售電公司注意啦！售電量預測不準的難題如何破解？

2017-06-28 16:13:54 365power 作者:說電君　點擊量：評論 (0)

1 售電量預測的重要性售電交易如火如荼，各個省份的偏差考核也越來越嚴格。從廣東售電公司盈利分析，虧損的公司絕大部分都是偏差考核罰款導致的。寧夏的2017年第一季度大用戶直接交易處罰累計14家大用戶，其中罰

1.售電量預測的重要性

售電交易如火如荼，各個省份的偏差考核也越來越嚴格。

從廣東售電公司盈利分析，虧損的公司絕大部分都是偏差考核罰款導致的。寧夏的2017年第一季度大用戶直接交易處罰累計14家大用戶，其中罰款9家，累計金額4600770元，累計取消交易資格5家。其中罰款最多的一家大用戶是吳忠市常信化工有限公司，罰款金額1437109元。

一個個血的教訓給參加電力交易的售電公司，大用戶敲響了警鐘。

2.售電量預測為什么那么難？

電力負荷具有復雜性、分散性、隨機性等特點，要做好負荷預測，絕非易事，經(jīng)濟大環(huán)境的變化、企業(yè)訂單量變化、機器運行穩(wěn)定性、電網(wǎng)擴容、設(shè)備故障檢修、氣候變化、突發(fā)意外，影響的因素非常多。因為不容易，就更需要花時間精力去做好。無論是售電公司自己做還是大用戶自己去做，都離不開專業(yè)團隊，都要需要經(jīng)歷電量數(shù)據(jù)采集、數(shù)據(jù)趨勢分析、未來用電測算、專業(yè)的數(shù)學建模等復雜的處理過程。下面“說電君”給大家詳情地分析一下常用的售電量預測的方法。

3.售電量預測的常用方法

3.1季節(jié)比例模型

季節(jié)比例模型假定被預測變量在一個周期的特定部分的總量與周期中的總量的比例是一個常數(shù)。通過歷史數(shù)據(jù)把這個常數(shù)確定后，就可以根據(jù)一個周期的前半部分的值預測后半部分的值。

該模型算法比較簡單，比較適合電量波動不大的企業(yè)，如果電力波動較大，預測的準確性就會下降。

3.2BP神經(jīng)網(wǎng)絡(luò)模型

BP（BackPropagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，是目前應用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。

BP網(wǎng)絡(luò)能學習和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。

它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層(hidelayer)和輸出層(outputlayer)。

我們現(xiàn)在來分析下這些話：“是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)”。

BP是后向傳播的英文縮寫，那么傳播對象是什么？傳播的目的是什么？傳播的方式是后向，可這又是什么意思呢？

傳播的對象是誤差，傳播的目的是得到所有層的估計誤差，后向是說由后層誤差推導前層誤差：即BP的思想可以總結(jié)為利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層地反傳下去，就獲得了所有其他各層的誤差估計。

3.3三次指數(shù)平滑法(Holt-Winters)

指數(shù)平滑法有幾種不同形式：一次指數(shù)平滑法針對沒有趨勢和季節(jié)性的序列，二次指數(shù)平滑法針對有趨勢但沒有季節(jié)性的序列。術(shù)語“Holt-Winters法”有時特指三次指數(shù)平滑法。

所有的指數(shù)平滑法都要更新上一時間步長的計算結(jié)果，并使用當前時間步長的數(shù)據(jù)中包含的新信息。它們通過“混合”新信息和舊信息來實現(xiàn)，而相關(guān)的新舊信息的權(quán)重由一個可調(diào)整的拌和參數(shù)來控制。各種方法的不同之處在于它們跟蹤的量的個數(shù)和對應的拌和參數(shù)的個數(shù)。

在時間序列中，我們需要基于該時間序列當前已有的數(shù)據(jù)來預測其在之后的走勢，三次指數(shù)平滑算法可以很好的進行時間序列的預測。時間序列數(shù)據(jù)一般有以下幾種特點：趨勢(Trend)和季節(jié)性(Seasonality)。

三次指數(shù)平滑算法可以對同時含有趨勢和季節(jié)性的時間序列進行預測，該算法是基于一次指數(shù)平滑和二次指數(shù)平滑算法的。

4.總結(jié)分析

因為電量的影響因素非常多，行業(yè)、企業(yè)類型，季節(jié)、溫濕度、節(jié)假日、市場變化、企業(yè)的生產(chǎn)運行情況等多方因素都對用戶的售電量具有不同程度的影響。

單一的模型很難進行準確的預測了，多元線性回歸算法也是人們在預測的工作中使用較為普通的工具，如果想預測準確必須基于多種機器學習算法及數(shù)據(jù)處理手段，采用多種模型結(jié)合，并且將組合的模型算法用于驗證的歷史數(shù)據(jù)，然后不斷的進行算法修正，最終實現(xiàn)比較高的預測準確性。

電力預測的準確性可以提高售電公司或者大用戶在電力交易中的競爭力。