深圳能源售電有限公司 董 強(qiáng)

隨著某地電力市場改革開展，近年來售電公司人員對(duì)電力負(fù)荷預(yù)測有了一定的了解。但由于受社會(huì)經(jīng)濟(jì)發(fā)展等多重因素影響，用戶負(fù)荷預(yù)測存在不確定性，這會(huì)影響負(fù)荷預(yù)測的精準(zhǔn)度。特別是預(yù)測方法不同，預(yù)測精準(zhǔn)度會(huì)受到影響?，F(xiàn)階段，電力市場發(fā)展迅速，并且用戶實(shí)際用電量也在逐步增長，負(fù)荷預(yù)測的精準(zhǔn)度是售電公司核心競爭力的一個(gè)重要指標(biāo)，采用科學(xué)、合理的方法進(jìn)行負(fù)荷預(yù)測，能夠提高電力用戶負(fù)荷預(yù)測的精準(zhǔn)度。

在某地電力現(xiàn)貨市場中，售電公司加強(qiáng)對(duì)代理用戶負(fù)荷預(yù)測，提高負(fù)荷預(yù)測精準(zhǔn)度，是規(guī)避售電公司在經(jīng)營中產(chǎn)生盈虧風(fēng)險(xiǎn)的有效途徑。在用戶的負(fù)荷預(yù)測中，由于各種因素的存在，其精準(zhǔn)度受到較大影響，在未來的環(huán)境影響下，用戶負(fù)荷的不確定性較大。為了更好地估計(jì)將來的用電量，在進(jìn)行負(fù)荷預(yù)測時(shí)，必須根據(jù)不確定的情況進(jìn)行分析預(yù)測?；诖耍疚膶?duì)電力負(fù)荷預(yù)測發(fā)展現(xiàn)狀、負(fù)荷預(yù)測精準(zhǔn)度的措施、負(fù)荷預(yù)測精準(zhǔn)度的影響因素進(jìn)行分析，并對(duì)某地負(fù)荷特性及售電公司預(yù)測應(yīng)用進(jìn)行研究，從而提高電力負(fù)荷預(yù)測的精準(zhǔn)度。

1 分析電力負(fù)荷預(yù)測發(fā)展現(xiàn)狀

一是基于統(tǒng)計(jì)方法的電力負(fù)荷預(yù)測方法，主要包括多元線性回歸分析、主成分分析法等。但此類方法局限性較大，僅適合應(yīng)用于線性特征明顯比較平穩(wěn)的負(fù)荷數(shù)據(jù)，與實(shí)際的負(fù)荷數(shù)據(jù)特征相反，因此此類方法預(yù)測精度較低，并不適合應(yīng)用于電力負(fù)荷預(yù)測。

二是基于機(jī)器學(xué)習(xí)的電力負(fù)荷預(yù)測方法，主要包括梯度提升樹、人工神經(jīng)網(wǎng)絡(luò)模型（Artificial NeuralNetwork，ANN），以及人工專家系統(tǒng)（Artificial Expert Sys－tems，AES）等。此類方法與前一種方法相比，能夠?qū)哂蟹蔷€性和復(fù)雜性特征的負(fù)荷數(shù)據(jù)進(jìn)行處理，取得了較好的預(yù)測精度。

三是基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測方法，主要包括深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和深度卷積神經(jīng)網(wǎng)絡(luò)等。深度學(xué)習(xí)技術(shù)將電力負(fù)荷預(yù)測精度再次提高，但上述幾種模型并不具備處理負(fù)荷數(shù)據(jù)時(shí)序性的能力。有學(xué)者使用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）對(duì)時(shí)間序列進(jìn)行處理，該方法雖然能夠處理時(shí)序數(shù)據(jù)，但其缺點(diǎn)是難以捕捉到長期的依賴關(guān)系，因此需要使用其他的網(wǎng)絡(luò)模型來解決這一問題。

2 分析電力負(fù)荷預(yù)測精準(zhǔn)度措施

趨勢外推法。一般情況下指的就是結(jié)合實(shí)際變化趨勢，對(duì)外來負(fù)荷情況進(jìn)行科學(xué)有效的預(yù)測。對(duì)于電力負(fù)荷而言，其不僅存在著隨機(jī)性，同時(shí)也具有不確定性，但在一定條件下，具有明顯的變化趨勢。如工商業(yè)在用電的過程中，如果在冬季，就會(huì)顯示出比較穩(wěn)定的日用電量，在一定程度上體現(xiàn)出比較平穩(wěn)的變化趨勢。這一變化趨勢可以分為以下幾種趨勢：一是線性；二是非線性；三是周期性；四是非周期性等。

時(shí)間序列法。該方法是現(xiàn)階段常見的一種短期負(fù)荷預(yù)測方式，其通常情況下是對(duì)整個(gè)觀測序列進(jìn)而表現(xiàn)出某一種隨機(jī)過程的一種特性，對(duì)生產(chǎn)過程中的實(shí)際序列的隨機(jī)過程模型進(jìn)行有效的建立與科學(xué)評(píng)估，只有這樣才能夠使用這些模型開展相應(yīng)的預(yù)測。其不僅利用了電力負(fù)荷變動(dòng)慣性這一特點(diǎn)，同時(shí)也對(duì)時(shí)間上的延續(xù)性這一特征進(jìn)行充分地利用，與此同時(shí)，還能夠科學(xué)有效地處理歷史數(shù)據(jù)時(shí)間序列，對(duì)其基本的特征和相關(guān)的變化規(guī)律等方面進(jìn)行全面的確定，如此可最大限度上對(duì)未來負(fù)荷進(jìn)行預(yù)測。

回歸分析法。主要是指事物之間相關(guān)關(guān)系的一種數(shù)理統(tǒng)計(jì)預(yù)測方法的一種。針對(duì)回歸預(yù)測，其會(huì)結(jié)合負(fù)荷過去的所有歷史資料，定性分析預(yù)測對(duì)象，對(duì)其帶來影響的一個(gè)或者多個(gè)因素等方面進(jìn)行科學(xué)合理的確定，另外還要充分結(jié)合預(yù)測對(duì)象，以及相關(guān)影響因素的等相結(jié)合的歷史數(shù)據(jù)，對(duì)數(shù)學(xué)模型進(jìn)行有效的建立，其目的是能夠?qū)ξ磥碡?fù)荷進(jìn)行更好的預(yù)測。在售電公司發(fā)展中，開展電量預(yù)測工作中經(jīng)常使用的一種方法就是回歸分析法，該方法是當(dāng)前有效的一種處理方式。

神經(jīng)網(wǎng)絡(luò)理論?，F(xiàn)階段，負(fù)荷預(yù)測過程中所使用的神經(jīng)網(wǎng)絡(luò)技術(shù)是當(dāng)前興起的一種新型研究方法，其優(yōu)點(diǎn)分為以下幾點(diǎn)：一是能夠?qū)θ四X的智能化處理進(jìn)行模仿；二是對(duì)于比較多的非結(jié)構(gòu)性以及非精確性等方面的規(guī)律存在著比較強(qiáng)的自適應(yīng)功能；三是具有信息記憶；四是能夠自主學(xué)習(xí)；五是能夠進(jìn)行知識(shí)推理；六是能優(yōu)化計(jì)算等一系列特點(diǎn)。但需要注意的是，其自學(xué)習(xí)以及自適應(yīng)用功能在一定程度上是常規(guī)算法以及專家系統(tǒng)技術(shù)自身所不具備的。

模糊負(fù)荷預(yù)測。模糊控制通常情況下指的就是在使用的控制方法上，對(duì)模糊數(shù)學(xué)理論進(jìn)行應(yīng)用，這樣能夠進(jìn)行確定性工作，能夠?qū)Σ糠植荒軜?gòu)造數(shù)學(xué)模型的被控過程實(shí)施科學(xué)有效的控制。不管模糊系統(tǒng)是怎樣開展計(jì)算的，但是結(jié)合其輸入輸出等方面角度分析，其屬于是一個(gè)非線性函數(shù)。對(duì)于模糊系統(tǒng)而言，對(duì)于任意一個(gè)非線性連續(xù)函數(shù)，應(yīng)找出與之相適應(yīng)的隸屬函數(shù)，不僅是一種推理規(guī)則，同時(shí)也是一個(gè)解模糊方法，這樣做的目的能夠保證設(shè)計(jì)出的模糊系統(tǒng)能夠非線性函數(shù)進(jìn)行任意的逼近。

提高對(duì)電力負(fù)荷預(yù)測費(fèi)用的投入。采用科學(xué)合理的技術(shù)和方法，建立適合市場用戶的電力負(fù)荷預(yù)測模型，合理地開展相關(guān)的工作，不僅能提高預(yù)測的精準(zhǔn)度，還能夠促進(jìn)售電公司的快速發(fā)展。

3 分析電力負(fù)荷預(yù)測精準(zhǔn)度的影響因素

售電公司的電力用戶均為市場用戶，都是工商業(yè)用電負(fù)荷，無居民、農(nóng)業(yè)用電負(fù)荷，因此用戶負(fù)荷與電網(wǎng)負(fù)荷在受氣溫、節(jié)假日等因素影響上有所區(qū)別。

氣象因素的影響。通過對(duì)中國氣象部門提供的氣象預(yù)報(bào)信息，包括最高最低氣溫，濕度等氣象因素，分析發(fā)現(xiàn)，受天氣影響較大的用戶主要有公共交通（地鐵、機(jī)場、巴士）、商場、物業(yè)管理等類型用戶，部分工業(yè)用戶對(duì)生產(chǎn)環(huán)境要求比較高，同樣受天氣影響比較大；節(jié)假日的影響。對(duì)比正常工作日，不同節(jié)假日對(duì)用戶負(fù)荷也有不同程度的影響。一般呈現(xiàn)的規(guī)律是放假時(shí)間越長影響越大（如春節(jié)、國慶節(jié)），節(jié)假日當(dāng)天負(fù)荷下降到最大，調(diào)休日負(fù)荷開始逐步上升。

用戶產(chǎn)量的影響。售電公司大用戶的生產(chǎn)狀況對(duì)負(fù)荷影響同樣較大，比如鋼鐵、水泥、陶瓷等，用戶訂單決定產(chǎn)量，因此在做這類用戶的負(fù)荷預(yù)測時(shí)，要密切跟蹤用戶生產(chǎn)及經(jīng)營狀況，好在負(fù)荷預(yù)測中進(jìn)行調(diào)整；社會(huì)經(jīng)濟(jì)環(huán)境的影響。國內(nèi)外不同時(shí)期社會(huì)經(jīng)濟(jì)環(huán)境的變化，對(duì)生產(chǎn)型企業(yè)整體用電影響較大，比如國外經(jīng)濟(jì)形勢低迷，對(duì)出口型企業(yè)影響較大，就應(yīng)該及時(shí)調(diào)整負(fù)荷預(yù)測；不可抗力因素的影響。如發(fā)生疫情、臺(tái)風(fēng)等不可抗力因素，須重新對(duì)負(fù)荷預(yù)測進(jìn)行重大調(diào)整，對(duì)負(fù)荷的預(yù)測要從行業(yè)性質(zhì)分類，羅列不同行業(yè)受影響程度大小，結(jié)合歷史數(shù)據(jù)演變用電趨勢。

4 某地負(fù)荷特性與售電公司預(yù)測應(yīng)用

近年來，某地全社會(huì)用電量持續(xù)增長，統(tǒng)調(diào)負(fù)荷不斷創(chuàng)新高，同時(shí)負(fù)荷的峰谷差逐步增大，2022年全社會(huì)用電量達(dá)到7870億kWh，同比增長0.05%；最高統(tǒng)調(diào)負(fù)荷1.42億kW，同比增長4.9%；全年最大峰谷差高達(dá)4831萬kW，平均峰谷差也有3271萬kW。通過對(duì)該地工商業(yè)用戶負(fù)荷特性分析得出以下結(jié)果，對(duì)于售電公司的負(fù)荷預(yù)測應(yīng)用提供一定的技術(shù)支持。

4.1 全年各分月負(fù)荷系數(shù)差異較大

分月負(fù)荷系數(shù)為用戶分月負(fù)荷除以全年負(fù)荷。圖為某地2018—2022年工商業(yè)市場用戶分月系數(shù)，可以看出負(fù)荷系數(shù)波動(dòng)最大的是1至2月，波動(dòng)范圍分別在5.4%～7.8%、3.9%～5.7%，主要原因是受每年春節(jié)時(shí)間不同的影響；負(fù)荷系數(shù)波動(dòng)較大的3月，波動(dòng)范圍分別在7.3%～8.6%，主要受換季每年氣溫波動(dòng)大等因素影響；負(fù)荷系數(shù)波動(dòng)最小的是6月，波動(dòng)范圍在8.7%～9.1%，主要是入夏期間每年氣候比較相對(duì)穩(wěn)定，而到了7、8月受頻繁臺(tái)風(fēng)影響，負(fù)荷系數(shù)波動(dòng)相對(duì)變大。2020年，受新冠肺炎疫情的影響，呈現(xiàn)出現(xiàn)1季度負(fù)荷偏少、4季度電量偏多的不同于其他年份的特殊現(xiàn)象，屬于不可抗力因素導(dǎo)致。

圖1 某地2018—2022年工商業(yè)市場用廣戶分月系數(shù)

4.2 工作日、周末、節(jié)假日及調(diào)休日負(fù)荷系數(shù)差異

根據(jù)以往某地工商業(yè)用戶大量負(fù)荷數(shù)據(jù)，分析總結(jié)出用戶在工作日、周六、周末、節(jié)假日及調(diào)休日分日負(fù)荷系數(shù)（分日負(fù)荷系數(shù)為典型日除以工作日），分日負(fù)荷系數(shù)隨著不同用戶結(jié)構(gòu)會(huì)略微有所變化，但整體特性如下表所示。影響分日負(fù)荷系數(shù)最大的是春節(jié)，分日負(fù)荷系數(shù)降低至0.43～0.5，春節(jié)前后的工作日電量同樣也會(huì)受到較大影響，其次是國慶節(jié)。

表1 某地不同典型日分日系數(shù)

4.3 不同典型日分時(shí)用電負(fù)荷特性分析

根據(jù)某地工商業(yè)用戶負(fù)荷數(shù)據(jù)，分析總結(jié)出用戶在不同典型日的分時(shí)用電負(fù)荷特性，從圖2可以看出，由于摸底空調(diào)負(fù)荷較重，工作日、周六、調(diào)休節(jié)假日呈鴨嘴形峰谷負(fù)荷，其中工作日峰谷差最大，一般凌晨5點(diǎn)為谷期最低負(fù)荷，上午10：00～11：00點(diǎn)為峰期最高負(fù)荷；而周日、節(jié)假日峰期負(fù)荷則出現(xiàn)在0點(diǎn)，白天負(fù)荷相對(duì)較低。

圖2 某地不同典型日分時(shí)系數(shù)

4.4 氣溫對(duì)用戶負(fù)荷的影響程度

某地由于夏季空調(diào)負(fù)荷較重，氣溫的變化對(duì)用戶負(fù)荷的影響較大，根據(jù)以往歷史上數(shù)據(jù)統(tǒng)計(jì)得出，該地平均氣溫在20℃以上，工商業(yè)用戶負(fù)荷開始隨著氣溫上升而明顯上漲。平均氣溫在20～25℃，氣溫每上升1℃用戶負(fù)荷約上漲1.5%～2%；平均氣溫在25℃以上，氣溫每上升1℃用戶負(fù)荷約上漲2%～2.5%。

4.5 售電公司負(fù)荷預(yù)測應(yīng)用

深入分析用戶負(fù)荷數(shù)據(jù)掌握負(fù)荷特性，有助于提升售電公司負(fù)荷預(yù)測能力，根據(jù)參考分月及不同典型日系數(shù)、不同用戶分類統(tǒng)計(jì)、用戶負(fù)荷跟蹤等方法能有效的提升負(fù)荷預(yù)測精準(zhǔn)度。參考分月及不同典型日系數(shù)可以搭建中長期負(fù)荷預(yù)測全年整體框架；不同用戶分類統(tǒng)計(jì)是將用戶按行業(yè)或負(fù)荷特性分類統(tǒng)計(jì)，分別通過氣溫、外部經(jīng)濟(jì)環(huán)境等因素對(duì)負(fù)荷的影響開展負(fù)荷預(yù)測；用戶負(fù)荷跟蹤是負(fù)荷受產(chǎn)量影響較大且變化較頻繁的用戶，需時(shí)刻保持與用戶生產(chǎn)情況的密切跟蹤，以便于對(duì)負(fù)荷預(yù)測進(jìn)行及時(shí)調(diào)整。

5 結(jié)語

綜上所述，隨著電力現(xiàn)貨市場改革不斷深入，市場體系逐漸完善，售電公司如何有效提升負(fù)荷預(yù)測精準(zhǔn)度，在售電公司的市場交易策略中發(fā)揮著越來越重要的作用，也是售電公司核心競爭力的重要體現(xiàn)。因此，為了提高負(fù)荷預(yù)測的精準(zhǔn)度，在對(duì)用戶負(fù)荷預(yù)測中，必須對(duì)數(shù)據(jù)進(jìn)行科學(xué)、合理分析，做好短期、中期、長期的負(fù)荷預(yù)測，開辟負(fù)荷預(yù)測新思路，從而確保售電公司在市場交易中最大程度規(guī)避盈虧風(fēng)險(xiǎn)，并減少不必要的電量偏差考核。