基于电量分析的配网用户用电需求量预测研究

麦琪（广东电网有限责任公司东莞供电局，广东 东莞 523000）



基于电量分析的配网用户用电需求量预测研究

麦琪
（广东电网有限责任公司东莞供电局，广东 东莞 523000）

摘要：准确预测用户电量需求对于市场竞争环境下的电网公司、工商业、居民用户来说具有重要意义。简单综述了国内外电量预测理论，包括灰色理论、人工神经网络理论等，阐述了GM（1，1）模型和BP模型预测电量需求的原理。详细介绍了电力市场电量需求预测的几种实际经常使用的方法，包括经济模型法、综合分析法、分析预测法及其他方法等。最后，以电力弹性系数法为例，基于广州市2000年～2008年的市用电量历史数据，对其2009年用电量需求进行了预测分析。同时，简要给出了提高电量预测准确率的一些措施，建议将近年来发展的机器学习算法等运用到电量需求预测中，对于“电网-用户-售电商-负荷集成商”等多主体的用电供需友好互动将具有重要的指导和参考意义。

关键词：电量需求；预测；灰色理论；人工神经网络理论；电力弹性系数；供需互动

本文引用格式：麦琪.基于电量分析的配网用户用电需求量预测研究［J］.新型工业化，2016，6（6）：50-59.

Citation： MAI Qi.Study of Distribution Network Users Power Consumption Demand Forecasting based on Electricity Analysis［J］.The Journal of New Industrialization，2016，6（6）： 50-59.

0 引言

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，对深度电量分析及预测、以及营销管理与服务工作提出了更高的要求。目前，我国的负荷/电量预测对象相比国外比较粗放，无法精准把握具体行业或大用户的用电特性，难以进行精细化预测，对市场营销工作的精细化管理与深度开发作用有限。在大数据分析的趋势下，系统分析电量信息与多源信息的特性及相关性，对营销管理与服务提升工作大有裨益。目前这方面的工作较为欠缺，尽管行业景气指数及其分析能够整体把握行业的经济状况，也能分析行业变动状况，但未能有效应用于电力工业上。

研究预测用电量有助于了解电力消耗发展趋势［1-5］：对于企业来说，可辅助其确定节能方法，实施节能减排，提高单位能耗产值；对于电力企业来说，对其实施合理的发电调度意义重大。根据电力用户分类，电量需求预测可分为居民、工商业用户电量需求预测等；根据预测方法，则可分为人工智能法、统计分析法、经济计量分析法、终端能源需求分析法、软件逐时动态模拟法等。

本文首先对国内外电量预测理论进行了探究；其次，详细介绍了电力市场需电量预测常用方法，包括经济模型法、综合分析法、分类预测法及其他方法等，并针对综合分析法中的电力弹性系数法，结合广州市的历史用电量数据，进行了算例分析，表明该方法的有效性和实用性；最后，结合国内相关研究，探讨了提高电量预测准确率的措施。

1 国内外电量预测理论研究

如前所述，准确预测居民、工业和商业用户电量需求对于电力企业实施节能发电调度具有重要意义，而如能准确预测某地区的用电趋势，则对该地区用户企业和电网公司都具有积极的意义。目前，国内外开展电量预测使用的方法主要集中于人工智能方法、统计分析法和经济计量法等。而自20世纪80年代以来，数学理论和人工智能方法在电力系统电量需求预测中得到了发展，尤其以灰色理论及人工神经网络理论应用较为广泛。

1.1 灰色理论预测电量需求

灰色理论预测电量需求关键在于建立灰色模型（Grey Model，GM），而建立GM的方法包括数列预测、灾变预测、拓扑预测和综合预测［1］。一般采用数列预测方法，即通过对居民、工业和商业用户的用电量数据进行变换，得到生成数列，利用该数列得到规律性较强的生成函数，建立该函数的微分方程模型来预测未来的用电需求量。基于数列预测法的GM不受模型样本是否存在统计规律、统计规律是否为典型过程的限制，具有模型简单、数据量小、预测精度高、适用性强等优点，可用于短期预测，也可用于中长期预测［2，3］。基于GM的灰色理论预测电量需求不是把用户的用电观测数据视为一个随机过程，而是看作随时间变化的灰色量或灰色过程［4］，通过累加生成或累减生成的方法逐步使灰色量白化，使得原本没有规律或规律性不强的数列变成一个有较强规律性的数列，从而建立相应的微分方程模型并做出预报来预测未来的电量需求［5］。

GM是核心，而GM（1，1）则是最常用、最简单的一种GM，它由一个只包含单变量的一阶微分方程构成。GM具有一定的精度，计算过程简单，但其只考虑了售电量本身，并不涉及其他对售电量影响的因素，如GDP。利用GM（1，1）不仅考虑了售电量本身的多种确定性、不确定性因素的共同影响，还综合了各种主要影响因素对售电量的影响，从而降低对模型预测结果的影响程度，有效提高并保证售电量预测的准确性和有效性。结合文［6］，基于GM（1，1）的电量需求预测建模包括：a）首先对用户用电量原始数据进行一次累加得到生成数列，假设原始数据数列为X（0）=［ X（0）（1），X（0）（2），…，X（0）（n）］，得到一次累加数列为1-AGO （Accumulated Generating Operation，AGO），即X（1）=［X（1）（1），X（1）（2），…，X（1）（n）］，其中X（1）（k）= X（0）（1）+ X（0）（2）+…+X（0）（k），k=1，2…，n。经过一次累加变换，原始用电量数列中坏数的影响被弱化了，可使其变为较有规律的生成数列再建模。而我们可知X（1）（k）具有指数增长规律，而一阶微分方程的解也具有指数增长的形式，则可认为新生成的序列满足如下形式的一阶线性微分方程模型，即得到如下的一阶白化微分方程：

式中，α为GM（1，1）的发展参数，反映原始用电量数列X（0）及一次累加数列X（1）的发展趋势；u为协调系数，反映数据间的变换关系。

b）求解α和u。α和u作为待求解参数，可利用最小二乘法求解得到，求解方程如下：

其中，矩阵B和Y如下所示：

根据（2）式，将所求出的参数 ˆα和ˆu代入（1）式，则（1）式可变形为：

求解（5）式的解，即可得到灰色预测模型为：

c）进行累减还原，即

1.2 人工神经网络理论预测电量需求

利用人工神经网络理论（Artificial Neural Network，ANN）来预测电量需求，充分利用神经网络具有优良的学习功能以及输入输出变量非线性关系的能力，因此，该理论被广泛应用于建立用电量的预测模型［7］。基于ANN预测电量需求依据人们模拟人脑信息处理、储存的检索机制，将居民、工业和商业用户的用电量预测ANN来代替，利用其非线性、自组织和大规模并行等优点完成未来电量需求的预测。ANN模型的差异是由于人工神经元结构以及互联方式的差异决定的，常见的模型主要包括：多层前馈神经网络（Multi-layer Feed-forward Neural Network，MFNN，也称BP模型）、自学习的Kohonen自组织神经网络模型等。

利用BP模型可快速拟合任意复杂的非线性关系，当用户用电量数据具有一定量的样本时，利用BP模型对其进行专有的人工“训练”，便可自动生成恰当的函数关系，从而形成神经网络用于预测电量需求。基于BP模型的电量需求预测方法利用输出后的误差来估计输出层的直接前导层误差，如此一层一层反传下去，即可获得其他各层的误差统计［7］。

而基于Kohonen自组织神经网络模型的电量需求预测方法则利用了Kohonen网络的自组织性，通过输入适当的负荷样本对神经网络进行“训练”，得到的网络便可以自动完成对复合模式的分类。

相关研究中，文［8］提出了一种组合优化灰色神经网络模型，该模型根据GM（1，1）模型具有较好的增长特性的特点，对季节型时间序列的增长趋势进行建模，并根据ANN具有的较好描述复杂非线性函数能力的特点，对季节型负荷进行建模，最终，根据最优组合预测理论，建立了兼GM（1，1）和ANN优点的最优组合预测模型（GANN），较之其中任一单一式模型预测精度具有较好的改善。文［9］提出了一种基于神经网络的结构自适应聚类神经网络，基于实际营销数据实现了用户用电量时间特征分析，所得结论对于电价的针对性调整以及合理地安排电力生产具有重要的参考价值。文［10］提出基于采用附加动量和自适应学习率的BP（back propagation）神经网络的全社会用电量预测模型，模型的输入变量为本年度的GDP、一产用电量、二产用电量、三产用电量和城乡居民用电量，输出变量为下年度的全社会用电量，对1986～2005年的全社会用电量数据进行了仿真，仿真结果表明该模型是有效的。

2 电力市场电量需求预测几种主要方法

2.1 经济模型法

利用经济模型法对电力市场电量需求进行预测，可分为计量经济法、回归分析法和前面提高的灰色预测法。

计量经济法侧重于寻找影响电力需求的主要因素及其因果关系，并建立方程求解，以预测未来电力需求。计量经济法建立的预测函数变量可选择为第一、二、三产业增加值，城市、农村居民收入、人口、人均GDP、居住面积等，函数本身则为一阶或多阶。

回归分析法则利用居民、工业和商业用户的历史用电量数据进行回归分析，得到需电量与外生变量的一组模型方程。一般取地区GDP作为外生变量，可供选择的一元回归模型有：a）线性回归，Y=a+bx；b）S曲线，Y=1/（c+a*ebx）；c）指数函数，Y=a+e0.001*x；d）幂函数，Y=a*xb；e）对数函数，Y=a+b*logx；f）指数函数，Y=a*bx。回归分析法常用于中短期预测，一般可根据需要和条件进行多元回归分析。

灰色预测法，如前所述，利用灰色理论（Grey Theory，GT）预测电力市场用电量需求，在需电量预测时常用数列预测法，其将用户用电量原始数据变换生成规律性较强的函数，建立微分方程模型来预测未来需电量，简单、数据量小、预测精度高、适用性强，可用于短期和中长期预测。

2.2 综合分析法

综合分析法预测电量需求，常用的包括电力弹性系数法、类比法和平均增长法。

电力弹性系数法中电力弹性系数包括电力生产和电力消费弹性系数，其中电力消费弹性系数指电力消费增长率与国民经济增长率的比值。电力弹性系数，作为经济发展与电力需求增长速度的关联性的宏观指标，可用做远期规划粗线条的负荷预测［11］，可综合反映经济增长对电力需求的拉动作用。利用电力弹性系数法预测电量需求，其准确性依赖于对国民经济历史资料的统计的准确性以及未来经济结构和科技进步对电力需求的正确估计［12］。电力弹性系数值一般情况下应小于1，大于1则意味着GDP的边际成本大于其平均电力成本，经济的可持续发展可能受到影响。在电力市场电力需求预测中，对于一段时期内的电力消费弹性系数，其值等于全社会用电量年平均增长率与计算期GDP的比值，而预测期电力增长速度则等于电力消费弹性系数与预测期GDP增长速度的乘积。一般情况下，可按剔除生活用电量的行业用电量弹性系数预测，也可按剔除生活用电量的分产业弹性系数预测后累加。对于我国某一区域的电力需求预测，利用弹性系数法，由于具体到每年的电力弹性系数缺乏规律性，只宜对较长的一段时间进行预测。

类比法包括负荷密度法、人均用电量法等，将规划地区与经历类似发展过程的地区相比较，从而确定电量需求。考虑到地区与地区之间的经济体制、经济结构、资源、生产、消费、生活习惯及用电构成等差异，可借鉴国内经济发达地区的发展情况进行分析对比，从而预测本地区的用电量需求。通过类比，找出共性特点，结合所预测地区的实际情况，预测规划期的电量需求。该法不宜作为主要方法来进行电力需求预测，但其预测结果对其他电力需求预测方法的结果可提供校核，一般用于远期粗线条预测。

平均增长法在预测电力需求时，通常需经综合分析计算得到年电量的年均增长率来计算规划年份的年电量需求值，即An=A×（1+k）n，该法在历史数据收集年份长、经济发展比较规律、用电增长比较均衡、大用户用电量占整个地区用电量比重较小的地区适用性较强。

2.3 分析预测法

分析预测法预测电力市场电量需求，主要包括分部门预测法、大用户综合分析法、分地区预测法、折算分析预测法、进度推算分析预测法、等效小时分析预测法等。

分部门预测法的关键在于准确地划分行业用电类别，结合本地区行业发展的实际情况和不同特点，采用各种方法对不同行业的用电进行预测，汇总后得出预测结论。

大用户综合分析法将用户分为大用户和一般用户，按大用户各自预测的用电量及一般用户自然增长电量推测需求电量。具体地，先对历史用电量数据进行处理，扣除其中大用户的用电量数据，计算一般用户电量的自然增长速度，作为预测一般用户电量增长速度的依据。这种方法适用于大用户个数相对较多、大用户用电量占整个地区用电量比重较大的地区。

分地区预测法则是将前面提到的各种预测方法分地区进行预测，汇总得出全地区规划期内预测值。

拆算分析预测法［13］通过对电力企业业扩报装容量和电力企业用电量增长趋势的分析，从数据中对下一年电力市场的用电量情况进行分析和预测。该方法为供电企业在电力市场发展下电量分析和预测的主要方法之一。具体地，下一年预测的用电量减去上一年的用电量，再除上上一年电力企业业扩报装容量则等于下一年的等效小时。而下一年的用电量的增长分析数据则等于当年的等效小时乘以当年的业扩报报装容量。该方法主要用于对季度、半年以及一年的用电量走势的分析，以及未来用电量的预测。

进度推算分析预测法主要用于分析局部区域的电量需求，并在每个用电区域内，根据日用电量的数据走势情况，来判断该地区的天气变化、季节变化及节假日等用电情况，并对该区域内用电企业以及用电居民的用电习惯进行分析，判断用电情况对电量走势的影响，最终得出电量使用的规律，从而更好的对地区的用电量进行预测［14，15］。

等效小时分析预测法主要根据小时发电方式进行分析，将小时发电充分利用到用电量分析预测的工作中，有效提高了电力市场电量分析预测的质量。

2.4 其他方法

其他方法包括趋势分析法、指数平滑法、人均用电量法和负荷密度法等。

趋势分析法的关键之处在于建立准确的趋势分析模型，利用模型进行趋势曲线分析、曲线拟合或曲线回归分析，是一种常见的定量预测方法。对于居民、工商业用户的历史用电量数据，构建拟合曲线，反映用电量或用电负荷的增长趋势，按该增长趋势曲线，估计未来某一点上该时刻的电量需求值或负荷预测值，该过程是一种确定的外推，可不用考虑随机误差。趋势分析法用到的几种典型的趋势模型基本形式为［16］：

式中，Yt为预测对象，εt为预测误差，θ为待定参数。

基于（8）式，几种典型的趋势分析模型包括：a）多项式趋势模型，Yt=a0+a1t+…+antn；b）线性趋势模型，Yt=a+bt；c）对数趋势模型，Yt=a+blnt；d）幂函数趋势模型，Yt=atb；e）指数趋势模型，Yt=aebt；f）逻辑斯蒂（Logistic）模型，Yt=L/（1+μe-bt）；g）龚伯茨（Gompertz）模型，Yt=exp （-βe-θt），β＞0，θ＞0。

指数平滑法区别于趋势分析法，它根据时间序列的实际值建立模型进行预测，并利用以往的历史用电量数据的指数加权组合来直接预报时间序列的将来值。指数平滑法预测模型的基本形式为［16］：

式中，α为衰减因子，α小时，是强调过去历史数据的作用；α大时，是强调新近数据的作用。对于电力需求预测，该法重要的是曲线越接近目前时刻，就应当越准确，而对于过去很久的数据，则不必要作很精确的拟合，类似惯性作用。

人均用电量法利用增长率法、回归法等方法进行数值计算或综合分析规划期人均用电量值，与预测年人口值相乘，得出规划年的年电量。

负荷密度法是每平方公里的平均负荷值，首先计算现状和历史的分区负荷密度，然后根据地区发展规划及各分区负荷发展的特点，推算出各分区目标年的负荷密度预测值［17］。该方法在城市中心区应用对于今后110kV变电站的布点和10kV配网建设等指导作用比较强。但基础资料调查工作量比较大。

3 基于电力弹性系数法的电量需求算例分析

3.1 电力消费弹性系数

电力消费弹性分析是目前业内常用的定量预测方法，电力消费弹性系数可以反映出电力消费增长速度与国民经济增长速度间的相对关系。电力消费弹性系数的计算公式为：

式中，E1为上一年度用电量，E2为下一年度用电量，G1为上一年度GDP，G2为下一年度GDP。

经济、环境、科技等多方面原因都会影响到弹性系数，但总趋势是逐渐减小。这些影响因素包括：a）经济结构不断调整，如第二、三产业比重的变化；b）世界金融形式对产业结构的强行冲击；c）能源政策的调整；d）科技进步和引入电力需求侧管理等因素；e）电力和当代能源的价格关系；f）气候和人口的变动因素；g）GDP统计数据的真实性等。

3.2 弹性系数与单位电耗变化的关系

在GDP增长一定的情况下，弹性系数与单位电耗变化存在一一对应关系。假设第1年与第2年的GDP总量分别为G1、G2（万元），第2年的GDP相对第1年GDP增长率为g，则G2= G1*（1+g）。第1年与第2年的每万元GDP能耗为D1、D2（万元），第2年的万元GDP能耗是第1年的σ倍，即D2= D1*σ，σ为电耗变化系数。

图1 2009年用电量增长率预测分析流程Fig.1 Forecasting and analysis flow of electricity utilization rising rate in 2009

则第1年与第2年的消耗电量分别为E1、E2度，即E1= D1* G1，E2= D2* G2。则弹性系数ϑ计算公式为：

将G1、G2及E1、E2代入上式即得

根据（12）式，可知通过GDP增长速度和电耗系数即可推导出电力弹性系数的变化。

3.3 算例分析

以广州市2000年～2008年的市用电量历史数据为基础，预测2009用电量的增长率，其分析流程如下图1所示。

广州市2000年～2008年用电量如下表1所示，表1中实际用电量=万kwh原始用电量+年末调出-年初调入。

表1 2000～2008年广州市用电量Tab.1 Electricity consumptions of Guangzhou city from year of 2000 to 2008

以2000年不变价格计算的GDP值如下表2所示。其中，GDP增速=（GDP指数值/100）-1；2000年不变价GDP值中2000年份的等于该年份的GDP实际值，其他年份的=上一年份的2000年不变价GDP*当年的GDP指数值/100。

表2 以2000年不变价格计算的GDP值Tab.2 Computational GDP values based on constant-price in year of 2000

基于2000年GDP不变价计算的能耗和弹性系数如表3所示，其中，各年份的能耗=（该年份的实际用电量*10000）/该年份的“2000年不变价GDP”（表2），能耗系数=该年的能耗/上一年的能耗值，弹性系数=（该年的能耗系数*（1+该年的GDP增速）-1）/该年的GDP增速值。

表3 基于2000年GDP不变价计算的能耗和弹性系数Tab.3 Computational energy consumptions and elasticity coefficients based on the GDP constan-price in year of 2000

基于对广州2008年弹性系数大幅下降的现状，对2009年的能耗系数进行了高中低三种估计，2009年的能耗系数预测将取决于对整体金融环境变化的预测，则2009年广州市GDP增速分为高方案、中方案和低方案三种，各方案对应的预测增速值为10%、9%和8%。

相应的能耗系数也预测为三种方案：高方案、中方案和低方案，对应的预测结果分别为0.959、0.950 和0.941。2009年能耗系数的原因分析是基于上一年的能耗系数大幅降低的影响，2008年弹性系数大幅降低的因素包括：延续以往的节能减排措施贡献2.98%（↓）、线损率降低贡献0.76%（↓）、降温负荷降低贡献0.73%（↓）、16家高耗能企业贡献0.00%、第一季度错峰用电贡献0.03%（↓）、金融危机强行产业调整贡献2.70%（↓）和平均每季度影响贡献0.90%（↓）。因此对于2009年能耗系数的预测，其值降低的因素包括：延续节能减排贡献2.98%（↓）、线损率降低贡献0.23%（↓）及金融危机强行调整贡献，其中金融危机强行调整分为高（影响1个季度）、中（影响2个季度）和低（影响3个季度）三种方案，最终综合前面两个因素，在三种方案下能耗系数分别降至：0.959、0.950和0.941。

最终，2009年广州市弹性系数及用电量增长预测如下表4所示，其中，高、中、低三种方案下：弹性系数=（对应方案下的能耗系数预测结果*（1+对应方案下的GDP增速值）-1）/对应方案下的GDP增速值，用电量增加率=对应方案下的弹性系数*对应方案下的GDP增速预测结果，2009用电量预测值=2008年份的实际用电量值*（1+对应方案下的用电量增加值），2009年表面值=对应方案下的2009年用电量预测值+2008年年末调出值，2009年表面增长率=（对应方案下的2009年表面值/2008年万kwh原始用电量值）-1。

表4 2009年广州市弹性系数及用电量增长预测Tab.4 Forecasting of elasticity coefficient and electricity consumption rise of Guangzhou city in year of 2009

4 提高电量预测准确率的措施

提高用电量需求预测准确率具有重要的意义，提高电量预测准确率的措施包括［18-21］：1）做好气象与气象负荷关系的材料积累，及时掌握天气变化情况，与气象站建立有效的沟通机制，并记录每年不同时期气象与气象负荷之间的一些联系，通过对材料的收集和分析，逐渐掌握规律，对预测结果进行动态修正，提高短期电量预测准确率；2）采用适当的电量预测方法，如建立诸如季节比例模型、多元模糊线性回归模型等，通过采用多元线性回归分析的方法，建立易于接受的分析模型，为电力预测提供科学依据；3）采用神经网络方法，不断改进网络神经方法中网络训练的方式，增加网络训练的样本，从而降低电量预测的误差，提高预测的精准度；4）采用最新的机器学习算法，如Q学习算法［22-24］、强化学习（Reinforcement Learning，RL）、深度学习（Deep Learning，DL）等人工智能算法，对历史用电量数据样本进行不断训练，得出有意义的“经验”，提高预测未来电量需求潜力的精准度；5）采用定性与定量结合的方法，首先读取数据库中的历史用电量基础数据，根据相关的预测模型理论进行预测，如季节比例模型理论、改进BP网络模型、多元模糊线性回归模型等分别预测出各个细分市场下一阶段的售电量情况，上述三模型的预测值作为组合预测模型的输入，以求出各细分市场下一月的售电量的预测值，然后，基于该预测值，及分析过程中存在的误差值，分析预测值是否可靠，如可靠，则可提高电网的供电能力或减小各个细分市场的售电量，否则由工作人员继续进行修正；6）做好电量预测方案，实时关注国家的金融经济发展趋势，准确掌握经济脉搏及电能需求增长和国家、社会发展之间的关系，并保持清醒的思路；7）建立预测“数据库”，通过建立一个详实的基础数据库，对历史数据进行分析，找出客观规律，提高电量预测的准确率；8）走访大客户，深入了解生产经营情况，全面开展市场调研工作，了解客户产品销售、积压情况、资金流转情况等，加强对大工业客户、地方电厂的管理，杜绝无序生产。

5 总结

电量预测作为我国电力系统规划的重要组成部分，准确预测电力市场竞争机制下的电力需求，对于同业对指标考核的要求、为供电企业掌握售电市场提供依据、为电网发展提供方向、保证电费足额回收提供参考等具有重要的意义。本文旨在探究电量需求预测的理论及常用的预测方法，并就电力弹性系数法进行了算例分析，给出提高电量预测准确率的一些改进措施，特别是结合现代流行的人工智能算法，如机器学习算法（Machine Learning，ML）、深度感知理论（Deep Perception，DP）、强化学习算法（Reinforcement Learning，RL）、深度学习（Deep Learning，DL）、极限学习（Extreme Learning）及情感学习（Emotion Learning，EL）等，将其运用到电量需求预测中来，通过对大量真实的历史用电量数据样本进行训练学习，积累可靠的“经验”，形成准确率高的预测模型，对于未来电力市场竞争环境下的电网侧、售电侧、用户侧和负荷集成商等多主体供需友好互动具有重要的指导意义。

参考文献

［1］ 胡宁.电力需电量预测方法［J］.江西电力，2012，36（4）：77-79.N Hu.The electric power consumption forecasting method ［J］.Jiangxi Electric Power，2012，36（4）： 77-79.

［2］ 陈毛昌，穆钢，孙羽，等.基于DFT灰色预测理论在日电量负荷预测中的应用［J］.电力自动化设备，2005，25（9）：29-32.M C Chen，G Mu，Y Sun，et al.Application of DFT-based grey model in daily load forecast ［J］.Electric Power Automation Equipment，2005，25（9）： 29-32.

［3］ 张友泉.一种基于灰色系统理论的中长期需电量预测模型［A］.山东电机工程学会第九届优秀学术论文集［C］，2002，8.Y Q Zhang.The middle & long term power consumption forecasting based on the grey system theory ［A］.Shandong Institute of Electrical Engineering of the ninth set of excellent academic papers ［C］，2002，8.

［4］ 牛东晓，曹树华，赵磊，等.电力系统负荷预测技术及其应用［M］.北京：中国电力出版社，1998.

［5］ 曹国建，黄纯，隆辉，等.基于GM（1，1）改进模型的电网负荷预测方法［J］.电网技术，2004，28（13）：50-53.G J Cao，C Huang，H Long，et al.Load forecasting based on improved GM （1，1） model ［J］.Power System Technology，2004，28（13）：50-53.

［6］ 庞亚亚，王书源，韩璐.电力系统负荷电量预测的研究［J］.电气时代，2015，35（7）：104-105.Y Y Pang，S Y Wang，L Han.Study of power system load electricity forecasting ［J］.Electric Age，2015，35（7）： 104-105.

［7］ 牛东晓，陈志业，邢棉，等.具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型［J］.中国电机工程学报，2002，22（1）：29-32.D X Niu，Z Y Chen，M Xing，et al.Combined optimum grey neural network model of the seasonal power load forecasting with the double trends ［J］.Proceedings of the CSEE，2002，22（1）： 29-32.

［8］ 忠军，陈刚.基于结构自适应神经网络用电量时间特征的聚类分析［J］.重庆大学学报：自然科学版，2007，30（8）：44.J Zhong，G Chen.Clustering analysis for time feature of user power consumption based on structural self-adaptation ANN［J］.Jourrnal of ChongQing University： Natural Science Edition，2007，30（8）： 44.

［9］ 谭显东，胡兆光，李存斌，等.基于改进BP神经网络的全社会用电量预测模型研究［J］.华北电力大学学报，2007，34（3）：85.X D Tan，Z G Hu，C B Li，et al.Study on predictive model to social power consumption based on the improved BP neural network［J］.Journal of North China Electric Power University，2007，34（3）： 85.

［10］ 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.

［11］ 房林.中国电力需求的预测分析［D］.东北财经大学，2005.L Fang.China electricity demand forecasting and analysis ［D］.Dongbei University of Finance & Economics，2015.

［12］ 钱纹.采用电力弹性系数法预测负荷［J］.云南电力技术，2001，29（1）：41-44.W Qian.Load forecasting using the electricity elasticity coefficient method ［J］.Yunnan Electric Power，2001，29（1）： 41-44.

［13］ 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.D Liu.Power market electricity analysis and forecasting analysis［J］.Technology Innovation and Application，2014，3（35）： 162.

［14］ 夏君常，谢开贵，曹侃，等.电力市场短期电价预测的误差修正模型［J］.华东电力，2011，39（2）：161-167.J C Xia，K G Xie，K Cao，et al.Error correction model for short-term electricity price forecasting ［J］.East China Electric Power，2011，39（2）： 161-167.

［15］ 吴寄.电力市场条件下的无功辅助服务定价探讨［J］.科技资讯，2010，8（23）：225.J Wu.Discussion on reactive power service pricing under power market circumstance ［J］.Science & Technology Information，2010，8（23）：225.

［16］ 潘国美.对几种用电预测方法的探讨［J］.上海电力，2000，13（2）：25-28.G M Pan.Discussion on several electricity utilization forecasting methods ［J］.Shanghai Electric Power，2010，13（2）： 25-28.

［17］ 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.

［18］ 纪海强.浅谈提高电量预测准确率的措施 ［J］.科学时代，2015，19（10）：84，+86.H Q Ji.Brief discussion on measures of improving electricity forecasting accuracy ［J］.Scientific Time，2015，19（10）： 84，+86.

［19］ 麦琪.浅析提高电力电量预测准确率必要性及措施 ［J］.技术与广场，2015，22（12）：105，+107.Q Mai.Brief analysis on necessity and measures of improving power electricity forecasting accuracy ［J］.Technology and Market，2015，22 （12）： 105，+107.

［20］ 蒋正阳.基于电量预测及客户行为分析的电网系统的设计与实现 ［D］.中山大学，2013.Z Y Jiang.Design and implementation of power grid system based on electricity demand forecast and customer behavior analysis ［D］.Sun Yat-sen University，2013.

［21］ 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.

［22］ 吴雯美，陆江，谭敏，等.基于相关均衡强化学习协同算法的多区域无功优化研究 ［J］.新型工业化，2015，5（6）：33-40.L M Wu，J Lu，M Tan，et al.Multi-regional reactive power optimization based on correlated equilibrium Q-learning collaborative algorithm ［J］.The Journal of New Industrialization，2015，5（6）： 33-40.

［23］ J Tang，X S Zhang，L F Cheng，et al.Hierarchical correlated Q-Learning for multi-layer optimal generation command dispatch ［C］.In：2015 International Conference on Intelligent Materials and Mechatronics，October 29-30，2015，Hong Kong，DEStech Publications，Inc.27-34.

［24］ J Tang，X S Zhang，L F Cheng，et al.TOPSIS-Q（λ） learning for multi-objective optimal carbon emission flow of power grid ［C］.In：2015 International Conference on Intelligent Materials and Mechatronics，October 29-30，2015，Hong Kong，DEStech Publications，Inc.20-26.

DOI：10.19335/j.cnki.2095-6649.2016.06.006

基金项目：中国南网电网科技项目资助（GDKJ00000052）

作者简介：麦琪（1984-），女，助理级经济师，本科，主要研究方向：电费电价、行业用电分析

Study of Distribution Network Users Power Consumption Demand Forecasting based on Electricity Analysis

MAI Qi
（Dongguan Power Supply Bureau of Guangdong Power Grid Co.， Ltd.， Dongguan 523000， China）

ABSTRACT：It’s of great significance to accurately predict users’ power demand for the grid corporations， the industry and commerce enterprises and the inhabitant users in market competition environment.A simple review was made on home and abroad power forecasting theory， including grey theory， artificial neural network theory， etc.expounded the power forecasting principle of GM（1， 1） model and BP model.Several actual and regular used methods of electricity market power demand prediction were introduced， including the economic model method， the comprehensive analytical method， the predication parsing method， and other methods.Finally， set the electricity elasticity coefficient method as an example and based on the historical city electricity consumption data of Guangzhou from year of 2000 to 2008， its power demand in 2009 was forecasted.Meanwhile，some measures to improve power prediction accuracy were given， and suggested that the newly developed machine learning algorithms apply in power demand prediction， which will have provide certain guidance and reference for multi-agents supply and demand interaction， such as the grids， users， electricity sellers， and load integrators.

KEyWORDS：Power demand； Forecasting； grey theory； Artificial neural network theory； Electricity elasticity coefficient；Supply & demand interaction