基于因子分解机的月售电量预测模型

基于因子分解机的月售电量预测模型

林永春

国网信通亿力科技有限责任公司 350003

【摘要】由于各种外部因素的影响，春假前后的月度售电量预测一直存在较大误差。本期旨在呈现基于X12时代分解法的完整预测模型、ARIMA模型和中度去污机。一是采用X12周期细分法，将月度售电量历史数据转化为趋势项、时间项和随机项；然后采用ARIMA模型和历史数据平均法对趋势要素、随机要素和时间要素进行预测。该算法对春节1-3月历史售电量季度率和对应月份第一天的天数进行回归分析，对预测结果进行复核。结果表明：利用Eviews软件对历史数据进行统计和计算，将预测结果与传统的ARIMA模型和TRAMO-SEATS模型进行对比，大大提高了他的预测能力。

【关键词】因子分解机；月度售电量；预测模型

月售电量是评价发电行业业绩和评价行业的重要经济指标。 月度售电量反映了发电公司的售电能力和管理水平，因此受到了各级发电行业的广泛关注。 准确的月度售电量预测可为企业制定用电计划、售电计划和设备维护计划提供依据，确保电厂正常运行，降低经营成本，改善经济社会。 给电力行业带来好处。 因此，能够提高月度售电量预测的准确性非常重要。

1 电量预测模型的相关概述

电量预测是指根据相关历史数据预测一个地区在给定时间段内的电力消耗的过程。这里所指的相关数据包括历史用户用电量数据、当地天气数据、经济发展数据等数据，都是有影响的。其中，用户的历史用电量是一个重要数据。在收集到上述相关数据后，建立与数据性质相对应的模型，对电量进行预测并分析结果。功率预测有很多分类，包括根据最预期时间段的长度进行分类。短期预测一般可分为（超）短期预测、中期预测和长期预测。虽然上述三种预测方法之间的差异反映在它们的持续时间上，但它们在实际工程中都有各自的作用：

表1-1 以预测时间为依据的电量预测类型

我国电量预测研究始于1970年代，因为新兴电力系统规模相对较小。消费者对电力质量的要求不高，因此对电量预测的研究没有得到广泛研究，也没有一个单一的章程来全面介绍能源预测。然而，本世纪初，随着我国第一次电力改革，电网规模明显扩大，消费者用电需求也随之增加。因此，一些科学家开始对电量预测进行深入研究。但是，第一次电改没有售电公司，没有体现用电预测的真正工程价值，对用电预测的研究就搁置了。在2015年第二次能源改革开始之前，售电公司出现了耗时，成为售电新市场的话题。

大多数消费者将不再直接从国家电网部门购买电力，而是从售电公司代理售电到售电市场。这就要求售电公司有一个高精度、适应性广的用电量预测机制和方案，所以用电量预测得到了真正意义上的科学研究。到目前为止，国内外研究人员已经开发出不同的电量预测模型。

目前国内外学者对售电（用电量）的研究方法主要是在负荷预测的基础上发展起来的，但在电量预测领域也取得了优异的成绩。在文献中，虚变量被用作改进时间序列模型以预测电力的方向。它不仅使用带有假想变量的改进模型，它使用前几年的电力数据作为模型的关键一致因素，而且还使用电力消耗、气候引起的误差和不规则变化作为影响变量。模型，因此用于预测 上述三个变量过程的相互作用产生了反映区域电力发展趋势的交互影响，显示了时间序列模型在预测平稳时间序列方面的效率，与预期的预测精度相对应。

2 计及春节调整因素与因子分解机的预测结果修正模型

2.1春节调整因素分析

季节变化将对售电量的预测结果产生较大影响。由于春节是农历新年，而且春节的公历时间每年都有所不同，因此春节期间会出现企业停业、工厂停工、春节出游等情况。因此，提高了准确性。春节售电量预测可以用来预测每月的售电量，对准确度的整体提升有很大帮助。

本文选取季度比例（历年1-3月第一季度月度历史售电量占比）作为预测月度售电量的春节修正方法。某城市2013年至2018年一季度售电量季度占比如图1所示。2013年至2018年春节日期分别为2月10日、1月31日、2月19日、2月8日、1月28日、2月16.从图1可以看出，春节越早，1月季率越低，3月季率越高，可见春节日期对于第一季度单月售电量占比有很大影响。

2.2 因子分解机模型及其实现

因子分解机（factorizationmachine，FM）是一种基于矩阵分解的机器学习算法，相较于传统的线性模型，FM算法在线性模型中增加了新的交叉特征及其对应的权值。在春节因素与占季比的原数据集中，输入为当月首日距春节时长和月份，输出为占季比，针对这2

个特征间的关系给出因子分解机模型。

3算例分析

3.1历史数据

本文使用2013年1月-2018年12月的月度售电量数据预测2019年全年月度售电量。某地级市月度售电量如表3-1所示。

表3-1 某地级市月度售电量×104k W·h

3.2 结果分析

2013年1月-2018年12月售电量数据曲线如图3-1所示。

总售电量及各分量变化趋势

将售电量数据分解为趋势分量TC、季节分量SF及随机分量IR，售电量分解图如图3-2所示。由图3-2可知，趋势分量Y_TC呈现明显上升趋势，季节分量Y_SF周期性变化，随机分量Y_IR变化无规律。

结束语

针对春节前后月度售电量预测准确度较差的实际问题，提出一种基于燃气影响因子分解机（FM）算法的月度售电量预测模型。X12季节调整模型用于将趋势数据分散为季节分量、季节分量和随机分量，而ARIMA(p,d,q)模型和历史均值法用于预测趋势分量、季节分量和随机性。通过计算产品得到预预测的结果；考虑到影响春节调整的因素，1-3月首日时长按比例采用因素分解机算法。春节前的季节，同时使用拟合模型对初步预测结果进行修正。一季度月度售电量预测的准确性。通过算例验证了所提算法的有效性。

参考文献

[1]顾默,赵兵,陈昊.基于时间卷积网络与图注意力网络的分行业日售电量预测方法[J].电网技术,2022,46(04):1287-1297.

[2]刘莉,王彦博,庞新富,耿赫男.基于STL模型的月售电量综合预测方法[J].控制工程,2020,27(11):1930-1936.