电量预测

电量预测（精选八篇）

电量预测 篇1

面对全球日益严重的能源危机,人类加快了对新能源探索的脚步。太阳能作为目前全球最大的可再生能源,具有极高的利用价值。发电量预测是太阳能利用的一项非常重要的指标,对大电网的分配调度会产生一定的影响。然而光伏阵列的输出特性受到光照强度、温度、湿度等其他外界因素的影响,具有不确定性[1,2],这使得光伏发电量的预测变得更加困难。

对于一个光伏发电系统,其发电量的预测对于大电网调度十分重要,我们需要掌握的是该系统在某一时刻的实时发电功率,在不同情况下选择合理的预测方法对发电量预测能起到事半功倍的效果。目前光伏发电量的预测方法有很多种,按照时间尺度可以分为超短期预测、短期预测和中长期预测。按照研究过程可以分为直接预测和间接预测[3]。这些方法虽然可以将大多数的预测方法进行归类,却很难全面覆盖,甚至有些预测方法的划分界限十分模糊,不能系统的将光伏发电量预测的方法进行归类。为此本文将光伏发电预测方法用数学统计预测法和人工智能预测进行分类,并在最后补充了一些其他的预测方法。实现了光伏发电量预测的完整化分类。

1数学统计预测法

1.1灰色理论预测法

所谓灰色理论预测法就是指利用灰色系统实现的预测模型。灰色系统的概念是在1982年由邓聚龙教授首次提突出,他所描述的是介于部分信息已知的白色系统和部分信息未知的黑箱系统之间的过度系统。灰色系统可以通过对原始数的分析整理找出它们之间存在的联系从而预测数据的变化规律从而达到预测的效果。GM(1,1) 模型是灰色系统中较为常用的动态预测模型,该模型的构成只有一个单一变量的一阶微分方程,预测过程大致可以分为累加—拟合—累减三个步骤[4]。

文献[5,6]分别采用GM(1,1)模型对光伏发电量进行预测,单一的采用GM(1,1)模型对光伏的发电量虽然可以起到预测的效果,但其预测结果与实际结果存在一定的偏差,为了能够得到较为准确的预测结果,采用GM(1,1)残差修正模型对原有的预测模型进行修正。将一天中各个时间段的发电量构成一个时间序列,以一天中光照强度最强发电量最大时为分界点,把一天中的预测分为两个阶段分别进行预测。结果显示,基于残差修正的GM(1,1)模型效果更好,其预测结果更为接近实际值。

1.2多元线性回归预测法

在生活中一种现象的发生往往与多个因素存在相互关联,此时就需要多个相关因素作为自变量解释因变量的变化规律,这种模型就是多元线性回归模型。在光伏发电量预测中,光伏系统的发电量受到辐射强度和温度等因素的影响,因此可以以这些因素作为光伏发电系统的多元线性回归模型的输入。

文献[7]将由18块京瓷KC130GH-2P多晶硅太阳能电池组件串联的光伏阵列作为研究对象,对该系统的辐射强度、环境温度、组件背板温度、风速、发电功率以及每小时发电量6个自变量建立多元线性回归模型,并采用F检测法对回归方程显著性检测后说明该模型有很好的拟合效果。将对预测结果在不同的天气情况下进行分类,在晴天,多云,阴转天三种情况下与将预测值与实际值比较后发现,在晴天的预测值较实际值偏高,阴转云的情况下预测值较实际值偏低,多云天气的预测值则有较好的预测效果。

1.3时间序列预测法

时间序列预测法是一种以时间为序列,根据历史数据揭示事物发展规律的数学统计方法。在光伏发电量预测技术中将光伏系统某一时段内的发电量看作一个随时间周期变化的随机数列。通过曲线拟合和参数评估来建立预测系统的数学模型,自回归—滑动平均模型(ARMA)是时间序列预测法中较为常见的预测模型。 文献[8]中作者建立了ARMA模型在光照充分的晴天下对光伏系统的短期发电量进行预测,结果表明,ARMA模型在晴天中有较高的预测精度。

数学统计预测法虽然在光伏发电量预测中可以实现预测的效果,其预测结果虽然和历史数据存在着某种相互联系,但这种联系并不能起到决定性的作用。在短期预测中光伏发电量受环境因素影响时效性较强,这种特性导致此类方法一旦受到环境因素变化较大情况时,预测结果变化缓慢,预测精度较低等情况。但这种方法易于实现,正是由于与历史数据存在着相互联系使得在中长期发电量变化趋势上有一定的可取性。

2人工智能预测法

2.1 BP神经网络预测法

BP神经网络是一种按照误差逆向传播算法训练的多层前馈网络,是由大量的神经元相互连接而成的非线性动态系统,使用最速下降法通过反馈结果进而不断调整网络的权值和闸值,使网络的输出达到最优化。BP神经网络模型包括输入层,隐含层和输出层三个部分。 目前,通过BP神经网络与其他算法相结合可延伸出多种预测方法,如基于牛顿法小波神经网络预测模型,基于遗传算法神经网络预测模型,基于BP神经网络—马尔科夫链预测模型,基于粒子群BP神经网络预测模型等。

2.1.1基于牛顿法小波神经网络预测模型

文献[9]描述了一种基于牛顿法小波神经网络的光伏发电预测模型,在原有神经网络的预测模型中做了以下两点改进,其一在训练方法上选择能够较好地处理复杂问题的拟牛顿算法;其二是在神经网络的结构上采用能够较好处理小信号的小波神经网络进行改进。通过仿真结果分析发现,该模型比普通的神经网络预测模型预测精度更高,尤其针对不同季节采用该模型有较好的预测效果。

2.1.2基于遗传算法神经网络预测模型

文献[10]描述了一种改进的神经网络算法,在神经网络的基础上加入遗传算法,建立GA-BP预测模型。 首先对环境温度、风速、湿度、辐射强度等环境因素进行主成分分析,剔除掉无用信息并筛选出主要成分作为GA-BP预测模型的输入。设定初始种群数,经过遗传迭代,得到BP神经网络的最优权值和闸值,经过BP神经网络训练后得到最终预测结果。对预测结果分析后表明主成分分析的遗传优化神经网络预测模型比一般的BP神经网络预测模型在预测结果上更为准确。

2.1.3基于BP神经网络—马尔科夫链预测模型

文献[11]中提到一种基于BP神经网络—马尔科夫链的光伏发电预测方法,将前一日的发电量及最高和最低温度以及预测日当天的最低和最高温度作为模型的输入,在经过BP神经网络预测后根据预测的相对误差采用马尔科夫链模型进行修正。避免了在建模的过程中忽略了实际的光照数据等。结果表明该模型具有较高的预测精度。

2.1.4基于粒子群BP神经网络预测模型

文献[12]中描述了一种基于粒子群的BP神经网络(PSO-BP)光伏发电预测模型,该模型将神经网络中需要调整的权值和闸值映射为PSO中的粒子,通过粒子间的竞争与合作不断优化这些参数,使网络的训练效率大大提高。 通过与普通BP神经网络的预测结果相比较,基于PSO-BP神经网络的光伏发电预测模型有更好的预测效果。

2.2支持向量机预测法

支持向量机(SVM)是1995年由Corinna Cortes和Vapnik提出的,是一种基于统计学习理论的模式识别方法,在解决一些复杂的非线性系统中具有极好的效果。 其主要思想可以概括为将一个样本空间映射到一个高维空间中,在原有样本空间中线性不可分的问题在高维空间中实现线性可分。

2.2.1基于鲁棒学习最小二乘支持向量机预测模型

文献[13]中提到了一种改进后的基于鲁棒学习最小二乘支持向量机(RLS-SVM)的光伏预测模型。在传统的LS-SVM基础上采用鲁棒学习提高系统的鲁棒性, 同时减少了系统的“过拟合”现象。该模型以历史发电量,太阳辐射强度和环境温度作为输入,以光伏发电功率为输出,与LS-SVM模型及RBF神经网络做了仿真对比。研究结果表明,RLS-SVM光伏预测模型有更高的预测精度,能够准确的预测出光伏阵列额定输出功率, 有效地解决了光伏发电的随机化问题。

2.2.2基于相似日和最小二乘支持向量机预测模型

文献[14]提出了一种基于相似日和最小二乘支持向量机的光伏发电预测模型,该模型首先将天气因素归类为晴天、阴天和雨天。将温度和湿度作为两个主要参考量,计算出预测当日与历史数据的相似度,根据相似度选择相应的相似日,由相似日的光伏发电量和预测日当天的气候特征来预测这一天的发电量。这种模型在一定程度上减小了天气变化对预测值的影响,相比于SVM模型有更好的预测效果。

人工智能预测法有预测精度高、响应速度快等优点,BP神经网络和支持向量机预测法是目前较为常用的人工智能预测法,许多其他的智能预测模型也都是基于这两者加入其他算法进行改进。而这也使原本复杂的系统实现起来更为困难,尤其BP神经网络需要大量的原始数据进行训练。而支持向量机面对大规模的训练样本时更是难以实施。这些预测方法理论性较强,只能借助计算机实现仿真分析,很难与大型光伏发电站的实际情况相结合。

3其他预测方法

在研究光伏阵列的数学模型中,我们不难发现影响光伏发电量的主要因素是温度和辐射强度[1,3]。针对这一特性,人们提出另外一种间接预测光伏发电量的方法, 即建立瞬时太阳辐射模型,例如Hottel辐射预测模型或者Liu-Jordan辐射模型[15]等。这种预测方法以天文辐射作为输入变量,以地表接收到的太阳辐射为输出建立数学模型来间接预测实时的光伏发电量。同样利用此方法建立逐时太阳能预测模型和日总太阳能预测模型,可以实现以日为单位的光伏发电量。但这种方法实施起来十分困难,目前国内外对这方面的研究尚处在起步阶段。

从光伏电池板的电路特性出发可以直接采用日本工业标准(JIS)进行光伏发电量的预测,这种方法较为简单,通过光伏阵列的I/V特性曲线由数学公式计算出其输出功率。与之相似的三维模拟计算法则是寻找输出的瞬时最大功率,计算出瞬间的发电量并将其累加起来进而算出一天的发电量乃至一月的发电量。该方法充分考虑了影响光伏发电量的各个因素,包括太阳高度角的选择及配线方案等[16]。但这些方法仅在理论上存在可行性,实际实施起来具有一定的困难。

4我国光伏发电量预测的发展现状

目前我国正在走可持续发展的道路并且大力推进 “生态文明”建设,对能源的要求向着清洁环保的方向发展。在这样的时代背景下我国的光伏发电产业得到了迅猛的发展。

根据德国商报报道,2014年最新全球十大光伏供应商排名中中国企业就有四个之多,常州天合光能有限公司更是首次成为全球最大的光伏供应商。其他三家分别为中国英利能源有限公司、无锡尚德太阳能有限公司和晶科能源有限公司。在新增装机容量方面,根据国家可再生能源中心统计数据显示,由2008年以前的零增长发展到2012年的新增装机容量达328MW,仅次于德国和意大利,位列世界第三。这一趋还在以更快的速度增长。到2020年前后累计装机总量可达20000GW。国家电网公司《关于做好分布式光伏发电并网服务的工作的意见》中规定,自2012年11月1日起不超过6MW的光伏发电项目可以到当地的电网公司申请免费并网运行[1,3]。这一政策的颁布也促使了国内的光伏产业的快速发展。

在光伏发电量预测方面,我国华北电力大学栗然等结合当地气候特征模拟了30MW光伏电站发电量数据, 利用支持向量机和回归分析法做了发电量的预测。但该方法仅模拟光伏发电站的预测数据,没有实验数据作为参考。华中科技大学在对18k W光伏发电站的研究中对每5分钟系统的发电量进行采集,陈昌松等结合这些数据和大量气象数据建立了基于相似日的神经网络预测模型。取得了很好的预测效果,但也同样存在着一旦环境急剧变化预测失真等情况[17]。

而在德国光伏发电量的预测已不仅仅在理论预测阶段,2009年就有6000MW光伏发电量在德国电网运行, RWE运输风暴公司(RWE TSO)与一些科研院在光伏发电量预测的准确性上做了深入研究,他们不仅能够准确的对光伏的发电量进行预测,更重要的是他们已经在考虑系统的平衡性、网络损耗、拥堵、储能等问题[18]。

总的来说,虽然我国的光伏发电量在以迅猛的速度发展,但由于我国的光伏产业起步较晚,也存在着很多因素制约着其发展,使得我国的光伏产业与国外的发达国家存在着一定差距。

5光伏发电量预测的发展方向

随着光伏产业的大力发展,光伏发电量预测技术也日渐成熟。但是目前的研究方法过分依赖大量的原始数据及智能算法,而忽略了光伏阵列的电气特性以及影响光伏阵列输出功率的外在因素,因此,我们的预测工作仍有许多需要改进的地方。

光伏产业的飞速发展必将带来更多大规模的光伏发电站与大电网的并网,光伏并网后其输出功率的工程模型如式(1):

式(1)中P为光伏阵列的输出功率,N为光伏组建个数,n1为光伏转换效率,n2为最大功率点跟踪工作效率,n3为逆变器效率,A为光伏组件的面积,a为光伏阵列倾角,Ra为光伏阵列所受福照度,s为温度系数,Tc为光伏组件背板温度[6]。由此可见不仅温度和辐射强度对光伏发电量有影响,光伏阵列的安装角度等同样对光伏发电量存在一定的影响。由于目前光伏阵列的安装角度较为固定,尤其大型光伏发电站一旦安装很难更改。 以往,光伏板的最佳安装角度都是根据太阳高度角来进行设置,而我国地理环境复杂,一些地区具有独特的气候特征,仅仅通过太阳高度角确定下来的安装角度不一定是最优的,因此,在安装角度上,我们可以综合考虑太阳高度角以及当地特有的气候特征,确定当地的最佳安装角度。

6结束语

电量预测 篇2

关键词 线性回归；多次反馈；统计分析；用电量预测

中图分类号 O212.4 文献标识码 A

1 引 言

用电量作为经济发展走势的“晴雨表”，时刻反应经济的运行状况，对经济的发展起着至关重要的作用.从近几十年来的发展来看，电力资源的稳定与社会生活的方方面面息息相关.因此，通过对全社会用电量变化的分析，很好地进行城市用电量预测，对电力部门进行能源优化和节能减耗有着积极的作用.线性回归分析预测是最常用的预测方法[1]之一，具有模型简单，预测结果准确，模型解释能力强的特点，在各类预测问题中得到应用，如文献[2-4]在油田产量、用电量预测中都用到了此方法. 带反馈的线性回归法[5]具有更高的精度，在对用电量进行初始预测后，把实际测量值和预测值的差值作为一个新的增加量，作用到下次的多元线性回归预测中，文献[6]就用此方法预测了空调的负荷量.本文在前人的基础上推导出带多次反馈的多元线性回归法的过程，并以陕西省用电量为例来探究分析反馈回归法在用电量预测中的应用，以期得到更为精准的用电量预测模型. 最后以四川省的用电量数据对模型进行分析验证，将其结果与文献[7]中偏最小二乘回归法所得结果对比，体现出了该模型的优越之处.

由图4可见，由带一次反馈的线性回归法所得残差2明显小于由多元线性回归法所得残差1和由偏最小二乘回归法所得残差3.

5 结束语

利用反馈回归法在对2000～2012年的陕西省用电量进行预测实验中发现，多次反馈的多元线性回归方法要优于单纯的多元线性回归方法.但是在进行多次反馈的多元线性回归时，要注意对残差的估计，因为残差估计值是否接近于真实残差，会对反馈回归预测结果造成较大影响.在长期的用电量预测中，可以用多次反馈的多元线性回归法进行预测，取残差整体较小的那次反馈回归结果，这将有利于更加精准的预测用电量.同时，利用四川省1989～1998 年年用电量数据对反馈回归法进行验证，得出该方法优于线性回归法，且在该数据下优于文献[7]中偏最小二乘回归法的结论，因此具有一定的实用性.该方法的优点是能够在一定程度上提高多元线性回归法的预测精度，缺点是计算较繁琐.所以编写模型的MATLAB程序语言将是简化模型计算需要探讨的方向.

参考文献

[1] 王振友，陈莉娥.多元线性回归统计预测模型的应用[J].统计与决策，2008（5）：46-47.

[2] 丁浩，荣蓉.基于多元线性回归模型和灰色理论的山东省用电量预测[J].河南科学.2013，31（9）：1535-1539.

[3] 国亮.改进多元线性回归模型在某油田产量预测中的应用[J].西安电子科技大学学报：社会科学版，2009，19（3）：70-74.

[4] 李艳梅，孙薇.多元线性回归分析在用电量预测中的应用[J].华北电力技术，2003（11）：40-41.

[5] 王勇，黄国兴，彭道刚.带反馈的多元线性回归法在电力负荷预测中的应用[J].计算机应用与软件，2008，25（1）：82-84.

[6] 赵波峰，文远高，侯志坚.一种改进的多元线性回归空调负荷预测模型[J].制冷空调与电力机械，2011，32（4）：49-51.

[7] 王文圣，丁晶，赵玉龙，等. 基于偏最小二乘回归的年用电量预测研究[J].中国电机工程学报，2003，10，23（10）：17-20.

试论科学开展电量分析预测 篇3

电量分析预测就是从过去及现在已知的经济、社会发展和电力需求状况出发, 通过对历史数据的分析研究, 探索掌握各有关因素与电力需求的内在联系及发展变化规律, 并根据对规划期内经济、社会发展情况的预测来推算未来电力需求以及供需平衡状况。电力工业的特殊性决定了电量分析预测工作的重要性。一是电力工业的产、供、销同时完成, 而电量储存至今还没有解决;二是电力建设项目投资大, 建设周期长;三是电力工业是担负着向全社会供电的公用事业。在发展市场经济的宏观背景下, 科学的电力电量分析预测更是各级电力公司编制各类计划 (如生产经营、项目投资、资金平衡、人力资源) 的基础。

2. 电量分析预测工作特点

对电量的分析预测, 首先是对国民经济的分析预测, 必须以国民经济的发展计划为依据, 参考各相关产业的发展状况, 在认真研究历年电量需求与社会经济发展动向关系的基础上, 做出科学预测。由于国民经济增长存在着不确定性, 预测值与实际状况发生差异是可能的, 因此可以做若干种不同水平的预测方案。同时根据实际情况变化不断滚动修正。一份完整的科学电量分析预测报告至少应包括以下内容:经济和社会发展现状及发展趋势分析;电力供需现状分析, 影响电力需求的因素分析, 负荷及负荷特性分析, 电力供应能力及电力供需平衡分析, 对策分析, 电量分析, 必要的图表等。

3. 电量分析预测方法

电量预测方法分为两大类:宏观方法和按不同用途累计的微观方法。一般来说, 预测不能只用一种方法, 往往需要用多种方法验证, 最后采用被认为是可能出现概率最高的预测结果。电量预测的宏观方法可以考虑用电量与国内生产总值 (GDP) 的关系构造预测模型, 用历史数据求出回归系数, 按时间延伸求电量预测值;也可以考虑用时间序列构造预测模型, 求出预测值。电量预测的微观方法是按工业、农业、交通运输、商业及市政居民用电量分别估算, 再进行累加。其中, 工业用电还可进一步按行业分别估算, 尤其是耗电量大的企业, 应按单位产品的用电单耗进行估算;商业应按经济指标进行估算;市政居民用电要考虑人口增加的预测、个人实际消费支出、家用电器的普及率, 以及对气象情况的预测等进行估算。输电线路的电量损耗和发电厂的厂用电量等因素也应予以考虑。而在实际工作中, 有三种电量预测方法最为实用。

(1) 进度推算法。

思路:每个地区一年中的月度电量走势能比较客观地反映出地区季节、气候变化、节假日因素, 以及企事业单位和城乡居民的用电习惯等对电量的影响, 可以从中总结出月度电量走势规律, 进而进行电量预测。

预测方法:根据本年到目前累计电量的完成情况和前几年同期电量的完成进度, 推算本年度电量预计完成情况。

适用范围:预测当年的年度电量水平, 一般在年度过半后应用此方法。

预测结果:提出当年电量预测的高、中、低三种方案。在正常情况下, 中方案是推荐方案。高方案或低方案视年度用电需求走势情况进行取舍。

算例 (预测××公司2007年度售电量) :[步骤1]计算前5年1~8月售电量完成进度 (1~8月实绩/全年实绩×100%, 如表1) ;[步骤2]根据2007年1~8月售电实绩预测2007年全年企业售电量 (如表2) 。

全年售电量=2007年1~8月售电实绩/历年平均或最快、最慢进度。

(2) 报装容量折算法。

思路:电力企业的业扩报装容量是用电增量的直接来源, 因此, 本期业扩报装容量 (或装接容量) 与今后一段时期的用电增量之间存在某种规律性关系。通过探求本年度业扩报装容量与次年度用电增量的关系, 进行次年度电量预测。

预测方法:某年等效小时= (某年用电量-上年度用电量) /上年度业扩报装容量;下年度售电增量=当年业扩报装容量×当年等效小时。

适用范围:中长期 (年度、半年、季利用小时的变化情况来进行电量预测。

预测方法:通过计算前几年的等效利用小时 (等效利用小时=电量/最高负荷) , 结合地区发用电平衡情况, 对下年度 (或当年) 等效利用小时进行预测, 继而预测电量。

适用范围:适用于对电量预测值和最高用电负荷预测值两者关系一致性的校验。在最高用电负荷已经出现, 或能够较为准确地把握最高用电负荷时, 可以预测出年度电量。

算例 (预测××公司2007年全社会用电量) :2002-2006年某地区等效利用小时分别为5999 h、6088 h、6616 h、6523案研究提供大量电网电量需求和负荷特性预测数据。 (2) 科学性原则。电量分析预测科学性很强, 只有从过去及现在已知的经济、社会发展和电力供需状况出发, 通过对历史数据的分析研究, 才能探索掌握各有关因素与电力需求的内在联系及发展变化规律, 并根据对规划期内经济、社会发展情况的预测来推算未来的电力供需形势。 (3) 制度化原则。开展电量分析预测工作, 需要经常深入用电增长的热点地区调查国民经济发展及用电状况, 搜集各地区各行业未来发展的规划和信息, 形成开展预测课题和项目研究的制度, 为做好预测工度) 电量预测。

算例 (预测××公司2007年度售电量) :2006年等效1406h, 2006年三行业报装容量95.53万kVA;2007年售电增量=1406×95.53=134 313万kWh, 2006年售电量为971 899万kWh。

预测结果机误差分析:2007年售电量=971 899+134 313=1 106 212万kWh, 与2007年实际售电量1 105 748万kWh相对误差仅为0.042%。

(3) 等效利用小时测算法。

思路:受发电利用小时的启发。发电机组的年度发电利用小时与发用电平衡状况密切相关, 电能紧缺则发电利用小时高, 反之则低。同样, 电量与最大用电负荷之间也可以有个“等效利用小时”。因此, 可通过分析最大负荷的等效h、6636 h, 平均等效利用小时6372 h。

预测结果:2007年全社会用电量=209.19×6372=1 332 959, 与2007年实际全社会用电量1 340 201万kWh相对误差仅为0.54%。

等效利用小时测算法可以较好地对用电量和最高用电负荷的预测结果进行校验。这种方法的使用必须结合地区发用电平衡情况、用电整体水平 (用电负荷率水平) 综合考虑, 在已知或能够较为准确把握用电量或最高用电负荷中的一个时段, 可以推算出另一个预测值。

4. 电量分析预测工作原则

(1) 基础性原则。电量分析预测是为电网和电源项目建设的前期论证和决策服务的重要的基础工作, 是为各种方作创造条件。

5. 电量分析预测必须注意的问题

首先, 要密切关注宏观经济走势, 把握经济的脉搏, 把握电力市场需求增长与国民经济和社会发展的密切关系。其次, 要始终保持清醒头脑。通常在经济高速增长或较热时, 预测方案往往偏高, 这时要看到各种潜伏的制约因素;在经济增长缓慢或较冷时, 预测方案往往偏低, 就应该看到诸多有利条件。第三, 要认真分析我国经济发展的周期波动对用电增长的影响, 客观评价本地区的经济状况。第四, 要不断摸索用电增长和负荷特性变化的规律性。第五, 预测方案要根据形势需要滚动修正。

摘要：科学的电量分析预测是电力企业生产经营计划管理的基础工作, 其预测结果直接应用于指导年度发用电平衡和企业生产经营活动。电量预测偏差过大会导致电力资源配置不合理:要么发电能力、供电设施得不到充分利用;要么电能供应难以满足社会的用电需求, 影响经济的正常和快速发展。

电力企业供电量预测方法研究 篇4

电量预测是从已知的用电需求出发, 考虑经济、气候等相关因素, 对未来的用电需求做出的预测。电量预测决定供售电成本预测的准确性, 是全盘预算的关键点, 提高电量预测水平已成为实现电力系统管理现代化的重要内容。此外, 从发展来看, 电量预测也是我国实现电力市场的必备条件, 具有重要的理论意义和实用价值。

2几种实用的预测方法

2.1同比增长率法

对于电量预测, 在无法掌握其他因素的情况下, 可根据历史情况和国民经济发展规划, 总结近5年电量同比增长情况, 剔除极端天气或其他特殊因素后, 取出平均增长率用于预测年度电量增长情况, 从而得出全年需用的电量。

E=E0 (1+a) n

式中:E、E0-分别为电量预测值和基值

a-需电量平均增长率

n-递增年数

2.2行业用电增长法

行业用电增长法是通过探讨行业用电中产业结构的变化和因技术革新和社会进步带来的各种产业类别的电力变化来进行预测的方法。行业用电增长分析法是以国民经济的行业划分为基础, 分行业进行电力需求预测, 再累计相加得到总的电力需求。它是电力企业广泛使用的传统的电量预测方法。

国民经济行业用电分类将全社会分为各行业用电量和城乡居民生活用电两大类, 这两大类又分为若干项, 具体可划分如下:第一产业=农、林、牧、渔业, 第二产业=工业+建筑业, 第三产业=交通运输、仓储和邮政业+信息传输、计算机服务和软件业+商业住宿和餐饮业+金融、房地产、商务及居民服务业+公共事业及管理组织。城乡居民用电量=城镇居民+乡村居民全社会用电量=各行业用电量+城乡居民生活用电=第一产业用电+第二产业用电+第三产业用电+城乡居民生活用电。预测步骤:向统计局、经信局等政府部门收集各行业的产品产量及产值计划, 预测各行业的用电量。此种预测方法是以同一区域同一时期国民经济发展规划的第一、二、三产业的产值为基础, 并综合分析近年各产业产值的变化趋势而计算出的, 因为国民经济发展规划是政府计划部门在收集多方面的资料, 综合多方面的因素而制订的比较权威的规划, 因此用该法预测的电量是比较准确的。该预测法的关键在于把握好各行业的产能变化趋势, 即要考虑前几年的变化规律, 还要考虑电价、技术革新、社会发展和人民生活水平以及国家产业政策多方面因素对各产业产值变化的影响。

2.3比重法

比例法主要是针对上半年电量比例占全年电量的比重来预测全年的电量, 这种方法一般应用在半年预算调整工作中。通过半年电量占全年比重的经验值, 通过已知的半年电量推算出全年电量, 这种方法比较简便并且准确率较高。

由表1分析近四年上半年供电量占全年供电量的比重来看, 一般是在46%-48%之间浮动, 尤其是2011年-2014年比重一直在47%-48%之间浮动, 而2015年1-6月完成值占全年计划的比重为47.99%, 与2011-2014年的实际完成情况比较接近, 说明2015年1-6月供电量完成值与年初预期值基本相符, 偏差甚微。

2.4区县局电量增长法

区县局电量增长法是将分析预测分解至各区县局, 充分利用各区县局比较了解本区域增长点的优势, 准确预测各区域电量, 将误差减少到最小, 利用各区县局的预测结果, 加上主网损耗及负荷查推算出整个地区全年电量。要正确进行电量预测, 首先要清楚负荷增长点在哪里, 要加强与本地统计局、经信局等政府管理部门的沟通, 以取得本地区国民经济的发展情况, 因为国民经济发展趋势是电量预测的重要参考, 是区县局进行电量预测的基础。其次, 就是要调查新建项目和改造项目的用电计划。其三, 就是要针对所掌握的规划期内的大型用电项目深入调查该项目所属企业和主管部门, 以便取得该项目的进展情况, 可行性以及所需负荷等更为详尽资料。在进行上述详尽调查的基础上, 同时在统计用电量时, 还要考虑一些不可预测的项目和因素。

2.5存量增量增长法

充分了解需要预测年度的前50大用户的电量情况, 特别是新增大用户) 的报装容量、计划投产时间、预计用电量逐个进行调查核实, 得出各个大用户计划用电量之和, 由于非普、商业、住宅和农业相对增长比较稳定, 稻田和趸售由于总电量较少, 因此以上行业我们采用平均增长率来测算预测年的电量, 再根据近几年的平均增长率推算出其他一般用户的电量增长, 再加上线损电量即为本区的全部用电量。实践证明, 这种方法比较适合区域小的单位预测电量, 因为一般区域越小电量越小大用户越少, 一个大用户用电量的增减将会对区域的供电量有极大的影响, 这种影响是用其他预测方法难以正确反映的。

3应用效果

通过上述介绍的方法进行数据预测, 由于应用了本地实际的负荷增长情况, 与传统的短期预测方法相比, 其预测准确度可提高约2%。而且, 由于本文的预测充分应用了本地最新的负荷信息和电量信息, 对电量变化跟踪迅速, 因此实用性更强。

4结论

要提高电量预测的准确度, 需要确保预测系统积累有足够的、准确的历史参考样本信息, 并尽可能的利用最新的负荷 (相关) 信息。实际应用表明, 本文所介绍的集中预测方法对提高预测准确度的作用是明显的。由于本文介绍的各种方法都存在着不确定性, 在实际应用时, 要根据不同情况、不同目的、采用不同的方法, 而且应该同时采用几种不同的预测方法, 以便互相校核预测结果。

摘要：电力系统的电量预测是电力系统规划和运行的重要基础, 准确的电量预测有利于提高企业预算的精确性, 从而提高企业经济效益和社会效益。本文通过总结摸索出适应本地电量预测的方法, 该方法可以比较准确的预测出年度电量, 已成为预测供电量的重要手段之一。

关键词：电力系统,电量预测,存量增量

参考文献

[1]刘晨晖, 电力系统负荷预报理论与方法[M].哈尔滨:哈尔滨工业大学出版社, 1987.

[2]莫维仁, 孙宏斌, 张伯明.面向电力市场的短期负荷预测系统设计及实现[J].电力系统自动化, 2001, 25 (23) :41-44.

基于业扩报装大数据的电量预测方法 篇5

关键词：业扩报装,大数据,电量预测

0引言

江苏省经济发展水平位于我国前列,省内业扩报装容量连续3年居国家电网系统前列,近3年平均增速超过7%。近年来,受国内外经济形势影响, 业扩报装容量增长率波动较为明显,对江苏省用电量增长间接造成一定影响。江苏电力营销系统积累了大量的历史业扩数据,大数据研究在国内还刚刚起步,尤其对于电力这种传统行业而言,既是一种挑战,又是一种机遇[1]。

业扩报装与未来的负荷走势存在一定的影响关系,目前已有研究人员利用业扩信息开展负荷预测相关的研究工作[2,3]。为准确把握江苏省下阶段用电情况走势,支撑公司经营与发展政策实施,对全省历史业扩报装数据进行大数据分析,研究业扩报装情况、运行容量、用电负荷利用率、用电量之间的关联关系,挖掘数据间的相关关系,量化业扩报装与电量增长的影响关系,并用于预测业扩导致的电量增长。

1业扩-电量影响模型的建立

业扩报装包含新装、增容、减容和减容恢复等业务。针对增容、减容类业务,客户在完成报装后并不能完成容量的变更,需要经历一个接电周期,而且客户的用电量也不会在接电以后就达到稳定用电状态,这段时期的电量波动,会影响电量预测的准确度[4,5],因此本文针对业扩报装对未来电量的影响,搜集了江苏省近年来的业扩报装大数据,并对该数据集进行了分析和研究,以验证其对负荷预测的影响, 以期达到提高江苏电网电量预测的精确度。

业扩报装与电量增长之间的关系分析的是业扩报装发生后一段时间内对负荷利用率变化值的持续影响,分析出在不同的时间点负荷利用率的变化趋势,在什么时间业扩容量基本作用于生产。

由于不同用户的业扩申请时间不一致,所以需要对数据进行时间归一化处理,才能对不同时间点的业扩数据进行统一处理。同时,在模型的构建过程中,需要考虑不同地区、业扩类型、行业、容量下的业扩报装从申请到送电阶段具有不同的特性,所以需要把数据分类处理,还需要考虑气象、节假日、经济因素对电量的影响,把这些因素都进行拆解分析,才可以构建较为准确的业扩报装与负荷利用率变化值的模型。业扩 – 电量影响模型的建立流程如图1所示。

1)数据清洗。对海量的业扩报装数据进行清洗,分析的历史业扩报装必须是为了真正生产用电服务,业扩报装完成后用户的电量需要有相应表现, 确保采用的业扩数据在用户后续的电费发票中有体现,剔除因为双路电源、供电线路变更等原因申请的业扩报装数据。

2)数据预处理。由于用户业扩报装的申请时间不同,分析时需要对数据进行时间归一化处理。把业扩申请时间置为起始时间,业扩报装发生的当月设为第0月,之后每个月电量时间设置为1~18个月, 同时对部分在很短时间内发生多次业扩报装的用户,由于不能区分电量的变化是由哪次业扩导致的, 所以此类用户也需要剔除。

3)剔除其他影响因素。业扩发生后的电量变化可能会受到气象、节假日等外部因素的影响,例如一般工商业客户平均负荷利用率在冬、夏两季受空调负荷增长影响会有明显波动,大工业客户在节假日电量波动比较大,所以分析业扩对电量的影响时,需要利用气象电量影响模型、节假日电量影响模型来剔除其他因素对负荷利用率的影响。

4)构建业扩电量影响模型。利用已经时间归一化处理后的用户业扩报装数据以及剔除气象、节假日等外因素后18个月的电量变化值构建业扩负荷利用率变化值模型。负荷利用率变化值 = 当月电量变化量 / 业扩容量 ×24× 月实际天数,对于新装、增容类型的业扩,电量是逐渐增长的,所以当月电量变化量为正数,负荷利用率变化值也为正数,并随着时间的增长而变大,并最终趋于稳定。相反,减容、销户类型的业扩,由于电量是逐渐减少,当月电量变化量为负数,所以负荷利用率变化值也是一个负数,随着时间的增长而变大,并最终趋于稳定。

业扩负荷利用率变化值计算的数据公式如下:

其中:F表示业扩的月负荷率;Tind表示行业类型;Mperiod表示业扩申请月份与影响统计月份之间的间隔,以月份为单位;Ktype表示业扩的申请类型, Ktype=1时为新装、增容,Ktype=2时为减容或销户;S表示该行业下业扩申请的所有用户,Ai为该行业下第i个业扩申请用户的月增加 / 减少的用电量,Paddi表示该行业下第i个业扩申请用户增加 / 减少的容量(Ktype=1时为正数,Ktype=2时为负值)。

2业扩影响模型下的电量预测方法

业扩影响电量的预测方法为:把需要分析的时间段、预测时间段、地区、行业、业扩类型作为参数传入计算公式,利用公式以及业扩报装数据、业扩电量影响模型计算出业扩影响电量,基于业扩信息的电量预测模型如图2所示。

以江苏省2014年第2季度业扩情况分析对第4季度的电量影响为例说明预测方法的主要步骤。

1)根据地区、业扩类型、行业等参数,统计4、5、 6这3个月的业扩数据。

2)循环4、5、6这3个月的数据:以4月为例, 相对10月份间隔6个月,相对11月份间隔7个月, 相对12月份间隔8个月,通过分地区下的行业类型、 业扩类型、间隔月份从负荷利用率变化模型中获取对应的负荷率变化值。

3)根据获取的负荷率变化值 × 业扩统计容量, 计算电量增长值。

4)累加所有地区、月份下业扩对第4季度的电量增长值。

计算Mstart~Mend月份业扩对未来Meffect月份的用电量影响的公式为:

其中:Pexpan为Mstart~Mend月份业扩对未来Meffect月份的容量影响量,Mstart和Mend表示业扩的统计起始月份和结束月份,Meffect表示业扩容量影响的对应月份,表示S集合下的第j个用户,Pj表示该行业下第j个业扩申请用户增加 / 减少的容量,F(·) 为业扩对应的负荷率计算函数。

3案例分析

以江苏省几个较为典型的行业为例,对本文建立的业扩 – 电量影响模型及该模型下的电量预测方法进行测试。典型行业2013年业扩报装后的负荷率见表1所列。

典型行业2013年基于业扩模型的电量预测结果见表2所列。

可见本文提出的基于业扩报装大数据的电量预测方法效果理想,可以作为电力系统电量预测的辅助和修正方法。

4结语

电量预测精确度的提高,可以为电网调度提供更加准确的数据支持,使调度部门能够提前合理、经济地安排未来的运行方式,从而提高电网的运行经济性,为江苏省电力公司带来更高的利润,为电网稳定运行提供更坚实的保障。

电量预测 篇6

电话咨询中心经过几十年的发展,从最早的单纯利用电话向客户咨询服务业务发展到利用计算机技术和通讯技术的有机结合(CTI)提供从咨询到业务办理的完整服务链的模式。这个模式具有明显优势,近十年来电话咨询中心在国内的发展也十分迅速,应用范围也从主要的商业应用扩展到各个行业。

大多数电话咨询中心系统都关注两个问题。一是信息系统的承载能力问题,如需要多少中继线路来承载用户的随机呼入,特别是繁忙时段的来电量,并将中继资源在人工坐席、自动服务、呼出等服务之间进行合理分配问题,这是一个电话咨询中心基础资源配置的问题;二是需要培训多少咨询服务人员才够用,每个时间段需要安排多少坐席人员才能达到承诺的服务水平。这两个问题是依据来电量的相关数据。由于来电量是一个随机变量,影响这个随机变量的因素有很多,有些因素如节假日是一种规律性的常规因素,在实际工作中容易处理;有些因素比如新政策和服务内容的发布、宣传力度的加强、突发事件等是非常规性的因素。

如何准确预测来电量,在保持一定接通率和服务满意度的前提下,对服务机构是至关重要的。对于来电量分析,可以根据计算机系统的历史数据,进行简单的汇总统计,凭管理者的经验判断未来一定时间内来电量的多少,作为安排咨询座席和班组的依据,这种方法比较简单,但是误差较大,容易造成人员的浪费或不足。也有文章根据具体服务机构的咨询员排片周期(如每班组的连续工作为一小时)分成不同的时间段进行采样,并且假设来电量在每个采用周期内是服从泊松分布的,并在此基础上提出许多方法进行分析[1]。牟颖等人[2]对预测话务量的BP神经网络算法和支持向量机算法(LS-SVM)进行了比较。李大川等人利用时间序列的分解建立的预测模型,预测了日来电量和特定时段的来电量[3]。

本文根据某电话咨询来电量的计算机历史数据,进行深入的挖掘,发现了一些规律,将每个时间段的来电量作为一个时间序列[4],分析了数据的特点,给出一个小时来电量的预测模型,并由真实数据进行了检验,结果具有较高的拟合度。

1 电话咨询中心来电量描述性分析

1.1 数 据

本文采用的数据是某大型电话咨询中心从2011年3月1日至2011年3月31日的人工服务来电总量,并且每天数据采集的时间点从早上8点钟到晚上8点钟,时间间隔是1个小时,总共采样点数为372。分析过程中采用的软件主要是EViews 5.0。

1.2 描述性分析

接下来,主要进行每个时间段上的人工服务来电总量的描述性分析,包括均值、标准差指标的比较分析。

图1给出一个月内每小时的平均来电量、每个时段的平均值、采样时间段(1小时)。从图中可以看出每天的来电量存在明显的周期性,呈明显的双峰结构;每天有两个峰值,分别是10点到11点期间和15点到16点期间,波谷是在中午12点到1点之间,到下午下班左右比较平稳,可以看出上午的来电量增速比较快,在10点左右达到最高,也可以看出到下班时间电话量明显地下降。

图2数据来源为2011年3月7日到3月13日一周内,每小时来电量的数据,可以看出休息日的所有时段来电量明星低于同时段的工作日,虽然工作日和休息日每时段的来电量存在明显的差异,但是每天不同时段的来电量存在相同规律。在工作日内的同时点的数据比较可以看出星期一的数据都高出其他时间,而周五的数据都低于其他工作日的时点数据,周二至周四的同时点来电量比较接近。分析其他星期的数据也有同样的规律。

每天12个时间段上的人工服务来电总量的描述性分析结果见表1和表2所示。

1.3 方差分析

比较每天12个时间段上的人工服务来电量的均值是否有显著性差异,采用单因素方差分析方法,结果见表3所示。

表3中假设检验的p值=3.17E-36,显示不同时间段上的平均人工服务来电量有显著性差异,即不同时间段是影响来电量的一个重要因素。

2 预测模型及实证分析

2.1 数据预处理

据上述分析,时间段上人工服务来电总量数据属于时间序列数据{Xt} ,因此考虑利用时间序列分析方法来建立合理的模型来预测来电总量。

人工服务在每个时间段上的来电总量用时间序列{Xt}表示,利用单位根检验该序列的平稳性,结果见表4所示,发现该序列非平稳,但一阶差分序列是平稳序列。

*MacKinnon (1996) one-sided p-values.

{Xt}的一阶差分序列的自相关和偏自相关系数说明,一阶差分序列具有短期自相关性,说明该序列是平稳序列,而不是白噪声序列,可以考虑对{Xt}的一阶差分序列构造ARMA模型,即对{Xt}建立ARIMA模型。

2.2 ARIMA模型的结构

具有如下结构的模型称为求和自回归移动平均,简记为ARIMA(p, d, q)模型:

$\{\begin{array}{l}\Phi (B)\nabla {}^{d}X{}_t=\Theta (B)\epsilon {}_t\\ E(\epsilon {}_t)=0,Var(\epsilon {}_t)=\sigma {}^2,E(\epsilon {}_t\epsilon {}_s)=0,s\ne t\\ E(X{}_s\epsilon {}_t)=0,\forall s<t\end{array}$

式中:

ᐁd=(1-B)d

Φ(B)=1-ϕ1B-…-ϕpBp,为平稳可逆ARMA(p,q)模型的自回归系数多项式。

Θ(B)=1-θ1B-…-θqBq,为平稳可逆ARMA(p,q)模型的移动平滑系数多项式。

由上式显而易见,ARIMA模型的实质就是差分运算与ARMA(p,q)模型的组合。这一关系意义重大,这说明任何非平稳序列只要通过适当阶数的差分运算实现差分后平稳,就可以对差分后序列进行ARMA(p,q)模型拟合了。而ARMA(p,q)模型的分析方法非常成熟,这意味着对差分平稳序列的分析也将是非常简单、非常可靠的。

2.3 ARIMA模型的参数估计

建立ARIMA模型的操作流程见图3所示。

对于模型的比较与选择,往往不是简单地看某一个指标,而是要综合考虑各方面的情况,做出一个综合的判断,选择一个最优的模型。一般考虑如下几个因素:(1) R-squared、Adjusted R-squared,这两个指标应该是越大越好。当这两个指标较大时,说明所拟合的模型较好地提取了数据中的信息,是模型优秀的一个重要参考指标。(2) 模型拟合中的各参数估计情况是否显著地非零。(3) AIC及SBC准则。一般来说,这两项指标应该是越小越好。(4) 需要估计参数的个数。一般来说,需要估计的参数越少越好,比较少的估计可以尽可能地减少估计过程中的偏差等等。

根据以上判断的准则,我们最终选择参数估计结果如表5所示。

综合上述分析过程,根据各种综合指标及判断准则,我们最终选择一个ARIMA(2,1,36)模型进行拟合,模型形式如下:

$\{\begin{array}{l}(1-B)X{}_t=0.3492(1-B)X{}_{t-1}-0.3101(1-B)X{}_{t-2}+\\ \epsilon {}_t+0.5734\epsilon {}_{t-12}+0.5640\epsilon {}_{t-24}+0.9081\epsilon {}_{t-36}\\ ]E(\epsilon {}_t)=0,Var(\epsilon {}_t)=\sigma {}^2,E(\epsilon {}_t\epsilon {}_s)=0,s\ne t\\ E(X{}_s\epsilon {}_t)=0,\forall s<t\end{array}$

2.4 ARIMA模型的预测结果及分析

利用上述估计模型,人工服务的来电量数据的预测效果如图4所示。

图中,横轴表示采样周期为1小时的时间点,纵轴表示每个时间点的具体来电总量,图中的点表示实际的每日1小时的来电总量,图中的线是预测值的连线。从图中可以看出预测值与真实值的变化趋势基本一致,基本在每周的周末到达波谷,预测值与真实值之间的差别非常小。因此估计模型具有较高的预测精度。

3 结 语

人工来电量预测是大型电话咨询中心座席安排的重要依据,本文对某行业的大型电话咨询中心的历史数据进行分析和数据挖掘,并利用ARIMA模型给出一个小时来电量的预测模型。检验结果表明模型预测数据对实际数据有较高的拟合度。

考虑到突发事件、新政策发布等因素会对人工来电总量产生较大影响,因此如果能将这些可预知的外在因素定性和定量分析后加入到模型中或采用更加综合的方法,将进一步提高预测精度。

摘要：人工来电量预测是大型电话咨询中心座席安排的重要依据。对某行业的大型电话咨询中心的历史数据进行分析和数据挖掘,并利用ARIMA模型给出一个小时来电量的预测模型。检验结果表明模型预测数据对实际数据有较高的拟合度。

关键词：电话咨询中心,ARIMA模型,预测

参考文献

[1]Jongbloed G,Kode G M.Managing uncertainty in call centers usingPoisson mixtures[J].Applied Stochastic Models in Business and In-dustry,2001,17:307-318.

[2]牟颖,等.大型呼叫中心话务量预测[J].计算机工程与设计,2010(21):4686-4719.

[3]李大川,等.大型呼叫中心人工呼入到达率研究[J].现代电信科技,2008(2):62-66.

组合预测在月度用电量中的实际应用 篇7

随着经济的迅猛增长, 工业用电与生活用电也迅速增加, 用电量成为反映经济增长情况的重要指标。实行厂网分开、竞价上网后的电力企业对经济性的要求逐渐提高, 为了适应市场经济发展的要求, 建立科学的市场预测管理体系、提高预测质量和准确性对于电力企业来讲是必要的。作为供电企业的一项重要工作, 月度用电量预测对合理安排生产、燃煤供应计划的编制, 检修计划的制订等提供了重要依据。

运用科学的预测方法, 是提高预测精确度的前提条件。科学的预测一般有以下几种途径:一是因果分析;二是类比分析;三是统计分析。对用电量的预测主要是应用统计分析, 运用一系列的数学方法, 建立数学模型, 运用数学模型获得所需要的结论。目前用电量的预测方法有很多, 各自有各自的适应范围及优点。但是由于单一模型的预测结果往往存在着精度不够, 准确度不高的情况, 在此采用组合预测的方法, 通过选取适当的权重, 利用组合模型中各个模型的优点, 达到提高精度准确度的目的。

在此选用河北省任丘市2013年1~12月份及2014年1~5月的用电量进行预测分析。由于月度用电量不同于年用电量, 由于其数值变化间隔时间短, 所以是随时间变化的时间序列, 包含一定的季节性和一定的趋势规律, 所以文章采用二次指数平滑法、结合二次滑动平均法的先定线性趋势预测技术与灰色预测模型模型的组合模型。

2 数据的分析处理

2.1 数据来源

数据采集了河北省任丘市2013年1~12月及2014年1~5月的月度用电量 (见表1) , 文章要根据所采集的数据分别建立先定线性预测模型、灰色预测模型对该市2014年6、7月月度用电量进行预测。

2.2 先定线性预测模型的建立与应用

首先应用软件SPSS进行一次平滑法, 取a=0.1, 0.2, 0.3, 进行试验, 试验结果计算得:当a=0.1时, S2=10216482.63;当a=0.2时, S2=10893417.18;当a=0.3时, S2=11493723.69;所以当a=0.1时S2最小, 因此选取a=0.1进行二次指数平滑。

根据表1中的数据可得预测趋势为

所以根据二次指数平滑法得到的预测值为

2.3 先定线性趋势预测模型的建立与应用

首先利用二次滑动平均法拟合一条直线, 用采集的历史数据求得滑动平均预测模型

取得跨度N=4, 因此取数据中的16项, 应用二次滑动平均得:

直线趋势方程为

规范化处理上述数据得:

用电量模型为:

可得到预测值为

2.4灰色预测模型

应用灰色预测模型对数据进行预测, 将数据处理后编入程序利用软件MATLEB得到GM (1, 1) 微分方程的参数。具体程序及结果如下:

根据该模型对2011年6、7、8、9月的月度用电量进行预测可得

2.5 组合预测

应用等权平均组合预测法, 在EW法中, 设fi为第i个模型的预测值, fc为组合预测值。则模型为

根据预测模型的预测结果, 应用EW方法, 得到预测结果见表5

3 结束语

文章采用了组合预测法对河北省任丘市2014年6、7、8、9月的月度用电量进行了预测, 具有一定的现实意义。根据月度用电量的特点, 在组合预测中选取了三种预测模型, 分别使用二次指数平滑法, 先定线性趋势预测法, 灰色预测GM (1, 1) 。在二次指数平滑法中, 应用了软件SPSS确定参数a, 对数据进行了两次相应处理。在GM (1, 1) 中应用了软件MATLEB, 对数据进行编程, 输出参数, 建立模型。最后在组合预测中使用EW方法, 对上述三模型的预测值进行组合预测, 最终形成组合预测值。文章有效使用了相应的预测软件, 使得结果更准确, 减少了工作量。充分利用了组合预测的优点, 提高了预测精度。

参考文献

[1]刘思峰, 党耀国.预测方法与技术[M].北京:高等教育出版社, 2005.

[2]牛东晓, 曹树华, 赵磊, 等.电力负荷预测技术及其应用[M].北京:中国电力出版社, 1998.

[3]吕振通, 张凌云.SPSS统计分析与应用[M].北京:机械工业出版社, 2009.

[4]黄现代, 王丰效.多变量灰色预测模型算法的MATLEB实现[J].四川理工学院学报 (自然科学版) , 2008, 21 (1) .

[5]蒋晓艳, 何川, 方蕾.基于最优组合预测法的电网用电量预测[J].中国西部科技, 2010, 9 (14) .

[6]王遂, 蒋金良.基于季节ARIMA模型的月度用电量置信区间预报模型[J].广东输电与变电技术, 2010 (5) .

电量预测 篇8

1 经济背景预测

电力需求预测结果与经济背景预估的精确性密切相关。江苏正处于经济结构调整转型期, 沿东陇海线开发、苏北沿海开发, 苏南现代化示范区建设规划密集出台, 经济全球化影响及上海自贸区可能带来的“溢出效应”、“虹吸效应”将使未来的经济形势错综复杂。简单的外推法可能较难反映经济结构及所处阶段的特征, 而专家经验法则主观性较强, 均难以保证经济背景预测精度。根据江苏省发展轨迹, 综合对比发达省市经济发展轨迹[1,2,3,4], 考虑经济增长、人口增长、经济结构、城镇化率、人均用电量、居民消费、能源消费等主要因素对经济发展预测的影响。短期经济预估主要依据江苏省“十二五”规划预期值及发展趋势;中长期预估的参考数据来源于韩国、日本、德国、法国等近30年数据的加权平均值, 或某一具有典型发展趋势的国家在一段时间内的对应数据。如无特殊说明, 已将经济数据折算为2005年不变价, 预测数据以2000年人民币不变价为基准。在充分考虑江苏省基本情况及各项指标与对比地区及国家的差异性后, 提出经济背景预测方案, 如表1所示。

全省GDP年均增长率在2030年和2040年分别降至4.5%和4.3%, 2050年江苏省国民经济达到38276亿美元 (2005年不变价) , GDP增长率降至4%以下, 并逐渐趋于稳定。全省第三产业产值比重在2030年和2040年分别升至63%和68%, 于2050年达到70%, 基本可以判定江苏省在2050年前的各产业产值比例将趋于稳定。全省人口总量年均增长率在2030年和2040年稳定于0.4%左右, 2050年江苏省人口总量达到9193万人, 人口总量将始终保持0.4个百分点增长率。在远景预测中, 全省城镇化率在2030年和2040年分别升至75%和77%, 并于2050年达到78%。

2 研究方法探究

传统计量经济法用于电力需求分析预测时, 通常要求所分析的时间序列数据是平稳的。而一般情况下, 经济时间序列都非平稳, 尽管模型结果有可能具有很高的拟合度和显著的统计量, 但是根据这些统计量得到的推断可能不正确, 导致产生无意义的虚假回归[5]。

为解决上述问题, 文中拟采用一种处理非平稳数据的方法及“协整理论”。该方法使多个非平稳经济时间序列在建模时能够克服传统建模技术缺陷, 所建立的均衡关系能取得较好的预测效果, 并可对“协整”模型建立的均衡关系进行误差修正, 从而得到预测效果较好的综合预测模型。文中采用计量经济学软件Eviwes6.0进行计算。

2.1 初步确定关键因素

江苏省电力需求函数可以用下式表示[6]:

式中:Q为电力需求;GDP为生产总值;M3为第三产业产值占比;PP为人口;U为城镇化率;CPI为居民消费价格指数;EC为能源消费;EG为单位能耗。对样本数据的处理采取自然对数的形式, 其建立的模型结果不影响最终结论。

2.2 数据平稳性检查

平稳性检验就是对时间序列是否存在单位根进行检验, 主要有2种方法:ADF检验和PP检验。在样本容量很大的情况下, 文中所用的单位根检验方法为ADF检验。本质上, 对于任意变量xt, 检验零假设xt~I (1) 相当于检验Δxt是平稳的, ADF单位根检验过程基于最小二乘法回归式:

式中:β0, α0为参数;T为线性时间趋势;m为滞后项系数;εt为随机扰动项。这里, m=1, 2, 3, 或者根据实验来确定。经ADF检验后, 如果不能拒绝每个序列都不平稳的零假设, 则进一步对所有变量的一阶差分进行检验;若此时的检验结果表明序列都是平稳的, 也就说明该序列在一阶差分的情况下为平稳的状态;若不然, 则需进一步差分, 直至序列包含的所有数据在某一阶为平稳状态。

在ADF检验中以Q的平稳阶为基准, 对其他因素进行检验。检验结果见表2, 解释变量中单位能耗LNEG的ADF水平值检验小于任何一种可能性范围, 因此LNEG为平稳序列, 不能与电力需求LNQ进行“协整关系”检验。

由于Q为不平稳状态, 因此需进一步对其一阶差分序列检验, 判断各时间序列对应的一阶差分平稳性是否一致, 检验结果见表3, 在Q序列为平稳的状态下, 只有同样平稳的序列才具有“协整关系”, 因此ΔLNEC与电量间不具有“协整关系”, 被排除。

最终可以进行协整的解释变量序列有地区生产总值LNGDP、人口总量LNPP、第三产业占比LNM3、城镇化率LNU和居民消费价格指数LNCPI。

2.3“协整关系”检测与模型建立

文中运用极大似然法 (J-J) 检验与模型建立的方式, 来检验多变量间“协整关系”。在多元变量分析的基础上不仅提供了一个估计方法, 还提出了检验“协整向量”个数及经济理论所设条件的显示条件[7]。特别是当“协整向量”不止一个时, J-J方法更加方便有效。具体方式如下:

式中:Xt为n维向量;N为差分操作符。每一个Ak都是n×n的参数矩阵。

数据处理时, 首先运用Schwarz信息标准法确定自回归模型, 确定最佳滞后数为1。然后运用J-J检验进行协整关系检测。经反复试验推理, 在添加LNCPI变量建立与LNQ“协整关系”检验时, 模型近似于满秩矩阵, 无法得出与其他解释变量同一“协整关系”的模型。因此, 以下“协整检验”中将剔除LNCPI变量, 即在关联电力需求时不考虑居民消费价格指数。检验结果如表4和表5所示。

经过上述检验, 在1980—2011年的样本区间内, 根据数据序列的平滑程度, Eviwes6.0自动选取可协整的20个相关观测值, 建立各个变量之间一致长期均衡关系, 其“协整向量”的系数估计如式 (4) 所示:

由于各变量都是对数形式, 这些值可以反映与LNQ之间的长期弹性, 因此方程可表示为:

2.4 误差修正模型

注:样本区间:1980-2010;相关观测值:20;滞后间隔:1到1。序列:LNQ, LNGDP, LNPP, LNM3, LNU一阶差分。下同。

注:* (**) 表示5% (1%) 的显著性水平拒绝原假设;迹统计量、极大值统计量结果表明存在一个“协整”方程的显著性水平同时为1%。

生成自回归向量误差纠正模型 (VECM) :

修正后的拟合优度, R2=0.415对数似然函数值Log likelihood为310.0605, AIC和SC值较小, 分别为-2.90和-2.55。说明模型整体解释能力较强, 误差修正数 (估计为-0.149 698) 具有正确符号, 意味着预测结果向平衡快速收敛, 中短期内电力需求的变化不会影响与之相对应的变量间长期关系。误差修正模型修正结果如表6所示。

2.5 电量预测结果校核

根据表6预测结果, 2030年人均GDP指标达到韩国水平, 进入后工业化阶段中期, 由于产业结构还未调整到位, 所以人均电量消费略高于韩国现状;2050年全省人均GDP指标达到英、德、法现状水平, 基本实现现代化, 但是人均电量消费仍略高于英、德、法现状水平。这与政府相关规划目标、苏南现代化目标建设目标及现状基础基本吻合。

3 结束语

江苏经济将在2040年左右达到饱和, 增速4%左右, 三产占比增加到68%, 人口增长速率稳定在0.4%、城市化率达到77%。江苏省用电量增速2020年以后低于5.84% (约12000亿k W·h) 、2030年以后低于2.63%、2040年以后低于2.35%、2050年左右达到2.0%进入饱和状态 (约24000亿k W·h) 。

摘要：提出了江苏在未来40年经济背景预测方案, 运用较为先进的“协整理论”, 筛选能与电量需求建立均衡关系的关键经济变量;构建了关键经济变量与电量需求之间的计量经济学模型, 并对江苏省经济结构转型期的电力需求走势进行预测与校验。

关键词：经济,电量需求,轨迹,协整,预测

参考文献

[1]江苏省统计局.江苏省统计年鉴[DB/OL].http://www.jssb.gov.cn/2012nj/nj01.htm, 2013.

[2]浙江省统计局.浙江省统计年鉴[DB/OL].http://www.zj.stats.gov.cn/tjsj/tjnj/Desktop Modules/Reports/10.浙江统计年鉴2012/indexch.htm, 2013.

[3]广东省统计局.广东省统计年鉴[DB/OL].http://www.gdstats.gov.cn/tjnj/2012/ml1.htm, 2013.

[4]上海市统计局.上海市省统计年鉴[DB/OL].http://www.statssh.gov.cn/data/to Tjnj.xhtml?y=2012, 2013.

[5]吴立君, 王何舟, 严莹, 等.电力需求与经济相关性分析[J].水电能源科学, 2009, 27 (3) :190-192.

[6]姜磊, 吴玉鸣.电力消费与经济增长的区域差异研究[J].经济前沿, 2009, (7) :28-39.