基于灰色预测模型的中长期售电量预测计算方法研究

傅晨 樊立攀 吴巍 霍伟强 孙亮

【摘 要】在售电侧改革持续推进的背景下，开展售电量预测工作，能够为电网企业合理制订电力交易计划、优化客户用电管理及线损管理等提供决策支撑。文章阐述中长期售电量预测的相关概念，对其售电量预测计算模型进行研究，提出改进型灰色预测模型在售电量预测中的应用，并根据历史数据进行实例验证。

【关键词】售电量预测;电力市场;负荷;灰色预测模型

【中图分類号】F224;F274;F426.61【文献标识码】A【文章编号】1674-0688（2019）02-0109-02

开展适用于实际应用的售电量预测模型，提高售电量预测的准确率，有利于计划用电管理，使电网运行方式和机组检修计划更为合理有效，节约资源，降低发电成本，提高电力系统的社会效益和经济效益。

1 售电量预测概述

售电量预测是对一定时期内市场销售电力总量的预测，根据预测目的可以分为超短期预测、短期预测、中期预测和长期预测。常用的预测方法包括神经网络模型、平滑指数法、时间序列法等，但这些模型在收敛速度、预测精度和数据要求上均有不同程度的限制。售电量容易受GDP、地区经济发展状况、人口和气候等因素的影响，预测过程不仅要考虑影响因子，还要求达到较高的预测精度。灰色预测模型适用于贫信息下的分析和预测，在中长期售电量预测中受到广泛关注，因此本文立足于某省的实际情况，对中长期售电量预测情况进行研究。

2 灰色预测模型理论

灰色预测模型基于关联空间、光滑离散度函数建立灰导数与灰微分方程，用离散数列构建随机动态预测模型。灰色预测模型的优点在于所需数据量少，不考虑历史数据的分布规律和变化趋势，运算过程简便，预测结果易于检验。但该方法的缺点在于数据离散程度越大，预测精度越差，因此许多理论方法对此采取了多种改进方式，如对历史数据进行平滑处理、模型参数修正等。GM（1，1）及改进方法是最为常用的灰色预测模型，该模型由单变量的一阶微分方程构成。

3 灰色预测模型在售电量预测中的应用

本文选取2012～2017年某省年度售电量数据，其中2012～2016年数据为基础数据，2017年数据为预测验证数据，通过灰色模型及改进模型进行预测，这里改进模型中取a=1.2，m=1.05，N=2。经测算，使用传统模型预测得到的年售电量为1 437.6亿kW·h，使用改进模型预测得到的年售电量为1 432.4亿kW·h，与实际数据相比，相对误差分别是-4.28%、-4.63%。

由此可知，灰色预测法的传统模型和改进模型准确率相差较小。但考虑到改进模型可改善原始数据的光滑性，提高预测精度，因此月度售电量使用改进模型进行预测。输入2012～2016年月度售电量数据，预测2017年各月度售电量，并与实际售电量对比，可得1～3月预测误差为-7.1%、10%、4.6%;4～6月预测误差为2.1%、1.5%、4.7%;7～9月预测误差为11.2%、13.5%、4.5%;10～12月预测误差为1%、2.6%、2.5%。

从上述预测结果可知，月度售电量的准确率波动较大，但λ（k）∈（0.79，1.21），落在区域（0.72，1.40）内，因此改进灰色预测模型具有适用性。但分析基础数据发现，原始数据光滑性较差导致预测精度不够理想。历年各季度售电量有逐步增长的趋势，其光滑性比月度数据明显增强，因此可通过预测季度售电量来计算月度售电量。根据灰色预测模型计算得出2017年各季度预测结果分别为340.5亿kW·h、339.1亿kW·h、383.7亿kW·h、370.0亿kW·h，相对误差分别是2.45%、2.77%、9.99%、2.06%。

定义“占季比”为各月度售电量占所在季度售电量的比重。取2013～2017年每月售电量占季比的加权平均数，依据“近大远小”原则设定权重，根据下面公式结合前5年各月占季比数据计算预测月度售电量：

结合“近大远小”原则取a5=0.3，a4=0.3，a3=0.2，a2=0.1，a1=0.1，计算可得2017年各月度预测售电量，其中2月预测误差为10.27%，7月、8月预测误差为9.8%和14.6%，其他月份预测值的绝对误差均低于5%，因此2月、7月和8月的预测值均需要修正。

3.1 2月售电量预测值修正

在计算月度售电量预测值过程中，历年月度售电量占季比的权重赋值仅考虑“近大远小”的规律，忽略春节假期所在月份对售电量的影响。

设预测第n年的月售电量，被预测年份1～2月平均日用电量为X0，受春节放假影响时段的平均日用电量为X1，则这两类平均日用电量的比值为λn，预测某月的售电量时λ可取历年数据的加权平均值。假设D1、D2分别为每年1月和2月受春节假期影响时段的天数，D为2月总天数。一般认为受春节假期影响时段为春节前2天至节后7天。从而有

式中，E（n，1）、E（n，2）分别表示第n年1月、2月售电量预测值，从而可以算出第n年1月及2月修正值E（n，1）'和E（n，2）'。通过上述方法计算出正常时段的平均日用电量X0，预测2017年2月正常时段的平均日用电量为113.25亿kW·h，预测相对误差为1.83%。

3.2 7～8月售电量预测值修正

7～8月产生误差的原因主要是售电量对温度变化异常敏感，2016～2017年夏季气温较高，连续高温天数较往年更多，空调制冷负载上升，导致预测值与实际值相差较大。但通过预测温度来预测售电量，将使预测误差进一步扩大。经测算，当两个增长率均值的权重取值为0.5时准确率较高。通过上述公式计算得到2017年7月售电量预测值为123.41亿kW·h，相对误差为5.37%，8月售电量预测值为163.33亿kW·h，相对误差为0.04%。

4 结语

本文通过运用灰色预测模型及其改进方法进行了实例验证，通过与预测结果对比，证实了灰色预测理论在售电量预测中的适用性和有效性。但在运用过程中还需根据实际情况进行分析，选择合适的灰色预测工具，才能保证预测结果的准确性，对供电企业管理起到相应的作用。

参 考 文 献

[1]牛东晓，曹树华.电力负荷预测技术及其应用[M].北京：中国电力出版社，2006.

[2]刘秋华，陈洁，甘海庆.基于改进灰色模型的售电量预测分析[J].统计与信息论坛，2009，24（11）：17-21.

[3]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）：11-15.

[责任编辑：钟声贤]