麥琪（廣東電網(wǎng)有限責(zé)任公司東莞供電局，廣東 東莞 523000）

?

基于電量分析的配網(wǎng)用戶用電需求量預(yù)測研究

麥琪
（廣東電網(wǎng)有限責(zé)任公司東莞供電局，廣東 東莞 523000）

摘要：準(zhǔn)確預(yù)測用戶電量需求對于市場競爭環(huán)境下的電網(wǎng)公司、工商業(yè)、居民用戶來說具有重要意義。簡單綜述了國內(nèi)外電量預(yù)測理論，包括灰色理論、人工神經(jīng)網(wǎng)絡(luò)理論等，闡述了GM（1，1）模型和BP模型預(yù)測電量需求的原理。詳細(xì)介紹了電力市場電量需求預(yù)測的幾種實(shí)際經(jīng)常使用的方法，包括經(jīng)濟(jì)模型法、綜合分析法、分析預(yù)測法及其他方法等。最后，以電力彈性系數(shù)法為例，基于廣州市2000年～2008年的市用電量歷史數(shù)據(jù)，對其2009年用電量需求進(jìn)行了預(yù)測分析。同時(shí)，簡要給出了提高電量預(yù)測準(zhǔn)確率的一些措施，建議將近年來發(fā)展的機(jī)器學(xué)習(xí)算法等運(yùn)用到電量需求預(yù)測中，對于“電網(wǎng)-用戶-售電商-負(fù)荷集成商”等多主體的用電供需友好互動(dòng)將具有重要的指導(dǎo)和參考意義。

關(guān)鍵詞：電量需求；預(yù)測；灰色理論；人工神經(jīng)網(wǎng)絡(luò)理論；電力彈性系數(shù)；供需互動(dòng)

本文引用格式：麥琪.基于電量分析的配網(wǎng)用戶用電需求量預(yù)測研究［J］.新型工業(yè)化，2016，6（6）：50-59.

Citation： MAI Qi.Study of Distribution Network Users Power Consumption Demand Forecasting based on Electricity Analysis［J］.The Journal of New Industrialization，2016，6（6）： 50-59.

0 引言

電網(wǎng)公司的負(fù)荷特征、用戶構(gòu)成及其用電量發(fā)生了較大的變化，對深度電量分析及預(yù)測、以及營銷管理與服務(wù)工作提出了更高的要求。目前，我國的負(fù)荷/電量預(yù)測對象相比國外比較粗放，無法精準(zhǔn)把握具體行業(yè)或大用戶的用電特性，難以進(jìn)行精細(xì)化預(yù)測，對市場營銷工作的精細(xì)化管理與深度開發(fā)作用有限。在大數(shù)據(jù)分析的趨勢下，系統(tǒng)分析電量信息與多源信息的特性及相關(guān)性，對營銷管理與服務(wù)提升工作大有裨益。目前這方面的工作較為欠缺，盡管行業(yè)景氣指數(shù)及其分析能夠整體把握行業(yè)的經(jīng)濟(jì)狀況，也能分析行業(yè)變動(dòng)狀況，但未能有效應(yīng)用于電力工業(yè)上。

研究預(yù)測用電量有助于了解電力消耗發(fā)展趨勢［1-5］：對于企業(yè)來說，可輔助其確定節(jié)能方法，實(shí)施節(jié)能減排，提高單位能耗產(chǎn)值；對于電力企業(yè)來說，對其實(shí)施合理的發(fā)電調(diào)度意義重大。根據(jù)電力用戶分類，電量需求預(yù)測可分為居民、工商業(yè)用戶電量需求預(yù)測等；根據(jù)預(yù)測方法，則可分為人工智能法、統(tǒng)計(jì)分析法、經(jīng)濟(jì)計(jì)量分析法、終端能源需求分析法、軟件逐時(shí)動(dòng)態(tài)模擬法等。

本文首先對國內(nèi)外電量預(yù)測理論進(jìn)行了探究；其次，詳細(xì)介紹了電力市場需電量預(yù)測常用方法，包括經(jīng)濟(jì)模型法、綜合分析法、分類預(yù)測法及其他方法等，并針對綜合分析法中的電力彈性系數(shù)法，結(jié)合廣州市的歷史用電量數(shù)據(jù)，進(jìn)行了算例分析，表明該方法的有效性和實(shí)用性；最后，結(jié)合國內(nèi)相關(guān)研究，探討了提高電量預(yù)測準(zhǔn)確率的措施。

1 國內(nèi)外電量預(yù)測理論研究

如前所述，準(zhǔn)確預(yù)測居民、工業(yè)和商業(yè)用戶電量需求對于電力企業(yè)實(shí)施節(jié)能發(fā)電調(diào)度具有重要意義，而如能準(zhǔn)確預(yù)測某地區(qū)的用電趨勢，則對該地區(qū)用戶企業(yè)和電網(wǎng)公司都具有積極的意義。目前，國內(nèi)外開展電量預(yù)測使用的方法主要集中于人工智能方法、統(tǒng)計(jì)分析法和經(jīng)濟(jì)計(jì)量法等。而自20世紀(jì)80年代以來，數(shù)學(xué)理論和人工智能方法在電力系統(tǒng)電量需求預(yù)測中得到了發(fā)展，尤其以灰色理論及人工神經(jīng)網(wǎng)絡(luò)理論應(yīng)用較為廣泛。

1.1 灰色理論預(yù)測電量需求

灰色理論預(yù)測電量需求關(guān)鍵在于建立灰色模型（Grey Model，GM），而建立GM的方法包括數(shù)列預(yù)測、災(zāi)變預(yù)測、拓?fù)漕A(yù)測和綜合預(yù)測［1］。一般采用數(shù)列預(yù)測方法，即通過對居民、工業(yè)和商業(yè)用戶的用電量數(shù)據(jù)進(jìn)行變換，得到生成數(shù)列，利用該數(shù)列得到規(guī)律性較強(qiáng)的生成函數(shù)，建立該函數(shù)的微分方程模型來預(yù)測未來的用電需求量?；跀?shù)列預(yù)測法的GM不受模型樣本是否存在統(tǒng)計(jì)規(guī)律、統(tǒng)計(jì)規(guī)律是否為典型過程的限制，具有模型簡單、數(shù)據(jù)量小、預(yù)測精度高、適用性強(qiáng)等優(yōu)點(diǎn)，可用于短期預(yù)測，也可用于中長期預(yù)測［2，3］?；贕M的灰色理論預(yù)測電量需求不是把用戶的用電觀測數(shù)據(jù)視為一個(gè)隨機(jī)過程，而是看作隨時(shí)間變化的灰色量或灰色過程［4］，通過累加生成或累減生成的方法逐步使灰色量白化，使得原本沒有規(guī)律或規(guī)律性不強(qiáng)的數(shù)列變成一個(gè)有較強(qiáng)規(guī)律性的數(shù)列，從而建立相應(yīng)的微分方程模型并做出預(yù)報(bào)來預(yù)測未來的電量需求［5］。

GM是核心，而GM（1，1）則是最常用、最簡單的一種GM，它由一個(gè)只包含單變量的一階微分方程構(gòu)成。GM具有一定的精度，計(jì)算過程簡單，但其只考慮了售電量本身，并不涉及其他對售電量影響的因素，如GDP。利用GM（1，1）不僅考慮了售電量本身的多種確定性、不確定性因素的共同影響，還綜合了各種主要影響因素對售電量的影響，從而降低對模型預(yù)測結(jié)果的影響程度，有效提高并保證售電量預(yù)測的準(zhǔn)確性和有效性。結(jié)合文［6］，基于GM（1，1）的電量需求預(yù)測建模包括：a）首先對用戶用電量原始數(shù)據(jù)進(jìn)行一次累加得到生成數(shù)列，假設(shè)原始數(shù)據(jù)數(shù)列為X（0）=［ X（0）（1），X（0）（2），…，X（0）（n）］，得到一次累加數(shù)列為1-AGO （Accumulated Generating Operation，AGO），即X（1）=［X（1）（1），X（1）（2），…，X（1）（n）］，其中X（1）（k）= X（0）（1）+ X（0）（2）+…+X（0）（k），k=1，2…，n。經(jīng)過一次累加變換，原始用電量數(shù)列中壞數(shù)的影響被弱化了，可使其變?yōu)檩^有規(guī)律的生成數(shù)列再建模。而我們可知X（1）（k）具有指數(shù)增長規(guī)律，而一階微分方程的解也具有指數(shù)增長的形式，則可認(rèn)為新生成的序列滿足如下形式的一階線性微分方程模型，即得到如下的一階白化微分方程：

式中，α為GM（1，1）的發(fā)展參數(shù)，反映原始用電量數(shù)列X（0）及一次累加數(shù)列X（1）的發(fā)展趨勢；u為協(xié)調(diào)系數(shù)，反映數(shù)據(jù)間的變換關(guān)系。

b）求解α和u。α和u作為待求解參數(shù)，可利用最小二乘法求解得到，求解方程如下：

其中，矩陣B和Y如下所示：

根據(jù)（2）式，將所求出的參數(shù) ?α和?u代入（1）式，則（1）式可變形為：

求解（5）式的解，即可得到灰色預(yù)測模型為：

c）進(jìn)行累減還原，即

1.2 人工神經(jīng)網(wǎng)絡(luò)理論預(yù)測電量需求

利用人工神經(jīng)網(wǎng)絡(luò)理論（Artificial Neural Network，ANN）來預(yù)測電量需求，充分利用神經(jīng)網(wǎng)絡(luò)具有優(yōu)良的學(xué)習(xí)功能以及輸入輸出變量非線性關(guān)系的能力，因此，該理論被廣泛應(yīng)用于建立用電量的預(yù)測模型［7］。基于ANN預(yù)測電量需求依據(jù)人們模擬人腦信息處理、儲(chǔ)存的檢索機(jī)制，將居民、工業(yè)和商業(yè)用戶的用電量預(yù)測ANN來代替，利用其非線性、自組織和大規(guī)模并行等優(yōu)點(diǎn)完成未來電量需求的預(yù)測。ANN模型的差異是由于人工神經(jīng)元結(jié)構(gòu)以及互聯(lián)方式的差異決定的，常見的模型主要包括：多層前饋神經(jīng)網(wǎng)絡(luò)（Multi-layer Feed-forward Neural Network，MFNN，也稱BP模型）、自學(xué)習(xí)的Kohonen自組織神經(jīng)網(wǎng)絡(luò)模型等。

利用BP模型可快速擬合任意復(fù)雜的非線性關(guān)系，當(dāng)用戶用電量數(shù)據(jù)具有一定量的樣本時(shí)，利用BP模型對其進(jìn)行專有的人工“訓(xùn)練”，便可自動(dòng)生成恰當(dāng)?shù)暮瘮?shù)關(guān)系，從而形成神經(jīng)網(wǎng)絡(luò)用于預(yù)測電量需求?；贐P模型的電量需求預(yù)測方法利用輸出后的誤差來估計(jì)輸出層的直接前導(dǎo)層誤差，如此一層一層反傳下去，即可獲得其他各層的誤差統(tǒng)計(jì)［7］。

而基于Kohonen自組織神經(jīng)網(wǎng)絡(luò)模型的電量需求預(yù)測方法則利用了Kohonen網(wǎng)絡(luò)的自組織性，通過輸入適當(dāng)?shù)呢?fù)荷樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行“訓(xùn)練”，得到的網(wǎng)絡(luò)便可以自動(dòng)完成對復(fù)合模式的分類。

相關(guān)研究中，文［8］提出了一種組合優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)模型，該模型根據(jù)GM（1，1）模型具有較好的增長特性的特點(diǎn)，對季節(jié)型時(shí)間序列的增長趨勢進(jìn)行建模，并根據(jù)ANN具有的較好描述復(fù)雜非線性函數(shù)能力的特點(diǎn)，對季節(jié)型負(fù)荷進(jìn)行建模，最終，根據(jù)最優(yōu)組合預(yù)測理論，建立了兼GM（1，1）和ANN優(yōu)點(diǎn)的最優(yōu)組合預(yù)測模型（GANN），較之其中任一單一式模型預(yù)測精度具有較好的改善。文［9］提出了一種基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)自適應(yīng)聚類神經(jīng)網(wǎng)絡(luò)，基于實(shí)際營銷數(shù)據(jù)實(shí)現(xiàn)了用戶用電量時(shí)間特征分析，所得結(jié)論對于電價(jià)的針對性調(diào)整以及合理地安排電力生產(chǎn)具有重要的參考價(jià)值。文［10］提出基于采用附加動(dòng)量和自適應(yīng)學(xué)習(xí)率的BP（back propagation）神經(jīng)網(wǎng)絡(luò)的全社會(huì)用電量預(yù)測模型，模型的輸入變量為本年度的GDP、一產(chǎn)用電量、二產(chǎn)用電量、三產(chǎn)用電量和城鄉(xiāng)居民用電量，輸出變量為下年度的全社會(huì)用電量，對1986～2005年的全社會(huì)用電量數(shù)據(jù)進(jìn)行了仿真，仿真結(jié)果表明該模型是有效的。

2 電力市場電量需求預(yù)測幾種主要方法

2.1 經(jīng)濟(jì)模型法

利用經(jīng)濟(jì)模型法對電力市場電量需求進(jìn)行預(yù)測，可分為計(jì)量經(jīng)濟(jì)法、回歸分析法和前面提高的灰色預(yù)測法。

計(jì)量經(jīng)濟(jì)法側(cè)重于尋找影響電力需求的主要因素及其因果關(guān)系，并建立方程求解，以預(yù)測未來電力需求。計(jì)量經(jīng)濟(jì)法建立的預(yù)測函數(shù)變量可選擇為第一、二、三產(chǎn)業(yè)增加值，城市、農(nóng)村居民收入、人口、人均GDP、居住面積等，函數(shù)本身則為一階或多階。

回歸分析法則利用居民、工業(yè)和商業(yè)用戶的歷史用電量數(shù)據(jù)進(jìn)行回歸分析，得到需電量與外生變量的一組模型方程。一般取地區(qū)GDP作為外生變量，可供選擇的一元回歸模型有：a）線性回歸，Y=a+bx；b）S曲線，Y=1/（c+a*ebx）；c）指數(shù)函數(shù)，Y=a+e0.001*x；d）冪函數(shù)，Y=a*xb；e）對數(shù)函數(shù)，Y=a+b*logx；f）指數(shù)函數(shù)，Y=a*bx?；貧w分析法常用于中短期預(yù)測，一般可根據(jù)需要和條件進(jìn)行多元回歸分析。

灰色預(yù)測法，如前所述，利用灰色理論（Grey Theory，GT）預(yù)測電力市場用電量需求，在需電量預(yù)測時(shí)常用數(shù)列預(yù)測法，其將用戶用電量原始數(shù)據(jù)變換生成規(guī)律性較強(qiáng)的函數(shù)，建立微分方程模型來預(yù)測未來需電量，簡單、數(shù)據(jù)量小、預(yù)測精度高、適用性強(qiáng)，可用于短期和中長期預(yù)測。

2.2 綜合分析法

綜合分析法預(yù)測電量需求，常用的包括電力彈性系數(shù)法、類比法和平均增長法。

電力彈性系數(shù)法中電力彈性系數(shù)包括電力生產(chǎn)和電力消費(fèi)彈性系數(shù)，其中電力消費(fèi)彈性系數(shù)指電力消費(fèi)增長率與國民經(jīng)濟(jì)增長率的比值。電力彈性系數(shù)，作為經(jīng)濟(jì)發(fā)展與電力需求增長速度的關(guān)聯(lián)性的宏觀指標(biāo)，可用做遠(yuǎn)期規(guī)劃粗線條的負(fù)荷預(yù)測［11］，可綜合反映經(jīng)濟(jì)增長對電力需求的拉動(dòng)作用。利用電力彈性系數(shù)法預(yù)測電量需求，其準(zhǔn)確性依賴于對國民經(jīng)濟(jì)歷史資料的統(tǒng)計(jì)的準(zhǔn)確性以及未來經(jīng)濟(jì)結(jié)構(gòu)和科技進(jìn)步對電力需求的正確估計(jì)［12］。電力彈性系數(shù)值一般情況下應(yīng)小于1，大于1則意味著GDP的邊際成本大于其平均電力成本，經(jīng)濟(jì)的可持續(xù)發(fā)展可能受到影響。在電力市場電力需求預(yù)測中，對于一段時(shí)期內(nèi)的電力消費(fèi)彈性系數(shù)，其值等于全社會(huì)用電量年平均增長率與計(jì)算期GDP的比值，而預(yù)測期電力增長速度則等于電力消費(fèi)彈性系數(shù)與預(yù)測期GDP增長速度的乘積。一般情況下，可按剔除生活用電量的行業(yè)用電量彈性系數(shù)預(yù)測，也可按剔除生活用電量的分產(chǎn)業(yè)彈性系數(shù)預(yù)測后累加。對于我國某一區(qū)域的電力需求預(yù)測，利用彈性系數(shù)法，由于具體到每年的電力彈性系數(shù)缺乏規(guī)律性，只宜對較長的一段時(shí)間進(jìn)行預(yù)測。

類比法包括負(fù)荷密度法、人均用電量法等，將規(guī)劃地區(qū)與經(jīng)歷類似發(fā)展過程的地區(qū)相比較，從而確定電量需求?？紤]到地區(qū)與地區(qū)之間的經(jīng)濟(jì)體制、經(jīng)濟(jì)結(jié)構(gòu)、資源、生產(chǎn)、消費(fèi)、生活習(xí)慣及用電構(gòu)成等差異，可借鑒國內(nèi)經(jīng)濟(jì)發(fā)達(dá)地區(qū)的發(fā)展情況進(jìn)行分析對比，從而預(yù)測本地區(qū)的用電量需求。通過類比，找出共性特點(diǎn)，結(jié)合所預(yù)測地區(qū)的實(shí)際情況，預(yù)測規(guī)劃期的電量需求。該法不宜作為主要方法來進(jìn)行電力需求預(yù)測，但其預(yù)測結(jié)果對其他電力需求預(yù)測方法的結(jié)果可提供校核，一般用于遠(yuǎn)期粗線條預(yù)測。

平均增長法在預(yù)測電力需求時(shí)，通常需經(jīng)綜合分析計(jì)算得到年電量的年均增長率來計(jì)算規(guī)劃年份的年電量需求值，即An=A×（1+k）n，該法在歷史數(shù)據(jù)收集年份長、經(jīng)濟(jì)發(fā)展比較規(guī)律、用電增長比較均衡、大用戶用電量占整個(gè)地區(qū)用電量比重較小的地區(qū)適用性較強(qiáng)。

2.3 分析預(yù)測法

分析預(yù)測法預(yù)測電力市場電量需求，主要包括分部門預(yù)測法、大用戶綜合分析法、分地區(qū)預(yù)測法、折算分析預(yù)測法、進(jìn)度推算分析預(yù)測法、等效小時(shí)分析預(yù)測法等。

分部門預(yù)測法的關(guān)鍵在于準(zhǔn)確地劃分行業(yè)用電類別，結(jié)合本地區(qū)行業(yè)發(fā)展的實(shí)際情況和不同特點(diǎn)，采用各種方法對不同行業(yè)的用電進(jìn)行預(yù)測，匯總后得出預(yù)測結(jié)論。

大用戶綜合分析法將用戶分為大用戶和一般用戶，按大用戶各自預(yù)測的用電量及一般用戶自然增長電量推測需求電量。具體地，先對歷史用電量數(shù)據(jù)進(jìn)行處理，扣除其中大用戶的用電量數(shù)據(jù)，計(jì)算一般用戶電量的自然增長速度，作為預(yù)測一般用戶電量增長速度的依據(jù)。這種方法適用于大用戶個(gè)數(shù)相對較多、大用戶用電量占整個(gè)地區(qū)用電量比重較大的地區(qū)。

分地區(qū)預(yù)測法則是將前面提到的各種預(yù)測方法分地區(qū)進(jìn)行預(yù)測，匯總得出全地區(qū)規(guī)劃期內(nèi)預(yù)測值。

拆算分析預(yù)測法［13］通過對電力企業(yè)業(yè)擴(kuò)報(bào)裝容量和電力企業(yè)用電量增長趨勢的分析，從數(shù)據(jù)中對下一年電力市場的用電量情況進(jìn)行分析和預(yù)測。該方法為供電企業(yè)在電力市場發(fā)展下電量分析和預(yù)測的主要方法之一。具體地，下一年預(yù)測的用電量減去上一年的用電量，再除上上一年電力企業(yè)業(yè)擴(kuò)報(bào)裝容量則等于下一年的等效小時(shí)。而下一年的用電量的增長分析數(shù)據(jù)則等于當(dāng)年的等效小時(shí)乘以當(dāng)年的業(yè)擴(kuò)報(bào)報(bào)裝容量。該方法主要用于對季度、半年以及一年的用電量走勢的分析，以及未來用電量的預(yù)測。

進(jìn)度推算分析預(yù)測法主要用于分析局部區(qū)域的電量需求，并在每個(gè)用電區(qū)域內(nèi)，根據(jù)日用電量的數(shù)據(jù)走勢情況，來判斷該地區(qū)的天氣變化、季節(jié)變化及節(jié)假日等用電情況，并對該區(qū)域內(nèi)用電企業(yè)以及用電居民的用電習(xí)慣進(jìn)行分析，判斷用電情況對電量走勢的影響，最終得出電量使用的規(guī)律，從而更好的對地區(qū)的用電量進(jìn)行預(yù)測［14，15］。

等效小時(shí)分析預(yù)測法主要根據(jù)小時(shí)發(fā)電方式進(jìn)行分析，將小時(shí)發(fā)電充分利用到用電量分析預(yù)測的工作中，有效提高了電力市場電量分析預(yù)測的質(zhì)量。

2.4 其他方法

其他方法包括趨勢分析法、指數(shù)平滑法、人均用電量法和負(fù)荷密度法等。

趨勢分析法的關(guān)鍵之處在于建立準(zhǔn)確的趨勢分析模型，利用模型進(jìn)行趨勢曲線分析、曲線擬合或曲線回歸分析，是一種常見的定量預(yù)測方法。對于居民、工商業(yè)用戶的歷史用電量數(shù)據(jù)，構(gòu)建擬合曲線，反映用電量或用電負(fù)荷的增長趨勢，按該增長趨勢曲線，估計(jì)未來某一點(diǎn)上該時(shí)刻的電量需求值或負(fù)荷預(yù)測值，該過程是一種確定的外推，可不用考慮隨機(jī)誤差。趨勢分析法用到的幾種典型的趨勢模型基本形式為［16］：

式中，Yt為預(yù)測對象，εt為預(yù)測誤差，θ為待定參數(shù)。

基于（8）式，幾種典型的趨勢分析模型包括：a）多項(xiàng)式趨勢模型，Yt=a0+a1t+…+antn；b）線性趨勢模型，Yt=a+bt；c）對數(shù)趨勢模型，Yt=a+blnt；d）冪函數(shù)趨勢模型，Yt=atb；e）指數(shù)趨勢模型，Yt=aebt；f）邏輯斯蒂（Logistic）模型，Yt=L/（1+μe-bt）；g）龔伯茨（Gompertz）模型，Yt=exp （-βe-θt），β＞0，θ＞0。

指數(shù)平滑法區(qū)別于趨勢分析法，它根據(jù)時(shí)間序列的實(shí)際值建立模型進(jìn)行預(yù)測，并利用以往的歷史用電量數(shù)據(jù)的指數(shù)加權(quán)組合來直接預(yù)報(bào)時(shí)間序列的將來值。指數(shù)平滑法預(yù)測模型的基本形式為［16］：

式中，α為衰減因子，α小時(shí)，是強(qiáng)調(diào)過去歷史數(shù)據(jù)的作用；α大時(shí)，是強(qiáng)調(diào)新近數(shù)據(jù)的作用。對于電力需求預(yù)測，該法重要的是曲線越接近目前時(shí)刻，就應(yīng)當(dāng)越準(zhǔn)確，而對于過去很久的數(shù)據(jù)，則不必要作很精確的擬合，類似慣性作用。

人均用電量法利用增長率法、回歸法等方法進(jìn)行數(shù)值計(jì)算或綜合分析規(guī)劃期人均用電量值，與預(yù)測年人口值相乘，得出規(guī)劃年的年電量。

負(fù)荷密度法是每平方公里的平均負(fù)荷值，首先計(jì)算現(xiàn)狀和歷史的分區(qū)負(fù)荷密度，然后根據(jù)地區(qū)發(fā)展規(guī)劃及各分區(qū)負(fù)荷發(fā)展的特點(diǎn)，推算出各分區(qū)目標(biāo)年的負(fù)荷密度預(yù)測值［17］。該方法在城市中心區(qū)應(yīng)用對于今后110kV變電站的布點(diǎn)和10kV配網(wǎng)建設(shè)等指導(dǎo)作用比較強(qiáng)。但基礎(chǔ)資料調(diào)查工作量比較大。

3 基于電力彈性系數(shù)法的電量需求算例分析

3.1 電力消費(fèi)彈性系數(shù)

電力消費(fèi)彈性分析是目前業(yè)內(nèi)常用的定量預(yù)測方法，電力消費(fèi)彈性系數(shù)可以反映出電力消費(fèi)增長速度與國民經(jīng)濟(jì)增長速度間的相對關(guān)系。電力消費(fèi)彈性系數(shù)的計(jì)算公式為：

式中，E1為上一年度用電量，E2為下一年度用電量，G1為上一年度GDP，G2為下一年度GDP。

經(jīng)濟(jì)、環(huán)境、科技等多方面原因都會(huì)影響到彈性系數(shù)，但總趨勢是逐漸減小。這些影響因素包括：a）經(jīng)濟(jì)結(jié)構(gòu)不斷調(diào)整，如第二、三產(chǎn)業(yè)比重的變化；b）世界金融形式對產(chǎn)業(yè)結(jié)構(gòu)的強(qiáng)行沖擊；c）能源政策的調(diào)整；d）科技進(jìn)步和引入電力需求側(cè)管理等因素；e）電力和當(dāng)代能源的價(jià)格關(guān)系；f）氣候和人口的變動(dòng)因素；g）GDP統(tǒng)計(jì)數(shù)據(jù)的真實(shí)性等。

3.2 彈性系數(shù)與單位電耗變化的關(guān)系

在GDP增長一定的情況下，彈性系數(shù)與單位電耗變化存在一一對應(yīng)關(guān)系。假設(shè)第1年與第2年的GDP總量分別為G1、G2（萬元），第2年的GDP相對第1年GDP增長率為g，則G2= G1*（1+g）。第1年與第2年的每萬元GDP能耗為D1、D2（萬元），第2年的萬元GDP能耗是第1年的σ倍，即D2= D1*σ，σ為電耗變化系數(shù)。

圖1 2009年用電量增長率預(yù)測分析流程Fig.1 Forecasting and analysis flow of electricity utilization rising rate in 2009

則第1年與第2年的消耗電量分別為E1、E2度，即E1= D1* G1，E2= D2* G2。則彈性系數(shù)?計(jì)算公式為：

將G1、G2及E1、E2代入上式即得

根據(jù)（12）式，可知通過GDP增長速度和電耗系數(shù)即可推導(dǎo)出電力彈性系數(shù)的變化。

3.3 算例分析

以廣州市2000年～2008年的市用電量歷史數(shù)據(jù)為基礎(chǔ)，預(yù)測2009用電量的增長率，其分析流程如下圖1所示。

廣州市2000年～2008年用電量如下表1所示，表1中實(shí)際用電量=萬kwh原始用電量+年末調(diào)出-年初調(diào)入。

表1 2000～2008年廣州市用電量Tab.1 Electricity consumptions of Guangzhou city from year of 2000 to 2008

以2000年不變價(jià)格計(jì)算的GDP值如下表2所示。其中，GDP增速=（GDP指數(shù)值/100）-1；2000年不變價(jià)GDP值中2000年份的等于該年份的GDP實(shí)際值，其他年份的=上一年份的2000年不變價(jià)GDP*當(dāng)年的GDP指數(shù)值/100。

表2 以2000年不變價(jià)格計(jì)算的GDP值Tab.2 Computational GDP values based on constant-price in year of 2000

基于2000年GDP不變價(jià)計(jì)算的能耗和彈性系數(shù)如表3所示，其中，各年份的能耗=（該年份的實(shí)際用電量*10000）/該年份的“2000年不變價(jià)GDP”（表2），能耗系數(shù)=該年的能耗/上一年的能耗值，彈性系數(shù)=（該年的能耗系數(shù)*（1+該年的GDP增速）-1）/該年的GDP增速值。

表3 基于2000年GDP不變價(jià)計(jì)算的能耗和彈性系數(shù)Tab.3 Computational energy consumptions and elasticity coefficients based on the GDP constan-price in year of 2000

基于對廣州2008年彈性系數(shù)大幅下降的現(xiàn)狀，對2009年的能耗系數(shù)進(jìn)行了高中低三種估計(jì)，2009年的能耗系數(shù)預(yù)測將取決于對整體金融環(huán)境變化的預(yù)測，則2009年廣州市GDP增速分為高方案、中方案和低方案三種，各方案對應(yīng)的預(yù)測增速值為10%、9%和8%。

相應(yīng)的能耗系數(shù)也預(yù)測為三種方案：高方案、中方案和低方案，對應(yīng)的預(yù)測結(jié)果分別為0.959、0.950 和0.941。2009年能耗系數(shù)的原因分析是基于上一年的能耗系數(shù)大幅降低的影響，2008年彈性系數(shù)大幅降低的因素包括：延續(xù)以往的節(jié)能減排措施貢獻(xiàn)2.98%（↓）、線損率降低貢獻(xiàn)0.76%（↓）、降溫負(fù)荷降低貢獻(xiàn)0.73%（↓）、16家高耗能企業(yè)貢獻(xiàn)0.00%、第一季度錯(cuò)峰用電貢獻(xiàn)0.03%（↓）、金融危機(jī)強(qiáng)行產(chǎn)業(yè)調(diào)整貢獻(xiàn)2.70%（↓）和平均每季度影響貢獻(xiàn)0.90%（↓）。因此對于2009年能耗系數(shù)的預(yù)測，其值降低的因素包括：延續(xù)節(jié)能減排貢獻(xiàn)2.98%（↓）、線損率降低貢獻(xiàn)0.23%（↓）及金融危機(jī)強(qiáng)行調(diào)整貢獻(xiàn)，其中金融危機(jī)強(qiáng)行調(diào)整分為高（影響1個(gè)季度）、中（影響2個(gè)季度）和低（影響3個(gè)季度）三種方案，最終綜合前面兩個(gè)因素，在三種方案下能耗系數(shù)分別降至：0.959、0.950和0.941。

最終，2009年廣州市彈性系數(shù)及用電量增長預(yù)測如下表4所示，其中，高、中、低三種方案下：彈性系數(shù)=（對應(yīng)方案下的能耗系數(shù)預(yù)測結(jié)果*（1+對應(yīng)方案下的GDP增速值）-1）/對應(yīng)方案下的GDP增速值，用電量增加率=對應(yīng)方案下的彈性系數(shù)*對應(yīng)方案下的GDP增速預(yù)測結(jié)果，2009用電量預(yù)測值=2008年份的實(shí)際用電量值*（1+對應(yīng)方案下的用電量增加值），2009年表面值=對應(yīng)方案下的2009年用電量預(yù)測值+2008年年末調(diào)出值，2009年表面增長率=（對應(yīng)方案下的2009年表面值/2008年萬kwh原始用電量值）-1。

表4 2009年廣州市彈性系數(shù)及用電量增長預(yù)測Tab.4 Forecasting of elasticity coefficient and electricity consumption rise of Guangzhou city in year of 2009

4 提高電量預(yù)測準(zhǔn)確率的措施

提高用電量需求預(yù)測準(zhǔn)確率具有重要的意義，提高電量預(yù)測準(zhǔn)確率的措施包括［18-21］：1）做好氣象與氣象負(fù)荷關(guān)系的材料積累，及時(shí)掌握天氣變化情況，與氣象站建立有效的溝通機(jī)制，并記錄每年不同時(shí)期氣象與氣象負(fù)荷之間的一些聯(lián)系，通過對材料的收集和分析，逐漸掌握規(guī)律，對預(yù)測結(jié)果進(jìn)行動(dòng)態(tài)修正，提高短期電量預(yù)測準(zhǔn)確率；2）采用適當(dāng)?shù)碾娏款A(yù)測方法，如建立諸如季節(jié)比例模型、多元模糊線性回歸模型等，通過采用多元線性回歸分析的方法，建立易于接受的分析模型，為電力預(yù)測提供科學(xué)依據(jù)；3）采用神經(jīng)網(wǎng)絡(luò)方法，不斷改進(jìn)網(wǎng)絡(luò)神經(jīng)方法中網(wǎng)絡(luò)訓(xùn)練的方式，增加網(wǎng)絡(luò)訓(xùn)練的樣本，從而降低電量預(yù)測的誤差，提高預(yù)測的精準(zhǔn)度；4）采用最新的機(jī)器學(xué)習(xí)算法，如Q學(xué)習(xí)算法［22-24］、強(qiáng)化學(xué)習(xí)（Reinforcement Learning，RL）、深度學(xué)習(xí)（Deep Learning，DL）等人工智能算法，對歷史用電量數(shù)據(jù)樣本進(jìn)行不斷訓(xùn)練，得出有意義的“經(jīng)驗(yàn)”，提高預(yù)測未來電量需求潛力的精準(zhǔn)度；5）采用定性與定量結(jié)合的方法，首先讀取數(shù)據(jù)庫中的歷史用電量基礎(chǔ)數(shù)據(jù)，根據(jù)相關(guān)的預(yù)測模型理論進(jìn)行預(yù)測，如季節(jié)比例模型理論、改進(jìn)BP網(wǎng)絡(luò)模型、多元模糊線性回歸模型等分別預(yù)測出各個(gè)細(xì)分市場下一階段的售電量情況，上述三模型的預(yù)測值作為組合預(yù)測模型的輸入，以求出各細(xì)分市場下一月的售電量的預(yù)測值，然后，基于該預(yù)測值，及分析過程中存在的誤差值，分析預(yù)測值是否可靠，如可靠，則可提高電網(wǎng)的供電能力或減小各個(gè)細(xì)分市場的售電量，否則由工作人員繼續(xù)進(jìn)行修正；6）做好電量預(yù)測方案，實(shí)時(shí)關(guān)注國家的金融經(jīng)濟(jì)發(fā)展趨勢，準(zhǔn)確掌握經(jīng)濟(jì)脈搏及電能需求增長和國家、社會(huì)發(fā)展之間的關(guān)系，并保持清醒的思路；7）建立預(yù)測“數(shù)據(jù)庫”，通過建立一個(gè)詳實(shí)的基礎(chǔ)數(shù)據(jù)庫，對歷史數(shù)據(jù)進(jìn)行分析，找出客觀規(guī)律，提高電量預(yù)測的準(zhǔn)確率；8）走訪大客戶，深入了解生產(chǎn)經(jīng)營情況，全面開展市場調(diào)研工作，了解客戶產(chǎn)品銷售、積壓情況、資金流轉(zhuǎn)情況等，加強(qiáng)對大工業(yè)客戶、地方電廠的管理，杜絕無序生產(chǎn)。

5 總結(jié)

電量預(yù)測作為我國電力系統(tǒng)規(guī)劃的重要組成部分，準(zhǔn)確預(yù)測電力市場競爭機(jī)制下的電力需求，對于同業(yè)對指標(biāo)考核的要求、為供電企業(yè)掌握售電市場提供依據(jù)、為電網(wǎng)發(fā)展提供方向、保證電費(fèi)足額回收提供參考等具有重要的意義。本文旨在探究電量需求預(yù)測的理論及常用的預(yù)測方法，并就電力彈性系數(shù)法進(jìn)行了算例分析，給出提高電量預(yù)測準(zhǔn)確率的一些改進(jìn)措施，特別是結(jié)合現(xiàn)代流行的人工智能算法，如機(jī)器學(xué)習(xí)算法（Machine Learning，ML）、深度感知理論（Deep Perception，DP）、強(qiáng)化學(xué)習(xí)算法（Reinforcement Learning，RL）、深度學(xué)習(xí)（Deep Learning，DL）、極限學(xué)習(xí)（Extreme Learning）及情感學(xué)習(xí)（Emotion Learning，EL）等，將其運(yùn)用到電量需求預(yù)測中來，通過對大量真實(shí)的歷史用電量數(shù)據(jù)樣本進(jìn)行訓(xùn)練學(xué)習(xí)，積累可靠的“經(jīng)驗(yàn)”，形成準(zhǔn)確率高的預(yù)測模型，對于未來電力市場競爭環(huán)境下的電網(wǎng)側(cè)、售電側(cè)、用戶側(cè)和負(fù)荷集成商等多主體供需友好互動(dòng)具有重要的指導(dǎo)意義。

參考文獻(xiàn)

［1］ 胡寧.電力需電量預(yù)測方法［J］.江西電力，2012，36（4）：77-79.N Hu.The electric power consumption forecasting method ［J］.Jiangxi Electric Power，2012，36（4）： 77-79.

［2］ 陳毛昌，穆鋼，孫羽，等.基于DFT灰色預(yù)測理論在日電量負(fù)荷預(yù)測中的應(yīng)用［J］.電力自動(dòng)化設(shè)備，2005，25（9）：29-32.M C Chen，G Mu，Y Sun，et al.Application of DFT-based grey model in daily load forecast ［J］.Electric Power Automation Equipment，2005，25（9）： 29-32.

［3］ 張友泉.一種基于灰色系統(tǒng)理論的中長期需電量預(yù)測模型［A］.山東電機(jī)工程學(xué)會(huì)第九屆優(yōu)秀學(xué)術(shù)論文集［C］，2002，8.Y Q Zhang.The middle & long term power consumption forecasting based on the grey system theory ［A］.Shandong Institute of Electrical Engineering of the ninth set of excellent academic papers ［C］，2002，8.

［4］ 牛東曉，曹樹華，趙磊，等.電力系統(tǒng)負(fù)荷預(yù)測技術(shù)及其應(yīng)用［M］.北京：中國電力出版社，1998.

［5］ 曹國建，黃純，隆輝，等.基于GM（1，1）改進(jìn)模型的電網(wǎng)負(fù)荷預(yù)測方法［J］.電網(wǎng)技術(shù)，2004，28（13）：50-53.G J Cao，C Huang，H Long，et al.Load forecasting based on improved GM （1，1） model ［J］.Power System Technology，2004，28（13）：50-53.

［6］ 龐亞亞，王書源，韓璐.電力系統(tǒng)負(fù)荷電量預(yù)測的研究［J］.電氣時(shí)代，2015，35（7）：104-105.Y Y Pang，S Y Wang，L Han.Study of power system load electricity forecasting ［J］.Electric Age，2015，35（7）： 104-105.

［7］ 牛東曉，陳志業(yè)，邢棉，等.具有二重趨勢性的季節(jié)型電力負(fù)荷預(yù)測組合優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)模型［J］.中國電機(jī)工程學(xué)報(bào)，2002，22（1）：29-32.D X Niu，Z Y Chen，M Xing，et al.Combined optimum grey neural network model of the seasonal power load forecasting with the double trends ［J］.Proceedings of the CSEE，2002，22（1）： 29-32.

［8］ 忠軍，陳剛.基于結(jié)構(gòu)自適應(yīng)神經(jīng)網(wǎng)絡(luò)用電量時(shí)間特征的聚類分析［J］.重慶大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，30（8）：44.J Zhong，G Chen.Clustering analysis for time feature of user power consumption based on structural self-adaptation ANN［J］.Jourrnal of ChongQing University： Natural Science Edition，2007，30（8）： 44.

［9］ 譚顯東，胡兆光，李存斌，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的全社會(huì)用電量預(yù)測模型研究［J］.華北電力大學(xué)學(xué)報(bào)，2007，34（3）：85.X D Tan，Z G Hu，C B Li，et al.Study on predictive model to social power consumption based on the improved BP neural network［J］.Journal of North China Electric Power University，2007，34（3）： 85.

［10］ 秦浩庭，劉燕，肖漢，等.重慶市中長期電力需求及分布預(yù)測［J］.電力建設(shè)，2015，36（4）：115-122.H T Qin，Y Liu，H Xiao，et al.Forecast of medium and long-term power demand and distribution in Chongqing ［J］.Electric Power Construction，2015，36（4）： 115-122.

［11］ 房林.中國電力需求的預(yù)測分析［D］.東北財(cái)經(jīng)大學(xué)，2005.L Fang.China electricity demand forecasting and analysis ［D］.Dongbei University of Finance & Economics，2015.

［12］ 錢紋.采用電力彈性系數(shù)法預(yù)測負(fù)荷［J］.云南電力技術(shù)，2001，29（1）：41-44.W Qian.Load forecasting using the electricity elasticity coefficient method ［J］.Yunnan Electric Power，2001，29（1）： 41-44.

［13］ 劉迪.電力市場電量分析及預(yù)測分析［J］.科技創(chuàng)新與應(yīng)用，2014，3（35）：162.D Liu.Power market electricity analysis and forecasting analysis［J］.Technology Innovation and Application，2014，3（35）： 162.

［14］ 夏君常，謝開貴，曹侃，等.電力市場短期電價(jià)預(yù)測的誤差修正模型［J］.華東電力，2011，39（2）：161-167.J C Xia，K G Xie，K Cao，et al.Error correction model for short-term electricity price forecasting ［J］.East China Electric Power，2011，39（2）： 161-167.

［15］ 吳寄.電力市場條件下的無功輔助服務(wù)定價(jià)探討［J］.科技資訊，2010，8（23）：225.J Wu.Discussion on reactive power service pricing under power market circumstance ［J］.Science & Technology Information，2010，8（23）：225.

［16］ 潘國美.對幾種用電預(yù)測方法的探討［J］.上海電力，2000，13（2）：25-28.G M Pan.Discussion on several electricity utilization forecasting methods ［J］.Shanghai Electric Power，2010，13（2）： 25-28.

［17］ 鄭罡.淺談幾種電力需求量的預(yù)測方法 ［J］.科技廣場，2012，19（6）：94-96.G Zheng.Discussion on electric power consumption forecasting method ［J］.Science Mosaic，2012，19（6）： 94-96.

［18］ 紀(jì)海強(qiáng).淺談提高電量預(yù)測準(zhǔn)確率的措施 ［J］.科學(xué)時(shí)代，2015，19（10）：84，+86.H Q Ji.Brief discussion on measures of improving electricity forecasting accuracy ［J］.Scientific Time，2015，19（10）： 84，+86.

［19］ 麥琪.淺析提高電力電量預(yù)測準(zhǔn)確率必要性及措施 ［J］.技術(shù)與廣場，2015，22（12）：105，+107.Q Mai.Brief analysis on necessity and measures of improving power electricity forecasting accuracy ［J］.Technology and Market，2015，22 （12）： 105，+107.

［20］ 蔣正陽.基于電量預(yù)測及客戶行為分析的電網(wǎng)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) ［D］.中山大學(xué)，2013.Z Y Jiang.Design and implementation of power grid system based on electricity demand forecast and customer behavior analysis ［D］.Sun Yat-sen University，2013.

［21］ 郭雅娟，黃燦，朱海兵，等.配電自動(dòng)化技術(shù)發(fā)展 ［J］.新型工業(yè)化，2015，5（11）：20-26.Y J Guo，C Huang，H B Zhu，et al.Distribution automation technology development and demonstration projects ［J］.The Journal of New Industrialization，2015，5（11）： 20-26.

［22］ 吳雯美，陸江，譚敏，等.基于相關(guān)均衡強(qiáng)化學(xué)習(xí)協(xié)同算法的多區(qū)域無功優(yōu)化研究 ［J］.新型工業(yè)化，2015，5（6）：33-40.L M Wu，J Lu，M Tan，et al.Multi-regional reactive power optimization based on correlated equilibrium Q-learning collaborative algorithm ［J］.The Journal of New Industrialization，2015，5（6）： 33-40.

［23］ J Tang，X S Zhang，L F Cheng，et al.Hierarchical correlated Q-Learning for multi-layer optimal generation command dispatch ［C］.In：2015 International Conference on Intelligent Materials and Mechatronics，October 29-30，2015，Hong Kong，DEStech Publications，Inc.27-34.

［24］ J Tang，X S Zhang，L F Cheng，et al.TOPSIS-Q（λ） learning for multi-objective optimal carbon emission flow of power grid ［C］.In：2015 International Conference on Intelligent Materials and Mechatronics，October 29-30，2015，Hong Kong，DEStech Publications，Inc.20-26.

DOI：10.19335/j.cnki.2095-6649.2016.06.006

基金項(xiàng)目：中國南網(wǎng)電網(wǎng)科技項(xiàng)目資助（GDKJ00000052）

作者簡介：麥琪（1984-），女，助理級經(jīng)濟(jì)師，本科，主要研究方向：電費(fèi)電價(jià)、行業(yè)用電分析

Study of Distribution Network Users Power Consumption Demand Forecasting based on Electricity Analysis

MAI Qi
（Dongguan Power Supply Bureau of Guangdong Power Grid Co.， Ltd.， Dongguan 523000， China）

ABSTRACT：It’s of great significance to accurately predict users’ power demand for the grid corporations， the industry and commerce enterprises and the inhabitant users in market competition environment.A simple review was made on home and abroad power forecasting theory， including grey theory， artificial neural network theory， etc.expounded the power forecasting principle of GM（1， 1） model and BP model.Several actual and regular used methods of electricity market power demand prediction were introduced， including the economic model method， the comprehensive analytical method， the predication parsing method， and other methods.Finally， set the electricity elasticity coefficient method as an example and based on the historical city electricity consumption data of Guangzhou from year of 2000 to 2008， its power demand in 2009 was forecasted.Meanwhile，some measures to improve power prediction accuracy were given， and suggested that the newly developed machine learning algorithms apply in power demand prediction， which will have provide certain guidance and reference for multi-agents supply and demand interaction， such as the grids， users， electricity sellers， and load integrators.

KEyWORDS：Power demand； Forecasting； grey theory； Artificial neural network theory； Electricity elasticity coefficient；Supply & demand interaction