配網(wǎng)用戶用電分析預(yù)測(cè)模型的參數(shù)設(shè)置管理研究

呂潤(rùn)嬋（廣東電網(wǎng)有限責(zé)任公司東莞供電局，廣東 東莞 523000）

?

配網(wǎng)用戶用電分析預(yù)測(cè)模型的參數(shù)設(shè)置管理研究

呂潤(rùn)嬋
（廣東電網(wǎng)有限責(zé)任公司東莞供電局，廣東 東莞 523000）

摘要：通過用電市場(chǎng)研究分析，細(xì)分用電行業(yè)市場(chǎng)，有利于建立常態(tài)市場(chǎng)下配網(wǎng)用戶用電分析預(yù)測(cè)模型，討論了該模型的參數(shù)設(shè)置管理，包括驅(qū)動(dòng)因素管理和大戶調(diào)查管理。重點(diǎn)討論了參數(shù)設(shè)置管理，包括驅(qū)動(dòng)因素管理和細(xì)分行業(yè)管理。針對(duì)前者，結(jié)合東莞用電量，實(shí)例分析了驅(qū)動(dòng)因素?cái)?shù)據(jù)預(yù)測(cè)的方法，包括產(chǎn)量預(yù)測(cè)法、出口產(chǎn)值預(yù)測(cè)法、價(jià)格指數(shù)預(yù)測(cè)法、溫度預(yù)測(cè)法、GDP 預(yù)測(cè)法等；針對(duì)后者，對(duì)行業(yè)與驅(qū)動(dòng)因素關(guān)系進(jìn)行了定義，就行業(yè)及驅(qū)動(dòng)因素歷史數(shù)據(jù)平滑系數(shù)的設(shè)置，提出了利用回歸分析的方法，設(shè)置相關(guān)的平滑系數(shù)，并給出了回歸分析結(jié)果，并獲取了標(biāo)準(zhǔn)差。通過對(duì)模型參數(shù)設(shè)置管理的探討，為建立配網(wǎng)用戶用電分析預(yù)測(cè)模型奠定重要基礎(chǔ)。

關(guān)鍵詞：用電分析預(yù)測(cè)；參數(shù)設(shè)置管理；驅(qū)動(dòng)因素管理；細(xì)分行業(yè)管理；平滑系數(shù)；回歸分析

本文引用格式：呂潤(rùn)嬋.配網(wǎng)用戶用電分析預(yù)測(cè)模型的參數(shù)設(shè)置管理研究［J］.新型工業(yè)化，2016，6（6）：39-49.

Citation： LV Run-chan.Research on Parameters Setting and Management of Distribution Network User Electricity Consumption Analyzing and Forecasting Model［J］.The Journal of New Industrialization，2016，6（6）： 39-49.

0 引言

近年來，電網(wǎng)公司的負(fù)荷特征、用戶構(gòu)成及其用電量發(fā)生了較大的變化，對(duì)深度電量預(yù)測(cè)分析、營(yíng)銷管理與服務(wù)工作提出了更高的要求［1-5］，基于大數(shù)據(jù)分析電量信息（總體電量、大類電量、行業(yè)電量等）與多源信息（供電企業(yè)的數(shù)據(jù)、外部環(huán)境的數(shù)據(jù)）的特性及其之間的關(guān)系，具有重要的意義。用電市場(chǎng)預(yù)測(cè)結(jié)果將直接影響電力計(jì)劃，全面準(zhǔn)確的市場(chǎng)分析和預(yù)測(cè)將為供電可靠性提供最佳的數(shù)據(jù)支撐［6-10］。

建立常態(tài)市場(chǎng)分析預(yù)測(cè)模型，需要本著利于提供服務(wù)水平、利于對(duì)市場(chǎng)深入分析、利于營(yíng)銷服務(wù)策略決策、利于提升管理水平、利于提高企業(yè)經(jīng)濟(jì)社會(huì)效益的原則，并基于全局的、常態(tài)化的市場(chǎng)分析機(jī)制和市場(chǎng)分析預(yù)測(cè)管理制度，使其具備對(duì)用電市場(chǎng)數(shù)據(jù)進(jìn)行深入分析、挖掘的能力、科學(xué)預(yù)測(cè)的能力及提高全局用電市場(chǎng)分析的管理能力，為用電市場(chǎng)的營(yíng)銷服務(wù)策略制定提供支撐與保證。

搭建準(zhǔn)確的分析預(yù)測(cè)模型，可準(zhǔn)確把握各類客戶的成本利潤(rùn)、經(jīng)營(yíng)狀態(tài)的行業(yè)性，為營(yíng)銷優(yōu)化、提高客戶電費(fèi)回收率提供前瞻性參考［11-15］。國(guó)內(nèi)外研究方面，多集中于超短期、短期、中期和長(zhǎng)期電力負(fù)荷預(yù)測(cè)，較少關(guān)注電力市場(chǎng)競(jìng)爭(zhēng)機(jī)制下的電量需求分析預(yù)測(cè)，如文獻(xiàn)［16-17］和文獻(xiàn)［18］分別對(duì)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法和空間電力負(fù)荷預(yù)測(cè)方法的研究和發(fā)展方向進(jìn)行了綜述和探討；文獻(xiàn)［19］和文獻(xiàn)［20］分別提出了基于遺傳灰色神經(jīng)網(wǎng)絡(luò)模型的實(shí)時(shí)電價(jià)條件下的短期電力負(fù)荷預(yù)測(cè)方法和基于改進(jìn)極限學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法，具有一定的預(yù)測(cè)精確度，可較好地解決短期負(fù)荷預(yù)測(cè)問題；文獻(xiàn)［21］則研究了海量數(shù)據(jù)下的短期電力負(fù)荷預(yù)測(cè)方法，并基于局部加權(quán)線性回歸和云計(jì)算平臺(tái)，搭建了并行局部加權(quán)線性回歸模型；文獻(xiàn)［22］為了提高電力負(fù)荷預(yù)測(cè)精度，應(yīng)對(duì)電力系統(tǒng)智能化所帶來的數(shù)據(jù)海量化高維化帶來的單機(jī)計(jì)算資源不足的挑戰(zhàn)，搭建一種在線序列優(yōu)化的極限學(xué)習(xí)機(jī)短期電力負(fù)荷預(yù)測(cè)模型，相比傳統(tǒng)支持向量機(jī)回歸預(yù)測(cè)算法和泛化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法，具有優(yōu)異的并行性能。

本文重點(diǎn)討論就搭建市場(chǎng)用電分析預(yù)測(cè)模型的參數(shù)設(shè)置管理進(jìn)行了重點(diǎn)討論，重點(diǎn)研究和分析了驅(qū)動(dòng)因素管理，可為搭建完善的常態(tài)市場(chǎng)分析預(yù)測(cè)模型奠定重要基礎(chǔ)，并對(duì)于各行業(yè)用戶用電特性及市場(chǎng)分析預(yù)測(cè)、了解行業(yè)市場(chǎng)發(fā)展動(dòng)態(tài)、建立行業(yè)景氣指數(shù)及分析模型具有一定的參考和指導(dǎo)意義。

1 驅(qū)動(dòng)因素管理

1.1 驅(qū)動(dòng)因素配置

可對(duì)各驅(qū)動(dòng)因素進(jìn)行定義并設(shè)置對(duì)應(yīng)驅(qū)動(dòng)因素的相關(guān)操作選項(xiàng)。其中，驅(qū)動(dòng)因素的操作選項(xiàng)主要包括［23-26］：驅(qū)動(dòng)因素類別（產(chǎn)量、產(chǎn)值、出口產(chǎn)值、價(jià)格指數(shù)、三產(chǎn)及公用、辦公類、批零、住宿餐飲、交通、文體、居民）、驅(qū)動(dòng)因素名稱、數(shù)據(jù)限定屬性（如過去月度數(shù)據(jù)、過去季度數(shù)據(jù)、過去年度數(shù)據(jù)、未來年度數(shù)據(jù)、未來月度數(shù)據(jù)等）、數(shù)據(jù)來源方法（來自行業(yè)報(bào)表或國(guó)家統(tǒng)計(jì)局等）、驅(qū)動(dòng)因素值單位（噸、度、條、萬元、輛等）、比例屬性（按月占比例）、預(yù)測(cè)方法（回歸分析法、平均法、大戶調(diào)查法等）。驅(qū)動(dòng)因素主要用于行業(yè)驅(qū)動(dòng)因素法，各行業(yè)各不同的驅(qū)動(dòng)因素構(gòu)成影響并最終決定行業(yè)驅(qū)動(dòng)因素電量預(yù)測(cè)結(jié)果，以東莞市為例，其目前存在的主要驅(qū)動(dòng)因素如表1所示。

1.2 驅(qū)動(dòng)因素?cái)?shù)據(jù)管理

驅(qū)動(dòng)因素?cái)?shù)據(jù)管理主要包括能按行業(yè)或按驅(qū)動(dòng)因素對(duì)各驅(qū)動(dòng)因素的數(shù)據(jù)值進(jìn)行錄入、修改、刪除等操作。如表2所示的格式，可將各驅(qū)動(dòng)因素的數(shù)據(jù)進(jìn)行倒出操作（可選擇多個(gè)驅(qū)動(dòng)因素），也可按行業(yè)選擇，將行業(yè)下所有的驅(qū)動(dòng)因素及其數(shù)據(jù)進(jìn)行倒出。根據(jù)表2，能按年度呈現(xiàn)驅(qū)動(dòng)因素A值或 B值的趨勢(shì)圖例，或按驅(qū)動(dòng)因素A值、B值呈現(xiàn)幾個(gè)驅(qū)動(dòng)因素的疊加圖或其他圖例。

1.3 驅(qū)動(dòng)因素?cái)?shù)據(jù)預(yù)測(cè)方法

驅(qū)動(dòng)因素?cái)?shù)據(jù)的預(yù)測(cè)是根據(jù)歷史數(shù)據(jù)、大戶調(diào)查、以及各專業(yè)機(jī)構(gòu)及政府部門數(shù)據(jù)等形成下年預(yù)測(cè)數(shù)據(jù)，并能產(chǎn)生驅(qū)動(dòng)因素基準(zhǔn)預(yù)測(cè)數(shù)據(jù)、樂觀預(yù)測(cè)數(shù)據(jù)、悲觀預(yù)測(cè)數(shù)據(jù)等。

需要特別注意的是：如果是采用大戶調(diào)查進(jìn)行預(yù)測(cè)的驅(qū)動(dòng)因數(shù)，在預(yù)測(cè)時(shí)能呈現(xiàn)大戶調(diào)查的相關(guān)數(shù)據(jù)，操作員可以根據(jù)行業(yè)報(bào)告或?qū)＜翌A(yù)測(cè)等調(diào)整大戶調(diào)查的增長(zhǎng)情況，并且將修訂信息進(jìn)行保存（修改人、修改日期、修改原因等），原大戶數(shù)據(jù)也要保存。

以東莞用電量分析預(yù)測(cè)為例，詳細(xì)探討驅(qū)動(dòng)因素?cái)?shù)據(jù)預(yù)測(cè)的幾種主要方法，包括產(chǎn)量預(yù)測(cè)法、產(chǎn)值預(yù)測(cè)法、出口產(chǎn)值預(yù)測(cè)法、價(jià)格指數(shù)預(yù)測(cè)法、溫度預(yù)測(cè)法和 GDP 預(yù)測(cè)法等。

表1 東莞目前的主要驅(qū)動(dòng)因素表Tab.1 Current main driving factors of Dongguan city

表2 驅(qū)動(dòng)因素?cái)?shù)據(jù)管理表格Tab.2 Driving factors data management table

（1）產(chǎn)量預(yù)測(cè)方法

整個(gè)產(chǎn)量的預(yù)測(cè)方法比較麻煩，以下將詳細(xì)描述整個(gè)產(chǎn)量的預(yù)測(cè)方法，包括汽車產(chǎn)量、鋼鐵產(chǎn)量、輪胎產(chǎn)量等。

步驟1：先計(jì)算出通過大戶調(diào)查得出的平均產(chǎn)量驅(qū)動(dòng)因素按季度占比；

步驟2：分別先根據(jù)歷史數(shù)據(jù)求出“當(dāng)行業(yè)季度占比和大戶季度占比相差不大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量按月占比”，其計(jì)算規(guī)則為：各年月的對(duì)應(yīng)的歷史產(chǎn)量當(dāng)年按月占比的平均值，如年月分別為2005年～2008年的1月，對(duì)應(yīng)的驅(qū)動(dòng)因素產(chǎn)量當(dāng)年按月占比分別為 8%、8%、6%和 8%，則“當(dāng)行業(yè)季度占比和大戶季度占比相差不大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量按月占比”的1月的計(jì)算方法為：（8%+8%+6%+8%）/4=7%；

步驟3：求出產(chǎn)量驅(qū)動(dòng)因素平均產(chǎn)量按季度占比，其計(jì)算方法為各歷史數(shù)據(jù)各季度的 “驅(qū)動(dòng)因素產(chǎn)量當(dāng)年按月占例”的平均值，以東莞為例，1～12月份的產(chǎn)量當(dāng)年按月占比分別為：7%、7%、8%、9%、9%、9%、9%、9%、9%、8%、9%和 8%，則各季度對(duì)應(yīng)產(chǎn)量驅(qū)動(dòng)因素平均產(chǎn)量按季度占比分別為：22%、27%、27%和25%，需要說明的是本例只有1 年數(shù)據(jù)，如果有幾年數(shù)據(jù)則需要將各年的各季度數(shù)據(jù)累加取平均值；

步驟4：計(jì)算“大戶季度占比相差較大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量按月占比”，其方法如表3所示，計(jì)算規(guī)則是：（大戶平均驅(qū)動(dòng)因素產(chǎn)量按季度占比*當(dāng)行業(yè)季度占比和大戶季度占比相差不大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量某月占比）/驅(qū)動(dòng)因素平均產(chǎn)量按季度占比。

表3 步驟4計(jì)算數(shù)據(jù)Tab.3 Computational data in step 4

步驟5：計(jì)算產(chǎn)量驅(qū)動(dòng)因素平均產(chǎn)量按月占比。首先，計(jì)算大戶與行業(yè)平均產(chǎn)量按季度占比差別，舉例說明如下表4所示，大戶和行業(yè)平均驅(qū)動(dòng)因素產(chǎn)量按季度占比差別規(guī)則： IF（大戶平均行業(yè)產(chǎn)量驅(qū)動(dòng)因素按季度占比=0，0，ABS（行業(yè)平均產(chǎn)量驅(qū)動(dòng)因素按季度占比-大戶平均行業(yè)產(chǎn)量驅(qū)動(dòng)因素按季度占比））。

其次，根據(jù)“大戶與行業(yè)平均產(chǎn)量按季度占比差別”以及季度占比比較系數(shù)（標(biāo)準(zhǔn)設(shè)置為 5%）得到季度占比差別性質(zhì)，如果為1，表示差別大，0 則表示差別小，其計(jì)算規(guī)則：IF（MAX（大戶和行業(yè)平均驅(qū)動(dòng)因素產(chǎn)量按季度占比差別值）＞季度占比比較系數(shù)，1，0）。

最后，根據(jù)“季度占比差別性質(zhì)”、“行業(yè)季度占比和大戶季度占比相差不大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量按月占比”、“行業(yè)季度占比和大戶季度占比相差較大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量按月占比”，計(jì)算規(guī)則為：（1-季度占比差別性質(zhì)）* 行業(yè)季度占比和大戶季度占比相差不大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量按月占比+季度占比差別性質(zhì)*行業(yè)季度占比和大戶季度占比相差較大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量按月占比，舉例說明，行業(yè)季度占比和大戶季度占比相差不大和較大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量按月占比如下表5所示（假設(shè)“季度占比差別性質(zhì)”為零）；

表4 計(jì)算大戶與行業(yè)平均產(chǎn)量按季度占比差別Tab.4 Calculation of big user and industry average production quarterly proportion differences

表5 行業(yè)季度占比和大戶季度占比相差不大和較大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量按月占比Tab.5 Certain driving factor production monthly proportion of industry quarter proportion and big user quarter proportion respectively in case of litter and large differences

步驟 6：計(jì)算驅(qū)動(dòng)因素預(yù)測(cè)值。首先假設(shè)下一年 GDP 樂觀估計(jì)值為 0.9%，GDP 悲觀估計(jì)值為-0.9%，同時(shí)假設(shè)大戶調(diào)查結(jié)果認(rèn)為下一年驅(qū)動(dòng)因素增長(zhǎng)率為 1.8%，則可以計(jì)算出對(duì)應(yīng) 1～12 月的樂觀及悲觀預(yù)測(cè)值，如表6所示。首先，必須先計(jì)算下一年的驅(qū)動(dòng)因素年總產(chǎn)量= 本年驅(qū)動(dòng)因素年總產(chǎn)量*（1+下一年驅(qū)動(dòng)因素增長(zhǎng)率）；其中，某月基準(zhǔn)預(yù)測(cè)規(guī)則為：下一年的驅(qū)動(dòng)因素年總產(chǎn)量*產(chǎn)量驅(qū)動(dòng)因素平均產(chǎn)量按月占比 （某月）；，某月樂觀預(yù)測(cè)規(guī)則為：某月基準(zhǔn)預(yù)測(cè)值*（1+GDP樂觀估計(jì)值）；某月悲觀預(yù)測(cè)規(guī)則為： 某月基準(zhǔn)預(yù)測(cè)值*（1+GDP悲觀估計(jì)值）；

表6 計(jì)算驅(qū)動(dòng)因素預(yù)測(cè)值Tab.6 Computational driving factor forecasting values

（2）產(chǎn)值預(yù)測(cè)法

整個(gè)產(chǎn)值驅(qū)動(dòng)因素的預(yù)測(cè)方法與產(chǎn)量驅(qū)動(dòng)因素的預(yù)測(cè)方法雷同，產(chǎn)值驅(qū)動(dòng)因素包括：電氣、電子設(shè)備制造業(yè)、金屬制品業(yè)、非金屬礦物制品業(yè)、通用/專用設(shè)備制造業(yè)、重工業(yè)、服裝鞋帽、皮革羽絨及其制品業(yè)、造紙及紙制品業(yè)、輕工業(yè)等產(chǎn)值驅(qū)動(dòng)因素。步驟如下：

步驟 1：根據(jù)歷史數(shù)據(jù)計(jì)算產(chǎn)值驅(qū)動(dòng)因素當(dāng)年按月占比，即產(chǎn)值當(dāng)年按月占比（某月）=某月產(chǎn)值/某年總產(chǎn)值；

步驟 2：計(jì)算出通過大戶調(diào)查得出的平均產(chǎn)值驅(qū)動(dòng)因素按季度占比；

步驟 3：根據(jù)歷史數(shù)據(jù)求出“當(dāng)行業(yè)季度占比和大戶季度占比相差不大時(shí)的某驅(qū)動(dòng)因素產(chǎn)值按月占比”，其計(jì)算規(guī)則為：各年月的對(duì)應(yīng)的歷史產(chǎn)值當(dāng)年按月占比的平均值，如前所述，以東莞為例，2005年～2008 年，當(dāng)“行業(yè)季度占比和大戶季度占比相差不大時(shí)的某驅(qū)動(dòng)因素產(chǎn)值按月占比”的1月的計(jì)算方法為：（8%+8%+6%+8%）/4=7%；

步驟 4：求出產(chǎn)值驅(qū)動(dòng)因素平均產(chǎn)值按季度占比，其計(jì)算方法為各歷史數(shù)據(jù)各季度的 “驅(qū)動(dòng)因素產(chǎn)值當(dāng)年按月占例”的平均值，以東莞為例，2015 年1月～12 月的產(chǎn)值當(dāng)年按月占比分別為：7%、6%、7%、8%、8%、9%、8%、8%、8%、10%、10%和 12%，則一季度和二季度對(duì)應(yīng)產(chǎn)值驅(qū)動(dòng)因素平均產(chǎn)量按季度占比分別為：22%和28.5%；

步驟 5：計(jì)算“大戶季度占比相差較大時(shí)的某驅(qū)動(dòng)因素產(chǎn)值按月占比”，計(jì)算規(guī)則為：（大戶平均驅(qū)動(dòng)因素產(chǎn)值按季度占比*當(dāng)行業(yè)季度占比和大戶季度占比相差不大時(shí)的某驅(qū)動(dòng)因素產(chǎn)值某月占比）/驅(qū)動(dòng)因素平均產(chǎn)值按季度占比，如表7所示；

表7 步驟5計(jì)算數(shù)據(jù)Tab.7 Computational data in step 5

步驟 6：計(jì)算產(chǎn)值驅(qū)動(dòng)因素平均產(chǎn)量按月占比。首先，計(jì)算大戶與行業(yè)平均產(chǎn)值按季度占比差別，大戶和行業(yè)平均驅(qū)動(dòng)因素產(chǎn)值按季度占比差別規(guī)則為：IF（大戶平均行業(yè)產(chǎn)值驅(qū)動(dòng)因素按季度占比=0，0，ABS（行業(yè)平均產(chǎn)值驅(qū)動(dòng)因素按季度占比-大戶平均行業(yè)產(chǎn)值驅(qū)動(dòng)因素按季度占比）），如表8所示；

其次，根據(jù)“大戶與行業(yè)平均產(chǎn)值按季度占比差別”以及季度占比比較系數(shù)（標(biāo)準(zhǔn)設(shè)置為5%）得到季度占比差別性質(zhì)，如果為 1 表示差別大，0 表示差別小。其計(jì)算規(guī)則：IF（MAX（大戶和行業(yè)平均驅(qū)動(dòng)因素產(chǎn)值按季度占比差別值）＞季度占比比較系數(shù)，1，0）；

表8 計(jì)算大戶與行業(yè)平均產(chǎn)量按季度占比差別Tab.8 Calculation of big user and industry average production quarterly proportion differences

最后，根據(jù)“季度占比差別性質(zhì)”、“行業(yè)季度占比和大戶季度占比相差不大時(shí)的某驅(qū)動(dòng)因素產(chǎn)值按月占比”、“行業(yè)季度占比和大戶季度占比相差較大時(shí)的某驅(qū)動(dòng)因素產(chǎn)值按月占比”，以東莞為例，假設(shè)“季度占比差別性質(zhì)”=0，行業(yè)季度占比和大戶季度占比相差不大時(shí)和較大時(shí)的某驅(qū)動(dòng)因素產(chǎn)值按月占比，如表9所示。

表9 行業(yè)季度占比和大戶季度占比相差不大和較大時(shí)的某驅(qū)動(dòng)因素產(chǎn)量按月占比Tab.9 Certain driving factor production monthly proportion of industry quarter proportion and big user quarter proportion respectively in case of litter and large differences

步驟 7：首先，假設(shè)下一年 GDP 樂觀估計(jì)值為 0.9%，GDP 悲觀估計(jì)值為-0.9%，同時(shí)假設(shè)大戶調(diào)查結(jié)果認(rèn)為下一年驅(qū)動(dòng)因素增長(zhǎng)率為 11.81%，則可以計(jì)算出對(duì)應(yīng) 1～12月的樂觀及悲觀預(yù)測(cè)值，如表10所示。然后，必須先計(jì)算下一年的驅(qū)動(dòng)因素年總產(chǎn)值，其值=本年驅(qū)動(dòng)因素年總產(chǎn)值*（1+下一年驅(qū)動(dòng)因素增長(zhǎng)率）；其中，某月基準(zhǔn)預(yù)測(cè)規(guī)則為：下一年的驅(qū)動(dòng)因素年總產(chǎn)值*產(chǎn)量驅(qū)動(dòng)因素平均產(chǎn)值按月占比（某月）；某月樂觀預(yù)測(cè)規(guī)則為：某月基準(zhǔn)預(yù)測(cè)值*（1+GDP 樂觀估計(jì)值）；某月悲觀預(yù)測(cè)規(guī)則為：某月基準(zhǔn)預(yù)測(cè)值*（1+GDP 悲觀估計(jì)值）；

表10 計(jì)算驅(qū)動(dòng)因素預(yù)測(cè)值Tab.10 Computational driving factor forecasting values

（3）出口產(chǎn)值預(yù)測(cè)法

該法與產(chǎn)值預(yù)測(cè)方法及產(chǎn)量預(yù)測(cè)方法一樣，不再贅述。

（4）價(jià)格指數(shù)預(yù)測(cè)法

價(jià)格指數(shù)主要涉及到輕工業(yè)品出廠價(jià)格指數(shù)、重工業(yè)品出廠價(jià)格指數(shù)、建筑材料價(jià)格指數(shù)等，其預(yù)測(cè)方法主要使用冪運(yùn)算，根據(jù)本年度連續(xù) 5個(gè)月的價(jià)格指數(shù)獲取未來價(jià)格指數(shù)增長(zhǎng)率，然后再根據(jù)價(jià)格指數(shù)增長(zhǎng)率計(jì)算出未來各月的價(jià)格指數(shù)預(yù)測(cè)值。

由于價(jià)格指數(shù)先行效應(yīng) 6 個(gè)月，故只需要預(yù)測(cè) 6個(gè)月的數(shù)據(jù)，根據(jù)本年度后6 個(gè)月價(jià)格指數(shù)以及預(yù)測(cè)的6個(gè)月的價(jià)格指數(shù)作為未來 1 年的價(jià)格指數(shù)預(yù)測(cè)值。價(jià)格指數(shù)復(fù)合平均增長(zhǎng)率=（本年12 月的價(jià)格指數(shù)/本年6月的價(jià)格指數(shù)）∧（1/5）-1；價(jià)格指數(shù)預(yù)測(cè)值（N月）= 價(jià)格指數(shù)（N-1月） *（1+價(jià)格指數(shù)趨勢(shì)增長(zhǎng)率）；以東莞為例，假設(shè)價(jià)格指數(shù)增長(zhǎng)率=-0.6%，價(jià)格指數(shù)預(yù)測(cè)值，如表11所示。

由于價(jià)格指數(shù)先行效應(yīng)6個(gè)月，故2009年的價(jià)格指數(shù)預(yù)測(cè)值如表12所示。

（5）溫度預(yù)測(cè)法

溫度驅(qū)動(dòng)因素屬于公用驅(qū)動(dòng)因素，由于氣象局等相關(guān)單位無法提供準(zhǔn)確氣溫（未來一年）預(yù)測(cè)數(shù)據(jù)，故采用根據(jù)過去10年?yáng)|莞年平均氣溫?cái)?shù)據(jù)上下波動(dòng)1.5倍標(biāo)準(zhǔn)差作為其預(yù)測(cè)數(shù)據(jù)。該法分析分析方式為：

表11 價(jià)格指數(shù)預(yù)測(cè)值Tab.11 Price indexes forecasting values

表12 價(jià)格指數(shù)預(yù)測(cè)值Tab.12 Price indexes forecasting values

步驟 1：計(jì)算 10 年歷史數(shù)據(jù)的年平均氣溫值；

步驟 2：根據(jù) 10 年的歷史年平均氣溫?cái)?shù)據(jù)計(jì)算標(biāo)準(zhǔn)差；

步驟 3：然后計(jì)算 10 年各月的平均氣溫值；

步驟 4：根據(jù)計(jì)算的 10 年各月平均氣溫值做±1.5倍標(biāo)準(zhǔn)差計(jì)算作為其預(yù)測(cè)數(shù)據(jù)，如表13實(shí)例所示。

表13 溫度預(yù)測(cè)法實(shí)例/℃Tab.13 Example of temperature forecasting method /℃

（6） GDP 預(yù)測(cè)法

根據(jù)相關(guān)機(jī)構(gòu)預(yù)測(cè)而得到的 GDP 增長(zhǎng)率預(yù)測(cè)值，分別得到樂觀、悲觀、基準(zhǔn)預(yù)測(cè)值為10%、8%、9%。根據(jù)該法，2014 年預(yù)測(cè)值如表14所示。

2.1 細(xì)分行業(yè)配置

定義各種行業(yè)，提供對(duì)各種行業(yè)的增加、刪除、修改等操作，能按樹目錄結(jié)構(gòu)呈現(xiàn)行業(yè)結(jié)構(gòu)。行業(yè)的相關(guān)屬性包括：行業(yè)第一層分類（第一產(chǎn)業(yè)、第二產(chǎn)業(yè)、第三產(chǎn)業(yè)等）、行業(yè)第二層分類（重工業(yè)、輕工業(yè)、商業(yè)、居民等）、行業(yè)名稱等。

表14 基于 GDP 預(yù)測(cè)法的 2014 預(yù)測(cè)值Tab.14 The GDP forecasting method based prediction values in 2014

2 細(xì)分行業(yè)管理研究

第一產(chǎn)業(yè)：農(nóng)業(yè)；第二產(chǎn)業(yè)：交通運(yùn)輸、電氣、電子設(shè)備制造業(yè)、金屬制品業(yè)、黑色金屬冶煉及壓延加工業(yè)、橡膠和塑料制品業(yè)、非金屬礦物制品業(yè)、通用及專用設(shè)備制造業(yè)、化學(xué)原料及化學(xué)制品制造業(yè)、石油加工、煉焦及核燃料加工業(yè)、其他重工業(yè)、紡織業(yè)、服裝鞋帽、/皮革羽絨及其制品業(yè)、食品、飲料和煙草制造業(yè)、造紙及紙制品、其他輕工業(yè)等；第三產(chǎn)業(yè)：金融房地產(chǎn)商務(wù)及居民服務(wù)業(yè)、批發(fā)和零售業(yè)、住宿和餐飲業(yè)、交通運(yùn)輸業(yè)、教育/文化/娛樂和體育業(yè)、其他第三產(chǎn)業(yè)等。

另外由于市場(chǎng)分析及預(yù)測(cè)的需要，我們把居民類的預(yù)測(cè)與上面 3 個(gè)產(chǎn)業(yè)并行考慮，即與上面 3 個(gè)產(chǎn)業(yè)做同一層次考慮；本文數(shù)據(jù)皆以東莞為例，對(duì)于東莞，由于農(nóng)業(yè)占東莞局用電量太少，故不對(duì)其進(jìn)行分析及預(yù)測(cè)操作。

2.2 行業(yè)與驅(qū)動(dòng)因素關(guān)系定義

行業(yè)驅(qū)動(dòng)因素預(yù)測(cè)法需要定義行業(yè)與驅(qū)動(dòng)因素之間的對(duì)應(yīng)關(guān)系，能夠呈現(xiàn)時(shí)展現(xiàn)整個(gè)行業(yè)及其對(duì)應(yīng)的驅(qū)動(dòng)因素拓?fù)錁?，行業(yè)所對(duì)應(yīng)的驅(qū)動(dòng)因素定義如圖1所示。

另外需要定義各行業(yè)對(duì)應(yīng)預(yù)測(cè)時(shí)所使用的指數(shù)平滑系數(shù)值等（便于在預(yù)測(cè)數(shù)據(jù)產(chǎn)生與呈現(xiàn)時(shí)，對(duì)各驅(qū)動(dòng)因素值做平滑處理再呈現(xiàn)）。

圖1 行業(yè)所對(duì)應(yīng)的驅(qū)動(dòng)因素定義Fig.1 Driving factors definitions corresponds to the industries

2.3 行業(yè)及驅(qū)動(dòng)因素歷史數(shù)據(jù)平滑處理

根據(jù)對(duì)細(xì)分行業(yè)歷史用電量數(shù)據(jù)以及各驅(qū)動(dòng)因素歷史數(shù)據(jù)值波動(dòng)范圍較大，故需根據(jù)實(shí)際需要對(duì)行業(yè)歷史電量數(shù)據(jù)及驅(qū)動(dòng)因素歷史數(shù)據(jù)進(jìn)行指數(shù)平滑處理［27］，使數(shù)據(jù)的波動(dòng)范圍更加合理，便于更加準(zhǔn)確地預(yù)測(cè)以及預(yù)測(cè)的電量處于一個(gè)更加合理的波動(dòng)區(qū)間。

表15 15組觀測(cè)值輸出殘差Tab.15 Residual output of 15 sets of observations

設(shè)置平滑系數(shù)值的方法為：一般根據(jù)對(duì)平滑后的數(shù)據(jù)，做行業(yè)驅(qū)動(dòng)因素線性回歸分析，根據(jù)回歸分析的預(yù)測(cè) Y 值“Predicted Y”進(jìn)行反預(yù)測(cè)處理，根據(jù)反預(yù)測(cè)處理后的數(shù)據(jù)以及真實(shí)歷史電量得到殘差，然后根據(jù)殘差及真實(shí)歷史電量數(shù)據(jù)獲得殘差占比，根據(jù)所有的殘差占比計(jì)算出其標(biāo)準(zhǔn)差，如果能獲得較好的相關(guān)性并且其標(biāo)準(zhǔn)差較小，則可認(rèn)為平滑系數(shù)設(shè)置比較合適。

由于目前 BCG 已經(jīng)設(shè)置了相關(guān)的平滑系數(shù)，故我們認(rèn)為所有的平滑系數(shù)設(shè)置值都是合理的，結(jié)合東莞為實(shí)例，對(duì) 15組數(shù)據(jù)進(jìn)行觀察預(yù)測(cè)，其殘差輸出如表15所示。

基于表15，計(jì)算得到標(biāo)準(zhǔn)差，如表16所示。

表16 15組觀測(cè)值輸出殘差Tab.16 Residual output of 15 sets of observations

3 大戶調(diào)查管理

3.1 大戶列表管理

自動(dòng)按月/按年/年區(qū)間統(tǒng)計(jì)各行業(yè)前 N（30）位的客戶并呈現(xiàn)。能列出各行業(yè)前30位的用電量客戶并顯示客戶的基本信息（客戶名稱、地址、聯(lián)系人、聯(lián)系電話、行業(yè)等信息等）及用電量情況。能將統(tǒng)計(jì)的各行業(yè)前 N（30）位作為各行業(yè)大戶，并能作為各行業(yè)大戶的調(diào)查的基本數(shù)據(jù)。能手工調(diào)整（增加、刪除）大戶列表，即能以手工的方式向大戶列表中增加新的客戶或刪除某些客戶等。能查閱各大戶的歷史調(diào)查數(shù)據(jù)，并能對(duì)歷史數(shù)據(jù)以圖表等方式輸出，以便做歷史數(shù)據(jù)對(duì)比。 行業(yè)大戶的數(shù)據(jù)抽取目前營(yíng)銷系統(tǒng)是以表戶為單位進(jìn)行統(tǒng)計(jì)的，必須要實(shí)現(xiàn)以集團(tuán)客戶為單位的行業(yè)大戶統(tǒng)計(jì)。

3.2 大戶調(diào)查數(shù)據(jù)錄入及調(diào)查流程設(shè)置

大戶調(diào)查完畢后，提供相關(guān)界面供客戶輸入大戶調(diào)查結(jié)果數(shù)據(jù)。可以按行業(yè)、按大客戶、按驅(qū)動(dòng)因素等方式將大戶調(diào)查數(shù)據(jù)進(jìn)行錄入工作。數(shù)據(jù)錄入完畢后，可以按各行業(yè)將大戶數(shù)據(jù)按上面的“大戶調(diào)查表打印”的格式進(jìn)行打印等。

大戶調(diào)查以后將以流程化實(shí)現(xiàn)，大致的思路是：a）市場(chǎng)部制訂大戶調(diào)查計(jì)劃；b）區(qū)局完成大戶調(diào)查表的打印及調(diào)查工作；c）區(qū)局完成大戶調(diào)查數(shù)據(jù)的錄入；d）市場(chǎng)部對(duì)調(diào)查的結(jié)果數(shù)據(jù)進(jìn)行審核修訂工作；e）結(jié)束。

4 總結(jié)

搭建準(zhǔn)確的常態(tài)市場(chǎng)配網(wǎng)用戶用電分析預(yù)測(cè)模型，對(duì)于準(zhǔn)確把握各類客戶的成本利潤(rùn)、經(jīng)營(yíng)狀態(tài)的行業(yè)性，為營(yíng)銷優(yōu)化、提高客戶電費(fèi)回收率提供前瞻性參考。文章主要就用電分析預(yù)測(cè)模型的參數(shù)設(shè)置管理進(jìn)行了基礎(chǔ)研究，以東莞為例，利用實(shí)例結(jié)合分析的方法，重點(diǎn)對(duì)其中的驅(qū)動(dòng)因素管理進(jìn)行了研究，并給出了6種驅(qū)動(dòng)因素?cái)?shù)據(jù)預(yù)測(cè)方法，同時(shí)提出回歸分析的方法設(shè)置平滑系數(shù)。 本文通過對(duì)參數(shù)設(shè)置管理的研究為最終搭建預(yù)測(cè)準(zhǔn)確率高的用電分析預(yù)測(cè)模型奠定工作基礎(chǔ)。而本文下一步的研究是基于模型參數(shù)設(shè)置的管理，搭建準(zhǔn)確反映東莞市配網(wǎng)用戶用電需求的分析預(yù)測(cè)模型，對(duì)市場(chǎng)競(jìng)爭(zhēng)機(jī)制下三類主要的用戶（居民、工業(yè)、商業(yè)）用電量需求及其與電網(wǎng)側(cè)、售電商、負(fù)荷集成商的供需互動(dòng)進(jìn)行分析和預(yù)測(cè)。

參考文獻(xiàn)

［1］ Pedregal D J，Trapero J R.Mid-term hourly electricity forecasting based on a multi-rate approach［J］.Energy Conversion & Management，2010，51（1）：105-111.

［2］ Akhwanzada，Salman Ahmad，bin Mat Tahar，et al.Long-term Electricity Forecasting： A System Dynamics Approach［C］.International Conference on Environment，Energy and Biotechnology，2012.

［3］ 秦浩庭，劉燕，肖漢，等.重慶市中長(zhǎng)期電力需求及分布預(yù)測(cè)［J］.電力建設(shè)，2015，36（4）：115-122.H T Qin，Y Liu，H Xiao，et al.Forecast of medium and long-term power demand and distribution in Chongqing ［J］.Electric Power Construction，2015，36（4）： 115-122.

［4］ 劉迪.電力市場(chǎng)電量分析及預(yù)測(cè)分析［J］.科技創(chuàng)新與應(yīng)用，2014，3（35）：162-162.D Liu.Power market electricity analysis and forecasting analysis［J］.Technology Innovation and Application，2014，3（35）： 162-162.

［5］ 韓丹，張宏波，賈勇.經(jīng)濟(jì)因素對(duì)電量的影響分析與預(yù)測(cè)［J］.吉林電力，2009，37（3）：16-19.D Han，H B Zhang，Y Jia.Analysis and forecasting for effect of economic factor on electricity consumption ［J］.Jilin Electric Power，2009，37（3）：16-19.

［6］ 萬曉彤.電力市場(chǎng)電量分析及預(yù)測(cè)研究［J］.時(shí)代金融（下旬），2014，21（15）：111-111.X T Wan.Research on power market electricity analysis and forecasting ［J］.Times Finance （late），2014，21（15）：111-111.

［7］ 覃娟梅.縣級(jí)供電企業(yè)電量預(yù)測(cè)分析［J］.建材與裝飾，2015，4（51）： 225-226.J M Tan.County power supply enterprise electricity consumption forecasting analysis ［J］.Construction Materials & Decoration，2015，4（51）：225-226.

［8］ 趙立新，韓冬.淺析電力負(fù)荷短期預(yù)測(cè)［J］.科技視界，2012，9（26）：419-421.L X Zhao，D Han.Brief analysis on power load short-term prediction ［J］.Science & Technology Vision，2012，9（26）：419-421.

［9］ 郭雅娟，黃燦，朱海兵，等.配電自動(dòng)化技術(shù)發(fā)展 ［J］.新型工業(yè)化，2015，5（11）：20-26.Y J Guo，C Huang，H B Zhu，et al.Distribution automation technology development and demonstration projects ［J］.The Journal of New Industrialization，2015，5（11）： 20-26.

［10］ 張德玲.電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法的研究［D］.鄭州大學(xué)，2007.D L Zhang.Research on power system short-term load forecasting methods ［D］.Zhengzhou University，2007.

［11］ 鄭罡.淺談幾種電力需求量的預(yù)測(cè)方法 ［J］.科技廣場(chǎng)，2012，19（6）：94-96.G Zheng.Discussion on electric power consumption forecasting method ［J］.Science Mosaic，2012，19（6）： 94-96.

［12］ 趙希正.中國(guó)電力負(fù)荷特性分析與預(yù)測(cè)［M］.中國(guó)電力出版社，2002.X Z Zhao.China electric power load characteristic analysis and forecasting ［M］.China Electric Power Press，2002.

［13］ 來金鋼，周洪，胡文山.微電網(wǎng)環(huán)境下光伏發(fā)電短期輸出功率預(yù)測(cè)研究［J］.新型工業(yè)化，2014，4（12）： 5-11.J G Lai，H Zhou，W S Hu.Research on short-term output power prediction of photovoltaic generators in microgrids ［J］.The Journal of New Industrialization，2014，4（12）： 5-11.

［14］ 王欣，劉俊杰.基于貝葉斯定理的支持向量機(jī)短期負(fù)荷預(yù)測(cè)［J］.新型工業(yè)化，2014，4（12）：20-24.X Wang，J J Liu.Short-term load forecasting based on Bayes’ theorem support vector machine ［J］.The Journal of New Industrialization，2014，4（12）： 20-24.

［15］ 張沖，胡林獻(xiàn).東北地區(qū)熱負(fù)荷對(duì)風(fēng)電消納影響的研究［J］.新型工業(yè)化，2013，3（6）：25-32.C Zhang，L X Hu.The impact of the load on the wind power at Northeast ［J］.The Journal of New Industrialization，2013，3（6）：25-32.

［16］ 廖旎煥，胡智宏，馬瑩瑩，等.電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法綜述［J］.電力系統(tǒng)保護(hù)與控制，2011，39（1）： 147-152.N H Liao，Z H Hu.Review of the short-term load forecasting methods of electric power system ［J］.Power System Protection and Control，2011，39（1）： 147-152.

［17］ 康重慶，夏清，張伯明.電力系統(tǒng)負(fù)荷預(yù)測(cè)研究綜述與發(fā)展方向的探討［J］.電力系統(tǒng)自動(dòng)化，2004，28（17）： 1-11.C Q Kang，Q Xia，B M Zhang.Review of power system load forecasting and its development ［J］.Automation of Electric Power Systems，2004，28（17）： 1-11.

［18］ 肖白，周潮，穆鋼.空間電力負(fù)荷預(yù)測(cè)方法綜述與展望［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（25）： 78-92.B Xiao，C Zhou，G Mu.Review and prospect of the spatial load forecasting methods ［J］.Proceedings of the CSEE，2013，33（25）： 78-92.

［19］ 葛少云，賈鷗莎，劉洪.基于遺傳灰色神經(jīng)網(wǎng)絡(luò)模型的實(shí)時(shí)電價(jià)條件下短期電力負(fù)荷預(yù)測(cè)［J］.電網(wǎng)技術(shù)，2012，36（1）： 224-229.S Y Ge，O S Jia，H Liu.A gray neural network model improved by genetic algorithm for short-term load forecasting in price-sensitive environment ［J］.Power System Technology，2012，36（1）： 224-229.

［20］ 毛力，王運(yùn)濤，劉興陽(yáng)，等.基于改進(jìn)極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測(cè)方法［J］.電力系統(tǒng)保護(hù)與控制，2012，40（20）： 140-144.L Mao，Y H Wang，X Y Liu.Short-term power load forecasting method based on improved extreme learning machine ［J］.Power System Protection and Control，2012，40（20）： 140-144.

［21］ 張素香，趙丙鎮(zhèn)，王風(fēng)雨，等.海量數(shù)據(jù)下的電力負(fù)荷短期預(yù)測(cè)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2015，35（1）： 37-42.S X Zhang，B Z Zhao，F(xiàn) Y Wang.Short-term power load forecasting based on big data ［J］.Proceedings of the CSEE，2015，35（1）： 37-42.

［22］ 王保義，趙碩，張少敏.基于云計(jì)算和極限學(xué)習(xí)機(jī)的分布式電力負(fù)荷預(yù)測(cè)算法［J］.電網(wǎng)技術(shù)，2014，38（2）： 526-531.B Y Wang，S Zhao，S M Zhang.A distributed load forecasting algorithm based on cloud computing and extreme learning machine ［J］.Power System Technology，2014，38（2）： 526-531.

［23］ Chen J，Chang K T，Karacsonyi D，et al.Comparing urban land expansion and its driving factors in Shenzhen and Dongguan，China［J］.Habitat International，2014，43（3）：61-71.

［24］ And S L F，Koshland C P.Daily and Peak 1 h Indoor air pollution and driving factors in a rural Chinese village［J］.Environmental Science & Technology，2007，41（9）：3121-3126.

［25］ Andreas Rigling，Christof Bigler，Britta Eilmann，et al.Driving factors of a vegetation shift from Scots pine to pubescent oak in dry Alpine forests［J］.Global Change Biology，2013，19（1）： 229-240.

［26］ F?rster M F，Pellizzari M.Trends and driving factors in income distribution and poverty in the OECD Area［J］.Social Science Electronic Publishing，2000，29（3）： 239-240.

［27］ 林德軍，孟祥武.基于奇異值分解的Slope One算法［J］.新型工業(yè)化，2012，2（11）： 12-17.D J Lin，X W Meng.Slope one algorithm based on single value decomposition ［J］.The Journal of New Industrialization，2012，2（11）：12-17.

DOI：10.19335/j.cnki.2095-6649.2016.06.005

基金項(xiàng)目：中國(guó)南網(wǎng)電網(wǎng)科技項(xiàng)目資助（GDKJ00000052）

作者簡(jiǎn)介：呂潤(rùn)嬋（1986-），女，助理級(jí)經(jīng)濟(jì)師，本科，主要研究方向：地方電、行業(yè)用電分析等

Research on Parameters Setting and Management of Distribution Network User Electricity Consumption Analyzing and Forecasting Model

LV Run-chan
（Dongguan Power Supply Bureau of Guangdong Power Grid Co.， Ltd.， Dongguan 523000， China）

ABSTRACT：Based on electricity market research and analysis， as well as detailed classification of electricity industry market， it’s beneficial to build distribution network user electricity analysis and forecasting model under normal market.A discussion was made on parameters setting and management of the model， including driving factors management and big users investigation management， especially the former was emphatically discussed， which included the driving factors management and segmentation industries management， aimed at the former， combined with practical example analysis of electricity consumption of Dongguan city， the driving factors forecasting methods were studied， including the production prediction method， the output value prediction method， price index prediction method， temperature prediction method， and GDP prediction method.Aimed at big users management， a regression analysis method was proposed to set the corresponding smoothing coefficients， and the regression analysis results and standard deviations were given.Based on discussion of model parameters setting and management， it laid a foundation for distribution network user electricity consumption analysis and forecasting model.

KEyWORDS：Electricity consumption analysis and forecasting； Parameters setting and management； Driving factors management； Segmentation industries management； Smoothing coefficient； regression analysis