预测体系下电力市场论文

摘要：随着工业化、城镇化进程的不断加快，我国电力需求量将持续上升。电力的充足供应是我国经济稳步发展的重要保证，故合理准确的对电力需求进行分析及预测具有重要的现实意义。基于此，分析我国电力需求现状，利用通径分析筛选电力消费需求的核心驱动因素。在模型选择的基础上，基于单变量（ETS.ARIMA模型）和多变量（情景分析）两个维度进行电力需求量分析及预测。今天小编给大家找来了《预测体系下电力市场论文(精选3篇)》的文章，希望能够很好的帮助到大家，谢谢大家对小编的支持和鼓励。

预测体系下电力市场论文 篇1：

基于MT-BSGP的电力负荷预测方法

摘 要：为了预测家庭短期电力负荷，提出一种基于多任务贝叶斯时空高斯过程的电力负荷预测方法，有效地捕捉不同居住社区之间的关联性和家庭之间的局部空间变化。为了更好地捕捉不同居住社区之间关联性，提出了一种新的多任务学习方法，即低秩Dirty模型，通过使用“公共特征集”和“共享低秩结构”来改进多任务贝叶斯时空高斯过程的学习。为了克服低阶dirty模型和高斯过程参数联合估计的困难，提出了一种迭代算法。实验结果表明，与已有的几种方法相比，该方法可以有效地预测电力负荷。

关键词：负荷预测;多任务学习;高斯过程;关联性;低秩结构

DOI：10.15938/j.jhust.2021.04.007

文献标志码：A

0 引 言

负荷预测对于平衡电力供需、避免电网不稳定至关重要[1-4]。短期负荷预测主要是对一小时到一周的用电负荷进行预测，可以指导电力公司和发电厂通过按需发电来调节发电量以满足市场需求[5-9]。然而，由于电网的复杂性和用电量的不确定性，负荷预测仍然具有挑战性。随着新数据分析技术的发展，智能电表等先进数据采集系统的应用，提高了负荷预测水平。近年来，基于机器学习的负荷预测方法得到了越来越多的关注。例如，自回归综合移动平均（autoregressive integrated moving average，ARIMA）模型是最常用的方法之一[10]，多线性回归和高斯过程回归也是电力负荷预测的有效方法[11]。在机器学习领域，支持向量机、人工神经网络是应用广泛的电力负荷预测方法。大多数现有的基于机器学习的负荷预测方法，包括到前面提到的方法都属于单任务学习（single-task learning，STL）方法的范畴。然而，STL方法的预测性能受到数据缺失、测量错误、测量分辨率低的影响。

近年来，在多任务学习框架下，多个模型在多个数据源上联合学习。融合来自多个数据源的用电量数据，为提高负荷预测水平提供了新的契机。Zhang等[12]研究了多任务高斯过程在电力负荷预测中的应用。Fiot等[13]使用了一种基于核的MTL方法，称为低秩输出核学习（low-rank output kernel learning，LR-OKL），用于配电站的中期负荷预测。在机器学习领域，通常采用基于正则化的策略来提取多个数据源之间的相似知识或变化模式，以提高学习性能（称为相关性）。该方法引入了一定的正则化项，将加权惩罚项应用于目标函数的学习[14]。MTL也被开发用来处理高斯过程模型的MTL[15]。虽然先前的研究已经证明了MTL方法的潜力，但是从多个任务中找出数据集之间的相关性仍然是一个巨大的挑战。

从应用角度来看，大量的负荷预测研究仅使用历史用电量数据进行預测。最近，电力负荷预测研究超越了只考虑历史用电量数据的方法，并将天气条件纳入其中，以提高预测精度。系统体系、多网络理论和“智能城市”概念的出现，鼓励了新的研究，这些研究考虑了电力网络与其它基础设施网络的相互依赖性和互联性。该文提出的模型受文[16]的启发，提出了配电网中交通负荷与用电量的关系框架。文[16]对电力和交通负荷的联合预测结果表明，将交通数据和机动车信息作为预测因子可以提高电力负荷预测的准确性。因此，该文采用用电量数据、交通量数据和气象参数相结合作为短期电力负荷预测的预测因子。

该文旨在改进基于多任务学习（MTL）框架的短期负荷预测，其中一个“任务”是指学习每个居民小区的负荷预测模型，“多任务”是指通过融合多个社区的数据，共同学习多个社区的负荷预测模型。具体就是，将城市中多个居住社区在相似条件或设置下的训练数据进行融合，通过探索不同社区间数据模式的相似性，共同学习社区间的相关性。因此，利用关联性概念来描述环境和交通条件对多个居住社区用电量的相似影响是可行的。在居民外出上班的早晨，居民区附近的交通量更大，导致居民家庭用电量减少，直到下午人们回家。此外，由于空调负荷的影响，用电量随环境温度的变化而变化。环境和交通数据对电力消费的影响在一个城市的不同居民社区中有相似之处。此外，可能存在一些特定于社区的信息，例如社区内的局部时空变化，这些信息不在社区之间共享。从方法论的角度来看：①传统的MTL方法，包括基于正则化的方法[17]和基于核的方法[15]，并没有区分在社区间普遍共享的总体趋势和局部时空变化;②基于正则化的MTL方法通过在目标函数中引入一些正则化项来表征相关性，这些正则化项是基于“公共特征集”或“共享低秩结构”，它们只部分地捕捉不同任务之间的关联性。

本文针对现有方法的不足，提出了一种基于多任务贝叶斯时空高斯过程（MT-BSGP）的短期电力负荷预测方法。

1 多任务贝叶斯时空高斯过程（MT-BSGP）

为了预测电力负荷，提出一个用于负荷预测的MT-BSGP。首先，提出了融合社区环境和交通数据的预测模型的结构;然后，建立了估计MT-BSGP的学习问题;再次，介绍了现有的基于正则化的MTL方法;为了提高MT-BSGP的學习性能，提出了LRDM;最后，通过迭代算法学习MTL框架下的模型参数实现LRDM。

1.1 社区预测模型

单个社区的用电量E预测如下：

其中：μ表示用电量数据的平均偏移或趋势模式;η表示数据中相关的随机过程;ε表示噪声，其为正态分布的独立同分布，且均值为零，方差为σ2ε。μ和η反映了数据之间的系统级相关性，可用于提高预测精度。

有很多方法可以扩展η。一种常用的方法是根据用户的用电模式将相似或相关的行为分组到一个簇中。因此，η可以扩展为基于同一簇内消费者数据的预测因子[18]。如果消费者表现为空间聚集模式，η可以用空间相关过程来表征，其原因包括：①电网的拓扑布局和馈线的侧联性。②居住区的人口统计和地形特征，包括土地利用、建筑类型、建筑规模、景观设计、家庭收入水平，从而导致住户的空间相关过程用电模式。例如，一个社区的大多数建筑遵循相似的设计和足迹，由同一个开发商和类似的建筑材料建造，这些材料使建筑具有相似的绝缘、建筑围护结构等，从而导致类似的电力消耗。消费者活动中的相关性进一步导致了相关的用电行为，因为邻近社区中类似环境和交通道路条件导致消费者活动往往是相关的。

上述原因反映了人类-电力系统中导致空间依赖性的系统级原因是全球趋势、空间相关过程（通常是高斯过程）和独立变化的组合。因此，上述模型可以简化为：

式（2）为一个贝叶斯时空高斯过程（Bayesian spatiotemporal Gaussian process，BSGP）模型。GP为高斯过程参数。采用式（2）的一个目的是，在历史数据有限甚至没有数据的情况下预测家庭的电力负荷。大多数的预测方法都需要一定数量的历史记录来记录感兴趣的家庭（或地点）。BSGP模型可以在没有足够历史数据的情况下，利用邻居的信息预测电力负荷。

假设均值μ为与电力消耗相关的变量的线性模型。s表示每个房屋的位置和时间t的索引。μ可以展开为：μ（s，t）=∑i∑jXij（s，t）βj。本文提出的模型受到了文[7]中提供的交通与电网之间因果关系的启发，将这两个变量用于负荷预测。因此，在本文中，设定X为输入变量，可以包含用电量数据、小区附近的交通量（Tr）、温度（T）、湿度（H）和太阳辐射（S）等参数。而且，家庭数量和收入水平等社会经济因素也可以在负荷预测中发挥重要作用，并有可能纳入预测模型。当这些输入数据可用时，它们可作为线性项包含在模型中。此外，生活水平会对平均耗电量以及用电模式的时间波动产生影响。平均生活水平也可以纳入模型中。然而，短期内社区所有家庭的生活水平相对稳定，因此不影响所提出的负荷预测方法的性能。

向量β是输入变量的系数。例如，如果存在M个房屋和τ个的时间点，则μ可以展开为：

其中：n为观测次数;时间序列模型中的时间间隔p由自相关函数（autocorrelation function，ACF）确定。用偏自相关函数（partial autocorrelation function，PACF）求出模型中需要多少个早期观测值。β→=[β1，…，βp+4]表示输入变量对电力消耗的影响，变量的个数为p+4。式（2）中的“GP”项是正态分布，其中均值为0和协方差矩阵为∑GP=（σ2GP|t）exp（-（φ|t）‖si-sj‖2），φ>0，其中∑GP的特征是在每个时间戳上具有房屋不变的公共方差（σ2GP|t）和空间相关函数（k（si，sj;φ））。通常为k（si，sj;φ）选择平方指数相关函数，该函数包含每个时间戳（φ|t）上的衰变参数和两个房屋之间的平方距离（‖si-sj‖2）。

总之，在所提出模型的基础上建立了负荷预测的多任务学习问题，并提出了一种有效的算法来解决该问题，并将在以下各部分中进行介绍。

基于以上提出的模型，所提出的MT-BSGP的总体框架如图1所示。MT-BSGP包括：提出的LRDM，其用于估计在社区间相似的总体平均偏移或趋势模式;一个特定于社区并捕获局部变化和空间相关性的高斯过程（GP）;LRDM和GP之间的迭代估计过程。

1.2 MT-BSGP结构

在MTL框架下，通过融合来自多个社区的数据，可以改进BSGP的估计。通过探索不同社区之间的相关性，提出了MT-BSGP的结构。社区间的相关性体现在环境因素/交通量与用电量之间的相似关系上。因此，在MTL框架下，不同社区的BSGP系数β可以“相似相关”。这种相关性的数学特征将在下面介绍。此外，GP捕获了特定于社区的家庭用电量数据之间的时空相关性。为了描述空间相关性，已有研究将高斯过程应用于负荷预测[19]。

假设存在Z个社区，对于社区l=1，…，Z，提出的MT-BSGP模型结构如下：

MT-BSGP由两个学习目标来估计，包括：①“μ”的MTL;②在每个社区内分别学习“GP”。μ的MTL目标是同时估算β→1，…，β→Z，这里给定每个社区的包含环境、交通和历史用电量的数据X，以及β→1，…，β→Z之间的关系。GP的目标是根据每个社区的数据和相关系数β→l来估计GP参数，而相关系数β→l由MTL估计。学习目标如式（5）所示：

1.3 基于正则化的MTL方法

这部分介绍了线性回归模型（如μ）的基于正则化的MTL方法的公式，并给出了两个常用范数作为学习目标中的正则化项。基于正则化的MTL是为了解决下面的问题：

其中βj，k是β的第j行和第k列。l1，∞正则化器引入一个群稀疏结构，在所有社区中对μ模型进行变量选择;它对每一行的最大绝对值之和进行惩罚，以鼓励β的每行元素有0元素。因此，l1，∞正则化器可以找到一组共同的输入变量，这些变量对不同社区的用电量数据有影响。

2）所有社区的共享低秩结构：

其中σi是通过奇异值分解得到的矩阵β的奇异值。

这两类范数从两个不同的角度捕捉了社区间关联性的信息。本文结合两类范数的相关信息，在下一部分提出了一种改进MT-BSGP方法。

1.4 提出的LRDM

通过将变量系数（β→l）分解为稀疏分量（P→l）和稀疏分量（Q→l），Jalali等提出了一个Dirty模型[5]，如下：

其中使用稀疏分量Q→l懲罚是处理特定于社区的变化，而使用群稀疏分量P→l惩罚则是为了捕捉不同社区模型估计之间的相关性。

受“Dirty”模型和两种捕获相关性信息的范数的启发，该文进一步为矩阵Q→l构造了一个低秩结构，以包含更多群稀疏分量无法捕捉到的社区间相关性信息，从而得到LRDM。LRDM的目标如下：

因此，提出的LRDM旨在将上述两类范数结合起来。特别地，该文提出整合l1，∞和l*范数可以增加在多个社区中获取更多共享信息的机会，并且可以优于现有的仅利用l1，∞或l*来获取相关性的MTL方法。式（11）中提出的LRDM是一个无约束凸优化问题，其函数是非平滑的。这种非平滑性存在于l1，∞或l*中，这给解决式（11）中的LRDM问题带来了挑战。一种解决方法是使用加速近似法[20]，因为它具有最佳的收敛速度和处理大规模非平滑优化问题的能力。

为了估计表征LRDM精度的理论边界，考虑l≥2和n≥1时式（11）的优化问题以及所有任务的训练数据大小相同。同时，定义以下参数：

理论边界的证明类似于文[20]中的推导过程。精度边界的数值估计详见3.3节实验部分。

1.5 MT-BSGP参数估计的迭代算法

为了建立MT-BSGP模型，每个社区需要估计两类参数，包括μl中的β→l，以及GPl中每个时间戳的σ2GPl和φl。学习的挑战在于，β→l应根据MTL框架下所有社区的数据进行联合估算;而GPl是特定于社区的，应根据社区l的数据进行估算。μl估计的任何变化都会直接影响GPl，反之亦然。该文提出了一个迭代算法来联合估计式（5）中的所有参数。

MT-BSGP的流程图如图2所示，其中上标表示迭代次数。在初始化中，第1次迭代时，GP和β→l的参数被赋予零值。为conv指定一个大的数字，并且根据期望的精度确定conv的阈值。另外，还要为λ1（群稀疏分量系数）和λ2（低秩分量系数）设置初始值。在训练阶段，将训练数据（Trr）分成10个相等的子集（Trrk，k=1，…，10），并对任何给定的λ1和λ2进行10次交叉验证，算法1给出了10倍交叉验证。如下所示：

在此基础上，对LRDM进行9个子集训练，然后在第10个子集上进行测试。误差Erk通过λ1和λ2的每个值以及这10个部分中的每个值的均方根误差（RMSE）来估计。E-r（i）是Erk是这10个部分（迭代）的平均误差，即选择λ1和λ2的LRDM的平均误差。该过程适用于λ1和λ2的所有m个建议值。最后，选择最小E-r（i），并确定λ1和λ2的最佳值。在确定训练部分中的λ1和λ2之后，开始学习模型参数的迭代过程。在迭代j中，通过从电力消耗数据中减去在迭代j-1中获得的高斯过程来更新μ模型，并使用所提出的LRDM来估计系数β→l。然后进行收敛性测试，以检查μ的收敛性。根据系数向量的变化是否在预先设定的阈值（ε）内判断收敛性;否则，在进行下一次迭代之前，算法通过从耗电量数据（Yl）中减去迭代j处的估计μ来更新GP。此过程将一直运行，直到通过收敛测试。最后，将预测的用电量与实际值进行比较，得到误差。

2 案例研究

本文所提出的MT-BSGP模型通过安庆市两个居民社区的实际数据进行了验证。电耗数据（kWh）每30min远程测量一次，并由安庆电力公司的电表数据管理系统存储。交通数据来自安庆市交警大队。该市有6个不同的遥测交通监测站点，每30min连续存储一次交通量，安庆市仅收集特定地点和特定日期的当地道路交通数据。此外，环境数据，包括温度、湿度和太阳辐射可通过选定社区的监测记录获得。

为了数据的隐私保护，该文选取安庆市的两个居住社区称为东北社区和东南社区。东北部和东南部社区的测量包括2019年10月、11月和12月每30min收集的50户居民的用电量和环境数据。同时，每小时从同一区域采集交通量并用作预测变量。东北社区的数据量相对较少，这些数据仅在2019年的某些时间在装有交通检测器的地点收集。东北地区只有2019年10月、11月和12月18个工作日的10栋房子的数据。此外，选取东南社区的所有可用数据（50户×92d×48个30min增量=220800个观测值）和东北社区17个工作日（10户×17d×48个30min增量=8160个观测值）作为训练数据。选取东北社区最后一个剩余工作日（10栋房屋×1d×48个30min增量=480个观测值）作为测试数据，该数据不在训练数据范围内。

3 实验结果与分析

该部分验证所提出的MT-BSGP的短期负荷预测性能。提出的模型输入为历史用电量、温度、湿度、太阳辐射和交通量。通过在5%显著性水平上检查ACF和PACF图，时间序列建模的时间间隔p=2。在进行10倍交叉验证后，选择λ1=100和λ2=300。迭代算法经过6次迭代后收敛。采用均方根误差（root mean square error，RMSE）和对称平均绝对百分比误差（symmetric mean absolute percentage error，SMAPE）作为误差指标，即：

式中：y（i）为观测值;y^（i）为预测值;n为观测值总数。RMSE和SMAPE是通过对东北社区所有房屋的预测误差进行汇总得到的。

3.1 多任务学习与单任务学习

该部分首先比较MT-BSGP和BSGP，BSGP只依赖于一个社区的数据，即单任务学习。此外，将提出的MT-BSGP方法与其他的电力预测方法进行了比较，包括ARIMAX、支持向量机（support vector machine，SVM）、随机森林（random forest，RF）和神经网络（neural network，NN）回归。所有这些方法只在东北部社区并使用相同的输入数据（包括电力、天气和交通量）来实现;而MT-BSGP探索了东南社区的类似数据模式，以补充更多信息来预测东北社区的电力。由这些方法得到的RMSE和SMAPE如表1所示。实验结果表明，在单任务结构下，MT-BSGP与ARIMAX相比减少了34%，与BSGP相比减少了22%，与SVM相比减少了20%，与RF相比减少了17%，与NN相比减少了15%。可以看出，多个数据源的组合可以减少MT-BSGP的预测误差。

在性能比较中，对所有的方法进行了优化，并为它们选择了最佳的参数。例如，对于ARIMAX，通过用R编程语言在forecast包的auto函数中搜索可能的模型来选择最佳模型。对于SVM，采用径向基函数核函数，通过10次交叉验证进行参数优化，得到最优参数。在参数优化后，用R语言在randomForest包中实现RF。对于NN，采用多层感知器方法，通过优化隐层参数、每个隐层中的神经元数目和误差函数偏导数的阈值作为停止准则，确定最佳初始值;选取隐层3个神经元的最佳神经网络，阈值为0.01，最大步长为1×107。

图3比较了MT-BSGP预测负荷曲线与实际负荷曲线。从图3可以看出，MT-BSGP方法可以有效地捕捉家庭电力负荷的趋势。

3.2 多任务学习与基于融合数据的学习

MTL并不像合并来自多个社区的数据那么简单。简单的多社区数据融合忽略了社区的独特信息和社区间的差异，从而引入了可能对模型学习过程产生负面影响的信息。然而，MTL探索了数据中的相似模式，并区分了社区间共享的信息和社区特定的信息，从而提高了学习的准确性。当两个数据集具有一定的相似性但也存在显著的差异时，将这些数据集合到单个任务学习框架中通常比在多任务学习框架中分别处理它们的效果差。

图4是MT-BSGP与其他三种方法的比较结果。可以看出，MT-BSGP在融合数据上的性能明显优于SVM、RF和NN。比较表1和图4，使用合并数据进行的学习并没有明显降低RMSE。因此，MTL方法在探索社区间的关联性和不同社区间的知识转移以提高预测精度方面具有重要价值。

3.3 MT-BSGP与MTL方法

本文提出的MT-BSGP方法与三种基于正则化的MTL方法进行了比较，包括Dirty模型[14]、稀疏低秩（sparse-low rank，SLR）[19]和鲁棒（robust）MTL[20]，以及與LR-OKL[13]进行了比较。提出的LRDM与上述基于正则化的MTL方法之间的差异如表2所示。在有GP和没有GP的情况下，使用上述MTL方法获得的结果在表3中给出。实验结果表明，在基于正则化的MTL方法中加入GP可以明显提高预测精度。与SLR+GP相比，MT-BSGP使RMSE降低了22%。实验结果还表明，LRDM的性能比Dirty模型高11%。在Dirty模型中加入共享低秩结构（l*）可以显著提高预测精度，从而说明低秩结构对提高预测精度的贡献。同时，与SLR和Robust方法相比，LRDM的RMSE分别减少了24%和10%。

图5比较了MT-BSGP、BSGP和LR-OKL在工作日随机选择的房屋的预测负荷情况。尽管LR-OKL与表3中所示的其他方法相比，其误差显著降低，但提出的MT-BSGP进一步将RMSE降低了14%，并更好地捕捉了时间数据变化。给定相同的MTL数据源，所提出的MT-BSGP还利用了模型结构的优点。该模型结构被分解为一个μ和一个GP，μ用于捕获社区之间的共享时间相关性，GP对特定于社区的局部变化进行建模。基于分解的模型（μ-GP）优于LR-OKL所采用的集成核方法，因为在LR-OKL方法中为核函数选择合适的参数。实验结果表明，最大误差出现在高峰时段（第33个30min）。该结果很正常，因为峰值负荷是一个相对罕见的事件，每天发生一次，持续时间很短。因此，负荷预测对于高峰负荷的误差通常大于非高峰负荷。从图5可以看出，在全天的总体性能方面，MT-BSGP方法优于其它方法。对于峰值负荷预测，MT-BSGP方法也优于其他方法。图6进一步比较了所有方法的标准差。可以看出，MT-BSGP具有最小的平均RMSE和标准差。

3.4 MT-BSGP与基于聚类的方法

为了体现所提出的MT-BSGP优于基于聚类的方法，将BSGP和MT-BSGP与基于聚类的负荷预测模型[18]进行了比较。根据文[18]，该方法考虑不同的k（例如，k从1到10），并根据获得的最小误差来选择最佳k。给定的k进行k-means聚类后，将LS-SVM应用于每个簇。然后，得到并结合每个簇的预测结果，从而得到最终的估计结果。而且，选择精度最高的k值来确定类的数量。

利用k-means算法对训练数据中的房屋（东南社区50户，东北社区10户）进行聚类，根据其在1到10之间的不同指定“k”下的负荷消耗模式进行聚类。因此，对于每个指定的“k”，所有的房屋都被聚集到k个簇中。然后，对每一个簇进行LS-SVM训练，并对其进行第二天的预测，并记录RMSE。最后，集合每个“k”的误差，并选择导致最小误差的“k”（由LS-SVM获得）。根据文[18]的过程，东南社区选择k=5，东北社区选择k=4。然后，对东南部和东北部的所有簇进行了空间依赖性检验，实验结果表明，东南部的簇4和5以及东北部的簇1和3在簇内确实表现出了空间依赖性。MT-BSGP与其他方法在东南部和东北部具有空间依赖性的簇进行了实验，实验结果如表4所示。从表4看出，在SMAPE方面，BSGP可以将东南社区的簇4和5的精度分别提高22%和20%。在SMAPE方面，在东北社区的簇1和3，BSGP的精度比基于k-means的LS-SVM分别高出9%和7%。因此，在一些空间相关性仍然存在的簇中，考虑GP和空间相关性可以提高预测效果。

4 结 论

为了预测电力短期负荷，提出一种基于MT-BSGP的方法，该方法可以捕捉城市不同居住社区之间的关联性和家庭之间的局部空间变化。为了更好地捕捉不同居住社区之间关联性，提出了一种新的多任务学习方法，即LRDM。该方法通过使用“公共特征集”（ll，∞范数）和“共享低秩结构”（l*范数）来改进MT-BSGP的学习。另外，为了克服LRDM和高斯过程参数联合估计的困难，提出了一种迭代算法。通过采集到的安庆市相关数据进行实验，得到了以下结论：1）与传统的单任务学习方法（ARIMAX、BSGP、SVM、RF和NN）相比，MT-BSGP的性能分别提高了34%、22%、20%、17%和15%;2）所提出的MT-BSGP比基于融合多社区数据的SVM、RF和NN的性能分别高出20%、18%和17%。3）提出的MT-BSGP的性能优于SLR、Dirty、Robust和LR-OKL。因为它在μ中同时使用了“公共特征集”和“共享低秩结构”，故可以跨社区共享;同时采用μ-GP分解结构。4）由于空间依赖性可能仍然存在于某些簇中，因此提出的算法的性能优于基于k-means的LS-SVM方法，而空间依赖性只能由MT-BSGP中的GP捕捉到。在将来的工作中，在电力市场中的动态定价方案中将考虑采用提出的负荷预测方法，以提高能源利用率和成本效益。

参 考 文 献：

[1] 李军，李世昌.基于K-SVD-OMP的稀疏表示方法在电力负荷预测中的应用[J].电机与控制学报，2020，24（9）：156.

LI Jun， LI Shichang. Application of Sparse Representation Method Based on K-SVD-OMP in Electricity Load Forecasting[J]. Electric Machines and Control， 2020， 24（9）：156.

[2] 向红伟，常喜强，吕梦琳，等.考虑光、储、燃联合发电的微电网优化运行[J].哈尔滨理工大学学报，2020，25（2）：73.

XIANG Hongwei， CHANG Xiqiang， LV Menglin， et al. Optimal Operation of Microgrid Considering Photovoltaic， Storage and Turbine[J]. Journal of Harbin University of Science and Technology， 2020， 25（2）：73.

[3] 李翔宇，趙冬梅.市场机制下多微电网多时间尺度优化调度研究[J].电机与控制学报，2020，24（7）：29.

LI Xiangyu， ZHAO Dongmei. Multi-time Scale Optimal Scheduling Strategy of Multi-microgrid Based on Market Mechanism[J]. Electric Machines and Control， 2020， 24（7）：29.

[4] 李洪跃，王锡淮，肖健梅.差分进化改进微电网负荷频率混合H2/H∞鲁棒控制[J].电机与控制学报，2019，23（11）：118.

LI Hongyue， WANG Xihuai， XIAO Jianmei.Differential Evolution Algorithm Improving for Micro-grid Load Frequency Mixed H2/H∞ Robust Control[J]. Electric Machines and Control， 2019， 23（11）：118.

[5] 庞传军，张波，余建明.基于LSTM循环神经网络的短期电力负荷预测[J].电力工程技术，2021，40（1）：175.

PANG Chuanjun， ZHANG Bo， YU Jianming. Short-term Power Load Forecasting Based on LSTM Recurrent NeuralNetwork[J]. Electric Power Engineering Technology， 2021， 40（1）：175.

[6] 王闯，兰程皓，凌德祥，等.LSTM模型在电力系统负荷预测中的应用[J].电力大数据，2021，24（1）：17.

WANG Chuang， LAN Chenghao， LING Dexiang， et al. Application for LSTMModel in Power System Load Forecasting[J]. Power Systems and Big Data， 2021， 24（1）：17.

[7] 范海虹.基于萤火虫算法的短期电力负荷预测方法[J].中国电力，2021，54（3）：141.

FAN Haihong. Short-Term Power Load Forecasting Method Based on Glowworm Swarm Optimization Algorithm[J]. Electric Power， 2021， 54（3）：141.

[8] 杨婧，安江.基于自适应混合算法的短期电力负荷预测[J].计算机与数字工程，2020，48（11）：2569.

YANG Jing， AN Jiang. Short-Term Load Forecasting Based on an Adaptive Hybrid Method[J]. Computer and Digital Engineering，2020， 48（11）：2569.

[9] 牛安敏，张宏立，王聪.基于VMD-Leaky-ESN的电力系统短期负荷多步预测方法[J].新疆大学学报（自然科学版）（中英文），2020，37（4）：562.

NIU A M， ZHANG H L， WANG C. Multi-step Short-term Load Forecasting Method of Power System Based on VMD-Leaky-ESN Algorithm[J]. Journal of Xinjiang University（Natural Science Edition in Chinese and English）， 2020， 37（4）：562.

[10]苏振宇，龙勇，赵丽艳.基于regARIMA模型的月度负荷预测效果研究[J].中国电力，2018，51（5）：166.

SU Zhenyu， LONG Yong， ZHAO Liyan. Study on the Monthly Power Load Forecasting Performance Based on Reg ARIMA Model [J]. Electric Power， 2018， 51（5）：166.

[11]SHENG H， XIAO J， CHENG Y， et al. Short-term Solar Power Forecasting Based on Weighted Gaussian Process Regression[J]. IEEE Transaction on Industrial Electronics， 2018， 65（1）：300.

[12]ZHANG Y， LUO G， PU F. Power Load Forecasting Based on Multi-task Gaussian Process[J]. IFAC Proceedings Volumes， 2014， 47（3）：3651.

[13]FIOT J， DINUZZO F. Electricity Demand Forecasting by Multi-task Learning[J]. IEEE Transactions on Smart Grid， 2018， 9（2）：544.

[14]JALALI A， RAVIKUMAR P， SANGHAVI S. A Dirty Model for Multiple Sparse Regression[J]. IEEE Transactions on Information Theory， 2013， 59（12）：7947.

[15]史佳琪，譚涛，郭经，等.基于深度结构多任务学习的园区型综合能源系统多元负荷预测[J].电网技术，2018，42（3）：698.

[16]KONILA Sriram L M， GILANIFAR M， ZHOU Y， et al. Causal Markov Elman Network for Load Forecasting in Multinetwork Systems[J]. IEEE Transactions on Industrial Electronics， 2019， 66（2）：1434.

[17]任海军，张晓星，孙才新，等.短期负荷多变量混沌时间序列正则化回归局域预测方法[J].计算机科学，2010，37（7）：220.

REN Haijun， SUN Xiaoxing， SUN Caixin， et al. Regulation Regression Local Forecasting Method of Multivariable Chaotic Time Series in Short-term Electrical Load[J]. Computer Science，2010， 37（7）：220.

[18]WANG X， LEE W， HUANG H， et al. Factors that Impact the Accuracy of Clustering-based Load forEcasting [J]. IEEE Transactions on Industry Applications， 2016， 52（5）：3625.

[19]XIE G， CHEN X， WENG Y. An Integrated Gaussian Process Modeling Framework for Residential Load Prediction[J]. IEEE Transactions on Power Systems， 2018， 33（6）：7238.

[20]苏运，卜凡鹏，郭乃网，等.基于低秩表示的多任务短期电力负荷预测的研究[J].现代电力，2019，36（3）：58.

SU Yun， BU Fanpeng， GUO Naiwang， et al. Research on Short-term Load Forecast Using Multi-task With Low-rank Representation[J]. Modern Electric Power， 2019， 36（3）：58.

（编辑：温泽宇）

作者：李智勇 苏寅生 李斌 刘春晓 李豹 谭守标

预测体系下电力市场论文 篇2：

工业化、城镇化进程中电力需求分析及预测

摘要：随着工业化、城镇化进程的不断加快，我国电力需求量将持续上升。电力的充足供应是我国经济稳步发展的重要保证，故合理准确的对电力需求进行分析及预测具有重要的现实意义。基于此，分析我国电力需求现状，利用通径分析筛选电力消费需求的核心驱动因素。在模型选择的基础上，基于单变量（ETS.ARIMA模型）和多变量（情景分析）两个维度进行电力需求量分析及预测。结果表明：CDP每提高1%使得电力需求量提高0.5249%；工业化水平每提高1%使得电力需求量提高2.2146%，城镇化水平每提高1%使电力需求量相应提高1.0076%。“十二五”末中国电力消费需求量将近61425. 96KW/h，2020年中国电力消费需求将近81410.lOKW/h。

关键词：预测科学；ETS：ARIMA；通径分析；电力需求

文章标识码：A

问题提出

随着我国经济的快速发展，工业化、城镇化进程也随之加快。电力行业作为我国国民经济的一项基础产业，是我国经济发展战略中必不可少的支柱型产业。充足的电力生产和供应能够为我国经济稳步发展，人民生活水平的提高以及社会整体的进步提供决定性的条件，同时电力供给不足将会对国民经济的发展起到阻碍作用。作为能源生产大国和重要的能源输出地，为保证经济发展，满足不断增长的能源消费需求，自改革开放以来我国不断加大能源的科学开发力度，加大能源基础配套设施建设，加快能源结构调整步伐。能源等矿产资源大规模开发与转化不仅为全国经济的快速发展提供了重要支撑，而且为世界的能源供应和能源安全做出了应有的贡献。电力行业更是在我国经济的发展中起到了积极的支撑作用。但是经济发展过快的同时导致对电力需求的日趋加大，电力供应出现了紧张的局势。我国2002年曾出现过大范围缺电，2004年缺电的省份曾达24个。中国从2003年开始就面临比较严重的电力短缺问题。因此，如何保证电力供应和国民经济的可持续发展是我国“十二五”期间需要解决的重大问题之一。在现阶段，我国市场机制发展仍然不健全，高速度经济发展很可能带来周期性的电力短缺。为保证我国经济发展的稳定以及相关能源政策的制定，电力消费需求的分析及预测成为一个重要的问题。

1 文献综述

截止目前，国内外对能源需求的研究文献相对丰富，对电力需求的分析及预测也是屡见不鲜。能源需求问题越来越多地吸引到了科研工作者的目光。就相关的问题，本文从多个角度与层次对电力需求问题进行了探讨。主要的研究集中在以下两方面：

（1）电力需求的驱动因素：在驱动因素方面，大量研究表明能源的需求量与经济增长、人口数量、经济结构等因素有关。Kraft通过对美国GNP与电力小芬的关系研究，利用Granger因果检验的方法发现GNP到电力的单向因果关系。Silk和Joutz利用协整的方法对美国居民电力消费的研究及需求预测，也发现了GDP与电力需求有关。Thoma对美国的经济产出和电力消费分部门进行了实证分析，Granger因果检验表明经济增长能够引起电力消费的变化。Steenhof PA，Fulton W在研究中国的电力需求和供给决策的驱动力方面认为该框架包括技术和社会经济的驱动力，包括那些影响电力需求的因素，即经济增长，结构，能源效率，城市化，人均收入的变化，电力供应等。林伯强针对中国电力消费的研究中利用资本存量、人力资本与电力消费三要素的生产函数，采用计量经济学的分析方法：协整分析和误差修正模型及Granger因果检验方法，研究中国电力消费与经济增长之间的关系发现，中国电力消费与经济增长具有内生性，且互为因果关系。王海鹏等运用协整理论和Granger因果关系实证研究了我国电力消费和经济增长之间的协整关系和因果关系，通过建立误差修正模型分别描述了电力消费和经济增长之间的长期均衡关系和短期动态关系，Granger因果检验表明电力消费和经济增长之间存在双向的因果关系。

（2）电力需求的预测方法：在研究电力需求所用方法上，朱忠烈、杨宗麟等按照电力需求预测方法的理论基础，总结预测方法总体分为三种：经典电力需求预测方法、传统电力需求预测方法及现代电力需求预测方法。经典电力需求预测方法主要有：单耗法、弹性系数法、负荷密度法与分部门法等。传统电力需求预测方法主要有时间序列平滑法、回归模型法、趋势外推法与相关分析法。现代电力需求预测方法主要有灰色预测法、神经网络预测法、小波分析法、模糊预测法、状态空间与卡尔曼滤波及优化组合预测法。同时随着智能算法的不断发展，预测方法从传统的时间序列平滑法、回归模型法、趋势外推法与相关分析法发展到现在的模糊集、粗糙集、支持向量机、遗传算法等智能化方法已被广泛引入到能源预测中。例如Yukun Bao提出了一种新颖的multiple-step-ahead时间序列预测方法：采用多输出支持向量回归（M-SVR）与多输入多输出（MIMO）预测策略。

其中被广泛应用的自回归（AR）、移动平均（MR）、自回归移动平均（ARMA）、自回归整体移动平均（ARIMA）和一般指数平滑等各类方法被学术界成功的接受。协整检验中包括的标准Granger因果检验和极大似然法检验以及单位根检验和误差修正模型（ ECM）在研究经济增长与电力消费需求的过程中应用最多。Badri MA，Al-Mutawa A，Davis D，Davis D开发了以变化的时间为基础的决策支持系统，集成数据管理、模型基础管理、仿真、图形显示、统计分析，为阿联酋提供了用电高峰负荷的近最优的预测模型。模型基础包括各种时间序列技术，如指数平滑法、Box-Jenkins法（利用时间序列的自相关函数和偏相关函数的特征，采用AR、MA和ARMA三种模型对时间序列进行建模识别）、动态回归。Zachariadis T，Pash-ourtidou N研究了塞浦路斯住宅和服务业的电力消耗与收入、价格和天气的关系。利用时间序列技术，进行是否存在结构性水平突变的单根检验、协整检验、向量误差修正模型、Granger因果检验和脉冲响应函数。Saab S，Badr E，Nasr G使用AR（1）和有限脉冲响应滤波（a finite impulse response filter）的混合模型预测黎巴嫩的电力需求，该混合模型比自回归模型和ARIMA模型有更高的精度。

虽然国内外学者对电力需求的研究已经相对深入，但是由于各国各地区的经济发展水平和产业结构存在明显的差异，影响因素的选取还存在一定区别。中国作为发展中国家的代表，拥有世界第一大的人口，第二大规模的经济，城镇化和工业化的脚步正迅速加快。而以往的研究中通常都只是考虑了传统因素，如固定资本和劳动力等，只有极少的文献将工业化和城镇化这两个重要的影响因素同时纳入影响因素的考虑范围。何晓萍等在林伯强提出的城市化和工业化进程对能源需求的刚性问题及林伯强对城市化和工业化进程影响能源需求的理论逻辑讨论的基础之上，通过分析和总结工业化和城镇化这两个因素在中国电力需求中的重要性，首次将这两个因素同时作为重要的控制变量对中国城镇化进程中的电力需求进行了预测，并分析比较了主要的结果。随着工业化的推进，从事农业生产的人口比重越来越少。“十一五”期间，我国城镇化水平显著提高，按照国家统计局统计口径，截止2012年我国城镇人口为71182万人，城镇化水平达52.57%，比上年年末提高1.3%。可见，在工业化加快的同时带动了城镇化。所以，本文在研究电力需求分析和预测时以工业化和城镇化作为前提将具有很重要的现实意义，也将为我国的经济发展战略部署提供相对有效的政策建议。

在建模策略上，现有研究多采用的是直接建模。在针对一个地区的电力需求做分析和预测时，国内外使用传统的时间序列分析法、回归分析法、单耗法、弹性系数法等直接建模较为常见。同时克强指数也指出，电力消耗与经济变量间具有直接相关性。所以本文将从两个维度，分别采用时间序列单因素分析和情景预测多因素分析进行直接建模。通过对1995年至2010年间我国电力相关数据的收集处理，在模型选择的基础上通过ETS和ARIMA模型进行单变量分析预测，然后再通过通径分析方法筛选电力需求的核心影响因素，通过情景分析进行多因素分析预测。通过两类模型、三种形式来分析预测我国的电力需求情况。

2 模型构建

2.1 单变量预测

在单变量预测方面主要是时间序列预测，时间序列预测用的最多的是平滑预测模型和ARIMA预测模型，历史上有大量关于这些模型的理论及实证研究，并仍在被不断的改进。平滑预测模型是在移动平均的预测方法上发展起来的，较之移动平均法有所改进，主要是利用平滑系数来进行移动平均预测，最早且应用最多的平滑预测模型是HW（Holt-Winters，简记HW）模型。而ARIMA（Autoregressive Integrated MovingAverage Model，简记ARIMA）模型在经济预测过程中既考虑了经济现象在时间序列上的依存性，又考虑了随机波动的干扰性，对于经济运行短期趋势的预测准确率较高。虽然有很多近期文献中的证据表明简单模型如Holt-Winter执行效果同样或者好于复杂的模型，但是Lisa Bianchi，Jeffrey Jarrett，R.ChoudaryHanumara基于对电话营销中心的被叫通话进行预测，对比分析了加法和乘法版本的HW呈指数加权移动平均模型与Box-Jenkins（ARIMA）模型，发现ARIMA模型表现的更好。为对比分析效果，本文分别选取ETS（指数平滑技术）和ARIMA模型对我国电力需求量做单变量预测。

ETS（指数平滑技术）虽然在1950s年代就已经出现并开始应用，经过了几十年的发展历程开始成熟，但是在不同模型间进行选择以获取所需的“最优”模型直到近年才有所发展，Hyndman et a1.对指数平滑模型进行了归纳总结，分为15种情况，具体见表1。

指数平滑（Exponential Smoothing）模型ETS（Error， Trend，Seasonal）中的三项分别表示误差项、趋势项及季节项三种成分，其中，（Trend，Seasonal）的组合有表1中所列15种组合。残差项分为迭加形式和相乘形式，若假定yt=μt+εt，则为加法误差（additive errors）模型，若假定yt=μt（l+εt），则为乘法误差模型。故在考虑不同误差形式的情况下，可以将上述15种模型扩展为30种。仅以预测的结果来看，残差项取加法形式或乘法形式几乎没有影响。但是在不同的样本数据下，不同的残差形式却各有优劣。因为涉及被0除的问题，因此在选择不同的残差项加乘形式、趋势项加乘形式、季节项加乘形式的组合时要相当谨慎。在样本均为严格正时，取残差乘法形式是非常有优势的；但在样本有零值或负值时，乘法形式的模型将不再适用。针对电力消费量，在30种ETS模型及上百种ARIMA模型的计算结果下（R的FORECAST程序包），通过信息准则（AIC，BIC，AICc）的选择及预测精度的比较，最终模型选择结果及精度统计结果如表2。ETS模型及ARIMA模型的参数估计结果见表3、表4。

经过推导，本文的指数平滑估计电力需求量ETS（M，A，N）模型具体形式如下：其中，It表示时间t时的截距项，bt表示时间t时的斜率，a，β为常数值。

表5及图1给出了电力需求量的预测结果，在进行模型选择的时候，根据预测精度对模型进行了比较和筛选，ETS的预测结果和ARIMA的预测结果十分接近。按照两种预测结果，全国电力需求量在2011年和2012年分别为46835亿KW/h和51740亿KW/h左右，这与2011年和2012年实际的电力消耗量46928亿KW/h和49591亿KW/h差距很小，说明两种预测方法的效果较好，能够有效地反映出我国电力需求未来的发展趋势和状况。理论上来说ARIMA模型更适合具有周期性的年度数据预测，而ETS模型能更好的对非平稳性及非线性特征的数据进行预测。由表2可见，变量数据具有非平稳性，同时不具有周期性，这说明电力需求量趋势特征更为显著，ETS模型的预测结果可能更加准确。另外2012年实际的电力需求数据大于ETS和ARIMA的预测值，对这种发展潜力巨大、发展速度极快的行业来说，实际需求或消费数据高于规划值是合理的。

但是随着中国居民收入稳步增加，经济发展方式转变加快，经济结构进行战略性调整，城乡居民消费潜力进一步释放，形成消费、投资、出口协调拉动经济增长的新局面。工业化、信息化、城镇化、市场化、国际化深入发展，电力需求更加旺盛。这些新的情况或者新的发展阶段肯定会对电力需求的变动产生极大的影响，也就是说简单的通过单变量历史值进行趋势预测是不全面的。因为这种预测是在时间序列分析理论的历史记忆性规则下得到的。实际中，正是由于未来不确定性的存在，才使得预测成为难度较大并获得广泛关注的一门科学。因此，基于对未来不确定情景的假定，对目标变量进行预测成为很多著名研究机构及政府机构做决策的基础。本文也将利用情景分析来对电力消费需求进行预测，从多因素的维度分析电力消费需求的影响因素，再进一步通过通径分析方法筛选出核心的影响因素，建立回归方程找出变量之间的关系，从而进行电力需求预测。

2.2 多变量预测

如果要利用多变量技术来预测电力需求量，就必须获得这些核心影响因素的未来预期值，文献中使用较多的是利用情景分析法来给出未来的情景假设下的自变量预测值，然后代入模型以获得因变量的预测值。在情景分析中最重要的是自变量的基准情景，然后在合理浮动的基础上给出好或差的情景分析。随着信息技术的发展，涉及到技术的预测都很难把握未来的走向，虽然知识、信息是一个渐变的积累过程，但技术的创新很可能是一种离散形式的突变，基准情景下预测值的上下区间浮动很难反映预估变量的未来变化。因此本文只给出基准情景，而不在此基础上进行多种情景下的预估。

2.2.1 核心影响因素筛选

通过对已有的研究结论进行分析可知影响电力需求量的因素很多，涉及各个方面，而且因素间的相互关系比较复杂。所以，本文基于文献综述提及的国内外研究并根据我国自身的发展特征以及本文的研究重点，将分别从需求和供给、替代能源、成本因素和国家政策等角度综合考虑选取如下影响因素：

国内生产总值GDP：在电力及能源研究的文献中，国内生产总值是最早出现的也是最常使用的解释变量，也被众多学者认为是影响电力需求的决定性因素。中国的电力消费与经济增长具有内生性，并且这两个变量之间是相互联系的。林伯强在电力消费和中国经济增长：基于生产函数的研究中证明了这一经验假设。研究证明了在GDP与电力消费之间存在着显著且稳定的正相关关系。

工业化水平：从宏观的角度，我国目前正处于重工业化的发展阶段。工业耗电量一直是电力消费中主要部分，也是最大部分。近年来，工业耗电量一直占全国总耗电量的70%，工业化的加快也促使电力消费的大幅度增长。我国目前正处与发展阶段，工业化成为发展过程中的主要标志，吴玉鸣、李建霞的研究发现，在产业结构中，工业比重的增加，是导致国内生产总值（GDP）电力强度增加的一个重要原因。因此，本文以第二产业的产值占GDP比重作为衡量指标。

城镇化水平：经济的快速发展随之带来的是城镇化和工业化的加快，城镇化的加快推动的是相应的基础设施、交通住房体系的建设，从而导致的就是高耗能的工业、建筑业的发展，使得居民用电量增加。Reinhard Madlener研究发现2011年间城市消耗了世界上75%的资源，并得出世界上不同城市机制、不同发展水平的国家，其能源需求都会随着城市化的发展而上升这一重要结论。因此本文假设城镇化率与电力需求呈正相关，用城镇人口占总人口的比率表示城市化率。

电价：价格是影响需求和利用率的关键因素之一。随之电价改革的进一步深化，电价水平对电力需求的影响越来越大。用电价格水平下降，在一定程度上会刺激农村居民的用电量，但是一些工业用电大户对电价的承受还是相对较低。中国能源市场化改革尚未完成，电价仍由行政制定，电价水平多年不变。因此，直接采用电价较难反映它对电力需求的影响，燃料价格较早地实现了市场化定价机制，再考虑到中国电源结构以火电为主，所以本模型选择燃料零售价格指数作为电力价格指标，假定价格上升会降低电力需求。

数据来源于《中国能源统计年鉴》、《中国统计年鉴》，WIND数据库，样本区间选取1995～2010年。对所有变量均取对数处理，取对数后的数据更加平滑，消除异方差，同时可以将数据间的非线性关系（幂函数及指数函数关系）转化为线性关系。

在影响因素研究中，大部分研究采用多元回归分析方法，但该方法的缺点是不能消除多重共线性。为了解决这一问题，数量遗传学家Sewall Wright于1921年提出来的一种多元统计技术——通径分析。通径分析是简单相关关系的进一步发展，在多元回归的基础上通过对自变量与因变量之间表面直接相关性的分解，通过直接通径、间接通径和总通径系数来研究自变量对因变量的直接作用、间接作用以及综合作用，从而为统计决策提供可靠的依据，在众多领域得到广泛应用。例如Jian Chai等将此方法应用在分析石油价格影响因素的研究中。

在进行通径分析之前应该对被解释变量y进行正态性检验，本文数据属于小样本故选用Shapiro-Wilk方法进行检验。统计量0.916，偏度为0.147，说明Y服从正态分布，可以进行通径分析。经过通径分析筛选和检验，最终确定三个解释变量进入最终模型，分别是GDP、工业化水平和城镇化率。直接作用大小排序（按绝对值大小排序）：GDP>C>IP，从综合影响（相关系数绝对值大小）排序为：GDP>C>IP，可以发现不管是从直接影响还是综合影响来看GDP都是对我国电力需求量作用最为显著。这是因为现阶段我国还处于发展阶段，经济增长还是主要依靠工业拉动，而工业产值的增长又是主要以能源工业为主导。工业化水平和城镇化率的加快，伴随着交通运输、基础设施的跟进，最终也会反映到GDP的增长中。从影响因素的决定系数：R（CDP）2=1.582086，R（lP）²=0.442013，R（C）sup>2，=1.828643，故GDP、工业化水平和城镇化率都是电力消费的主要推动因素，且城镇化率的推动作用> GDP的推动作用>工业化水平的推动作用。这说明近年来城镇人口的增加确实对电力消费起到了很大作用。决定系数R2=0.99488，说明选定的因素对变量的解释能力达到了99.49%，证明通径分析把握住了主要的影响因素。

2.2.2 情景分析预测

回归的最终结果显示在5%的置信水平下，保留的所有变量均通过了显著性检验，而且调整后的Rz值达到了0.9936，这说明拟合效果很好。序列残差的独立性及平稳性也均通过检验。同时，从弹性的角度分析给出了我国电力消费需求对解释变量的敏感性结果。GDP每提高1%使得电力需求量提高0.5249%；工业化水平每提高1%使得电力需求量提高2.2146%，城镇化水平每提高1%使得电力需求量相应提高1.0076%。可以看出，电力消费对工业化发展和城镇化化水平的反应比较强烈，弹性较高，具体回归结果见表9。

利用上面的回归结果，拟合的回归方程为：Lny=1.6185+0.5249LnGDP+2.2146 Ln/P+1.0076LnC。

本文给出了2011～2020年电力需求核心影响因素的基准情景估计值，根据我国“十二五规划”，我国国内生产总值在2015年将达到55.8万亿元，年均增长7%，故本文以7%的增长率计算GDP变化量。2015年城镇化率要达到54%以上，“十二五”第一年（2011）的城镇化率已达到51.27%。十八大后，中国政府致力于改变贫富差距、保持经济的持续发展，而完成这两个目标的最重要的一个措施就是城镇化，通过城镇化来缩小贫富差距，在城镇化过程中基础设施、产业的转移和结构调整将带动大量的投资和就业。因此未来城镇化的速度不会下降，按照十八大后大部分人口专家的估计，2020年中国的城镇化将达到60%以上。按照这个预期，城镇化的年增长率将达到2010左右，本文以增长率2%的标准来设定2011～2020年中国的城镇化率。又因为在“十二五规划”中提到，工业占GDP比重总体变化不大，但其内部结构将发生剧烈转变，即从“十一五”时期以能源原材料工业为主导向以高加工度、高技术含量制造业为主导转变，同时产品结构会发生由生产资料为主向消费资料为主的转变，第二产业比重在波动中趋于下降，2015年达到45%左右，通过计算可得十二五期间第二产业比重的增长率为-0.76%，具体结果见表10。

2.3 组合预测

根据表5、表10的预测值，本文得到电力需求在两类模型、三种形式下的预测值以及他们的组合预测结果。具体结果见表11。

表11表明，时间序列技术的合成预测结果比情景分析下的多元回归预测结果值要大，也就是说如果发展趋势延续历史趋势，电力消费需求量将会很大。另外，两种时间序列模型的预测结果说明电力消费需求趋势性发展特征明显，无周期性。而多元回归预测考虑了核心影响因素的变动趋势，在基准情景设定下，该模型得到的电力消费需求的预测值与时间序列ETS模型结果和ARIMA模型结果相差很大。但与2011年和2012年电力消费的真实值相比，ETS和ARIMA模型预测得到的预测值要更接近。这主要是因为政府的未来规划认为城镇化水平及工业化水平的趋势均会减缓，即使能够延续前十几年的发展趋势，但增长速度肯定有所降低，这在理论上也是合理的。这就使得多变量预测结果小于历史记忆性规则下的时间序列模型预测结果。而多变量模型也是基于历史数据获得，然后将变量间的关系延续到未来进行预测，其实也具有单变量时间序列递推模型的记忆性，只是利用目前所获得的信息对未来的预测做了灵活的预估和修正。但是有很多未考虑的因素也许在未来会起到关键作用，如人口红利的到来、技术进步等很可能会弥补本文选取的核心影响因素所带来的不利影响，这样单变量时间序列递推模型与多元回归模型就各有优劣。所以，本文对其结果又进行了组合预测。组合预测的时候会遇到权重的选择问题，很多的文章（Jeong-Ryeol Kurz-Kim）讨论过组合预测的权重设定问题，但是既然认定了所选择的模型各有优劣，如果在组合时给予不同的权重相当于对模型有了优劣的排序，这样就可以选择最优的模型而不必再做组合。因此简单的等权重组合预测模型也就具有了很好的合理性和适用性。基于此，本文利用ETS模型、ARIMA模型及情景分析的多元回归进行等权重组合预测，具体计算结果见表11。

3 结论

城镇化是每一个国家发展过程中所必然经历的阶段，中国的城镇化也不可逆转。就目前中国的经济发展速度和社会现状，如果没有出现大的灾难，城镇化要持续到2020年。同时中国的工业化也将要持续发展。在这个过程中我们需要正确地认识能源现状，合理预测未来的电力消费需求。本文对电力需求量进行深入剖析，在模型选择的基础上，从单变量和多变量两个维度对电力需求量分别进行分析和预测。在单变量预测上主要采用了ETS和ARIMA两个预测方法；在多变量分析时，利用通径分析筛选核心影响因素，进一步分析了电力需求的驱动因素。最后综合单变量及多变量的分析预测结果，通过组合预测对电力消费需求进行了分析预测。结果表明，虽然政府部门通过调控尽力降低电力需求量，但保守估计“十二五”期末中国电力需求量将达到近61500亿KW/h，2020年中国电力消费达到近81400KW/h，2011～2020年的年平均需求增长率达到5.9%。根据预测和分析结果，本文给出以下建议：

首先，本文实证研究表明电力需求对GDP的弹性已经小于1，但经济发展一直是电力消费的主要动力，而且两者之间具有显著的正相关关系，同时宏观经济环境变化相对电力需求变化来说具有滞后效应。这说明就电力行业的长远发展和规划我们要充分考虑宏观经济的发展，在我国电力对GDP的弹性的基础上建立有效的短期和长期电力规划。其次，目前的低价能源（包括电价）管制政策使价格不能充分反映资源稀缺和环境成本，鼓励了能源的低效利用，特别是推动了高耗能产业的迅速扩张。而我国正处于工业发展进程中，高耗能产业比重相对较大，更需要电价改革来控制高耗能产业的迅速扩张。尽管目前电价改革仍然处于探索阶段，电力市场仍是由政府实行管制，但是我国各地区的发展程度不同，高耗能产业主要集中在中西部，统一定价不利于各地区的平衡发展。所以，电价改革势在必行。最后，在考虑产业结构的影响时，我们发现以重工业为主的第二产业在我国的经济发展中一直占有较大的比重。重工业对全国的经济发展拉动作用仍然很大，尤其是在工业化进程不断加快的前提下。但保证经济发展的同时，我们也应该优化产业结构，减少经济结构中高耗能企业比重，提高产业升级，提高电力使用率，实现美丽中国。

作者：柴建 卢全莹 钟毓 汪寿阳

预测体系下电力市场论文 篇3：

电力系统负荷预测方法综述

摘 要：负荷预测对电力系统的调度运行和生产计划有着前瞻性的作用，准确的负荷预测在当前的电网运行中扮演越来越重要的角色。负荷预测在电力系统中指的是在充分考虑一些重要的自然条件、社会影响、增容决策、系统运行特性等情况下，利用数学方法对过去或者未来的负荷进行处理，在满足一定精度的情况下，可以预测出某一特定时刻的负荷值。该文给出了电力系统负荷预测的概念，并论述了其意义，对现有的负荷预测方法进行了分类与原理性的介绍，并对未来的发展方向做出了展望。

关键词：电力系统 负荷预测 新发展

电力系统负荷预测的结果可以在某种程度上反映负荷的发展现状。通过预测结果，调度部门可以确定各规划年用电负荷构成、供用电量最大负荷、各供电区域各规划年供用电量及规划地区总的发展水平。负荷预测对于电源的建设规划、发电机组的安装和容量确定、电网的增容等都有重要的意义，同时也是推进电力市场化合调控运行的基础。

1 负荷预测的概念

电网、供电区域或发电厂在某个时刻所承担的用户功率消耗之和称为负荷。按照负荷在电力系统中所处的位置又可将负荷分为发电负荷、供电负荷和用电负荷；对于负荷检测部分来说，负荷在时间上可分为年、月、日、时、分负荷。

2 负荷预测的作用和现状

从电力系统发展到现在，负荷预测的地位也经历了从轻到重的变化。在1970年至1996年这近30年的缺电时间内，由于当时的技术缺陷以及对于控制用电的力度等客观存在的原因，负荷预测的准确度并不高。而在1997年之后，我国的电力市场上供求关系发生了极大的变化，局部地区出现了供电的负增长等，而有的地区的用电却仍处于十分低迷的状态，因而在当下，我国对于负荷预测的高精度有了迫切的需要。

3 负荷预测的常用方法

3.1 单耗法

单耗法可分为“产品单耗法”和“产值单耗法”，一般在电力系统的负荷预测中采用的是“产品单耗法”。具体来说，产品单耗法指的是单位产品电耗法，通过产量和平均单位产品耗电量可以计算该产品的总电力需求量。由此得到总电力需求量的计算公式为：

式中A代表总电力需求量；b为产品需求量；q为产品单位的耗电量。

从单耗法的计算思路可以看出，由于短期内产品耗能和产量等是可以通过现有的迹象判断分析得出的，但是在实际操作中，每个产品的耗电量很难都有非常精确的结果，因此存在一定的局限性，且工作量也很大。

3.2 弹性系数法

国民经济平均增长率和区域总用电量的平均年增长率比值称为电力弹性系数，计算方法如下：

其中，表示电力弹性系数，表示国民经济平均年增长率，表示总用电量的平均年用电增长率，表示规划初期的总电力需求量，表示规划末期的总电力需求量。

根据当前社会的变化规律，电力弹性系数在一般情况下大于1。但是并不能简单的确定电力弹性系数的具体值，因而尽管弹性系数法方法简单、计算方便，但也存在工作量和结果精确度的问题。

3.3 回归分析法

对历史负荷进行整理，可以发现负荷的变化规律以及引起负荷改变的原因，从而确定出回归分析模型中的因变量、自变量和回归方程。

数学模型的一般表达式为：

回归分析法是通过纯数学理论和建模的思想而确立的，预测速度快且过程简单，具有平滑的外推性能，对负荷有很强的拟合能力，各参数的估计方法成熟，能够综合考虑各个影响因素，适合预测中期负荷。回归分析法的缺点是当变化趋势和分布律的稳定性要求过高或者数据样本不足时，无法确定回归方程，并且难以详细的描述负荷的各影响因素，精度也变得不能满足要求。

4 电力系统负荷预测技术的新发展

4.1 人工神经预测技术

解决时间序列预测问题（尤其是平稳随机过程的预测）多用ANN（人工神经元网络），因此在预测电力系统负荷时也可以用ANN。负荷预测是ANN在电力系统应用中最为合适的一个领域，也是目前为止研究的较多的一个课题，已经在现阶段取得了明显的成果。研究表明，与其他方法相比，ANN的预测结果更精确，具有良好的发展前景。但是因为技术不成熟，还有一些问题存在。如，把针对一个系统设计的ANN直接的应用在另一个系统上时，原来性能良好的ANN预测的准确性会明显减低。所以对于不同的系统，需要根据气象和负荷变化规律选取不同的ANN结构和模型、不同的数据处理方法和不同的特征参数。总而言之，需要做到具体系统具体分析。

4.2 小波分析预测技术

小波分析是一种时域—频域分析法，对于不同频段的成分可以进行逐步精细和较小步长的采样，甚至可以聚焦到一个信号的任意细节点上，且对奇异信号非常敏感，具有很强的处理突变或微弱信号的能力。具体的说，小波分析法就是把一个信号的信息转化成小波系数，从而可以更方便的进行分析、处理、传递、储存或重建原始信号。由于上述特点，小波分析法被广泛的应用在预测负荷等问题上。

通过对主要负荷的特征进行提取，小波分析法可以对将来的负荷进行预测。并且除了考虑运行频率、次序时间、负荷出现的时段等常规特征，还需要考虑负荷产生的无功功率因素等其他特征，从而利用小波分析法来识别和细分不同的负荷，这也是小波分析法进一步需要研究的方向。

5 结语

负荷预测是电力系统安全可靠经济运行规划的基础与前提，负荷预测的精确与否很大程度上影响着电网的稳定运行。现有的负荷预测方法尽管已经非常多元化，但是每个方法都有缺点和优点。负荷预测的未来工作包括：提高预测模型参数估计的精确度、挖掘负荷变化的规律、加强对负荷历史数据的处理、把多种预测方法相结合、探索新的模型等。

参考文献

[1] 张国江，邱家驹，李继红.基于模糊推理系统的多因素电力负荷预测[J].电力系统自动化，2002（26）：5.

[2] 牛东晓，邢棉，谢宏，等.短期电力负荷预测的小波神经元网络模型的研究[J].电网技术，1999（23）：4.

[3] 宋超，黄民翔，叶剑斌.小波分析方法在电力系统短期负荷预测中的应用[J].电力系统及其自动化学报，2002（14）：3.

作者：吴丹