兼顧主導行業與上下級協調的電量預測方法

歐陽欣，吳裕生（.廣州供電局有限公司，廣州　5060；.華南理工大學電力學院廣東省綠色能源技術重點實驗室，廣州　50640）

?

兼顧主導行業與上下級協調的電量預測方法

歐陽欣1，吳裕生2
（1.廣州供電局有限公司，廣州510620；2.華南理工大學電力學院廣東省綠色能源技術重點實驗室，廣州510640）

摘要：針對現有的電量預測方法對電量自身組成結構信息利用不足、忽略不同級電量預測結果存在不協調的問題，提出了一種兼顧主導行業與上下級協調的電量預測方法。設計了主導行業篩選原則與方法，引入影響度評價行業對地區電量預測的影響程度，采用最優GM（1，N）模型對待預測區域的月度電量和年度電量進行預測，建立一維二級協調模型，協調待預測區域的月度電量和年度電量，以消除不同級電量預測結果間的不平衡性。應用該方法對某供電局的電量數據進行預測分析，驗證提出的算法的準確性和有效性。

關鍵詞：主導行業；上下級協調；GM（1，N）

電量預測是電力系統規劃、經濟運行和生產經營的基礎和依據［1—3］。受經濟轉型、產業結構調整等因素的影響，電網的總用電量也相應發生變化。故在對總電量進行預測時，需要充分利用電量自身組成結構的信息，結合地區各個行業的用電特點，以此為供電企業提供營銷決策支持，對電網的安全經濟運行以及電力市場的建設和發展都具有十分重要的意義。

行業電量是地區電量的基本組成成分，保留總電量最原始的特征。若能從行業電量的角度出發，對地區的總電量進行預測，將有可能達到更好的預測效果。對于任何一個地區，都有特定的行業結構，不同行業的用電變化規律，對地區供售電量的影響不同，某個行業的用電變化規律甚至可以主導城市電網電量的變化趨勢。因此，可以從地區總電量的行業構成出發，深入分析行業電量與地區電量的內在聯系，尋找對地區電量變化規律影響較大的行業，在此基礎上進行地區的電量預測，達到提高預測精度的效果。

在實際的電量預測工作中，各級電網往往根據自身的需求進行電量預測。例如：省級電網公司會根據全省的歷史電量數據預測全省的用電量，而下屬的地級市也會根據各市的歷史電量獨立預測全市的電量。但由于上下級間數據本身的可信度不同、采用的預測方法也不同，導致上下級間的預測結果不滿足加和性，即市級預測電量總和不等于省級預測電量，出現不均衡、不協調的現象［4］。現有的處理方法通常假定某一級的預測精度較高不必調整，而對其他級的預測結果進行調整以滿足不同級間的加和性，但哪一級的電量預測精度更高往往難以確定。

目前，考慮行業分類進行預測的研究并不多。文獻［5］根據分行業負荷曲線進行分級預測，并采用容量協調和電量協調2種方法分配上下級間的負荷差值，但該方法認為總負荷數據沒有偏差。文獻［6］設計了一套考慮行業用電特性的GM（1，N）預測方案，對行業電量和地區總電量分別進行預測，并沒有進一步研究行業電量和總電量預測結果間的內在聯系。文獻［7］—文獻［9］對各行業和全社會用電量分別進行了預測，并采用了神經網絡、優選組合等智能算法來提高預測精度。但這些文獻并沒有給出選取主導行業的原則，大多都是依靠經驗選取，缺乏依據，而且也沒有考慮上下級電量預測結果之間的不協調性。

綜上，本文提出了一種兼顧主導行業與上下級協調的電量預測方法。該方法涵蓋了主導行業篩選、各級電量獨立預測和上下級協調［10—12］3個主要步驟，充分考慮了主導行業與地區總電量之間的內在聯系，并實現了各級電量預測結果之間的協調同一，提高了預測結果的可信度。通過對某地區的總電量數據進行預測分析，驗證了方法的準確性和實用性。

1主導行業分析

行業電量是地區總電量的重要組成部分，各行業的用電量變化規律不同，對地區總電量的影響也不同，部分行業的電量變化甚至能夠主導該地區總電量的變化。因此，必須了解該地區的行業構成，深入分析各行業用電量的變化和總用電量之間的關系，進而篩選出對地區總電量影響較大的行業作為該地區的主導行業。

1.1主導行業選取原則

（1）按照國家統計局《國民經濟行業分類》國家標準GB/T 4754—2002的劃分方式將整個國民經濟行業進行細分。

（2）考慮到實際收集電量歷史數據的可操作性，應當重視待預測區域售電部門統計電量數據時采用的分類方式。

（3）選取的行業對該地區總電量的變化規律有較大的影響，或者能夠反映其變化規律。

1.2主導行業的選取方法

主導行業選取實際上就是在國家現有行業劃分的基礎上，將每個行業對地區總電量的影響程度進行排序，其關鍵在于對影響程度進行量化。地區總電量是各行業電量的總和，一方面，從電量所占比重的角度來講，一個行業用電量占該地區用電量的比重越大，說明該行業對該地區總電量的影響越大；另一方面，從電量的變化規律看，行業用電量的發展規律和地區電量的發展規律存在著一定的相關關系，相關性的高低也體現了該行業用電量對該地區總電量的影響，相關性越強，說明該行業電量與地區總電量的變化規律越相似，一定程度上說明了該地區總電量的變化對該行業的依賴程度。

綜上，本文綜合考慮電量占比和相關性2個因素，將行業對地區總電量的影響程度進行排序，進而選出地區的主導行業，具體的步驟如下。

（1）收集地區總電量和各行業電量的月度數據。

（2）計算各行業電量占地區總電量的比重T，計算公式為

（3）計算各行業電量與地區總電量的相關系數R，計算公式為

（4）分別賦予電量占比T和相關系數R一個權重，計算得到各個行業用電量對地區總電量的影響度F，計算公式為

式中：α和β分別為電量占比和相關系數的權重，并滿足α+β=1。

（5）根據F的大小給出各行業對該地區總電量影響程度的排序，并根據該序列判斷出該地區的主導行業。

2上下級協調基本原理

上下級協調原理是用來解決實際電量預測中，不同維度不同級別的電量預測結果之間存在不統一、不協調問題的理論，其基本思路是根據上下級電量預測的結果，將上級電量和下級電量沿著減小不平衡量的方向進行調整，達到消除上下級預測結果之間的不平衡量的目的。本文主要涉及地區總電量的年度預測結果和季度預測結果之間的協調統一。

設該地區年度電量的預測值為z0，實際值為x0，月度電量預測值為zi，實際值為xi（i=1，2，…，12），理想情況下，應有

式中：wj表示各級相對調整量的權重，電量預測結果的可信度越高，權重就越大。

式（5）是典型的等式約束二次規劃問題，可用拉格朗日乘數法進行求解。

3預測方法及流程設計

本文設計的兼顧主導行業與上下級協調的電量預測方法主要包括主導行業篩選、基于主導行業的最優GM（1，N）電量預測模型構建以及上下級協調3部分。整體的預測流程為：

（1）根據國家行業分類標準并結合地區售電部門行業電量統計方式，確定該地區的行業分類情況，并收集地區的總電量和各行業電量的歷史月度和年度電量數據。

（2）根據公式（3）計算各個行業用電量對地區總電量的影響度F，并將行業按照影響度的大小從大到小排列，結合實際情況，將影響度最大的前N個行業作為該地區的主導行業。

（3）以地區總電量數據和各行業電量歷史月度數據為輸入，采用最優GM（1，N）模型預測地區總電量的月度數據，以地區總電量數據和各行業電量歷史年度數據為輸入，采用最優GM（1，N）模型預測地區總電量的年度數據。

（4）建立一維二級協調模型，協調步驟（3）中計算結果的年度數據和月度數據，得到兼顧主導行業與上下級協調的電量預測結果。

相應的流程圖如圖1所示。

圖1預測算法流程

灰色系統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。其中，GM（1，N）模型是反映了N-1各相關因素對電量的影響，適用于對多影響因素系統作分析及預測［13—14］。本文提出的基于主導行業的最優GM（1，N）電量預測模型的推導過程如式（6）—式（8）所示。

首先，利用新生成的數據序列進行累加生成，得到生成序列后建立一階微分方程

再利用最小二乘法解得參數（a，b1，b2，…，bN-1），從而得到系統的狀態方程

式中：k=1，…，m。

式（7）再累減還原，即可得到預測公式

式中：x1（0）（k+1）為電量預測值。

GM（1，N）模型重視影響因子的關聯質量，因此，在建立GM（1，N）模型之前，引入關聯度度量地區總電量與各行業電量的關聯程度，對主導行業進行二次篩選，以期建立電量預測最優GM（1，N）模型。本文通過設置關聯度閾值，篩選出關聯度大于閾值的主導行業作為輸入數據，對地區總電量進行預測。其計算流程如圖2所示。

圖2最優GM（1，N）計算流程

4實例分析

利用某地區供電局2007—2013年的地區的實際電量數據對本文提出的兼顧主導行業與上下級協調的電量預測方法進行驗證。其中，2007—2012年的數據用于模型構建，2013年的數據用于驗證預測結果。

根據國家行業分類標準并結合地區售電部門行業電量統計方式，收集該地區總電量及各個行業電量的月度電量數據和年度電量數據。該地區的行業中，紡織業（x1），化學原料及化學制品制造業（x2），橡膠和塑料制品業（x3），非金屬礦物制品業（x4），有色金屬冶煉及壓延加工業（x5），金屬制品業（x6），通用及專用設備制造業（x7），交通運輸、電氣、電子設備制造業（x8），工藝品及其他制造業（x9），批發和零售業（x10），公共管理和社會組織、國際組織（x11），住宿和餐飲業（x12），租賃和商務服務、居民服務和其他服務業（x13），以及電信和其他傳輸服務業（x14）這14個行業的用電量較大，14個行業的電量總和達到該地區總電量的75.05%。根據公式（1）計算14個行業的電量占比T，計算結果如表1所示。

表1 14個行業的電量占比T

根據公式（2）計算14個行業的電量與地區總電量之間的相關系數R，計算結果如表2所示。

表2各行業電量與地區總電量的相關系數R

由于該地區的電量變化較為平穩，各行業電量的占比波動較小，因此，可以假定這2方面的影響一樣重要，即取電量占比和相關系數的權重α=β=0.5，根據公式（3）計算各個行業用電量對地區總電量的影響度F，按F的值從大到小排列，計算結果如表3所示。

表3各行業電量與地區總電量的影響度F

根據各行業影響度F的排序結果，篩選影響度大于0.35的8個行業作為該地區的主導行業，即行業x4、x8、x1、x3、x6、x2、x10、x7，這8個行業占地區總電量的60.78%，很大程度上能決定該地區電量的變化趨勢。將這8個行業作為地區總電量的影響因素，計算它們與總電量之間的關聯度，計算結果如表4所示。

表4主導行業與總電量的關聯度

從關聯度的計算結果可以看出，選出的主導行業與總電量的關聯度都比較高，最小的也達到了0.703 739，說明了經過影響度計算后，篩選出來的主導行業能夠較好地反應總電量的變化情況。在此基礎上，設置關聯度閾值對主導行業進行二次篩選，以獲得更好的電量預測效果。本文設定的關聯度閾值為0.75，篩選出的5個主導行業x4、x8、x3、x6、x7，將這5個主導行業的電量數據及地區總電量數據作為輸入，建立GM（1，6）模型，分別預測2013年的月度電量和年度電量，預測結果如表5所示。

從預測結果看，采用GM（1，6）模型預測月度電量數據時，預測效果較差，預測誤差較大，最大的預測誤差達到了11.74%，年度預測結果的誤差僅有0.01%；月度電量預測結果總和為744 294.849 kWh，而年度預測結果為738 912.180 kWh，月度電量預測結果總和不等于年度預測結果，兩者差值為5 382.669 kWh?？梢钥闯?，月度和年度預測結果之間存在不協調、不平衡的現象。因此，采用一維二級協調模型進行協調，協調結果如表6所示。

表5月度電量和年度電量預測結果

表6月度電量和年度電量預測協調結果

從協調的結果來看，盡管協調后各月份的電量預測誤差仍然比較高，但總體的誤差略有下降，各月份的誤差相對協調前分布也比較平均。最重要的是，協調后月度電量總和等于年度電量總和，消除了原來預測結果的不均衡性。

5　結論

（1）本文提出的兼顧主導行業與上下級協調的電量預測方法，能夠充分地利用地區電量的自身組成結構的信息，深入分析各行業對地區電量預測結果的影響，使得預測結果更加準確。

（2）本文提出的主導行業篩選方法，以國家行業分類標準為基礎，并結合地區實際行業的分類情況，從電量占比和相關性2方面進行考慮，篩選出的主導行業在很大程度上能夠主導該地區的總電量變化規律，也可為供電企業的電力營銷工作服務。

（3）本文建立的一級二維協調模型，協調地區總電量年度數據和月度數據，使得月度預測電量總和等于年度預測電量，實現了預測結果的一致性，將不同級的電量預測結果統一成為一個體系，提高了預測的可信度。

（4）實例證明，本文提出的方法能在一定程度上提高電量預測的準確性，并且能夠很好地消除不統計電量預測結果之間的不協調性，使得預測結果更加合理可信。

參考文獻：

［1］唐巍，高春成.并行自適應混沌優化方法在中長期電量預測中的應用［J］.電網技術，2005，29（11）：30-35.

［2］肖先勇，葛嘉，何德勝.基于支持向量機的中長期電力負荷組合預測［J］.電力系統及其自動化學報，2008，20 （1）：84-87.

［3］薛必克，李陳龍，鄭亞先，等.遺傳算法在中長期電量最優組合預測中的應用［J］.華東電力，2012，40（9）：1 525-1 527.

［4］康重慶，牟濤，夏清.電力系統多級負荷預測及其協調問題（一）研究框架［J］.電力系統自動化，2008（7）：34-38.

［5］孫璞玉，李家睿，王承民，等.基于負荷特征向量的負荷分類與預測方法研究及其應用［J］.電氣應用，2013 （S1）：234-238.

［6］葉琳浩，李達凱，黃偉，等.考慮行業用電特性的電量預測方法研究與應用［J］.新技術新工藝，2015（6）：46-49.

［7］崔璐.基于行業電力負荷預測的江門地區開拓用電市場研究［D］.北京：華北電力大學，2011.

［8］毛李帆，江岳春，龍瑞華，等.基于偏最小二乘回歸分析的中長期電力負荷預測［J］.電網技術，2008（19）：71-77.

［9］于永杰.保定市行業用電分析及電力需求預測研究［D］.保定：華北電力大學，2005.

［10］牟濤，康重慶，夏清，等.電力系統多級負荷預測及其協調問題（二）基本協調模型［J］.電力系統自動化，2008（8）：14-18.

［11］牟濤，康重慶，夏清，等.電力系統多級負荷預測及其協調問題（三）關聯協調模型［J］.電力系統自動化，2008（9）：20-24.

［12］牟濤，康重慶，夏清.電力系統多級負荷預測及其協調問題（四）約束最小二乘可信度［J］.電力系統自動化，2010（2）：43-47.

［13］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，2009.

［14］樊愛宛，潘中強，王巍.灰色GM（1，N）模型在河南省煤炭需求預測中的應用［J］.煤炭技術，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）

中圖分類號：TM715

文獻標志碼：B

文章編號：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

作者簡介：歐陽欣（1978），男，江西吉安人，經濟師，碩士，研究方向為線損與投資管理；吳裕生（1991），男，廣東揭陽人，碩士研究生，研究方向為負荷預測、配電網可靠性分析。