電力市場代理交易目標(biāo)客戶群體分析

曹 敏，孫子雯，白澤洋，巨 健

（1. 國網(wǎng)陜西省電力公司，西安 710000；2. 南京師范大學(xué)，南京 210024；3. 國網(wǎng)西安供電公司，西安 710000）

0 引言

電力公司作為市場的參與者，為實現(xiàn)可持續(xù)發(fā)展與運營，需要不斷嘗試調(diào)整其市場功能與定位［1］，售電公司開展代理售電交易業(yè)務(wù)時，在對電力用戶的市場交易潛力和電力用戶用電偏差考核等方面面臨著巨大的挑戰(zhàn)。文獻［2］以江蘇武進區(qū)大客戶為研究對象，利用隨機森林方法，探索并構(gòu)建了服務(wù)策略推薦模型，針對不同屬性的客戶制定不同的服務(wù)策略，實現(xiàn)差異化精準(zhǔn)推送。文獻［3］根據(jù)發(fā)電企業(yè)、售電公司及市場用戶的各主體特點、相關(guān)交易規(guī)則及博弈交互關(guān)系，設(shè)計了以主體收益函數(shù)為目標(biāo)的市場博弈模型。模型仿真結(jié)果表明，售電公司使得市場用戶的用電成本降低。文獻［4］利用K均值聚類方法根據(jù)電量、電價、容量等指標(biāo)，將大客戶分為5類，并根據(jù)聚類結(jié)果，針對各類別客戶具體的用電需求和需求分層情況，提出不同的資源配置建議。文獻［5］通過風(fēng)險規(guī)避函數(shù)及預(yù)期收益定義風(fēng)險效用，以風(fēng)險效用最大化為目標(biāo)，構(gòu)建大用戶在現(xiàn)貨市場等多種交易市場中的決策行為模型，為大用戶交易中的決策提供方向和思路。文獻［6］針對售電側(cè)放開后電網(wǎng)企業(yè)面臨的新挑戰(zhàn)，為電網(wǎng)企業(yè)開拓市場路徑提供了多種方法，主要以提高服務(wù)能力和水平來提升市場份額。

綜上所述，目前對發(fā)電企業(yè)、售電公司和可參與市場用戶3者之間的資源配置等方面已開展了相關(guān)研究，但對未參與市場化用戶的潛力評估與已參與市場化客戶的考核預(yù)警方面的研究尚有不足。本文將利用數(shù)據(jù)挖掘技術(shù)，在對用電量預(yù)測的基礎(chǔ)上，從未參與市場化用戶和已參與市場化用戶2個方面著手，對未參與市場化用戶的電力用戶潛力進行劃分，對已參與市場化用戶的用電偏差考核進行預(yù)警等級劃分，協(xié)助售電公司提升市場化售電服務(wù)質(zhì)量。在用電量的預(yù)測方面，文獻［7］以日均用電量需求為因變量，以城鎮(zhèn)化率、國內(nèi)生產(chǎn)總值、第二產(chǎn)業(yè)產(chǎn)值比重和第三產(chǎn)業(yè)產(chǎn)值比重為自變量，建立了用電量需求的多變量時間序列帶控制量的自回歸模型（controlled auto?regressive，CAR）預(yù)測模型。文獻［8］利用時間序列的指數(shù)平滑法和差分平滑法對西北5個省份的2013年用電量進行預(yù)測，結(jié)果表明指數(shù)平滑法預(yù)測偏差較小，效果較優(yōu)。文獻［9］以5 min 為計數(shù)頻率，收集了30天內(nèi)8 640個用電量樣本數(shù)據(jù)，建立粗糙集-混沌時間序列Elman神經(jīng)網(wǎng)絡(luò)模型，結(jié)果表明，此模型對短期用電量的預(yù)測較為有效。

由此可見，時間序列模型在用電量預(yù)測的研究中已經(jīng)應(yīng)用的比較成熟。近年來，非線性系統(tǒng)中的混沌時間序列越來越受到人們的重視，其在電力負荷［10—11］、水文［12］和產(chǎn)品銷售［13］等方面均有應(yīng)用。混沌時間序列認(rèn)為:對于決定系統(tǒng)長期演化的任一變量的時間演化，均包含了系統(tǒng)所有變量長期演化的信息。因此，對系統(tǒng)的混沌行為的研究，可利用系統(tǒng)長期演化的任一變量的時間序列來進行［14］。本文嘗試?yán)没煦鐣r間序列重構(gòu)相空間，并結(jié)合支持向量機模型對可參與市場化的客戶用電量進行動態(tài)預(yù)測。其次，根據(jù)同行業(yè)、同電壓等級已參與市場化售電客戶電價降幅情況，測算其參與市場化后半年度用電成本降幅，并結(jié)合半年度用電預(yù)測結(jié)果，對未參與市場化電力用戶的售電潛力進行評估。最后，根據(jù)動態(tài)預(yù)測用電量，通過對比合同簽訂用電量與購電周期預(yù)測用電量，按月對已代理客戶用電偏差進行預(yù)警提示。

1 數(shù)據(jù)來源及預(yù)處理

本文建模分析主要使用的數(shù)據(jù)為陜西省可參與市場化電力用戶（2018 年用電量在300 萬kWh 以上）2015 年 1 月至 2019 年 6 月的用電量數(shù)據(jù)和歷年市場化售電的公示數(shù)據(jù)。為了保證月度用電量模型所需基礎(chǔ)數(shù)據(jù)的正確性、合理性，需要對數(shù)據(jù)準(zhǔn)備階段所采集的原始數(shù)據(jù)進行數(shù)據(jù)清洗，對數(shù)據(jù)格式不統(tǒng)一、出現(xiàn)重復(fù)數(shù)據(jù)、錯誤數(shù)據(jù)以及缺失數(shù)據(jù)等問題進行處理。處理后的陜西某公司歷史月用電量數(shù)據(jù)如表1所示。本文取交易電價與標(biāo)桿電價的差價為電價降幅數(shù)據(jù)。

表1 陜西某公司歷史月用電量Table 1 Historical monthly electricity consumption of a company in Shaanxi kWh

2 支持向量機-混沌時間序列預(yù)測模型

2.1 混沌時間序列

利用混沌系統(tǒng)對時間序列進行提取，然后對未來時序進行非線性預(yù)測是一個非常重要的研究方向。對混沌系統(tǒng)中的時間序列研究，離不開Packard［15］提出的重構(gòu)相空間理論，為了重建原動力系統(tǒng)，將一維時間序列轉(zhuǎn)化為多維相空間，這就需引入延遲時間和嵌入維數(shù)。

給定用電量時間序列為{xi,i=1,2,…,n}，n為時間序列的長度，引入嵌入維數(shù)m和延遲時間τ，重構(gòu)其相空間為

式中:i=1,2,…,N-(m-1)τ，N為m維相空間的相點；i個m維相空間就構(gòu)成一個相型。

確定延遲時間τ和嵌入維數(shù)m在相空間重構(gòu)問題中至關(guān)重要。

2.1.1 延遲時間的確定

延遲時間τ的確定在重構(gòu)相空間中非常重要，由于獨立變量:{xi,xi+τ,xi+2τ,…,xi+(m-1)τ} 需保持相互獨立，τ必須是采樣時間的倍數(shù)，而且不能太大或太小，τ太大，就會導(dǎo)致{xi,xi+τ,xi+2τ,…,xi+(m-1)τ} 不夠獨立，τ太小，就會導(dǎo)致{xi,xi+τ,xi+2τ,…,xi+(m-1)τ} 之間的連接值相當(dāng)于隨機，但混沌系統(tǒng)是介于線性和隨機之間的系統(tǒng)。已有研究中，自相關(guān)法和互信息法通常作為計算延遲時間τ的主要方法，其中，最為常用的方法為互信息法［9］。文獻［9］和文獻［11］利用互信息法確定延遲時間τ的大小，對于時間序列{xi,i=1,2,…,n}來說，xi出現(xiàn)的概率為P(xi)，對于延遲的時間序列 {xi+τ,i=1,2,…,N-τ}來說，xi+τ出現(xiàn)的概率為P(xi+τ)，則xi和xi+τ在 2 個序列中同時出現(xiàn)的聯(lián)合概率為P(xi,xi+τ)，所以它的互信息就是關(guān)于延遲時間τ的函數(shù)

利用式（2）代入i依次進行計算，當(dāng)I(τ)首次達到極小值時，此時的τ作為延遲時間。

2.1.2 嵌入維度的確定

為了提高模型的預(yù)測效果，嵌入維度需要越大越好。本文在重構(gòu)相空間時，利用Cao 算法來確定嵌入維度［12］，對于時間序列為 {xi,i=1,2,…,n}它的重構(gòu)相空間如式（1）所示，則定義

式中:Ym+1(n(i,m))為Ym+1(i)的最鄰近的點；Ym(n(i,m))為Ym(i)最鄰近的點；α(i,m)為相空間中的點在各嵌入維數(shù)條件下的最臨近點的距離變化值；E(m)為所有的α(i,m)均值；E1(m)為E(m)的變化情況。

Takens 的嵌入式定理為嵌入維數(shù)m提供了一個下限，若2 個點在m維空間中離得近，則其在m+1 維空間中也離最近，當(dāng)m大于某值時，E1(m)不發(fā)生變化，此時飽和嵌入維數(shù)為m。

2.2 支持向量機模型介紹

以往研究中，大多用前饋型神經(jīng)網(wǎng)絡(luò)對混沌時間序列進行預(yù)測［16］，但神經(jīng)網(wǎng)絡(luò)存在模型泛化能力較差的問題，支持向量機（support vector machine，SVM）是Vapnik［17］在20世紀(jì)90年代提出的可用于模式分類和非線性回歸的一種統(tǒng)計學(xué)習(xí)理論，其主要思想是創(chuàng)建一個決策曲面，起到最大化正例和反例之間的隔離邊緣作用，也叫做超平面［18］。由于其學(xué)習(xí)理論采用結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則，因而極大地提高了模型的泛化能力，所以，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型相比較，它能夠較好的對各種混沌系統(tǒng)進行預(yù)測［19］。本文參考文獻［19］，利用混沌時間序列-支持向量機預(yù)測模型對用電量進行預(yù)測。

2.3 支持向量機-混沌時間序列預(yù)測模型

利用SVM 模型對重構(gòu)的相空間進行預(yù)測試驗［19］，在t時刻，xit=(xt,xt+1,…,xt-(m-1)τ)，根據(jù)SVM 的非線性回歸函數(shù)得到t+1點預(yù)測模型為

式中:m為嵌入維數(shù)；τ為延遲的時間間隔；K(x,xi)為核函數(shù)；αi，，βi，≥0，為拉格朗日乘子；b為截距。

同理，對于相空間第t+p-1 點，xit+1=(xt+p-1,…,xt-(m-p+2)τ)，此時，得到第p步的預(yù)測模型為

3 潛力分析與動態(tài)預(yù)警

本文主要利用支持向量機-混沌時間序列模型對用電量進行預(yù)測分析，并在此基礎(chǔ)上分別對已參與市場化售電客戶進行動態(tài)預(yù)警，對未參與市場化售電用戶進行潛力評估，具體分析思路如圖1所示。

3.1 潛力分析

圖1 電力市場代理交易目標(biāo)客戶群體分析流程圖Fig.1 Flow chart of target customer group analysis of agency transaction in power market

潛力分析主要利用用戶預(yù)測成本降幅情況與預(yù)測用電偏差情況，對目前未參與市場化售電的用戶可參與市場化售電的潛力進行評估。

3.1.1 成本降幅分析

對于已經(jīng)具備市場化售電條件但還未參與的用戶，測算其參與市場化售電后半年度用電成本降幅，測算公式為

式中:C為用戶參與市場化售電后用電成本降幅；Q為同行業(yè)、同電壓等級已參與市場化售電的用戶平均電價降幅；k為用戶近半年度用電量。

根據(jù)用戶成本降幅情況，對共644 個用戶按成本降幅區(qū)間進行劃分，劃分標(biāo)準(zhǔn)如表2所示。

表2 成本降幅區(qū)間劃分Table 2 Division of cost reduction intervals

3.1.2 預(yù)測用電偏差分析

利用支持向量機-混沌時間序列模型對半年度用電量進行預(yù)測后，將預(yù)測用電偏差按區(qū)間進行劃分。

（1）用戶的用電量模型預(yù)測結(jié)果與實際用電量偏差在±5%以內(nèi)，說明可以通過模型準(zhǔn)確預(yù)測用戶用電量，屬于低偏差，可直接進行代理。

（2）對于預(yù)測結(jié)果與實際用電量偏差在±5%～±10%的用戶，屬于用電偏差中等。建議在進行代理時，要求用戶提供生產(chǎn)計劃、產(chǎn)值、預(yù)估月度用電量等外部數(shù)據(jù)。利用外部數(shù)據(jù)進行二次建模，提高用電量預(yù)測準(zhǔn)確度。

（3）對于預(yù)測結(jié)果與實際用電量偏差在±10%以上的用戶，屬于用電偏差較高，建議為該類客戶設(shè)置代理電量上限閾值。預(yù)測用電等級劃分如表3所示。

表3 未參與市場化售電用戶的預(yù)測用電偏差等級劃分Table 3 Classification of power consumption forecasting deviation grade for users not participating in marketization electricity sale

3.1.3 市場化售電潛力用戶分析

結(jié)合用戶預(yù)測成本降幅情況與預(yù)測用電偏差情況，對用戶參與市場化售電潛力進行評估，并給出合理建議，具體如表4所示。

表4 未參與市場化售電的用戶潛力評估Table 4 Potential evaluation of users not participating in marketization electricity sale

3.2 已參與市場化售電客戶用電動態(tài)考核預(yù)警分析

動態(tài)考核預(yù)警是已參與市場化售電的客戶在一個購電周期內(nèi)（半年），每月根據(jù)客戶歷史用電量預(yù)測未來月份的用電量。在購電周期內(nèi)每月動態(tài)預(yù)測用電量，通過對比合同簽訂用電量與購電周期預(yù)測用電量，每月對客戶用電偏差進行預(yù)警提示。并對預(yù)測偏差情況進行分級，針對各客戶的用電偏差給出不同的預(yù)警提示，根據(jù)考核要求利用用電預(yù)測偏差來劃分考核預(yù)警程度，具體如表5所示。

4 實例分析

4.1 用電量預(yù)測

由于目前陜西地區(qū)電力市場化交易合同簽訂周期為半年，因此本文主要運用用電客戶數(shù)據(jù)形成2015年1月至2018年12月的時間序列，建立支持向量機-混沌時間序列模型，分別預(yù)測各用電客戶的2019年1月至6月用電量，以此為基礎(chǔ)，分析未參與市場化用電客戶潛力，并對已參與市場化用電客戶的用電偏差動態(tài)考核進行預(yù)警，對于用電量的預(yù)測，主要分為半年度預(yù)測和動態(tài)預(yù)測。

4.1.1 半年度預(yù)測

半年度預(yù)測是選取未參與市場化用電用戶為樣本，以用戶歷史用電量數(shù)據(jù)預(yù)測用戶未來6 個月用電量。本次預(yù)測試驗利用用戶2015 年1 月至2018 年 12 月的用電 量 數(shù) 據(jù) ，預(yù)測 2019 年 1 月至2019 年6 月半年的用電量，并以±5%的偏差率作為準(zhǔn)確率指標(biāo)，對預(yù)測結(jié)果進行分析，結(jié)果見表6。

表6 用戶半年用電量預(yù)測結(jié)果Table 6 Forecast results for semi?annual electricity consumption of users

由表6 可知，陜西省未參與市場化售電用戶總計有644 戶，實際用電量為32.02 億kWh，總誤差電量為2.77億kWh，平均相對誤差達8.6%。

各行業(yè)用戶半年度用電量預(yù)測結(jié)果顯示:批發(fā)和零售、軟件和信息技術(shù)服務(wù)業(yè)行業(yè)的預(yù)測準(zhǔn)確率較高，半年度用電量預(yù)測誤差在5%以內(nèi)的用戶占比分別為26.9%和28.6%；而工業(yè)、交通運輸和郵政業(yè)、租賃和商務(wù)服務(wù)業(yè)、建筑業(yè)的預(yù)測準(zhǔn)確率較低，半年度用電量預(yù)測誤差在5%以內(nèi)的用戶占比均在40%以上。

4.1.2 動態(tài)預(yù)測

動態(tài)預(yù)測是選取2019 年上半年已參與市場化售電的客戶數(shù)據(jù)為樣本數(shù)據(jù)，在一個購電周期內(nèi)（半年），每月根據(jù)用戶歷史用電量預(yù)測未發(fā)生月份的用電量，然后通過與實際用電量對比，動態(tài)預(yù)測客戶購電周期的總用電偏差，部分客戶動態(tài)預(yù)測結(jié)果統(tǒng)計見圖2。購電周期預(yù)測用電量及用電量預(yù)測偏差計算方法如下:

購電周期預(yù)測用電量=已發(fā)生月份用實際電量+未發(fā)生月份預(yù)測用電量

購電周期內(nèi)總用電量預(yù)測偏差=（購電周期預(yù)測用電量/實際用電量-1）×100%

圖2 購電周期內(nèi)總用電量預(yù)測偏差示意圖Fig.2 Diagram of forecast deviation of total electricity consumption during a power purchase cycle

從已參與市場化售電客戶用電量的動態(tài)預(yù)測結(jié)果整體來看，隨著月份的推移，購電周期內(nèi)總用電量預(yù)測偏差逐漸減小，這也說明動態(tài)預(yù)測的有效性。

4.2 未參與市場化用戶的潛力評估

4.2.1 未參與市場化用戶成本降幅測算結(jié)果

根據(jù)用戶成本降幅情況進行統(tǒng)計，結(jié)果如表2所示。可以看出，本次測算用戶與半年度用電量預(yù)測用戶一致，選擇2019 年1 月至6 月共半年用電量進行成本降幅測算，共計644 個用戶，其中，降幅在10萬元以內(nèi)的有578戶，降幅在10萬元以上且30萬元以下的52 戶，降幅在30 萬元以上的有14 戶。部分用戶成本降幅測算結(jié)果見表7。

4.2.2 預(yù)測用電偏差結(jié)果

根據(jù)4.1.1節(jié)的半年度用電預(yù)測結(jié)果，將預(yù)測用電偏差按表3 給出的區(qū)間進行劃分并進行統(tǒng)計，具體統(tǒng)計結(jié)果見表8。

未參與市場化售電用戶的預(yù)測用電偏差統(tǒng)計結(jié)果如表8所示，對2019年上半年用電量預(yù)測時，偏差較低的有405戶，預(yù)測值總計為18.16億kWh，在售電過程中，可直接代理。偏差為中等有110戶，其預(yù)測用電量為6.76億kWh，偏差略大，所以在售電過程中可要求用戶提供其他相關(guān)數(shù)據(jù)，進行二次建模，提高預(yù)測準(zhǔn)確度。偏差較高的有129戶，這部分客戶用電量預(yù)測偏差較大，暫時對其設(shè)置售電上限閾值。

4.2.3 市場化售電用戶潛力劃分

結(jié)合表4，對用戶參與市場化售電潛力進行評估，部分未參與市場化售電的用戶潛力評估結(jié)果見表7。

4.3 已參與市場化售電客戶用電動態(tài)考核預(yù)警

根據(jù)表5 的劃分標(biāo)準(zhǔn)，對2019 年上半年已參與市場化售電的客戶，在4月份預(yù)測購電周期用電量，并根據(jù)結(jié)果進行預(yù)警等級劃分，具體見表9。

表7 部分未參與市場化售電的用戶潛力評估Table 7 Potential assessment of the users not participating in marketization electricity sale

表8 未參與市場化售電用戶的預(yù)測用電偏差統(tǒng)計表Table 8 Statistical table of predicted power deviation of users not participating in marketization electricity sale

5 結(jié)束語

本文主要應(yīng)用支持向量機-混沌時間序列模型對陜西省已參與市場化售電的客戶和未參與市場化售電的用戶的用電量分別進行半年度預(yù)測和動態(tài)預(yù)測；然后根據(jù)對未參與市場化用戶的半年度用電量預(yù)測偏差和成本降幅測算，綜合評估未參與市場化售電的用戶潛力；最后根據(jù)考核要求，利用已參與市場化售電客戶的動態(tài)預(yù)測偏差值來進一步對客戶是否被考核進行評估并預(yù)警。此研究成果在陜西省綜合能源服務(wù)公司已進行試用，并初步取得較好成效。本文研究均基于用電量預(yù)測進行，用電量預(yù)測效果越好，后續(xù)研究應(yīng)用效果越好，為提高模型精度，可在后續(xù)研究中多引入用戶產(chǎn)值、生產(chǎn)計劃、用戶預(yù)估用電量等數(shù)據(jù)。

表9 部分2019年已參與市場化售電客戶的考核預(yù)警情況Table 9 The evaluation and warning situation of parts of the customers participating in marketization electricity sale in 2019