CN109190820A - 一种考虑用户流失率的电力市场售电量深度预测方法 - Google Patents

Abstract

本发明提出一种考虑用户流失率的电力市场售电量深度预测方法，首先，基于生存分析给出了电力市场中用户流失率的计算方法，对未来某时刻购电用户数量进行预测；然后，构建了用户用电量置信网络并结合用户数量预测，设计了售电量深度预测模型；最后，提出基于自适应惯性权重算法对模型进行求解；本发明所提方法在售电量预测精度方面有明显提高。

Description

一种考虑用户流失率的电力市场售电量深度预测方法

技术领域

本发明涉及电力市场信息技术领域，一种考虑用户流失率的电力市场售电量深度预测方法。

背景技术

售电量预测是售电公司制定购电计划的依据，是长期负荷预测的主要内容，也是经济运行的基础，所以售电量预测的准确性对推动售电公司的发展和电力市场的建设意义重大。准确的售电量预测对售电公司的业绩考核、控制利润平衡以及电力营销工作等都有着极其重要的作用。但随着电力市场的发展，售电侧引入竞争，逐渐形成了“多买方-多卖方”的售电市场新格局，用户拥有自主选择权，能够自由选择售电公司，这增大了售电量的不确定性，给售电量预测带来更大的挑战。在国外的电力市场发展中这种特征早有体现，2002年美国德州电力市场正式开放，在激烈的市场竞争中大型售电公司也出现客户大量流失的情况；2014年葡萄牙电力市场中用户流失率超过30％。随着我国电力市场的不断开放，售电公司不断增多，用户的选择也变得多样。因此，对用户更换售电公司的行为进行分析，计算用户的流失率,预测用户数量对售电公司的售电量预测至关重要。

售电公司整体售电量预测精度并不是很理想，其主要原因是现有售电量预测方法存在着以下不足：虽然用户可以根据自己的需求选择不同的售电公司，但鲜有文献在进行售电公司售电量预测时对用户流失率进行考虑，大多数研究都是针对外在不确定因素，提高售电公司售电量的预测精度，却没有考虑用户数量。并且，现有预测模型都是使用简单的神经网络或线性回归，难以学习售电数据中任意复杂的规则，并且存在训练时间过长，计算量较大，概率分布难以获得等缺点。

研究用户流失率是提高售电量预测精度、提高用户满意度和挽留即将流失用户等的基础，而售电量准确预测是售电公司稳定运营和规避风险的关键。所以考虑用户流失率的售电量深度预测模型的研究显得尤为重要和必要。

发明内容

本发明的目的是克服了现有的售电量预测方法存在的不足，提供一种考虑用户流失率的电力市场售电量深度预测方法。本方法首先，基于生存分析给出了电力市场中用户流失率的计算方法，对未来某时刻购电用户数量进行预测；然后，构建了用户用电量置信网络并结合用户数量预测，设计了售电量深度预测模型；最后，提出基于自适应惯性权重算法对模型进行求解；算例分析表明，本发明的方法在售电量预测精度方面有明显提高。

本发明的目的是由以下技术方案来实现的：一种考虑用户流失率的电力市场售电量深度预测方法，其特征是，它包括以下步骤:

步骤1)提出一种基于生存分析的电力用户流失率计算方法，通过分析用户在售电公司购电时间与用户用电行为，使用生存分析预测用户何时终止服务；

(1.1)定义在售电公司购电用户账户的生命周期，尽可能表示任一用户在售电公司购电的周期；

(1.2)使用生存分析预测未来某时刻客户的数量，设计用户流失风险函数，即在事件没有事先发生的情况下，研究对象在未来某时刻用户流失的风险大小；

(1.3)利用步骤(1.2)使用条件生存概率对某单位时间在售电公司购电用户到观察期结束仍然在该售电公司购电的概率，将现有用户数量与观察期结束仍在售电公司购电用户概率相乘，得到未来仍然在售电公司购电用户数量；

步骤2)由于导致用户用电量变化的因素复杂多样，各个因素之间相互作用，而且一些因素随着时间不断变化，所以设计一种基于深度置信网络的用户用电量模型；

(2.1)搭建深度置信网络，采用多层RBM和一层反馈神经网络堆叠构建针对用户用电量预测的深度预测模型；

(2.2)通过采用DBN逐层无监督学习，达到弱化与用户用电量关联性小的因素，逐渐逼近复杂函数，提高对用户用电量预测的精确性的目的；

(2.3)、在步骤(2.2)的基础上，使用反向传播在算法的有监督微调阶段对整体网络的参量进行更新调整，得到在多种因素影响下的用户用电量预测模型的网络参量优化解，达到损失函数最小化；

步骤3)售电量深度预测模型，根据以上工作，得到在未来m天内仍在售电公司购电用户数量与用户用电量预测值，将用户数量与用户用电量相乘得到售电公司售电量，将售电公司m天内的售电量累加得到m天的售电量；

步骤4)基于自适应惯性权重的模型求解算法，售电量深度预测模型中顶层使用BP神经网络进行训练，BP神经网络具有训练复杂度低、预测精度虽然高，但也存在收敛慢、易出现局部最小解的缺陷，因此采用改进的KH-BP算法解决BP算法出现的局部最小解。

本发明的一种考虑用户流失率的电力市场售电量深度预测方法是基于电力市场环境下用户自主选择售电公司，给售电公司售电量预测带来新的挑战的背景下，且针对售电量预测中影响因素复杂和用户流失的问题，设计了一种考虑用户流失率的售电量深度预测模型，提高了售电公司售电量预测精度，改善了对原有方法对用户数量考虑欠缺的问题，并提出自适应惯性权重算法对模型进行求解，解决了模型求解时间长、容易陷入局部最优解的难题为售电公司规避风险、提高用户满意度和挽留即将流失用户等提供良好研究基础。

附图说明

图1为一种考虑用户流失率的售电量深度预测模型处理流程图；

图2为用户用电量深度置信网络模型图；

图3为测试集上售电量MAEP值示意图；

图4为售电公司售电量预测结果示意图；

图5为本发明方法与其他方法对比图。

具体实施方式

本发明的一种考虑用户流失率的电力市场售电量深度预测方法，包括以下步骤:

下面结合附图对本发明的一种考虑用户流失率的电力市场售电量深度预测方法作详细描述。

参照图1，一种考虑用户流失率的电力市场售电量深度预测方法，包括如下步骤：

步骤1)所述基于生存分析的电力用户流失率计算方法，通过分析用户在售电公司购电时间与用户用电行为，使用生存分析预测用户何时终止服务的步骤是：

(1.1)定义用户账户生命周期

由于用户在分析期间是逐渐开始在售电公司购电，所以并不是所有的用户账户都是从原点开始建立的。每个用户账户在售电公司开始购电的日期记为D_ci。如果用户账户在分析期(D_a)结束之前断开连接，则使用Ddi表示用户断开日期。否则，断开日期记为超出Da的未知未来日期。用集合C＝{c₁,c₂,c₃...c_m}代表该智能小区中全体售电公司，本文选择售电公司c₁进行研究，用集合A＝{a₁,a₂,...a_n}表示在售电公司c₁购电的全体用户，任一用户在售电公司c₁购电的周期记为T_i。

如果用户在观察期之后仍然在售电公司c₁进行购电，将这种情况定义为右删失，设定变量M表示用户数据在分析期间的是否为删失数据，M＝1表示该数据为删失数据，若含有删失数据，须分时段计算生存概率，即

(1.2)未来终身客户的数量方法

为了预测未来终身客户的数量，首先设计用户流失风险函数，即在事件没有事先发生的情况下，研究对象在未来某时刻用户流失的风险大小。设定函数H_T代表用户流失风险函数，用来计算用户流失概率，具体计算方式如公式(3)所示，其中t代表预测期，f(u)为用户流失概率密度函数，

然后，使用条件生存概率对某单位时间在售电公司购电用户到观察期结束仍然在该售电公司购电的概率。根据用户流失率计算预测期m天内，用户a_i在售电公司c₁继续购电的概率：

式中：H_Ti+j表示用户a_i在第j天停止在售电公司c₁购电的概率。最后，完成用户数量的预测，即保持连续将来m天的继续在售电公司c₁进行购电用户的数量N为：

2)售电公司售电量由用户用电量和用户数量决定。由于影响用户用电量的因素存在多源异构的特点，所以使用深度置信网络对用户用电量进行预测，以满足电力市场下对售电量预测速度和精度的要求。的步骤是：

(2.1)确定基于深度置信网络的用户用电量预测模型架构，根据训练样本确定隐藏层层数和每层节点数。

(2.2)初始化深度置信网络模型(DBN)的首层受限玻尔兹曼机(RBM)，DBN由一系列RBM堆叠组成，RBM是一种基于热力学的能量函数的概率模型，给定一组已知状态(v，h)，其隐藏层和可见层的联合配置能量函数为：

式中：θ＝(w,a,b)是RBM模型的参数；a_iv_i是可见层单元i的状态与偏置；b_jh_j是隐藏层单元j的状态与偏置；w_ij为可见层单元i和隐藏层单元j相互连接权重。得到受限玻尔兹曼机模型的初始化参数W＝0，b＝0，c＝0。

(2.3)计算受限玻尔兹曼机模型目标函数的值和适应度值，RBM模型结构为层内是无连接结构，层与层之间为全连接结构。当可见层各个单元都为激活状态时，在隐藏层中每一个神经元之间的激活状态是彼此独立的。因此，在隐藏层中神经元j的激活概率为式(7)，在给定h时，可见层i所采用的激活概率为式(8)。

(2.4)更新RBM模型的权值。通过拟合训练数据得到参数θ＝(W,a,b)，根据最大似然函数原则，利用CD算法推出权值更新公式，式中μ代表学习率，调节μ可以控制收敛速率。

(2.5)确定损失函数，对网络进行权值更新调整。经过上述部分无监督预训练后，使用反向传播算法进行有监督微调对整体网络的参量进行更新调整，得到在多种因素影响下的用户用电量预测模型的网络参量优化解，达到损失函数最小化。损失函数如式(10)所示，式中：y，分别为训练数据真实值和模型预测值。

3)售电量深度预测模型，根据以上工作，得到在未来m天内仍在售电公司购电用户数量与用户用电量预测值，将用户数量与用户用电量相乘得到售电公司售电量，将售电公司m天内的售电量累加得到m天的售电量，具体计算模型如公式(11)所示。

式中：m代表预测总天数，n代表用户种类，为预测期内每个用户用电量预测，N为预测期内未流失用户数量，为售电公司在预测期内的售电量。

4)售电量深度预测模型中顶层使用BP神经网络进行训练，BP神经网络具有训练复杂度低、预测精度高的优点，但是也存在收敛慢、易出现局部最小等缺陷。所以采用改进的KH-BP算法能够更好的解决BP算法出现局部最小解的问题。

(4.1)将KH算法与BP算法结合，如图2所示，解决BP算法容易出现局部最小解的问题。KH算法是基于自然界磷虾群寻找食物和相互通信的模拟，采用拉格朗日模型模拟磷虾的移动且引入了遗传算子来提高物种多样性。在KH算法中，每个磷虾个体代表n维解空间中的一个潜在解，磷虾的食物代表算法寻优过程中需要找到的全局最优解。初始化磷虾种群规模Np，算法最大迭代次数_tmax，种群初始粒子位置x_i(t)，磷虾个体最大觅食速度v_f，最大随机扩散速度D_max，诱导惯性因子，诱导惯性权重w_n，最大诱导速度N_max，觅食权重w_f和步长缩放因子C_t等。

(4.2)在KH算法中惯性权重是决定算法搜索最优解能力的重要参数，较大的惯性权重适合全局搜索，但是开销变大将导致运算效率下降；较小的惯性权重适合局部最优解搜索，但是容易使算法陷入局部最优解。提出基于自适应惯性权重的方法优化算法性能。在迭代计算的过程中，考虑到不同个体适应的变化，将磷虾个体大体分为两个类别：适应度值不断增加和降低的个体。对于适应度值降低的个体，将其下次迭代的惯性权重w_n、w_f赋值为0；对于适应度值增加的个体，在下次迭代的过程中惯性权重保持不变，如式(12)、(13)所示。

C_t＝C_t,max-(C_t,max-C_t,min)×(t/t_max) (14)

在算法迭代过程中，使用式(14)更新步长缩放因子C_t，在提升C_t的下降趋势中使用非线性操作，这样保证了在前期探索有更大的范围，后期加快粒子的收敛速度。

为验证采用本发明提供的考虑用户流失率的电力市场售电量预测方法能够提高售电量预测的准确度，发明人分别采用本发明提供的方法与现有技术中预测精度较高的支持向量机算法、线性回归预测模型和传统神经网络算法进行对比，对美国加州电力市场lifeEnergy公司和National Weather Service网站的数据集进行处理，数据集涵盖2016年1月至2017年6月的数据，将售电量数据、用户用电量数据、电价信息、天气数据和节假日统计数据组合成训练与测试数据集。

发明人计算了采用本发明提供售电量预测方法以及对比方法的售电量预测方法的绝对平均误差(MAPE)，以及本发明方法和其他对比方法的售电量预测方法绝对平均误差值的比较。图3给出了在不同日期预测的绝对平均误差，图4给出了使用本发明方法预测的售电量的结果，从图4可以看出，采用本发明售电量预测方法误差率较低。从图5给出了本发明方法与其他三种方法的比较，可以看出采用本发明售电量预测方法，较其它3种方法表现出更低的预测误差，预测结果最接近真实值。除了在第1月份预测误差偏高，其余样本点预测较准确。以上证明了本发明提出方法的可行性与准确性。

Claims (1)

1.一种考虑用户流失率的电力市场售电量深度预测方法，其特征是，它包括以下步骤:

步骤1)提出一种基于生存分析的电力用户流失率计算方法，通过分析用户在售电公司购电时间与用户用电行为，使用生存分析预测用户何时终止服务；

(1.1)定义在售电公司购电用户账户的生命周期，尽可能表示任一用户在售电公司购电的周期；

(1.2)使用生存分析预测未来某时刻客户的数量，设计用户流失风险函数，即在事件没有事先发生的情况下，研究对象在未来某时刻用户流失的风险大小；

(1.3)利用步骤(1.2)使用条件生存概率对某单位时间在售电公司购电用户到观察期结束仍然在该售电公司购电的概率，将现有用户数量与观察期结束仍在售电公司购电用户概率相乘，得到未来仍然在售电公司购电用户数量；

步骤2)由于导致用户用电量变化的因素复杂多样，各个因素之间相互作用，而且一些因素随着时间不断变化，所以设计一种基于深度置信网络的用户用电量模型；

(2.1)搭建深度置信网络，采用多层RBM和一层反馈神经网络堆叠构建针对用户用电量预测的深度预测模型；

(2.2)通过采用DBN逐层无监督学习，达到弱化与用户用电量关联性小的因素，逐渐逼近复杂函数，提高对用户用电量预测的精确性的目的；

(2.3)、在步骤(2.2)的基础上，使用反向传播在算法的有监督微调阶段对整体网络的参量进行更新调整，得到在多种因素影响下的用户用电量预测模型的网络参量优化解，达到损失函数最小化；

步骤3)售电量深度预测模型，根据以上工作，得到在未来m天内仍在售电公司购电用户数量与用户用电量预测值，将用户数量与用户用电量相乘得到售电公司售电量，将售电公司m天内的售电量累加得到m天的售电量；

步骤4)基于自适应惯性权重的模型求解算法，售电量深度预测模型中顶层使用BP神经网络进行训练，BP神经网络具有训练复杂度低、预测精度虽然高，但也存在收敛慢、易出现局部最小解的缺陷，因此采用改进的KH-BP算法解决BP算法出现的局部最小解。