供电所月度售电量预测模型的研究

余武强

云南电网有限责任公司丽江供电局 云南省丽江市玉龙县 674100

摘要：售电量预测是指在正确的理论指导下，通过调查研究掌握大量的资料，运用可靠的方法和手段对公司售电量的发展趋势做出科学合理的推断。售电量预测工作是根据负荷的历史数据，通过预测模型得出其发展规律，从而预测售电量在以后某一时间范围内的变化，因此数据采集和数学模型选择是工作中最重要的两部分。而本文提出的利用计算线损率的数学模型对于供电所的月度售电量可以进行很好的预测，并且利用石鼓供电所的相关数据进行理论实际验证，最终验证本文提出的数学模型在供电所月度售电量预测中是可行的。

关键字：数学模型 线损 售电量 供电

0 引言

电网企业以售电为主营业务，售电量的多少将直接影响公司经营效益，而对售电量进行准确的预测不仅有利于公司进行有效的购电计划安排，而且提高了供电可靠性。传统意义的售电量预测是通过前一个周期用电量的基本趋势来预测一个增长率，作为下一预测周期的预测基础，但是，目前影响用电量的因素越来越多，以往的方法不在适用，因为影响因素增多，其增长率就变成了一个不确定变量，因此，就需要选择使用可以综合考虑多影响因素的预测模型进行预测。文献[1]。

本文就以电网企业最小售电量单位供电所为研究基础，在本文以石鼓供电所为基础数据例子，

通过对影响售电量的各项因素分析，建立起相应的数学模型，完成模型分析与数据归纳，最终验证了模型的准确性。

数据的分析与挖掘

售电量预测的核心是根据预测对象的历史数据，建立数学模型来表述其发展变化规律，从而得出合理、可信的预测结果，因此，在建立数学模型之前，首先需要对所采集的可用的历史数据进行全面的统计分析，研究和挖掘出历史数据发展的内在规律性。对历史数据的统计、分析和挖掘，是整个预测工作的基础。文献[2]。通过对石鼓供电所2014-2015年供电量、售电量、以及线损数据整理分析，可以发现每月的售电量又随着年度的推进逐步增长。因此得出结论：每年各月度售电量按时间序列既有逐步增长趋势，又有季节周期性变动。

为了确定出预测模型，我们引用了线损的计算公式，如式一：

(1)

式中： 为线损率， 为供电量， 为售电量。

由式一可以推导出式二： (2)

式二就是我们此次的预测数学模型。由式二可以看出售电量的预测关键在于供电量和线损率的预测。对此，我们分别分析供电量与线损率的取决因素和影响因素，确定出了相应的数学模型。

数学模型的建立

供电量预测模型

电网企业一边在月中上报下个月售电量的预测值，而石鼓供电所每月15日需上报下月售电量预测值，因此，根据电量计费模式，下月计费售电量实际为当月产生的计费电量，这就为我们计算下月供电量提供了基础，通过利用现有的营销系统，查询石鼓供电所每条线每月1-15日关口总表的电量乘以当月天数，就计算出了每条线的当月供电量，然后几条线供电量相加就得出了石鼓供电所当月供电量，数学模型如式三所示：

（3）

式中 表示当月供电量， 表示供电所辖区线路的总条数， 表示当月15号关口表示数， 表示当月1号关口表示数， 表示当月天数

线损率预测模型

线损率是电力网络中损耗的电能（线路损失负荷）与向电力网络供应电能（供电负荷）的百分数。线损率用来考核电力系统运行的经济性。文献[3]。由于线损率容易受到其他因素的影响，为了设计出数学模型，我们先假设其他大影响因素为零。当没有了这些因素的影响的时候，则线损率会在一个标准范围内范围内上下浮动，我们的主要工作就是确定这个浮动范围和浮动值。确定这个值我们取决于三个因素，往年同期线损率、上月线损率和指标线损率，根据线损率的不同我们求取加权平均值。

设 为线损率， 为2014年同期线损率， 为2015年同期线损率， 为上月线损率， 为指标线损率。为了简化计算量，我们将线损率的权重设置为0和1。

注意：若 、 均大于9.2%，则说明本月份线损率未达标，计算线损率时 、 权重按“1”计算。

线损率计算数学模型为 、 、 、 的加权平均值，如式4所示：

（4）

式中： 、 、 、 表示与线损率对应的权重， 表示 为“1”的次数，例如 中有两个为1则 =2。

模型的论证

3.1、供电量计算

首先我们根据附件一计算出2016年石鼓供电所三条线每月的供电量，并利用式3计算出三条线供电量之和，预测出石鼓供电所2016年2~12月供电量并作为预测售电量的基本数据。

3.2线损率的计算

由式4可知预测线损时需要上月线损数据，故结合已知线损率数据，利用公式4计算出2016年预测线损。

已经预测出了每月的线损率，且已经预测除了供电量，那么结合式2就可以计算出售电量。

3.3售电量预测

结合1、2小结的数据，计算出预测售电量为我们将预测值与实际值做了对比，对比图如图1所示：

图1、2016年实际售电量与预测值对比图

Fig. 3 Comparison of actual electricity sales and predicted values in 2016

由图1可以看出，利用此次的数学模型预测出的售电量与实际售电量准确率理想，3月份预测值的准确率达到了99.8%，虽然在10月份预测值的准确率较低，这是由于我们提前假设不考虑其他大因素的影响，所以导致这个月预测率不太准确，这为我们下一步改进模型提供了理论依据。总体来说，此次的月度售电量预测模型是比较准确的。

模型的简化与下一步改进措施

由以上分析可知，此次模型的数据量越多，预测值越准确。同样需要大量的时间整理，考虑到工作量的因素，故我们将模型进行简化，已达到通用、方便、准确率可靠。此模型在当月供电量计算时对于不同的供电所可以做相应的调整。

总结与展望

本文提出的月度售电量预测新方法在理论上可行，实际预测精度也得到了提高，为供电所加强电力需求预测和供电负荷管理等工作提供了有益的方法支撑和必要的决策手段。

通过以上文章的分析我们可以看到简化的模型方便，快捷，但有时预测准确率不是特别高。当要求预测准确率特别高的时候就需要我们进一步改进我们的预测模型，需要大量的数据支撑。在以后的改进中，要考虑到大因素的影响进行加权平均，细化加权值和细化每条线路的线损率，通过编程运用软件，减少计算量，并利用新的模型及方法相互比较，选取最有的预测模型。

参考文献

马雷，张伟昌，刘新. 电网企业售电量预测综述[J]. 现代经济信息, 2015, (3)；373-374.

郑玲，葛红，申鹏飞.数据挖掘技术在电厂汽轮机性能分析预测系统中的应用[J]. 中国电力教育, 2005, S2.；215

刘红霞.满城县新农村电气化工程技术经济评价[D]. 北京: 华北电力大学, 2013.

作者简介：余武强（1993），男，助理工程师，本科，研究方向为电气工程及其自动化.