胡倩，孫志達，江坷滕，雷一，李海波

（1.杭州市電力設計院有限公司，杭州310004；2.國網浙江省電力有限公司電力科學研究院，杭州310014；3.清華四川能源互聯(lián)網研究院，成都610213）

0 引言

為進一步推動我國電力行業(yè)體制改革與市場建設，黨中央、國務院出臺了一系列相關政策并在關鍵問題上進行了部署。針對我國電力市場的現(xiàn)狀與未來發(fā)展規(guī)劃，2017 年國家能源局印發(fā)了《電力中長期交易基本規(guī)則（暫行）》［1］，其中針對合同電量偏差處理提出了新的要求。偏差電量的結算處罰是先行的過渡機制，是指在電力交易中心進行月度市場交易的售電公司實際用電量與申報購買電量出現(xiàn)差額時，針對超出免考核部分的電量進行月度競價價差絕對值的偏差考核，不同省份交易中心的免考核比例系數以及處罰系數會有所不同。

偏差電量考核不僅對電力行業(yè)良性發(fā)展具有重要意義，更有利于市場經濟體制的進一步完善，許多專家學者和相關從業(yè)人員都對此展開了探討和研究，針對偏差產生的原因也提出了不同的看法［2-4］。文獻［4］通過蒙特卡洛法進行隨機抽樣產生預測負荷，再通過高斯分布函數得到真實負荷，計算結果表明對商業(yè)負荷的模擬具有較大偏差；文獻［5］提出用新能源收益補償電力市場基數分配不均的問題；文獻［6］通過捆綁合同不僅幫助售電公司降低了考核成本，也幫用戶降低了成本，但缺少對負偏差的分析。有學者研究了降低偏電量考核的方法，文獻［7］提出了適應電網調度的偏差電量結算方式，文獻［8］針對跨區(qū)電網交易結算，提出將計劃電量與偏差電量分開進行結算，建立了一種基于頻率平均偏差的偏差電量判斷模型，但沒有考慮用戶側電量偏差考核問題。

電力負荷預測實質上是對企業(yè)消耗電量的預測，準確有效的電力負荷預測能夠降低售電公司偏差考核成本［9-13］。已有較多學者針對電網負荷預測開展研究，提出了基于廣義需求側資源聚合的預測模型、動態(tài)權值相似日選取算法、線性相關分析法等負荷預測算法［14-18］，同時也有針對中長期負荷模型進行的分析［19-20］以及從用戶側角度進行的方法改進［21］。然而，企業(yè)用戶由于生產用電行為不確定，其負荷缺乏規(guī)律性和周期性，從而造成預測的不準確，由此可能會直接或間接造成售電公司交易電量的不確定和不準確，最終導致電量偏差和偏差考核；同時，缺乏針對偏差電量考核進行的負荷預測分析，沒有在行業(yè)內形成相關的指導性規(guī)范，導致偏差考核的執(zhí)行受到阻礙［22-26］。

針對目前用戶呈報數據準確性低、缺乏適用于偏差考核的科學預測方法等問題，考慮到一般售電公司由多個用戶構成，本文提出了基于用戶打捆和神經網絡模型的負荷預測方法。結合售電公司負荷預測特點，提出了神經網絡預測模型和樣本選擇策略，推導了負荷預測偏差對偏差考核結果的影響機理，最后基于重慶地區(qū)10 家企業(yè)的數據，對比本文方法和傳統(tǒng)多元線性回歸預測的效果，證明本文提出預測方法具有一定的合理性與有效性。

1 偏差電量考核

1.1 偏差電量考核的意義

偏差電量考核機制作為部分地區(qū)現(xiàn)行政策的關鍵環(huán)節(jié)，在很大程度上影響著售電公司的經營發(fā)展，為了減小因偏差考核造成的額外考核成本，企業(yè)對政策中提出的電網利用效率等要求倍加重視。而對于售電公司而言，一方面需要其加強對用戶的整體把控，另一方面需要提供更為有效的應對措施來降低考核費用，推動售電公司向更為高效智能化運作的方向發(fā)展。

1.2 偏差電量考核模型

假設售電公司第i 月的市場交易申報需求總電量為Qp（i），Qp（i）由長協(xié)分月電量Qc（i）及月競價電量Qb（i）組成，即

設售電公司年長協(xié)價差為ΔPy。若該售電公司代理用戶第i月的實際用電量為Qr，u(i)，代理用戶的數量為U，則售電公司第i月的市場交易總偏差電量為ΔQw(i)，即

偏差電量結算費用ΔCd(i)為偏差費用Cpd(i)和考核費用Cad(i)之和，應對二者進行分別計算。

當總偏差量ΔQw(i)為正值，即ΔQw(i)＞0 時，設正偏差免考核比例系數為α，即第i 月免考核的電量為

相應的，需要考核的電量為

設月度集中競價成交價差為ΔPb(i)，正偏差考核價差系數為p+，則偏差費用Cpd(i)和考核費用Cad(i)為

當總偏差量ΔQw(i)為負值，即ΔQw(i)＜0 時，設負偏差免考核比例系數為β，即第i月免考核的電量Qe(i)以及需要考核的電量為Qa(i)分別為

設負偏差考核價差系數為p-，則偏差費用和考核費用分別為

根據上述計算可以分別得到偏差費用和考核費用，結合競價的具體情況可以得到售電公司的總收益。綜上所述，設用戶第i月的結算電費為Cus(i)，則第i月交易結算的總費用，即運營收益P(i)為

2 預測方法

2.1 基于打捆的售電公司負荷預測模型

偏差考核模型中，長協(xié)分月電量Qc(i)與市場交易申報需求總電量相關，直接影響偏差考核的最終結果。實際應用中，Qc(i)往往根據用戶負荷預測得到，因此負荷預測的精度與偏差考核的結果密切相關，很大限度上影響售電公司的運營收益。

目前的負荷預測方法主要用于大型區(qū)域電網，如果直接采用該方法對單個用戶進行預測，由于用戶用能行為的不確定性，預測精度往往較差。因此，本文提出了基于反向傳播（BP）神經網絡的售電公司負荷打捆預測模型，如圖1所示。首先，收集售電公司多個用戶的歷史用電負荷數據；然后對用戶的負荷數據進行求和，得到總負荷曲線（用戶打捆）；售電公司基于打捆負荷曲線進行負荷預測并上報電網公司，電網公司根據用戶實際負荷情況進行偏差計算和考核。

圖1 基于BP神經網絡的售電公司負荷打捆預測模型Fig.1 Load bundling forecasting model of electricity sales companies based on BP neural network

2.2 神經網絡模型

BP 神經網絡通常是指基于誤差反向傳播算法的多層前向神經網絡（MFNN），其原理是對實際值與預測值之間的誤差進行反向傳遞，在這個過程中，通過求誤差對權值或閾值的導數，沿著導數的負梯度方向不斷地對權值或閾值進行調整修正，直到最后輸出誤差（實際值與預測值誤差的平方和）在允許范圍內。

一個完整的BP 網絡由3 部分組成，分別為輸入層、輸出層以及隱含層，其中輸入層與輸出層都只有1 層，隱含層可以是1 層也可以是多層（圖2 為多層BP 網絡），實際應用中隱含層層數的確定需要視具體情況而定。

圖2 BP神經網絡結構Fig.2 Structure of BP neural network

標準的BP 神經網絡主要包括2 個方面：一方面是輸入信號的前向傳播；另一方面是預測值與期望值之間誤差的反向傳遞。

2.3 負荷預測影響因素

分析電力負荷的影響因素通常從時間、氣候、電價以及隨機因素等方面展開，得益于電網中電負荷數據本身所具有的規(guī)律性（如氣候對電負荷的影響規(guī)律較易把握），通過構建BP 神經網絡來預測電網負荷特性具有可行性。

與此同時，數據的選取以及迭代的方式均對預測存在一定的影響。本文所使用的BP 神經網絡負荷預測實際上是一種非線性擬合方法，負荷的預測范圍設定為短期且結合面向偏差考核的背景，考慮了電價的影響因素，在以往單純考慮用電量歷史數據的基礎上進行完善，盡可能提高預測的精準度。

2.4 樣本選擇策略

如何在大量數據中選擇合適的部分進行訓練是負荷預測的關鍵，為進行較為合理的長期負荷預測，應先對短期負荷預測進行歸納和分析。針對未來1 年12 個月的負荷預測，有以下幾種樣本選擇策略：（1）預測未來1 天24 h 的負荷情況，通過整理每天的預測情況得到未來1 年每天的情況，再按月份進行求和得到對應的用電情況；（2）先預測未來1周的負荷情況，再以周為單位進行分析；（3）先對歷史數據進行分月整理，然后直接預測未來1 年每月的負荷情況。

上述3 種方法中，第1 種方法涉及的數據量較大，影響計算速度；第3 種數據的分散性較大，規(guī)律不如前2 種明顯，影響預測精度；相比較而言，第2種方法計算速度較快且能夠反映數據的規(guī)律性。因此，本文以周負荷為BP神經網絡長期負荷預測的樣本，即預測未來1周的用電情況，相加得到該月總用電量。

3 負荷預測對偏差考核的影響機制

基于上述研究，本節(jié)將重點分析負荷預測的準確性對偏差電量的影響，從而為售電公司降低電量偏差率、減少額外成本提供依據。總體偏差率是指在考慮不同用戶正負偏差相抵消情況下的偏差率，平均偏差率是指對偏差率的絕對值求均值后的計算結果。根據偏差考核模型，設預測得到的電量為Qc(i)及Qb(i)，而最終運營收益為P(i)，根據式（1）—（12），可以推導得到式（13）、式（14）。

從式（13）、式（14）可以看出：運營收益P(i)與用電量預測值Qc(i)及Qb(i)存在直接關系；同時，受免考核比例系數以及年長協(xié)價差等影響，在其他條件相對固定的情況下，電量預測值對運營收益的影響最為直接，這也間接說明了預測的準確性非常重要。

4 算例分析

4.1 參數設置

為了進一步研究負荷預測對售電公司運營收益的影響，本文選取重慶地區(qū)2013—2017年的負荷數據，對2013—2016 年的數據進行分析和學習，利用BP神經網絡對2017年的負荷進行預測并與2017年實際負荷進行比對，檢驗預測效果。

在實際預測過程中，首先要對數據進行歸一化處理并確定隱藏層節(jié)點的數目。在本模型中，激勵函數采用的是正切型S型函數即tansig函數，需要將樣本數據轉化為（-1，1）之間的數值。與此同時，選取最大訓練步數為10 000，學習速率為0.1，目標誤差取10-5。根據上述設置，可以得到圖3所示的網絡誤差訓練曲線以及圖4 所示的回歸曲線，從圖3、圖4 可以看出，達到預期誤差范圍所需要的訓練步數為8且數據擬合效果較好。

圖3 網絡誤差訓練曲線Fig.3 Errors in network training

圖4 回歸曲線Fig.4 Regression curve

4.2 預測結果分析

4.2.1 基于神經網絡進行獨立企業(yè)負荷預測

根據上述參數設置并結合上一章的樣本選擇策略，分別對重慶地區(qū)10 家企業(yè)（編號為#1—#10）2013—2017 年的用電情況進行分析，預測2017 年12個月的負荷情況，如圖5所示。

在預測過程中不難發(fā)現(xiàn)，部分企業(yè)5 年用電量曲線逐年變化且個別企業(yè)變化較大，規(guī)律性較差，這直接導致負荷預測的準確性大大降低。

除此之外，當考慮企業(yè)1 年12 個月的用電規(guī)律時，10 家企業(yè)大致相似，即普遍存在7—9 月用電量較其他月高的現(xiàn)象。

4.2.2 企業(yè)負荷打捆預測

4.2.2.1 基于多元線性回歸進行企業(yè)負荷打捆預測

針對上述特點，將10家企業(yè)的每月用電量視為整體，即按月求和之后，采用多元線性回歸法對數據進行預測（如圖6所示），預測值、期望值以及相對偏差見表1。為了對正負預測結果進行全面分析，定義相對偏差絕對值的平均值為平均相對偏差。當采用多元線性回歸法進行預測時，預測值與期望值的平均相對偏差為11.66%。

4.2.2.2 基于神經網絡進行企業(yè)負荷打捆預測

為了與多元線性回歸的結果對比，將10家企業(yè)的每月用電量視為整體進行打捆，即按月求和之后重復上述預測過程，如圖7所示。

圖6 多元線性回歸法預測2017年用電量Fig.6 Electricity consumption in 2017 predicted by multivariate linear regression

表1 多元線性回歸法預測值與期望值對比Tab.1 Predicted and expected values obtained by multivariate linear regression

從圖7a可以看出，將多家企業(yè)捆綁處理后，5年的曲線趨勢較之前更為相似。為了進一步說明該規(guī)律，將10 家企業(yè)捆綁前、后的用電量預測值相對標準偏差整理成箱線圖（如圖8 所示）。從圖8 可以清晰地看出，打捆后的預測值相對標準偏差小于10家企業(yè)的平均值，即打捆后具有較好的離散性，趨勢相近。

在此基礎上，統(tǒng)計10 家企業(yè)打捆前、后2017 年用電量預測值與期望值的平均相對誤差，如圖9 所示。從圖9 可以看出，由于打捆后數據的離散性減小，平均相對誤差小于任何一家企業(yè)的平均相對誤差，預測準確性優(yōu)于分別對10 家企業(yè)進行預測的結果。

10 家企業(yè)打捆之后的預測值和實際用電量（即期望值）見表2，其中相對偏差為帶有正負考量的平均相對誤差值。由表2 可見，預測值與期望值之間的平均相對誤差為4.22%，準確性明顯高于多元線性回歸的分析結果。

從平均相對誤差值角度分析，神經網絡預測方法的結果明顯要優(yōu)于傳統(tǒng)的多元線性回歸預測法，即預測更為準確。

圖7 10家企業(yè)打捆后5年實際用電量及用電量預測值與期望值對比Fig.7 Forecasted value，expected value and electricity consumption of ten companies after load bundling in five years

圖8 打捆前、后用電量預測值相對標準偏差對比Fig.8 Relative standard deviation of the expected value before and after bundling

圖9 打捆前、后用電量預測值與期望值平均相對誤差Fig.9 Average relative error between predicted value and expected value before and after bundling

表2 10家企業(yè)打捆后預測值與期望值對比Tab.2 Predicted and expected values of ten companies after bundling

4.3 偏差考核結果

為了進一步說明預測準確性對考核結果的影響，以廣東省電力市場2017年交易數據作為算例分析的基礎，分別采用本文所述偏差電量考核模型以及多元線性回歸法對2017 年10 家企業(yè)捆綁后的偏差電量結算費用進行計算，計算結果見表3。其中費用為0 的月份表示相對偏差小于該月的考核系數，即不需考核。

表3 2017年偏差電量結算費用Tab.3 Bill of the deviated electricity in 2017 萬元

從表3 可以看出，采用神經網絡預測方法對用電量進行預測時，偏差電量結算費用明顯小于多元線性回歸預測法，這得益于神經網絡法預測的精準度較高，也可以說明精確的預測可以很大限度降低結算費用，具有一定的實際意義。

5 結論

偏差考核對售電公司提出了更高的要求，在影響偏差考核結果的因素中，電量負荷預測作為關鍵問題之一直接影響偏差電量結算費用。為了進一步說明負荷電量預測的準確性對偏差考核過程中電量結算費用的影響，首先引出神經網絡預測模型，并根據模型分析預測值對結算費用的影響；結合算例分析捆綁預測與獨立預測準確性的差異，得到適用于本研究的樣本選擇策略以及預測所需參數；最后根據實際數據分別計算通過神經網絡預測法以及多元線性回歸預測法得到的市場電量值，通過該值計算得到偏差考核中產生的偏差考核電量結算費用。

相關計算結果表明，當計及偏差考核方式時，打捆處理后的數據具有較小的離散性，可以降低因用電量逐年變化而帶來的影響。除此之外，神經網絡預測得到的電量準確性要優(yōu)于多元線性回歸預測，計算得到的電量結算費用更少，對售電公司具有一定的積極意義。