电力市场用电量需求分析预测模型研究*

丁业豪，麦琪

（广东电网有限责任公司东莞供电局，广东东莞523000）

0 引 言

基于大数据平台模式下建立科学合理的电量分析预测管理办法具有重要意义，有助于电力市场营销部门制定有效的购售电策略，及电网企业充分挖掘潜在的用电用户，更加科学合理地进行错峰供电。基于大数据分析技术的电力市场用电量信息与多源信息的特性及之间关系的研究显得尤为重要，这需要把握国内具体行业的用电特性，对其用电量趋势进行精细化预测，并开展市场营销工作的精细化管理与深度开发。

目前，我国的负荷与电量预测对象比较粗放，无法精准把握具体行业或大用户的用电特性，市场营销工作难以进行精细化管理与深度开发［1］。电量预测方面，文献［2-5］针对中长期电量预测，分别提出一种基于改进GM（1，1）和SVM的优化组合预测模型、并行自适应混沌优化预测方法、基于多指数平滑预测模型和基于Odds-Matrix算法的Odds-Matrix组合预测方法，电量预测准确度均有所提高，模型或方法具有一定的有效性；文献［6-8］则针对月售电量预测，分别提出一种基于云模型及比重法的预测算法、基于偏最小二乘回归与比重法的预测模型和基于季度售电量预测值的月度售电量新方法，预测精度均有一定提升，预测模型具有一定的准确性；国内外较为集中于电力负荷预测方面研究，其中，文献［9-15］集中于短期电力负荷预测，多采用改进的PSO-SVM、多级协调SLF法、自适应混合方法、局域波-LSSVM法、二级偏差预测法、遗传灰色RBF模型等预测方法，短期负荷预测准确度较高。

国内外研究多集中于超短期、短期、中长期和长期电力负荷预测，较少根据具体行业的用电特性，对电力市场用电量需求进行预测研究。基于此，本文搭建用电量分析预测模型，结合广东省某市历年的历史用电量数据，搭建基于行业用电特性的用电量市场分析预测模型。首先，基于行业细分，确立用电量市场分析预测模型及其总体设计方案；然后，讨论用电量市场分析预测模型涵盖的几种常用的用电量分析预测方法，并介绍其内部的行业信用等级评价模型和景气指数分析模型；最后，基于电量市场分析预测模型，讨论了电力市场中城区用户与电网、售电商（还包括负荷集成商）之间的多方供需互动关系，提出引入动态博弈Nash均衡和Pareto解的多智能体强化学习算法，可以充分挖掘城区用户的用电行为特征及用电潜力，为今后的深度电量分析预测奠定模型基础。

1 分析预测模型及总体方案设计

根据城区用户用电特性，建立其用电量市场分析预测模型，需要在大数据分析的趋势下，系统地分析用电量信息与多源信息的特性及其之间的关系。在本文中，模型搭建的前提是进行行业细分，并确定各行业关键驱动因素，将各驱动因素预测值与预测模型结合，利用数字回归算法，计算出用电量预测值，并通过对历史用电量的预测，验证电量预测模型的准确性。根据预测结果，调整电力营销策略。

1.1 行业细分，确定驱动因素

行业细分是将营销数据、客户服务数据、配网数据、气象数据、社交网络、电商、信用评价等多角度、多层次的数据进行有机整合，开展大数据分析挖掘，以“标签”的形式，构建多层次、多视角、立体化的客户全景画像，实现对电力行业的聚类分群，从而使业务人员能够快速获取行业基本信息、用电偏好、信用风险和行为特征等精细特征。行业细分的总体思路是：历史数据处理→市场分析→驱动因素预测。以广东省东莞市为例，其行业细分思路如图1所示，利用二八原则，将重点放在用电量大的行业，具体行业细分如表1所示。

图1 行业细分总体思路Fig.1 General thinking of industry subdivision

表1 行业细分表Tab.1 Industry subdivision table

行业细分完成后，接下来需确定各行业驱动因素，以东莞为例，其目前各行业主要驱动因素如表2所示。

表2 该市目前主要驱动因素统计Tab.2 Current driving factor statistics in the city

续表2

1.2 模型分析预测步骤

如图2所示，为电量市场分析预测模型涵盖的主要的几种电量分析预测方法。根据该图，首先使用①驱动因素法作为主预测法来实现行业电量的分析预测功能；然后使用；②GDP/电力弹性系数法及；③电力相似月法对主预测法进行辅助与校验；最后通过专家经验或国家政策等依据综合使用；④专家调整法确定最终的预测数据供电力企业使用。

图2 模型分析预测步骤Fig.2 Analysis and forecasting procedures of model

1.3 模型总体方案设计

电量市场分析预测模型的总体方案设计如图3所示。该模型总体架构包括源数据平台、大数据计算平台、业务应用平台等3个平台，体现“数据是价值、平台是基础、应用是核心”的大数据总体架构思想。模型总体架构基于分布式数据计算平台及大数据算法模型包结构，支撑整个大数据的应用功能与体系。

如图3，其中，源数据平台层提供基于计量自动化数据源及外部数据源为基础的各类业务数据。主要包括：计量自动化系统的档案数据、计量点月电量数据以及年电量数据等。另外，外部数据源为气象数据、宏观经济数据、酒店数据、写字楼数据、交通运输类等各种数据信息的大集合。

大数据计算平台层主要为大数据技术框架及平台实现，提供大数据计算平台以及为业务应用提供各种分析预测模型，包括多元回归分析模型、电力相似月模型、电力弹性系数模型、行业信用度模型、行业景气度模型等。

应用平台层负责提供各种应用业务功能。系统人员应用该层模块分析各类业务应用数据消费，主要包括行业电量分析、行业电量预测、行业信用度评价以及行业景气度分析等应用功能。

1.4 基于大数据平台的云计算技术架构设计

基于传统的电量预测方法，设计用电量市场分析预测模型需综合考虑多源信息与电量的特性及其之间的关系，并利用基于多源信息的电量预测方法和设计行业景气指数分析模型，实现自动分析功能。因此，模型的设计基于大数据平台的开发技术和应用，采用满足技术先进性与成熟性相结合的大数据云计算架构，以提高系统的灵活性、可扩展性、安全性和并发处理能力，有效解决“数据孤岛”的弊病，加强各种数据源间的碰撞，充分挖掘数据价值，如图4所示为用电量市场分析预测模型的大数据云计算技术架构。

图3 模型总体架构设计Fig.3 Overall framework design of model

图4 大数据云计算技术架构Fig.4 Big data cloud computation technical framework

图4为一个集资源管理、平台功能整合、应用工具提供及场景应用支撑于一体的整体平台技术架构。其中，第一层为 IAAS或hardware-as-a-servicec，提供场外服务器、存储和网络硬件等；第二层为PAAS或中间件，是整个技术开发层，其嵌入节省了时间和资源；第三层为 SAAS，可通过网页浏览器接入，通过PAAS层为相关人员提供各类应用支撑与交互界面。

2 用电量市场分析预测方法

模型涵盖的几种用电量市场分析预测方法主要分为：行业驱动因素法、电力弹性系数法和电力相似月法等，结合广东省某市历史用电量数据，讨论如下。

2.1 行业驱动因素法

行业驱动因素法关键在于确定各行业驱动因素，其值影响最终的电量预测结果。设计分析预测模型应用驱动因素法时，主要利用行业驱动因素，通过回归分析实现对行业电量的分析预测，确定各行业驱动因素的组合。该方法主要步骤包括：a）确定行业驱动因素；b）确定驱动因素趋势；c）结合 a）和 b）进行行业电量预测。如图5所示为应用行业驱动因素法示意图。

实际中确定驱动因素主要使用指数平滑法和回归分析法。其中，指数平滑法的基本公式为［16］：

式中S（t）为时间t的平滑值；y（t）为时间t的实际值；S（t-1）为时间t-1的平滑值；a为平滑常数，且易受主观影响，其取值区间为［0，1］。

回归分析法最重要的是单变量相关性和回归拟合的拟合程度，单变量相关性可由相关系数R来决定，R为两个现象之间相关关系密切程度的统计分析指标，其绝对值越大，相关程度越高。而回归拟合程度则由决定系数R2及拟合的P值来决定。R取值情况为：R＞0，正相关；R=0，不相关；R＜0，负相关。

回归分析法中，线性回归预测模型是电量需求预测的一个基础模型，在该模型中，自变量是可控制或可精确观测的变量［17］，例如产值用χ表示，可表示工业产值、农业产值、GDP产值等；因变量是依赖于χ的随机变量，用Y表示，回归方程式表示为：

式中b0为回归算法的截距值；χ1，χ2和χ3分别代表工业产值、农业产值和GDP产值；ε定义为专家预测值（或手工调整值）；b1，b2和b3为利用线性回归方式所计算的对应预测参数或系数值。

以东莞市“批发零售行业”电量预测为例，应用行业驱动因素法预测该行业用电量。假设该行业共有2个驱动因素，即“亿元以上商场面积”和“温度”，该行业用电量及驱动因素的历史数据如表3所示。

表3 批发零售行业用电量及驱动因素历史数据统计Tab.3 Historical data statistics of electricity consumption and driving factors for the wholesale and retail industry

续表3

利用多元回归分析计算截距和系数，其中，回归统计倍数为R=0.927 401 877，则R2=0.860 074 241，R2调整值为 ε=0.853 713 979，标准误差为1 209.093 372，观测值为47.0。则通过驱动因素法计算得到驱动因素预测值，并预测各月用电量值，如表4所示。表中，各月电量预测方法为：A月的电量预测=截距+A月驱动因素预测值×A月驱动因素系数+B月驱动因素预测值×B月驱动因素系数。

图5 应用行业驱动因素法示意图Fig.5 Schematic diagram of applying industrial driving factor method

表4 各月用电量和驱动因素预测值Tab.4 Forecasting values of electricity consumption and driving factor for each month

2.2 电力弹性系数法

电力弹性系数（electricity elasticity coefficient）分为电力消费弹性系数（elasticity coefficient of electricity consumption，ECEC）和电力生产弹性系数（elasticity coefficient of electricity production，ECEP）。ECEC为一段时间内电力消费增长速度与国民生产总值增长速度的比值，ECEP为电力生产量平均增长速度与国民经济年平均增长速度的比值［18］。其中，ECEC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ECEC，但总趋势是逐渐减小。

在GDP增长一定的情况下，电力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），每万元GDP能耗分别为D1、D2（万元），消耗电量分别为E1、E2度，即E1=D1G1，E2=D2G2。则电力弹性系数的计算公式为：

式中g为GDP增长率变化系数；G2=G1（1+g）；σ为电耗变化系数；D2=D1σ；用电量预测增长率则等于GDP预测增长率与电力弹性系数κ的乘积。

以广东省某市2009年用电量预测为例，设计模型应用电力弹性系数法的流程为：a）查找2008年GDP增长率，如表5所示，计算2008年不变价万元GDP电耗；b）计算2008年电耗系数；c）基于对2008年电耗系数的分析，预测2009年电耗系数，其中考虑节能减排政策的持续影响约占3%～4%，线损率降低影响约占0.2%，计及经济危机的影响可根据情况判断其有无和大小；d）参照电耗系数与弹性系数的公式，代入2009年GDP预测增长率和电耗系数可得电力弹性系数，其值与GDP增长率的乘积即为2009年用电量的增长率。其中，该市2009年GDP增速分为高、中和低三种方案，预测值分别为10%、9%和8%，对应能耗系数也分为高中低三种方案，对应预测结果分别为：0.959、0.950和0.941，则该市2009年弹性系数及用电量增长预测如表6所示。

表5 该市2000～2008年用电量历史数据Tab.5 Electricity consumption historical data of the city from year of 2000 to 2008

表6 该市2009年电力弹性系数及用电量增长预测Tab.6 Forecasting of elasticity elasticity coefficient and electricity consumption growth of the city in 2009

2.3 电力相似月法

该方法主要用于校验驱动因素法的准确性，强调在相同的时间段内，气候条件相似，生产周期相似，对于用电量的影响理论上也相对一致。其优点是方法简单、易掌握，而且只从宏观层面考虑驱动因素，对数据的依赖要求较小，且用于年底预测的准确性较高。缺点是数据拟合度平滑，对高峰低谷因素的识别能力较差。

电力相似月法的预测流程为：（1）加入上一年的GDP温度和用电量数据，对历史数据进行回归分析，基于历史数据，对去掉线损的用电量与温度和GDP相对值进行回归分析得到相应的回归方程和各个变量对应的系数；（2）采用过去10年的温度，对未来的温度数据进行预测；（3）对未来的GDP进行预测：进行相关的搜索和研究，如经济无特殊变化，该增长率可直接适用于各个季度，否则需进行判断，适当调高或调低某个季度；（4）代入数据进行预测，可得出各月的不含线损的用电量预测结果，改用名义电量乘以相应的线损率即可得到当年的线损值，与上述预测结果相加即为全社会用电量，其中，线损率为线损电量与除线损外其它用电量的比例，需要考虑逐渐下降的，电力相似月法预测流程如图6所示。

图6 电力相似月法预测流程Fig.6 Forecasting flow chart of power similarity month approach

3 行业信用等级评价和景气指数分析模型

3.1 行业信用等级评价模型

基于图3设计的电量市场分析预测模型需涵盖行业信用等级评价模型，其应用流程如图7所示。利用该模型建立信用评级制度，对电力行业客户的信用等级进行科学分类，并与社会公共事业机构建立共享的信用记录机制，依据不同的行业分类，对行业信用等级进行统计分析，形成行业信用决策分析报告。基于图7，行业信用等级评价模型的应用过程描述如下。

图7 信用等级评价模型应用流程Fig.7 Application flow chart of credit rating evaluation model

（1）样本数据的采集及分析过程：从业务数据中抽取样本行业近两年的电量电费信息及其他信息，通过数据分析，确定评分指标的权重；（2）建立行业信用风险评价数据池：根据信用评分指标的数据要求，定期获取各类目标数据，为计算行业信用评分做准备；（3）以目标数据为基础，结合评分指标权重，通过标准化的数据处理规则，计算用户的信用评分；（4）通过分析评分结果，结合业务经验，确定信用等级划分标准，客户信用等级被分为6级：AAA、AA、A、B、C、D等。

3.2 行业景气指数分析模型

计算国民经济各行业综合景气指数的方法为［18］：以国民经济各行业内不同规模企业的企业销售收入（或主营业务收入）比重为权数，对国民经济各行业不同规模企业的综合景气指数进行加权。

其具体步骤为［19］：（1）分别计算各行业内不同规模企业的综合景气指数；（2）从有关部门或根据资料计算各行业不同规模企业的企业销售收入或主营业务收入；（3）计算各行业内不同规模企业的企业销售收入或主营业务收入比重；（4）以各行业不同规模企业的销售收入或主营收入比重为权数，对各行业内不同规模企业的综合经济指数加权，即可算出各行业综合景气指数。

通过建立行业景气指数分析模型，可在充分掌握各行业用电内在规律的基础上，充分兼顾多源信息及相关性特点，分析各行业景气指数，提出合理可行的用电推广策略，拓展供电局的营销重点，为供电局的营销工作提供决策依据。

3.3 行业与客户信用评估体系

为提高客户电费回收率，应充分利用电力市场电量分析预测的结果，及时对客户信用评价进行调整和预警。通过建立行业与客户信用评估体系，对行业及客户进行信用度评分。其中，行业信用度计分是通过对过去一段时间内，根据行业用电量分析预测的响应情况进行加权计算得出的；客户信用度则是根据客户账户划扣、缴费等电费回收情况进行加权计算得出的。

行业信用度计算模型为［20］：信用度=单项信用值×时间权重×信誉度因子+手动调整值。其中，单项信用值即为信用事件，与时间权重、信誉度因子、手动调整值无直接关联关系；时间权重目前只考虑1年内的情况，超过1年则用零参与计算；信誉度因子应取因子值较低的参与计算，前提是用户满足2个或2个以上的信用因子；手动调整值是对整个信用度进行适当调整的一个手段。

4 “电网-用户-售电商”三方供需互动关系探讨

图8 三方供需互动建模示意图Fig.8 Supply-demand interaction modeling schematic diagram for three sides

通过对电网-用户-售电商三方供需互动关系的探讨，结合本文设计的用户用电量市场分析预测模型，可为今后的基于行业用电特性的深度电量分析预测提供参考。对于三方在市场竞争环境下的供需互动关系的研究，可采用多方动态博弈理论和多智能体强化学习建模方法，模拟市场环境下三方的行为，对三方的行为决策进行统一建模，形成博弈决策模型，如图8所示为三方供需互动建模示意图。具体来说，将“电网-用户-售电商”三者在电力市场竞争环境下的博弈（对策）过程抽象为双层（购电层/售电层）动态博弈模型，在互动博弈中，智能体之间通过不断交互各自的效益信息，得到满足自身效益最大的Nash均衡点，通过求解Nash均衡点，预测三方博弈的动态行为。可利用Matlab平台，编制可求解此类多方动态博弈问题的Minmax-Q［21］、Nash-Q［22］、CEQ［23］、Friend-or-foe-Q［24］、Negotiation-Q［25］、Asymmetric-Q［26］等多智能体随机对策算法。

基于图8，在讨论用户与电网互动博弈的输入输出时，可分考虑售电商和不考虑售电量两方面进行研究：

（1）考虑售电商

①电网侧与售电商博弈

博弈输入：以电网侧削峰填谷及售电商购电成本等目标的帕累托前沿，及电网侧和售电商在不同购电成本和购电计划策略组合下的目标函数值；

博弈输出：最优纳什均衡解，即最优购电价格策略及购电计划策略；

②售电商与用户侧博弈（电网可视作售电商之一）

博弈输入：以售电商利润及用户用电费用及用电舒适度等目标的帕累托前沿，及售电商和用户侧在售电价格和用电计划策略组合下的目标函数值；

博弈输出：最优纳什均衡解，即最优售电价格策略及用电计划策略。

（2）不考虑售电商

①用户侧上传各类设备运行数据及负荷需求数据至电网侧EMS；②根据上传的数据，电网侧EMS以削峰填谷、用户用电费用及用电舒适度等为优化目标，采用某种算法求解出多个纳什均衡方案（即各个激励电价和用电计划对应的帕累托前沿）；③电网侧EMS再将多个纳什均衡方案下传到用户侧EMS；④电网侧和用户侧在以判断对方选择不同方案为思考前提，各自利用均衡求解器求解出期望效益值最大的纳什均衡点（即最优激励电价策略及用电计划）。

总的来说，博弈的求解输入是：在得到的帕累托前沿上，电网侧和用户侧在不同动作策略组合下的目标函数值；博弈的求解输出是：最优纳什均衡解，即最优激励电价策略及用电计划策略。

5 结束语

对电力市场用电量进行细致、深入与合理的分析预测，对于电网公司未来电量的增长，及充分挖掘潜在的用电用户、加大投入供电不足的区域、合理地进行错峰供电等，具有重要意义。本文结合广东省某市历史用电量数据，通过对电力市场用电量需求预测模型的研究，可为市场营销提供服务策略，在电网-用户-售电商三方供需互动博弈的市场竞争环境下，使市场从原来以用电内部业务为驱动真正向以市场和客户需求为驱动转化，为电费回收、行业信用度评价和预警提供决策分析基础与数理依据。