CN105069536B - 一种基于气温与经济增长的用电需求预测方法 - Google Patents
一种基于气温与经济增长的用电需求预测方法 Download PDFInfo
- Publication number
- CN105069536B CN105069536B CN201510515251.8A CN201510515251A CN105069536B CN 105069536 B CN105069536 B CN 105069536B CN 201510515251 A CN201510515251 A CN 201510515251A CN 105069536 B CN105069536 B CN 105069536B
- Authority
- CN
- China
- Prior art keywords
- season
- year
- monthly
- temperature
- sample interval
- 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
Abstract
本发明提供一种基于气温与经济增长的用电需求预测方法,包括选取最佳经济指标;获取历史数据;计算得到历史年度样本区间各个月度/季度的平均气温;计算得到历史年度样本区间各个月度/季度的经济增长指数;构建以全社会用电量为解释变量的逐年同月/季计量经济模型;计算得到目标月度/季度的平均气温预测值;计算得到目标月度/季度的经济增长指数预测值;计算得到目标月度/季度的全社会用电量预测值。本发明具有预测过程简单、预测效果好等优点,为月度/季度层面的用电需求提供了一种有效的预测方法,能够为能源主管和电力市场分析预测人员提供重要的参考依据。
Description
技术领域
本发明涉及电力市场需求预测技术领域,具体是一种基于气温与经济增长的用电需求预测方法。
背景技术
电力市场需求预测工作是国家能源主管部门和电网企业的一项重要基础性工作,为国家能源监测与管理、电网企业生产计划与经营管理提供重要的支撑依据,尤其是国内经济三期叠加、步入新常态、经济与用电增速明显放缓的当前形势,对用电需求预测准确性提出了更高的要求。
经济增速仍在继续探底,传统外推式预测方法因未考虑经济走势影响,往往按平稳增长继续演进,导致用电需求预测结果存在较大偏差,因而用电需求预测不能脱离经济增长而独立开展;同时,夏、冬季节整个用电量中气温电量比重较高,因而用电需求受气温影响十分显著,为提高用电需求预测准确性,气温因素亦不容忽视。综合考虑气温和经济增长两方面因素后开展月度/季度层面的用电需求预测,能够显著提高预测准确率。
但当前电力市场需求预测主要集中在对电力负荷的预测,由于电力负荷受气象因素影响很大,先前主流研究均以气象指标为基础并采用各种算法来开展电力负荷预测;对于用电需求(即用电量)预测, 大多数研究仍然停留在趋势外推、产值单耗、弹性系数、GDP回归等传统预测手段上,部分研究虽然已经聚焦到基于经济-电力关系来预测用电需求,如:构建投资驱动型经济增长模型,再传导至用电需求预测,但仍然存在预测过程复杂、缺乏对气温的有效考虑等问题。
发明内容
本发明的目的在于提供一种基于气温与经济增长的用电需求预测方法,为月度/季度层面的用电需求提供一种有效且更加准确的预测方法。
本发明的技术方案为:
一种基于气温与经济增长的用电需求预测方法,包括以下步骤:
(1)选取规模以上工业增加值或社会消费品零售额作为最佳经济指标;
(2)获取历史年度样本区间各日的平均气温数据、各个月度/季度的最佳经济指标增速数据和全社会用电量数据;
(3)根据所述历史年度样本区间各日的平均气温数据,计算得到历史年度样本区间各个月度/季度的平均气温;
(4)构建逐年同月/季经济增长指数计算模型,根据所述历史年度样本区间各个月度/季度的最佳经济指标增速数据,计算得到历史年度样本区间各个月度/季度的经济增长指数;
(5)根据所述历史年度样本区间各个月度/季度的全社会用电量数据、平均气温和经济增长指数,构建以全社会用电量为解释变量的 逐年同月/季计量经济模型;
(6)将历史年度样本区间同月/季的平均气温取平均值,计算得到目标月度/季度的平均气温预测值;
(7)获取目标月度/季度的最佳经济指标增速数据,计算得到目标月度/季度的经济增长指数预测值;
(8)根据所述以全社会用电量为解释变量的逐年同月/季计量经济模型、目标月度/季度的平均气温预测值和经济增长指数预测值,计算得到目标月度/季度的全社会用电量预测值。
所述的基于气温与经济增长的用电需求预测方法,步骤(3)中,所述历史年度样本区间各个月度/季度的平均气温通过以下公式计算得到:
其中,ATt表示历史年度样本区间的第t年被研究月/季的平均气温,ATPtj表示历史年度样本区间的第t年被研究月/季的第j日的平均气温,D表示历史年度样本区间的第t年被研究月/季的总天数。
所述的基于气温与经济增长的用电需求预测方法,步骤(4)中,所述逐年同月/季经济增长指数计算模型为:
所述的基于气温与经济增长的用电需求预测方法,步骤(5)中,所述以全社会用电量为解释变量的逐年同月/季计量经济模型为:
QSH=α0+α1EGI+α2AT
其中,QSH表示月度/季度的全社会用电量,EGI表示月度/季度的经济增长指数,AT表示月度/季度的平均气温,α0、α1和α2为常数,是将历史年度样本区间同月/季的全社会用电量、经济增长指数和平均气温代入所述以全社会用电量为解释变量的逐年同月/季计量经济模型中,采用最小二乘法拟合得到的。
由上述技术方案可知,本发明综合考虑了影响用电需求的两个最主要因素——经济增长和气温,预测效果得到较好保证,且操作简单,预测过程便于实现,为月度/季度层面的用电需求提供了一种有效的预测方法,能够为能源主管和电力市场分析预测人员提供重要的参考依据。
附图说明
图1是本发明的方法流程图;
图2是本发明实施例中误差率对比图。
具体实施方式
下面以安徽省月度全社会用电量预测为例进一步说明本发明。
如1所示,一种基于气温与经济增长的用电需求预测方法,包括以下步骤:
S1、选取规模以上工业增加值或社会消费品零售额作为最佳经济指标;
安徽省作为中部省份,工业对其经济和用电的支撑性很强,由此选择规模以上工业增加值作为最佳经济指标。
S2、获取2007~2014年间各日的平均气温数据、各月的规模以上工业增加值增速数据和全社会用电量数据。
S3、根据2007~2014年间各日的平均气温数据,采用以下公式计算得到2007~2014年间各月的平均气温(各月每日的平均气温的平均值),计算结果如表1所示:
其中,ATt表示2007~2014年间的第t年被研究月的平均气温,ATPtj表示2007~2014年间的第t年被研究月的第日的平均气温,D表示
2007~2014年间的第t年被研究月的总天数。
各月平均 | 2007年 | 2008年 | 2009年 | 2010年 | 2011年 | 2012年 | 2013年 | 2014年 |
气温(℃) | ||||||||
1-2月 | 5.81 | 1.70 | 4.85 | 4.36 | 2.16 | 2.58 | 4.12 | 4.93 |
3月 | 11.48 | 12.27 | 10.34 | 8.78 | 9.61 | 8.97 | 11.57 | 11.98 |
4月 | 16.80 | 16.82 | 17.15 | 13.41 | 17.39 | 18.14 | 16.39 | 16.56 |
5月 | 24.00 | 23.13 | 21.50 | 21.18 | 21.80 | 22.41 | 22.19 | 22.50 |
6月 | 25.43 | 24.29 | 26.82 | 25.19 | 25.27 | 26.41 | 25.35 | 25.24 |
7月 | 27.81 | 28.11 | 28.09 | 27.94 | 28.02 | 29.81 | 30.22 | 27.47 |
8月 | 28.18 | 27.02 | 26.96 | 28.45 | 26.52 | 27.52 | 30.49 | 25.38 |
9月 | 23.37 | 23.76 | 22.92 | 23.33 | 21.81 | 22.43 | 23.39 | 22.86 |
10月 | 18.01 | 18.48 | 19.55 | 16.64 | 17.05 | 18.29 | 18.03 | 18.63 |
11月 | 10.88 | 11.10 | 7.09 | 11.92 | 12.93 | 9.99 | 11.39 | 11.73 |
12月 | 6.20 | 5.48 | 3.83 | 6.21 | 3.34 | 3.30 | 3.92 | 4.54 |
表1
S4、构建逐年同月经济增长指数计算模型:
其中,EGIt表示2007~2014年间的第t年被研究月的经济增长指数,t=1,2,…,T,T表示2007~2014年间的总年数,Xn,n=1,2,…,t表示2007~2014年间的第n年被研究月的规模以上工业增加值增速。
根据2007~2014年间各月的规模以上工业增加值增速数据,计算得到2007~2014年间各月的经济增长指数,如表2所示:
表2
S5、根据2007~2014年间各月的全社会用电量数据、平均气温和经济增长指数,构建以全社会用电量为解释变量的逐年同月计量经济模型:
QSH=α0+α1EGI+α2AT
其中,QSH表示月度全社会用电量,EGI表示月度经济增长指数,AT表示月度平均气温,α0、α1和α2为常数,是将2007~2014年间同月的全社会用电量、经济增长指数和平均气温代入上述逐年同月计量经济模型中,采用最小二乘法拟合得到的。如1-2月、3月和4月的模型 如下,其中,R2表示模型拟合优度,其值越接近1,模型效果越好。1-2月:
QSH=64.35118578+0.4985136156EGI-2.250496067AT(R2=0.9985)3月:
QSH=46.53924604+0.2397514252EGI-1.331926396AT(R2=0.9942)4月:
QSH=29.4754672+0.2479660118EGI-0.01366890853AT(R2=0.9966)
各月模型中平均气温AT前面的系数大小表示该月全社会用电量受气温影响的敏感程度,全年各月结果如表3所示,表3中的-2.25表示1-2月平均气温较常年每偏高(或偏低)1℃,1-2月全社会用电量将减少(或增加)约2.25亿千瓦时,0.86表示6月平均气温较常年每偏高(或偏低)1℃,6月全社会用电量将增加(或减少)约0.86亿千瓦时,其他月份含义类似。
全社会用电量受气温影响的敏感系数(亿千瓦时/℃) | |
1-2月 | -2.25 |
3月 | -1.33 |
4月 | 0 |
5月 | 0 |
6月 | 0.86 |
7月 | 5.56 |
8月 | 6.36 |
9月 | 2.86 |
10月 | 0 |
11月 | -1.15 |
12月 | -4.05 |
注:4、5和10月气温适宜,对用电需求影响很小,可忽略。
表3
S6、预测2015年各月全社会用电量
2015年安徽省经济仍处于探底阶段,工业经济增速仍将进一步放缓,各月平均气温按常年考虑(取2007~2014年间同月平均气温的平均值),由此得到2015年各月经济增长指数和平均气温预测值,代入计量经济模型,可预测出2015年各月全社会用电量,如表4所示:
2015年 | 全社会用电量预测值 | 增速 |
1-2月 | 264.6 | 7.0% |
3月 | 133.4 | 4.0% |
4月 | 128.8 | 6.2% |
5月 | 132.9 | 3.8% |
6月 | 137.5 | 5.5% |
7月 | 164.6 | 9.2% |
8月 | 164.2 | 14.9% |
9月 | 135.4 | 7.4% |
10月 | 133.6 | 3.9% |
11月 | 137.7 | 4.9% |
12月 | 158.1 | 5.2% |
全年 | 1690.9 | 6.7% |
表4
运用上述计量经济模型预测2014年各月全社会用电量,并与实际值进行比较,各月模型误差率如表5所示,其平均绝对百分误差仅1.4%,大幅低于趋势外推和仅考虑经济指标的预测方法,尤其在夏季,如图2所示。
表5
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 (2)
1.一种基于气温与经济增长的用电需求预测方法,其特征在于,包括以下步骤:
(1)选取规模以上工业增加值或社会消费品零售额作为最佳经济指标;
(2)获取历史年度样本区间各日的平均气温数据、各个月度/季度的最佳经济指标增速数据和全社会用电量数据;
(3)根据所述历史年度样本区间各日的平均气温数据,计算得到历史年度样本区间各个月度/季度的平均气温;
(4)构建逐年同月/季经济增长指数计算模型,根据所述历史年度样本区间各个月度/季度的最佳经济指标增速数据,计算得到历史年度样本区间各个月度/季度的经济增长指数;
(5)根据所述历史年度样本区间各个月度/季度的全社会用电量数据、平均气温和经济增长指数,构建以全社会用电量为解释变量的逐年同月/季计量经济模型;
(6)将历史年度样本区间同月/季的平均气温取平均值,计算得到目标月度/季度的平均气温预测值;
(7)获取目标月度/季度的最佳经济指标增速数据,计算得到目标月度/季度的经济增长指数预测值;
(8)根据所述以全社会用电量为解释变量的逐年同月/季计量经济模型、目标月度/季度的平均气温预测值和经济增长指数预测值,计算得到目标月度/季度的全社会用电量预测值;
步骤(4)中,所述逐年同月/季经济增长指数计算模型为:
其中,EGIt表示历史年度样本区间的第t年被研究月/季的经济增长指数,t=1,2,…,T,T表示历史年度样本区间的总年数,Xn,n=1,2,…,t表示历史年度样本区间的第n年被研究月/季的最佳经济指标增速;
步骤(5)中,所述以全社会用电量为解释变量的逐年同月/季计量经济模型为:
QSH=α0+α1EGI+α2AT
其中,QSH表示月度/季度的全社会用电量,EGI表示月度/季度的经济增长指数,AT表示月度/季度的平均气温,α0、α1和α2为常数,是将历史年度样本区间同月/季的全社会用电量、经济增长指数和平均气温代入所述以全社会用电量为解释变量的逐年同月/季计量经济模型中,采用最小二乘法拟合得到的。
2.根据权利要求1所述的基于气温与经济增长的用电需求预测方法,其特征在于,步骤(3)中,所述历史年度样本区间各个月度/季度的平均气温通过以下公式计算得到:
其中,ATt表示历史年度样本区间的第t年被研究月/季的平均气温,ATPt,j表示历史年度样本区间的第t年被研究月/季的第j日的平均气温,D表示历史年度样本区间的第t年被研究月/季的总天数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510515251.8A CN105069536B (zh) | 2015-08-19 | 2015-08-19 | 一种基于气温与经济增长的用电需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510515251.8A CN105069536B (zh) | 2015-08-19 | 2015-08-19 | 一种基于气温与经济增长的用电需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069536A CN105069536A (zh) | 2015-11-18 |
CN105069536B true CN105069536B (zh) | 2018-08-03 |
Family
ID=54498896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510515251.8A Active CN105069536B (zh) | 2015-08-19 | 2015-08-19 | 一种基于气温与经济增长的用电需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069536B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894112A (zh) * | 2016-03-29 | 2016-08-24 | 国网安徽省电力公司经济技术研究院 | 一种区域第三产业用电量预测方法 |
CN106022536B (zh) * | 2016-05-30 | 2018-03-30 | 中国南方电网有限责任公司电网技术研究中心 | 季节性用电预测方法和系统 |
CN106771429B (zh) * | 2016-12-28 | 2019-07-26 | 湖南大学 | 用电量模式学习方法、装置及智能电表 |
CN106529747A (zh) * | 2017-01-04 | 2017-03-22 | 成都四方伟业软件股份有限公司 | 一种基于大数据的电力负荷预测方法与系统 |
CN106651058A (zh) * | 2017-01-10 | 2017-05-10 | 广东电网有限责任公司中山供电局 | 一种用电量预测模型优化方法及装置 |
CN107220763A (zh) * | 2017-05-24 | 2017-09-29 | 国网安徽省电力公司 | 一种分离工业用电量中温度电量和经济电量的方法 |
CN109145341A (zh) * | 2017-06-28 | 2019-01-04 | 顺丰速运有限公司 | 一种温度曲线的建立方法、冷媒配比方法和相关装置 |
CN108022017A (zh) * | 2017-12-11 | 2018-05-11 | 中国水利水电科学研究院 | 一种基于气候变化的能源消耗预测方法 |
CN112467723A (zh) * | 2019-11-20 | 2021-03-09 | 乐清市泰博恒电子科技有限公司 | 一种基于大数据和数据库的电力网络处理方法 |
CN111275247B (zh) * | 2020-01-14 | 2024-02-23 | 西安理工大学 | 一种基于多种影响因素的极限学习机月度电量预测方法 |
CN112035715B (zh) * | 2020-07-10 | 2023-04-14 | 广西电网有限责任公司 | 一种用户标签设计方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310284A (zh) * | 2013-06-08 | 2013-09-18 | 深圳供电局有限公司 | 经济负荷和降温负荷的确定方法及负荷确定装置 |
CN103617565A (zh) * | 2013-12-06 | 2014-03-05 | 国网山东省电力公司 | 城市微气象与电力空调负荷关系的建立方法 |
CN103617457A (zh) * | 2013-12-06 | 2014-03-05 | 国网山东省电力公司 | 电力系统中与温度有关的天气敏感负荷的预测方法 |
CN103971296A (zh) * | 2014-05-16 | 2014-08-06 | 国家电网公司 | 基于电负荷与气温的数学模型的购电方法 |
CN104616079A (zh) * | 2015-02-04 | 2015-05-13 | 国家电网公司 | 基于气温变化的电网日用电量预测方法 |
-
2015
- 2015-08-19 CN CN201510515251.8A patent/CN105069536B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310284A (zh) * | 2013-06-08 | 2013-09-18 | 深圳供电局有限公司 | 经济负荷和降温负荷的确定方法及负荷确定装置 |
CN103617565A (zh) * | 2013-12-06 | 2014-03-05 | 国网山东省电力公司 | 城市微气象与电力空调负荷关系的建立方法 |
CN103617457A (zh) * | 2013-12-06 | 2014-03-05 | 国网山东省电力公司 | 电力系统中与温度有关的天气敏感负荷的预测方法 |
CN103971296A (zh) * | 2014-05-16 | 2014-08-06 | 国家电网公司 | 基于电负荷与气温的数学模型的购电方法 |
CN104616079A (zh) * | 2015-02-04 | 2015-05-13 | 国家电网公司 | 基于气温变化的电网日用电量预测方法 |
Non-Patent Citations (3)
Title |
---|
2009年湖北用电负荷与气温关系及负荷特性分析;詹佳佳 等;《湖北电力》;20091230;第33卷;93-99 * |
中国工业用电量与经济增长的关系研究;何永秀 等;《工业技术经济》;20060130;第25卷(第1期);78-82 * |
基于用电结构变动的省级电网长期负荷特性预测;王宝 等;《现代电力》;20150630;第32卷(第3期);54-59 * |
Also Published As
Publication number | Publication date |
---|---|
CN105069536A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069536B (zh) | 一种基于气温与经济增长的用电需求预测方法 | |
Tang et al. | Comparative analysis of China surface air temperature series for the past 100 years | |
CN103413253B (zh) | 一种基于经济、气象因素的年最大负荷分类预测方法 | |
Swamy et al. | Design of hybrid wind and photovoltaic power system using opposition-based genetic algorithm with cauchy mutation | |
CN104616079B (zh) | 基于气温变化的电网日用电量预测方法 | |
CN104156783A (zh) | 计及气象累积效应的电力系统最大日负荷预测系统及方法 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN106529704A (zh) | 月最大电力负荷预测方法及装置 | |
CN104638636B (zh) | 一种电力日负荷特性指标预测方法 | |
CN103617457A (zh) | 电力系统中与温度有关的天气敏感负荷的预测方法 | |
CN104091293B (zh) | 基于用电结构变动的电网长期负荷特性预测方法 | |
Celik | A simplified model for estimating the monthly performance of autonomous wind energy systems with battery storage | |
Xiao et al. | China’s industrial structure upgrade in the “New Normal”: Empirical test and determinants | |
CN104504479B (zh) | 两种考虑温度和经济增长因素的月度全社会用电量预测方法 | |
CN106548285B (zh) | 计及小水电出力的趸售电量预测方法 | |
CN110866658A (zh) | 一种城市电网中长期负荷预测方法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN109299814B (zh) | 一种气象影响电量分解预测方法 | |
CN102968675B (zh) | 一种短期预测棉蚜种群数量的方法 | |
CN104766245B (zh) | 一种基于气象信息和熵权理论的电缆负荷曲线估算方法 | |
CN104063810B (zh) | 一种基于大数据的用电因素影响模型的构建方法 | |
CN111539549B (zh) | 一种基于资源生命周期过程的水-能源-粮食纽带关系预测方法 | |
CN110796314A (zh) | 一种考虑温度梯度变化的月度统调用电量预测方法 | |
Mengying et al. | Monthly electricity forecast based on electricity consumption characteristics analysis and multiple effect factors |
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 |