李彦君
国网晋中供电公司 山西省晋中市 030600
摘要：随着我国经济结构调整以及电力市场建设的推进，电力需求变化日趋呈现社会化、复杂化，公司售电市场面临的影响因素更加复杂，公司、政府、相关企业及用户对售电市场分析预测的需求更加迫切。
关键词：营销大数据；售电市场；智能分析；预测；系统
近年来，智能电表推广、用电信息采集系统以及营销基础数据平台建设，公司掌握了从用户到行业的海量用电数据，为挖掘电力营销大数据价值提供了基础，也为更精细化的售电市场分析预测提供了条件。
开展精细化的售电市场分析预测工作，一是可以更好服务政府部门对经济运行情况的判断，剖析导致负荷电量波动的原因，支撑政策制定以及经济预判；二是可以为公司在市场开拓、制定计划、调整峰谷电价等经营政策制定方面提供重要参考；三是从电力市场主体看，现货市场推广后，电量负荷波动等会更加频繁，对电价等影响明显，市场主体对负荷电量分析预测的需求更加急迫。
本项目基于营销大数据，深度应用大数据分析挖掘与人工智能技术，链接内部平台电力信息、气象/经济/行业等外部环境信息，建立覆盖省地县各级营销的全行业多时维售电市场智能分析预测平台。具体需要实现以下目标：
1、建立全时维数据中心，构建负荷数据库、电量数据库、气象数据库、经济数据库等四大数据指标库。
2、建立具有较强适应性和灵活性的负荷修正工具，实现不良数据的辨识和批量自动修正。
3、实现全网负荷结构解析，掌握全网负荷构成特点，研究不同分类负荷特点
4、提供“省-市-县”、“全网-产业-行业-用户”、“年-季-月-日”全方位负荷电量钻取功能。
5、综合考虑日类型、气象、经济、业扩等影响因素，建立量化评估模型。
6、建立考虑多种影响因素、涵盖多种技术路线预测算法的年、月、日预测算法库，实现对分类、多级对象精细化预测。
技术架构如下图：
技术架构图
本系统建设采用公司统一云平台提供的服务器资原和数据存储服务，在2台ECS上分别部署系统多个独立应用发布包，在2个RDS分别作为多个独立应用的数据存储数据库，1个单独的磁盘阵列作为数据存储池，在1台ECS上部署数据采集服务，在1台ECS上部署接口服务，并利用2个SLB作为应用服务的软负载设施。
全时维数据中心：构建负荷数据库、电量数据库、气象数据库、经济数据库等四大数据指标库。实现对相关信息的科学、有效的集成管理，并辅之以查询、检索、图形曲线、信息下载等功能。打通内外部数据接口通道，实现数据规范化管理。
（1）负荷数据库
基于国民经济行业分类的10kV及以上专变用户、10kV以下台区的日度96点售电负荷；
调度日度96点发受电负荷、网供负荷。
（2）电量数据库
基于国民经济行业分类的10kV及以上专变用户、10kV以下台区的日售电量；
基于国民经济行业分类的月、年售电量。
（3）气象数据库
各地市日气象历史、预测数据（包括最高温度、最低温度、湿度、风速、降雨量等）。
（4）经济数据库
宏观经济月度、季度、年度数据；
重点行业相关经济数据。
针对常见的不良数据：空数据点、零数据点、负负荷、异常阶跃值、连续恒定值等，根据不良数据的特点，设计不良数据辨识方法，实现从易到难、由粗到精、分步辨识与修正的过程，由简单修正到提取特征曲线，建立具有较强适应性和灵活性的负荷修正工具，实现不良数据的检测和批量自动修正。
负荷结构解析：
（1）分类负荷特征分析
识别分类负荷特征，从多个角度分析其季节性特点、峰谷特点、负荷稳定性、负荷率等，包括最大负荷、平均负荷、负荷率、峰谷差、典型日负荷曲线（包括夏季典型日、冬季典型日、工作日、休息日）等在全年不同时段的分布特性。
（2）负荷结构构成分析
分析全网负荷结构构成情况，分析全网负荷变化时，各分类负荷与全网负荷变化的关系，量化评估不同分类负荷对全网总体负荷的影响。
影响因素评估：
综合考虑日类型、气象、经济、业扩等影响因素，采用主导因素辨识、人工智能敏感度分析等方法，分析不同因素对负荷、电量影响的敏感度，建立量化评估模型，为精细化预测提供数据基础。
（1）工作日/休息日/节假日因素
分析不同类型负荷在工作日与休息日的变化特点，包括负荷水平变化与负荷曲线变化；分析节假日对不同类型负荷的影响，确定节前节后影响天数以及调休方式对节假日负荷的不同影响。
（2）气象因素
建立综合气象指标模型，分析气象对不同分类负荷的影响程度，辨识各分类负荷主导气象因素，进行气象因素相关性及灵敏度分析。
（3）经济因素
从宏观经济发展、行业上下游产业链等角度，研究分类负荷与多类型经济指标之间的关联关系，并进行量化建模，评估经济指标对负荷的量化影响。
（4）业扩因素
研究不同行业负荷业扩对电量影响，包括业扩影响时间、业扩容量投运比例等，计算大用户业扩变化对售电需求的量化影响。
精细化预测：
建立考虑多种影响因素、涵盖多种技术路线预测算法的年、月、日预测算法库，形成基于自适应技术的自动预测机制。
（1）建立适用于年度、月度预测的中长期预测算法库
包括时间序列类算法、相关因素类算法、人工智能类算法等，实现对不同行业、不同地域售电指标变化规律特征的最优匹配。
（2）建立适用于日预测的短期预测算法库
包括同类型日算法、相似日算法、气象因素影响法、人工智能类算法等，实现对不同行业、不同地域售电指标变化规律特征的最优匹配。
（3）建立模型自动寻优策略
提供自动化预测流程，实现对预测模型参数的自适应训练，既支持专家干预，也支持自动预测。
参考文献：
[1]刘桢. 基于电力营销大数据的售电渠道综合评价与优化策略研究[D].北京交通大学,2019