Page 54 - 电力与能源2023年第四期

360 邵佳佳，等：面向电力市场交易的客户电量预测技术研究

神经网络 ［7-13］ 等。这些方法拟合电力电量与同期
气象的线性和非线性关系，挖掘电力电量与其自
身及气象、经济等内、外部因素之间的协变特征。
此外，一些工作从特征工程出发，着重研究与电力
电 量 强 耦 合 的 影 响 因 子 ［14-21］ 。 在 实 际 生 产 活 动

中，虽然机器学习方法的人工干预程度低，但是其
不可解释性阻碍了其应用和推广。另一方面，虽
然数理统计方法的解释性强，但是人工干预程度
高 ，其 有 效 性 强 烈 依 赖 于 电 费 专 职 人 员 的 认 知
经验。

本文研究面向电力市场交易的客户电量预测
技术，基于数理统计理论方法，建立面向保供（居
民、农业）、非保供（一般工商业、大工业）、市场交
易等各类客户的聚合电量预测模型，为电费专职
人员开展电量预测提供技术支撑，主要贡献包括
以下 2 个方面。
（1）提出基于季节趋势分解的客户电量预测 图 1 季节趋势分解示例

建模方法，针对季节分量、周期分量、随机分量及 和随机分量的电量预测模型。
其背后影响因子的波动特征，分别采用自回归移 （1）趋势分量预测：计算分量的稳定差分，建
动平均模型（ARIMA）、周期函数、四分位函数计 立稳定差分的自回归移动平均预测模型，返回指
算分量预测结果，继而加总得到总体预测结果。 定月的电量数值。
（2）提出面向电力市场交易的客户电量预测 （2）季节分量预测：建立年周期函数，各年同

解决方案。针对各类客户分量占比和波动特征的 月的电量数值相同，返回指定月的电量数值。
差异性，结合机器学习和数理统计，定制化建立电 （3）随机分量预测：考虑到难以预知、预判分
量预测模型，提升电量预测的精细化水平。 量的影响因素和作用程度，建立四分位函数，计算
各 月 的 历 史 四 分 位 ，返 回 预 测 月 的 四 分 位 电 量
2 基于季节趋势分解的电量预测模型
数值。
2.1 季节趋势分解 2.3 总体预测建模
季节趋势分解示例如图 1 所示。通过季节趋 建立加和函数，功能如下。首先，计算趋势分
势分解，将某地区历史月电量曲线分解为趋势分 量预测模型和季节分量预测模型的输出之和；接

量、季节分量和随机分量。其中，趋势分量总体呈 着，将随机分量预测模型输出的上四分位、中位、
现逐月递增变化，主要受到经济政策等长期性影 下四分位分别与其余分量输出之和进行加和，得
响因素的作用；季节分量呈现年周期的变化，主要 到总体预测的下限、基线、上限。在实际生产活动
受到气象、生产计划安排等周期性影响因素的作 中，电费专职人员根据预测月的异常天气预报（例

用；随机分量呈现非规律性变化，主要受到异常气 如台风、强降雨、持续高温等）、重大突发事件（例
象、疫情等重大突发事件的影响作用。 如疫情、贸易战等）选取总体预测的下限、基线、上
2.2 分量预测建模 限作为最终预测结果。
根据波动特点的差异性，分别采用 ARIMA、 基于季节趋势分解的电量预测模型的主要误
周期函数和四分位函数建立趋势分量、季节分量 差来源于不可预测、预估的重大突发事件对随机