（大唐国际发电股份有限公司）
摘要：随着电改9号文的深入推进，按照“放开两头，管住中间”的总体部署，越来越多的发电企业和售电公司将参与到市场竞争中，了解和掌握用户需求变化情况,尤其是用数学方法判断用户未来的负荷趋势，对于发电企业及售电公司合理制定营销策略，具有重要的意义。
关键词：负荷；预测；技术
一、研究背景
随着电改9号文的深入推进，按照“放开两头，管住中间”的总体部署，越来越多的发电企业和售电公司将参与到市场竞争中，以广东省电力市场为例，广东省电力市场改革发展主要为三个阶段。第一个阶段为2013年以前，电量计划均为基数电量，电价由政府核定。第二个阶段是从2013年到2015年,主要是探索开展直购电阶段，市场规模较小。第三个阶段是从2016年-2018年，市场改革不断深化，交易品种不断推出。截至2018年6月底，进入市场的发电、售电、用户等市场主体共7081个，同比增长16.64%。其中发电市场主体共74家，总装机73229MW，占全省装机容量的68%。用电侧市场主体共7007家，其中售电公司393家、大用户770家、一般用户5844家。2018年省内全社会预计用电量6200亿千瓦时。参与市场化交易机组装机容量7951万千瓦。基数电量2467亿千瓦时；市场电量约1600亿千瓦时，包括年度双边协商交易1000亿千瓦时，占比全年市场电量62.5%,年度合同交易规模100亿千瓦时,占比全年市场电量6.25%,月度集中竞争500亿千瓦时，占比31.3%。
从合同电量结构来看，年度双边协商电量仍然是占比最大的部分，占全年市场电量62.5%，月度集中竞争500亿千瓦时，占全年市场电量31.3%。两项合计全年市场电量93.8%。根据规则年度双边按照计划分解到各月，与月度集中竞争交易电量之和作为月度总市场电量（计划值），当电力用户的实际用电量与月度计划值产生偏差时，按以下方式结算。
（1）正偏差结算：当用户实际用电量超过月度市场电量（月度双边协商交易电量与集中竞争交易电量之和）时，偏差电量按月度集中竞争交易成交价差绝对值结算，即正偏差电量按照2倍的月度集中竞争交易成交价差绝对值进行考核。
（2）负偏差结算：当用户实际用电量小于月度市场电量（月度双边协商交易电量与集中竞争交易电量之和）时，偏差电量按月度集中竞争交易成交价差绝对值的3倍结算，即负偏差电量按照2倍的月度集中竞争交易成交价差绝对值进行考核。
由此可以看出，广东省交易规则对交易偏差的处理是比较严格的，尤其是当产生负偏差时，偏差责任方将承担2倍的月度集中竞争交易成交价差的绝对值。因此，如何控制偏差是发电企业和售电企业必须面对且非常重要的问题，与企业的利润直接相关。只有对用户负荷特性做出准确的预测，才能更好的解决偏差问题。
二、负荷预测基本概念
那么，如何对用户负荷特性做出准确的预测呢？首先需要了解什么是负荷预测。负荷预测是指考虑系统运行特性、增容决策、自然与社会影响条件下，利用数学方法研究负荷变化规律 ，在一定精度下，确定未来某特定时刻或某特定时间的负荷数值。负荷预测具有不准确性、条件性、时间性和多方案性的特点，负荷预测的基本原理包括可知性原理、可能性原理、连续性原理、相似性原理、反馈性原理、系统性原理。常用的负荷预测方法有时间序列预测技术、人工神经网络、灰色预测技术等，各类技术的预测原理都不相同，本文将对基于马尔可夫预测方法的负荷预测技术和基于二次指数平滑法的负荷预测技术的应用方法做简单的介绍。
三、基于马尔可夫预测原理的电力负荷预测实例
对事件的全面预测，不仅要能够指出事件发生的各种可能结果，而且还必须给出每一种结果出现的概率，说明被预测的事件在预测期内出现每一种结果的可能性程度，这就是关于事件发生的概率预测。马尔可夫预测方法，就是一种关于事件发生的概率预测方法。马尔可夫（Markov）是以俄国数学家A.A.Markov名字命名的一类具有“无后效性”的随机过程，即当随机过程在某一时刻to所处的状态已知的条件下，过程在时刻t>to时所处的状态只和to时刻有关，而与to以前的状态无关，则这种随机过程称为马尔可夫过程。马尔可夫过程的特点是每次状态的转移都只仅与前一时刻的状态有关，而与过去的状态无关，或者说状态转移过程是无后效性的。马尔可夫预测方法是预测研究中重要的预测方法之一，基本要求是状态转移概率矩阵必须具有一定的稳定性，因此，必须具有足够多的统计数据，才能保证预测的精度和准确性。
假定某企业2016年12月—2018年8月用电情况如表1，分析预测2018年9月可能的负荷：
表1 某企业各月用电量 单位：万千瓦时
根据该企业2016年12月——2018年8月的用电数据绘制时序曲线图
图1：
据以往经验，可将用电量（用Y表示）划分为三个状态，详见表2。
计算初始概率Pi
根据图1直观地计算各种状态出现的总点数（N）和分别处于不同状态的点数（Mi）
计算各状态的初始概率，计算结果见表3
计算从当前所处的i状态一步转移到j状态的概率Pij
计算出一步转移概率用左边的计算结果得出转移概率矩阵P
M1=10 M11=6 M12=0 M13=4
P11=6/10 P12=0 P13=4/10
M11表示已知从E1状态转移到E1状态的统计概率。
M12表示已知从E1状态转移到E2状态的统计概率。
M13表示已知从E1状态转移到E3状态的统计概率。
P11表示下一时刻从E1状态转移到E1状态的预测概率。
P12表示下一时刻从E1状态转移到E2状态的预测概率。
P13表示下一时刻从E1状态转移到E3状态的预测概率。
下同。
M2=5 M21=2 M22=1 M23=1
P21=2/5 P22=1/5 P23=1/5
M3=6 M31=2 M32=3 M33=1
P31=2/6 P32=3/6 P33=1/6
第21期的用电量为43.93万千瓦时，属于正常状态E2 ，由此经过一步转移到达各个状态的概率有以下关系
P21=2/5>P22=1/5=P23=1/5
P21大于P23和P22 ，这说明用电量在目前状态（正常状态E2）下，经一步转移到较低水平的可能性最大，故预测第22期即2018年9月份该企业用电量不会超过40万千瓦时。
通过该算例可以看出，马尔可夫预测技术可以让我们对负荷可能的走势有一个概率上的比较，方便我们根据可能的负荷走势对形势做出预判，但是马尔可夫预测技术也有局限性，主要在于它只能预测下一时刻负荷大小的概率，而不能够定量的预测出负荷值，在实际应用中有时无法很好的满足我们的要求，下面我们尝试用二次指数平滑法预测技术预测该企业2018年9月份的用电量。
四、基于二次指数平滑法的电力负荷预测实例
首先，我们先了解一下指数平滑法。指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测，所有预测方法中，指数平滑是用得最多的一种。指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均，据平滑次数不同，指数平滑法分为：一次指数平滑法、二次指数平滑法和三次指数平滑法等。二次指数平滑法是对一次指数平滑值作再一次指数平滑的方法。它不能单独地进行预测，必须与一次指数平滑法配合，建立预测的数学模型，然后运用数学模型确定预测值。一次移动平均法的两个限制因素在线性二次移动平均法中也才存在，线性二次指数，平滑法只利用三个数据和一个α值就可进行计算；在大多数情况下，一般更喜欢用线性二次指数平滑法作为预测方法。
二次指数平滑法具有计算简单、样本要求量较少、适应性较强、结果较稳定的优点，它实质上是将历史数据进行加权平均作为未来时刻的预测结果。
线性一次指数平滑法的公式为：
仍以上企业为例，已知该企业2016年12月—2018年8月用电情况如表1，分析预测2018年9月可能的负荷：
表1 某企业各月用电量 单位：万千瓦时
预测思路：从指数平滑法的计算公式可以看出，指数平滑法是一个迭代计算过程，用该法进行预测，首先必须确定初始值S0（1）值，它实质上应该是序列起点t=0以前所有历史数据的加权平均值。
一般采用这样的方法处理：当时间序列期数在20个以上时，初始值对预测结果的影响很小，可用第一期的观测值代替，即S0（1）=Y1；当时间序列期数在20个以下时，初始值对预测结果有一定影响，可取前3-5个观测值的平均值代替，如：
S0（1）= S0（2）= (Y1+ Y2 + Y3) ／3
首先选取1至16时序的用电量数据作为已知值，用17至21时序的用电量数据作为校验值，因已知值少于20个，因此选取1-3时序用电量数据的平均值作为初始值，即取2016年12月用电量至2017年2月用电量的平均值作为初始值
S0（1）= S0（2）=（43.09+52.96+34.84）/3=43.63
根据该企业2016年12月——2018年8月的用电数据绘制时序曲线图
图1：
一般情况下，观测值呈较稳定的水平发展，a值取0．1-0．3之间；观测值波动较大时，a值取0．3—0．5之间；观测值呈波动很大时，a值取0．5-0．9之间。观测值考虑该曲线1至16时序观测值波动很大，因此a取0.9。
第一步，计算一次指数平滑值：
St（1）=aYt+(1-a)S(t-1)（1）
当t=1时，代入已知数据a=0.9，S0（1）= S0（2）=43.63，Y1=43.09
S1（1）= aY1+(1-a)S(t-1)（1）=0.9*43.09+（1-0.9）*43.63=43.15
S2（1）= aY2+(1-a)S(2-1)（1）=0.9*52.96+（1-0.9）*43.15=51.98
其余各期以此类推。
第二步，计算二次指数平滑值：
S1（2）=a S1（1）+(1-a)S(1-1)（2）=0.9*43.15+（1-0.9）*43.63=43.19
S2（2）=a S2（1）+(1-a)S(2-1)（2）=0.9*51.98+（1-0.9）*43.19=51.10
其余各期以此类推。
第三步，计算各期参数变量值αt、bt：
根据公式：
αt=2 St（1）- St（2）
bt=a/(1-a)( St（1）- St（2）)
代入数据可知：
α1=2 S1（1）- S1（2）=2*43.15-43.19=43.10
b1=a/(1-a)( S1（1）- S1（2）)=0.9/(1-0.9)( 43.15-43.19)=-0.44
其余各期以此类推。
第四步，求第22期的趋势预测值：
根据公式：
Yt+T=αt+bt.T
代入数据可知：Y21+1=α21+b21.1=37.57
即当a取0.9时，该企业第22期即2018年9月可能的负荷为37.57万千瓦时。
附：预测过程及a取不同值时，预测结果与实际值比较的偏差率
通过预测过程可以看出当a取0.3时预测误差最小，但是通过马尔可夫过程预测出的结果显示该企业第22期即2018年9月负荷小于40万千瓦时的可能性最大，因此该企业第22期预测用电量较大概率为37.57万千瓦时。通过算例可以看出指数平滑法的优点是对不同时间的数据的非等权处理较符合实际情况。在实际使用中仅需选择一个模型参数即可进行预测，简便易行。
五、结语
结合上述两种方法不难看出，虽然通过数学方式预测电力负荷是一种可行的预测方式，但每种预测方法都有各自的局限，马尔可夫预测法只能对负荷出现在某一区间的概率进行预测，而指数平滑法对数据的转折点缺乏鉴别能力，需要通过调查预测法或专家预测法加以弥补，同时由于需要近期数据的权值，所以长期预测的效果较差，故多用于短期预测。因此想要做好负荷预测，仅仅掌握一种预测方法是远远不够的，实际应用时还需要多种预测方法的相互配合。
年来，电网公司在负荷预测方面积累了大量的经验，一方面得益于多年期大量网内负荷数据的积累，得益于电网公司对系统运行情况的熟悉，同时与电网公司采用多种前沿预测方法相互配合也是密不可分的。在实际营销工作中，必须要加强与当地电网公司的沟通对接，及时掌握电网运行方式、线路检修及投运计划，无疑是摸清负荷特性最直接，最有效的方法。
论文作者:王桢
论文发表刊物:《电力设备》2018年第28期
论文发表时间:2019/4/1
标签：平滑论文; 负荷论文; 电量论文; 状态论文; 用电量论文; 指数论文; 概率论文; 《电力设备》2018年第28期论文;