CN116611862A - 一种供电公司月度市场化采购电量的预测方法 - Google Patents
一种供电公司月度市场化采购电量的预测方法 Download PDFInfo
- Publication number
- CN116611862A CN116611862A CN202310441587.9A CN202310441587A CN116611862A CN 116611862 A CN116611862 A CN 116611862A CN 202310441587 A CN202310441587 A CN 202310441587A CN 116611862 A CN116611862 A CN 116611862A
- Authority
- CN
- China
- Prior art keywords
- electricity
- users
- power
- electricity consumption
- consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000005611 electricity Effects 0.000 claims abstract description 422
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 230000035945 sensitivity Effects 0.000 claims description 78
- 238000012546 transfer Methods 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000007423 decrease Effects 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012384 transportation and delivery Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000000556 factor analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009960 carding Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种供电公司月度市场化采购电量的预测方法,属供电管理领域。包括对代购电用户实施用电特征的画像和聚类分析,构建描绘代购电用户月用电特征指标体系,按不同类别采用适宜的预测模型实施用电量预测;在搜集保障性用电历史月用电量及用户变更信息的基础上,对居民和农业用户的次月用电量实施预测;将低压工商业用户次月用电量预测值与居民/农业保障性用电次月预测值加总,作为低压用电量;据低压用电量实施低压电网网损预测;将计入网损的低压供电量与10kV及以上工商业用户代购电量加总,据该值实施110~10kV配网网损预测;将各级配网网损与代购电、保障性用电预测值加总,由此获得供电公司次月市场化采购电量预测结果。
Description
技术领域
本发明属于供电管理领域,尤其涉及一种用于供电公司月度市场化采购电量的预测方法。
背景技术
我国自2021年末起,电力公司不再参与为直购电的工商业用户提供代购电业务。供电部门每月须上报次月代购电预测电量,作为电力市场运营部门组织市场化交易的依据。
随着代购电占比的逐步提升,给承担代购电业务的供电公司带来了新的问题:传统供电方式下,供电公司只要做好客户服务、电量计量、电费计收、线损管理等业务即可。而在代购电业务中,供电公司需向竞价市场申报购电量,供电公司对代购电量的偏差控制能力将带来真金白银的损失。
因此,代购电量申报数据的准确性直接关系到电网运行的安全性;有些地区还对代购电量申报偏差实施考核,并对过度偏差实施惩罚,这种情况下代购电申报电量的准确性还直接关系到供电公司的营销收益。
另一方面,负荷/电量预测问题,虽然以往从规划、调度的角度已有不少研究,但电力市场环境下营销口的代购电量预测有其特殊性,具体表现在:
(1)传统的预测针对变电站/线路/供电区域,利用变电站/线路/供电区域的历史用电数据即可实施预测;而委托代购电的只是一部分工商业用户,且每月委托购电的用户有进有出,有些用户还带有分布式电源且其自发自用电量受气候影响明显,故而基于历史用电总量的预测方法难以适用,需探索针对用户的用电量预测方法,采用分解—加总的思路实施代购电量预测。
(2)不同用户用电量的敏感影响因素不尽相同,有些用户的用电量特别敏感于气温,有些与企业生产计划有关而有一定内在规律,因此无法用单一的预测模型获得足够精度的预测,有必要开展用户用电量变化规律的画像分析,在此基础上分类提出相适应的预测方法。
(3)代购电价格随竞价市场而波动,而电价水平也是影响用电需求的重要因素,传统负荷/电量预测并不计入价格的影响,而在代购电预测中有必要计入电价对需求的影响。
申请公布日为2022.10.14,申请公布号为CN 115186880 A的发明专利申请,公开了“一种基于DF检验的售电公司购电决策判断方法”,,包括:步骤1根据售电公司每月实际售电量和预测售电量,计算预测误差值x,通过x是否存在趋势来判断是否需要调整购电量,以此减少因预测不准造成的偏差考核;步骤2对步骤1计算得出的x计算DF检验统计量τ;步骤3设定置信水平α,根据步骤2计算出的τ判断x是否存在趋势,当x存在趋势时,则发出预警,使得工作人员重新预测并调整购电量,避免因电量预测偏差造成的经济损失。该技术方案通过DF检验判断预测误差值的趋势性,为工作人员提供可靠的购电量调整判断。但是其属于趋势分析类方法,即基于历史数据对负荷/用电量发展趋势做出模型化估计,再将该模型用于未来月负荷/用电量预测。实际采用的方法是参考去年同期值,并根据当年过往月相对于上年同期的增减情况对预测结果做出修正。这种预测方法的特点是直接对采购电总量实施预测,由于代购电用户每月都有增减,参考历史月实施预测的准确性较差。
申请公布日为2022.12.20,申请公布号为CN 115496304 A的发明专利申请,公开了“一种代理购电量预测算法的立体综合评价方法及***”,包括:基于K-means算法对代理购电用户的用电特征进行聚类得到区域群或行业群;以时间周期为横向维度、以区域群或行业群为纵向维度采用不同的电量预测算法进行代理购电量预测,并计算预测值与实际值的预测偏差;基于预测偏差和评价因子权重值对代理购电量预测算法进行立体综合评价。该技术方案是基于时间维度和空间维度分配评价因子权重值,既能体现预测算法在强相关月份的准确性,又能反应预测算法在较长周期的稳定性。但是其依赖于电力客户缴费习惯、移峰填谷潜力等方面的相关性分析,或是先预想一种可能的变化趋势,然后用函数拟合的方法确定关联关系。其直接对采购电总量实施预测,由于代购电用户每月都有增减,参考历史月实施预测的准确性较差。
综上,现有预测方法难以简单应用,相应的预测方法值得专门研究,以便尽快解决供电公司代购电业务中精准电量申报的问题。
发明内容
本发明所要解决的技术问题是提供一种供电公司月度市场化采购电量的预测方法。其采用分解预测的方式,将市场化采购电量预测分为工商业代购电量预测和保供电量预测两部分。仅对用户增长趋势稳定的保供电量部分,采用基于历史总量数据建模和预测的方法;对工商业代购电部分则对个体预测,通过个体预测结果加总获得总量预测值。由此可解决代购电用户每月增减的问题,进而解决供电公司代购电业务中精准电量申报的问题。
本发明的技术方案是:提供一种供电公司月度市场化采购电量的预测方法,其特征是具体包括以下步骤:
1)在搜集代购电用户历史用电量、电价、气象数据及用户变更信息的基础上,开展代购电用户次月用电量预测;对代购电用户实施用电特征的画像和聚类分析,构建描绘代购电用户月用电特征指标体系,按不同类别采用适宜的预测模型实施用电量预测;
2)在搜集保障性用电历史月用电量及用户变更信息的基础上,对居民和农业用户的次月用电量实施预测;
3)将低压工商业用户次月用电量预测值与居民/农业保障性用电次月预测值加总,作为低压用电量;据低压用电量实施低压电网网损预测;
4)将计入网损的低压供电量与10kV及以上工商业用户代购电量加总,据该值实施110~10kV配网网损预测;
5)将各级配网网损与代购电、保障性用电预测值加总,由此获得供电公司次月市场化采购电量预测结果。
具体的,所述的用电特征的画像和聚类分析包括:
(1)代购电用户用电特征指标的构建:构建能表征代购电用户月用电量受哪些因素影响的指标体系;
(2)用电特征指标的标签化:对每一特征指标,确定一些取值范围,每一取值范围对应不同的属性描述;
(3)代购电用户用电特征指标的聚类分析:对每一特征指标实施聚类分析,根据聚类中心对应的指标所属的取值范围,对照出标签属性;
(4)代购电用户画像分析:根据聚类所得标签属性的组合情况,对代购电用户的用电特征给予多角度描绘,即实施画像。
具体的,所述的代购电用户月用电特征指标体系,从以下四个维度构建描绘代购电用户月用电特征指标体系:
(1)周日类型敏感性:
若用户的用电量与一周内的日类型有关,则其日用电量在所属周的排序应该与星期几呈相关性;
(2)节假日敏感性:
此处的节假日不包含周末;
将国定假日分为短假和长假两类;基于关联分析法中的“提升度”指标来定义用户日用电量的节假日敏感性;
(3)气温敏感性:
包括夏季气温敏感性和冬季气温敏感性,同一用户在两个季节的用电气温敏感性可能不同;对于每一季节,又分为日用电量相对于日最高气温、日最低气温、日平均气温的敏感性;故而有六个敏感性;
对每一种气温敏感性,先将日用电量按所在日类型归类,以相应日类型平均日用电量为基准,计算日用电量的相对值,进而采用相对灵敏度的概念定义气温敏感性;
(4)电价敏感性维度:
基于月用电量,而不是日用电量进行分析;
为了剔除气温的干扰,需横向对比同一季节各月间因电价波动而产生的用电量差异。
进一步的,所述的代购电用户月用电特征指标体系,通过对四项指标分别实施标签化,设定不同属性特征的指标取值范围,对四个维度指标取值范围的设定按以下原则进行:
(1)对周日类型敏感性维度:以“卡方值≥一定显著性水平下临界值”为分类依据,显著性水平可根据预测精度调整;从而当表示相应代购电用户的用电量具有周日类型敏感的特征,否则不具有该特征;
(2)节假日敏感性维度:以“相应提升度指标≥一定阈值”为分类依据;阈值同样可根据预测精度要求调整;
(3)气温敏感性维度:该维度采用日用电量与气象指标之间的Person相关系数定义,故而采用Person相关系数的相应阈值;
(4)电价敏感性维度:以“电价灵敏度系数≥一定阈值”为分类依据;阈值同样可根据预测精度要求调整。
更进一步的,对于周日类型敏感性维度,其分类依据指标优选为95%;对于节假日敏感性维度,其分类依据指标优选为2%;对于气温敏感性维度,用日用电量与气象指标之间的Person相关系数定义,以“该系数≥0.6”作为气温敏感的阈值;对于电价敏感性维度,分类依据阈值优选为2%。
本发明所述的供电公司月度市场化采购电量的预测方法,在已知各代购电用户月用电量主要受哪些因素的影响后,从这些影响因素出发,将月用电量影响因素视作“风险”,通过构建风险传递链模型,梳理传递链上各风险发生的概率和风险事件发生后对用户月用电量的影响函数,对用户次月用电量实施预测。
具体的,所述的对用户次月用电量实施预测,具体包括:
若某用户月用电量的风险传递链有NL条,其中第l条上的风险事件有NR,l个,第r个风险事件的发生概率为Pl,r,该事件发生后对用户月用电量的影响函数为fl,r,则该用户次月用电量可用下式预测:
其中,Q0是目标用户在不计任何风险情况下的次月用电量预测值,可用过去12个月中基础月的平均月用电量作为Q0;对于气象因素敏感型用户,基础月不计入气象敏感月;对于气象因素不敏感型用户,基础月即为过去12个月。
具体的,所述供电公司月度市场化采购电量的预测方法,还包括基于用电量偏差的电网综合线损估计方法:
设代购电业务实施前某基础月的低压用户售电总量和高压用户售电总量该月低压网损和高压网损分别为/>和/>将这些数据用作基础数据;
若预测所得次月低压总售电量为预测所得次月高压用户总售电量为/>则鉴于网损与电流(即负荷)的平方成正比,故按下式估算低压网损△ELV:
进而按下式估算高压网损△EHV:
进一步的,所述的预测所得次月低压总售电量含保障性用电和低压工商业用户中的代购电量;所述的预测所得次月高压用户总售电量包含代购电用户和直购电用户;所述的电流即负荷。
本发明所述供电公司月度市场化采购电量的预测方法,将市场化采购电量预测分为工商业代购电量预测和保供电量预测两部分;仅对用户增长趋势稳定的保供电量部分,采用基于历史总量数据建模和预测的方法;对工商业代购电部分则对个体预测,通过个体预测结果加总获得总量预测值;由此可解决代购电用户每月增减的问题;使得预测模型更符合相应用户的用电量变化特征,提升预测的准确性;采用基于风险传递链模型的预测模式,能够更直观地反映各影响因素对工商业用户月用电量的作用机理;风险传递链模型可计入非连续变量对连续变量的影响。
与现有技术比较,本发明的优点是:
1.本发明的技术方案,提出了基于影响因素风险传递链分析的用户月代购电量预测方法。该方法不是直接对供电公司月总代购电量实施趋势分析,而是采用精细化分析和加总的思路。具体而言,所提方法根据电力客户画像结果,据用户不同的月用电量影响因素集构建风险传递链,对不同用电特性的用户提出相适应的用电量预测模型,由此提高月用电量预测方法的灵活性和适应性;
2.本发明的技术方案,通过分解预测的方式,将市场化采购电量预测分为工商业代购电量预测和保供电量预测两部分;仅对用户增长趋势稳定的保供电量部分,采用基于历史总量数据建模和预测的方法;对工商业代购电部分则对个体预测,通过个体预测结果加总获得总量预测值,由此可解决代购电用户每月增减的问题;
3.在工商业用户代购电的个体预测中,提出基于风险传递链模型的预测方法。相对于神经网络预测模型,可更直观地反映各影响因素对工商业用户月用电量的作用机理;而与多元回归模型相比,风险传递链模型可计入非连续变量(次月节假日类型)对连续变量(次月用电量)的影响。
附图说明
图1是本发明供电公司月度市场化采购电量预测的总体流程方框示意图;
图2是本发明工商业用户代购电量预测流程图方框示意图;
图3是本发明用于保障性用电量预测的BPNN网络结构示意图;
图4是代购电用户画像分析的总体流程示意图;
图5是全敏感型代购电用户月电量的风险传递链模型示意图;
图6是节假日敏感型代购电用户月电量的风险传递链模型示意图;
图7是气象主导型代购电用户月电量的风险传递链模型示意图;
图8是电价敏感型代购电用户月电量的风险传递链模型示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
A、供电公司月度市场化采购电量包括代购电量、保障性用电量,在总采购电量中还包括网损。本发明的技术方案,从各模块总体流程角度,对供电公司月度市场化采购电量预测方法实施分类、梳理和汇总。供电公司月度市场化采购电量预测的总体流程如图1中所示,具体包括:
(1)在搜集代购电用户历史用电量、电价、气象数据及用户变更信息的基础上,开展代购电用户次月用电量预测。该环节可对代购电用户实施用电特征的画像和聚类分析,按不同类别采用适宜的预测模型实施用电量预测。
(2)在搜集保障性用电历史月用电量及用户变更信息的基础上,对居民和农业用户的次月用电量实施预测。
(3)将低压工商业用户次月用电量预测值与居民/农业保障性用电次月预测值加总,作为低压用电量;据低压用电量实施低压电网网损预测。
(4)将计入网损的低压供电量与10kV及以上工商业用户代购电量加总,据该值实施110~10kV配网网损预测。
(5)将各级配网网损与代购电、保障性用电预测值加总,由此获得供电公司次月市场化采购电量预测结果。
B、工商业用户代购电量预测:
图2给出了工商业用户代购电量预测总体流程。
本技术方案中采用画像分析之目的,是确定代购电工商业用户用电需求的变化特性,具体而言是分析月用电量受哪些因素影响,进而为下一步构建相适应的月用电量预测模型提供基础。
画像分析的总体步骤如图4中所示,包括:
(1)代购电用户用电特征指标的构建:构建能表征代购电用户月用电量受哪些因素影响的指标体系;
(2)用电特征指标的标签化:对每一特征指标,确定一些取值范围,每一取值范围对应不同的属性描述;
(3)代购电用户用电特征指标的聚类分析:对每一特征指标实施聚类分析,根据聚类中心对应的指标所属的取值范围,对照出标签属性;
(4)代购电用户画像分析:根据聚类所得标签属性的组合情况,对代购电用户的用电特征给予多角度描绘,即实施画像。
1)代购电用户用电特征指标体系构建:
本技术方案从以下四个维度构建描绘代购电用户月用电特征指标体系:
(1)周日类型敏感性:
若用户的用电量与一周内的日类型有关,则其日用电量在所属周的排序应该与星期几呈相关性。
考虑到日用电量排序是1~7的分类变量,日类型也是取值为1~7的分类变量,故而采用两者的卡方值作为日类型敏感性指标。
对目标用户i,该指标的具体评估方法如下:
a)从目标用户春季/秋季的历史用电数据中找出nW周(所提供的数据能用尽用)的日用电量(要求这几周没有国定节假日)。
b)对每一周,按日用电量由高到低排序,用电量最高的一日赋以“日用电量序号”标签7,次高的赋以标签6……用电量最低的一日赋以标签1。
c)统计周一~周日分属“日用电量序号”标签为1~7的次数和频度。记星期w被赋予日用电量序号标签为k的次数为nw-k,频度值为Aw-k,则满足
使用上式时,对每一用户所取样本数需满足Aw-k>5或者1<Aw-k<5的情况不多于7×7的1/5;若不满足,则要增加样本数(即增加周数nW)。
以某用户为例,假设搜集了该用户近三年30个春/秋季周的日用电量数据,在对各周进行日用电量排序后,统计得到如表1中所示;据该表统计出频数,如表2中所示,则Aw-k即表中第w行第k列的数值。
表1某用户各周内日类型与日用电量排序的统计表
表2与表1对应的频数
d)考虑到星期几和日用电量水平完全无关时Aw-k应都等于1/7,故而按下式计算Personχ2值
χ2越小,则星期几与日用电水平的相关性越弱;反之,χ2越大,则星期几与日用电水平的相关性越强,当χ2≥临界值时,可以认为两者强相关,认定为“用电量存在周日类型敏感性”。
临界值根据自由度查表3获得,其中自由度=(行数-1)×(列数-1),本技术方案中即(7-1)*(7-1)=36。
表3自由度为36时各显著性水平下的临界值
显著性水平 | 0.5 | 0.25 | 0.1 | 0.05 | 0.03 | 0.01 |
临界值 | 35.336 | 41.304 | 47.212 | 50.998 | 54.437 | 58.619 |
(2)节假日敏感性:
此处的节假日不包含周末。
将国定假日分为短假(1~3天,含与周末合并的小长假)和长假(>=4天,含与周末合并的长假)两类。基于关联分析法中的“提升度”指标来定义用户日用电量的节假日敏感性。
设事务集为过去三年的365*3-1天(因为每推进一天算一个事务,故而减去1天);设项目集为{非假-非假FF,非假-短假FS,非假-长假FL,短假-非假SF,短假-短假SS,长假-非假LF,长假-长假LL,日用电量增大U,日用电量减小D}(根据实际情况,不设“长假-短假”和“短假-长假”)。其中,“日用电量增大”是指与最邻近且无国定假日的前一周的平均日用电量比,日用电量有所增大;类似的,“日用电量减小”是指与最邻近且无国定假日的前一周的平均日用电量比,日用电量有所减小。
分析按如下步骤进行:
a)搜集目标用户近三年的日用电量数据。
从第二天起,计算当日用电量较最邻近非节假日一周的日平均用电量的增幅(一般向前取,特殊情况可向后取)。若增幅超过5%则视作“日用电量增大”,赋以标签1;若增幅小于-5%则视作“日用电量减小”,赋以标签2;其余情况标签为0。
b)统计出所有项目的概率,即P{FF}、P{FS}、P{FL}、P{SF}、P{SS}、P{LF}、P{LL}、P{U}、P{D},每一概率都是相应项目出现次数与三年总天数-1(即365×3-1)的比值。
c)统计各项目下日用电量增大、减小的概率,即P{U∩FF}、P{D∩FF}、P{U∩FS}、P{D∩FS}、P{U∩FL}、P{D∩FL}、P{U∩SF}、P{D∩SF}、P{U∩SS}、P{D∩SS}、P{U∩LF}、P{D∩LF}、P{U∩LL}、P{D∩LL};
d)计算“短假用电上升”可信度、“短假用电下降”可信度、“长假用电上升”可信度和“长假用电下降”可信度,公式顺序如下
e)计算“短假用电上升”提升度、“短假用电下降”提升度、“长假用电上升”提升度和“长假用电下降”提升度,公式顺序如下:
根据上述指标的趋势是否达到阈值,可区分目标用户是具有“短假用电上升”/“短假用电下降”/“长假用电上升”/“长假用电下降”敏感。
(3)气温敏感性:
气温敏感性包括夏季气温敏感性和冬季气温敏感性,同一用户在两个季节的用电气温敏感性很可能不同;对于每一季节,又分为日用电量相对于日最高气温、日最低气温、日平均气温的敏感性。故而有六个敏感性。
为了在气温敏感性分析中剔除日类型的影响,对每一种气温敏感性,按如下步骤进行分析。该方法的本质是先将日用电量按所在日类型归类,以相应日类型平均日用电量为基准,计算日用电量的相对值,进而采用相对灵敏度的概念定义气温敏感性。具体如下:
a)收集用户近三年夏季月(6/15~9/15)/冬季月(12~2月)每日用电量数据和每日日最高气温、日平均气温、日最低气温数据。
b)从原始数据中剔除节假日(非周末)。
c)从剩余数据中,对每一类型日(周一~周日)提取出日用电量序列和相应的日最高气温序列,设星期k的日用电量序列为(nk为星期k的总天数),相应的气温序列为/>
d)将星期k的日用电量序列为除以星期k的日用电量均值,得到星期k的日用电量相对值序列/>相对值剔除了不同类型日之间用电量水平的差异。
e)计算夏季月/冬季月日最高/平均/最低气温均值,进而以该均值为基准,计算夏季月/冬季月每日最高/平均/最低气温的相对值,构成最高/平均/最低气温相对值序列
f)将所有日类型数据按时间顺序排列成((其中nd是三年夏季/冬季总天数),用这组数据计算日用电量相对值~日最高/平均/最低气温相对值的Person相关系数,即:
对夏季/冬季中的每一季节,在获得日用电量~日最高气温、日用电量~日平均气温、日用电量~日最低气温三个敏感度指标后,按下述原则先给予分类值:0.8≤rQT≤1为极强相关,赋予分类值1;0.6≤rQT<0.8为强相关,赋予分类值2;0.4≤rQT<0.6为中等程度相关,赋予分类值3;0.2≤rQT<0.4为弱相关,赋予分类值4;rQT<0.2为不相关,赋予分类值5。进而,按下式计算信息熵:
其中,P(k)表示rQT=k的概率。信息熵用以衡量指标取值不确定的程度,其值越大,表示越不确定,故而数据所含信息量越大。取信息熵最大的一项指标作为对应季节的日用电量~气温敏感性指标。(需对所有用户做上述计算分析,然后计算信息熵,进而挑选出夏季、冬季的气温指标,从而对所有用户而言,夏季是选择日最高/平均/最低气温,冬季是选择日最高/平均/最低气温,这些选择结果是一致的。)
(4)电价敏感性维度:
由于代购电的业务刚刚开始,拿到的用电数据中对应价格波动的还不足一年。由于每月一个电价,所以只能基于月用电量,而不是日用电量进行分析。
为了剔除气温的干扰,需横向对比同一季节各月间因电价波动而产生的用电量差异,也就是比较2022年4~5月和比较2022年7~8月(本来,还可以对比不同年份间同一月份的,但2022年的特殊情况,很多企事业单位可能歇业,与2021年可能缺少可对比性)。为尽可能避免特殊情况下数据的干扰,最有参考价值的可能是2022年7月和8月的用电量对比。
具体地,设某用户7月和8月的用电量分别为Q7和Q8,并设该用户所属电价等级代购电电度电价(是平均电价,不是分时电价)在7月和8月的值分别为p7和p8,则按下式计算电价灵敏度系数
2)特征指标的标签化:
对四项指标分别实施标签化,如表4中所示。
标签化的核心是设定不同属性特征的指标取值范围,对四个维度指标取值范围的设定按以下原则进行:
(1)对周日类型敏感性维度:以“卡方值≥一定显著性水平下临界值”为分类依据,显著性水平可根据预测精度调整,本技术方案中取95%。从而当χ2≥50.998表示相应代购电用户的用电量具有周日类型敏感的特征,否则不具有该特征。
(2)节假日敏感性维度:以“相应提升度指标≥一定阈值”为分类依据。阈值同样可根据预测精度要求调整,本技术方案中取2%。
(3)气温敏感性维度:该维度采用日用电量与气象指标之间的Person相关系数定义,故而采用Person相关系数的相应阈值,即以“该系数≥0.6”作为气温敏感(用电量与气温强相关)的阈值。
(4)电价敏感性维度:以“电价灵敏度系数≥一定阈值”为分类依据。阈值同样可根据预测精度要求调整,本技术方案中取2%。
表4特征指标的标签化
3)聚类分析和用户画像:
首先,对所有用户,将其用电特征指标标幺化。指标有χ2、Lift{U|S}、Lift{D|S}、Lift{U|L}、Lift{D|L}、和/>(夏季和冬季各一个)、rQp共8个。
标幺化的具体步骤包括:
第一步:将指标中的负值置0;
第二步:设第i项指标取值为xi,所有用户中该指标的最小值是最大值是则将指标取值做如下变换,使其取值落在[0,1]范围内
第三步:利用标幺化后的8个指标,采用DBSCAN法(Density-Based SpatialClustering of Applications with Noise)实施聚类。
DBSCAN聚类算法流程是:
4)代购电用户画像:
对聚类所得各簇,根据簇中心的指标取值,对该类用户的用电特征实施描绘。具体而言,用户画像按下列步骤进行:
第一步:对每一特征指标聚类所得的每一簇,计算簇中各样本该指标的均值;
第二步:根据所得均值,参照表对照出每一簇在相应指标下的标签值;
第三步:对每一代购电用户,根据其各项指标所属簇,获得标签组合取值,由标签组合取值的含义获得用户画像。
举例而言,某代购电用户八项指标的聚类结果分属聚类中心处于如下取值范围的簇:χ2≥50.998,Lift{U|S}<2%、Lift{D|S}<2%、Lift{U|L}>2%、Lift{D|L}<2%、rQp<2%。那么,该该用户画像可描绘为周日类型敏感、长假用电上升型敏感、夏季高温敏感、冬季低温敏感、电价不敏感的用户。
由上述的画像分析过程,已知各代购电用户月用电量主要受哪些因素的影响,本发明的技术方案,从这些影响因素出发,提出一种基于影响因素风险传递链分析的代购电用户月用电量预测方法。该方法将月用电量影响因素视作“风险”,通过构建风险传递链模型,梳理传递链上各风险发生的概率和风险事件发生后对用户月用电量的影响函数,对用户次月用电量实施预测。
一般的,若某用户月用电量的风险传递链有NL条,其中第l条上的风险事件有NR,l个,第r个风险事件的发生概率为Pl,r,该事件发生后对用户月用电量的影响函数为fl,r,则该用户次月用电量可用下式预测
其中,Q0是目标用户在不计任何风险(即不计影响因素对其用电量影响)情况下的次月用电量预测值,可用过去12个月中基础月的平均月用电量作为Q0。对于气象因素敏感型用户,基础月不计入气象敏感月;对于气象因素不敏感型用户,基础月即为过去12个月。
按上述公式实现对用户次月用电量的预测,需确定三方面信息:第一,用户月用电量的风险传递链;第二,风险传递链上各风险状况发生的概率;第三,各风险状况发生后对用户月用电量的影响函数。其中,月用电量风险传递链模型随用户用电特征的不同(即月用电量影响因素的不同)而有所不同,
根据前述的画像分析结果,从月用电量影响主导因素的角度,代购电工商业用户主要分为四类:
(1)全敏感型代购电用户:此类用户多数为工业用户,月用电量受周日类型、节假日类型、气象因素和电价的影响。
(2)节假日敏感型代购电用户:此类用户可能为工业用户,也可能为商业用户,对周日类型和气象因素不很敏感,但对节假日特别敏感,电价对此类用户月用电量也有一定影响。
(3)气象主导型代购电用户:此类用户多为安装了分布式电源(光伏发电***)的工商业用户,对周日类型不很敏感,节假日和电价对此类用户也有一定影响。
(4)电价敏感性代购电用户:此类用户的月用电量仅对电价敏感,周日类型、节假日类型、气象因素对其用电量均无显著影响。
a1)全敏感型代购电用户月用电量预测的风险传递链模型:
风险传递链的确定包括如下步骤:
(1)影响用户月用电量的风险因素分析:
全敏感型代购电用户月用电量同时较显著地受周日类型、节假日类型、气象因素和电价的影响。
(2)构建用户月用电量的风险因素邻接矩阵:
邻接矩阵反映因素间的作用关系。
(3)用户月用电量的风险因素阶层结构分析:
建立各风险因素之间的阶层结构,将最基础的影响因素布置在最底层,导出型影响因素布置在较上层。
(4)计算可达矩阵:
将紧邻矩阵设为A,将其主对角线元素均设为1,获得相乘矩阵,即计算
B=A+I
其中,I为单位矩阵。随后将B进行k次自乘,即
Bk=(Bk-1+I)×(Bk-1+I)
直至该阵不发生变化,所得矩阵即可达矩阵。该矩阵表示在表4所示的影响关系下,经反复动态联系,最终可产生的影响传递链。
根据可达矩阵,对每一风险因素分析可达集合R、先行集合Q和共同集合T。其中,可达集合R是该风险因素直接影响的风险因素,即可达矩阵第i行中非零元素所在列对应的风险因素所构成的集合;先行集合Q是影响目标风险因素的风险因素,即第i列中非零元素所在行对应的风险因素所构成的集合;共同集合T=R∩Q。
根据上述分析结果,得到全敏感型代购电用户月用电量的风险传递链模型,如图5所示,其中每一自下而上的通路构成一条风险传递链。
b1)节假日敏感型代购电用户月用电量预测的风险传递链模型:
风险传递链的确定步骤与上述步骤雷同,具体如下:
(1)影响用户月用电量的风险因素分析:
节假日敏感型代购电用户月用电量仅较显著地受节假日类型和电价的影响。
(2)构建用户月用电量的风险因素邻接矩阵:
梳理因素间的作用关系。
(3)用户月用电量的风险因素阶层结构分析:
构造紧邻矩阵。
(4)计算可达矩阵:
(5)分析获得风险传递链:
根据可达矩阵信息,确定各层风险因素之间的传递链关系。最终得到的节假日敏感型代购电用户月用电量的风险传递链如图6所示。
c1)气象主导型代购电用户月用电量预测的风险传递链模型:
风险传递链的确定步骤雷同,具体如下:
(1)影响用户月用电量的风险因素分析;
(2)构建用户月用电量的风险因素邻接矩阵;
(3)用户月用电量的风险因素阶层结构分析;
(4)计算可达矩阵;
(5)分析获得风险传递链;
根据可达矩阵信息,确定各层风险因素之间的传递链关系。最终得到的节假日敏感型代购电用户月用电量的风险传递链如图7中所示。
d1)气象主导型代购电用户月电量的风险传递链模型:
风险传递链的确定步骤雷同,具体如下:
(1)影响用户月用电量的风险因素分析;
(2)构建用户月用电量的风险因素邻接矩阵;
(3)用户月用电量的风险因素阶层结构分析;
(4)计算可达矩阵;
(5)分析获得风险传递链;
根据可达矩阵信息,确定各层风险因素之间的传递链关系。最终得到的节假日敏感型代购电用户月用电量的风险传递链如图7中所示。
C、居民和农业用户用电量预测:
居民和农业用电具有三个特点:
①量大面广,用户数巨大,不适宜采用逐个用户预测的方法;
②新用户报装接电、老用户变更协议容量(增/减容)或销户的情况并存,对于成熟地块,用户增减不是影响次月用电量的主要因素;
③采用目录电价,价格水平稳定,用电量受电价影响很小;
④用电量受节假日影响。
鉴于上述情况,采用反向传播神经网络(BPNN,back propagation neuralnetwork)法实施预测。
该BPNN网络结果如图3中所示。
与现有用于电力电量预测的BPNN网络不同的是,本技术方案在输入层考虑如下输入变量:
(1)次月日最高气温均值;
(2)次月日最低气温均值;
(3)上月保障性用电量;
(4)长假天数;
(5)短假天数;
(6)周末天数。
神经网络中的每个神经元节点接受上一层神经元的输出值作为本神经元的输入值,并将输入值传递给下一层。
其上层节点的输出Ij和下层节点的输入oi之间满足如下关系
其中,θij是上级神经元j与下级神经元i之间的连接权值。
进而,以sigmoid函数为激活函数,将下级神经元输入转化为下级神经元输出量,即下级神经元i的输出量
Oi=act(oi)
其中,激活函数act(oi)采用如下sigmoid函数形式
D、电网综合线损率预测:
由于供电公司的营销部分不方便获取配电网络的结构性数据,对数量繁多的配电线路分别计算网损也过于繁复,为此,本技术方案提出基于用电量偏差的电网综合线损估计方法。
设代购电业务实施前某基础月的低压用户售电总量和高压用户售电总量该月低压网损和高压网损分别为/>和/>将这些数据用作基础数据。/>
若预测所得次月低压总售电量(含保障性用电和低压工商业用户中的代购电量)为预测所得次月高压用户总售电量(含代购电用户和直购电用户)为/>则鉴于网损与电流(即负荷)的平方成正比,故按下式估算低压网损△ELV:
进而按下式估算高压网损△EHV:
与现有技术方案相比,本发明的技术方案,有以下不同和优势:
(1)分解预测:
将市场化采购电量预测分为工商业代购电量预测和保供电量预测两部分。仅对用户增长趋势稳定的保供电量部分,采用基于历史总量数据建模和预测的方法;对工商业代购电部分则对个体预测,通过个体预测结果加总获得总量预测值。由此可解决代购电用户每月增减的问题。
(2)分类预测:
对工商业代购电量预测问题,将工商业用户按其用电特征分为全敏感型代购电用户、节假日敏感型代购电用户、气象主导型代购电用户、电价敏感性代购电用户,构建不同的月用电量风险传递链模型实施月电量预测。由此使得预测模型更符合相应用户的用电量变化特征,提升预测的准确性。
(3)在工商业用户代购电的个体预测中,提出基于风险传递链模型的预测方法。相对于神经网络预测模型,该模型可更直观地反映各影响因素对工商业用户月用电量的作用机理;而与多元回归模型相比,风险传递链模型可计入非连续变量(次月节假日类型)对连续变量(次月用电量)的影响。
本发明可广泛用于供电管理和代购电量预测领域。
Claims (10)
1.一种供电公司月度市场化采购电量的预测方法,其特征是具体包括以下步骤:
1)在搜集代购电用户历史用电量、电价、气象数据及用户变更信息的基础上,开展代购电用户次月用电量预测;对代购电用户实施用电特征的画像和聚类分析,构建描绘代购电用户月用电特征指标体系,按不同类别采用适宜的预测模型实施用电量预测;
2)在搜集保障性用电历史月用电量及用户变更信息的基础上,对居民和农业用户的次月用电量实施预测;
3)将低压工商业用户次月用电量预测值与居民/农业保障性用电次月预测值加总,作为低压用电量;据低压用电量实施低压电网网损预测;
4)将计入网损的低压供电量与10kV及以上工商业用户代购电量加总,据该值实施110~10kV配网网损预测;
5)将各级配网网损与代购电、保障性用电预测值加总,由此获得供电公司次月市场化采购电量预测结果。
2.按照权利要求1所述的供电公司月度市场化采购电量的预测方法,其特征是所述的用电特征的画像和聚类分析包括:
(1)代购电用户用电特征指标的构建:构建能表征代购电用户月用电量受哪些因素影响的指标体系;
(2)用电特征指标的标签化:对每一特征指标,确定一些取值范围,每一取值范围对应不同的属性描述;
(3)代购电用户用电特征指标的聚类分析:对每一特征指标实施聚类分析,根据聚类中心对应的指标所属的取值范围,对照出标签属性;
(4)代购电用户画像分析:根据聚类所得标签属性的组合情况,对代购电用户的用电特征给予多角度描绘,即实施画像。
3.按照权利要求1所述的供电公司月度市场化采购电量的预测方法,其特征是所述的代购电用户月用电特征指标体系,从以下四个维度构建描绘代购电用户月用电特征指标体系:
(1)周日类型敏感性:
若用户的用电量与一周内的日类型有关,则其日用电量在所属周的排序应该与星期几呈相关性;
(2)节假日敏感性:
此处的节假日不包含周末;
将国定假日分为短假和长假两类;基于关联分析法中的“提升度”指标来定义用户日用电量的节假日敏感性;
(3)气温敏感性:
包括夏季气温敏感性和冬季气温敏感性,同一用户在两个季节的用电气温敏感性可能不同;对于每一季节,又分为日用电量相对于日最高气温、日最低气温、日平均气温的敏感性;一共有六个敏感性;
对每一种气温敏感性,先将日用电量按所在日类型归类,以相应日类型平均日用电量为基准,计算日用电量的相对值,进而采用相对灵敏度的概念定义气温敏感性;
(4)电价敏感性维度:
基于月用电量,而不是日用电量进行分析;
为了剔除气温的干扰,需横向对比同一季节各月间因电价波动而产生的用电量差异。
4.按照权利要求3所述的供电公司月度市场化采购电量的预测方法,其特征是所述的代购电用户月用电特征指标体系,通过对四项指标分别实施标签化,设定不同属性特征的指标取值范围,对四个维度指标取值范围的设定按以下原则进行:
(1)对周日类型敏感性维度:以“卡方值≥一定显著性水平下临界值”为分类依据,显著性水平可根据预测精度调整;从而当表示相应代购电用户的用电量具有周日类型敏感的特征,否则不具有该特征;
(2)节假日敏感性维度:以“相应提升度指标≥一定阈值”为分类依据;阈值同样可根据预测精度要求调整;
(3)气温敏感性维度:该维度采用日用电量与气象指标之间的Person相关系数定义,故而采用Person相关系数的相应阈值;
(4)电价敏感性维度:以“电价灵敏度系数≥一定阈值”为分类依据;阈值同样可根据预测精度要求调整。
5.按照权利要求4所述的供电公司月度市场化采购电量的预测方法,其特征是对于周日类型敏感性维度,其分类依据指标优选为95%;
对于节假日敏感性维度,其分类依据指标优选为2%;
对于气温敏感性维度,用日用电量与气象指标之间的Person相关系数定义,以“该系数≥0.6”作为气温敏感的阈值;
对于电价敏感性维度,分类依据阈值优选为2%。
6.按照权利要求1所述的供电公司月度市场化采购电量的预测方法,其特征是所述的供电公司月度市场化采购电量的预测方法,在已知各代购电用户月用电量主要受哪些因素的影响后,从这些影响因素出发,将月用电量影响因素视作“风险”,通过构建风险传递链模型,梳理传递链上各风险发生的概率和风险事件发生后对用户月用电量的影响函数,对用户次月用电量实施预测。
7.按照权利要求6所述的供电公司月度市场化采购电量的预测方法,其特征是所述的对用户次月用电量实施预测,具体包括:
若某用户月用电量的风险传递链有NL条,其中第l条上的风险事件有NR,l个,第r个风险事件的发生概率为Pl,r,该事件发生后对用户月用电量的影响函数为fl,r,则该用户次月用电量可用下式预测:
其中,Q0是目标用户在不计任何风险情况下的次月用电量预测值,可用过去12个月中基础月的平均月用电量作为Q0;对于气象因素敏感型用户,基础月不计入气象敏感月;对于气象因素不敏感型用户,基础月即为过去12个月。
8.按照权利要求1所述的供电公司月度市场化采购电量的预测方法,其特征是所述供电公司月度市场化采购电量的预测方法,还包括基于用电量偏差的电网综合线损估计方法:
设代购电业务实施前某基础月的低压用户售电总量和高压用户售电总量/>该月低压网损和高压网损分别为/>和/>将这些数据用作基础数据;
若预测所得次月低压总售电量为预测所得次月高压用户总售电量为/>则鉴于网损与电流(即负荷)的平方成正比,故按下式估算低压网损△ELV:
进而按下式估算高压网损△EHV:
9.按照权利要求8所述的供电公司月度市场化采购电量的预测方法,其特征是所述的预测所得次月低压总售电量含保障性用电和低压工商业用户中的代购电量;
所述的预测所得次月高压用户总售电量包含代购电用户和直购电用户;
所述的电流即负荷。
10.按照权利要求1所述的供电公司月度市场化采购电量的预测方法,其特征是所述供电公司月度市场化采购电量的预测方法,将市场化采购电量预测分为工商业代购电量预测和保供电量预测两部分;仅对用户增长趋势稳定的保供电量部分,采用基于历史总量数据建模和预测的方法;对工商业代购电部分则对个体预测,通过个体预测结果加总获得总量预测值;由此可解决代购电用户每月增减的问题;使得预测模型更符合相应用户的用电量变化特征,提升预测的准确性;采用基于风险传递链模型的预测模式,能够更直观地反映各影响因素对工商业用户月用电量的作用机理;风险传递链模型可计入非连续变量对连续变量的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310441587.9A CN116611862A (zh) | 2023-04-23 | 2023-04-23 | 一种供电公司月度市场化采购电量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310441587.9A CN116611862A (zh) | 2023-04-23 | 2023-04-23 | 一种供电公司月度市场化采购电量的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611862A true CN116611862A (zh) | 2023-08-18 |
Family
ID=87679002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310441587.9A Pending CN116611862A (zh) | 2023-04-23 | 2023-04-23 | 一种供电公司月度市场化采购电量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611862A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273457A (zh) * | 2023-10-08 | 2023-12-22 | 国瑞新能源(广州)有限公司 | 一种基于客户画像进行月度负荷预测的方法及*** |
CN117689070A (zh) * | 2023-12-13 | 2024-03-12 | 北京朗杰科技有限公司 | 一种基于物联网设备的电表管理*** |
-
2023
- 2023-04-23 CN CN202310441587.9A patent/CN116611862A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273457A (zh) * | 2023-10-08 | 2023-12-22 | 国瑞新能源(广州)有限公司 | 一种基于客户画像进行月度负荷预测的方法及*** |
CN117689070A (zh) * | 2023-12-13 | 2024-03-12 | 北京朗杰科技有限公司 | 一种基于物联网设备的电表管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582911B (zh) | 一种多元用户与电网友好互动用电*** | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
Zhang et al. | Forecasting residential energy consumption: Single household perspective | |
CN116611862A (zh) | 一种供电公司月度市场化采购电量的预测方法 | |
CN110110881B (zh) | 电力客户需求预测分析方法及*** | |
Jota et al. | Building load management using cluster and statistical analyses | |
CN113267692B (zh) | 一种低压台区线损智能诊断分析方法和*** | |
CN111461761A (zh) | 一种基于多维细粒度行为数据的居民用户画像方法 | |
CN111967723B (zh) | 一种基于数据挖掘的用户调峰潜力分析方法 | |
CN105678398A (zh) | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用*** | |
CN109165763A (zh) | 一种95598客服工单的潜在被投诉的评估方法及装置 | |
CN111985701B (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
US20160364807A1 (en) | Electric power business profit and loss calculation system and electric power business profit and loss calculation method | |
WO2019049546A1 (ja) | 予測システム及び方法 | |
Gerbec et al. | An approach to customers daily load profile determination | |
CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及*** | |
CN115496627A (zh) | 一种可调资源响应潜力的评估方法及*** | |
CN113947444B (zh) | 考虑多粒度犹豫模糊集和不完全权重的售电套餐推荐方法 | |
CN114595865A (zh) | 一种ivd诊断试剂耗材的需求预测方法 | |
CN113643061A (zh) | 一种基于大数据机器学习智能投放*** | |
Chicco et al. | A review of concepts and techniques for emergent customer categorisation | |
Colley et al. | Queensland load profiling by using clustering techniques | |
CN116226293A (zh) | 一种电力客户画像生成管理的方法及*** | |
CN104978604B (zh) | 一种基于业务能力模型的模拟仿真方法和装置 | |
CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |