基于修正业扩容量曲线的月度电量预测方法

汪　鸿，薛晓强，韩俊杰，罗　欣，赵　燃

（1.国网冀北电力有限公司，北京 100053；2.北京清软创新科技有限公司，北京 100085）

基于修正业扩容量曲线的月度电量预测方法

汪鸿1，薛晓强1，韩俊杰2，罗欣2，赵燃2

（1.国网冀北电力有限公司，北京 100053；2.北京清软创新科技有限公司，北京 100085）

业扩报装容量与用户用电水平具有紧密的联系。本文建立了基于修正业扩容量曲线的月度电量预测方法，使电力企业能够根据用户业扩报装情况准确预测出用户个体以及行业整体的用电趋势。首先，对用户个体的存量电量和各次业扩所产生的电量分量进行分离，并采用生长曲线模型对各电量分量的过渡过程进行拟合；其后，提取得到用户的用电特性指标，并据此对行业整体的月度净用电容量曲线进行修正；最后，对行业月度电量曲线进行季节调整，并针对电量趋势项与修正后的净用电容量以及其他相关因素建立预测模型，进而得到行业月度电量预测值。实例分析表明，修正容量曲线能够有效地降低预测误差，验证了预测方法的有效性和准确性。

月度电量预测；业扩报装；用电容量；生长曲线；季节调整

月度电量预测是电力企业进行电力系统规划与运行的重要基础［1］。业扩报装（简称“业扩”）是用户申请用电到实际用电的过程中电力企业业务流程的总称，业扩容量（用户进行业扩后的用电容量）与用户用电水平具有紧密的联系。深入剖析业扩容量与用电量的关联，形成基于业扩的月度电量预测方法，对电力企业的经营决策具有重要的现实意义。然而，业扩容量与用电量之间存在着诸多需要深入考虑的因素，增加了电量预测难度，包括：①用户从发生业扩到达到稳定用电状态中间存在一个过渡期，如何考虑过渡期内的用电变化过程；②用户可能发生多次不同类型的业扩业务，如何对各次业扩产生的用电量进行分离；③预测方法如何基于用户个体的用电特征扩展到对整个行业的用电趋势进行预测等。

目前，虽然已有大量研究对月度电量预测的方法进行了讨论和分析，比如ARMA模型［2-3］、季节调整法［4］、神经网络方法［5］等，但鲜有文献从电力企业的角度从机理层面进行分析，尤其对于业扩容量与用电量的关联，现有研究关注较少且不够深入。文献［6-7］分析了工业用电量与业扩之间的相关性，但建立的预测模型直接将业扩容量作为自变量，而未考虑用电不稳定阶段对预测结果的影响；文献［8］探究了用户在业扩后的用电变化趋势，但建立的预测模型较为简单，未考虑用户多次业扩所产生电量的分离以及季节特性的影响等。且文献［6-8］虽然初步考虑了业扩容量与电量的关系，但均未对业扩容量曲线进行修正，导致预测精度有所欠缺。

本文力图克服现有研究的不足，建立基于修正业扩容量曲线的月度电量预测方法，使电力企业能够根据用户业扩情况预测出用户个体以及行业整体的用电趋势，并借助对用户个体的用电曲线的拟合提取出相应的关键参量，来修正行业整体的业扩容量曲线，剥离用户用电生长过程的随机性对行业电量预测的影响，从而提高预测准确性。

1　业扩容量与用电量关系分析

业扩具有多种业务类型，其中主要影响电量预测的业务类型包括：新装（新用户按照所需用电容量与电力企业建立供用电关系）、增容（在原约定用电容量基础上增加新的用电容量）、减容（减少合同规定的用电容量）、暂停（短期内停止使用全部或部分用电容量）、恢复（在暂停业务后恢复用电容量）和销户（终止供用电合同，停止全部用电容量）等。以某地区2009—2012年钢铁行业的月度用电数据为例，图1和图2分别给出了该地区某个钢铁企业和该地区钢铁行业整体的月度净用电容量曲线和月度用电量曲线。其中，月度净用电容量指发生业扩后的当前实际用电容量，即：净用电容量=存量容量+增容类业扩容量（新装、增容、恢复等）-减容类业扩容量（减容、暂停等）。

由图1可见，对用户个体而言，月度净用电容量曲线为阶跃曲线（期间共发生4次业扩业务），而用电量曲线基本跟随净用电容量的变化而变化，并在发生业扩业务的初期有所滞后。可见，用户发生业扩行为后，其用电状态并不会立刻达到稳定，而是会有一个过渡期，且在过渡期内，用电量先是快速增长，继而增速逐渐放缓直至达到饱和。当用户后续再次发生业扩时，电量曲线将在原来的基础上再次叠加一个过渡过程，并达到新的稳定状态。

由图2可见，对于行业整体而言，月度净用电容量曲线和月度用电量曲线均呈现出整体上升趋势以及周期变化特性，且二者具有相似的形状和波动趋势，呈现出一定程度的相关性。如果能够考虑用户在发生业扩后的过渡期内的用电增长过程，并据此对行业整体的净用电容量曲线进行修正，将从内在机理上提高容量曲线与用电量曲线的相关性，从而使电力企业能够更准确地基于用户业扩情况预测出整个行业的用电趋势。

图1　典型用户的月度净用电容量和月度用电量曲线Fig.1　Monthly net capacity curve and monthly electricity consumption curve for a typical power consumer

图2　行业整体的月度净用电容量和月度用电量曲线Fig.2　Monthly net capacity curve and monthly electricity consumption curve for a whole industry

2　考虑业扩容量特征的电量预测

2.1总体预测流程

本文采用不同方式实现对用户个体和行业整体的月度电量的预测，并提取用户个体的用电特性指标修正行业业扩容量曲线，从而使得行业整体的电量预测更加准确。总体预测流程如图3所示。

图3　总体预测流程Fig.3　Flow chart of the forecast process

2.2用户个体月度电量曲线预测

2.2.1业扩用电生长曲线的拟合

用户发生业扩后的电量增长过程与生长曲线特点相吻合［9］，因此本文采用Logistic模型［10］逐次对各个业扩电量分量进行拟合和预测，表达式为

式中：a、b、k为待定参数；t为时间参数。

其后，采用文献［11］提出的改进的生长曲线预测法进行参数估计。

2.2.2各次业扩电量分量的分离和预测

记用户历史时段内的月度电量曲线为QM，t，t=1，…，TH，TH为历史时段包含的月数。将月度电量QM，t除以当月天数，得到各月日均电量Qt。

记用户在历史时段和待预测时段内的净用电容量曲线为Ct，其表达式为

式中：CS为存量容量；CB，i为用户发生第i次业扩业务增加或减少的容量；Si为符号函数，对于增容类业扩，Si=1，对于减容类业扩，Si=-1；ti为用户第i次业扩发生的月份；NH、NP分别为历史时段和待预测时段内用户发生业扩的次数；ε（t）为单位阶跃序列；TP为待预测时段包含的月数，对于月度负荷预测，TP不宜太长，取TP=2～3为宜。

对各次业扩电量分量进行分离，并得到用户个体的电量预测曲线，步骤如下。

（1）针对时间区间t=1，…，TH+TP，对Q1～Qt进行拟合，得到日均存量电量预测曲线

（2）从i=1开始至i=NH结束，逐次选取用户发生第i次和第i+1次业扩行为之间的时间区间（即t=ti，…，ti+1-1），将该区间内的日均电量Qt减去存量电量预测值以及之前i-1次业扩电量分量的预测值得到第i次业扩产生的日均电量分量qi，t，即

对qi，t（t=ti，…，ti+1-1）进行拟合，得到历史时段内发生第i次业扩对应日均电量分量的预测曲线1，…，NH，t=ti，…，TH+TP）。

（3）若用户在待预测期内发生业扩行为，则根据用户在历史时段内发生同类型业扩所产生的电量分量，按照业扩容量进行比例折算得到预测值，即

式中，m为历史时段内发生的同类型业扩的序号。

（4）叠加各电量分量并乘以当月天数，即得到用户的月度电量预测曲线

2.2.3用户用电特性指标的提取

为了将用户的用电特性体现到行业整体的电量预测过程中，提取如下用电特性指标。

（1）各业扩电量分量的稳定利用小时数HS，i：根据前述步骤得到的各次业扩电量分量，当连续3个月电量变化不超过5%时，可认为该业扩电量分量已达到稳定状态。稳定利用小时数表达式为

式中，qS，i为第i次业扩对应的稳定电量，可取稳定后3～5个月的月平均电量或其拟合曲线的参数a。

（2）各业扩电量分量的稳定时间TS，i：表示用户从发生业扩到其电量分量达到稳定所经过的月数。

（3）各业扩电量分量的逐月负荷投运比例λi，t（t=ti，…，ti+TS，i-1）：表示过渡期内各业扩电量分量qi，t与对应的稳定电量qS，i的比值。

2.3行业整体月度电量曲线预测

2.3.1行业业扩净用电容量曲线的修正

电力企业在统计各行业净用电容量时，通常将各次业扩容量直接全部计入业扩发生当月的总容量，导致过渡期间内的容量利用小时数较低，容量曲线与电量曲线的相关性减小，降低了预测准确度。本文方法利用提取出的用户用电特性参数，对行业整体的净用电容量曲线进行修正，以使得每个业扩电量分量的等效利用小时数在过渡期内基本保持一致，从而剥离了用户用电生长过程的随机性对行业整体电量预测的影响。修正表达式为

根据实际情况，也可不必对所有用户均提取特征指标进行修正，而可以针对该行业内用户用电特性进行聚类，以若干典型用户的特征指标为代表对行业业扩容量曲线进行修正。

2.3.2行业用电容量曲线和电量曲线的季节性分解

为消除季节变动要素和不规则要素对月度电量预测的影响，本文采用Census X12算法［12-13］，对行业月度日均用电量曲线进行季节性分解，即

2.3.3行业电量曲线预测模型的构建

式中，X为其他相关因素组成的向量。具体的预测模型可以根据实际情况选择。

电量曲线季节项可采用历史同期电量季节项的平均值作为预测值，即

式中，NY为历史数据所包含的年数。

3　算例分析

选取某地区电力企业统计得到的2009—2012年钢铁行业的月度用电数据进行算例分析。取2009年1月—2012年10月作为历史时段，对2012年11月、12月的用电量进行预测，即TH=46，TP=2。

行业内某典型用户的月度净用电容量曲线和电量曲线已在图1中给出，其在观测时段内共发生4次业扩业务，各次业扩信息如表1所示。

行业整体的月度净用电容量曲线和电量曲线已在图2中给出。影响钢铁行业整体用电量的相关因素主要为钢铁价格，观测时段内的钢铁价格曲线如图4所示。

表1　某典型用户业扩信息Tab.1　Business expansions of a typical consumer

图4　钢铁月度价格曲线Fig.4　Monthly steel price curve

根据第2.2节所述步骤，对该典型用户进行用电生长曲线的拟合、各次业扩电量分量的分离、用电特性指标的提取，结果如下。

（1）第1次业扩（新装）拟合曲线为

（2）第2次业扩（增容）拟合曲线为

式中，TS，2=3，且有λ2，22=6.6%，λ2，23=62.6%，λ2，24=79.9%；

（3）第3次业扩（暂停）TS，3=0，即发生暂停业务后，电量在当月即减少至稳定值，故q̂3，t可取对应电量分量的稳定均值，即

（4）第4次业扩（恢复）拟合曲线为

式中，TS，4=1，且有λ4，37=57.7%。

借助EViews软件对行业月度日均用电量曲线进行Census X12季节调整［14］，其趋势项、季节项和不规则要素项如图5所示。

图5　钢铁行业月度电量曲线的季节调整Fig.5　Seasonal adjustment of monthly electricity consumption curve for steel industry

通过对比计算，可得到修正前后月度用电量趋势项与净用电容量的相关系数分别为0.81和0.88，可见修正过程提高了电量和容量曲线的相关性。

为验证修正业扩容量曲线对于提高预测准确性的效果，将上述预测结果与未修正容量曲线情况下得到的预测结果进行对比。针对电量趋势项、未修正的容量以及钢铁价格建立二次回归预测模型，其得到的预测值也列于表2。

表2　预测结果及预测准确度对比Tab.2　Comparisons of forecasting results and accuracy

可以看到，电量预测取得了较为准确的结果，且修正容量曲线能够有效地降低预测误差，证明了本文所提预测方法的适用性和准确性。

4　结语

业扩容量与用户用电水平具有紧密的联系，深入剖析业扩容量与用电量的关联，形成基于业扩报装的月度电量预测方法，具有重要的研究意义。本文建立了基于修正业扩容量曲线的月度电量预测方法，采用不同方式实现了对用户个体和行业整体的月度电量预测，并借助对用户用电曲线的拟合提取出相应的关键参量，据此对行业整体的业扩容量曲线进行修正，从而降低了用户用电的过渡过程对行业整体电量预测的影响，使得电力企业能够更为准确地根据用户业扩情况预测用户个体以及行业整体的用电趋势。

［1］吴杰，宋国堂，卢志刚，等（Wu Jie，Song Guotang，Lu Zhigang，et al）.基于偏最小二乘回归与比重法的月售电量预测（Forecasting for monthly electricity consumption using partial least-square regressive and proportion model）［J］.电力系统及其自动化学报（Proceedings of the CSUEPSA），2008，20（3）：66-69.

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

［3］叶瑰昀，罗耀华，刘勇，等（Ye Guijun，Luo Yaohua，Liu Yong，et al）.基于ARMA模型的电力系统负荷预测方法研究（Research on method of power system load forecasting based on ARMA model）［J］.信息技术（Information Technology），2002（6）：74-76.

［4］乔占俊（Qiao Zhanjun）.基于Census X12-SARIMA模型的中长期负荷预测（Medium and long-term load forecasting based on Census X12-SARIMA model）［J］.电力系统及其自动化学报（Proceedings of the CSU-EPSA），2014，26（1）：34-38.

［5］张健美，周步祥，林楠，等（Zhang Jianmei，Zhou Buxiang，Lin Nan，et al）.灰色Elman神经网络的电网中长期负荷预测（Prediction of mid-long term load based on gray Elman neural networks）［J］.电力系统及其自动化学报（Proceedings of the CSU-EPSA），2013，25（4）：145-149.

［6］葛斐，李周，杨欣，等（Ge Fei，Li Zhou，Yang Xin，et al）.基于业扩报装的全社会电量预测方法研究（Research on forecasting method of whole society electricity consumption based on business expansion）［J］.安徽电气工程职业技术学院学报（Journal of Anhui Electrical Engineering Professional Technique College），2013，18（4）：31-34.

［7］石雪梅，李周，葛斐，等.一种基于工业业扩报装的月度工业用电量预测方法［P］.中国专利：CN103413188A.

［8］余向前，王林信，张维静，等（Yu Xiangqian，Wang Linx-in，Zhang Weijing，et al）.基于生长曲线的行业业扩用电趋势研究（Research of business expanding electric consumption trend based on growth curves）［J］.电力需求侧管理（Power Demand Side Management），2014，16（2）：21-25.

［9］牛东晓，曹树华，赵磊.电力系统负荷预测技术及其应用［M］.北京：中国电力出版社，1999.

［10］鲍正杰，李生虎，赵锋，等（Bao Zhengjie，Li Shenghu，Zhao Feng，et al）.饱和负荷预测中的改进Logistic算法（Improved logistic model for saturated load forecast）［J］.电力系统及其自动化学报（Proceedings of the CSU-EPSA），2014，26（11）：7-11.

［11］王吉权，赵玉林（Wang Jiquan，Zhao Yulin）.生长曲线在电力负荷预测中的应用（Application of logistic curve in electric power load forecast）［J］.电网技术（Power System Technology），2004，28（22）：36-39.

［12］Findley D F，Monsell B C，Bell W R，et al.New capabilities and methods of the X-12-ARIMA seasonal-adjustment program［J］.Journal of Business&Economic Statistics，1998，16（2）：127-152.

［13］中国人民银行调查统计司.时间序列X-I2-ARIMA季节调整：原理与方法［M］.北京：中国金融出版社，2006.

［14］张大维，刘博，刘琪.EViews数据统计与分析教程［M］.北京：清华大学出版社，2010.

Forecasting Method of Monthly Electricity Consumption Based on Modified Capacity Curve of Business Expansion

WANG Hong1，XUE Xiaoqiang1，HAN Junjie2，LUO Xin2，ZHAO Ran2
（1.State Grid Jibei Electric Power Co.，Ltd.，Beijing 100053，China；2.Beijing Qingruan Initiative Science and Technology Co.，Ltd.，Beijing 100085，China）

The capacity of business expansion has a close connection with the electricity consumption level.In this paper，a forecasting method of monthly electricity consumption based on the modified capacity curve of business expansion is proposed，with which power companies can forecast the trend of electricity consumption for both individual consumers and the whole industry.First，the electricity stock curve and the electricity consumption curves caused by each business expansion of the consumers are separated，and the transition process is fitted by growth curves.Second，the characteristic indexes of electricity consumption are identified，and they are further used to modify the monthly net capacity curve for the whole industry.Finally，the monthly electricity consumption curve of the whole industry is decomposed by seasonal adjustment.A forecasting model is built based on the electricity consumption tendency part，the modified net capacity of electricity consumption and other relevant factors，and it is used to forecast the monthly electricity consumption of the industry.A case study shows that the modified capacity curve can effectively reduce the forecast error，and the validity and accuracy of the proposed method are verified.

monthly electricity consumption forecast；business expansion；capacity of electricity consumption；growth curve；seasonal adjustment

TM732

A

1003-8930（2016）10-0080-05

10.3969/j.issn.1003-8930.2016.10.014

2015-06-12；

2016-02-03

国家电网公司科技资助项目“新形势下电力需求及售电市场分析预测技术研究”（SGHB0000KXJS1400044）

汪鸿（1977—），男，硕士，高级工程师，研究方向为负荷预测、电力市场。Email：wh_email@263.net

薛晓强（1983—），男，硕士，工程师，研究方向为生产经营计划管理。Email：xue.xiaoqiang@nc.sgcc.com.cn

韩俊杰（1985—），女，硕士，工程师，研究方向为负荷预测、电力市场。Email：jjhan@tsingsoft.com.cn