居民負荷預測在電力營銷的應用

導語：居民負荷預測在電力營銷的應用一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：隨著智能電網的快速推進，電力企業積累了海量的居民用電數據，合理運用這些數據有助于提升電力企業的電力營銷與控制水平，因此本文利用居民歷史用電數據進行短期電力負荷預測。首先，對居民歷史用電數據進行預處理；其次，建立基于極限學習機（ExtremeLearningMachine，ELM）的居民用電負荷預測模型；再次，以目標區域的居民用電數據為基礎，對所建立的模型進行測試；最后，將居民用電數據的預測結果與電力營銷結合起來，提出相應的營銷策略。

關鍵詞：用電數據；短期負荷預測；極限學習機，電力營銷

目前，電力負荷預測是現代電力系統運行的基礎，其預測結果對于電力網絡維持經濟運行與實現安全穩定具有重要的影響[1]。同時，由于電力企業對電力數據采樣點的細致劃分，產生出海量的電力數據[2]。因此，如何通過大數據技術對上述數據進行有效處理與分析，并將相關分析結果服務于電力營銷工作，是許多專家學者的討論熱點。對此，國內外大量專家學者提出了多種研究方法，如支持向量機（SupportVectorMachine，SVM）[1]、人工神經網絡（ArtificialNeuralNetwork，ANN）[3-4]、線性回歸（LinearRegression，LR）[5]等。彭小圣等證明了支持向量機能很好地解決小樣本問題，但對大樣本的分析效率不佳[2]。王越等證明了BP神經網絡的負荷預測結果精度尚可，但算法的效率較低[3]。雷紹蘭等將徑向基神經網絡用于負荷預測，實現顯示預測結果良好，但該算法訓練時間長且極易陷入局部最小[4]。雷紹蘭等提出的模型能夠較好地學習數據的相關性，但是對于非線性數據分析能力較差[5]。整體而言，上述方法都是從整體區域的角度出發對負荷預測進行研究，而對個體用戶的負荷預測尚缺乏深入探討。此外，Rafiei等提出將極限學習機用于訓練神經網絡，以減少訓練樣本數據并提升算法效率[6]。趙峰等提出將卡爾曼濾波與多變量相空間重構應用于預測負荷，提升了負荷預測的精度[7]。但是上述工作未將電力負荷預測所得的結果服務于電力營銷領域，因此并沒有對提升電力企業在電力市場中的份額做出有效的貢獻。綜上所述，本文提出一種基于極限學習機的居民負荷預測方法，并將預測結果有效服務于電力營銷工作。

1基于極限學習機的負荷預測

1.1極限學習機。極限學習機是一種基于前饋神經網絡構建的機器學習方法，具有處理速度快、泛化性能強等優點，其預測模型描述如下[8]。假設居民的用戶歷史日用電訓練數據集為M=[(x1,y1),…,(xi,yi)],1≤i≤m，其中xi表示輸入訓練數據集，yi表示輸出訓練數據集，m表示訓練數據集的數量，則有：1()(,,)()Niiiiifxgabxxλλ===∑h（1）111()[(,,),,(,,)]NNNhx=gabxgabx（2）其中，N表示隱含層節點的個數；λi表示輸出神經元與第i個隱含層節點相連接的權值；g(x)表示激活函數；ai,bi分別表示輸入神經元與第i個隱含層節點的輸入權值與偏置；h(x)表示隱含層的輸出矩陣。輸出連接權值λi可通過求解1()Niiiλxy=∑h−的最小值來獲得。最小二乘解可由式（3）解得：λ=H*Y（3）其中，H*表示隱含層輸出矩陣h(x)的廣義逆，Y表示期望輸出矩陣。1.2基于極限學習機的居民用電分析。本文提出的基于ELM的居民電力負荷短期預測與分析方法流程如圖1所示。

2實例分析

實驗將浙江省某小區2020年春季居民歷史用電負荷數據作為基礎數據進行負荷預測。該用電數據的采樣時間間隔為15分鐘，每個樣本均含有96個采樣信息。2.1負荷預測。為了體現本文所采用算法的有效性與優越性，采用BP神經網絡與本文方法進行對比實驗，仿真結果見圖2和圖3，對比結果見表1。對比圖2和圖3中的居民用戶用電負荷預測曲線可以看出，與BP神經網絡算法相比，ELM預測出的負荷曲線與實際負荷曲線的擬合程度更高。此外，從表1的對比結果可以看出，在使用相同基礎用電數據作為預測模型輸入的情況下，極限學習機的預測精度更高，處理時間更短，預測效果更好。綜上所述，本文提出的基于ELM的居民短期用電負荷預測方法不僅有效，且具備一定的優越性。測試集與預測結果對比(ELM)2.2營銷策略。預測居民用電負荷是電力供需平衡的基礎，同時也是促進電力市場營銷發展的前提。因此，本文建立基于電價的營銷策略，其主要思想是根據對居民未來用電負荷的預測結果，實現電價的靈活調整，以達到負荷需求響應的目的，提高配電網削峰填谷的能力。2.2.1電價策略。基于上述電力營銷思想，電力企業可以根據每日對居民用戶未來用電的預測情況，對用電價格進行靈活調整，適當提高預測結果中用電負荷較高時段的用電價格，引導居民用戶錯峰用電，提高配電網電能的利用率。此外，在降低居民用電成本的同時，也可降低配電網的運行成本。2.2.2營銷服務策略。在智能用電背景下，為了進一步提高電力營銷服務的質量，提升居民用電的滿意度，實現精準營銷，應做好以下工作。首先，可以根據居民用電的預測情況，估算該區域未來的用電潛力，減少目標區域用戶用電不足的情況。其次，建立居民用戶檔案，記錄居民用戶的歷史用電、繳費、投訴等情況，對居民用戶進行“一對一”客服服務。再次，根據對用戶用電情況的預測結果，為居民用戶提供指導性的用電方式，并在用電異常時段向用戶發送緊急通知。最后，根據上述靈活電價策略，電力企業在調整電價后應及時通知用戶。

3結語

本文基于浙江某小區的居民實際歷史用電數據，構建了基于ELM的居民用電負荷短期預測模型。通過實驗分析可知，極限學習機在訓練數據時，訓練時間較短，并且其誤差相對BP神經網絡也較小。因此，本文采用的方法較BP神經網絡來說具有更高的預測精度和更好的泛化性，能夠滿足電力系統負荷預測的實際需求。同時，本文將居民用電負荷預測的結果運用到電力營銷中，指導居民用戶錯峰用電，在降低用戶自身用電成本的同時，能夠降低配電網的運行成本，提高了電能的利用率。

參考文獻

[1]李元誠,方廷健,于爾鏗.短期負荷預測的支持向量機方法研究[J].中國電機工程學報,2003,23(6):55-59.

[2]彭小圣,鄧迪元,程時杰,等.面向智能電網應用的電力大數據關鍵技術[J].中國電機工程學報,2015,35(3):503-511.

[3]王越,衛志農,吳佳佳.人工神經網絡預測技術在微網運行中的應用[J].電力系統及其自動化學報,2012,24(2):83-89.

[4]雷紹蘭,孫才新,周湶,等.基于徑向基神經網絡和自適應神經模糊系統的電力短期負荷預測方法[J].中國電機工程學報,2005,25(22):78-82.

[5]雷紹蘭,孫才新,周湶,等.電力短期負荷的多變量時間序列線性回歸預測方法研究[J].電機工程學報,2006,26(2):26-29.

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

[7]趙峰,孫波,張承慧.基于多變量相空間重構和卡爾曼濾波的冷熱電聯供系統負荷預測方法[J].中國電機工程學報,2016,6(2):399-406.

[8]毛力,王運濤,劉興陽,等.基于改進極限學習機的短期電力負荷預測方法[J].電力系統保護與控制,2012,40(20):140-144.

作者:李鵬鵬 施聚輝 姜朝明 婁藕蝶 喻湄霽 單位:國網浙江省電力有限公司臺州供電公司