CN104134102B - 基于leap模型的电网中长期电力需求分布预测方法 - Google Patents
基于leap模型的电网中长期电力需求分布预测方法 Download PDFInfo
- Publication number
- CN104134102B CN104134102B CN201410369909.4A CN201410369909A CN104134102B CN 104134102 B CN104134102 B CN 104134102B CN 201410369909 A CN201410369909 A CN 201410369909A CN 104134102 B CN104134102 B CN 104134102B
- Authority
- CN
- China
- Prior art keywords
- area under
- jurisdiction
- term
- long
- target year
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 180
- 230000007774 longterm Effects 0.000 title claims abstract description 124
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 11
- 229910052799 carbon Inorganic materials 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 241000894007 species Species 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims 1
- 230000005484 gravity Effects 0.000 claims 1
- 238000011161 development Methods 0.000 description 10
- 230000002045 lasting effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提供一种基于LEAP模型的电网中长期电力需求分布预测方法,包括以下步骤:构建区域中长期终端能源需求和能源加工转换环节的LEAP模型;基于LEAP模型得到区域电网中长期电力需求预测值;按用电部门预测中长期区域全社会用电量在各辖区的分布;获取中长期区域全社会用电量在各辖区的分布预测结果;中长期区域全社会最大负荷各辖区分布预测。本发明为区域电网规划人员掌握中长期区域电力需求分布提供了可靠依据,从而更好地服务于电网规划。
Description
技术领域
本发明涉及电力需求分布预测技术领域,具体是一种基于LEAP模型的电网中长期电力需求分布预测方法。
背景技术
某个区域的电网中长期电力需求预测能够为该区域电网企业做好未来电网规划和优化区域网架结构等工作提供强大的基础支撑作用,区域电网电力需求指标主要包括整个区域的全社会用电量和全社会最大负荷。区域电网中长期电力需求预测难度较大,且通常采用回归预测、趋势外推等方法,这些方法由于不能很好地综合考虑推动中长期电力需求发展的主要因素,其预测结果的可信度不高。区域电网中长期电力需求变化的主要影响因素包括经济增长与产业结构、工业能耗变化、国家政策等,因此,具有“自下而上”特点的LEAP(长期能源可替代规划系统)模型能够很好地解决传统预测方法的不足,实现区域电网中长期电力需求的合理预测。
区域电网中长期电力需求预测仅仅掌握了整个区域电力需求的总体水平,只有充分预测出区域电网各辖区的电力需求分布,才能更好地服务于整个区域的电网规划,实现网架的合理有效布局。针对中长期电力需求在各辖区的分布预测,并未形成有效的方法体系,采用的方法往往倾向于各辖区占比等,缺乏对各用电部门电力需求变化规律的把握。电力需求在各辖区的分布与各辖区主要经济指标变化关系密切。因此,有必要构建一种合理的预测方法,通过对区域内各辖区中长期经济指标分布的预测以实现对该区域的电网中长期电力需求分布的预测。
发明内容
本发明的目的在于提供一种基于LEAP模型的电网中长期电力需求分布预测方法,通过该方法实现对某区域内各辖区的中长期电力需求的合理预测,为整个区域以及各辖区的电网协调规划和网架优化提供可靠依据。
本发明的技术方案为:
一种基于LEAP模型的电网中长期电力需求分布预测方法,包括以下步骤:
(1)构建区域中长期终端能源需求和能源加工转换环节的LEAP模型;
(2)基于所述LEAP模型得到区域电网中长期电力需求预测值,包括中长期区域全社会用电量、区域城乡居民生活用电量、区域人均生活用电量、区域第三产业用电量、区域第二产业用电量、区域第二产业终端用电量、区域高耗能行业用电量、区域一级网损与厂用电量、区域非一级网损与厂用电量、区域抽水蓄能抽水用电量、区域全社会最大负荷和区域最大负荷利用小时数;
(3)按用电部门预测中长期区域全社会用电量在各辖区的分布:
(31)中长期区域城乡居民生活用电量各辖区分布预测:
中期预测:
获取基准年度各辖区城乡居民生活用电量、GDP和人口数据,构建中期各辖区城乡居民生活用电量初步预测回归模型;
获取目标年度各辖区GDP和人口预测值,根据所述中期各辖区城乡居民生活用电量初步预测回归模型,得到目标年度各辖区城乡居民生活用电量初步预测值;
构建中期各辖区城乡居民生活用电量预测修正模型;
获取目标年度区域城乡居民生活用电量预测值,根据所述中期各辖区城乡居民生活用电量预测修正模型,对目标年度各辖区城乡居民生活用电量初步预测值进行修正,得到目标年度各辖区城乡居民生活用电量预测值;
长期预测:
构建长期各辖区城乡居民生活用电量预测模型;
获取目标年度区域人均生活用电量、区域人口、各辖区人均生活用电量相对区域平均水平的浮动值和各辖区人口预测值,根据所述长期各辖区城乡居民生活用电量预测模型,预测目标年度各辖区城乡居民生活用电量;
(32)中长期区域第三产业用电量各辖区分布预测:
构建中长期各辖区第三产业用电量预测模型;
获取目标年度各辖区第三产业增加值和区域第三产业用电量预测值,根据所述中长期各辖区第三产业用电量预测模型,预测目标年度各辖区第三产业用电量;
(33)中长期区域第二产业用电量各辖区分布预测:
构建中长期各辖区第二产业终端用电量预测模型;
获取基准年度各辖区各种高耗能产品产量数据以及目标年度各辖区第二产业增加值、区域各种高耗能行业用电量和区域第二产业终端用电量预测值,根据所述中长期各辖区第二产业终端用电量预测模型,预测目标年度各辖区第二产业终端用电量;
构建中长期各辖区能源工业用电量预测模型;
获取基准年度各辖区各种能源产品产量数据以及目标年度区域第二产业用电量、区域第二产业终端用电量、区域一级网损与厂用电量、区域非一级网损与厂用电量和区域抽水蓄能抽水用电量预测值,根据所述中长期各辖区能源工业用电量预测模型,预测目标年度各辖区能源工业用电量;
构建中长期各辖区非一级网损与厂用电量预测模型;
获取目标年度区域非一级网损与厂用电量预测值,根据预测得到的目标年度各辖区城乡居民生活用电量、各辖区第三产业用电量、各辖区第二产业终端用电量、各辖区能源工业用电量以及所述中长期各辖区非一级网损与厂用电量预测模型,预测目标年度各辖区非一级网损与厂用电量;
将上述预测得到的目标年度各辖区第二产业终端用电量、各辖区能源工业用电量、各辖区非一级网损与厂用电量累加,得到目标年度各辖区第二产业用电量;
(4)将步骤(3)中预测得到的目标年度各辖区城乡居民生活用电量、各辖区第三产业用电量、各辖区第二产业用电量累加,得到目标年度各辖区全社会用电量;
(5)预测中长期区域全社会最大负荷在各辖区的分布:
构建中长期各辖区最大负荷利用小时数预测模型;
获取基准年度区域最大负荷利用小时数、区域第二产业在经济结构中的比重、区域全社会最大负荷、各辖区最大负荷利用小时数和各辖区第二产业在经济结构中的比重数据以及目标年度区域最大负荷利用小时数、区域第二产业在经济结构中的比重、区域全社会最大负荷和各辖区第二产业在经济结构中的比重预测值,根据所述中长期各辖区最大负荷利用小时数预测模型,预测目标年度各辖区最大负荷利用小时数;
构建中长期各辖区全社会最大负荷预测模型;
根据预测得到的目标年度各辖区全社会用电量、各辖区最大负荷利用小时数以及所述各辖区中长期全社会最大负荷预测模型,预测目标年度各辖区全社会最大负荷。
所述的基于LEAP模型的电网中长期电力需求分布预测方法,步骤(31)中:
所述中期各辖区城乡居民生活用电量初步预测回归模型为:
所述中期各辖区城乡居民生活用电量预测修正模型为:
其中,WH′t,l表示目标年度t辖区l城乡居民生活用电量初步预测值,GDPt,l和POPt,l分别表示目标年度t辖区l的GDP和人口,为将基准年度各辖区的城乡居民生活用电量、GDP和人口代入回归模型中拟合得到的常数,WHt,l表示目标年度t辖区l城乡居民生活用电量,WHt表示目标年度t区域城乡居民生活用电量,L表示辖区数;
所述长期各辖区城乡居民生活用电量预测模型为:
其中,WHt,l表示目标年度t辖区l城乡居民生活用电量,θt表示目标年度t区域人均生活用电量,ωt,l表示目标年度t辖区l人均生活用电量相对区域平均水平的浮动值,POPt,l表示目标年度t辖区l人口,POPt表示目标年度t区域人口;
步骤(32)中:
所述中长期各辖区第三产业用电量预测模型为:
其中,WTt,l表示目标年度t辖区l第三产业用电量,WTt表示目标年度t区域第三产业用电量,GDP3t,l表示目标年度t辖区l第三产业增加值;
步骤(33)中:
所述中长期各辖区第二产业终端用电量预测模型为:
其中,WSTt,l表示目标年度t辖区l第二产业终端用电量,GDP2t,l表示目标年度t辖区l第二产业增加值,WSTt表示目标年度t区域第二产业终端用电量,WGt,l表示目标年度t辖区l高耗能行业用电量,
Ns表示区域内的高耗能产品种类数,VGt0,l,s表示基准年度t0辖区l的第s种高耗能产品产量,WGIt,s表示目标年度t区域内的第s种高耗能产品对应的高耗能行业的用电量;
所述中长期各辖区能源工业用电量预测模型为:
其中,WEIt,l表示目标年度t辖区l能源工业用电量,VEt0,l,d表示基准年度t0辖区l的第d种能源产品产量,Nd表示区域内的能源产品种类数,WSt表示目标年度t区域第二产业用电量,WSTt表示目标年度t区域第二产业终端用电量,WLPt表示目标年度t区域一级网损与厂用电量,WNLPt表示目标年度t区域非一级网损与厂用电量,WPt表示目标年度t区域抽水蓄能抽水用电量;
所述中长期各辖区非一级网损与厂用电量预测模型为:
其中,WNLPt,l表示目标年度t辖区l非一级网损与厂用电量;
构建中长期各辖区第二产业用电量预测模型:
WSt,l=WSTt,l+WEIt,l+WNLPt,l
其中,WSt,l表示目标年度t辖区l第二产业用电量;
构建中长期各辖区全社会用电量预测模型:
Wt,l=WHt,l+WTt,l+WSt,l
其中,Wt,l表示目标年度t辖区l全社会用电量。
所述的基于LEAP模型的电网中长期电力需求分布预测方法,步骤(5)中:
所述中长期各辖区最大负荷利用小时数预测模型为:
其中,τt,l和τt0,l分别表示目标年度t和基准年度t0辖区l最大负荷利用小时数,τt和τt0分别表示目标年度t和基准年度t0区域最大负荷利用小时数,RSt,l和RSt0,l分别表示目标年度t和基准年度t0辖区l第二产业在经济结构中的比重,RSt和RSt0表示目标年度t和基准年度t0区域第二产业在经济结构中的比重,Pmax,t和Pmax,t0分别表示目标年度t和基准年度t0区域全社会最大负荷;
所述中长期各辖区全社会最大负荷预测模型为:
其中,Pmax,t,l表示目标年度t辖区l全社会最大负荷,Wt,l表示目标年度t辖区l全社会用电量。
由上述技术方案可知,本发明基于区域LEAP能源需求预测模型,分别预测出各用电部门中长期区域用电量在各辖区的分布,从而得到中长期区域全社会用电量在各辖区的分布,进而对中长期区域全社会最大负荷在各辖区的分布进行预测,为区域电网规划人员掌握中长期区域电力需求分布提供了可靠依据,从而更好地服务于电网规划。
附图说明
图1是本发明的方法流程图;
图2是2030年安徽省电力需求分布预测结果曲线图。
具体实施方式
下面,以对省级电网中长期电力需求在各地市的分布预测为例进一步说明本发明。
如图1所示,一种基于LEAP模型的省级电网中长期电力需求分布预测方法,包括以下步骤:
(1)构建省级终端能源需求和能源加工转换环节的LEAP模型,基于LEAP模型得到省级电网中长期电力需求预测值,包括全省全社会用电量、全省城乡居民生活用电量、全省人均生活用电量、全省第三产业用电量、全省第二产业用电量、全省第二产业终端用电量、全省主要高耗能行业用电量、全省一级网损与厂用电量、全省非一级网损与厂用电量、全省抽水蓄能抽水用电量、全省全社会最大负荷、全省最大负荷利用小时数等。
将省级终端用能按部门划分为城乡居民生活用能、服务业用能、交通运输业用能、主要高耗能行业用能和其他产业部门用能五大类,并进一步细化,最终得到主要用能载体,综合考虑经济增长、国家政策、技术进步和行业发展等因素(一般由省级经济研究机构提供技术支撑),预测各用能载体中长期用能单耗发展规律,“自下而上”地形成全省终端能源总需求和分类需求。基于LEAP模型的省级中长期终端能源总需求简化公式如下:
其中,t表示目标年度(预测年度),Et表示目标年度t全省终端能源总需求,m表示能源种类数,λj表示各类能源转换系数,n表示终端用能载体种类数,Nt,i表示目标年度t第i类终端用能载体的数量,et,i,j表示目标年度t第i类终端用能载体的第j类能源的单耗。
进一步设计发电、煤炭开采、石油加工以及能源输送等能源加工转换环节,最终得到全身一次能源总需求,其简化公式如下:
其中,PEt表示目标年度t全省一次能源总需求,βt,j表示目标年度t第j类能源的输送损失率,γt,j表示目标年度t第j类能源的综合转换效率。
全社会用电量作为分类能源需求的一种,根据预测的目标年度t全省一次能源总需求以及分类能源需求,可以直接获取目标年度t全省全社会用电量的预测值。
针对全省中长期全社会最大负荷的预测,需要首先预测出全省中长期年度持续负荷曲线,该曲线由全年负荷处于最大负荷一定比例水平(比例≤100%)对应的持续小时数形成。年度持续负荷曲线与负荷特性直接相关,而中长期负荷特性变动与产业结构变动关系密切。
因而,首先根据全省中长期产业结构变动趋势对省级电网负荷特性变动给出合理的定性判断,再结合省级电网历史年份负荷特性,采用与其它省级电网类比等方法,对省级电网中长期负荷特性进行模拟预测,最终得到全省中长期年度持续负荷曲线。按照电量等于负荷与时间乘积,由中长期全省全社会用电量和年度持续负荷曲线计算得到全省全社会最大负荷,如下式所示:
其中,Pmax,t表示目标年度t全省全社会最大负荷,M表示将全年8760个小时按负荷水平分成的时间段数,Tt,k表示每个时间段的长度,ρt,k表示每个时间段对应负荷与全年最大负荷的比例。
(2)按用电部门预测中长期全省全社会用电量在各地市的分布
根据上述LEAP模型可直接获取省级电网中长期全省城乡居民生活用电量、全省第三产业用电量和全省第二产业用电量预测值(由于第一产业用电量占比小,且第二产业用电量包含内容多而采用减法计算得到,因而第一产业用电量按包含在第二产业用电量中考虑)。
WSt=Wt-WHt-WTt
其中,Wt表示目标年度t全省全社会用电量,WHt表示目标年度t全省城乡居民生活用电量,WTt表示目标年度t全省第三产业用电量,WSt表示目标年度t全省第二产业用电量(包含第一产业,下同)。
由于各用电部门的特点不同,各地市分布的规律不同,以下分别对各用电部门的全省用电量在各地市的分布进行预测。
(21)城乡居民生活用电量各地市分布预测
这里需要引入人均生活用电量(城乡居民生活用电量/总人口)指标。中期(5-10年)来看,全省各地市人均生活用电量将与当前保持较大的一致性,主要受各地市经济发展水平以及人口差异影响。长期(10年以上)来看,全省经济发展很可能逐步进入后工业化以及中等发达国家收入水平阶段,居民收入的地市差异将逐步缩小,地市城乡居民生活用电水平的趋同性逐步增强(全省经济发展阶段的判断与预测由省级经济研究机构提供技术支撑)。
基于此,对全省城乡居民生活用电量在各地市的分布,按中期、长期分别构建预测模型,如下所示:
中期:以各地市GDP和人口作为解释变量、各地市城乡居民生活用电量为被解释变量建立多元线性回归模型,利用基准年度各地市的相关数据对建立的多元线性回归模型进行拟合,以目标年度各地市GDP和人口预测值(从省级经济研究机构获取)作为输入,预测各地市的城乡居民生活用电量,回归方程如下:
其中,WH′t,l表示目标年度t地市l城乡居民生活用电量初步预测值,GDPt,l和POPt,l分别表示目标年度t地市l的GDP和人口,为常数,是将基准年度各地市的城乡居民生活用电量、GDP和人口代入上述回归方程中拟合得到的。
由于从LEAP模型中可以获取中期全省城乡居民生活用电量,各地市之和应等于全省值,因而需要对中期各地市城乡居民生活用电量初步预测值进行修正,按初步预测值占比修正如下:
其中,WHt,l表示目标年度t地市l城乡居民生活用电量,WHt表示目标年度t全省城乡居民生活用电量,L表示地市数。
长期:长期居民收入的地市差异将逐步缩小,表现为各地市人均生活用电量差异性变小,中期回归预测不再适用。从人均生活用电量出发,以长期全省人均生活用电量预测值为基准,结合当前各地市人均生活用电量差异以及长期各地市人均收入水平,确定长期各地市人均生活用电量较全省平均水平的浮动值,再根据长期各地市人口分布,预测出各地市城乡居民生活用电量,如下式:
其中,WHt,l表示目标年度t地市l城乡居民生活用电量,θt表示目标年度t全省人均生活用电量,ωt,l表示目标年度t地市l人均生活用电量较全省平均水平的浮动值(专家预测),POPt,l表示目标年度t地市l人口,POPt表示目标年度t全省人口。
(22)第三产业用电量各地市分布预测
历史年份统计分析发现,各地市第三产业用电量与第三产业增加值相关性很高,基本呈线性,这主要由于第三产业单位增加值电耗较为稳定。因此,中长期各地市第三产业用电量可采用各地市第三产业增加值占比法进行预测,如下式:
其中,WTt,l表示目标年度t地市l第三产业用电量,WTt表示目标年度t全省第三产业用电量,GDP3t,l表示目标年度t地市l第三产业增加值。
(23)第二产业用电量各地市分布预测
由于各地市工业类型存在差异,尤其是高耗能行业用电耗能大,导致各地市第二产业用电量与第二产业增加值之间的相关性较弱,不适用占比预测法。全省第二产业用电量包含第二产业终端用电量、能源工业用电量、一级网损与厂用电量、抽水蓄能抽水用电量、非一级网损与厂用电量(主要是配网损耗),其中:一级网损与厂用电量和抽水蓄能抽水用电量包含在全省第二产业用电量中,但不在各地市统计,而第二产业终端用电量、能源工业用电量和非一级网损与厂用电量在各地市分布。
中长期全省一级网损与厂用电量和非一级网损与厂用电量主要根据中长期全省全社会用电量和一级网损与厂用电量比例以及非一级网损与厂用电量比例来确定:
WLPt=κ1tWt;WNLPt=κ2tWt
其中,Wt表示目标年度t全省全社会用电量,WLPt表示目标年度t全省一级网损与厂用电量,WNLPt表示目标年度t全省非一级网损与厂用电量,κ1t表示目标年度t全省一级网损与厂用电量比例,κ2t表示目标年度t全省非一级网损与厂用电量比例。
(231)各地市第二产业终端用电量预测
由LEAP模型可确定中长期全省主要高耗能产品用电量,再参考基准年度全省主要高耗能产品产量在各地市的分布以及中长期高耗能行业发展规划等政策,预测中长期各地市高耗能行业用电量,如下:
其中,WGt,l表示目标年度t地市l主要高耗能行业用电量,Ns表示全省主要高耗能产品种类数,VGt0,l,s表示基准年度t0地市l的高耗能产品s的产量,WGIt,s表示目标年度t全省高耗能产品s对应的高耗能行业的用电量。
由LEAP模型可确定中长期全省第二产业终端用电量,扣除高耗能行业用电量后,各地市第二产业单耗差异不大,因此,可按各地市第二产业增加值占比来预测第二产业终端用电量(不含高耗能),再加上高耗能行业用电量,得到各地市第二产业终端用电量,如下式:
其中,WSTt,l表示目标年度t地市l第二产业终端用电量,GDP2t,l表示目标年度t地市l第二产业增加值,WSTt表示目标年度t全省第二产业终端用电量。
(232)各地市能源工业用电量预测
能源工业用电,如煤炭开采洗选业、石油加工等,和高耗能用电一样,与各地市产品产量对应,根据基准年度全省能源工业产品产量地市占比,预测各地市能源工业用电量,全省能源工业用电量由全省第二产业用电量与其它部分相减得到,如下式:
其中,WEIt,l表示目标年度t地市l能源工业用电量,VEt0,l,d表示基准年度t0地市l的能源产品d的产量,Nd表示能源产品种类数,WSt表示目标年度t全省第二产业用电量,WSTt表示目标年度t全省第二产业终端用电量,WLPt表示目标年度t全省一级网损与厂用电量,WNLPt表示目标年度t全省非一级网损与厂用电量,WPt表示目标年度t全省抽水蓄能抽水用电量。
(233)各地市非一级网损与厂用电量预测
非一级网损与厂用电主要是配网损耗,与地市用电量直接相关,按已确定的各地市分类用电量占比来预测,如下式:
其中,WNLPt,l表示目标年度t地市l非一级网损与厂用电量,其余同上。
(234)各地市第二产业用电量预测
各地市第二产业用电量等于各地市第二产业终端用电量、能源工业用电量和非一级网损与厂用电量之和,即:
其中,WSt,l表示目标年度t地市l第二产业用电量。
(3)预测中长期全省全社会用电量在各地市的分布
基于中长期各地市城乡居民生活用电量、第三产业用电量和第二产业用电量预测值,加总得到中长期全省全社会用电量在各地市的分布结果,如下式:
其中,Wt,l表示目标年度t地市l全社会用电量, 表示根据具体目标年度取或
(4)预测中长期全省全社会最大负荷在各地市的分布
中长期全省全社会最大负荷在各地市的分布可根据中长期各地市年最大负荷利用小时数和全社会用电量来预测。年最大负荷利用小时数作为负荷特性指标之一,从中长期来看,受经济结构变动的影响较大,第二产业用电负荷波动较小,平稳性高,中长期第二产业在经济结构中的比重发生变化后,负荷特性将发生变化。中长期全省年最大负荷利用小时数可根据全省全社会用电量和全社会最大负荷计算得到,再根据中长期各地市第二产业占比及基准年度最大负荷利用小时数,预测中长期各地市最大负荷利用小时数,如下式:
其中,τt,l和τt0,l分别表示目标年度t和基准年度t0地市l最大负荷利用小时数,τt和τt0分别表示目标年度t和基准年度t0全省最大负荷利用小时数,RSt,l和RSt0,l分别表示目标年度t和基准年度t0地市l第二产业在经济结构中的比重,RSt和RSt0表示目标年度t和基准年度t0全省第二产业在经济结构中的比重,Pmax,t和Pmax,t0分别表示目标年度t和基准年度t0全省全社会最大负荷。
中长期各地市全社会最大负荷预测,如下式:
其中,Pmax,t,l表示目标年度t地市l全社会最大负荷,Wt,l表示目标年度t地市l全社会用电量。
下面以安徽省2030年电力需求分布预测为例进一步说明本发明。
S1、建立安徽省中长期能源需求LEAP模型,时间跨度2012~2050年(以2012年为基准年),基于LEAP模型得到安徽省电网中长期电力需求预测值。
基于上述LEAP模型,合理预测出2030年安徽省全社会用电量及其各用电部门用电量以及全社会最大负荷,如表1所示:
2012年 | 2030年(预测) | |
全社会用电量(亿千瓦时) | 1361 | 4380 |
其中:城乡居民生活用电量 | 223.2 | 1137 |
第三产业用电量 | 150.5 | 905 |
第二产业用电量(含第一产业) | 987.4 | 2338 |
全社会最大负荷(万千瓦) | 2400 | 8360 |
表1
S2、预测2030年各地市GDP水平及经济结构、人口分布
在省级经济研究机构的技术支撑下,根据发展阶段理论和发展规划等政策,合理预测出2030年全省各地市经济水平与结构以及人口分布情况,如表2所示:
经济总量(亿元) | 经济结构 | 常住人口(万人) | |
全省 | 146000 | 6.1:42.3:51.6 | 7183 |
合肥 | 38597 | 3:39.9:57.1 | 1180 |
六安 | 7702 | 8.5:42.5:49 | 650 |
淮南 | 4715 | 4.7:45.2:50.1 | 289 |
滁州 | 9209 | 9.8:42:48.3 | 512 |
淮北 | 3909 | 4.7:47.4:47.9 | 188 |
亳州 | 5253 | 13.4:38.4:48.1 | 421 |
宿州 | 6375 | 14.3:38.6:47 | 488 |
蚌埠 | 8637 | 8.5:40.1:51.4 | 442 |
阜阳 | 7369 | 13:40.6:46.4 | 726 |
马鞍山 | 10495 | 3.5:46.5:49.8 | 291 |
芜湖 | 18045 | 2.9:44.9:52.2 | 496 |
宣城 | 4981 | 8.1:40.8:51.1 | 349 |
铜陵 | 3955 | 0.8:54.1:45.1 | 96 |
池州 | 2425 | 7.5:41.9:50.5 | 177 |
安庆 | 12138 | 6.8:43.2:50 | 710 |
黄山 | 2483 | 6.5:37:56.5 | 160 |
表2
S3、按用电部门预测2030年全省全社会用电量各地市分布
S31、2030年全省城乡居民生活用电量各地市分布预测
根据安徽省经济发展阶段判断预测,2030年全省将进入后工业化发展阶段,居民收入地市差异将逐步缩小,因而采用长期预测模型。结合基准年人均生活用电量各地市分布以及长期各地市发展水平,给定2030年各地市人均生活用电量较全省平均水平浮动值,最终预测出2030年全省城乡居民生活用电量各地市分布结果,如表3所示:
表3
S32、2030年全省第三产业用电量各地市分布预测
按各地市第三产业增加值占比预测2030年全省第三产业用电量各地市分布,如表4所示:
表4
S33、2030年全省第二产业用电量各地市分布预测
按照前述全省第二产业用电量各地市分布预测方法,逐步预测出全省高耗能行业用电量、全省第二产业终端用电量(不含高耗能)、全省能源工业用电量、全省非一级网损与厂用电量各地市分布,最终得到2030年各地市第二产业用电量预测值,如表5(单位:亿千瓦时)所示:
表5
S4、综合2030年全省城乡居民生活用电量、全省第三产业用电量和全省第二产业用电量各地市分布预测结果,得到2030年各地市全社会用电量分布预测结果,如表6(单位:亿千瓦时)所示:
表6
S5、2030年全省全社会最大负荷各地市分布预测
根据2030和2012年全省第二产业在经济结构中的比重变化和全社会最大负荷利用小时数变化以及2030年各地市全社会用电量分布预测结果,预测出2030年全省全社会最大负荷各地市分布结果,如表7所示:
表7
2030年安徽省电力需求分布预测结果如图2所示。
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 (1)
1.一种基于LEAP模型的电网中长期电力需求分布预测方法,其特征在于,包括以下步骤:
(1)构建区域中长期终端能源需求和能源加工转换环节的LEAP模型;
(2)基于所述LEAP模型得到区域电网中长期电力需求预测值,包括中长期区域全社会用电量、区域城乡居民生活用电量、区域人均生活用电量、区域第三产业用电量、区域第二产业用电量、区域第二产业终端用电量、区域高耗能行业用电量、区域一级网损与厂用电量、区域非一级网损与厂用电量、区域抽水蓄能抽水用电量、区域全社会最大负荷和区域最大负荷利用小时数;
(3)按用电部门预测中长期区域全社会用电量在各辖区的分布:
(31)中长期区域城乡居民生活用电量各辖区分布预测:
中期预测:
获取基准年度各辖区城乡居民生活用电量、GDP和人口数据,构建中期各辖区城乡居民生活用电量初步预测回归模型;
获取目标年度各辖区GDP和人口预测值,根据所述中期各辖区城乡居民生活用电量初步预测回归模型,得到目标年度各辖区城乡居民生活用电量初步预测值;
构建中期各辖区城乡居民生活用电量预测修正模型;
获取目标年度区域城乡居民生活用电量预测值,根据所述中期各辖区城乡居民生活用电量预测修正模型,对目标年度各辖区城乡居民生活用电量初步预测值进行修正,得到目标年度各辖区城乡居民生活用电量预测值;
长期预测:
构建长期各辖区城乡居民生活用电量预测模型;
获取目标年度区域人均生活用电量、区域人口、各辖区人均生活用电量相对区域平均水平的浮动值和各辖区人口预测值,根据所述长期各 辖区城乡居民生活用电量预测模型,预测目标年度各辖区城乡居民生活用电量;
(32)中长期区域第三产业用电量各辖区分布预测:
构建中长期各辖区第三产业用电量预测模型;
获取目标年度各辖区第三产业增加值和区域第三产业用电量预测值,根据所述中长期各辖区第三产业用电量预测模型,预测目标年度各辖区第三产业用电量;
(33)中长期区域第二产业用电量各辖区分布预测:
构建中长期各辖区第二产业终端用电量预测模型;
获取基准年度各辖区各种高耗能产品产量数据以及目标年度各辖区第二产业增加值、区域各种高耗能行业用电量和区域第二产业终端用电量预测值,根据所述中长期各辖区第二产业终端用电量预测模型,预测目标年度各辖区第二产业终端用电量;
构建中长期各辖区能源工业用电量预测模型;
获取基准年度各辖区各种能源产品产量数据以及目标年度区域第二产业用电量、区域第二产业终端用电量、区域一级网损与厂用电量、区域非一级网损与厂用电量和区域抽水蓄能抽水用电量预测值,根据所述中长期各辖区能源工业用电量预测模型,预测目标年度各辖区能源工业用电量;
构建中长期各辖区非一级网损与厂用电量预测模型;
获取目标年度区域非一级网损与厂用电量预测值,根据预测得到的目标年度各辖区城乡居民生活用电量、各辖区第三产业用电量、各辖区第二产业终端用电量、各辖区能源工业用电量以及所述中长期各辖区非一级网损与厂用电量预测模型,预测目标年度各辖区非一级网损与厂用电量;
将上述预测得到的目标年度各辖区第二产业终端用电量、各辖区能源工业用电量、各辖区非一级网损与厂用电量累加,得到目标年度各辖 区第二产业用电量;
(4)将步骤(3)中预测得到的目标年度各辖区城乡居民生活用电量、各辖区第三产业用电量、各辖区第二产业用电量累加,得到目标年度各辖区全社会用电量;
(5)预测中长期区域全社会最大负荷在各辖区的分布:
构建中长期各辖区最大负荷利用小时数预测模型;
获取基准年度区域最大负荷利用小时数、区域第二产业在经济结构中的比重、区域全社会最大负荷、各辖区最大负荷利用小时数和各辖区第二产业在经济结构中的比重数据以及目标年度区域最大负荷利用小时数、区域第二产业在经济结构中的比重、区域全社会最大负荷和各辖区第二产业在经济结构中的比重预测值,根据所述中长期各辖区最大负荷利用小时数预测模型,预测目标年度各辖区最大负荷利用小时数;
构建中长期各辖区全社会最大负荷预测模型;
根据预测得到的目标年度各辖区全社会用电量、各辖区最大负荷利用小时数以及所述各辖区中长期全社会最大负荷预测模型,预测目标年度各辖区全社会最大负荷;
步骤(31)中:
所述中期各辖区城乡居民生活用电量初步预测回归模型为:
所述中期各辖区城乡居民生活用电量预测修正模型为:
其中,WH′t,l表示目标年度t辖区l城乡居民生活用电量初步预测值,GDPt,l和POPt,l分别表示目标年度t辖区l的GDP和人口,为将基准年度各辖区的城乡居民生活用电量、GDP和人口代入回归模型中拟合得 到的常数,WHt,l表示目标年度t辖区l城乡居民生活用电量,WHt表示目标年度t区域城乡居民生活用电量,L表示辖区数;
所述长期各辖区城乡居民生活用电量预测模型为:
其中,WHt,l表示目标年度t辖区l城乡居民生活用电量,θt表示目标年度t区域人均生活用电量,ωt,l表示目标年度t辖区l人均生活用电量相对区域平均水平的浮动值,POPt,l表示目标年度t辖区l人口,POPt表示目标年度t区域人口;
步骤(32)中:
所述中长期各辖区第三产业用电量预测模型为:
其中,WTt,l表示目标年度t辖区l第三产业用电量,WTt表示目标年度t区域第三产业用电量,GDP3t,l表示目标年度t辖区l第三产业增加值;
步骤(33)中:
所述中长期各辖区第二产业终端用电量预测模型为:
其中,WSTt,l表示目标年度t辖区l第二产业终端用电量,GDP2t,l表示目标年度t辖区l第二产业增加值,WSTt表示目标年度t区域第二产业终端用电量,WGt,l表示目标年度t辖区l高耗能行业用电量,
Ns表示区域内的高耗能产品种类数,VGt0,l,s表示基准年度t0辖区l的第s种高耗能产品产量,WGIt,s表示目标年度t区域内的第s种高耗能产品对应的 高耗能行业的用电量;
所述中长期各辖区能源工业用电量预测模型为:
其中,WEIt,l表示目标年度t辖区l能源工业用电量,VEt0,l,d表示基准年度t0辖区l的第d种能源产品产量,Nd表示区域内的能源产品种类数,WSt表示目标年度t区域第二产业用电量,WSTt表示目标年度t区域第二产业终端用电量,WLPt表示目标年度t区域一级网损与厂用电量,WNLPt表示目标年度t区域非一级网损与厂用电量,WPt表示目标年度t区域抽水蓄能抽水用电量;
所述中长期各辖区非一级网损与厂用电量预测模型为:
其中,WNLPt,l表示目标年度t辖区l非一级网损与厂用电量;
构建中长期各辖区第二产业用电量预测模型:
WSt,l=WSTt,l+WEIt,l+WNLPt,l
其中,WSt,l表示目标年度t辖区l第二产业用电量;
构建中长期各辖区全社会用电量预测模型:
Wt,l=WHt,l+WTt,l+WSt,l
其中,Wt,l表示目标年度t辖区l全社会用电量;
步骤(5)中:
所述中长期各辖区最大负荷利用小时数预测模型为:
其中,τt,l和τt0,l分别表示目标年度t和基准年度t0辖区l最大负荷利用小时数,τt和τt0分别表示目标年度t和基准年度t0区域最大负荷利用小时数,RSt,l和RSt0,l分别表示目标年度t和基准年度t0辖区l第二产业在经济结构中的比重,RSt和RSt0表示目标年度t和基准年度t0区域第二产业在经济结构中的比重,Pmax,t和Pmax,t0分别表示目标年度t和基准年度t0区域全社会最大负荷;
所述中长期各辖区全社会最大负荷预测模型为:
其中,Pmax,t,l表示目标年度t辖区l全社会最大负荷,Wt,l表示目标年度t辖区l全社会用电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410369909.4A CN104134102B (zh) | 2014-07-30 | 2014-07-30 | 基于leap模型的电网中长期电力需求分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410369909.4A CN104134102B (zh) | 2014-07-30 | 2014-07-30 | 基于leap模型的电网中长期电力需求分布预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104134102A CN104134102A (zh) | 2014-11-05 |
CN104134102B true CN104134102B (zh) | 2017-09-22 |
Family
ID=51806775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410369909.4A Active CN104134102B (zh) | 2014-07-30 | 2014-07-30 | 基于leap模型的电网中长期电力需求分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104134102B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574210A (zh) * | 2015-01-08 | 2015-04-29 | 国家电网公司 | 一种全维度电力市场分析与研究方法 |
CN107622344A (zh) * | 2017-09-04 | 2018-01-23 | 佛山佳牧乐科技有限公司 | 一种供电方法和装置 |
CN108346009B (zh) * | 2018-03-21 | 2021-09-03 | 深圳库博能源科技有限公司 | 一种基于用户模型自学习的电力生产配置方法和装置 |
CN112508306A (zh) * | 2020-12-28 | 2021-03-16 | 深圳供电局有限公司 | 一种电力生产配置的自适应方法及系统 |
CN115809783B (zh) * | 2022-12-09 | 2023-09-29 | 国网江苏省电力有限公司扬州供电分公司 | 一种中大型能源用户分行业能效评价预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413254A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 中长期负荷预测研究与管理一体化应用系统 |
CN103413188A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于工业业扩报装的月度工业用电量预测方法 |
CN103440556A (zh) * | 2013-09-04 | 2013-12-11 | 国家电网公司 | 一种基于经济传导的用电量预测方法 |
CN103530701A (zh) * | 2013-10-12 | 2014-01-22 | 国家电网公司 | 一种基于季节指数法的用户月用电量预测方法和系统 |
-
2014
- 2014-07-30 CN CN201410369909.4A patent/CN104134102B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413254A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 中长期负荷预测研究与管理一体化应用系统 |
CN103413188A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于工业业扩报装的月度工业用电量预测方法 |
CN103440556A (zh) * | 2013-09-04 | 2013-12-11 | 国家电网公司 | 一种基于经济传导的用电量预测方法 |
CN103530701A (zh) * | 2013-10-12 | 2014-01-22 | 国家电网公司 | 一种基于季节指数法的用户月用电量预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104134102A (zh) | 2014-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Exploring the direct rebound effect of residential electricity consumption: An empirical study in China | |
CN103413253B (zh) | 一种基于经济、气象因素的年最大负荷分类预测方法 | |
Zhang et al. | The green efficiency of industrial sectors in China: A comparative analysis based on sectoral and supply-chain quantifications | |
Hou et al. | Estimating the mitigation potential of the Chinese service sector using embodied carbon emissions accounting | |
CN104134102B (zh) | 基于leap模型的电网中长期电力需求分布预测方法 | |
Song et al. | Introducing renewable energy and industrial restructuring to reduce GHG emission: application of a dynamic simulation model | |
CN105260803A (zh) | 一种系统用电量预测方法 | |
CN104091293B (zh) | 基于用电结构变动的电网长期负荷特性预测方法 | |
Wang et al. | Provincial allocation of coal de-capacity targets in China in terms of cost, efficiency, and fairness | |
CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
Han et al. | Energy consumption analysis and saving of buildings based on static and dynamic input-output models | |
Xiang et al. | Will the energy industry drain the water used for agricultural irrigation in the Yellow River basin? | |
Xiangmei et al. | Forecast of annual water consumption in 31 regions of China considering GDP and population | |
Lin et al. | Energy efficiency and conservation in China's chemical fiber industry | |
CN107748972A (zh) | 一种基于双能源指标预测全社会用电量的方法 | |
Vazhayil et al. | Optimization of India's power sector strategies using weight-restricted stochastic data envelopment analysis | |
Wang et al. | How does urbanization affect energy consumption for central heating: Historical analysis and future prospects | |
CN105760963A (zh) | 一种旅游区居民生活用电的预测方法 | |
Song et al. | Dynamic modeling application for simulating optimal policies on water conservation in Zhangjiakou City, China | |
Niu et al. | Measurement on carbon lock-in of China based on RAGA-PP model | |
Zang et al. | Quantitative characterization and comprehensive evaluation of regional water resources using the Three Red Lines method | |
Yang et al. | China’s rural electricity market—a quantitative analysis | |
CN103793757B (zh) | 一种层级式模块化电网规划方案优化方法 | |
Zhang et al. | How to decouple income growth from household carbon emissions: A perspective based on urban-rural differences in China | |
Wen et al. | The effect of sectoral differentiated water tariff adjustment on the water saving from water footprint perspective: A case study of Henan Province in China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |