售電量預測不準的難題，如何破解？

一、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。

二、售電量預測為什麼那麼難？

電力負荷具有複雜性、分散性、隨機性等特點，要做好負荷預測，絕非易事，經濟大環境的變化、企業訂單量變化、機器運行穩定性、電網擴容、設備故障檢修、氣候變化、突發意外，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，都離不開專業團隊，都要需要經歷電量數據採集、數據趨勢分析、未來用電測算、專業的數學建模等複雜的處理過程。下面「說電君」給大家詳情的分析一下常用的售電量預測的方法。

3.1季節比例模型

季節比例模型假定被預測變數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。通過歷史數據把這個常數確定後，就可以根據一個周期的前半部分的值預測後半部分的值。

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

3.2BP神經網路模型

BP（Back Propagation）網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。

BP網路能學習和存貯大量的輸入-輸出模式映射關係，而無需事前揭示描述這種映射關係的數學方程。

它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。

我們現在來分析下這些話：「是一種按誤差逆傳播演算法訓練的多層前饋網路」。

BP是後向傳播的英文縮寫，那麼傳播對象是什麼？傳播的目的是什麼？傳播的方式是後向，可這又是什麼意思呢？

傳播的對象是誤差，傳播的目的是得到所有層的估計誤差，後向是說由後層誤差推導前層誤差：即BP的思想可以總結為利用輸出後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。

3.3三次指數平滑法(Holt-Winters)

指數平滑法有幾種不同形式：一次指數平滑法針對沒有趨勢和季節性的序列，二次指數平滑法針對有趨勢但沒有季節性的序列。術語「Holt-Winters法」有時特指三次指數平滑法。

所有的指數平滑法都要更新上一時間步長的計算結果，並使用當前時間步長的數據中包含的新信息。它們通過「混合」新信息和舊信息來實現，而相關的新舊信息的權重由一個可調整的拌和參數來控制。各種方法的不同之處在於它們跟蹤的量的個數和對應的拌和參數的個數。

在時間序列中，我們需要基於該時間序列當前已有的數據來預測其在之後的走勢，三次指數平滑演算法可以很好的進行時間序列的預測。時間序列數據一般有以下幾種特點：趨勢(Trend) 和季節性(Seasonality)。

三次指數平滑演算法可以對同時含有趨勢和季節性的時間序列進行預測，該演算法是基於一次指數平滑和二次指數平滑演算法的。

四、總結分析

因為電量的影響因素非常多，行業、企業類型，季節、溫濕度、節假日、市場變化、企業的生產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，多元線性回歸演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於多種機器學習演算法及數據處理手段，採用多種模型結合，並且將組合的模型演算法用於驗證的歷史數據，然後不斷的進行演算法修正，最終實現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。

原創聲明：本文由恆華科技電+團隊獨家編寫，若轉載，請務必表明以下內容

詳情請登錄電+平台資訊板塊，更多資訊等著你~

投稿郵箱：support@ieforever.com

aHR0cDovL3Uud2VjaGF0LmNvbS9FSU5fTkh0VTlEbkpXZm1Ldld6azZCUQ== (二維碼自動識別)

aHR0cDovL3dlaXhpbi5xcS5jb20vci9nVVBoX1ZURWV3a0VyUkNhOXhhVA== (二維碼自動識別)