电力市场代理交易目标客户群体分析

曹 敏，孙子雯，白泽洋，巨 健

（1. 国网陕西省电力公司，西安 710000；2. 南京师范大学，南京 210024；3. 国网西安供电公司，西安 710000）

0 引言

电力公司作为市场的参与者，为实现可持续发展与运营，需要不断尝试调整其市场功能与定位［1］，售电公司开展代理售电交易业务时，在对电力用户的市场交易潜力和电力用户用电偏差考核等方面面临着巨大的挑战。文献［2］以江苏武进区大客户为研究对象，利用随机森林方法，探索并构建了服务策略推荐模型，针对不同属性的客户制定不同的服务策略，实现差异化精准推送。文献［3］根据发电企业、售电公司及市场用户的各主体特点、相关交易规则及博弈交互关系，设计了以主体收益函数为目标的市场博弈模型。模型仿真结果表明，售电公司使得市场用户的用电成本降低。文献［4］利用K均值聚类方法根据电量、电价、容量等指标，将大客户分为5类，并根据聚类结果，针对各类别客户具体的用电需求和需求分层情况，提出不同的资源配置建议。文献［5］通过风险规避函数及预期收益定义风险效用，以风险效用最大化为目标，构建大用户在现货市场等多种交易市场中的决策行为模型，为大用户交易中的决策提供方向和思路。文献［6］针对售电侧放开后电网企业面临的新挑战，为电网企业开拓市场路径提供了多种方法，主要以提高服务能力和水平来提升市场份额。

综上所述，目前对发电企业、售电公司和可参与市场用户3者之间的资源配置等方面已开展了相关研究，但对未参与市场化用户的潜力评估与已参与市场化客户的考核预警方面的研究尚有不足。本文将利用数据挖掘技术，在对用电量预测的基础上，从未参与市场化用户和已参与市场化用户2个方面着手，对未参与市场化用户的电力用户潜力进行划分，对已参与市场化用户的用电偏差考核进行预警等级划分，协助售电公司提升市场化售电服务质量。在用电量的预测方面，文献［7］以日均用电量需求为因变量，以城镇化率、国内生产总值、第二产业产值比重和第三产业产值比重为自变量，建立了用电量需求的多变量时间序列带控制量的自回归模型（controlled auto⁃regressive，CAR）预测模型。文献［8］利用时间序列的指数平滑法和差分平滑法对西北5个省份的2013年用电量进行预测，结果表明指数平滑法预测偏差较小，效果较优。文献［9］以5 min 为计数频率，收集了30天内8 640个用电量样本数据，建立粗糙集-混沌时间序列Elman神经网络模型，结果表明，此模型对短期用电量的预测较为有效。

由此可见，时间序列模型在用电量预测的研究中已经应用的比较成熟。近年来，非线性系统中的混沌时间序列越来越受到人们的重视，其在电力负荷［10—11］、水文［12］和产品销售［13］等方面均有应用。混沌时间序列认为:对于决定系统长期演化的任一变量的时间演化，均包含了系统所有变量长期演化的信息。因此，对系统的混沌行为的研究，可利用系统长期演化的任一变量的时间序列来进行［14］。本文尝试利用混沌时间序列重构相空间，并结合支持向量机模型对可参与市场化的客户用电量进行动态预测。其次，根据同行业、同电压等级已参与市场化售电客户电价降幅情况，测算其参与市场化后半年度用电成本降幅，并结合半年度用电预测结果，对未参与市场化电力用户的售电潜力进行评估。最后，根据动态预测用电量，通过对比合同签订用电量与购电周期预测用电量，按月对已代理客户用电偏差进行预警提示。

1 数据来源及预处理

本文建模分析主要使用的数据为陕西省可参与市场化电力用户（2018 年用电量在300 万kWh 以上）2015 年 1 月至 2019 年 6 月的用电量数据和历年市场化售电的公示数据。为了保证月度用电量模型所需基础数据的正确性、合理性，需要对数据准备阶段所采集的原始数据进行数据清洗，对数据格式不统一、出现重复数据、错误数据以及缺失数据等问题进行处理。处理后的陕西某公司历史月用电量数据如表1所示。本文取交易电价与标杆电价的差价为电价降幅数据。

表1 陕西某公司历史月用电量Table 1 Historical monthly electricity consumption of a company in Shaanxi kWh

2 支持向量机-混沌时间序列预测模型

2.1 混沌时间序列

利用混沌系统对时间序列进行提取，然后对未来时序进行非线性预测是一个非常重要的研究方向。对混沌系统中的时间序列研究，离不开Packard［15］提出的重构相空间理论，为了重建原动力系统，将一维时间序列转化为多维相空间，这就需引入延迟时间和嵌入维数。

给定用电量时间序列为{xi,i=1,2,…,n}，n为时间序列的长度，引入嵌入维数m和延迟时间τ，重构其相空间为

式中:i=1,2,…,N-(m-1)τ，N为m维相空间的相点；i个m维相空间就构成一个相型。

确定延迟时间τ和嵌入维数m在相空间重构问题中至关重要。

2.1.1 延迟时间的确定

延迟时间τ的确定在重构相空间中非常重要，由于独立变量:{xi,xi+τ,xi+2τ,…,xi+(m-1)τ} 需保持相互独立，τ必须是采样时间的倍数，而且不能太大或太小，τ太大，就会导致{xi,xi+τ,xi+2τ,…,xi+(m-1)τ} 不够独立，τ太小，就会导致{xi,xi+τ,xi+2τ,…,xi+(m-1)τ} 之间的连接值相当于随机，但混沌系统是介于线性和随机之间的系统。已有研究中，自相关法和互信息法通常作为计算延迟时间τ的主要方法，其中，最为常用的方法为互信息法［9］。文献［9］和文献［11］利用互信息法确定延迟时间τ的大小，对于时间序列{xi,i=1,2,…,n}来说，xi出现的概率为P(xi)，对于延迟的时间序列 {xi+τ,i=1,2,…,N-τ}来说，xi+τ出现的概率为P(xi+τ)，则xi和xi+τ在 2 个序列中同时出现的联合概率为P(xi,xi+τ)，所以它的互信息就是关于延迟时间τ的函数

利用式（2）代入i依次进行计算，当I(τ)首次达到极小值时，此时的τ作为延迟时间。

2.1.2 嵌入维度的确定

为了提高模型的预测效果，嵌入维度需要越大越好。本文在重构相空间时，利用Cao 算法来确定嵌入维度［12］，对于时间序列为 {xi,i=1,2,…,n}它的重构相空间如式（1）所示，则定义

式中:Ym+1(n(i,m))为Ym+1(i)的最邻近的点；Ym(n(i,m))为Ym(i)最邻近的点；α(i,m)为相空间中的点在各嵌入维数条件下的最临近点的距离变化值；E(m)为所有的α(i,m)均值；E1(m)为E(m)的变化情况。

Takens 的嵌入式定理为嵌入维数m提供了一个下限，若2 个点在m维空间中离得近，则其在m+1 维空间中也离最近，当m大于某值时，E1(m)不发生变化，此时饱和嵌入维数为m。

2.2 支持向量机模型介绍

以往研究中，大多用前馈型神经网络对混沌时间序列进行预测［16］，但神经网络存在模型泛化能力较差的问题，支持向量机（support vector machine，SVM）是Vapnik［17］在20世纪90年代提出的可用于模式分类和非线性回归的一种统计学习理论，其主要思想是创建一个决策曲面，起到最大化正例和反例之间的隔离边缘作用，也叫做超平面［18］。由于其学习理论采用结构风险最小化准则，因而极大地提高了模型的泛化能力，所以，与传统的神经网络预测模型相比较，它能够较好的对各种混沌系统进行预测［19］。本文参考文献［19］，利用混沌时间序列-支持向量机预测模型对用电量进行预测。

2.3 支持向量机-混沌时间序列预测模型

利用SVM 模型对重构的相空间进行预测试验［19］，在t时刻，xit=(xt,xt+1,…,xt-(m-1)τ)，根据SVM 的非线性回归函数得到t+1点预测模型为

式中:m为嵌入维数；τ为延迟的时间间隔；K(x,xi)为核函数；αi，，βi，≥0，为拉格朗日乘子；b为截距。

同理，对于相空间第t+p-1 点，xit+1=(xt+p-1,…,xt-(m-p+2)τ)，此时，得到第p步的预测模型为

3 潜力分析与动态预警

本文主要利用支持向量机-混沌时间序列模型对用电量进行预测分析，并在此基础上分别对已参与市场化售电客户进行动态预警，对未参与市场化售电用户进行潜力评估，具体分析思路如图1所示。

3.1 潜力分析

图1 电力市场代理交易目标客户群体分析流程图Fig.1 Flow chart of target customer group analysis of agency transaction in power market

潜力分析主要利用用户预测成本降幅情况与预测用电偏差情况，对目前未参与市场化售电的用户可参与市场化售电的潜力进行评估。

3.1.1 成本降幅分析

对于已经具备市场化售电条件但还未参与的用户，测算其参与市场化售电后半年度用电成本降幅，测算公式为

式中:C为用户参与市场化售电后用电成本降幅；Q为同行业、同电压等级已参与市场化售电的用户平均电价降幅；k为用户近半年度用电量。

根据用户成本降幅情况，对共644 个用户按成本降幅区间进行划分，划分标准如表2所示。

表2 成本降幅区间划分Table 2 Division of cost reduction intervals

3.1.2 预测用电偏差分析

利用支持向量机-混沌时间序列模型对半年度用电量进行预测后，将预测用电偏差按区间进行划分。

（1）用户的用电量模型预测结果与实际用电量偏差在±5%以内，说明可以通过模型准确预测用户用电量，属于低偏差，可直接进行代理。

（2）对于预测结果与实际用电量偏差在±5%～±10%的用户，属于用电偏差中等。建议在进行代理时，要求用户提供生产计划、产值、预估月度用电量等外部数据。利用外部数据进行二次建模，提高用电量预测准确度。

（3）对于预测结果与实际用电量偏差在±10%以上的用户，属于用电偏差较高，建议为该类客户设置代理电量上限阈值。预测用电等级划分如表3所示。

表3 未参与市场化售电用户的预测用电偏差等级划分Table 3 Classification of power consumption forecasting deviation grade for users not participating in marketization electricity sale

3.1.3 市场化售电潜力用户分析

结合用户预测成本降幅情况与预测用电偏差情况，对用户参与市场化售电潜力进行评估，并给出合理建议，具体如表4所示。

表4 未参与市场化售电的用户潜力评估Table 4 Potential evaluation of users not participating in marketization electricity sale

3.2 已参与市场化售电客户用电动态考核预警分析

动态考核预警是已参与市场化售电的客户在一个购电周期内（半年），每月根据客户历史用电量预测未来月份的用电量。在购电周期内每月动态预测用电量，通过对比合同签订用电量与购电周期预测用电量，每月对客户用电偏差进行预警提示。并对预测偏差情况进行分级，针对各客户的用电偏差给出不同的预警提示，根据考核要求利用用电预测偏差来划分考核预警程度，具体如表5所示。

4 实例分析

4.1 用电量预测

由于目前陕西地区电力市场化交易合同签订周期为半年，因此本文主要运用用电客户数据形成2015年1月至2018年12月的时间序列，建立支持向量机-混沌时间序列模型，分别预测各用电客户的2019年1月至6月用电量，以此为基础，分析未参与市场化用电客户潜力，并对已参与市场化用电客户的用电偏差动态考核进行预警，对于用电量的预测，主要分为半年度预测和动态预测。

4.1.1 半年度预测

半年度预测是选取未参与市场化用电用户为样本，以用户历史用电量数据预测用户未来6 个月用电量。本次预测试验利用用户2015 年1 月至2018 年 12 月的用电 量 数 据 ，预测 2019 年 1 月至2019 年6 月半年的用电量，并以±5%的偏差率作为准确率指标，对预测结果进行分析，结果见表6。

表6 用户半年用电量预测结果Table 6 Forecast results for semi⁃annual electricity consumption of users

由表6 可知，陕西省未参与市场化售电用户总计有644 户，实际用电量为32.02 亿kWh，总误差电量为2.77亿kWh，平均相对误差达8.6%。

各行业用户半年度用电量预测结果显示:批发和零售、软件和信息技术服务业行业的预测准确率较高，半年度用电量预测误差在5%以内的用户占比分别为26.9%和28.6%；而工业、交通运输和邮政业、租赁和商务服务业、建筑业的预测准确率较低，半年度用电量预测误差在5%以内的用户占比均在40%以上。

4.1.2 动态预测

动态预测是选取2019 年上半年已参与市场化售电的客户数据为样本数据，在一个购电周期内（半年），每月根据用户历史用电量预测未发生月份的用电量，然后通过与实际用电量对比，动态预测客户购电周期的总用电偏差，部分客户动态预测结果统计见图2。购电周期预测用电量及用电量预测偏差计算方法如下:

购电周期预测用电量=已发生月份用实际电量+未发生月份预测用电量

购电周期内总用电量预测偏差=（购电周期预测用电量/实际用电量-1）×100%

图2 购电周期内总用电量预测偏差示意图Fig.2 Diagram of forecast deviation of total electricity consumption during a power purchase cycle

从已参与市场化售电客户用电量的动态预测结果整体来看，随着月份的推移，购电周期内总用电量预测偏差逐渐减小，这也说明动态预测的有效性。

4.2 未参与市场化用户的潜力评估

4.2.1 未参与市场化用户成本降幅测算结果

根据用户成本降幅情况进行统计，结果如表2所示。可以看出，本次测算用户与半年度用电量预测用户一致，选择2019 年1 月至6 月共半年用电量进行成本降幅测算，共计644 个用户，其中，降幅在10万元以内的有578户，降幅在10万元以上且30万元以下的52 户，降幅在30 万元以上的有14 户。部分用户成本降幅测算结果见表7。

4.2.2 预测用电偏差结果

根据4.1.1节的半年度用电预测结果，将预测用电偏差按表3 给出的区间进行划分并进行统计，具体统计结果见表8。

未参与市场化售电用户的预测用电偏差统计结果如表8所示，对2019年上半年用电量预测时，偏差较低的有405户，预测值总计为18.16亿kWh，在售电过程中，可直接代理。偏差为中等有110户，其预测用电量为6.76亿kWh，偏差略大，所以在售电过程中可要求用户提供其他相关数据，进行二次建模，提高预测准确度。偏差较高的有129户，这部分客户用电量预测偏差较大，暂时对其设置售电上限阈值。

4.2.3 市场化售电用户潜力划分

结合表4，对用户参与市场化售电潜力进行评估，部分未参与市场化售电的用户潜力评估结果见表7。

4.3 已参与市场化售电客户用电动态考核预警

根据表5 的划分标准，对2019 年上半年已参与市场化售电的客户，在4月份预测购电周期用电量，并根据结果进行预警等级划分，具体见表9。

表7 部分未参与市场化售电的用户潜力评估Table 7 Potential assessment of the users not participating in marketization electricity sale

表8 未参与市场化售电用户的预测用电偏差统计表Table 8 Statistical table of predicted power deviation of users not participating in marketization electricity sale

5 结束语

本文主要应用支持向量机-混沌时间序列模型对陕西省已参与市场化售电的客户和未参与市场化售电的用户的用电量分别进行半年度预测和动态预测；然后根据对未参与市场化用户的半年度用电量预测偏差和成本降幅测算，综合评估未参与市场化售电的用户潜力；最后根据考核要求，利用已参与市场化售电客户的动态预测偏差值来进一步对客户是否被考核进行评估并预警。此研究成果在陕西省综合能源服务公司已进行试用，并初步取得较好成效。本文研究均基于用电量预测进行，用电量预测效果越好，后续研究应用效果越好，为提高模型精度，可在后续研究中多引入用户产值、生产计划、用户预估用电量等数据。

表9 部分2019年已参与市场化售电客户的考核预警情况Table 9 The evaluation and warning situation of parts of the customers participating in marketization electricity sale in 2019