電力市場用電量需求分析預測模型研究*

丁業豪，麥琪

（廣東電網有限責任公司東莞供電局，廣東東莞523000）

0 引 言

基于大數據平臺模式下建立科學合理的電量分析預測管理辦法具有重要意義，有助于電力市場營銷部門制定有效的購售電策略，及電網企業充分挖掘潛在的用電用戶，更加科學合理地進行錯峰供電。基于大數據分析技術的電力市場用電量信息與多源信息的特性及之間關系的研究顯得尤為重要，這需要把握國內具體行業的用電特性，對其用電量趨勢進行精細化預測，并開展市場營銷工作的精細化管理與深度開發。

目前，我國的負荷與電量預測對象比較粗放，無法精準把握具體行業或大用戶的用電特性，市場營銷工作難以進行精細化管理與深度開發［1］。電量預測方面，文獻［2-5］針對中長期電量預測，分別提出一種基于改進GM（1，1）和SVM的優化組合預測模型、并行自適應混沌優化預測方法、基于多指數平滑預測模型和基于Odds-Matrix算法的Odds-Matrix組合預測方法，電量預測準確度均有所提高，模型或方法具有一定的有效性；文獻［6-8］則針對月售電量預測，分別提出一種基于云模型及比重法的預測算法、基于偏最小二乘回歸與比重法的預測模型和基于季度售電量預測值的月度售電量新方法，預測精度均有一定提升，預測模型具有一定的準確性；國內外較為集中于電力負荷預測方面研究，其中，文獻［9-15］集中于短期電力負荷預測，多采用改進的PSO-SVM、多級協調SLF法、自適應混合方法、局域波-LSSVM法、二級偏差預測法、遺傳灰色RBF模型等預測方法，短期負荷預測準確度較高。

國內外研究多集中于超短期、短期、中長期和長期電力負荷預測，較少根據具體行業的用電特性，對電力市場用電量需求進行預測研究。基于此，本文搭建用電量分析預測模型，結合廣東省某市歷年的歷史用電量數據，搭建基于行業用電特性的用電量市場分析預測模型。首先，基于行業細分，確立用電量市場分析預測模型及其總體設計方案；然后，討論用電量市場分析預測模型涵蓋的幾種常用的用電量分析預測方法，并介紹其內部的行業信用等級評價模型和景氣指數分析模型；最后，基于電量市場分析預測模型，討論了電力市場中城區用戶與電網、售電商（還包括負荷集成商）之間的多方供需互動關系，提出引入動態博弈Nash均衡和Pareto解的多智能體強化學習算法，可以充分挖掘城區用戶的用電行為特征及用電潛力，為今后的深度電量分析預測奠定模型基礎。

1 分析預測模型及總體方案設計

根據城區用戶用電特性，建立其用電量市場分析預測模型，需要在大數據分析的趨勢下，系統地分析用電量信息與多源信息的特性及其之間的關系。在本文中，模型搭建的前提是進行行業細分，并確定各行業關鍵驅動因素，將各驅動因素預測值與預測模型結合，利用數字回歸算法，計算出用電量預測值，并通過對歷史用電量的預測，驗證電量預測模型的準確性。根據預測結果，調整電力營銷策略。

1.1 行業細分，確定驅動因素

行業細分是將營銷數據、客戶服務數據、配網數據、氣象數據、社交網絡、電商、信用評價等多角度、多層次的數據進行有機整合，開展大數據分析挖掘，以“標簽”的形式，構建多層次、多視角、立體化的客戶全景畫像，實現對電力行業的聚類分群，從而使業務人員能夠快速獲取行業基本信息、用電偏好、信用風險和行為特征等精細特征。行業細分的總體思路是：歷史數據處理→市場分析→驅動因素預測。以廣東省東莞市為例，其行業細分思路如圖1所示，利用二八原則，將重點放在用電量大的行業，具體行業細分如表1所示。

圖1 行業細分總體思路Fig.1 General thinking of industry subdivision

表1 行業細分表Tab.1 Industry subdivision table

行業細分完成后，接下來需確定各行業驅動因素，以東莞為例，其目前各行業主要驅動因素如表2所示。

表2 該市目前主要驅動因素統計Tab.2 Current driving factor statistics in the city

續表2

1.2 模型分析預測步驟

如圖2所示，為電量市場分析預測模型涵蓋的主要的幾種電量分析預測方法。根據該圖，首先使用①驅動因素法作為主預測法來實現行業電量的分析預測功能；然后使用；②GDP/電力彈性系數法及；③電力相似月法對主預測法進行輔助與校驗；最后通過專家經驗或國家政策等依據綜合使用；④專家調整法確定最終的預測數據供電力企業使用。

圖2 模型分析預測步驟Fig.2 Analysis and forecasting procedures of model

1.3 模型總體方案設計

電量市場分析預測模型的總體方案設計如圖3所示。該模型總體架構包括源數據平臺、大數據計算平臺、業務應用平臺等3個平臺，體現“數據是價值、平臺是基礎、應用是核心”的大數據總體架構思想。模型總體架構基于分布式數據計算平臺及大數據算法模型包結構，支撐整個大數據的應用功能與體系。

如圖3，其中，源數據平臺層提供基于計量自動化數據源及外部數據源為基礎的各類業務數據。主要包括：計量自動化系統的檔案數據、計量點月電量數據以及年電量數據等。另外，外部數據源為氣象數據、宏觀經濟數據、酒店數據、寫字樓數據、交通運輸類等各種數據信息的大集合。

大數據計算平臺層主要為大數據技術框架及平臺實現，提供大數據計算平臺以及為業務應用提供各種分析預測模型，包括多元回歸分析模型、電力相似月模型、電力彈性系數模型、行業信用度模型、行業景氣度模型等。

應用平臺層負責提供各種應用業務功能。系統人員應用該層模塊分析各類業務應用數據消費，主要包括行業電量分析、行業電量預測、行業信用度評價以及行業景氣度分析等應用功能。

1.4 基于大數據平臺的云計算技術架構設計

基于傳統的電量預測方法，設計用電量市場分析預測模型需綜合考慮多源信息與電量的特性及其之間的關系，并利用基于多源信息的電量預測方法和設計行業景氣指數分析模型，實現自動分析功能。因此，模型的設計基于大數據平臺的開發技術和應用，采用滿足技術先進性與成熟性相結合的大數據云計算架構，以提高系統的靈活性、可擴展性、安全性和并發處理能力，有效解決“數據孤島”的弊病，加強各種數據源間的碰撞，充分挖掘數據價值，如圖4所示為用電量市場分析預測模型的大數據云計算技術架構。

圖3 模型總體架構設計Fig.3 Overall framework design of model

圖4 大數據云計算技術架構Fig.4 Big data cloud computation technical framework

圖4為一個集資源管理、平臺功能整合、應用工具提供及場景應用支撐于一體的整體平臺技術架構。其中，第一層為 IAAS或hardware-as-a-servicec，提供場外服務器、存儲和網絡硬件等；第二層為PAAS或中間件，是整個技術開發層，其嵌入節省了時間和資源；第三層為 SAAS，可通過網頁瀏覽器接入，通過PAAS層為相關人員提供各類應用支撐與交互界面。

2 用電量市場分析預測方法

模型涵蓋的幾種用電量市場分析預測方法主要分為：行業驅動因素法、電力彈性系數法和電力相似月法等，結合廣東省某市歷史用電量數據，討論如下。

2.1 行業驅動因素法

行業驅動因素法關鍵在于確定各行業驅動因素，其值影響最終的電量預測結果。設計分析預測模型應用驅動因素法時，主要利用行業驅動因素，通過回歸分析實現對行業電量的分析預測，確定各行業驅動因素的組合。該方法主要步驟包括：a）確定行業驅動因素；b）確定驅動因素趨勢；c）結合 a）和 b）進行行業電量預測。如圖5所示為應用行業驅動因素法示意圖。

實際中確定驅動因素主要使用指數平滑法和回歸分析法。其中，指數平滑法的基本公式為［16］：

式中S（t）為時間t的平滑值；y（t）為時間t的實際值；S（t-1）為時間t-1的平滑值；a為平滑常數，且易受主觀影響，其取值區間為［0，1］。

回歸分析法最重要的是單變量相關性和回歸擬合的擬合程度，單變量相關性可由相關系數R來決定，R為兩個現象之間相關關系密切程度的統計分析指標，其絕對值越大，相關程度越高。而回歸擬合程度則由決定系數R2及擬合的P值來決定。R取值情況為：R＞0，正相關；R=0，不相關；R＜0，負相關。

回歸分析法中，線性回歸預測模型是電量需求預測的一個基礎模型，在該模型中，自變量是可控制或可精確觀測的變量［17］，例如產值用χ表示，可表示工業產值、農業產值、GDP產值等；因變量是依賴于χ的隨機變量，用Y表示，回歸方程式表示為：

式中b0為回歸算法的截距值；χ1，χ2和χ3分別代表工業產值、農業產值和GDP產值；ε定義為專家預測值（或手工調整值）；b1，b2和b3為利用線性回歸方式所計算的對應預測參數或系數值。

以東莞市“批發零售行業”電量預測為例，應用行業驅動因素法預測該行業用電量。假設該行業共有2個驅動因素，即“億元以上商場面積”和“溫度”，該行業用電量及驅動因素的歷史數據如表3所示。

表3 批發零售行業用電量及驅動因素歷史數據統計Tab.3 Historical data statistics of electricity consumption and driving factors for the wholesale and retail industry

續表3

利用多元回歸分析計算截距和系數，其中，回歸統計倍數為R=0.927 401 877，則R2=0.860 074 241，R2調整值為 ε=0.853 713 979，標準誤差為1 209.093 372，觀測值為47.0。則通過驅動因素法計算得到驅動因素預測值，并預測各月用電量值，如表4所示。表中，各月電量預測方法為：A月的電量預測=截距+A月驅動因素預測值×A月驅動因素系數+B月驅動因素預測值×B月驅動因素系數。

圖5 應用行業驅動因素法示意圖Fig.5 Schematic diagram of applying industrial driving factor method

表4 各月用電量和驅動因素預測值Tab.4 Forecasting values of electricity consumption and driving factor for each month

2.2 電力彈性系數法

電力彈性系數（electricity elasticity coefficient）分為電力消費彈性系數（elasticity coefficient of electricity consumption，ECEC）和電力生產彈性系數（elasticity coefficient of electricity production，ECEP）。ECEC為一段時間內電力消費增長速度與國民生產總值增長速度的比值，ECEP為電力生產量平均增長速度與國民經濟年平均增長速度的比值［18］。其中，ECEC的計算公式為：

式中E1為上一年度用電量；E2為下一年度用電量；G1為上一年度GDP；G2為下一年度GDP。經濟、環境、科技等多方面原因都會影響ECEC，但總趨勢是逐漸減小。

在GDP增長一定的情況下，電力彈性系數與單位電耗變化存在一一對應關系。假設第1年與第2年的GDP總量分別為G1、G2（萬元），每萬元GDP能耗分別為D1、D2（萬元），消耗電量分別為E1、E2度，即E1=D1G1，E2=D2G2。則電力彈性系數的計算公式為：

式中g為GDP增長率變化系數；G2=G1（1+g）；σ為電耗變化系數；D2=D1σ；用電量預測增長率則等于GDP預測增長率與電力彈性系數κ的乘積。

以廣東省某市2009年用電量預測為例，設計模型應用電力彈性系數法的流程為：a）查找2008年GDP增長率，如表5所示，計算2008年不變價萬元GDP電耗；b）計算2008年電耗系數；c）基于對2008年電耗系數的分析，預測2009年電耗系數，其中考慮節能減排政策的持續影響約占3%～4%，線損率降低影響約占0.2%，計及經濟危機的影響可根據情況判斷其有無和大小；d）參照電耗系數與彈性系數的公式，代入2009年GDP預測增長率和電耗系數可得電力彈性系數，其值與GDP增長率的乘積即為2009年用電量的增長率。其中，該市2009年GDP增速分為高、中和低三種方案，預測值分別為10%、9%和8%，對應能耗系數也分為高中低三種方案，對應預測結果分別為：0.959、0.950和0.941，則該市2009年彈性系數及用電量增長預測如表6所示。

表5 該市2000～2008年用電量歷史數據Tab.5 Electricity consumption historical data of the city from year of 2000 to 2008

表6 該市2009年電力彈性系數及用電量增長預測Tab.6 Forecasting of elasticity elasticity coefficient and electricity consumption growth of the city in 2009

2.3 電力相似月法

該方法主要用于校驗驅動因素法的準確性，強調在相同的時間段內，氣候條件相似，生產周期相似，對于用電量的影響理論上也相對一致。其優點是方法簡單、易掌握，而且只從宏觀層面考慮驅動因素，對數據的依賴要求較小，且用于年底預測的準確性較高。缺點是數據擬合度平滑，對高峰低谷因素的識別能力較差。

電力相似月法的預測流程為：（1）加入上一年的GDP溫度和用電量數據，對歷史數據進行回歸分析，基于歷史數據，對去掉線損的用電量與溫度和GDP相對值進行回歸分析得到相應的回歸方程和各個變量對應的系數；（2）采用過去10年的溫度，對未來的溫度數據進行預測；（3）對未來的GDP進行預測：進行相關的搜索和研究，如經濟無特殊變化，該增長率可直接適用于各個季度，否則需進行判斷，適當調高或調低某個季度；（4）代入數據進行預測，可得出各月的不含線損的用電量預測結果，改用名義電量乘以相應的線損率即可得到當年的線損值，與上述預測結果相加即為全社會用電量，其中，線損率為線損電量與除線損外其它用電量的比例，需要考慮逐漸下降的，電力相似月法預測流程如圖6所示。

圖6 電力相似月法預測流程Fig.6 Forecasting flow chart of power similarity month approach

3 行業信用等級評價和景氣指數分析模型

3.1 行業信用等級評價模型

基于圖3設計的電量市場分析預測模型需涵蓋行業信用等級評價模型，其應用流程如圖7所示。利用該模型建立信用評級制度，對電力行業客戶的信用等級進行科學分類，并與社會公共事業機構建立共享的信用記錄機制，依據不同的行業分類，對行業信用等級進行統計分析，形成行業信用決策分析報告。基于圖7，行業信用等級評價模型的應用過程描述如下。

圖7 信用等級評價模型應用流程Fig.7 Application flow chart of credit rating evaluation model

（1）樣本數據的采集及分析過程：從業務數據中抽取樣本行業近兩年的電量電費信息及其他信息，通過數據分析，確定評分指標的權重；（2）建立行業信用風險評價數據池：根據信用評分指標的數據要求，定期獲取各類目標數據，為計算行業信用評分做準備；（3）以目標數據為基礎，結合評分指標權重，通過標準化的數據處理規則，計算用戶的信用評分；（4）通過分析評分結果，結合業務經驗，確定信用等級劃分標準，客戶信用等級被分為6級：AAA、AA、A、B、C、D等。

3.2 行業景氣指數分析模型

計算國民經濟各行業綜合景氣指數的方法為［18］：以國民經濟各行業內不同規模企業的企業銷售收入（或主營業務收入）比重為權數，對國民經濟各行業不同規模企業的綜合景氣指數進行加權。

其具體步驟為［19］：（1）分別計算各行業內不同規模企業的綜合景氣指數；（2）從有關部門或根據資料計算各行業不同規模企業的企業銷售收入或主營業務收入；（3）計算各行業內不同規模企業的企業銷售收入或主營業務收入比重；（4）以各行業不同規模企業的銷售收入或主營收入比重為權數，對各行業內不同規模企業的綜合經濟指數加權，即可算出各行業綜合景氣指數。

通過建立行業景氣指數分析模型，可在充分掌握各行業用電內在規律的基礎上，充分兼顧多源信息及相關性特點，分析各行業景氣指數，提出合理可行的用電推廣策略，拓展供電局的營銷重點，為供電局的營銷工作提供決策依據。

3.3 行業與客戶信用評估體系

為提高客戶電費回收率，應充分利用電力市場電量分析預測的結果，及時對客戶信用評價進行調整和預警。通過建立行業與客戶信用評估體系，對行業及客戶進行信用度評分。其中，行業信用度計分是通過對過去一段時間內，根據行業用電量分析預測的響應情況進行加權計算得出的；客戶信用度則是根據客戶賬戶劃扣、繳費等電費回收情況進行加權計算得出的。

行業信用度計算模型為［20］：信用度=單項信用值×時間權重×信譽度因子+手動調整值。其中，單項信用值即為信用事件，與時間權重、信譽度因子、手動調整值無直接關聯關系；時間權重目前只考慮1年內的情況，超過1年則用零參與計算；信譽度因子應取因子值較低的參與計算，前提是用戶滿足2個或2個以上的信用因子；手動調整值是對整個信用度進行適當調整的一個手段。

4 “電網-用戶-售電商”三方供需互動關系探討

圖8 三方供需互動建模示意圖Fig.8 Supply-demand interaction modeling schematic diagram for three sides

通過對電網-用戶-售電商三方供需互動關系的探討，結合本文設計的用戶用電量市場分析預測模型，可為今后的基于行業用電特性的深度電量分析預測提供參考。對于三方在市場競爭環境下的供需互動關系的研究，可采用多方動態博弈理論和多智能體強化學習建模方法，模擬市場環境下三方的行為，對三方的行為決策進行統一建模，形成博弈決策模型，如圖8所示為三方供需互動建模示意圖。具體來說，將“電網-用戶-售電商”三者在電力市場競爭環境下的博弈（對策）過程抽象為雙層（購電層/售電層）動態博弈模型，在互動博弈中，智能體之間通過不斷交互各自的效益信息，得到滿足自身效益最大的Nash均衡點，通過求解Nash均衡點，預測三方博弈的動態行為。可利用Matlab平臺，編制可求解此類多方動態博弈問題的Minmax-Q［21］、Nash-Q［22］、CEQ［23］、Friend-or-foe-Q［24］、Negotiation-Q［25］、Asymmetric-Q［26］等多智能體隨機對策算法。

基于圖8，在討論用戶與電網互動博弈的輸入輸出時，可分考慮售電商和不考慮售電量兩方面進行研究：

（1）考慮售電商

①電網側與售電商博弈

博弈輸入：以電網側削峰填谷及售電商購電成本等目標的帕累托前沿，及電網側和售電商在不同購電成本和購電計劃策略組合下的目標函數值；

博弈輸出：最優納什均衡解，即最優購電價格策略及購電計劃策略；

②售電商與用戶側博弈（電網可視作售電商之一）

博弈輸入：以售電商利潤及用戶用電費用及用電舒適度等目標的帕累托前沿，及售電商和用戶側在售電價格和用電計劃策略組合下的目標函數值；

博弈輸出：最優納什均衡解，即最優售電價格策略及用電計劃策略。

（2）不考慮售電商

①用戶側上傳各類設備運行數據及負荷需求數據至電網側EMS；②根據上傳的數據，電網側EMS以削峰填谷、用戶用電費用及用電舒適度等為優化目標，采用某種算法求解出多個納什均衡方案（即各個激勵電價和用電計劃對應的帕累托前沿）；③電網側EMS再將多個納什均衡方案下傳到用戶側EMS；④電網側和用戶側在以判斷對方選擇不同方案為思考前提，各自利用均衡求解器求解出期望效益值最大的納什均衡點（即最優激勵電價策略及用電計劃）。

總的來說，博弈的求解輸入是：在得到的帕累托前沿上，電網側和用戶側在不同動作策略組合下的目標函數值；博弈的求解輸出是：最優納什均衡解，即最優激勵電價策略及用電計劃策略。

5 結束語

對電力市場用電量進行細致、深入與合理的分析預測，對于電網公司未來電量的增長，及充分挖掘潛在的用電用戶、加大投入供電不足的區域、合理地進行錯峰供電等，具有重要意義。本文結合廣東省某市歷史用電量數據，通過對電力市場用電量需求預測模型的研究，可為市場營銷提供服務策略，在電網-用戶-售電商三方供需互動博弈的市場競爭環境下，使市場從原來以用電內部業務為驅動真正向以市場和客戶需求為驅動轉化，為電費回收、行業信用度評價和預警提供決策分析基礎與數理依據。