配网用户用电分析预测模型的参数设置管理研究

吕润婵（广东电网有限责任公司东莞供电局，广东 东莞 523000）



配网用户用电分析预测模型的参数设置管理研究

吕润婵
（广东电网有限责任公司东莞供电局，广东 东莞 523000）

摘要：通过用电市场研究分析，细分用电行业市场，有利于建立常态市场下配网用户用电分析预测模型，讨论了该模型的参数设置管理，包括驱动因素管理和大户调查管理。重点讨论了参数设置管理，包括驱动因素管理和细分行业管理。针对前者，结合东莞用电量，实例分析了驱动因素数据预测的方法，包括产量预测法、出口产值预测法、价格指数预测法、温度预测法、GDP 预测法等；针对后者，对行业与驱动因素关系进行了定义，就行业及驱动因素历史数据平滑系数的设置，提出了利用回归分析的方法，设置相关的平滑系数，并给出了回归分析结果，并获取了标准差。通过对模型参数设置管理的探讨，为建立配网用户用电分析预测模型奠定重要基础。

关键词：用电分析预测；参数设置管理；驱动因素管理；细分行业管理；平滑系数；回归分析

本文引用格式：吕润婵.配网用户用电分析预测模型的参数设置管理研究［J］.新型工业化，2016，6（6）：39-49.

Citation： LV Run-chan.Research on Parameters Setting and Management of Distribution Network User Electricity Consumption Analyzing and Forecasting Model［J］.The Journal of New Industrialization，2016，6（6）： 39-49.

0 引言

近年来，电网公司的负荷特征、用户构成及其用电量发生了较大的变化，对深度电量预测分析、营销管理与服务工作提出了更高的要求［1-5］，基于大数据分析电量信息（总体电量、大类电量、行业电量等）与多源信息（供电企业的数据、外部环境的数据）的特性及其之间的关系，具有重要的意义。用电市场预测结果将直接影响电力计划，全面准确的市场分析和预测将为供电可靠性提供最佳的数据支撑［6-10］。

建立常态市场分析预测模型，需要本着利于提供服务水平、利于对市场深入分析、利于营销服务策略决策、利于提升管理水平、利于提高企业经济社会效益的原则，并基于全局的、常态化的市场分析机制和市场分析预测管理制度，使其具备对用电市场数据进行深入分析、挖掘的能力、科学预测的能力及提高全局用电市场分析的管理能力，为用电市场的营销服务策略制定提供支撑与保证。

搭建准确的分析预测模型，可准确把握各类客户的成本利润、经营状态的行业性，为营销优化、提高客户电费回收率提供前瞻性参考［11-15］。国内外研究方面，多集中于超短期、短期、中期和长期电力负荷预测，较少关注电力市场竞争机制下的电量需求分析预测，如文献［16-17］和文献［18］分别对电力系统短期负荷预测方法和空间电力负荷预测方法的研究和发展方向进行了综述和探讨；文献［19］和文献［20］分别提出了基于遗传灰色神经网络模型的实时电价条件下的短期电力负荷预测方法和基于改进极限学习的短期电力负荷预测方法，具有一定的预测精确度，可较好地解决短期负荷预测问题；文献［21］则研究了海量数据下的短期电力负荷预测方法，并基于局部加权线性回归和云计算平台，搭建了并行局部加权线性回归模型；文献［22］为了提高电力负荷预测精度，应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战，搭建一种在线序列优化的极限学习机短期电力负荷预测模型，相比传统支持向量机回归预测算法和泛化神经网络预测算法，具有优异的并行性能。

本文重点讨论就搭建市场用电分析预测模型的参数设置管理进行了重点讨论，重点研究和分析了驱动因素管理，可为搭建完善的常态市场分析预测模型奠定重要基础，并对于各行业用户用电特性及市场分析预测、了解行业市场发展动态、建立行业景气指数及分析模型具有一定的参考和指导意义。

1 驱动因素管理

1.1 驱动因素配置

可对各驱动因素进行定义并设置对应驱动因素的相关操作选项。其中，驱动因素的操作选项主要包括［23-26］：驱动因素类别（产量、产值、出口产值、价格指数、三产及公用、办公类、批零、住宿餐饮、交通、文体、居民）、驱动因素名称、数据限定属性（如过去月度数据、过去季度数据、过去年度数据、未来年度数据、未来月度数据等）、数据来源方法（来自行业报表或国家统计局等）、驱动因素值单位（吨、度、条、万元、辆等）、比例属性（按月占比例）、预测方法（回归分析法、平均法、大户调查法等）。驱动因素主要用于行业驱动因素法，各行业各不同的驱动因素构成影响并最终决定行业驱动因素电量预测结果，以东莞市为例，其目前存在的主要驱动因素如表1所示。

1.2 驱动因素数据管理

驱动因素数据管理主要包括能按行业或按驱动因素对各驱动因素的数据值进行录入、修改、删除等操作。如表2所示的格式，可将各驱动因素的数据进行倒出操作（可选择多个驱动因素），也可按行业选择，将行业下所有的驱动因素及其数据进行倒出。根据表2，能按年度呈现驱动因素A值或 B值的趋势图例，或按驱动因素A值、B值呈现几个驱动因素的叠加图或其他图例。

1.3 驱动因素数据预测方法

驱动因素数据的预测是根据历史数据、大户调查、以及各专业机构及政府部门数据等形成下年预测数据，并能产生驱动因素基准预测数据、乐观预测数据、悲观预测数据等。

需要特别注意的是：如果是采用大户调查进行预测的驱动因数，在预测时能呈现大户调查的相关数据，操作员可以根据行业报告或专家预测等调整大户调查的增长情况，并且将修订信息进行保存（修改人、修改日期、修改原因等），原大户数据也要保存。

以东莞用电量分析预测为例，详细探讨驱动因素数据预测的几种主要方法，包括产量预测法、产值预测法、出口产值预测法、价格指数预测法、温度预测法和 GDP 预测法等。

表1 东莞目前的主要驱动因素表Tab.1 Current main driving factors of Dongguan city

表2 驱动因素数据管理表格Tab.2 Driving factors data management table

（1）产量预测方法

整个产量的预测方法比较麻烦，以下将详细描述整个产量的预测方法，包括汽车产量、钢铁产量、轮胎产量等。

步骤1：先计算出通过大户调查得出的平均产量驱动因素按季度占比；

步骤2：分别先根据历史数据求出“当行业季度占比和大户季度占比相差不大时的某驱动因素产量按月占比”，其计算规则为：各年月的对应的历史产量当年按月占比的平均值，如年月分别为2005年～2008年的1月，对应的驱动因素产量当年按月占比分别为 8%、8%、6%和 8%，则“当行业季度占比和大户季度占比相差不大时的某驱动因素产量按月占比”的1月的计算方法为：（8%+8%+6%+8%）/4=7%；

步骤3：求出产量驱动因素平均产量按季度占比，其计算方法为各历史数据各季度的 “驱动因素产量当年按月占例”的平均值，以东莞为例，1～12月份的产量当年按月占比分别为：7%、7%、8%、9%、9%、9%、9%、9%、9%、8%、9%和 8%，则各季度对应产量驱动因素平均产量按季度占比分别为：22%、27%、27%和25%，需要说明的是本例只有1 年数据，如果有几年数据则需要将各年的各季度数据累加取平均值；

步骤4：计算“大户季度占比相差较大时的某驱动因素产量按月占比”，其方法如表3所示，计算规则是：（大户平均驱动因素产量按季度占比*当行业季度占比和大户季度占比相差不大时的某驱动因素产量某月占比）/驱动因素平均产量按季度占比。

表3 步骤4计算数据Tab.3 Computational data in step 4

步骤5：计算产量驱动因素平均产量按月占比。首先，计算大户与行业平均产量按季度占比差别，举例说明如下表4所示，大户和行业平均驱动因素产量按季度占比差别规则： IF（大户平均行业产量驱动因素按季度占比=0，0，ABS（行业平均产量驱动因素按季度占比-大户平均行业产量驱动因素按季度占比））。

其次，根据“大户与行业平均产量按季度占比差别”以及季度占比比较系数（标准设置为 5%）得到季度占比差别性质，如果为1，表示差别大，0 则表示差别小，其计算规则：IF（MAX（大户和行业平均驱动因素产量按季度占比差别值）＞季度占比比较系数，1，0）。

最后，根据“季度占比差别性质”、“行业季度占比和大户季度占比相差不大时的某驱动因素产量按月占比”、“行业季度占比和大户季度占比相差较大时的某驱动因素产量按月占比”，计算规则为：（1-季度占比差别性质）* 行业季度占比和大户季度占比相差不大时的某驱动因素产量按月占比+季度占比差别性质*行业季度占比和大户季度占比相差较大时的某驱动因素产量按月占比，举例说明，行业季度占比和大户季度占比相差不大和较大时的某驱动因素产量按月占比如下表5所示（假设“季度占比差别性质”为零）；

表4 计算大户与行业平均产量按季度占比差别Tab.4 Calculation of big user and industry average production quarterly proportion differences

表5 行业季度占比和大户季度占比相差不大和较大时的某驱动因素产量按月占比Tab.5 Certain driving factor production monthly proportion of industry quarter proportion and big user quarter proportion respectively in case of litter and large differences

步骤 6：计算驱动因素预测值。首先假设下一年 GDP 乐观估计值为 0.9%，GDP 悲观估计值为-0.9%，同时假设大户调查结果认为下一年驱动因素增长率为 1.8%，则可以计算出对应 1～12 月的乐观及悲观预测值，如表6所示。首先，必须先计算下一年的驱动因素年总产量= 本年驱动因素年总产量*（1+下一年驱动因素增长率）；其中，某月基准预测规则为：下一年的驱动因素年总产量*产量驱动因素平均产量按月占比 （某月）；，某月乐观预测规则为：某月基准预测值*（1+GDP乐观估计值）；某月悲观预测规则为： 某月基准预测值*（1+GDP悲观估计值）；

表6 计算驱动因素预测值Tab.6 Computational driving factor forecasting values

（2）产值预测法

整个产值驱动因素的预测方法与产量驱动因素的预测方法雷同，产值驱动因素包括：电气、电子设备制造业、金属制品业、非金属矿物制品业、通用/专用设备制造业、重工业、服装鞋帽、皮革羽绒及其制品业、造纸及纸制品业、轻工业等产值驱动因素。步骤如下：

步骤 1：根据历史数据计算产值驱动因素当年按月占比，即产值当年按月占比（某月）=某月产值/某年总产值；

步骤 2：计算出通过大户调查得出的平均产值驱动因素按季度占比；

步骤 3：根据历史数据求出“当行业季度占比和大户季度占比相差不大时的某驱动因素产值按月占比”，其计算规则为：各年月的对应的历史产值当年按月占比的平均值，如前所述，以东莞为例，2005年～2008 年，当“行业季度占比和大户季度占比相差不大时的某驱动因素产值按月占比”的1月的计算方法为：（8%+8%+6%+8%）/4=7%；

步骤 4：求出产值驱动因素平均产值按季度占比，其计算方法为各历史数据各季度的 “驱动因素产值当年按月占例”的平均值，以东莞为例，2015 年1月～12 月的产值当年按月占比分别为：7%、6%、7%、8%、8%、9%、8%、8%、8%、10%、10%和 12%，则一季度和二季度对应产值驱动因素平均产量按季度占比分别为：22%和28.5%；

步骤 5：计算“大户季度占比相差较大时的某驱动因素产值按月占比”，计算规则为：（大户平均驱动因素产值按季度占比*当行业季度占比和大户季度占比相差不大时的某驱动因素产值某月占比）/驱动因素平均产值按季度占比，如表7所示；

表7 步骤5计算数据Tab.7 Computational data in step 5

步骤 6：计算产值驱动因素平均产量按月占比。首先，计算大户与行业平均产值按季度占比差别，大户和行业平均驱动因素产值按季度占比差别规则为：IF（大户平均行业产值驱动因素按季度占比=0，0，ABS（行业平均产值驱动因素按季度占比-大户平均行业产值驱动因素按季度占比）），如表8所示；

其次，根据“大户与行业平均产值按季度占比差别”以及季度占比比较系数（标准设置为5%）得到季度占比差别性质，如果为 1 表示差别大，0 表示差别小。其计算规则：IF（MAX（大户和行业平均驱动因素产值按季度占比差别值）＞季度占比比较系数，1，0）；

表8 计算大户与行业平均产量按季度占比差别Tab.8 Calculation of big user and industry average production quarterly proportion differences

最后，根据“季度占比差别性质”、“行业季度占比和大户季度占比相差不大时的某驱动因素产值按月占比”、“行业季度占比和大户季度占比相差较大时的某驱动因素产值按月占比”，以东莞为例，假设“季度占比差别性质”=0，行业季度占比和大户季度占比相差不大时和较大时的某驱动因素产值按月占比，如表9所示。

表9 行业季度占比和大户季度占比相差不大和较大时的某驱动因素产量按月占比Tab.9 Certain driving factor production monthly proportion of industry quarter proportion and big user quarter proportion respectively in case of litter and large differences

步骤 7：首先，假设下一年 GDP 乐观估计值为 0.9%，GDP 悲观估计值为-0.9%，同时假设大户调查结果认为下一年驱动因素增长率为 11.81%，则可以计算出对应 1～12月的乐观及悲观预测值，如表10所示。然后，必须先计算下一年的驱动因素年总产值，其值=本年驱动因素年总产值*（1+下一年驱动因素增长率）；其中，某月基准预测规则为：下一年的驱动因素年总产值*产量驱动因素平均产值按月占比（某月）；某月乐观预测规则为：某月基准预测值*（1+GDP 乐观估计值）；某月悲观预测规则为：某月基准预测值*（1+GDP 悲观估计值）；

表10 计算驱动因素预测值Tab.10 Computational driving factor forecasting values

（3）出口产值预测法

该法与产值预测方法及产量预测方法一样，不再赘述。

（4）价格指数预测法

价格指数主要涉及到轻工业品出厂价格指数、重工业品出厂价格指数、建筑材料价格指数等，其预测方法主要使用幂运算，根据本年度连续 5个月的价格指数获取未来价格指数增长率，然后再根据价格指数增长率计算出未来各月的价格指数预测值。

由于价格指数先行效应 6 个月，故只需要预测 6个月的数据，根据本年度后6 个月价格指数以及预测的6个月的价格指数作为未来 1 年的价格指数预测值。价格指数复合平均增长率=（本年12 月的价格指数/本年6月的价格指数）∧（1/5）-1；价格指数预测值（N月）= 价格指数（N-1月） *（1+价格指数趋势增长率）；以东莞为例，假设价格指数增长率=-0.6%，价格指数预测值，如表11所示。

由于价格指数先行效应6个月，故2009年的价格指数预测值如表12所示。

（5）温度预测法

温度驱动因素属于公用驱动因素，由于气象局等相关单位无法提供准确气温（未来一年）预测数据，故采用根据过去10年东莞年平均气温数据上下波动1.5倍标准差作为其预测数据。该法分析分析方式为：

表11 价格指数预测值Tab.11 Price indexes forecasting values

表12 价格指数预测值Tab.12 Price indexes forecasting values

步骤 1：计算 10 年历史数据的年平均气温值；

步骤 2：根据 10 年的历史年平均气温数据计算标准差；

步骤 3：然后计算 10 年各月的平均气温值；

步骤 4：根据计算的 10 年各月平均气温值做±1.5倍标准差计算作为其预测数据，如表13实例所示。

表13 温度预测法实例/℃Tab.13 Example of temperature forecasting method /℃

（6） GDP 预测法

根据相关机构预测而得到的 GDP 增长率预测值，分别得到乐观、悲观、基准预测值为10%、8%、9%。根据该法，2014 年预测值如表14所示。

2.1 细分行业配置

定义各种行业，提供对各种行业的增加、删除、修改等操作，能按树目录结构呈现行业结构。行业的相关属性包括：行业第一层分类（第一产业、第二产业、第三产业等）、行业第二层分类（重工业、轻工业、商业、居民等）、行业名称等。

表14 基于 GDP 预测法的 2014 预测值Tab.14 The GDP forecasting method based prediction values in 2014

2 细分行业管理研究

第一产业：农业；第二产业：交通运输、电气、电子设备制造业、金属制品业、黑色金属冶炼及压延加工业、橡胶和塑料制品业、非金属矿物制品业、通用及专用设备制造业、化学原料及化学制品制造业、石油加工、炼焦及核燃料加工业、其他重工业、纺织业、服装鞋帽、/皮革羽绒及其制品业、食品、饮料和烟草制造业、造纸及纸制品、其他轻工业等；第三产业：金融房地产商务及居民服务业、批发和零售业、住宿和餐饮业、交通运输业、教育/文化/娱乐和体育业、其他第三产业等。

另外由于市场分析及预测的需要，我们把居民类的预测与上面 3 个产业并行考虑，即与上面 3 个产业做同一层次考虑；本文数据皆以东莞为例，对于东莞，由于农业占东莞局用电量太少，故不对其进行分析及预测操作。

2.2 行业与驱动因素关系定义

行业驱动因素预测法需要定义行业与驱动因素之间的对应关系，能够呈现时展现整个行业及其对应的驱动因素拓扑树，行业所对应的驱动因素定义如图1所示。

另外需要定义各行业对应预测时所使用的指数平滑系数值等（便于在预测数据产生与呈现时，对各驱动因素值做平滑处理再呈现）。

图1 行业所对应的驱动因素定义Fig.1 Driving factors definitions corresponds to the industries

2.3 行业及驱动因素历史数据平滑处理

根据对细分行业历史用电量数据以及各驱动因素历史数据值波动范围较大，故需根据实际需要对行业历史电量数据及驱动因素历史数据进行指数平滑处理［27］，使数据的波动范围更加合理，便于更加准确地预测以及预测的电量处于一个更加合理的波动区间。

表15 15组观测值输出残差Tab.15 Residual output of 15 sets of observations

设置平滑系数值的方法为：一般根据对平滑后的数据，做行业驱动因素线性回归分析，根据回归分析的预测 Y 值“Predicted Y”进行反预测处理，根据反预测处理后的数据以及真实历史电量得到残差，然后根据残差及真实历史电量数据获得残差占比，根据所有的残差占比计算出其标准差，如果能获得较好的相关性并且其标准差较小，则可认为平滑系数设置比较合适。

由于目前 BCG 已经设置了相关的平滑系数，故我们认为所有的平滑系数设置值都是合理的，结合东莞为实例，对 15组数据进行观察预测，其残差输出如表15所示。

基于表15，计算得到标准差，如表16所示。

表16 15组观测值输出残差Tab.16 Residual output of 15 sets of observations

3 大户调查管理

3.1 大户列表管理

自动按月/按年/年区间统计各行业前 N（30）位的客户并呈现。能列出各行业前30位的用电量客户并显示客户的基本信息（客户名称、地址、联系人、联系电话、行业等信息等）及用电量情况。能将统计的各行业前 N（30）位作为各行业大户，并能作为各行业大户的调查的基本数据。能手工调整（增加、删除）大户列表，即能以手工的方式向大户列表中增加新的客户或删除某些客户等。能查阅各大户的历史调查数据，并能对历史数据以图表等方式输出，以便做历史数据对比。 行业大户的数据抽取目前营销系统是以表户为单位进行统计的，必须要实现以集团客户为单位的行业大户统计。

3.2 大户调查数据录入及调查流程设置

大户调查完毕后，提供相关界面供客户输入大户调查结果数据。可以按行业、按大客户、按驱动因素等方式将大户调查数据进行录入工作。数据录入完毕后，可以按各行业将大户数据按上面的“大户调查表打印”的格式进行打印等。

大户调查以后将以流程化实现，大致的思路是：a）市场部制订大户调查计划；b）区局完成大户调查表的打印及调查工作；c）区局完成大户调查数据的录入；d）市场部对调查的结果数据进行审核修订工作；e）结束。

4 总结

搭建准确的常态市场配网用户用电分析预测模型，对于准确把握各类客户的成本利润、经营状态的行业性，为营销优化、提高客户电费回收率提供前瞻性参考。文章主要就用电分析预测模型的参数设置管理进行了基础研究，以东莞为例，利用实例结合分析的方法，重点对其中的驱动因素管理进行了研究，并给出了6种驱动因素数据预测方法，同时提出回归分析的方法设置平滑系数。 本文通过对参数设置管理的研究为最终搭建预测准确率高的用电分析预测模型奠定工作基础。而本文下一步的研究是基于模型参数设置的管理，搭建准确反映东莞市配网用户用电需求的分析预测模型，对市场竞争机制下三类主要的用户（居民、工业、商业）用电量需求及其与电网侧、售电商、负荷集成商的供需互动进行分析和预测。

参考文献

［1］ Pedregal D J，Trapero J R.Mid-term hourly electricity forecasting based on a multi-rate approach［J］.Energy Conversion & Management，2010，51（1）：105-111.

［2］ Akhwanzada，Salman Ahmad，bin Mat Tahar，et al.Long-term Electricity Forecasting： A System Dynamics Approach［C］.International Conference on Environment，Energy and Biotechnology，2012.

［3］ 秦浩庭，刘燕，肖汉，等.重庆市中长期电力需求及分布预测［J］.电力建设，2015，36（4）：115-122.H T Qin，Y Liu，H Xiao，et al.Forecast of medium and long-term power demand and distribution in Chongqing ［J］.Electric Power Construction，2015，36（4）： 115-122.

［4］ 刘迪.电力市场电量分析及预测分析［J］.科技创新与应用，2014，3（35）：162-162.D Liu.Power market electricity analysis and forecasting analysis［J］.Technology Innovation and Application，2014，3（35）： 162-162.

［5］ 韩丹，张宏波，贾勇.经济因素对电量的影响分析与预测［J］.吉林电力，2009，37（3）：16-19.D Han，H B Zhang，Y Jia.Analysis and forecasting for effect of economic factor on electricity consumption ［J］.Jilin Electric Power，2009，37（3）：16-19.

［6］ 万晓彤.电力市场电量分析及预测研究［J］.时代金融（下旬），2014，21（15）：111-111.X T Wan.Research on power market electricity analysis and forecasting ［J］.Times Finance （late），2014，21（15）：111-111.

［7］ 覃娟梅.县级供电企业电量预测分析［J］.建材与装饰，2015，4（51）： 225-226.J M Tan.County power supply enterprise electricity consumption forecasting analysis ［J］.Construction Materials & Decoration，2015，4（51）：225-226.

［8］ 赵立新，韩冬.浅析电力负荷短期预测［J］.科技视界，2012，9（26）：419-421.L X Zhao，D Han.Brief analysis on power load short-term prediction ［J］.Science & Technology Vision，2012，9（26）：419-421.

［9］ 郭雅娟，黄灿，朱海兵，等.配电自动化技术发展 ［J］.新型工业化，2015，5（11）：20-26.Y J Guo，C Huang，H B Zhu，et al.Distribution automation technology development and demonstration projects ［J］.The Journal of New Industrialization，2015，5（11）： 20-26.

［10］ 张德玲.电力系统短期负荷预测方法的研究［D］.郑州大学，2007.D L Zhang.Research on power system short-term load forecasting methods ［D］.Zhengzhou University，2007.

［11］ 郑罡.浅谈几种电力需求量的预测方法 ［J］.科技广场，2012，19（6）：94-96.G Zheng.Discussion on electric power consumption forecasting method ［J］.Science Mosaic，2012，19（6）： 94-96.

［12］ 赵希正.中国电力负荷特性分析与预测［M］.中国电力出版社，2002.X Z Zhao.China electric power load characteristic analysis and forecasting ［M］.China Electric Power Press，2002.

［13］ 来金钢，周洪，胡文山.微电网环境下光伏发电短期输出功率预测研究［J］.新型工业化，2014，4（12）： 5-11.J G Lai，H Zhou，W S Hu.Research on short-term output power prediction of photovoltaic generators in microgrids ［J］.The Journal of New Industrialization，2014，4（12）： 5-11.

［14］ 王欣，刘俊杰.基于贝叶斯定理的支持向量机短期负荷预测［J］.新型工业化，2014，4（12）：20-24.X Wang，J J Liu.Short-term load forecasting based on Bayes’ theorem support vector machine ［J］.The Journal of New Industrialization，2014，4（12）： 20-24.

［15］ 张冲，胡林献.东北地区热负荷对风电消纳影响的研究［J］.新型工业化，2013，3（6）：25-32.C Zhang，L X Hu.The impact of the load on the wind power at Northeast ［J］.The Journal of New Industrialization，2013，3（6）：25-32.

［16］ 廖旎焕，胡智宏，马莹莹，等.电力系统短期负荷预测方法综述［J］.电力系统保护与控制，2011，39（1）： 147-152.N H Liao，Z H Hu.Review of the short-term load forecasting methods of electric power system ［J］.Power System Protection and Control，2011，39（1）： 147-152.

［17］ 康重庆，夏清，张伯明.电力系统负荷预测研究综述与发展方向的探讨［J］.电力系统自动化，2004，28（17）： 1-11.C Q Kang，Q Xia，B M Zhang.Review of power system load forecasting and its development ［J］.Automation of Electric Power Systems，2004，28（17）： 1-11.

［18］ 肖白，周潮，穆钢.空间电力负荷预测方法综述与展望［J］.中国电机工程学报，2013，33（25）： 78-92.B Xiao，C Zhou，G Mu.Review and prospect of the spatial load forecasting methods ［J］.Proceedings of the CSEE，2013，33（25）： 78-92.

［19］ 葛少云，贾鸥莎，刘洪.基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测［J］.电网技术，2012，36（1）： 224-229.S Y Ge，O S Jia，H Liu.A gray neural network model improved by genetic algorithm for short-term load forecasting in price-sensitive environment ［J］.Power System Technology，2012，36（1）： 224-229.

［20］ 毛力，王运涛，刘兴阳，等.基于改进极限学习机的短期电力负荷预测方法［J］.电力系统保护与控制，2012，40（20）： 140-144.L Mao，Y H Wang，X Y Liu.Short-term power load forecasting method based on improved extreme learning machine ［J］.Power System Protection and Control，2012，40（20）： 140-144.

［21］ 张素香，赵丙镇，王风雨，等.海量数据下的电力负荷短期预测［J］.中国电机工程学报，2015，35（1）： 37-42.S X Zhang，B Z Zhao，F Y Wang.Short-term power load forecasting based on big data ［J］.Proceedings of the CSEE，2015，35（1）： 37-42.

［22］ 王保义，赵硕，张少敏.基于云计算和极限学习机的分布式电力负荷预测算法［J］.电网技术，2014，38（2）： 526-531.B Y Wang，S Zhao，S M Zhang.A distributed load forecasting algorithm based on cloud computing and extreme learning machine ［J］.Power System Technology，2014，38（2）： 526-531.

［23］ Chen J，Chang K T，Karacsonyi D，et al.Comparing urban land expansion and its driving factors in Shenzhen and Dongguan，China［J］.Habitat International，2014，43（3）：61-71.

［24］ And S L F，Koshland C P.Daily and Peak 1 h Indoor air pollution and driving factors in a rural Chinese village［J］.Environmental Science & Technology，2007，41（9）：3121-3126.

［25］ Andreas Rigling，Christof Bigler，Britta Eilmann，et al.Driving factors of a vegetation shift from Scots pine to pubescent oak in dry Alpine forests［J］.Global Change Biology，2013，19（1）： 229-240.

［26］ Förster M F，Pellizzari M.Trends and driving factors in income distribution and poverty in the OECD Area［J］.Social Science Electronic Publishing，2000，29（3）： 239-240.

［27］ 林德军，孟祥武.基于奇异值分解的Slope One算法［J］.新型工业化，2012，2（11）： 12-17.D J Lin，X W Meng.Slope one algorithm based on single value decomposition ［J］.The Journal of New Industrialization，2012，2（11）：12-17.

DOI：10.19335/j.cnki.2095-6649.2016.06.005

基金项目：中国南网电网科技项目资助（GDKJ00000052）

作者简介：吕润婵（1986-），女，助理级经济师，本科，主要研究方向：地方电、行业用电分析等

Research on Parameters Setting and Management of Distribution Network User Electricity Consumption Analyzing and Forecasting Model

LV Run-chan
（Dongguan Power Supply Bureau of Guangdong Power Grid Co.， Ltd.， Dongguan 523000， China）

ABSTRACT：Based on electricity market research and analysis， as well as detailed classification of electricity industry market， it’s beneficial to build distribution network user electricity analysis and forecasting model under normal market.A discussion was made on parameters setting and management of the model， including driving factors management and big users investigation management， especially the former was emphatically discussed， which included the driving factors management and segmentation industries management， aimed at the former， combined with practical example analysis of electricity consumption of Dongguan city， the driving factors forecasting methods were studied， including the production prediction method， the output value prediction method， price index prediction method， temperature prediction method， and GDP prediction method.Aimed at big users management， a regression analysis method was proposed to set the corresponding smoothing coefficients， and the regression analysis results and standard deviations were given.Based on discussion of model parameters setting and management， it laid a foundation for distribution network user electricity consumption analysis and forecasting model.

KEyWORDS：Electricity consumption analysis and forecasting； Parameters setting and management； Driving factors management； Segmentation industries management； Smoothing coefficient； regression analysis