CN103440556A - 一种基于经济传导的用电量预测方法 - Google Patents
一种基于经济传导的用电量预测方法 Download PDFInfo
- Publication number
- CN103440556A CN103440556A CN2013103949644A CN201310394964A CN103440556A CN 103440556 A CN103440556 A CN 103440556A CN 2013103949644 A CN2013103949644 A CN 2013103949644A CN 201310394964 A CN201310394964 A CN 201310394964A CN 103440556 A CN103440556 A CN 103440556A
- Authority
- CN
- China
- Prior art keywords
- season
- current
- industry
- power consumption
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明提供一种基于经济传导的用电量预测方法,该方法包括以下步骤:(1)根据各类用电量的影响因子,读取历史数据,构建分类预测模型;(2)获取目标季度各解释变量值,对目标季度的各类用电量进行分类预测;(3)计算目标季度的全社会用电量。本发明通过对区域内的历史分产业用电量、重点行业用电量进行分析研究,筛分出影响区域用电量变化的主要经济信息,找出与用电量变化关联度较高的系列经济指标,研究其对用电量影响的超前滞后特性,在此基础上构建从经济到用电量的分类传导预测模型,有效解决了长期以来预测人员无法将历史及未来的经济活动量化到用电量预测的过程中的问题,提高了用电量预测的精度。
Description
技术领域
本发明涉及电网用电量预测技术领域,具体是一种基于经济传导的用电量预测方法。
背景技术
用电量预测是电网公司制定生产综合计划制定经营计划的关键基础,合理准确的预测结论会给公司的经营决策带来正向效应,反之就会导致公司经营策略的背离,因此对未来季度或者年度的用电量预测显得至关重要。纵览国内外市场预测技术可知,现有的用电量预测技术可以归结为三类,但是都不能解决用电量预测的关键问题。
第一类用电量预测技术是依据历史用电量的实际发生值进行趋势外推,预测结论所包含的信息就是基于预测期的经济环境沿袭上一周期的发展模式,如果预测周期内的用电形势发生了较大改变或者方向性的掉头,该方法无法预测,因此在当前经济不稳定时期,该类方法的预测结论常常较实际发生的偏差较大。
第二类用电量预测技术是基于预测人员的经验判断预测年的增长幅度,预测人员会根据当前的经济形势、和自己的预测经验开展预测,这种对经济形势的判断仅局限于定性分析层面,而无法定量到具体的预测模型上,而对于预测的经验增长则更加依赖于预测人员个人的综合判断能力,预测结果的可信度不能得到有效保证。
第三类用电量预测技术是采用不同的算法对历史用电量实际发生值进行外推,试图从算法上解决用电量预测问题。这类预测技术从本质上讲,其预测思路与第一类相同,只是更改了实现用电量预测的数学途径而已,却不能从机理上、源头上解决用电量预测的关键问题。
发明内容
本发明要解决的技术问题是提供一种基于经济传导的用电量预测方法,以克服现有技术中存在的不足,提高用电量预测的精度。
本发明的技术方案为:
一种基于经济传导的用电量预测方法,包括以下步骤:
(11)获取历史样本区间各个季度的第一产业用电量、第一产业增加值和第一产业固定资产投资额数据,构建季度第一产业用电量预测回归模型:
获取历史样本区间各个季度的第二产业用电量、第二产业固定资产投资额、重点行业用电量数据,构建季度第二产业用电量预测回归模型:
获取历史样本区间各个季度的第三产业用电量、第三产业固定资产投资额数据,构建季度第三产业用电量预测回归模型:
获取历史样本区间各个季度的城镇居民用电量、城镇居民人均实际可支配收入、区域内城镇总人口,构建季度城镇居民用电量预测回归模型:
获取历史样本区间各个季度的农村居民用电量、农村居民人均实际可支配收入、区域内农村总人口,构建季度农村居民用电量预测回归模型:
(12)获取滞后目标季度当期一期的第一产业增加值、超前目标季度当期一期的第一产业固定资产投资额,根据所述季度第一产业用电量预测回归模型,预测目标季度当期的第一产业用电量;
获取目标季度当期的重点行业用电量数据、超前目标季度当期两期的第二产业固定资产投资额,根据所述季度第二产业用电量预测回归模型,预测目标季度当期的第二产业用电量;
获取目标季度当期的第三产业固定资产投资额,根据所述季度第三产业用电量预测回归模型,预测目标季度当期的第三产业用电量;
获取目标季度当期的城镇居民人均实际可支配收入、目标季度当期的区域内城镇总人口,根据所述季度城镇居民用电量预测回归模型,预测目标季度当期的城镇居民用电量;
获取超前目标季度当期两期的农村居民人均实际可支配收入、超前目标季度当期两期的区域内农村总人口,根据所述季度农村居民用电量预测回归模型,预测目标季度当期的农村居民用电量;
(13)将步骤(12)中预测得到的目标季度当期的第一产业用电量、第二产业用电量、第三产业用电量、城镇居民用电量、农村居民用电量累加,得到目标季度当期的全社会用电量。
所述的基于经济传导的用电量预测方法,
所述季度第一产业用电量预测回归模型为:
Y1t=A+B*X1t+1+C*X2t-1+AR(1);
其中,Y1t表示目标季度当期的第一产业用电量,X1t+1表示滞后目标季度当期一期的第一产业增加值,X2t-1表示超前目标季度当期一期的第一产业固定资产投资额,AR(1)为一阶调整项,A、B、C为常数,是将历史样本区间各个季度当期的第一产业用电量、滞后当期一期的第一产业增加值、超前当期一期的第一产业固定资产投资额代入所述季度第一产业用电量预测回归模型中拟合得到的;
所述季度第二产业用电量预测回归模型为:
Y2t=D+E*X3t+F*X4t-2;
其中,Y2t表示目标季度当期的第二产业用电量,X3t表示目标季度当期的重点行业用电量之和,X4t-2表示超前目标季度当期两期的第二产业固定资产投资额,D、E、F为常数,是将历史样本区间各个季度当期的第二产业用电量、当期的重点行业用电量之和、超前当期两期的第二产业固定资产投资额代入所述季度第二产业用电量预测回归模型中拟合得到的;
所述季度第三产业用电量预测回归模型为:
Y3t=G+H*X5t+AR(1);
其中,Y3t表示目标季度当期的第三产业用电量,X5t表示目标季度当期的第三产业固定资产投资额,AR(1)为一阶调整项,G、H为常数,是将历史样本区间各个季度当期的第三产业用电量、当期的第三产业固定资产投资额代入所述季度第三产业用电量预测回归模型中拟合得到的;
所述季度城镇居民用电量预测回归模型为:
Y4t=I+J*X6t* X7t +AR(1);
其中,Y4t表示目标季度当期的城镇居民用电量,X6t表示目标季度当期的城镇居民人均实际可支配收入,X7t 表示目标季度当期的区域内城镇总人口,AR(1)为一阶调整项,I、J为常数,是将历史样本区间各个季度当期的城镇居民用电量、当期的城镇居民人均实际可支配收入、当期的区域内城镇总人口代入所述季度城镇居民用电量预测回归模型中拟合得到的;
所述季度农村居民用电量预测回归模型为:
Y5t=K+L*X8t-2*X9t-2+AR(1);
其中,Y5t表示目标季度当期的农村居民用电量,X8t-2表示超前目标季度当期两期的农村居民人均实际可支配收入,X9t-2表示超前目标季度当期两期的区域内农村总人口,AR(1)为一阶调整项,K、L为常数,是将历史样本区间各个季度当期的农村居民用电量、超前当期两期的农村居民人均实际可支配收入、超前当期两期的区域内农村总人口代入所述季度农村居民用电量预测回归模型中拟合得到的;
构建季度全社会用电量预测回归模型:
Yt= Y1t+ Y2t+ Y3t+ Y4t+ Y5t;
其中,Yt表示目标季度当期的全社会用电量。
所述的基于经济传导的用电量预测方法,所述重点行业包括黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、水泥制造业、化肥制造业;
目标季度当期的重点行业用电量的获得包括以下步骤:
(31)获取历史样本区间各个季度的黑色金属冶炼及压延加工业用电量、生铁产量、第二产业固定资产投资额,构建季度黑色金属冶炼及压延加工业用电量预测回归模型:
X31t=M+N*Z1t+O*Z2t-2+AR(1);
其中,X31t表示目标季度当期的黑色金属冶炼及压延加工业用电量,Z1t表示目标季度当期的生铁产量,Z2t-2表示超前目标季度当期两期的第二产业固定资产投资额,AR(1)为一阶调整项,M、N、O为常数,是将历史样本区间各个季度当期的黑色金属冶炼及压延加工业用电量、当期的生铁产量、超前当期两期的第二产业固定资产投资额代入所述季度黑色金属冶炼及压延加工业用电量预测回归模型中拟合得到的;
获取历史样本区间各个季度的有色金属冶炼及压延加工业用电量、第二产业固定资产投资额,构建季度有色金属冶炼及压延加工业用电量预测回归模型:
X32t=P+Q*Z3t+ AR(1);
其中,X32t表示目标季度当期的有色金属冶炼及压延加工业用电量,Z3t表示目标季度当期的第二产业固定资产投资额,AR(1)为一阶调整项,P、Q为常数,是将历史样本区间各个季度当期的有色金属冶炼及压延加工业用电量、当期的第二产业固定资产投资额代入所述季度有色金属冶炼及压延加工业用电量预测回归模型中拟合得到的;
获取历史样本区间各个季度的水泥制造业用电量、水泥产量,构建季度水泥制造业用电量预测回归模型:
X33t=R+S*lnZ4t+ AR(1);
其中,X33t表示目标季度当期的水泥制造业用电量,Z4t表示目标季度当期的水泥产量,AR(1)为一阶调整项,R、S为常数,是将历史样本区间各个季度当期的水泥制造业用电量、当期的水泥产量代入所述季度水泥制造业用电量预测回归模型中拟合得到的;
获取历史样本区间各个季度的化肥制造业用电量、化肥产量、第二产业固定资产投资额,构建季度化肥制造业用电量预测回归模型:
X34t=T+U*Z5t+V*Z6t-1;
其中,X34t表示目标季度当期的化肥制造业用电量,Z5t 表示目标季度当期的化肥产量,Z6t-1表示超前目标季度当期一期的第二产业固定资产投资额,T、U、V为常数,是将历史样本区间各个季度当期的化肥制造业用电量、当期的化肥产量、超前当期一期的第二产业固定资产投资额代入所述季度化肥制造业用电量预测回归模型中拟合得到的;
(32)获取目标季度当期的生铁产量、超前目标季度当期两期的第二产业固定资产投资额,根据所述季度黑色金属冶炼及压延加工业用电量预测回归模型,预测目标季度当期的黑色金属冶炼及压延加工业用电量;
获取目标季度当期的第二产业固定资产投资额,根据所述季度有色金属冶炼及压延加工业用电量预测回归模型,预测目标季度当期的有色金属冶炼及压延加工业用电量;
获取目标季度当期的水泥产量,根据所述季度水泥制造业用电量预测回归模型,预测目标季度当期的水泥制造业用电量;
获取目标季度当期的化肥产量、超前目标季度当期一期的第二产业固定资产投资额,根据所述季度化肥制造业用电量预测回归模型,预测目标季度当期的化肥制造业用电量;
(33)将步骤(22)中预测得到的目标季度当期的黑色金属冶炼及压延加工业用电量、有色金属冶炼及压延加工业用电量、水泥制造业用电量、化肥制造业用电量累加,得到目标季度当期的重点行业用电量之和。
本发明通过对区域内的历史分产业用电量、重点行业用电量进行分析研究,筛分出影响区域用电量变化的主要经济信息,找出与用电量变化关联度较高的系列经济指标,研究其对用电量影响的超前滞后特性,在此基础上构建从经济到用电量的分类传导预测模型,从机理上考虑了影响用电量变化的主要经济因素,有效解决了长期以来预测人员无法将历史及未来的经济活动量化到用电量预测的过程中的问题,提高了用电量预测的精度。
附图说明
图1是本发明的方法流程图;
图2是本发明的模型框图。
具体实施方式
下面通过具体实施例来进一步说明本发明。
一种基于经济传导的用电量预测方法,将筛分出来的影响用电量变化的主要经济指标与用电量建立对应的解释与被解释的关系,解释变量为经济指标,被解释变量为用电量指标,利用建模平台研究分析解释变量与被解释变量之间的超前滞后特性以及主要经济指标的外生特性和内生特性,运用对应的特性构建辅助预测模型,在此基础上构建从经济到用电量的分类传导预测模型。
经济的投入大多数不会立竿见影地转换为用电量的需求,有的投入存在一定的滞后特性,有的投入存在一定的超前特性,所以经济指标对用电量的影响在时间周期上体现出超前性或者滞后性,本发明是以季度为周期来计算超前滞后特性的。
经济投入对用电量的影响存在一定的滞后特性,例如,2012年二季度的固定资产投资的高增长不会立刻导致2012年二季度的用电量的高增长,而是要经过一定时期后才会导致用电量的高增长。研究发现,2012年二季度的第二产业的固定资产投资直接影响的是2012年四季度的第二产业用电量变化,即第二产业固定资产投资对第二产业用电量的影响存在两个季度的滞后特性。
经济投入对用电量的影响存在一定的超前特性,例如,研究发现,2013年2季度的第一产业(包含农业、林业、畜牧业、渔业)工业增加值即第一产业GDP影响的是2013年1季度的第一产业用电量,即第一产业增加值对第一产业用电量的影响存在一个季度的超前特性。
经济指标的外生特性和内生特性是指经济指标之间相互影响的特性和相对独立的特性。外生特性是指该指标的改变只能影响其他指标变化,内生特性是指该指标的改变会引起其他一系列指标变化,进而影响自身进一步改变的特性。
S1、以第一产业增加值和第一产业固定资产投资额作为解释变量预测第一产业用电量,构建季度第一产业用电量预测回归模型:
获取历史样本区间各个季度的第一产业用电量、第一产业增加值和第一产业固定资产投资额数据,构建季度第一产业用电量预测回归模型为
Y1t=A+B*X1t+1+C*X2t-1+AR(1);
其中,Y1t表示目标季度当期的第一产业用电量,X1t+1表示滞后目标季度当期一期的第一产业增加值,X2t-1表示超前目标季度当期一期的第一产业固定资产投资额,AR(1)为一阶调整项,A、B、C为常数,是将历史样本区间各个季度当期的第一产业用电量、滞后当期一期的第一产业增加值、超前当期一期的第一产业固定资产投资额代入所述季度第一产业用电量预测回归模型中拟合得到的。
S2、以第二产业固定资产投资额、重点行业用电量作为解释变量预测第二产业用电量,构建季度第二产业用电量预测回归模型:
获取历史样本区间各个季度的第二产业用电量、第二产业固定资产投资额、重点行业用电量数据,构建季度第二产业用电量预测回归模型为
Y2t=D+E*X3t+F*X4t-2;
其中,Y2t表示目标季度当期的第二产业用电量,X3t表示目标季度当期的重点行业用电量之和,X4t-2表示超前目标季度当期两期的第二产业固定资产投资额,D、E、F为常数,是将历史样本区间各个季度当期的第二产业用电量、当期的重点行业用电量之和、超前当期两期的第二产业固定资产投资额代入所述季度第二产业用电量预测回归模型中拟合得到的;
重点行业包括黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、水泥制造业、化肥制造业;
目标季度当期的重点行业用电量之和X3t的获得包括以下步骤:
S21、以生铁产量、第二产业固定资产投资额作为解释变量预测黑色金属冶炼及压延加工业用电量,构建季度黑色金属冶炼及压延加工业用电量预测回归模型:
获取历史样本区间各个季度的黑色金属冶炼及压延加工业用电量、生铁产量、第二产业固定资产投资额,构建季度黑色金属冶炼及压延加工业用电量预测回归模型为
X31t=M+N*Z1t+O*Z2t-2+AR(1);
其中,X31t表示目标季度当期的黑色金属冶炼及压延加工业用电量,Z1t表示目标季度当期的生铁产量,Z2t-2表示超前目标季度当期两期的第二产业固定资产投资额,AR(1)为一阶调整项,M、N、O为常数,是将历史样本区间各个季度当期的黑色金属冶炼及压延加工业用电量、当期的生铁产量、超前当期两期的第二产业固定资产投资额代入所述季度黑色金属冶炼及压延加工业用电量预测回归模型中拟合得到的;
S22、以第二产业固定资产投资额作为解释变量预测有色金属冶炼及压延加工业用电量,构建季度有色金属冶炼及压延加工业用电量预测回归模型:
获取历史样本区间各个季度的有色金属冶炼及压延加工业用电量、第二产业固定资产投资额,构建季度有色金属冶炼及压延加工业用电量预测回归模型为
X32t=P+Q*Z3t+ AR(1);
其中,X32t表示目标季度当期的有色金属冶炼及压延加工业用电量,Z3t表示目标季度当期的第二产业固定资产投资额,AR(1)为一阶调整项,P、Q为常数,是将历史样本区间各个季度当期的有色金属冶炼及压延加工业用电量、当期的第二产业固定资产投资额代入所述季度有色金属冶炼及压延加工业用电量预测回归模型中拟合得到的;
S23、以水泥产量作为解释变量预测水泥制造业用电量,构建季度水泥制造业用电量预测回归模型:
获取历史样本区间各个季度的水泥制造业用电量、水泥产量,构建季度水泥制造业用电量预测回归模型为
X33t=R+S*lnZ4t+ AR(1);
其中,X33t表示目标季度当期的水泥制造业用电量,Z4t表示目标季度当期的水泥产量,AR(1)为一阶调整项,R、S为常数,是将历史样本区间各个季度当期的水泥制造业用电量、当期的水泥产量代入所述季度水泥制造业用电量预测回归模型中拟合得到的;
S24、以化肥产量、第二产业固定资产投资额作为解释变量预测化肥制造业用电量,构建季度化肥制造业用电量预测回归模型:
获取历史样本区间各个季度的化肥制造业用电量、化肥产量、第二产业固定资产投资额,构建季度化肥制造业用电量预测回归模型为
X34t=T+U*Z5t+V*Z6t-1;
其中,X34t表示目标季度当期的化肥制造业用电量,Z5t 表示目标季度当期的化肥产量,Z6t-1表示超前目标季度当期一期的第二产业固定资产投资额,T、U、V为常数,是将历史样本区间各个季度当期的化肥制造业用电量、当期的化肥产量、超前当期一期的第二产业固定资产投资额代入所述季度化肥制造业用电量预测回归模型中拟合得到的;
S25、获取目标季度当期的生铁产量Z1t、超前目标季度当期两期的第二产业固定资产投资额Z2t-2,代入季度黑色金属冶炼及压延加工业用电量预测回归模型X31t=M+N*Z1t+O*Z2t-2+AR(1)中,计算得到目标季度当期的黑色金属冶炼及压延加工业用电量X31t;
S26、获取目标季度当期的第二产业固定资产投资额Z3t,代入季度有色金属冶炼及压延加工业用电量预测回归模型X32t=P+Q*Z3t+ AR(1)中,计算得到目标季度当期的有色金属冶炼及压延加工业用电量X32t;
S27、获取目标季度当期的水泥产量Z4t,代入季度水泥制造业用电量预测回归模型X33t=R+S*lnZ4t+ AR(1)中,计算得到目标季度当期的水泥制造业用电量X33t;
S28、获取目标季度当期的化肥产量Z5t、超前目标季度当期一期的第二产业固定资产投资额Z6t-1,代入季度化肥制造业用电量预测回归模型X34t=T+U*Z5t+V*Z6t-1中,计算得到目标季度当期的化肥制造业用电量X34t;
S29、将上述步骤S25~S28中计算得到的目标季度当期的黑色金属冶炼及压延加工业用电量X31t、有色金属冶炼及压延加工业用电量X32t、水泥制造业用电量X33t、化肥制造业用电量X34t累加,得到目标季度当期的重点行业用电量之和X3t。
S3、以第三产业固定资产投资额作为解释变量预测第三产业用电量,构建季度第三产业用电量预测回归模型:
获取历史样本区间各个季度的第三产业用电量、第三产业固定资产投资额数据,构建季度第三产业用电量预测回归模型为
Y3t=G+H*X5t+AR(1);
其中,Y3t表示目标季度当期的第三产业用电量,X5t表示目标季度当期的第三产业固定资产投资额,AR(1)为一阶调整项,G、H为常数,是将历史样本区间各个季度当期的第三产业用电量、当期的第三产业固定资产投资额代入所述季度第三产业用电量预测回归模型中拟合得到的。
S4、以城镇居民人均实际可支配收入、区域内城镇总人口作为解释变量预测城镇居民用电量,构建季度城镇居民用电量预测回归模型:
获取历史样本区间各个季度的城镇居民用电量、城镇居民人均实际可支配收入、区域内城镇总人口,构建季度城镇居民用电量预测回归模型为
Y4t=I+J*X6t* X7t +AR(1);
其中,Y4t表示目标季度当期的城镇居民用电量,X6t表示目标季度当期的城镇居民人均实际可支配收入,X7t 表示目标季度当期的区域内城镇总人口,AR(1)为一阶调整项,I、J为常数,是将历史样本区间各个季度当期的城镇居民用电量、当期的城镇居民人均实际可支配收入、当期的区域内城镇总人口代入所述季度城镇居民用电量预测回归模型中拟合得到的。
S5、以农村居民人均实际可支配收入、区域内农村总人口作为解释变量预测农村居民用电量,构建季度农村居民用电量预测回归模型:
获取历史样本区间各个季度的农村居民用电量、农村居民人均实际可支配收入、区域内农村总人口,构建季度农村居民用电量预测回归模型为
Y5t=K+L*X8t-2*X9t-2+AR(1);
其中,Y5t表示目标季度当期的农村居民用电量,X8t-2表示超前目标季度当期两期的农村居民人均实际可支配收入,X9t-2表示超前目标季度当期两期的区域内农村总人口,AR(1)为一阶调整项,K、L为常数,是将历史样本区间各个季度当期的农村居民用电量、超前当期两期的农村居民人均实际可支配收入、超前当期两期的区域内农村总人口代入所述季度农村居民用电量预测回归模型中拟合得到的。
S6、构建季度全社会用电量预测回归模型:
Yt= Y1t+ Y2t+ Y3t+ Y4t+ Y5t
其中,Yt表示目标季度当期的全社会用电量。
经济传导分类预测模型建立完成后,只要获取目标季度相关的各个解释变量值,便可以对目标季度的全社会用电量进行预测了。
S7、获取滞后目标季度当期一期的第一产业增加值X1t+1、超前目标季度当期一期的第一产业固定资产投资额X2t-1,代入季度第一产业用电量预测回归模型Y1t=A+B*X1t+1+C*X2t-1+AR(1)中,计算得到目标季度当期的第一产业用电量Y1t;
S8、获取目标季度当期的重点行业用电量之和X3t、超前目标季度当期两期的第二产业固定资产投资额X4t-2,代入季度第二产业用电量预测回归模型Y2t=D+E*X3t+F*X4t-2中,计算得到目标季度当期的第二产业用电量Y2t;
S9、获取目标季度当期的第三产业固定资产投资额X5t,代入季度第三产业用电量预测回归模型Y3t=G+H*X5t+AR(1)中,计算得到目标季度当期的第三产业用电量Y3t;
S10、获取目标季度当期的城镇居民人均实际可支配收入X6t、目标季度当期的区域内城镇总人口X7t,代入季度城镇居民用电量预测回归模型Y4t=I+J*X6t* X7t +AR(1)中,计算得到目标季度当期的城镇居民用电量Y4t;
S11、获取超前目标季度当期两期的农村居民人均实际可支配收入X8t-2、超前目标季度当期两期的区域内农村总人口X9t-2,代入季度农村居民用电量预测回归模型Y5t=K+L*X8t-2*X9t-2+AR(1)中,计算得到目标季度当期的农村居民用电量Y5t;
S12、将上述步骤S7~S8中计算得到的目标季度当期的第一产业用电量Y1t、第二产业用电量Y2t、第三产业用电量Y3t、城镇居民用电量Y4t、农村居民用电量Y5t累加,得到目标季度当期的全社会用电量Yt。
本发明的经济传导预测模型是基于季度宏观经济模型构建的,因此预测期是以季度为单位,预测的结果是季度全社会用电量,一年内四个季度的全社会用电量相加就是年度全社会用电量预测结果。某季度全社会用电量可以通过季节分解模型分解到各月。其中一季度的全社会用电量可以按照春节特性分解法分解,其他季度可以按照X11方法(时间序列季节调整)分解。
春节特性分解法描述如下:观察历史期本区域内的一季度分月电量发现,1月、2月、3月用电量的份额比重关系以8年为周期变动,春节假期介于1月底与2月初的年份除外。因此,如果是将2013年一季度用电量的预测结果分解到1~3各个月份,则可直接按照8年前即2005年一季度三个月份的份额进行分配。
将安徽省2000年~2012年经济发展指标及用电量历史数据代入上述季度第一产业、第二产业、第三产业、城镇居民、农村居民用电量预测回归模型,拟合得到:
Y1t=8.83+0.2301*X1t+1+0.05002*X2t-1-0.851AR(1);
Y2t=5.2+0.2341X3t+0.41203X4t-2;
Y3t=2788.61+0.29*X5t+0.99912 AR(1);
Y4t=-48592.63+0.0106*X6t* X7t +0.54961 AR(1);
Y5t=-147736.346+0.002*X8t-2*X9t-2+1.017 AR(1)。
关于AR(1)一阶调整项的解释:
AR模型:Yt=c+﹝AR(1)=a1,AR(2)=a2﹞+ut;这里,AR(1)相当于Yt-1,AR(2)相当于Yt-2,是被解释变量Yt滞后前期的调整项,这是针对时间序列提出的一种模型,因为很多时间序列具有惯性,比如当期的消费在很大程度上会受到上期消费的影响。在预测模型中加入AR(1),相当于加入了上期的Yt(即Yt-1)作为解释变量,这样可以使得在预测的过程中残差更加“干净”,从而达到修正解释变量之间的自相关的作用。
选取安徽省的经济发展指标及用电历史实际作为样本来说明本发明(经济传导预测)与传统预测方法(时间序列预测、灰色系统预测、ARIMA法预测)的对比情况,如表1、表2、表3所示,表1是2011年的用电量预测结果与实际值校核对比,表2是2012年的用电量预测结果与实际值校核对比,表3是2013年1、2季度的用电量预测结果与实际值校核对比,表中用电量的单位:亿千瓦时。
表1
表2
表3
从上述表1、表2、表3中的2011~2013年的分季度预测情况来看,本发明经济传导预测方法的预测误差绝对值基本上是最小、最稳定的,误差范围稳定在2%以内。
采用春节特性分解模型和X11季节分解模型将2013年1~2季度用电量分解到各个月份,本发明和传统预测方法的预测结果与实际值校核对比情况如表4所示,表中用电量的单位:亿千瓦时。
表4
从上述表4中的2013年分月预测情况来看,本发明经济传导方法的预测误差基本上最稳定,误差范围稳定在-1.77%--1.87%之间。
表5是2013年2季度分类预测的预测值与实际值的对比情况,表中用电量的单位:亿千瓦时。
表5
由表5可以看出,2013年2季度全社会用电量、第二产业用电量、第三产业用电量的预测误差均在2%范围内,占全省用电份额86%的全行业用电量的预测误差非常小,仅为0.31%,使得季度全社会用电量的预测误差控制在了2%以内;第一产业用电量、城镇居民用电量、农村居民用电量的预测误差超过了2%,是由于第一产业用电量、城镇居民用电量、农村居民用电量本身的份额较小,其预测值与实际值稍有差异,便会导致较大的误差。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (3)
1.一种基于经济传导的用电量预测方法,其特征在于,包括以下步骤:
(11)获取历史样本区间各个季度的第一产业用电量、第一产业增加值和第一产业固定资产投资额数据,构建季度第一产业用电量预测回归模型:
获取历史样本区间各个季度的第二产业用电量、第二产业固定资产投资额、重点行业用电量数据,构建季度第二产业用电量预测回归模型:
获取历史样本区间各个季度的第三产业用电量、第三产业固定资产投资额数据,构建季度第三产业用电量预测回归模型:
获取历史样本区间各个季度的城镇居民用电量、城镇居民人均实际可支配收入、区域内城镇总人口,构建季度城镇居民用电量预测回归模型:
获取历史样本区间各个季度的农村居民用电量、农村居民人均实际可支配收入、区域内农村总人口,构建季度农村居民用电量预测回归模型:
(12)获取滞后目标季度当期一期的第一产业增加值、超前目标季度当期一期的第一产业固定资产投资额,根据所述季度第一产业用电量预测回归模型,预测目标季度当期的第一产业用电量;
获取目标季度当期的重点行业用电量数据、超前目标季度当期两期的第二产业固定资产投资额,根据所述季度第二产业用电量预测回归模型,预测目标季度当期的第二产业用电量;
获取目标季度当期的第三产业固定资产投资额,根据所述季度第三产业用电量预测回归模型,预测目标季度当期的第三产业用电量;
获取目标季度当期的城镇居民人均实际可支配收入、目标季度当期的区域内城镇总人口,根据所述季度城镇居民用电量预测回归模型,预测目标季度当期的城镇居民用电量;
获取超前目标季度当期两期的农村居民人均实际可支配收入、超前目标季度当期两期的区域内农村总人口,根据所述季度农村居民用电量预测回归模型,预测目标季度当期的农村居民用电量;
(13)将步骤(12)中预测得到的目标季度当期的第一产业用电量、第二产业用电量、第三产业用电量、城镇居民用电量、农村居民用电量累加,得到目标季度当期的全社会用电量。
2.根据权利要求1所述的基于经济传导的用电量预测方法,其特征在于,
所述季度第一产业用电量预测回归模型为:
Y1t=A+B*X1t+1+C*X2t-1+AR(1);
其中,Y1t表示目标季度当期的第一产业用电量,X1t+1表示滞后目标季度当期一期的第一产业增加值,X2t-1表示超前目标季度当期一期的第一产业固定资产投资额,AR(1)为一阶调整项,A、B、C为常数,是将历史样本区间各个季度当期的第一产业用电量、滞后当期一期的第一产业增加值、超前当期一期的第一产业固定资产投资额代入所述季度第一产业用电量预测回归模型中拟合得到的;
所述季度第二产业用电量预测回归模型为:
Y2t=D+E*X3t+F*X4t-2;
其中,Y2t表示目标季度当期的第二产业用电量,X3t表示目标季度当期的重点行业用电量之和,X4t-2表示超前目标季度当期两期的第二产业固定资产投资额,D、E、F为常数,是将历史样本区间各个季度当期的第二产业用电量、当期的重点行业用电量之和、超前当期两期的第二产业固定资产投资额代入所述季度第二产业用电量预测回归模型中拟合得到的;
所述季度第三产业用电量预测回归模型为:
Y3t=G+H*X5t+AR(1);
其中,Y3t表示目标季度当期的第三产业用电量,X5t表示目标季度当期的第三产业固定资产投资额,AR(1)为一阶调整项,G、H为常数,是将历史样本区间各个季度当期的第三产业用电量、当期的第三产业固定资产投资额代入所述季度第三产业用电量预测回归模型中拟合得到的;
所述季度城镇居民用电量预测回归模型为:
Y4t=I+J*X6t* X7t +AR(1);
其中,Y4t表示目标季度当期的城镇居民用电量,X6t表示目标季度当期的城镇居民人均实际可支配收入,X7t 表示目标季度当期的区域内城镇总人口,AR(1)为一阶调整项,I、J为常数,是将历史样本区间各个季度当期的城镇居民用电量、当期的城镇居民人均实际可支配收入、当期的区域内城镇总人口代入所述季度城镇居民用电量预测回归模型中拟合得到的;
所述季度农村居民用电量预测回归模型为:
Y5t=K+L*X8t-2*X9t-2+AR(1);
其中,Y5t表示目标季度当期的农村居民用电量,X8t-2表示超前目标季度当期两期的农村居民人均实际可支配收入,X9t-2表示超前目标季度当期两期的区域内农村总人口,AR(1)为一阶调整项,K、L为常数,是将历史样本区间各个季度当期的农村居民用电量、超前当期两期的农村居民人均实际可支配收入、超前当期两期的区域内农村总人口代入所述季度农村居民用电量预测回归模型中拟合得到的;
构建季度全社会用电量预测回归模型:
Yt= Y1t+ Y2t+ Y3t+ Y4t+ Y5t;
其中,Yt表示目标季度当期的全社会用电量。
3.根据权利要求1或2所述的基于经济传导的用电量预测方法,其特征在于,所述重点行业包括黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、水泥制造业、化肥制造业;
目标季度当期的重点行业用电量的获得包括以下步骤:
(31)获取历史样本区间各个季度的黑色金属冶炼及压延加工业用电量、生铁产量、第二产业固定资产投资额,构建季度黑色金属冶炼及压延加工业用电量预测回归模型:
X31t=M+N*Z1t+O*Z2t-2+AR(1);
其中,X31t表示目标季度当期的黑色金属冶炼及压延加工业用电量,Z1t表示目标季度当期的生铁产量,Z2t-2表示超前目标季度当期两期的第二产业固定资产投资额,AR(1)为一阶调整项,M、N、O为常数,是将历史样本区间各个季度当期的黑色金属冶炼及压延加工业用电量、当期的生铁产量、超前当期两期的第二产业固定资产投资额代入所述季度黑色金属冶炼及压延加工业用电量预测回归模型中拟合得到的;
获取历史样本区间各个季度的有色金属冶炼及压延加工业用电量、第二产业固定资产投资额,构建季度有色金属冶炼及压延加工业用电量预测回归模型:
X32t=P+Q*Z3t+ AR(1);
其中,X32t表示目标季度当期的有色金属冶炼及压延加工业用电量,Z3t表示目标季度当期的第二产业固定资产投资额,AR(1)为一阶调整项,P、Q为常数,是将历史样本区间各个季度当期的有色金属冶炼及压延加工业用电量、当期的第二产业固定资产投资额代入所述季度有色金属冶炼及压延加工业用电量预测回归模型中拟合得到的;
获取历史样本区间各个季度的水泥制造业用电量、水泥产量,构建季度水泥制造业用电量预测回归模型:
X33t=R+S*lnZ4t+ AR(1);
其中,X33t表示目标季度当期的水泥制造业用电量,Z4t表示目标季度当期的水泥产量,AR(1)为一阶调整项,R、S为常数,是将历史样本区间各个季度当期的水泥制造业用电量、当期的水泥产量代入所述季度水泥制造业用电量预测回归模型中拟合得到的;
获取历史样本区间各个季度的化肥制造业用电量、化肥产量、第二产业固定资产投资额,构建季度化肥制造业用电量预测回归模型:
X34t=T+U*Z5t+V*Z6t-1;
其中,X34t表示目标季度当期的化肥制造业用电量,Z5t 表示目标季度当期的化肥产量,Z6t-1表示超前目标季度当期一期的第二产业固定资产投资额,T、U、V为常数,是将历史样本区间各个季度当期的化肥制造业用电量、当期的化肥产量、超前当期一期的第二产业固定资产投资额代入所述季度化肥制造业用电量预测回归模型中拟合得到的;
(32)获取目标季度当期的生铁产量、超前目标季度当期两期的第二产业固定资产投资额,根据所述季度黑色金属冶炼及压延加工业用电量预测回归模型,预测目标季度当期的黑色金属冶炼及压延加工业用电量;
获取目标季度当期的第二产业固定资产投资额,根据所述季度有色金属冶炼及压延加工业用电量预测回归模型,预测目标季度当期的有色金属冶炼及压延加工业用电量;
获取目标季度当期的水泥产量,根据所述季度水泥制造业用电量预测回归模型,预测目标季度当期的水泥制造业用电量;
获取目标季度当期的化肥产量、超前目标季度当期一期的第二产业固定资产投资额,根据所述季度化肥制造业用电量预测回归模型,预测目标季度当期的化肥制造业用电量;
(33)将步骤(22)中预测得到的目标季度当期的黑色金属冶炼及压延加工业用电量、有色金属冶炼及压延加工业用电量、水泥制造业用电量、化肥制造业用电量累加,得到目标季度当期的重点行业用电量之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310394964.4A CN103440556B (zh) | 2013-09-04 | 2013-09-04 | 一种基于经济传导的用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310394964.4A CN103440556B (zh) | 2013-09-04 | 2013-09-04 | 一种基于经济传导的用电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103440556A true CN103440556A (zh) | 2013-12-11 |
CN103440556B CN103440556B (zh) | 2016-01-13 |
Family
ID=49694249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310394964.4A Active CN103440556B (zh) | 2013-09-04 | 2013-09-04 | 一种基于经济传导的用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103440556B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134102A (zh) * | 2014-07-30 | 2014-11-05 | 国家电网公司 | 基于leap模型的电网中长期电力需求分布预测方法 |
CN104598997A (zh) * | 2015-02-04 | 2015-05-06 | 国家电网公司 | 基于经济发展方式转变的工业用电强度预测方法 |
CN104881718A (zh) * | 2015-06-02 | 2015-09-02 | 国家电网公司 | 基于多尺度经济先行指标的区域电力景气指数构建方法 |
CN105956716A (zh) * | 2016-05-20 | 2016-09-21 | 国网安徽省电力公司经济技术研究院 | 一种基于行业经济与用电关系的全社会用电量预测方法 |
CN106611233A (zh) * | 2015-10-27 | 2017-05-03 | 财团法人资讯工业策进会 | 适用于加工机台的用电量预估系统与用电量预估方法 |
CN106709643A (zh) * | 2016-12-21 | 2017-05-24 | 国网浙江开化县供电公司 | 一种开化地区产业用电量分析方法 |
CN106952042A (zh) * | 2017-03-23 | 2017-07-14 | 北京恒华龙信数据科技有限公司 | 一种售电量预测方法及装置 |
CN107273997A (zh) * | 2016-06-30 | 2017-10-20 | 国网江苏省电力公司南通供电公司 | 基于周几系数线性回归模型的台区日用电量的预测方法 |
CN111784093A (zh) * | 2020-03-27 | 2020-10-16 | 国网浙江省电力有限公司 | 一种基于电力大数据分析的企业复工辅助判断方法 |
CN113139672A (zh) * | 2020-05-07 | 2021-07-20 | 国网能源研究院有限公司 | 一种居民生活用电量预测方法 |
CN113159360A (zh) * | 2020-10-19 | 2021-07-23 | 国网能源研究院有限公司 | 用于预测黑色金属冶炼及压延加工业用电量的方法 |
CN116523687A (zh) * | 2023-06-26 | 2023-08-01 | 国网能源研究院有限公司 | 考虑多因素的用电增长驱动力分解方法、装置和存储介质 |
CN116526474A (zh) * | 2023-06-08 | 2023-08-01 | 国网安徽省电力有限公司淮北供电公司 | 一种区域电网用电负荷预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976301A (zh) * | 2010-10-09 | 2011-02-16 | 广东省电力设计研究院 | 逐年负荷预测中历史数据预处理的方法与装置 |
CN102622657A (zh) * | 2012-04-26 | 2012-08-01 | 上海市电力公司 | 一种年最大用电负荷预测方法 |
-
2013
- 2013-09-04 CN CN201310394964.4A patent/CN103440556B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976301A (zh) * | 2010-10-09 | 2011-02-16 | 广东省电力设计研究院 | 逐年负荷预测中历史数据预处理的方法与装置 |
CN102622657A (zh) * | 2012-04-26 | 2012-08-01 | 上海市电力公司 | 一种年最大用电负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
周宏等: "上海市电力消费与需求预测浅析", 《中国电力》, vol. 33, no. 9, 30 September 2000 (2000-09-30), pages 10 - 13 * |
周宏等: "几种灰色模型用于电力消费中期预测研究", 《电网技术》, vol. 24, no. 7, 31 July 2000 (2000-07-31), pages 49 - 54 * |
罗蕉松: "部门负荷预测法在用电负荷预测中的应用", 《中国工程咨询》, no. 949, 30 September 2004 (2004-09-30), pages 28 - 29 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134102B (zh) * | 2014-07-30 | 2017-09-22 | 国家电网公司 | 基于leap模型的电网中长期电力需求分布预测方法 |
CN104134102A (zh) * | 2014-07-30 | 2014-11-05 | 国家电网公司 | 基于leap模型的电网中长期电力需求分布预测方法 |
CN104598997A (zh) * | 2015-02-04 | 2015-05-06 | 国家电网公司 | 基于经济发展方式转变的工业用电强度预测方法 |
CN104881718A (zh) * | 2015-06-02 | 2015-09-02 | 国家电网公司 | 基于多尺度经济先行指标的区域电力景气指数构建方法 |
CN104881718B (zh) * | 2015-06-02 | 2018-06-12 | 国家电网公司 | 基于多尺度经济先行指标的区域电力景气指数构建方法 |
CN106611233A (zh) * | 2015-10-27 | 2017-05-03 | 财团法人资讯工业策进会 | 适用于加工机台的用电量预估系统与用电量预估方法 |
CN105956716A (zh) * | 2016-05-20 | 2016-09-21 | 国网安徽省电力公司经济技术研究院 | 一种基于行业经济与用电关系的全社会用电量预测方法 |
CN107273997A (zh) * | 2016-06-30 | 2017-10-20 | 国网江苏省电力公司南通供电公司 | 基于周几系数线性回归模型的台区日用电量的预测方法 |
CN107273997B (zh) * | 2016-06-30 | 2024-02-02 | 国网江苏省电力公司南通供电公司 | 基于周几系数线性回归模型的台区日用电量的预测方法及系统 |
CN106709643A (zh) * | 2016-12-21 | 2017-05-24 | 国网浙江开化县供电公司 | 一种开化地区产业用电量分析方法 |
CN106952042A (zh) * | 2017-03-23 | 2017-07-14 | 北京恒华龙信数据科技有限公司 | 一种售电量预测方法及装置 |
CN111784093A (zh) * | 2020-03-27 | 2020-10-16 | 国网浙江省电力有限公司 | 一种基于电力大数据分析的企业复工辅助判断方法 |
CN111784093B (zh) * | 2020-03-27 | 2023-07-11 | 国网浙江省电力有限公司 | 一种基于电力大数据分析的企业复工辅助判断方法 |
CN113139672A (zh) * | 2020-05-07 | 2021-07-20 | 国网能源研究院有限公司 | 一种居民生活用电量预测方法 |
CN113159360A (zh) * | 2020-10-19 | 2021-07-23 | 国网能源研究院有限公司 | 用于预测黑色金属冶炼及压延加工业用电量的方法 |
CN116526474A (zh) * | 2023-06-08 | 2023-08-01 | 国网安徽省电力有限公司淮北供电公司 | 一种区域电网用电负荷预测方法及系统 |
CN116526474B (zh) * | 2023-06-08 | 2023-10-20 | 国网安徽省电力有限公司淮北供电公司 | 一种区域电网用电负荷预测方法及系统 |
CN116523687A (zh) * | 2023-06-26 | 2023-08-01 | 国网能源研究院有限公司 | 考虑多因素的用电增长驱动力分解方法、装置和存储介质 |
CN116523687B (zh) * | 2023-06-26 | 2023-10-03 | 国网能源研究院有限公司 | 考虑多因素的用电增长驱动力分解方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103440556B (zh) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103440556B (zh) | 一种基于经济传导的用电量预测方法 | |
Li et al. | Examining industrial structure changes and corresponding carbon emission reduction effect by combining input-output analysis and social network analysis: A comparison study of China and Japan | |
Yu et al. | China can peak its energy-related carbon emissions before 2025: Evidence from industry restructuring | |
Zhu et al. | Impacts of industrial structures reconstructing on carbon emission and energy consumption: A case of Beijing | |
Hong et al. | A multi-regional structural path analysis of the energy supply chain in China's construction industry | |
Alam | Coping with blackouts: Power outages and firm choices | |
Zhang et al. | The green efficiency of industrial sectors in China: A comparative analysis based on sectoral and supply-chain quantifications | |
Zhang et al. | Daily hydrothermal scheduling with economic emission using simulated annealing technique based multi-objective cultural differential evolution approach | |
Zhou et al. | Optimizing carbon emission forecast for modelling China's 2030 provincial carbon emission quota allocation | |
CN106355285B (zh) | 一种基于参数修正的用电负荷预测方法 | |
Li et al. | A comparative study on prediction methods for China's medium-and long-term coal demand | |
Exizidis et al. | Sharing wind power forecasts in electricity markets: A numerical analysis | |
Li et al. | Short-term price forecasting for agro-products using artificial neural networks | |
Jin et al. | Forewarning of sustainable utilization of regional water resources: a model based on BP neural network and set pair analysis | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
Yang et al. | A novel modified conformable fractional grey time-delay model for power generation prediction | |
Tang et al. | Assessing the threshold effects of road infrastructure construction on farmland use transition: An empirical study in China | |
Song et al. | Environmental efficiency, advances in environmental technology and total factor of environmental productivity of China | |
CN107748931A (zh) | 一种基于最小二乘法的电费收入预测方法 | |
Han et al. | Impacts of cross-regional population migration and agglomeration on carbon emissions in China | |
Zhang et al. | Grey Prediction model for the chemical oxygen demand emissions in industrial waste water: An empirical analysis of china | |
CN109376898A (zh) | 一种基于内外部指标影响的电量分析预测方法 | |
Hao | Study on Prediction of Urbanization Level Based on GA-BP Neural Network: Taking Tianjin of China as the Case | |
Sha et al. | Based on the EMD and PSO-BP neural network of short-term load forecasting | |
CN205263860U (zh) | 一种基于遗传算法优化神经网络的风电功率预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |