摘要：本文针对某供电企业2013年至2017年共60个月的历史月度售电量数据，分别通过BP神经网络模型、RBF神经网络模型预测得到2017年全年12个月售电量的预测值，按照误差方差倒数法进行相应的权重分配，通过优化组合模型预测，得到初步预测数据。对预测误差较大的3月和12月预测售电量采用季度占比的方法进行修正，并针对分布式光伏发电、电能替代、政策等主要影响因素，给出了修正公式。本方法极大地提高了预测准确度，对目前该地区现有负荷特性产生的月度售电量的预测具有一定适用性和可靠性。
关键词：售电量；预测模型；神经网络；组合预测
Abstract：This paper analyzes monthly electricity sale data for 60 months from 2013 to 2017.BP neural network forecasting model and RBF neural network forecasting model are used to get the predicted values of 12 months in 2017，respectively.Corresponding weights are allocated according to the error variance countdown method.The electricity sales in March and December with larger forecasting errors are corrected by the monthly-to-quarterly ratio method.This paper also analyzes various reasons that affect the electricity sales and forecast accuracy，including PV generation，electric energy substitution and policies and puts forward suggestions and corrected formula for optimizing and adjusting the forecasting model.The prediction accuracy is greatly improved，which shows that the method has some applicability and reliability for the forecasting of the monthly electricity sales produced by the existing load characteristics in the area.
Keywords：electricity sales；forecasting model；neural network；optimal combination
0 引言
售电量预测是供电企业和电力市场的一项基础工作，预测售电量首先直接影响其经营效益、准许收入。其次，售电量分析预测，还影响着电力系统安全调度和经济运行，涉及电费电价、计量、线损管理等同业对标指标的提升，也关乎电力系统调度安全、电网运行方式安排、营销战略决策部署、购售电方案制定、春检预试时间的合理安排。本文分别通过BP神经网络模型、RBF神经网络模型优化组合，采用季度占比的方法进行修正，结合实际情况提出了改进建议和修正公式。
1 优化组合预测模型及步骤
（1）搜集售电量历史数据
选取某地区2013年1月至2015年12月的月售电量为输入样本，2014年1月至2016年12月的月售电量为输出样本，预测2017年全年售电量。
（2）使用神经网络预测模型进行预测
使用BP神经网络和RBF神经网络作为预测模型，进行网络设计构造，绘制仿真曲线，计算预测误差。
（3）使用优化组合预测模型进行预测
采用方差倒数法，进行权重分配，判别使用优化组合预测模型的优劣。
（4）预测误差分析及修正
将误差较大的月份使用季度占比的方法作进行修正，从分布式能源、电能替代、可预见政策影响量等主要方面设计了修正公式。
2 售电量优化组合预测模型
2.1 归一化处理
按照文献[1]，转化公式为：
3.2 绘制仿真曲线
选取2013年1月至2015年12月的售电量为训练样本，2014年1月至2016年12月的售电量为输出样本，利用BP神经网络预测模型和RBF神经网络预测模型得出预测结果，与实际值进行比较，绘制仿真曲线如图1和图2所示。
图1 BP神经网络模型售电量预测值和实际值比较
图2 RBF神经网络售电量预测值和实际值比较
Fig.1 Comparison of predicted value and actual value of BP neural network model
Fig.2 Comparison of predicted value and actual value of RBF neural network model
通过计算，得到BP神经网络和RBF神经网络的误差平方和分别为： ； 。所以权重分别为： ； 。
3.3 2017年3月、12月售电量预测结果修正
某地区2017年第一季度和第四季度预测售电量分别为313540.166万千瓦时和297157.759万千瓦时，分别乘以3月、12月平均季度占比0.301、0.341，得出预测结果的修正值为97197.451万千瓦时和101330.796万千瓦时。
表3 2017年3月、12月售电量季度占比预测
Table3 Quarterly account sales forecast of March and December in 2017
3.4 主要影响因素修正
根据以往的统计结果和预测结果发现，某地区每年计划的电能替代电量与实际电量和预测电量差值之比变化不大，得出 的平均值约为0.3。
根据式（8）得到最后预测值，与原预测值进行比较，如表4-5所示。
表4 主要影响因素修正误差统计
Table4 Correction error statistics of main influencing factors
在进行预测修正后发现，大部分月份的相对误差有所降低，平均降低相对误差1.36%，预测准确性进一步提高。
4 结语
除了自身因素外，每个研究地区所处地域、气候[4-6]的不同，也会造成误差的浮动。国家法定节假日和传统节假日，城市大工业、一般工商业用户纷纷停产休假。分布式能源并网的井喷式增长，也极大影响了供电企业的售电量。
面对一系列国家政策的出台，以及全国经济形势的严峻考验，供电企业严正以待，严格遵守国家和地方政策的同时，制定内部战略，积极提质增效、增供扩销，努力提高售电量等经济考核指标。这些不确定因素必然会造成售电量的预测误差。
参考文献：
[1]孔繁宁.基于神经网络的大连地区短期电力负荷预测[D].大连理工大学，2013.
[2]贾江华.售电量预测及其相关决策的研究与应用[D].东北大学，2003：26-27.
[3]李英惠，胥超.基于时间序列模型的售电量预测方法[J].山东电力技术，2014（6）：56-59.
[4]师延辉.浅析提高电力电量预测准确率必要性及措施[J].知识经济，2015：94.
[5]Yan Q Y；Liu Z Y；He S Q.Long-Term Forecast of Electric Load in Beijing[J].Advanced Materials Research，2012：1490-1495.
[6]Zhang Y M，Han X S，Yang G S.A Novel Analysis and Forecast Method of Electricity Business Expanding Based on Seasonal Adjustment[C].IEEE PES Asia-Pacific Power and Energy Conference，Xi’an，2016：707-711.
作者简介：
马媛（1989-），女，籍贯：山东省莒县，工程师，从事项目可研与接入设计技术专业
论文作者:马媛
论文发表刊物:《电力设备》2018年第29期
论文发表时间:2019/3/27
标签：神经网络论文; 售电量论文; 模型论文; 误差论文; 优化组合论文; 电量论文; 方法论文; 《电力设备》2018年第29期论文;