需求預(yù)測的主要步驟與一般方法，彌補(bǔ)了需求預(yù)測在各行業(yè)實踐應(yīng)用鴻溝，為需求預(yù)測更廣泛應(yīng)用提供基礎(chǔ)。

1?電力需求預(yù)測的意義

電力需求預(yù)測是根據(jù)經(jīng)濟(jì)社會發(fā)展、電力負(fù)荷、氣象等與電力需求相關(guān)的歷史數(shù)據(jù)來探索電力需求變化規(guī)律，尋求電力需求與各種相關(guān)因素之間的內(nèi)在聯(lián)系并預(yù)測未來的電力需求以供電力系統(tǒng)相關(guān)規(guī)劃及運(yùn)營活動的高效開展。

電力系統(tǒng)是現(xiàn)代化社會經(jīng)濟(jì)發(fā)展的重要基礎(chǔ)設(shè)施之一。其主要由發(fā)電、輸電、（變電）配電和用電這幾個主要環(huán)節(jié)組成。其主要的基礎(chǔ)設(shè)施包括發(fā)電廠、電力網(wǎng)、變電站及用電設(shè)備。世界各國發(fā)展經(jīng)驗表明，國民經(jīng)濟(jì)每增長1%，電力能源需要相應(yīng)增長1.3%～1.5%，才能為國民經(jīng)濟(jì)其他行業(yè)穩(wěn)步發(fā)展提供足夠的動力[4]。20世紀(jì)90年代后，有效的中長期電力資源規(guī)劃配置成了中國經(jīng)濟(jì)快速增長的保障。

由于發(fā)電、輸電、變配電和用電這些環(huán)節(jié)幾乎是實時進(jìn)行的，這個過程如何使需求與供給保持動態(tài)平衡，不對電力系統(tǒng)造成巨大波動等都需要對電力需求量或用電負(fù)荷做出合理的估計，以便在滿足需求的同時，電力系統(tǒng)保持平衡穩(wěn)定且相關(guān)資源得到合理有效的利用。以中長期電力需求預(yù)測為例，如果預(yù)測的結(jié)果比實際需求低，則可能導(dǎo)致發(fā)輸配電設(shè)施不足而造成缺電，影響正常社會生活和成為經(jīng)濟(jì)發(fā)展的瓶頸。相反，如果預(yù)測值偏高，有可能使發(fā)輸配電設(shè)備過剩，導(dǎo)致電力企業(yè)虧損及資源的閑置和浪費(fèi)。

2?電力需求預(yù)測應(yīng)用場景

CRISP-DM（Cross?Industry?Standard?Process?for?Data?Mining）是由歐洲委員會與幾家在數(shù)據(jù)挖掘應(yīng)用上有經(jīng)驗的公司共同籌劃組織的一個特別小組提出的，目前使用的CRISP-DM為該小組于2000年提出的數(shù)據(jù)挖掘標(biāo)準(zhǔn)化過程[5]。整體來看，需求預(yù)測仍然是按照跨行業(yè)數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程來實施的。按照這個標(biāo)準(zhǔn)流程，如圖1所示，電力需求預(yù)測步驟也可以分為需求預(yù)測場景分析，預(yù)測目標(biāo)確定，相關(guān)資料與數(shù)據(jù)收集分析，初步解決方案確定，方案實施、反饋與應(yīng)用這幾個主要步驟。

由于不同行業(yè)有著各行業(yè)的特點(diǎn)，而這些行業(yè)的特點(diǎn)及需求的場景決定了后續(xù)解決方案的設(shè)計。因此，需求預(yù)測應(yīng)用的業(yè)務(wù)場景理解與分析是需要首先實施的。電力系統(tǒng)需求預(yù)測在不同的場景下解決方案會不同，常見的電力需求預(yù)測場景如表1所示，通過描述梳理用戶的需求應(yīng)用場景及價值再結(jié)合數(shù)據(jù)等因素確定合適的解決方案。

從時間的維度來看，可以將電力需求預(yù)測分為中長期預(yù)測、短期與超短期預(yù)測。中長期預(yù)測主要為年度和月度預(yù)測，其主要應(yīng)用于相對宏觀的計劃；短期預(yù)測主要為未來每日負(fù)荷需求預(yù)測，其主要應(yīng)用于短期的資源調(diào)度；超短期預(yù)測則為當(dāng)日的時分預(yù)測，其主要特點(diǎn)是結(jié)合了當(dāng)日時間節(jié)點(diǎn)的負(fù)荷數(shù)據(jù)，以提高當(dāng)日預(yù)測精度并實現(xiàn)對當(dāng)日負(fù)荷變化進(jìn)行預(yù)測性監(jiān)測。

從空間維度來看，可以是行政地域物理位置上的分區(qū)預(yù)測；也可以是像子母線節(jié)點(diǎn)這樣的虛擬空間分區(qū)預(yù)測。

從預(yù)測輸出的結(jié)果來看，可以是單點(diǎn)預(yù)測，如平均值、最大（?。┲档龋豢梢允菂^(qū)間預(yù)測，如一定置信度下的區(qū)間預(yù)測值；也可以是連續(xù)值，如連續(xù)多日負(fù)荷曲線等。

需要注意的是，從各維度出發(fā)的預(yù)測最終會發(fā)生多級協(xié)調(diào)問題。比如：年度預(yù)測產(chǎn)生的值可能和分月度預(yù)測匯總后產(chǎn)生的值不一致，有時甚至差距十分大。這種情況下，需要通過一定的方法進(jìn)行多級協(xié)調(diào)。比較直觀的一種方式是以某一個比較可信的級為基準(zhǔn)，協(xié)調(diào)其他級的預(yù)測值。

3?電力需求預(yù)測常用模型與方法

電力需求預(yù)測的方法主要可以分為經(jīng)驗判斷法、參數(shù)化模型法以及組合預(yù)測方法。其中，參數(shù)化模型法又可以分為基于時間序列的單變量模型方法和基于多變量的參數(shù)化模型方法。根據(jù)電力需求預(yù)測應(yīng)用的場景以及相關(guān)數(shù)據(jù)情況選擇一種或多種方法，最終形成對電力系統(tǒng)規(guī)劃的支撐。研究者更傾向于對有強(qiáng)大數(shù)據(jù)支撐的定量預(yù)測模型和綜合性及容錯性更強(qiáng)的組合預(yù)測模型的研究應(yīng)用，將定性預(yù)測方法作為科學(xué)預(yù)測的輔助工具。

對于長期用電需求預(yù)測而言，預(yù)測更多的依靠對社會經(jīng)濟(jì)發(fā)展的估計，同時輔以歷史年度的用電量及裝機(jī)量等數(shù)據(jù)分析。對于中期用電需求預(yù)測而言，一般會基于一定范圍內(nèi)的用電需求歷史數(shù)據(jù)建模，再輔以人工的決策。而對于短期與實時預(yù)測，更多是基于相關(guān)數(shù)據(jù)建模實現(xiàn)的智能輔助資源調(diào)度。

電力負(fù)荷隨著人們的電力需求變化本身有著一定的特性。電力需求與人們的生產(chǎn)生活節(jié)律密切相關(guān)，而生產(chǎn)生活又受到季節(jié)、天氣等因素影響，因此電力需求在具有一定隨機(jī)性的同時具有一定的內(nèi)在規(guī)律，比如白天高、深夜低等。從用電負(fù)荷的分類來看，一個地區(qū)的總負(fù)荷是該地區(qū)工業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷、商業(yè)負(fù)荷以及居民用電負(fù)荷等負(fù)荷的總和。工業(yè)負(fù)荷變化相對比較平穩(wěn)；農(nóng)村用電在總負(fù)荷中所占的比例較小，受季節(jié)的影響較大；商業(yè)負(fù)荷與居民用電一般呈現(xiàn)白天高，深夜低。

根據(jù)電力需求的特性，行業(yè)專家可以根據(jù)一定區(qū)域產(chǎn)業(yè)及經(jīng)濟(jì)狀況做出電力需求的合理判斷。比如：根據(jù)第一、二、三產(chǎn)業(yè)耗電歷史數(shù)據(jù)獲得該地區(qū)電力的基本需求。在子母線負(fù)荷預(yù)測中，行業(yè)也常常采用子母線配比因子法進(jìn)行估計。在宏觀年度用電量需求的預(yù)測中，人們往往通過對未來可能發(fā)生的情景及發(fā)展趨勢的研究，設(shè)置不同的需求擋位，比如高、中、低三種可能發(fā)生的場景，并基于現(xiàn)有的條件和合理的推測，綜合分析內(nèi)外部相關(guān)因素做出合理的假設(shè)和判斷。表2對比分析了常用的定性及簡單需求預(yù)測方法。

參數(shù)化模型法主要依靠電力需求相關(guān)的數(shù)據(jù)通過建立合適的參數(shù)化模型并對未來進(jìn)行預(yù)測。在需求預(yù)測中常用的參數(shù)化模型方法大致可以分為兩大類，一類是基于時間序列的單變量模型，比如灰度模型（Grey?Model，GM）和差分自回歸移動平均（Autoregressive?Integrated?Moving?Average，ARIMA）；一類是基于多變量的模型，比如多元線性回歸和決策樹等。同時，近幾年深度學(xué)習(xí)模型如LSTM（Long?Short-Term?Memory）可以同時適用于單變量和多變量的情況?？傮w來講，參數(shù)化模型方法更依賴于質(zhì)量更高、維度更全面和顆粒度更細(xì)的歷史數(shù)據(jù)。

其中灰度模型和ARIMA這兩種參數(shù)化模型及其變種經(jīng)常被應(yīng)用于年度或月度的電力預(yù)測中。很多文獻(xiàn)研究表明這兩種方法在顆粒度較大的預(yù)測中有相對較好的效果。相關(guān)的研究很早就有，后續(xù)人們又在這些基礎(chǔ)模型上提出了很多優(yōu)化方法，比如羅松山使用優(yōu)化的灰度模型應(yīng)用于電力需求預(yù)測中[6]。

決策樹、支持向量回歸（Support?Vector?Regression，SVR）、集成模型（隨機(jī)森林、梯度提升樹）等，這些統(tǒng)計機(jī)器學(xué)習(xí)模型也廣泛被應(yīng)用于各顆粒度的預(yù)測。這類模型能有效處理影響電力需求相關(guān)因素（如天氣等）特征，因此在高精度預(yù)測模型中，其往往有較好的表現(xiàn)。張一舉通過使用氣溫、季節(jié)、節(jié)假日等因素并結(jié)合每日負(fù)荷歷史數(shù)據(jù)使用SVR進(jìn)行短期電力負(fù)荷預(yù)測[7]。

近年來，隨著深度學(xué)習(xí)算法的廣泛應(yīng)用，越來越多的短期或超短期電力需求預(yù)測使用了相關(guān)的算法。比如，洪小林通過使用改良的LSTM算法對4種場景的數(shù)據(jù)進(jìn)行模擬預(yù)測取得了較好的效果[8]。這類算法在海量樣本中能自動提取有效特征并做出預(yù)測，但這類算法相對復(fù)雜，其對數(shù)據(jù)質(zhì)量及人員的能力要求也相對較高。表3對比分析了需求預(yù)測中幾種代表的參數(shù)化模型方法。

另外，在參數(shù)化模型實際運(yùn)用中，區(qū)間估計應(yīng)用價值一般優(yōu)于點(diǎn)估計，因為置信區(qū)間估計能有效指導(dǎo)運(yùn)營人員對于未來需求范圍的把握。如果僅僅是一個點(diǎn)估計，在實踐中往往會在預(yù)估值的基礎(chǔ)上增加一定的需求余量，以預(yù)防供給不足的情況。

由于每種算法都有其特點(diǎn)及局限性，單一模型的表現(xiàn)有時缺乏魯棒性，人們發(fā)現(xiàn)組合多種模型的效果往往相比單一模型有較好的表現(xiàn)。常用的組合有單一模型加專家經(jīng)驗，多種模型平均權(quán)重組合等。比如：牛成林等人在短期負(fù)荷預(yù)測中通過決策樹模型結(jié)合專家系統(tǒng)在實例預(yù)測分析中顯示相對于單獨(dú)的決策樹模型，結(jié)合專家經(jīng)驗后預(yù)測結(jié)果更接近實際情況[9]。

近年來，隨著智能電表等智能終端設(shè)備系統(tǒng)的推廣，與之相適應(yīng)的基于細(xì)顆粒度的終端電力需求預(yù)測也表現(xiàn)出很好的效果。WANG?Y等人就通過對細(xì)顆粒度的終端數(shù)據(jù)進(jìn)行建模，其結(jié)果表現(xiàn)優(yōu)于傳統(tǒng)方法[10]。隨著電網(wǎng)中高比例可再生能源及電子設(shè)備滲透率的提高，電力系統(tǒng)的運(yùn)行形態(tài)將發(fā)生深刻變化，基于經(jīng)驗選擇的電力系統(tǒng)方式分析，越來越難以應(yīng)對電力系統(tǒng)運(yùn)行、規(guī)劃、保護(hù)和穩(wěn)定分析的要求[11]。

4?電力需求預(yù)測的難點(diǎn)分析

需求預(yù)測的難點(diǎn)在于需求受到多種因素的影響，其在復(fù)雜多變的情境下會變得不可預(yù)測。中長期電力負(fù)荷與當(dāng)?shù)厝丝凇⒔?jīng)濟(jì)、氣候及未來發(fā)展等諸多因素有著密切的關(guān)系，比如人口或產(chǎn)業(yè)結(jié)構(gòu)的逐漸變化會帶來電力需求的長期變化。僅僅根據(jù)電力負(fù)荷歷史數(shù)據(jù)或結(jié)合部分因素進(jìn)行建模，其實踐結(jié)果往往并不令人滿意。同時，一些突發(fā)事件，如天氣突變等都會導(dǎo)致電力負(fù)荷具有明顯的隨機(jī)性和波動性。這些因素都使得電力負(fù)荷預(yù)測變得相對困難。

而且，隨著以電代煤、以電代油等政策的實施，這些新的需求在歷史數(shù)據(jù)中并沒有完全體現(xiàn)，會使得基于參數(shù)化模型方法的電力預(yù)測結(jié)果有偏低的傾向。同時，新型低碳化能源優(yōu)先入網(wǎng)政策使得這種波動性，隨機(jī)性相對較高的能源也成為一個需要在預(yù)測中考慮的因素。

5?結(jié)語

需求預(yù)測常常是資源規(guī)劃的起點(diǎn)和基礎(chǔ)。盡管需求預(yù)測在劇烈變化的外部環(huán)境下會更難實施，但在各種約束條件下可以選擇相對合適的與之對應(yīng)的方法。電力行業(yè)需求預(yù)測是需求預(yù)測的典型代表，需要根據(jù)不同的應(yīng)用場景以及數(shù)據(jù)情況設(shè)計與之相適應(yīng)的模型。電力需求預(yù)測不僅僅是一個或幾個基于歷史數(shù)據(jù)的預(yù)測模型，更多的是如何結(jié)合行業(yè)實踐經(jīng)驗與實際應(yīng)用場景，設(shè)計實施能有效解決電力系統(tǒng)規(guī)劃運(yùn)營過程中資源規(guī)劃與優(yōu)化的問題。同時，在日常運(yùn)營中，需求預(yù)測結(jié)果往往需要與現(xiàn)行的運(yùn)營系統(tǒng)做一定的集成，以實現(xiàn)自動化、智能化，從而提高資源利用率與運(yùn)營效率。

參考文獻(xiàn)