王芮
国网重庆璧山供电公司 重庆市璧山区 402760
摘要：在供电公司负荷预测中，企业用户的电力需求预测精确度对整个地区的负荷预测至关重要，能使负荷预测更加细化、精确化，从而利于电能供给平衡。然而近年来，人工智能方法用于用电需求的预测上，仍存在网络参数容易陷入局部最优的问题。基于此，以璧山城区646户高压企业客户，连续23个月的用电量为数据源，对其进行数据挖掘、聚类分析、预测，根据不同企业用电习惯及特点，挖掘数据特征向量，基于RBF人工神经网络建企业日用电量的预测模型，并与BP神经网络企业日用电量预测模型进行对比测试，基于RBF神经网络算法的企业日用电量模型精确度高达90%。
关键词：企业日用电量；RBF人工神经网络；聚类分析；精确度
1、企业日用电量研究的重要性
近年来随着售电市场化竞争机制的实施，精确的用电量预测能为处于电力市场竞争环境下的售电公司带来较大的中间电价差利润；另一方面，基于电能平衡理论和能源节约原则，供电公司也把精确的用电量预测作为生产经营中的重要对标指标。企业作为生产经营的社会经济体，其用电量在地区或局部用电量占比较大。精确的企业用电量预测对电力企业生产调度、规划建设、安全合理运营来讲是很具参考意义的一项工作。
短期用电量预测方法主要分为两类，分别是传统经典方法和现代智能方法。第一类传统经典方法主要包括弹性系数法、回归分析法等。这类预测方法基于发展趋势的相似性进行预测，优点是计算原理和结构形式简单，计算速度快，缺点是用电量波动较大时预测效果明显下降，预测精度较差。现代智能方法是目前最常用的预测方法类型，包括模糊预测算法、模拟退火算法、人工神经网络算法等。这类算法能综合考虑多个影响因素，使用短期用电量变化的随机性和复杂性，能实现较低精度的短期用电量预测。本文以重庆市璧山城区644户企业用电量为数据源，采用RBF人工神经网络算法，利用MATLAB软件对企业日用电量进行建模、预测。
2、用户聚类分析
2.1数据预处理
数据预处理包括：数据结构优化、异常值填充，本文以璧山城区644户高压企业用户连续21个月的日用电量作为数据源，共计405720条数据。将日用电量为主要信息字段，简化并保留用户ID，添加天气类型、气温、节假日区分等信息字段，优化数据结构。对缺失数据，或在数据库中表示为NULL的数据（例如缺失某天的日用电量）采用高频数据填充、均值填充或中位数填充的方法。若缺失数据较多，有可能是一些企业处于停工状态，分析意义不大，遂删除该企业用电量数据。
2.2聚类分析
本文采用K_means聚类算法对企业日用电量数据进行聚类，用于分析不同类企业的用电特性，为模型搭建提供数据基础。K_means先从样本集中随机选取k个样本作为簇中心，并计算所有样本与这k个“簇中心”的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇新的“簇中心”，通过迭代确定不再变化的“簇中心”，把每个对象分配给距离它最近的聚类中心。通过不断迭代，把数据集划分为不同的类别，直到评价聚类性能的准则函数达到最优，从而使同一个聚类中的样本相似度较高，而不同聚类中的样本相似度较小。具体算法步骤：
（1）确定样本中心的计算方法
确定每个样本划分到哪个簇的依据：K-means算法中，对于样本属于哪一类，是依据该点到簇中心的距离确定的。该样本会被划分到欧式距离最近的那一类中。
（2）选取聚类中心，可以任意选取，也可以通过直方图进行选取。我们选择三个聚类中心，并将数据样本聚到离它最近的中心；
（3）数据中心移动到它所在类别的中心；
（4）数据点根据最邻近规则重新聚到聚类中心；
（5）再次更新聚类中心；不断重复上述过程直到评价标准不再变化
3、企业日用电量预测模型搭建
3.1RBF神经网路相关理论
RBF神经网络是一种前馈人工神经网络，由输入层、隐含层、输出层组成，因隐含层函数为径向基函数，又称为径向基神经网络。其具有结构简单、学习速度更快、全局响应的优点。网络结构图入下所示：
.png)
3.2网络参数的确定
.png)
在预测前需要分二大阶段确定RBF预测网络的三个重要参数。第一阶段一般采用K-mean聚类等算法通过自组织聚类的方法为隐层节点的径向基函数确定适合的中心点，并可通过各个聚类中心的距离确定隐层节点各径向基函数的覆盖半径；第二阶段通过监督学习等方式，一般采用梯度法训练得出输出层各连接权值。
3.3输入特征向量的选择
本文导入数据共包括日期、历史用电量、当天最高气温、当天最低气温、天气类型五个字段，共计646家企业，2017年1月至2018年10月连续20个月的历史日用电量作为训练集，来预测2018年11月的的企业日用电量数据。
输入特征向量见下表：
.png)
4结论
相比于BP神经网络算法，RBF神经网络算法可以实现线性—非线性—线性的变换，能更好地预测用电量变化较为剧烈的中小型企业，不仅减少了整体用电量的误差，而且提高了单个企业的预测质量。对于大型、大中型以及中型企业，该模型都可以做到预测偏移误差小于 10%，对于小型企业的预测也可以做到85%的小型企业偏移量在15%以内，基本满足了实际预测的需求。