基于灰色預測模型的中長期售電量預測計算方法研究

傅晨 樊立攀 吳巍 霍偉強 孫亮

【摘 要】在售電側改革持續推進的背景下，開展售電量預測工作，能夠為電網企業合理制訂電力交易計劃、優化客戶用電管理及線損管理等提供決策支撐。文章闡述中長期售電量預測的相關概念，對其售電量預測計算模型進行研究，提出改進型灰色預測模型在售電量預測中的應用，并根據歷史數據進行實例驗證。

【關鍵詞】售電量預測;電力市場;負荷;灰色預測模型

【中圖分類號】F224;F274;F426.61【文獻標識碼】A【文章編號】1674-0688（2019）02-0109-02

開展適用于實際應用的售電量預測模型，提高售電量預測的準確率，有利于計劃用電管理，使電網運行方式和機組檢修計劃更為合理有效，節約資源，降低發電成本，提高電力系統的社會效益和經濟效益。

1 售電量預測概述

售電量預測是對一定時期內市場銷售電力總量的預測，根據預測目的可以分為超短期預測、短期預測、中期預測和長期預測。常用的預測方法包括神經網絡模型、平滑指數法、時間序列法等，但這些模型在收斂速度、預測精度和數據要求上均有不同程度的限制。售電量容易受GDP、地區經濟發展狀況、人口和氣候等因素的影響，預測過程不僅要考慮影響因子，還要求達到較高的預測精度。灰色預測模型適用于貧信息下的分析和預測，在中長期售電量預測中受到廣泛關注，因此本文立足于某省的實際情況，對中長期售電量預測情況進行研究。

2 灰色預測模型理論

灰色預測模型基于關聯空間、光滑離散度函數建立灰導數與灰微分方程，用離散數列構建隨機動態預測模型。灰色預測模型的優點在于所需數據量少，不考慮歷史數據的分布規律和變化趨勢，運算過程簡便，預測結果易于檢驗。但該方法的缺點在于數據離散程度越大，預測精度越差，因此許多理論方法對此采取了多種改進方式，如對歷史數據進行平滑處理、模型參數修正等。GM（1，1）及改進方法是最為常用的灰色預測模型，該模型由單變量的一階微分方程構成。

3 灰色預測模型在售電量預測中的應用

本文選取2012～2017年某省年度售電量數據，其中2012～2016年數據為基礎數據，2017年數據為預測驗證數據，通過灰色模型及改進模型進行預測，這里改進模型中取a=1.2，m=1.05，N=2。經測算，使用傳統模型預測得到的年售電量為1 437.6億kW·h，使用改進模型預測得到的年售電量為1 432.4億kW·h，與實際數據相比，相對誤差分別是-4.28%、-4.63%。

由此可知，灰色預測法的傳統模型和改進模型準確率相差較小。但考慮到改進模型可改善原始數據的光滑性，提高預測精度，因此月度售電量使用改進模型進行預測。輸入2012～2016年月度售電量數據，預測2017年各月度售電量，并與實際售電量對比，可得1～3月預測誤差為-7.1%、10%、4.6%;4～6月預測誤差為2.1%、1.5%、4.7%;7～9月預測誤差為11.2%、13.5%、4.5%;10～12月預測誤差為1%、2.6%、2.5%。

從上述預測結果可知，月度售電量的準確率波動較大，但λ（k）∈（0.79，1.21），落在區域（0.72，1.40）內，因此改進灰色預測模型具有適用性。但分析基礎數據發現，原始數據光滑性較差導致預測精度不夠理想。歷年各季度售電量有逐步增長的趨勢，其光滑性比月度數據明顯增強，因此可通過預測季度售電量來計算月度售電量。根據灰色預測模型計算得出2017年各季度預測結果分別為340.5億kW·h、339.1億kW·h、383.7億kW·h、370.0億kW·h，相對誤差分別是2.45%、2.77%、9.99%、2.06%。

定義“占季比”為各月度售電量占所在季度售電量的比重。取2013～2017年每月售電量占季比的加權平均數，依據“近大遠小”原則設定權重，根據下面公式結合前5年各月占季比數據計算預測月度售電量：

結合“近大遠小”原則取a5=0.3，a4=0.3，a3=0.2，a2=0.1，a1=0.1，計算可得2017年各月度預測售電量，其中2月預測誤差為10.27%，7月、8月預測誤差為9.8%和14.6%，其他月份預測值的絕對誤差均低于5%，因此2月、7月和8月的預測值均需要修正。

3.1 2月售電量預測值修正

在計算月度售電量預測值過程中，歷年月度售電量占季比的權重賦值僅考慮“近大遠小”的規律，忽略春節假期所在月份對售電量的影響。

設預測第n年的月售電量，被預測年份1～2月平均日用電量為X0，受春節放假影響時段的平均日用電量為X1，則這兩類平均日用電量的比值為λn，預測某月的售電量時λ可取歷年數據的加權平均值。假設D1、D2分別為每年1月和2月受春節假期影響時段的天數，D為2月總天數。一般認為受春節假期影響時段為春節前2天至節后7天。從而有

式中，E（n，1）、E（n，2）分別表示第n年1月、2月售電量預測值，從而可以算出第n年1月及2月修正值E（n，1）'和E（n，2）'。通過上述方法計算出正常時段的平均日用電量X0，預測2017年2月正常時段的平均日用電量為113.25億kW·h，預測相對誤差為1.83%。

3.2 7～8月售電量預測值修正

7～8月產生誤差的原因主要是售電量對溫度變化異常敏感，2016～2017年夏季氣溫較高，連續高溫天數較往年更多，空調制冷負載上升，導致預測值與實際值相差較大。但通過預測溫度來預測售電量，將使預測誤差進一步擴大。經測算，當兩個增長率均值的權重取值為0.5時準確率較高。通過上述公式計算得到2017年7月售電量預測值為123.41億kW·h，相對誤差為5.37%，8月售電量預測值為163.33億kW·h，相對誤差為0.04%。

4 結語

本文通過運用灰色預測模型及其改進方法進行了實例驗證，通過與預測結果對比，證實了灰色預測理論在售電量預測中的適用性和有效性。但在運用過程中還需根據實際情況進行分析，選擇合適的灰色預測工具，才能保證預測結果的準確性，對供電企業管理起到相應的作用。

參 考 文 獻

[1]牛東曉，曹樹華.電力負荷預測技術及其應用[M].北京：中國電力出版社，2006.

[2]劉秋華，陳潔，甘海慶.基于改進灰色模型的售電量預測分析[J].統計與信息論壇，2009，24（11）：17-21.

[3]潘小輝，劉麗萍，李揚.提高月度售電量預測精度的一種新方法[J].電力需求側管理，2013，15（3）：11-15.

[責任編輯：鐘聲賢]