Page 55 - 电力与能源2023年第四期

邵佳佳，等：面向电力市场交易的客户电量预测技术研究 361

分量造成的影响作用。因此，在随机分量占比较 控期间。构造疫情封控特征，若当日处于疫情封
小或其震荡波动较小的场景下，上述模型具有较 控期间，则疫情封控特征为 1，否则为 0。在此基
好的预测效果。此外，在随机分量占比较大或其 础上，定义疫情封控日数特征，计算各月疫情封控
震荡波动较大的场景下，上述模型的输出可以作 特征为 1 的日数。
为电费专职人员的决策依据。 3.3 预测框架
整体预测框架如图 2 所示。首先，采用基于
3 面向电力市场交易的电量预测框架
季节趋势分解的电量预测方法，计算得到总体电
3.1 目标 量 的 预 测 数 值 ，记 为 A；其 次 ，采 用 XGBoost/
用 户 分 类 明 细 如 表 1 所 示 。 在 每 月 月 末 对 Light GBM 等集成学习方法，计算得到总体电量

表 1 所列用户类型的聚合电量进行隔月月度预 的预测数值，记为 B；接着，根据随机分量的总体
测。其中，一级分类包括保供和非保供，市场交易 占比大小及其历史震荡波动水平，在 A 和 B 中进
用户单列一类。保供用户细分为居民和农业，非 行选择；最后，若选择 A，则进一步根据预测月的
保供用户细分为一般工商业和大工业。考虑到不 气象、日历等特征的预期（例如是否受到台风、暴
同电压等级用户的用电行为存在差异，进一步将 雨等异常天气影响，是否受到疫情、贸易战等重大
二级分类划分为高压和低压。 事件影响），在预测结果的下限、基线、上限中进行

表 1 用户分类明细 选择。
一级分类 二级分类 三级分类
居民 −
保供 高压
农业
低压
低压
一般工商业
高压
非保供
低压
大工业
高压
低压 −
市场交易
高压 −
3.2 特征工程
将小时粒度/日粒度的气象、日历、疫情等非
电特征转换为月粒度的聚合、增广特征。其中，气 图 2 预测框架

象类型特征包括温度、湿度、降雨量及其派生；日
4 测试评估
历类型特征包括月份、月内工作日数、月内周末日
数、月内法定节假日数；疫情类型特征包括是否处 4.1 数据集
于疫情风控、月内疫情风控日数等。此外，考虑到 收集各用户分类的电量及同期非电特征的历
春节假期对电量的显著影响，单列春节节假日数。 史数据，时间范围为 2012 年 1 月至 2022 年 12 月，
部分重要特征的构建方式如下。 粒度为每月 1 点。
（1）相对温度。根据公式构造相对温度，其中 4.2 测试结果

的临界低温 T L 和临界高温 T H 是以相对温度 T R 与 对 2022 年 7~12 月的各用户分类的月电量建
同期电量的皮尔逊相关系数最大时的取值为准。 立预测模型，预测结果如表 2 所示。其中，机器学
ì T L - T (T < T L ) 习模型采用 XGBoost 算法构建。
ï ï
ï ï
(T > T H ) （1） 从用户分类看，居民、非保供、高压非保供一
T R = í T - T H
ï ï
ï ï 0 (T L ≤ T ≤ T H ) 般工商业低压、市场交易高压用户的预测效果较
î
（2）疫情封控。将 2022 年 4~6 月作为疫情封 为理想，所有月份的预测误差在 10% 左右；农业