考慮行業用電特性的電量預測方法研究與應用

葉琳浩，李達凱，黃 偉，張勇軍

(1.廣東電網有限責任公司 佛山供電局，廣東 佛山 528000；2.華南理工大學 電力學院，廣東 廣州 510640)

考慮行業用電特性的電量預測方法研究與應用

葉琳浩1，2，李達凱1，黃 偉1，張勇軍2

(1.廣東電網有限責任公司 佛山供電局，廣東 佛山 528000；2.華南理工大學 電力學院，廣東 廣州 510640)

準確預測電力需求是進行電網規劃和建設的必要依據。本文提出并設計了一套考慮行業用電特性的GM(1,n)灰色模型預測方案，并研究了14個主導行業對禪城區電力需求的影響。通過關聯度計算，發現其中5個行業電量發展趨勢對禪城區電力需求的影響十分顯著，最后給出了考慮關鍵行業因素的最優GM(1,n)預測模型。應用實例表明，考慮用電特性的GM(1,n)模型精度較高，預測誤差較小，該電量預測方法具有實用性和有效性，為提高電網規劃水平提供了指導和參考。

灰色系統；GM(1,n)模型；行業用電特性；關聯度；電力預測

電量的預測對城市宏觀經濟發展至關重要，是城市電網規劃的基礎，對確定規劃的整體規模、規劃項目和規劃過渡過程都起到關鍵作用。準確的電量預測有助于科學地開展電網規劃， 如何提高預測精度一直是學者關注的問題。

不同用電行業具有不同的用電特性，一個地區某個行業的用電量與該行業經濟發展的增幅或降低相關，這些都會對整體的電量預測造成極大影響，深入分析各行業用電規律并進行準確的電量預測將是供電企業日益關注的領域。

1 預測算法研究與應用方案

1.1 預測算法簡述

近年來，隨著科學技術的迅速發展，電力電量預測理論及其應用技術也取得了長足的進步。目前，預測技術和方法不斷涌現，綜合國內外的研究，電力需求的預測方法可以歸結為3種類型：經典預測方法、傳統預測方法和現代預測方法[1]。從傳統的趨勢外推法、回歸分析法及時間序列分析法，到經典的產值單耗法、負荷密度法和彈性系數法等，再到專家系統法、灰色預測法和模糊數學法，以及神經網絡法、小波分析法等都有相關科研人員進行詳細分析研究，這為實際問題的研究和解決提供了有力的支持。

考慮到各種不確定因素及不同行業用電特性均會影響整體電量的趨勢和預測結果，不同行業發展與整體經濟及其電量的發展將會形成多變量之間的關聯，本文選用多變量的灰色模型進行電量預測方案的研究與制定。

1.2 GM(1,n)灰色模型

灰色系統理論是一種兼備軟硬科學特性的新理論，是一種對含有不確定因素的系統進行分析、建模、預測、決策和控制的預測方法。灰色預測具有要求樣本數據少、不考慮分布規律、運算方便、預測精度高和可檢驗性強等優點，其缺點是數據離散程度越大，即數據灰度越大，預測精度越差[2]。

GM模型即灰色模型，是用原始數據列作生成處理后建立的微分方程，其可以利用灰色過程通過數的生成來尋找數據的規律。在灰色模型中，最具意義的模型是由m個變量的n階微分方程描述的模型，稱為GM(n,m)模型。以往一般用GM模型中的特例GM(1,1)模型，即1個變量的一階方程進行中、短期的電量預測。

本文考慮通過GM(1,n)模型反映n-1個相關因素對電量的一階導數，綜合考慮各種主要相關因素對電量的影響，構建灰色電量預測方案，從而更精確的對電量進行預測。

設用電量的原始數據序列為：

x1(0)=[x1(0)(1),x1(0)(2),…,x1(0)(n)]

(1)

相關行業用電量因素序列為：

x2(0)=[x2(0)(1),x2(0)(2),…,x2(0)(n)]

(2)

x3(0)= [x3(0)(1),x3(0)(2),…,x3(0)(n)]

(3)

……

xn(0)= [xn(0)(1),xn(0)(2),…,xn(0)(n)]

(4)

對原始序列進行一階累加，得到xn(0)的一階累加生成序列(1-AGO序列)xn(1)，其中：

(5)

設Zn(1)為xn(1)的緊鄰均值生成序列，其中：

(6)

得到GM(1,n)的灰微分方程模型為：

(7)

式中，x1(0)(k)稱為灰導數；Z1(1)(k)稱為背景值；a稱為系統發展系數；bixi(1)(k)稱為驅動項；a、bi(i=2，3，…，n)稱為參數。

(8)

按最小二乘法可得：

(9)

式中，

(10)

(11)

則GM(1,n)的白化模型，也稱影子方程為：

(12)

影子方程的解為：

(13)

(14)

累計還原模擬值為：

(15)

1.3 關聯度分析方法

在收集到的眾多相關因素中，大多數與電量的關系并不十分密切，若將這些相關因素引入建模計算當中，勢必降低模型的精度。因此，需要對相關因素進行進一步的篩選。

關聯度就是表征事物之間關聯程度的量度，實際上就是曲線幾何形狀之間的比較，即幾何形狀越接近，發展變化趨勢就越相似，關聯度就越大。本文將利用關聯度選擇電量預測模型的主要相關因素，以期建立電量預測GM(1,n)最優模型[3]。常用的關聯度分析方法有鄧氏關聯度、絕對關聯度和斜率關聯度等分析法。其中，由于斜率關聯度分辨率較高，所以經常被使用。

1)計算斜率。

(16)

(i=1,…,n;t=1,…,(m-1))

(17)

2)計算關聯系數。

(18)

(i=1,…,n且i≠j;t=1,…,(m-1))

3)計算關聯度及選擇相關因素。

(19)

按照關聯度γij的大小選擇顯著相關因素。

2 禪城區用電量多因素的關聯度分析

禪城區位于廣東省佛山市的中心城區，面積為154.68 km2，是佛山政治、金融、文化、交通和信息中心。2013年，禪城區全區生產總值為1 342.35億元，用電量為75.80億kWh。目前，禪城區內的用電行業眾多，2013年，禪城區的紡織業，化學原料及化學制品制造業，橡膠和塑料制品業，非金屬礦物制品業，有色金屬冶煉及壓延加工業，金屬制品業，通用及專用設備制造業，工藝品及其他制造業，批發和零售業，交通運輸、電氣、電子設備制造業，公共管理和社會組織、國際組織，住宿和餐飲業，租賃和商務服務、居民服務和其他服務業，以及電信和其他傳輸服務業共14個行業的總用電量為56.89億kWh，占禪城區用電量的75.05%。可見，把握上述各主導行業用電的規律和趨勢是掌握禪城區用電情況的關鍵。

本文綜合考慮禪城區經濟社會發展情況，采用關聯度計算方法，分析禪城區2008～2013年上述14個主導行業與用電量的相關性并計算其關聯度，同時參考各相關因素與電量的關聯度，挑選關聯度>0.55的相關因素(見表1)參與建模計算。

表1 主導行業與用電量的關聯度

從表1可知，各相關因素與供、售電量之間的關聯度從大到小順序為：交通運輸、電氣、電子設備制造業，批發和零售業，住宿和餐飲業，橡膠和塑料制品業，非金屬礦物制品業。本文選取這5個主導行業的用電特性及其電量因素參與進行禪城區用電量的GM(1,n)建模。

3 考慮行業電量相關的禪城區電量預測

利用2007～2013年禪城區歷史電量數據及各行業電量數據(見表2)，將交通運輸、電氣、電子設備制造業，批發和零售業，住宿和餐飲業，橡膠和塑料制品業，非金屬礦物制品業5個行業作為相關因素引入，按照上述方法進行建模，得到GM(1,6)模型。將數據代入模型計算，分別對禪城區2013和2014年用電量進行預測(見表3和表4)，并進行校驗分析。

就城市電網規劃而言，當電量預測相對誤差<5%時可視為高精度預測，當相對誤差為5%～10%時可視為較好的預測。從表3和表4可以看出，GM(1,6)模型、GM(1,1)模型和隨機選用的一種經典預測模型在此次預測檢驗中都有較好的精度。

表2 歷史用電量數據 (萬kWh)

表3預測結果

用電量類型2013年2014年預測值/萬kWh實際值/萬kWh相對誤差/%預測值/萬kWh實際值/萬kWh相對誤差/%橡膠和塑料制品業50988.35527683.3751626536923.84非金屬礦物制品業128923.51322002.481189301217902.35交通運輸、電氣、電子設備制造業47485.10466741.7447028476911.4批發和零售業56888.69550573.3358135563053.25住宿和餐飲業17250.45173710.6920015197631.27禪城區總用電量778268.9757987.12.68763236.6748733.21.94

表4 不同模型預測結果對比

禪城區近幾年負荷幾乎處于飽和狀態，由于逐步開展產業轉移，不同行業用電量趨勢不一，全區電量增長緩慢，甚至出現負增長。從此次預測結果中可以看出，選用經典預測模型或只考慮歷史電量的GM(1,1)模型，均未有考慮區內主導行業用電特性的變化，依然根據歷史電量作趨勢預測，導致預測結果偏大。本文采用考慮了5大主導行業相關因素的GM(1,6)模型，既有效預測了不同行業用電量變化的趨勢，又很好地感應到禪城區用電量飽和的狀況，預測結果貼近實際值，相對誤差≤3%。由此可見，考慮主導行業相關因素的GM(1,n)模型進行預測具有合理性和可行性，通過檢驗可見該模型具有較高的精度，預測結果貼近實際電量發展趨勢。

4 結語

本文提出了一種基于考慮行業用電特性的多因素GM(1,n)模型的預測方法，并對禪城區14個主導行業的電量進行了深入分析，得到禪城區各行業的發展趨勢，對禪城區主導行業電量與總電量進行關聯分析，得到禪城區考慮行業用電因素的最優GM(1,n)模型。結果表明，經過優化的GM(1,n)模型對2013和2014年的預測值相對誤差僅為2.68%和2.2%，預測結果表明了該方法的精確性和有效性。本文設計的電量預測方案，其準確的電量預測結果可為電力營銷、電網規劃和運行等提供指導意見。本文算法已應用于佛山禪城區電網的“十三五”規劃電量預測中。

值得注意的是灰色預測模型對數據處理要求較高，經模擬計算，其遠期預測結果精度偏差較大，且多因素的預測誤差有可能會疊加至目標預測值；因此，如何改善該模型的遠期預測精度并減弱其多因素的疊加誤差，是未來研究的關注點。

[1] 牛東曉，曹樹華，趙磊，等. 電力負荷預測技術及其應用[M]. 北京：中國電力出版社，1998.

[2] Mirasgedis S, Sarafidis Y, Georgopoulou E, et al. Modeling framework for estimating impacts of climate change on electricity demand at regional level: case of Greece[J]. Energy Conversion and Management, 2007, 48(5): 1737-1750.

[3] 黃晨宏. 影響上海電力需求的主要因素及電力需求預測[J]. 電力需求側管理，2011(3)：72-76.

責任編輯鄭練

ResearchandApplicationofElectricPredictionMethodConsideringtheElectricalCharacteristicsofDifferentIndustry

YE Linhao1,2, LI Dakai1, HUANG Wei1, Zhang Yongjun2

(1.Guangdong Power Grid Foshan Power Supply Bureau, Foshan 528000, China; 2.School of Electrical Power,South China University of Technology, Guangzhou 510640, China)

Planning and construction of power grid depends on accurate electric forecasting. This paper firstly brought forward the GM(1,n) prediction method based on electrical characteristics in different industry, and studied such effects on the electric power demand in Chancheng as its fourteen leading area. Then, it was found that five area had a significant influence on electric consuming by correlation degree analysis. Lastly, the optimal GM(1,n) model considering the key factors was brought out. Application examples showed that the forecasting by this method was more accurate. It demonstrated the validity and applicability of the optimized GM method and provided guidance and reference to improve the level of power grid planning.

grey system, GM(1,n) model, electrical characteristics, correlation degree, electric power prediction

TM 0

：A

葉琳浩(1983-)，男，博士研究生，主要從事電網規劃、電力系統運行與分析等方面的研究。

2015-01-21