基于双模型协同的售电量预测研究

江弋如

（国网湖北省电力公司远安县供电公司）

基于双模型协同的售电量预测研究

江弋如

（国网湖北省电力公司远安县供电公司）

准确预测月度售电量对电网企业的经营决策起着重要的作用。本文首先对影响售电量的因素进行分析，认为售电量预测应为确定性预测与不确定预测的叠加。其次根据售电量年间变化特点，选择“Logistic模型”作为确定性预测；根据历史数据的某种相似度，择定“层次分析—模糊聚类预测”作为不确定性预测；并以最小二乘法将两个单独模型进行融合协同；最后，以远安县供电公司为背景做实证分析。

负荷预测；数学模型；模糊聚类；最小二乘法

0 引言

精准预测售电量可为供电公司开展电力需求侧管理和制定科学的营销决策指明方向[1]。售电量变迁受诸多确定性因素(如气温、历史售电量等)和不确定性因素(如政策、随机事件等)的交织影响[2]，总体呈现复杂走势。目前沿用较多的售电量预测方法有灰色预测、回归分析、神经网络等，它们的不足表现在：①基本以单一模型为依托，不能兼顾售电量变化中确定性与不确定性两方面；②一些模型的结构比较复杂，不但需要大量数据作运行支撑，还不方便基层供电公司营销人员应用。因此，在国内外研究现状基础上，选择合理模型进行组合预测，对于提升售电量预测工作意义重大。

1 组合预测架构

当前县级电网实际状况：①普遍采用调度自动化技术，在自身数据积累方面有长足进展，但相关的系统外部门的数据提供未能及时跟上；②随着经济的快速发展和新型技术的不断涌现，电网的规模及复杂程度与日俱增，各类不确定因素在增加。情况①决定了县级电网仍未消除大数据缺乏的短板，因此在售电量预测上需借鉴确定性类预测方法(这类方法对数据要求少)；情况②决定了县级电网售电量预测建模必须考虑对不确定性因素的处理。

综上所述，为了实现县级电网售电量的精确预测，应建立“确定性预测”+“不确定性预测”的优化组合体系，如图1所示。图中，对于确定性预测，从售电量年间变化特点出发，采用“Logistic模型”；对于不确定性预测，以充分融合专家经验为考量，采用“层次分析-模糊聚类”模型；最后以最小二乘法将两个单独模型进行综合。

图1 售电量预测建模的总体框架

2 各部分建模

2.1 Logistic模型

对于一个地域范围明确、稳定的电网(如本文用作算例的远安县供电公司)，其土地面积确定、人口数量有限，若无外加条件，其特定月份的售电量将逐年增长且呈现类似“S”型曲线[3]，如图2所示。

图2 地域范围一定的区域的售电量增长趋势

显然，这个S曲线符合人口学中的Logistic模型，因此可借鉴该模型来作为本研究项目中售电量预测的一个分模型。Logistic模型如式(1)所示[4]。

式中，t为预测年；t0为起始年；p0为对应t0的售电量原始数据；pM为t→∞时的理论上极值(由历史数据决定)；a待定。由于本次研究的是月度售电量预测，因此采用Logistic模型进行预测时，应针对每个月份建立预测公式。

2.2 层次分析—模糊聚类建模

当前，全面推进城镇化如火如荼，经济深化改革不断前行，两者相互交织，使得社会面貌呈现所谓的“新常态”。在“新常态”背景下，很多地方的人口、产业以及布局等元素出现新变化，使得这些地区的售电量不再呈“单边上扬”式的快速增长趋势，而展现为某种波动特性[5-6]，这给售电量预测增加了难度。为了科学统筹具有模糊属性的经济形势、国家政策对售电量的影响，特构造“层次分析—模糊聚类”相结合的预测模型，如图3所示。

图3 基于层次分析-模糊聚类方法的售电量预测流程

在该模型中，首先是全面、细致梳理各类要素，形成层次体系，见图4所示（以沿海某地为例）。

图4 对售电量有影响的要素提炼（以沿海某地为例）

其次是运用层次分析法对要素权重进行配置(鉴于层次分析法是一种成熟的方法，本文不再单独阐述)，并基于此将各要素量值予以集成；再次是运用模糊聚类来判断不同历史年份之间的相似度，找到与待测年月有较高相似度的历史年月；最后将该历史年月的相关数据与待测年月的相关数据融合以生成售电量预测值。

2.3 最小二乘法应用

应该说，Logistic模型和“层次分析—模糊聚类”模型在售电量预测上各有侧重点，为了避免单一模型“一统天下”的弊端，将最小二乘法引入以使Logistic模型和“层次分析—模糊聚类”模型得到优势互补。具体来说：首先用单一模型对已经发生实绩的月度进行验证性“预测”，并计算预测值与实际发生值之间的偏差；然后对不同月份设定两个模型的“贡献比”(未知数形式)；最后将偏差矩阵和“贡献比”向量纳入最小二乘法，得到“贡献比”数据(在该“贡献比”下，两个模型的融合可使预测误差最小化)。

3 实证分析

3.1 历史数据

搜集远安县供电公司辖区2009～2015年的历史售电量数据(如表1所示)作为算例样本。从这些数据可以看出：

表1 远安公司辖区历史售电量数据 （单位：万kW·h）

3.2 分模型预测

首先运用Logistic模型对2010～2015年做虚拟预测，得到系列预测误差，限于篇幅，仅列示2015年情况。由表2可知：运用Logistic模型进行预测，存在部分月份误差偏大情形(超过国网公司要求的同业对标指标4%)，这说明了单个预测模型在售电量预测中的局限性。

表2 基于Logistic模型的预测示例(2015年)

其次利用“层次分析—模糊聚类”方法进行预测(限于篇幅，仅对2015年5月的预测情形作展示)。图5所示为根据相关历史数据(指适用于远安县的类似图4的分层要素所对应的数据)形成的聚类结果。由该结果可知：在聚类水平0.92下，2013、2015和2010年为一类，因此可通过获取2010年5月份的售电量增长(相对于2009年5月)来虚拟推算2015年5月份的售电量增长(相对于2014年5月)。表3为预测结果。

图5 动态聚类

表3 基于“层次分析-模糊聚类”的预测示例(2015年5月)

由表3可知：“层次分析—模糊聚类”预测方法将专家经验科学引入以进行智能化干预，同时通过对多因素的协同考察来将样本内蕴的模糊关联信息清晰化和量化，以达成有效的售电量预测辅助决策。

3.3 组合预测

在利用两个分模型完成对2010～2015年的逐月预测后，以最小二乘法为工具可获得组合预测中各模型的“贡献系数”，如表4所示(模型1指Logistics模型，模型2指层次分析-模糊聚类模型)。

表4 组合预测中两个模型的系数配置

以表4系数为依托，对2016年进行预测成效检验，如表5所示。由表可知，在采用组合预测后，预测精确度有了明显提升，且较为稳定(与单模型预测相比)。另外，在2012～2015年，远安县供电公司一直采用年均增长率法进行预测，误差基本在3%～6%区间，可见远逊于本项研究。

表5 组合预测效果展示(2016年) （单位：万kW·h）

4 结束语

售电量变化趋势受多种因素影响，这些因素既有归属于确定性层面的，也有归属于不确定性层面的。因此，为了准确掌握售电量变迁情况，必须同时进行针对确定性因素的售电量预测和针对不确定因素的售电量预测，并用科学方法将两者进行融合集成。

[1]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, 1998: 3-77.

[2]潘小辉, 刘丽萍, 李扬. 提高月度售电量预测精度的一种新方法[J]. 电力需求侧管理, 2013, 15(3): 11-14.

[3]王璐璐. 营口地区电力营销系统中的需电量预测研究[D]. 北京:华北电力大学, 2015.

[4]孙婧婕. 基于组合方法的月度售电量预测研究[D]. 大连: 大连理工大学, 2014.

[5]刘威. 电力系统中长期负荷预测模型研究及应用[J].中国工程咨询, 2012, 30(10): 36-38.

[6]颜伟, 程超, 薛斌, 等. 结合X12乘法模型和ARIMA模型的月售电量预测方法[J]. 电力系统及其自动化学报,2016, 28(5): 74-77.

2017-07-02）