導(dǎo)語：居民負(fù)荷預(yù)測在電力營銷的應(yīng)用一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：隨著智能電網(wǎng)的快速推進(jìn)，電力企業(yè)積累了海量的居民用電數(shù)據(jù)，合理運(yùn)用這些數(shù)據(jù)有助于提升電力企業(yè)的電力營銷與控制水平，因此本文利用居民歷史用電數(shù)據(jù)進(jìn)行短期電力負(fù)荷預(yù)測。首先，對居民歷史用電數(shù)據(jù)進(jìn)行預(yù)處理；其次，建立基于極限學(xué)習(xí)機(jī)（ExtremeLearningMachine，ELM）的居民用電負(fù)荷預(yù)測模型；再次，以目標(biāo)區(qū)域的居民用電數(shù)據(jù)為基礎(chǔ)，對所建立的模型進(jìn)行測試；最后，將居民用電數(shù)據(jù)的預(yù)測結(jié)果與電力營銷結(jié)合起來，提出相應(yīng)的營銷策略。

關(guān)鍵詞：用電數(shù)據(jù)；短期負(fù)荷預(yù)測；極限學(xué)習(xí)機(jī)，電力營銷

目前，電力負(fù)荷預(yù)測是現(xiàn)代電力系統(tǒng)運(yùn)行的基礎(chǔ)，其預(yù)測結(jié)果對于電力網(wǎng)絡(luò)維持經(jīng)濟(jì)運(yùn)行與實(shí)現(xiàn)安全穩(wěn)定具有重要的影響[1]。同時(shí)，由于電力企業(yè)對電力數(shù)據(jù)采樣點(diǎn)的細(xì)致劃分，產(chǎn)生出海量的電力數(shù)據(jù)[2]。因此，如何通過大數(shù)據(jù)技術(shù)對上述數(shù)據(jù)進(jìn)行有效處理與分析，并將相關(guān)分析結(jié)果服務(wù)于電力營銷工作，是許多專家學(xué)者的討論熱點(diǎn)。對此，國內(nèi)外大量專家學(xué)者提出了多種研究方法，如支持向量機(jī)（SupportVectorMachine，SVM）[1]、人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）[3-4]、線性回歸（LinearRegression，LR）[5]等。彭小圣等證明了支持向量機(jī)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(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測結(jié)果精度尚可，但算法的效率較低[3]。雷紹蘭等將徑向基神經(jīng)網(wǎng)絡(luò)用于負(fù)荷預(yù)測，實(shí)現(xiàn)顯示預(yù)測結(jié)果良好，但該算法訓(xùn)練時(shí)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(xué)習(xí)數(shù)據(jù)的相關(guān)性，但是對于非線性數(shù)據(jù)分析能力較差[5]。整體而言，上述方法都是從整體區(qū)域的角度出發(fā)對負(fù)荷預(yù)測進(jìn)行研究，而對個(gè)體用戶的負(fù)荷預(yù)測尚缺乏深入探討。此外，Rafiei等提出將極限學(xué)習(xí)機(jī)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以減少訓(xùn)練樣本數(shù)據(jù)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(gòu)應(yīng)用于預(yù)測負(fù)荷，提升了負(fù)荷預(yù)測的精度[7]。但是上述工作未將電力負(fù)荷預(yù)測所得的結(jié)果服務(wù)于電力營銷領(lǐng)域，因此并沒有對提升電力企業(yè)在電力市場中的份額做出有效的貢獻(xiàn)。綜上所述，本文提出一種基于極限學(xué)習(xí)機(jī)的居民負(fù)荷預(yù)測方法，并將預(yù)測結(jié)果有效服務(wù)于電力營銷工作。

1基于極限學(xué)習(xí)機(jī)的負(fù)荷預(yù)測

1.1極限學(xué)習(xí)機(jī)。極限學(xué)習(xí)機(jī)是一種基于前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建的機(jī)器學(xué)習(xí)方法，具有處理速度快、泛化性能強(qiáng)等優(yōu)點(diǎn)，其預(yù)測模型描述如下[8]。假設(shè)居民的用戶歷史日用電訓(xùn)練數(shù)據(jù)集為M=[(x1,y1),…,(xi,yi)],1≤i≤m，其中xi表示輸入訓(xùn)練數(shù)據(jù)集，yi表示輸出訓(xùn)練數(shù)據(jù)集，m表示訓(xùn)練數(shù)據(jù)集的數(shù)量，則有：1()(,,)()Niiiiifxgabxxλλ===∑h（1）111()[(,,),,(,,)]NNNhx=gabxgabx（2）其中，N表示隱含層節(jié)點(diǎn)的個(gè)數(shù)；λi表示輸出神經(jīng)元與第i個(gè)隱含層節(jié)點(diǎn)相連接的權(quán)值；g(x)表示激活函數(shù)；ai,bi分別表示輸入神經(jīng)元與第i個(gè)隱含層節(jié)點(diǎn)的輸入權(quán)值與偏置；h(x)表示隱含層的輸出矩陣。輸出連接權(quán)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(xué)習(xí)機(jī)的居民用電分析。本文提出的基于ELM的居民電力負(fù)荷短期預(yù)測與分析方法流程如圖1所示。

2實(shí)例分析

實(shí)驗(yàn)將浙江省某小區(qū)2020年春季居民歷史用電負(fù)荷數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)進(jìn)行負(fù)荷預(yù)測。該用電數(shù)據(jù)的采樣時(shí)間間隔為15分鐘，每個(gè)樣本均含有96個(gè)采樣信息。2.1負(fù)荷預(yù)測。為了體現(xiàn)本文所采用算法的有效性與優(yōu)越性，采用BP神經(jīng)網(wǎng)絡(luò)與本文方法進(jìn)行對比實(shí)驗(yàn)，仿真結(jié)果見圖2和圖3，對比結(jié)果見表1。對比圖2和圖3中的居民用戶用電負(fù)荷預(yù)測曲線可以看出，與BP神經(jīng)網(wǎng)絡(luò)算法相比，ELM預(yù)測出的負(fù)荷曲線與實(shí)際負(fù)荷曲線的擬合程度更高。此外，從表1的對比結(jié)果可以看出，在使用相同基礎(chǔ)用電數(shù)據(jù)作為預(yù)測模型輸入的情況下，極限學(xué)習(xí)機(jī)的預(yù)測精度更高，處理時(shí)間更短，預(yù)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(fù)荷預(yù)測方法不僅有效，且具備一定的優(yōu)越性。測試集與預(yù)測結(jié)果對比(ELM)2.2營銷策略。預(yù)測居民用電負(fù)荷是電力供需平衡的基礎(chǔ)，同時(shí)也是促進(jìn)電力市場營銷發(fā)展的前提。因此，本文建立基于電價(jià)的營銷策略，其主要思想是根據(jù)對居民未來用電負(fù)荷的預(yù)測結(jié)果，實(shí)現(xiàn)電價(jià)的靈活調(diào)整，以達(dá)到負(fù)荷需求響應(yīng)的目的，提高配電網(wǎng)削峰填谷的能力。2.2.1電價(jià)策略。基于上述電力營銷思想，電力企業(yè)可以根據(jù)每日對居民用戶未來用電的預(yù)測情況，對用電價(jià)格進(jìn)行靈活調(diào)整，適當(dāng)提高預(yù)測結(jié)果中用電負(fù)荷較高時(shí)段的用電價(jià)格，引導(dǎo)居民用戶錯(cuò)峰用電，提高配電網(wǎng)電能的利用率。此外，在降低居民用電成本的同時(shí)，也可降低配電網(wǎng)的運(yùn)行成本。2.2.2營銷服務(wù)策略。在智能用電背景下，為了進(jìn)一步提高電力營銷服務(wù)的質(zhì)量，提升居民用電的滿意度，實(shí)現(xiàn)精準(zhǔn)營銷，應(yīng)做好以下工作。首先，可以根據(jù)居民用電的預(yù)測情況，估算該區(qū)域未來的用電潛力，減少目標(biāo)區(qū)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(fèi)、投訴等情況，對居民用戶進(jìn)行“一對一”客服服務(wù)。再次，根據(jù)對用戶用電情況的預(yù)測結(jié)果，為居民用戶提供指導(dǎo)性的用電方式，并在用電異常時(shí)段向用戶發(fā)送緊急通知。最后，根據(jù)上述靈活電價(jià)策略，電力企業(yè)在調(diào)整電價(jià)后應(yīng)及時(shí)通知用戶。

3結(jié)語

本文基于浙江某小區(qū)的居民實(shí)際歷史用電數(shù)據(jù)，構(gòu)建了基于ELM的居民用電負(fù)荷短期預(yù)測模型。通過實(shí)驗(yàn)分析可知，極限學(xué)習(xí)機(jī)在訓(xùn)練數(shù)據(jù)時(shí)，訓(xùn)練時(shí)間較短，并且其誤差相對BP神經(jīng)網(wǎng)絡(luò)也較小。因此，本文采用的方法較BP神經(jīng)網(wǎng)絡(luò)來說具有更高的預(yù)測精度和更好的泛化性，能夠滿足電力系統(tǒng)負(fù)荷預(yù)測的實(shí)際需求。同時(shí)，本文將居民用電負(fù)荷預(yù)測的結(jié)果運(yùn)用到電力營銷中，指導(dǎo)居民用戶錯(cuò)峰用電，在降低用戶自身用電成本的同時(shí)，能夠降低配電網(wǎng)的運(yùn)行成本，提高了電能的利用率。

參考文獻(xiàn)

[1]李元誠,方廷健,于爾鏗.短期負(fù)荷預(yù)測的支持向量機(jī)方法研究[J].中國電機(jī)工程學(xué)報(bào),2003,23(6):55-59.

[2]彭小圣,鄧迪元,程時(shí)杰,等.面向智能電網(wǎng)應(yīng)用的電力大數(shù)據(jù)關(guān)鍵技術(shù)[J].中國電機(jī)工程學(xué)報(bào),2015,35(3):503-511.

[3]王越,衛(wèi)志農(nóng),吳佳佳.人工神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)在微網(wǎng)運(yùn)行中的應(yīng)用[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2012,24(2):83-89.

[4]雷紹蘭,孫才新,周湶,等.基于徑向基神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊系統(tǒng)的電力短期負(fù)荷預(yù)測方法[J].中國電機(jī)工程學(xué)報(bào),2005,25(22):78-82.

[5]雷紹蘭,孫才新,周湶,等.電力短期負(fù)荷的多變量時(shí)間序列線性回歸預(yù)測方法研究[J].電機(jī)工程學(xué)報(bào),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(gòu)和卡爾曼濾波的冷熱電聯(lián)供系統(tǒng)負(fù)荷預(yù)測方法[J].中國電機(jī)工程學(xué)報(bào),2016,6(2):399-406.

[8]毛力,王運(yùn)濤,劉興陽,等.基于改進(jìn)極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測方法[J].電力系統(tǒng)保護(hù)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(wǎng)浙江省電力有限公司臺(tái)州供電公司