短期售电平均单价混合预测模型探究.docVIP

短期售电平均单价混合预测模型探究 　　[摘 要]售电平均单价能够较客观的反映某时间段内的经济现象。本文设计的混合预测模型，同时考虑了历史负荷、峰谷分时、力率调整电费等诸多因素，应用改进人工神经网络对模型进行训练，仿真结果证明模型具有较高的预测精度 [关键词]售电平均单价预测；改进神经网络；分类结构 中图分类号：O441.1 文献标识码：A 文章编号：1009-914X（2017）09-0073-01 1 售电平均单价的影响因素 供电企业的售电平均单价是由各电价分类的均价及其对应的售电量直接决定的，而影响这两个变量参数的因素又可以细化为：售电量结构、峰谷分时电费、力率调整电费、居民阶梯电费增益、电价政策调整、气候影响因素 1.1 售电量结构 售电平均单价的取值主要取决于售电量的构成，而售电量的构成又取决于供电区域内产业的结构。从国家发改委办法的目录电价表中不难看出，各分类电价高低依次为：一般工商业、大工业、居民生活、农业生产、趸售，如果供电区域内一般工商业及大工业用户占比的提升，势必影响售电平均单价的上升。因此，供电区域内各产业链结构的变化，对售电平均单价有不可小觑的影响 1.2 峰谷、力率电费 客户的用电量可以用功率（kW）计算，也可以用视在功率（kVA）计算，功率和视在功率的比值就是功率因数。由此可见，用电客户自身的功率因数的高低，直接表征其对用电设备的利用水平，对节约电力及提升电压质量水平有着不可忽视的影响 峰谷分时电价政策的制定，旨在充分发挥经济杠杆的调节作用，鼓励用户“移峰填谷”，保障电网安全稳定运行。峰谷分时电价时段分为：峰段、平段、谷段三段，对应电价标准依次为：基础电价上浮50%、基础电价标准、基础电价下浮50%的原则，如果用户积极避峰就谷，导致谷段用电量较大，将大幅度降低售电收入，售电平均单价也随之下降 1.3 居民阶梯电费增益 为了促进资源节约型和环境友好型社会建设，逐步减少电价交叉补贴，理顺电价关系，引导居民合理、节约用电。黑龙江省自2012年7月1日起?行居民阶梯电价政策。全年居民阶梯电费的收益对售电平均单价的提高起到了一定的作用 1.4 电价政策调整 由于电价政策的调整一般会具体到每一电价类别，每一代征项目，所以调整后的售电收入及随着电价政策调整相应类别客户用电量的变化，均会对售电平均单价产生关联性的影响 1.5 气候影响因素 在目录电价类别中，农业生产和居民客户的用电量与天气变化之间的关系最为密切。例如：若夏季的高温干旱，冬季的异常寒冷，农业排灌电量和居民防寒取暖的用电量将大幅增加。在目录电价分类中作为电价标准排在末位的两个用电分类，其用电量的增加必导致售电平均单价的降低 2 售电量-售电平均单价预测模型 2.1 售电平均单价的算法 根据现行目录电价表中的电价分类，取各类别的电价加权平均值，易得： （2-1） 其中i=（1，2，…，n），为售电平均单价，为各电价分类的售电量，P 为总售电量，且 由式2-1可知，供电企业的售电平均单价是由各电价分类的均价及其对应的售电量直接决定的 2.2 售电量分类结构影响算法 供电企业售电量分类为：一般工商业、大工业、居民生活、农业生产、趸售五个大类，其中一般工商业可细分为非居民照明、非工业、普通工业、商业四个二级类别，以上各售电量分类下均包含：1kV以下、1-10kV、20kV、35-66kV、110kV、220kV及以上六个电压等级。其中110kV、220kV及以上两个电压等级主要出现在大工业售电类别中.大工业及一般工商业用电情况主要受国家的宏观经济形势、企业生产力水平等因素密切相关；农业生产用电受季节性气候影响较强。因此，确定售电量各分类结构均价对企业售电平均单价的贡献率的数值便尤为重要。假设售电量各分类结构均价贡献率为，将售电量分类结构依序号排列，如表1所示 由式2-1推导可得： （2-2） （2-3） 由表1可得： （2-4） 由式2-4可知，供电企业的售电平均单价还可由各分类结构均价贡献率为和对应的售电分类售电均价表示 3 改进人工神经网络算法 为解决传统人工神经网络无法收敛到全局最小、收敛速度过慢等问题，通过遗传算法对权值和阈值初始值进行优化，使其尽可能的达到最优，遗传算法优化BP神经网络主要分为：BP神经网络结构确定、遗传算法优化权值和阈值、改进神经网络训练及预测 使用遗传算法来优化BP神经网络包括种群初始化，适应度函数，选择算子，交叉算子以及变异算子。本文把样本的预测值和期望值的误差矩阵范数作为目标函数输出。适应度函数采用排序适应度分配函数。应用随机遍历抽样产生选择算子，使用最为简便的单点