兼顾主导行业与上下级协调的电量预测方法

欧阳欣，吴裕生（.广州供电局有限公司，广州　5060；.华南理工大学电力学院广东省绿色能源技术重点实验室，广州　50640）



兼顾主导行业与上下级协调的电量预测方法

欧阳欣1，吴裕生2
（1.广州供电局有限公司，广州510620；2.华南理工大学电力学院广东省绿色能源技术重点实验室，广州510640）

摘要：针对现有的电量预测方法对电量自身组成结构信息利用不足、忽略不同级电量预测结果存在不协调的问题，提出了一种兼顾主导行业与上下级协调的电量预测方法。设计了主导行业筛选原则与方法，引入影响度评价行业对地区电量预测的影响程度，采用最优GM（1，N）模型对待预测区域的月度电量和年度电量进行预测，建立一维二级协调模型，协调待预测区域的月度电量和年度电量，以消除不同级电量预测结果间的不平衡性。应用该方法对某供电局的电量数据进行预测分析，验证提出的算法的准确性和有效性。

关键词：主导行业；上下级协调；GM（1，N）

电量预测是电力系统规划、经济运行和生产经营的基础和依据［1—3］。受经济转型、产业结构调整等因素的影响，电网的总用电量也相应发生变化。故在对总电量进行预测时，需要充分利用电量自身组成结构的信息，结合地区各个行业的用电特点，以此为供电企业提供营销决策支持，对电网的安全经济运行以及电力市场的建设和发展都具有十分重要的意义。

行业电量是地区电量的基本组成成分，保留总电量最原始的特征。若能从行业电量的角度出发，对地区的总电量进行预测，将有可能达到更好的预测效果。对于任何一个地区，都有特定的行业结构，不同行业的用电变化规律，对地区供售电量的影响不同，某个行业的用电变化规律甚至可以主导城市电网电量的变化趋势。因此，可以从地区总电量的行业构成出发，深入分析行业电量与地区电量的内在联系，寻找对地区电量变化规律影响较大的行业，在此基础上进行地区的电量预测，达到提高预测精度的效果。

在实际的电量预测工作中，各级电网往往根据自身的需求进行电量预测。例如：省级电网公司会根据全省的历史电量数据预测全省的用电量，而下属的地级市也会根据各市的历史电量独立预测全市的电量。但由于上下级间数据本身的可信度不同、采用的预测方法也不同，导致上下级间的预测结果不满足加和性，即市级预测电量总和不等于省级预测电量，出现不均衡、不协调的现象［4］。现有的处理方法通常假定某一级的预测精度较高不必调整，而对其他级的预测结果进行调整以满足不同级间的加和性，但哪一级的电量预测精度更高往往难以确定。

目前，考虑行业分类进行预测的研究并不多。文献［5］根据分行业负荷曲线进行分级预测，并采用容量协调和电量协调2种方法分配上下级间的负荷差值，但该方法认为总负荷数据没有偏差。文献［6］设计了一套考虑行业用电特性的GM（1，N）预测方案，对行业电量和地区总电量分别进行预测，并没有进一步研究行业电量和总电量预测结果间的内在联系。文献［7］—文献［9］对各行业和全社会用电量分别进行了预测，并采用了神经网络、优选组合等智能算法来提高预测精度。但这些文献并没有给出选取主导行业的原则，大多都是依靠经验选取，缺乏依据，而且也没有考虑上下级电量预测结果之间的不协调性。

综上，本文提出了一种兼顾主导行业与上下级协调的电量预测方法。该方法涵盖了主导行业筛选、各级电量独立预测和上下级协调［10—12］3个主要步骤，充分考虑了主导行业与地区总电量之间的内在联系，并实现了各级电量预测结果之间的协调同一，提高了预测结果的可信度。通过对某地区的总电量数据进行预测分析，验证了方法的准确性和实用性。

1主导行业分析

行业电量是地区总电量的重要组成部分，各行业的用电量变化规律不同，对地区总电量的影响也不同，部分行业的电量变化甚至能够主导该地区总电量的变化。因此，必须了解该地区的行业构成，深入分析各行业用电量的变化和总用电量之间的关系，进而筛选出对地区总电量影响较大的行业作为该地区的主导行业。

1.1主导行业选取原则

（1）按照国家统计局《国民经济行业分类》国家标准GB/T 4754—2002的划分方式将整个国民经济行业进行细分。

（2）考虑到实际收集电量历史数据的可操作性，应当重视待预测区域售电部门统计电量数据时采用的分类方式。

（3）选取的行业对该地区总电量的变化规律有较大的影响，或者能够反映其变化规律。

1.2主导行业的选取方法

主导行业选取实际上就是在国家现有行业划分的基础上，将每个行业对地区总电量的影响程度进行排序，其关键在于对影响程度进行量化。地区总电量是各行业电量的总和，一方面，从电量所占比重的角度来讲，一个行业用电量占该地区用电量的比重越大，说明该行业对该地区总电量的影响越大；另一方面，从电量的变化规律看，行业用电量的发展规律和地区电量的发展规律存在着一定的相关关系，相关性的高低也体现了该行业用电量对该地区总电量的影响，相关性越强，说明该行业电量与地区总电量的变化规律越相似，一定程度上说明了该地区总电量的变化对该行业的依赖程度。

综上，本文综合考虑电量占比和相关性2个因素，将行业对地区总电量的影响程度进行排序，进而选出地区的主导行业，具体的步骤如下。

（1）收集地区总电量和各行业电量的月度数据。

（2）计算各行业电量占地区总电量的比重T，计算公式为

（3）计算各行业电量与地区总电量的相关系数R，计算公式为

（4）分别赋予电量占比T和相关系数R一个权重，计算得到各个行业用电量对地区总电量的影响度F，计算公式为

式中：α和β分别为电量占比和相关系数的权重，并满足α+β=1。

（5）根据F的大小给出各行业对该地区总电量影响程度的排序，并根据该序列判断出该地区的主导行业。

2上下级协调基本原理

上下级协调原理是用来解决实际电量预测中，不同维度不同级别的电量预测结果之间存在不统一、不协调问题的理论，其基本思路是根据上下级电量预测的结果，将上级电量和下级电量沿着减小不平衡量的方向进行调整，达到消除上下级预测结果之间的不平衡量的目的。本文主要涉及地区总电量的年度预测结果和季度预测结果之间的协调统一。

设该地区年度电量的预测值为z0，实际值为x0，月度电量预测值为zi，实际值为xi（i=1，2，…，12），理想情况下，应有

式中：wj表示各级相对调整量的权重，电量预测结果的可信度越高，权重就越大。

式（5）是典型的等式约束二次规划问题，可用拉格朗日乘数法进行求解。

3预测方法及流程设计

本文设计的兼顾主导行业与上下级协调的电量预测方法主要包括主导行业筛选、基于主导行业的最优GM（1，N）电量预测模型构建以及上下级协调3部分。整体的预测流程为：

（1）根据国家行业分类标准并结合地区售电部门行业电量统计方式，确定该地区的行业分类情况，并收集地区的总电量和各行业电量的历史月度和年度电量数据。

（2）根据公式（3）计算各个行业用电量对地区总电量的影响度F，并将行业按照影响度的大小从大到小排列，结合实际情况，将影响度最大的前N个行业作为该地区的主导行业。

（3）以地区总电量数据和各行业电量历史月度数据为输入，采用最优GM（1，N）模型预测地区总电量的月度数据，以地区总电量数据和各行业电量历史年度数据为输入，采用最优GM（1，N）模型预测地区总电量的年度数据。

（4）建立一维二级协调模型，协调步骤（3）中计算结果的年度数据和月度数据，得到兼顾主导行业与上下级协调的电量预测结果。

相应的流程图如图1所示。

图1预测算法流程

灰色系统理论是一种对含有不确定因素的系统进行分析、建模、预测、决策和控制的预测方法。其中，GM（1，N）模型是反映了N-1各相关因素对电量的影响，适用于对多影响因素系统作分析及预测［13—14］。本文提出的基于主导行业的最优GM（1，N）电量预测模型的推导过程如式（6）—式（8）所示。

首先，利用新生成的数据序列进行累加生成，得到生成序列后建立一阶微分方程

再利用最小二乘法解得参数（a，b1，b2，…，bN-1），从而得到系统的状态方程

式中：k=1，…，m。

式（7）再累减还原，即可得到预测公式

式中：x1（0）（k+1）为电量预测值。

GM（1，N）模型重视影响因子的关联质量，因此，在建立GM（1，N）模型之前，引入关联度度量地区总电量与各行业电量的关联程度，对主导行业进行二次筛选，以期建立电量预测最优GM（1，N）模型。本文通过设置关联度阈值，筛选出关联度大于阈值的主导行业作为输入数据，对地区总电量进行预测。其计算流程如图2所示。

图2最优GM（1，N）计算流程

4实例分析

利用某地区供电局2007—2013年的地区的实际电量数据对本文提出的兼顾主导行业与上下级协调的电量预测方法进行验证。其中，2007—2012年的数据用于模型构建，2013年的数据用于验证预测结果。

根据国家行业分类标准并结合地区售电部门行业电量统计方式，收集该地区总电量及各个行业电量的月度电量数据和年度电量数据。该地区的行业中，纺织业（x1），化学原料及化学制品制造业（x2），橡胶和塑料制品业（x3），非金属矿物制品业（x4），有色金属冶炼及压延加工业（x5），金属制品业（x6），通用及专用设备制造业（x7），交通运输、电气、电子设备制造业（x8），工艺品及其他制造业（x9），批发和零售业（x10），公共管理和社会组织、国际组织（x11），住宿和餐饮业（x12），租赁和商务服务、居民服务和其他服务业（x13），以及电信和其他传输服务业（x14）这14个行业的用电量较大，14个行业的电量总和达到该地区总电量的75.05%。根据公式（1）计算14个行业的电量占比T，计算结果如表1所示。

表1 14个行业的电量占比T

根据公式（2）计算14个行业的电量与地区总电量之间的相关系数R，计算结果如表2所示。

表2各行业电量与地区总电量的相关系数R

由于该地区的电量变化较为平稳，各行业电量的占比波动较小，因此，可以假定这2方面的影响一样重要，即取电量占比和相关系数的权重α=β=0.5，根据公式（3）计算各个行业用电量对地区总电量的影响度F，按F的值从大到小排列，计算结果如表3所示。

表3各行业电量与地区总电量的影响度F

根据各行业影响度F的排序结果，筛选影响度大于0.35的8个行业作为该地区的主导行业，即行业x4、x8、x1、x3、x6、x2、x10、x7，这8个行业占地区总电量的60.78%，很大程度上能决定该地区电量的变化趋势。将这8个行业作为地区总电量的影响因素，计算它们与总电量之间的关联度，计算结果如表4所示。

表4主导行业与总电量的关联度

从关联度的计算结果可以看出，选出的主导行业与总电量的关联度都比较高，最小的也达到了0.703 739，说明了经过影响度计算后，筛选出来的主导行业能够较好地反应总电量的变化情况。在此基础上，设置关联度阈值对主导行业进行二次筛选，以获得更好的电量预测效果。本文设定的关联度阈值为0.75，筛选出的5个主导行业x4、x8、x3、x6、x7，将这5个主导行业的电量数据及地区总电量数据作为输入，建立GM（1，6）模型，分别预测2013年的月度电量和年度电量，预测结果如表5所示。

从预测结果看，采用GM（1，6）模型预测月度电量数据时，预测效果较差，预测误差较大，最大的预测误差达到了11.74%，年度预测结果的误差仅有0.01%；月度电量预测结果总和为744 294.849 kWh，而年度预测结果为738 912.180 kWh，月度电量预测结果总和不等于年度预测结果，两者差值为5 382.669 kWh。可以看出，月度和年度预测结果之间存在不协调、不平衡的现象。因此，采用一维二级协调模型进行协调，协调结果如表6所示。

表5月度电量和年度电量预测结果

表6月度电量和年度电量预测协调结果

从协调的结果来看，尽管协调后各月份的电量预测误差仍然比较高，但总体的误差略有下降，各月份的误差相对协调前分布也比较平均。最重要的是，协调后月度电量总和等于年度电量总和，消除了原来预测结果的不均衡性。

5　结论

（1）本文提出的兼顾主导行业与上下级协调的电量预测方法，能够充分地利用地区电量的自身组成结构的信息，深入分析各行业对地区电量预测结果的影响，使得预测结果更加准确。

（2）本文提出的主导行业筛选方法，以国家行业分类标准为基础，并结合地区实际行业的分类情况，从电量占比和相关性2方面进行考虑，筛选出的主导行业在很大程度上能够主导该地区的总电量变化规律，也可为供电企业的电力营销工作服务。

（3）本文建立的一级二维协调模型，协调地区总电量年度数据和月度数据，使得月度预测电量总和等于年度预测电量，实现了预测结果的一致性，将不同级的电量预测结果统一成为一个体系，提高了预测的可信度。

（4）实例证明，本文提出的方法能在一定程度上提高电量预测的准确性，并且能够很好地消除不统计电量预测结果之间的不协调性，使得预测结果更加合理可信。

参考文献：

［1］唐巍，高春成.并行自适应混沌优化方法在中长期电量预测中的应用［J］.电网技术，2005，29（11）：30-35.

［2］肖先勇，葛嘉，何德胜.基于支持向量机的中长期电力负荷组合预测［J］.电力系统及其自动化学报，2008，20 （1）：84-87.

［3］薛必克，李陈龙，郑亚先，等.遗传算法在中长期电量最优组合预测中的应用［J］.华东电力，2012，40（9）：1 525-1 527.

［4］康重庆，牟涛，夏清.电力系统多级负荷预测及其协调问题（一）研究框架［J］.电力系统自动化，2008（7）：34-38.

［5］孙璞玉，李家睿，王承民，等.基于负荷特征向量的负荷分类与预测方法研究及其应用［J］.电气应用，2013 （S1）：234-238.

［6］叶琳浩，李达凯，黄伟，等.考虑行业用电特性的电量预测方法研究与应用［J］.新技术新工艺，2015（6）：46-49.

［7］崔璐.基于行业电力负荷预测的江门地区开拓用电市场研究［D］.北京：华北电力大学，2011.

［8］毛李帆，江岳春，龙瑞华，等.基于偏最小二乘回归分析的中长期电力负荷预测［J］.电网技术，2008（19）：71-77.

［9］于永杰.保定市行业用电分析及电力需求预测研究［D］.保定：华北电力大学，2005.

［10］牟涛，康重庆，夏清，等.电力系统多级负荷预测及其协调问题（二）基本协调模型［J］.电力系统自动化，2008（8）：14-18.

［11］牟涛，康重庆，夏清，等.电力系统多级负荷预测及其协调问题（三）关联协调模型［J］.电力系统自动化，2008（9）：20-24.

［12］牟涛，康重庆，夏清.电力系统多级负荷预测及其协调问题（四）约束最小二乘可信度［J］.电力系统自动化，2010（2）：43-47.

［13］牛东晓，曹树华，赵磊，等.电力负荷预测技术及其应用［M］，北京：中国电力出版社，2009.

［14］樊爱宛，潘中强，王巍.灰色GM（1，N）模型在河南省煤炭需求预测中的应用［J］.煤炭技术，2011，30（10）：7-9.

Method of power supply forecasting based on dominant trades considering the coordination between upper⁃level and lower⁃level load

OUYANG Xin1，WU Yu⁃sheng2
（1. Guangzhou Power Supply Bureau，Guangzhou 510620，China；2. School of Electric Power，South China University of Technology，Guangzhou 510640，China）

Abstract：For the reason that existing forecasting methods can’t make full use of all components of power supply data and have not considered the coordination between the forecasting re⁃sults，this paper proposes an power supply forecasting method based on dominant trades considering the coordination between up⁃per⁃level and lower⁃level load. Firstly，it designs a principle and method to choose the dominant trades，and uses the influence de⁃gree index to assess the influence of trades. Then，it uses GM（1，N）model to forecast the monthly and annual power supply of the pre⁃dict district. Finally，a one⁃dimension and two⁃level coordinated model is designed to coordinate the monthly and annual power sup⁃ply. The actual power supply data is used to test this forecasting method，and the results show that the forecasting method has the characteristics of accuracy and high reliability.

Key words：dominant trades；coordination betweenupper⁃lev⁃elandlower⁃level；GM（1，N）

中图分类号：TM715

文献标志码：B

文章编号：1009-1831（2016）02-0011-05

DOI：10.3969/j.issn.1009-1831.2016.02.003

收稿日期：2015-12-15；修回日期：2016-01-04

作者简介：欧阳欣（1978），男，江西吉安人，经济师，硕士，研究方向为线损与投资管理；吴裕生（1991），男，广东揭阳人，硕士研究生，研究方向为负荷预测、配电网可靠性分析。