考虑行业用电特性的电量预测方法研究与应用

叶琳浩，李达凯，黄 伟，张勇军

(1.广东电网有限责任公司 佛山供电局，广东 佛山 528000；2.华南理工大学 电力学院，广东 广州 510640)

考虑行业用电特性的电量预测方法研究与应用

叶琳浩1，2，李达凯1，黄 伟1，张勇军2

(1.广东电网有限责任公司 佛山供电局，广东 佛山 528000；2.华南理工大学 电力学院，广东 广州 510640)

准确预测电力需求是进行电网规划和建设的必要依据。本文提出并设计了一套考虑行业用电特性的GM(1,n)灰色模型预测方案，并研究了14个主导行业对禅城区电力需求的影响。通过关联度计算，发现其中5个行业电量发展趋势对禅城区电力需求的影响十分显著，最后给出了考虑关键行业因素的最优GM(1,n)预测模型。应用实例表明，考虑用电特性的GM(1,n)模型精度较高，预测误差较小，该电量预测方法具有实用性和有效性，为提高电网规划水平提供了指导和参考。

灰色系统；GM(1,n)模型；行业用电特性；关联度；电力预测

电量的预测对城市宏观经济发展至关重要，是城市电网规划的基础，对确定规划的整体规模、规划项目和规划过渡过程都起到关键作用。准确的电量预测有助于科学地开展电网规划， 如何提高预测精度一直是学者关注的问题。

不同用电行业具有不同的用电特性，一个地区某个行业的用电量与该行业经济发展的增幅或降低相关，这些都会对整体的电量预测造成极大影响，深入分析各行业用电规律并进行准确的电量预测将是供电企业日益关注的领域。

1 预测算法研究与应用方案

1.1 预测算法简述

近年来，随着科学技术的迅速发展，电力电量预测理论及其应用技术也取得了长足的进步。目前，预测技术和方法不断涌现，综合国内外的研究，电力需求的预测方法可以归结为3种类型：经典预测方法、传统预测方法和现代预测方法[1]。从传统的趋势外推法、回归分析法及时间序列分析法，到经典的产值单耗法、负荷密度法和弹性系数法等，再到专家系统法、灰色预测法和模糊数学法，以及神经网络法、小波分析法等都有相关科研人员进行详细分析研究，这为实际问题的研究和解决提供了有力的支持。

考虑到各种不确定因素及不同行业用电特性均会影响整体电量的趋势和预测结果，不同行业发展与整体经济及其电量的发展将会形成多变量之间的关联，本文选用多变量的灰色模型进行电量预测方案的研究与制定。

1.2 GM(1,n)灰色模型

灰色系统理论是一种兼备软硬科学特性的新理论，是一种对含有不确定因素的系统进行分析、建模、预测、决策和控制的预测方法。灰色预测具有要求样本数据少、不考虑分布规律、运算方便、预测精度高和可检验性强等优点，其缺点是数据离散程度越大，即数据灰度越大，预测精度越差[2]。

GM模型即灰色模型，是用原始数据列作生成处理后建立的微分方程，其可以利用灰色过程通过数的生成来寻找数据的规律。在灰色模型中，最具意义的模型是由m个变量的n阶微分方程描述的模型，称为GM(n,m)模型。以往一般用GM模型中的特例GM(1,1)模型，即1个变量的一阶方程进行中、短期的电量预测。

本文考虑通过GM(1,n)模型反映n-1个相关因素对电量的一阶导数，综合考虑各种主要相关因素对电量的影响，构建灰色电量预测方案，从而更精确的对电量进行预测。

设用电量的原始数据序列为：

x1(0)=[x1(0)(1),x1(0)(2),…,x1(0)(n)]

(1)

相关行业用电量因素序列为：

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)

对原始序列进行一阶累加，得到xn(0)的一阶累加生成序列(1-AGO序列)xn(1)，其中：

(5)

设Zn(1)为xn(1)的紧邻均值生成序列，其中：

(6)

得到GM(1,n)的灰微分方程模型为：

(7)

式中，x1(0)(k)称为灰导数；Z1(1)(k)称为背景值；a称为系统发展系数；bixi(1)(k)称为驱动项；a、bi(i=2，3，…，n)称为参数。

(8)

按最小二乘法可得：

(9)

式中，

(10)

(11)

则GM(1,n)的白化模型，也称影子方程为：

(12)

影子方程的解为：

(13)

(14)

累计还原模拟值为：

(15)

1.3 关联度分析方法

在收集到的众多相关因素中，大多数与电量的关系并不十分密切，若将这些相关因素引入建模计算当中，势必降低模型的精度。因此，需要对相关因素进行进一步的筛选。

关联度就是表征事物之间关联程度的量度，实际上就是曲线几何形状之间的比较，即几何形状越接近，发展变化趋势就越相似，关联度就越大。本文将利用关联度选择电量预测模型的主要相关因素，以期建立电量预测GM(1,n)最优模型[3]。常用的关联度分析方法有邓氏关联度、绝对关联度和斜率关联度等分析法。其中，由于斜率关联度分辨率较高，所以经常被使用。

1)计算斜率。

(16)

(i=1,…,n;t=1,…,(m-1))

(17)

2)计算关联系数。

(18)

(i=1,…,n且i≠j;t=1,…,(m-1))

3)计算关联度及选择相关因素。

(19)

按照关联度γij的大小选择显著相关因素。

2 禅城区用电量多因素的关联度分析

禅城区位于广东省佛山市的中心城区，面积为154.68 km2，是佛山政治、金融、文化、交通和信息中心。2013年，禅城区全区生产总值为1 342.35亿元，用电量为75.80亿kWh。目前，禅城区内的用电行业众多，2013年，禅城区的纺织业，化学原料及化学制品制造业，橡胶和塑料制品业，非金属矿物制品业，有色金属冶炼及压延加工业，金属制品业，通用及专用设备制造业，工艺品及其他制造业，批发和零售业，交通运输、电气、电子设备制造业，公共管理和社会组织、国际组织，住宿和餐饮业，租赁和商务服务、居民服务和其他服务业，以及电信和其他传输服务业共14个行业的总用电量为56.89亿kWh，占禅城区用电量的75.05%。可见，把握上述各主导行业用电的规律和趋势是掌握禅城区用电情况的关键。

本文综合考虑禅城区经济社会发展情况，采用关联度计算方法，分析禅城区2008～2013年上述14个主导行业与用电量的相关性并计算其关联度，同时参考各相关因素与电量的关联度，挑选关联度>0.55的相关因素(见表1)参与建模计算。

表1 主导行业与用电量的关联度

从表1可知，各相关因素与供、售电量之间的关联度从大到小顺序为：交通运输、电气、电子设备制造业，批发和零售业，住宿和餐饮业，橡胶和塑料制品业，非金属矿物制品业。本文选取这5个主导行业的用电特性及其电量因素参与进行禅城区用电量的GM(1,n)建模。

3 考虑行业电量相关的禅城区电量预测

利用2007～2013年禅城区历史电量数据及各行业电量数据(见表2)，将交通运输、电气、电子设备制造业，批发和零售业，住宿和餐饮业，橡胶和塑料制品业，非金属矿物制品业5个行业作为相关因素引入，按照上述方法进行建模，得到GM(1,6)模型。将数据代入模型计算，分别对禅城区2013和2014年用电量进行预测(见表3和表4)，并进行校验分析。

就城市电网规划而言，当电量预测相对误差<5%时可视为高精度预测，当相对误差为5%～10%时可视为较好的预测。从表3和表4可以看出，GM(1,6)模型、GM(1,1)模型和随机选用的一种经典预测模型在此次预测检验中都有较好的精度。

表2 历史用电量数据 (万kWh)

表3预测结果

用电量类型2013年2014年预测值/万kWh实际值/万kWh相对误差/%预测值/万kWh实际值/万kWh相对误差/%橡胶和塑料制品业50988.35527683.3751626536923.84非金属矿物制品业128923.51322002.481189301217902.35交通运输、电气、电子设备制造业47485.10466741.7447028476911.4批发和零售业56888.69550573.3358135563053.25住宿和餐饮业17250.45173710.6920015197631.27禅城区总用电量778268.9757987.12.68763236.6748733.21.94

表4 不同模型预测结果对比

禅城区近几年负荷几乎处于饱和状态，由于逐步开展产业转移，不同行业用电量趋势不一，全区电量增长缓慢，甚至出现负增长。从此次预测结果中可以看出，选用经典预测模型或只考虑历史电量的GM(1,1)模型，均未有考虑区内主导行业用电特性的变化，依然根据历史电量作趋势预测，导致预测结果偏大。本文采用考虑了5大主导行业相关因素的GM(1,6)模型，既有效预测了不同行业用电量变化的趋势，又很好地感应到禅城区用电量饱和的状况，预测结果贴近实际值，相对误差≤3%。由此可见，考虑主导行业相关因素的GM(1,n)模型进行预测具有合理性和可行性，通过检验可见该模型具有较高的精度，预测结果贴近实际电量发展趋势。

4 结语

本文提出了一种基于考虑行业用电特性的多因素GM(1,n)模型的预测方法，并对禅城区14个主导行业的电量进行了深入分析，得到禅城区各行业的发展趋势，对禅城区主导行业电量与总电量进行关联分析，得到禅城区考虑行业用电因素的最优GM(1,n)模型。结果表明，经过优化的GM(1,n)模型对2013和2014年的预测值相对误差仅为2.68%和2.2%，预测结果表明了该方法的精确性和有效性。本文设计的电量预测方案，其准确的电量预测结果可为电力营销、电网规划和运行等提供指导意见。本文算法已应用于佛山禅城区电网的“十三五”规划电量预测中。

值得注意的是灰色预测模型对数据处理要求较高，经模拟计算，其远期预测结果精度偏差较大，且多因素的预测误差有可能会叠加至目标预测值；因此，如何改善该模型的远期预测精度并减弱其多因素的叠加误差，是未来研究的关注点。

[1] 牛东晓，曹树华，赵磊，等. 电力负荷预测技术及其应用[M]. 北京：中国电力出版社，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] 黄晨宏. 影响上海电力需求的主要因素及电力需求预测[J]. 电力需求侧管理，2011(3)：72-76.

责任编辑郑练

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

叶琳浩(1983-)，男，博士研究生，主要从事电网规划、电力系统运行与分析等方面的研究。

2015-01-21