居民负荷预测在电力营销的应用

　　摘要：随着智能电网的快速推进，电力企业积累了海量的居民用电数据，合理运用这些数据有助于提升电力企业的电力营销与控制水平，因此本文利用居民历史用电数据进行短期电力负荷预测。首先，对居民历史用电数据进行预处理；其次，建立基于极限学习机（ExtremeLearningMachine，ELM）的居民用电负荷预测模型；再次，以目标区域的居民用电数据为基础，对所建立的模型进行测试；最后，将居民用电数据的预测结果与电力营销结合起来，提出相应的营销策略。

　　关键词：用电数据；短期负荷预测；极限学习机，电力营销

　　目前，电力负荷预测是现代电力系统运行的基础，其预测结果对于电力网络维持经济运行与实现安全稳定具有重要的影响[1]。同时，由于电力企业对电力数据采样点的细致划分，产生出海量的电力数据[2]。因此，如何通过大数据技术对上述数据进行有效处理与分析，并将相关分析结果服务于电力营销工作，是许多专家学者的讨论热点。对此，国内外大量专家学者提出了多种研究方法，如支持向量机（SupportVectorMachine，SVM）[1]、人工神经网络（ArtificialNeuralNetwork，ANN）[3-4]、线性回归（LinearRegression，LR）[5]等。彭小圣等证明了支持向量机能很好地解决小样本问题，但对大样本的分析效率不佳[2]。王越等证明了BP神经网络的负荷预测结果精度尚可，但算法的效率较低[3]。雷绍兰等将径向基神经网络用于负荷预测，实现显示预测结果良好，但该算法训练时间长且极易陷入局部最小[4]。雷绍兰等提出的模型能够较好地学习数据的相关性，但是对于非线性数据分析能力较差[5]。整体而言，上述方法都是从整体区域的角度出发对负荷预测进行研究，而对个体用户的负荷预测尚缺乏深入探讨。此外，Rafiei等提出将极限学习机用于训练神经网络，以减少训练样本数据并提升算法效率[6]。赵峰等提出将卡尔曼滤波与多变量相空间重构应用于预测负荷，提升了负荷预测的精度[7]。但是上述工作未将电力负荷预测所得的结果服务于电力营销领域，因此并没有对提升电力企业在电力市场中的份额做出有效的贡献。综上所述，本文提出一种基于极限学习机的居民负荷预测方法，并将预测结果有效服务于电力营销工作。

　　1基于极限学习机的负荷预测

　　1.1极限学习机。极限学习机是一种基于前馈神经网络构建的机器学习方法，具有处理速度快、泛化性能强等优点，其预测模型描述如下[8]。假设居民的用户历史日用电训练数据集为M=[(x1,y1),…,(xi,yi)],1≤i≤m，其中xi表示输入训练数据集，yi表示输出训练数据集，m表示训练数据集的数量，则有：1(,,)Niiiiifxgabxxλλ===∑h（1）111[(,,),,(,,)]NNNhx=gabxgabx（2）其中，N表示隐含层节点的个数；λi表示输出神经元与第i个隐含层节点相连接的权值；g(x)表示激活函数；ai,bi分别表示输入神经元与第i个隐含层节点的输入权值与偏置；h(x)表示隐含层的输出矩阵。输出连接权值λi可通过求解1Niiiλxy=∑h−的最小值来获得。最小二乘解可由式（3）解得：λ=H*Y（3）其中，H*表示隐含层输出矩阵h(x)的广义逆，Y表示期望输出矩阵。1.2基于极限学习机的居民用电分析。本文提出的基于ELM的居民电力负荷短期预测与分析方法流程如图1所示。

　　2实例分析

　　实验将浙江省某小区2020年春季居民历史用电负荷数据作为基础数据进行负荷预测。该用电数据的采样时间间隔为15分钟，每个样本均含有96个采样信息。2.1负荷预测。为了体现本文所采用算法的有效性与优越性，采用BP神经网络与本文方法进行对比实验，仿真结果见图2和图3，对比结果见表1。对比图2和图3中的居民用户用电负荷预测曲线可以看出，与BP神经网络算法相比，ELM预测出的负荷曲线与实际负荷曲线的拟合程度更高。此外，从表1的对比结果可以看出，在使用相同基础用电数据作为预测模型输入的情况下，极限学习机的预测精度更高，处理时间更短，预测效果更好。综上所述，本文提出的基于ELM的居民短期用电负荷预测方法不仅有效，且具备一定的优越性。测试集与预测结果对比(ELM)2.2营销策略。预测居民用电负荷是电力供需平衡的基础，同时也是促进电力市场营销发展的前提。因此，本文建立基于电价的营销策略，其主要思想是根据对居民未来用电负荷的预测结果，实现电价的灵活调整，以达到负荷需求响应的目的，提高配电网削峰填谷的能力。2.2.1电价策略。基于上述电力营销思想，电力企业可以根据每日对居民用户未来用电的预测情况，对用电价格进行灵活调整，适当提高预测结果中用电负荷较高时段的用电价格，引导居民用户错峰用电，提高配电网电能的利用率。此外，在降低居民用电成本的同时，也可降低配电网的运行成本。2.2.2营销服务策略。在智能用电背景下，为了进一步提高电力营销服务的质量，提升居民用电的满意度，实现精准营销，应做好以下工作。首先，可以根据居民用电的预测情况，估算该区域未来的用电潜力，减少目标区域用户用电不足的情况。其次，建立居民用户档案，记录居民用户的历史用电、缴费、投诉等情况，对居民用户进行“一对一”客服服务。再次，根据对用户用电情况的预测结果，为居民用户提供指导性的用电方式，并在用电异常时段向用户发送紧急通知。最后，根据上述灵活电价策略，电力企业在调整电价后应及时通知用户。

　　3结语

　　本文基于浙江某小区的居民实际历史用电数据，构建了基于ELM的居民用电负荷短期预测模型。通过实验分析可知，极限学习机在训练数据时，训练时间较短，并且其误差相对BP神经网络也较小。因此，本文采用的方法较BP神经网络来说具有更高的预测精度和更好的泛化性，能够满足电力系统负荷预测的实际需求。同时，本文将居民用电负荷预测的结果运用到电力营销中，指导居民用户错峰用电，在降低用户自身用电成本的同时，能够降低配电网的运行成本，提高了电能的利用率。

　　参考文献

　　[1]李元诚,方廷健,于尔铿.短期负荷预测的支持向量机方法研究[J].中国电机工程学报,2003,23(6):55-59.

　　[2]彭小圣,邓迪元,程时杰,等.面向智能电网应用的电力大数据关键技术[J].中国电机工程学报,2015,35(3):503-511.

　　[3]王越,卫志农,吴佳佳.人工神经网络预测技术在微网运行中的应用[J].电力系统及其自动化学报,2012,24(2):83-89.

　　[4]雷绍兰,孙才新,周湶,等.基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法[J].中国电机工程学报,2005,25(22):78-82.

　　[5]雷绍兰,孙才新,周湶,等.电力短期负荷的多变量时间序列线性回归预测方法研究[J].电机工程学报,2006,26(2):26-29.

　　[6]RafieiM,NiknamT,Aghaei,etal.ProbabilisticLoadForecastingusinganImprovedWaveletNeuralNetworkTrainedbyGeneralizedExtremeLearningMachine[J].IEEETransactionsonSmartGrid,2018,9(6):6961-6971.

　　[7]赵峰,孙波,张承慧.基于多变量相空间重构和卡尔曼滤波的冷热电联供系统负荷预测方法[J].中国电机工程学报,2016,6(2):399-406.

　　[8]毛力,王运涛,刘兴阳,等.基于改进极限学习机的短期电力负荷预测方法[J].电力系统保护与控制,2012,40(20):140-144.

　　作者:李鹏鹏 施聚辉 姜朝明 娄藕蝶 喻湄霁 单位:国网浙江省电力有限公司台州供电公司