CN110991843A - 考虑城市化发展及电能替代效应的饱和电力需求预测方法 - Google Patents
考虑城市化发展及电能替代效应的饱和电力需求预测方法 Download PDFInfo
- Publication number
- CN110991843A CN110991843A CN201911158042.7A CN201911158042A CN110991843A CN 110991843 A CN110991843 A CN 110991843A CN 201911158042 A CN201911158042 A CN 201911158042A CN 110991843 A CN110991843 A CN 110991843A
- Authority
- CN
- China
- Prior art keywords
- variable
- prediction
- power demand
- data
- consumption
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 143
- 238000011161 development Methods 0.000 title claims abstract description 105
- 238000006467 substitution reaction Methods 0.000 title claims abstract description 76
- 230000000694 effects Effects 0.000 title claims abstract description 51
- 229920006395 saturated elastomer Polymers 0.000 title claims abstract description 50
- 230000001364 causal effect Effects 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000005611 electricity Effects 0.000 claims description 43
- 230000001419 dependent effect Effects 0.000 claims description 36
- 238000011160 research Methods 0.000 claims description 32
- 238000012417 linear regression Methods 0.000 claims description 30
- 238000005265 energy consumption Methods 0.000 claims description 29
- 238000012216 screening Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004134 energy conservation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 3
- 239000010779 crude oil Substances 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001744 unit root test Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开考虑城市化发展及电能替代效应的饱和电力需求预测方法，包括以下步骤：数据选取与预处理、城市化发展进程、电能替代、再电气化影响分析、饱和电力需求的计量经济学方程、因果关系图、栈流图、计及新兴电力需求影响因素的饱和电力需求场景生成模型、经济学多场景设置、电力需求饱和的判据和饱和电力需求的预测模型；本发明提出对电力需求的变化有影响的因素，完成城市化发展进程、能源替代效应及再电气化理论与政策的解读并实现了参数化，且完成了所需解释变量未来取值的预测，其中空缺值借助logistic模型与冈珀茨模型两种生长模型进行拟合，取拟合效果最好的模型进行空缺数据的填充。
Description
技术领域
本发明涉及电力预测技术领域，尤其涉及考虑城市化发展及电能替代效应的饱和电力需求预测方法。
背景技术
电能便于输送与变换的性质使其能够满足生产生活中大部分的能源需求并保持较高的利用效率，电能所使用的一次能源占比已经成为一个国家或地区节能减排能够获得成功的关键因素，随着社会经济的迅速发展与人民生活水平的不断提高，我国的电力需求呈稳定上升态势，为了能够制定高效、安全的未来电网发展规划，准确的电力需求预测至关重要，结合国外发达国家的发展经验，在城市建设初期，年用电量增长速度会随着经济发展的加快而加快，甚至快于城市经济发展增速，当城市发展到临近极限时，受到各方面资源的限制，经济与年用电量的增长都会逐渐变慢，甚至停止增长，这种状态就称为电力需求的饱和，对饱和年用电量以及饱和时间点进行准确的预测，对于电网规划有重要的意义，同时，与发达国家的经济与电力发展过程相比，我国的发展过程存在很多的独特性，其中最主要的一个就是以城市化发展进程、能源替代效应与再电气化为代表的新的电力需求影响因素开始在我国逐渐显现出来，如何在这一背景下对饱和电力需求形态进行预测对我国的发展具有实际意义，
目前，饱和电力需求预测研究更多的集中在点预测，而结合中长期预测中存在较大不确定性的现状，点预测在长期尤其是饱和电力需求预测中应用风险较大，此外，回归模型的解释变量局限于经济社会变量，不能完整体现新形势下的新兴电力需求影响因素的作用，因此，本发明提出考虑城市化发展及电能替代效应的饱和电力需求预测方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明提出考虑城市化发展及电能替代效应的饱和电力需求预测方法，该方法提出对电力需求的变化有影响的因素，完成城市化发展进程、能源替代效应及再电气化理论与政策的解读并实现了参数化，且本发明完成了所需解释变量未来取值的预测，其中空缺值借助logistic模型与冈珀茨模型两种生长模型进行拟合，取拟合效果最好的模型进行空缺数据的填充。
为了解决上述问题，本发明提出考虑城市化发展及电能替代效应的饱和电力需求预测方法，包括以下步骤：
步骤一：数据选取与预处理
考虑以城市化发展进程、能源替代效应、再电气化为代表的新兴电力需求影响因素，解读上述理论与政策目标，完成参数化，且考虑到电力需求仍然受到经济因素的显著影响，将社会经济发展数据也作为重点考虑因素，并对数据进行预处理，对缺失数据进行填充，对已有数据进行生长曲线模型拟合，选取拟合效果较好的模型，根据该模型对缺失数据进行填充，对于严重缺失的数据，依据早年的地区发展规划目标进行填充，选取与之有较明显相关关系的变量作为替代，得出社会经济发展数据、城市化发展进程特征因素、能源替代效应特征因素、再电气化效应的特征因素；
步骤二：城市化发展进程、电能替代、再电气化影响分析
根据步骤一选取的新兴电力需求影响因素变量，对于大部分地区而言，城市化率、新能源及可再生能源消费比重、各电源装机容量以及发电占比数据缺失并不严重，所以通过生长曲线模型对缺失数据进行填充，随后直接参与多维变量筛选以及计量经济方程的构建，但是就表征电能替代效应的变量而言，数据缺失尤为严重，所以通过现有数据、未来规划目标、电能替代潜力领域已有研究结果直接进行预测，并将结果与不考虑电能替代时的电力需求预测叠加，得到最终的预测结果；
步骤三：饱和电力需求的计量经济学方程
由于选取的数据集维数很高，所以通过计量经济学方法来筛选变量，得到对待测电力需求变量具有显著驱动作用的影响因素，并通过逐步回归规避多重共线性的影响：
(1)基于格兰杰因果关系检验的变量筛选
首先将各解释变量分别与待预测的电力需求变量进行格兰杰因果关系检验，根据结果进行筛选，对于因变量与解释变量进行格兰杰因果分析，存在三种情况，即因变量是解释变量的格兰杰原因、解释变量是因变量的格兰杰原因、解释变量与因变量互为格兰杰原因，约定选取作为因变量格兰杰原因的解释变量，并记录满足条件的最小滞后期作为因果关系的滞后期，
(2)基于ADF单位根检验与Johansen协整检验的变量筛选
确定与电力变量存在协整关系的解释变量，首先求取各变量的单整阶数，取与电力变量单整阶数相同的解释变量建立向量自回归模型(VAR模型)，确定最佳滞后阶数之后进行Johansen协整检验，值得注意的是Johansen协整检验有五种协整方程与两种统计量判据，共十种情况，在具体的研究中需要把每种情况都考虑到，综合考虑决定是否存在以及存在哪种协整关系，
(3)计量经济学方程的建立
经过以上两轮筛选，得到能够显著驱动电力需求的解释变量，将这些变量与电力需求变量进行分析可以得到电力需求变量的计量经济方程，这一步有两种方法供选择：其一是通过VEC模型得到完善的协整关系；其二是通过逐步线性回归得到电力需求变量的计量经济学方程，分别采取两种方法进行计量积极学方程的构建，并互为比较，由于得到的计量经济学方程没有考虑电能替代的影响，所以与电能替代单独预测的结果相加得到最终的计量经济方程，
(4)计量经济方程的验证
在得到计量经济方程之后，对计量经济方程进行验证，将历史数据分为两部分，第一部分用于计量经济方程的构建，第二部分用于方程验证，通过计量经济方程对第二部分历史年份的电力需求变量的预测值与实际值之间的误差，来判断方程的可信度，计量经济方程验证参数取绝对百分比误差与平均绝对百分比误差，计算公式如下
式(12)中APEi表示总电量预测第i年的绝对百分比误差，用百分数表示；yi1为总电量第i年的预测值，单位亿千瓦时；yi0为总电量第i年的实际值，单位为亿千瓦时，
式(13)中MAPE表示总电量预测平均绝对百分比误差，用百分数表示；n表示预测总年数；APEi表示总电量预测第i年的绝对百分比误差，用百分数表示；
步骤四：因果关系图
明确系统动力学建模方法，构建系统动力学模型的因果关系图，首先确定模型的系统边界，这一步的基础是对选定的多维解释变量集的筛选，经过系统动力学方法筛选出得到能够显著驱动电力需求变量的解释变量，在确定与电力需求变量存在因果关系的解释变量之后，构建系统动力学的因果关系图，这一阶段不需要明确的动力学方程，只需要得到研究变量与解释变量之间的大致因果关系，构造出系统大致的内部结构即可；
步骤五：栈流图
构建系统动力学模型的栈流图，将电力需求变量与解释变量之间的因果关系具体为定量的动力学方程，这一步的基础是对电力需求变量变量与筛选得到的解释变量进行逐步回归，得到电力需求变量的计量经济方程，此方程即为系统动力学模型的动力学方程，在动力学方程的基础上，确定系统中各单元的类型，最终完成系统栈流图的绘制，栈流图示意图中的动力学方程为:
y1＝a*x1+b*x2+c*x3+d (32)
式中因变量为y1,解释变量为x1、x2、x3、x4，d为内置于因变量单元中的动力学方程常数项，其主要描述电力需求变量与解释变量之间的因果关系，对时序关系不做考虑，栈流图中不会用到流变量；
步骤六：计及新兴电力需求影响因素的饱和电力需求场景生成模型
对场景模型中的单元赋值，也即对各解释变量进行预测
(1)GDP、各产业结构及人口
这三个变量的近景确定依据为地方发展规划目标，并通过Gompertz模型实现远景与中间年份数据的填充，对于产业结构，采用的方法是先对产业结构百分数进行预测，随后根据总GDP得到各产业GDP，
(2)城市化率
城市化率变量的确定主要依据地方规划目标及社会经济领域现有研究成果，根据现有的城市化率研究成果，选取预测结论与近年实际情况或规划目标较为吻合的研究，直接取其预测作为研究的数据来源，并通过Gompertz模型进行数据填充，
(3)新能源及可再生能源消费比重
新能源及可再生能源消费比重的确定依据为地方能源发展规划，并通过Gompertz模型对缺失数据进行填充，
(4)电能替代量
电能替代量由于特殊性，对大多数地区而言不存在明确的规划量，该数据确定依据主要为地方电网为近景年的电能替代潜力预测，远景发展趋势则参考电能替代潜力领域已有研究成果，同时，对于电能替代量中各产业成分的比重，依据地方电网近年电能替代具体数据进行确定，并应用在未来预测值中；
步骤七：经济学多场景设置
针对用电量组成分量预测中涉及的外生变量进行多场景设置，以降低饱和电力需求形态预测的风险，由于第一产业用电量占比较低，不对其做过多考虑；考虑对第二产业用电量有较为显著影响的变量，研究根据变量筛选结果，选取新能源及可再生能源消费比重进行多场景设置，由于新能源及可再生能源绝大多数都通过转化为电能被利用，该变量可以表征电力生产端的再电气化水平，进而对第二产业用电产生较为显著的影响；同时该变量正处于发生期，国家的推动作用会对其发展速度产生直接的影响，基于此，对该变量进行多场景设置，以降低预测风险；考虑对第三产业用电及居民生活用电有较为显著影响的变量，研究根据变量筛选结果，选取产业结构变量进行多场景设置，第三产业的经济占比直接推动第三产业用电量的迅速攀升，同时第三产业发展也必然会带动居民生活水平的提高，从而对居民生活用电产生一定程度上的影响，同时国家的政策对于产业结构的变动有直接的推动作用，基于此，选取产业结构进行多场景设置；此外，电能替代量对电力需求的规模以及产业分布产生直接的影响，虽然电能替代尚处于发生期，但是从目前的发展形势来看，其受到了国家的大力推进，未来发展趋势的存在不确定性，基于此，对电能替代量进行多场景设置；最后，考虑到GDP与社会消费品零售总额未来发展虽然存在波动，但是发展趋势的不确定性小，基于此，不考虑对其进行多场景设置；综上，选取对新能源及可再生能源消费比重、产业结构及电能替代量，对其进行多场景设置，并将预测年段也以五年为周期进行划分，同一阶段内采取相同的场景设置；
步骤八：电力需求饱和的判据
考虑电力需求饱和判据对各地区的普适性，选择最为基础与常用的指标，即总电量年增长率小于2％，考虑到总电量年增长率的波动会导致误判，在实际应用中参考当地历史数据，计算历史总电量年增长率的最大连续下滑时间，结合上述论述，综合判断饱和时间；
步骤九：饱和电力需求的预测模型
(1)总电量预测及饱和年的确定
1)模糊线性回归预测法
利用对称三角隶属度函数的模糊线性回归方法，选取对称三角，并取置信水平为0.5，将区间预测的上限与下限分别作为单独的时间序列并对其进行分析，通过该方法得到饱和年的预测值，并采取同样的方法获得饱和年的电力弹性系数与人均用电量的范围，以验证预测结果的可信度，
2)不确定场景生成法
解释变量未来的年增长率直接取基准场景的预测值，通过对历史数据的分析得到随机变化率，取历史随机波动与历史最大年增长率的比值，将此比值与未来年增长率预测值相乘，得到的结果作为当年的随机波动，
3)置信区间预测模型
置信区间预测模型是基于逐步回归得到的计量经济方程的一种概率预测方法，首先对总电量进行置信区间预测，将置信区间上限与下限作为两个独立的时间序列，通过年增长率确定饱和年的范围，通过总电量置信区间上下限确定电力弹性系数以及人均用电量的范围，以此确定预测结果的可信度，
4)生长曲线模型
采用logistic模型与冈珀茨模型分别对电量历史数据进行拟合并得到未来饱和年及饱和用电量的预测值，通过对比分析验证置信区间预测法的可行性以及优缺点，
(2)用电结构预测
采用置信区间预测法，根据总电量预测得到的饱和年，确定饱和年各用电成分用电量的置信区间，
(3)负荷特性预测
负荷特性包括年最大负荷、年最大峰谷差、年负荷率、季不均衡系数四个参数以及年最大负荷曲线，其中参数预测采用置信区间预测法，年最大负荷曲线预测通过对历史8760负荷数据进行分析，按照季不均衡系数的预测值进行标幺值曲线的选取，随后通过年最大负荷的预测值有名化，得到年最大负荷预测曲线。
进一步改进在于：所述步骤一中，社会经济发展数据包括：地区经济数据：选取GDP、第一产业GDP、第二产业GDP和第三产业GDP等因素，表征地区经济发展概况对用电的影响，国内生产总值指的是一年中一个地区所生产的产品与劳务额价值，反映一个地区的经济发展水平，但仅仅通过GDP来表征地区经济发展太过片面，针对以上缺陷，考虑三大产业GDP作为产业结构的表征，并考虑社会发展及人民生活变量作为补充；地区社会发展数据：选取人口、消费品零售总额、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、进出口总额等因素，表征地区投资及消费主等因素对用电的影响；地区能源相关数据：选取能源消费总量、原煤消费比重、原油消费比重、天然气消费比重、新能源和可再生能源消费比重、能源消费弹性系数等因素，以反映能源消耗的强度以及政府对能源消耗结构的调整；地区典型高耗能产业的相关数据：考虑到轻工业与重工业的用能特性差异较大，它们的发展将会不同程度上对总体电力需求产生影响，选取工业总产值、重工业产值以及重工业产值占比以表达这种差异性，同时考虑到研究地区的高耗能行业，这类行业的兴衰以及政府政策会对整体的电力需求造成直接的影响，针对不同地区，通过国家或地方统计局工业耗能统计数据的对比判断高耗能行业，并选取年其产值与年用电量以表征典型高耗能行业电力需求的变化；
且所述步骤一中：城市化发展进程特征因素：狭义上的城市化进程指的是农村人口非农化的过程，基于这一定义，将常住人口中城镇人口的比重定义为城市化率，选取该变量以代表城市化发展进程，并且考虑到地区工业化与城市化的紧密联系与相互推进关系，选取能够代表工业化进程的变量；
能源替代效应特征因素：指在能源消费侧，电力对其余能源的逐步替代，是一个由技术发展与政策共同推动的、以节能减排与经济可持续发展为导向的过程；
再电气化效应的特征因素：指在电力生产环节、消费环节、传输环节同时发生的能源转型，具体为：电力生产环节的再电气化、电力消费环节的再电气化、电力传输环节的再电气化。
进一步改进在于：所述步骤一中，对数据进行预处理的依据为：在上述变量历史数据的实际获取中，由于统计口径、方法等因素更迭的影响，部分变量会出现较为严重的数据缺失。
进一步改进在于：所述步骤四中，系统动力学建模方法为：根据变量确定系统边界，随后根据变量之间的计量经济方程，即动力学方程完成系统动力学模型中信息传递与因果关系的构建：明确建模目的；确定系统边界；确定因果关系图；确定系统栈流图；仿真对模型模拟和修改与完善模型。
进一步改进在于：所述步骤九中，系数的隶属函数选取对称三角，如下所示：
其中
为第j个解释变量系数的隶属度方程，pj为解释变两量模糊数的中心值，cj为解释变量模糊数的宽度值，在模糊线性回归中，通常采用最小化模糊性的方法进行求解，定义目标函数
其中k表示解释变量的观测值个数，此时问题转化为线性规划问题，使得该目标函数F最小，取满足
其中z为置信水平，至此，模糊线性回归的预测完成。
进一步改进在于：所述步骤九中，置信区间预测的方法为：设因变量y与解释变量xj(j＝1,2,3,…,n)之间的关系为
其中yi为因变量序列，n为解释变量个数，xji(j＝1,2,3,…,n)为解释变量序列，ε为随机误差，服从正态分布N(0,σ2)。
建立因变量y与解释变量xj(j＝1,2,3,…,n)之间的多元线性回归模型
其中
为多元线性回归模型下的因变量预测值，
(j＝1,2,3,…,n)为回归系数，
为常数项。通过最小二乘法计算回归系数与常数项的取值。
进一步改进在于：所述步骤九中，logistic模型，其函数如下所示：
冈珀茨模型如下形式：
本发明的有益效果为：本发明提出对电力需求的变化有影响的因素，完成城市化发展进程、能源替代效应及再电气化理论与政策的解读并实现了参数化，通过公开渠道获取所需数据，在此基础上借助格兰杰因果关系检验及Johansen协整检验对多维变量进行筛选，得到对特定电力需求变量有所影响的解释变量，随后分别使用VEC模型与逐步线性回归法，完成了电力需求变量的计量经济学方程的构建，且本发明完成了所需解释变量未来取值的预测，其中空缺值借助logistic模型与冈珀茨模型两种生长模型进行拟合，取拟合效果最好的模型进行空缺数据的填充，在此基础上，进行系统动力学模型的构建，生成饱和电力需求概率预测场景；同时，本发明分别使用模糊线性回归预测、不确定场景生成法与置信区间预测法对饱和总用电量进行预测，判断饱和年与饱和年总用电量的预测值，并与logistic模型及冈珀茨模型的预测结果进行对比分析，论述了结果的可信程度及各方法的优劣，在取得饱和年预测值之后，通过置信区间预测法，得到饱和年各成分用电量、负荷特性的预测；综上，预测结果更加合理，对未来电网发展及电力营销规划具有积极的意义。
附图说明
图1为本发明的饱和电力需求计量经济方程的构建流程图；
图2为本发明的栈流图示意图；
图3为本发明的饱和电力需求形态预测系统动力学模型图。
具体实施方式
为了使发明实现的技术手段、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
根据图1、2所示，本实施例提供了考虑城市化发展及电能替代效应的饱和电力需求预测方法，具体步骤如下：
步骤一：数据选取与预处理
考虑以城市化发展进程、能源替代效应、再电气化为代表的新兴电力需求影响因素，解读上述理论与政策目标，完成参数化，且考虑到电力需求仍然受到经济因素的显著影响，将社会经济发展数据也作为重点考虑因素，并对数据进行预处理，对缺失数据进行填充，对已有数据进行生长曲线模型拟合，选取拟合效果较好的模型，根据该模型对缺失数据进行填充，对于严重缺失的数据，依据早年的地区发展规划目标进行填充，选取与之有较明显相关关系的变量作为替代，得出社会经济发展数据、城市化发展进程特征因素、能源替代效应特征因素、再电气化效应的特征因素：
(1)社会经济发展数据
地区经济数据
选取GDP、第一产业GDP、第二产业GDP和第三产业GDP等因素，表征地区经济发展概况对用电的影响，国内生产总值指的是一年中一个地区所生产的产品与劳务额价值，反映一个地区的经济发展水平，但仅仅通过GDP来表征地区经济发展太过片面，针对以上缺陷，考虑三大产业GDP作为产业结构的表征，并考虑社会发展及人民生活变量作为补充；
地区社会发展数据
选取人口、消费品零售总额、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、进出口总额等因素，表征地区投资及消费主等因素对用电的影响；
地区能源相关数据
选取能源消费总量、原煤消费比重、原油消费比重、天然气消费比重、新能源和可再生能源消费比重、能源消费弹性系数等因素，以反映能源消耗的强度以及政府对能源消耗结构的调整；
地区典型高耗能产业的相关数据
考虑到轻工业与重工业的用能特性差异较大，它们的发展将会不同程度上对总体电力需求产生影响，选取工业总产值、重工业产值以及重工业产值占比以表达这种差异性，同时考虑到研究地区的高耗能行业，这类行业的兴衰以及政府政策会对整体的电力需求造成直接的影响，针对不同地区，通过国家或地方统计局工业耗能统计数据的对比判断高耗能行业，并选取年其产值与年用电量以表征典型高耗能行业电力需求的变化；
(2)城市化发展进程特征因素
狭义上的城市化进程指的是农村人口非农化的过程，基于这一定义，将常住人口中城镇人口的比重定义为城市化率，选取该变量以代表城市化发展进程，此外，考虑到地区工业化与城市化的紧密联系与相互推进关系，选取能够代表工业化进程的变量；
(3)能源替代效应特征因素
指在能源消费侧，电力对其余能源的逐步替代，是一个由技术发展与政策共同推动的、以节能减排与经济可持续发展为导向的过程；
(4)再电气化效应的特征因素选择
指在电力生产环节、消费环节、传输环节同时发生的能源转型，具体为：电力生产环节的再电气化、电力消费环节的再电气化、电力传输环节的再电气化；
(5)数据预处理
对缺失数据进行填充，对已有数据进行生长曲线模型拟合，选取拟合效果较好的模型，根据该模型对缺失数据进行填充，对于严重缺失的数据，依据早年的地区发展规划目标进行填充，选取与之有较明显相关关系的变量作为替代；
步骤二：城市化发展进程、电能替代、再电气化影响分析
根据步骤一选取的新兴电力需求影响因素变量，对于大部分地区而言，城市化率、新能源及可再生能源消费比重、各电源装机容量以及发电占比数据缺失并不严重，所以通过生长曲线模型对缺失数据进行填充，随后直接参与多维变量筛选以及计量经济方程的构建，但是就表征电能替代效应的变量而言，数据缺失尤为严重，所以通过现有数据、未来规划目标、电能替代潜力领域已有研究结果直接进行预测，并将结果与不考虑电能替代时的电力需求预测叠加，得到最终的预测结果；
步骤三：饱和电力需求的计量经济学方程
由于选取的数据集维数很高，所以通过计量经济学方法来筛选变量，得到对待测电力需求变量具有显著驱动作用的影响因素，并通过逐步回归规避多重共线性的影响：
(1)基于格兰杰因果关系检验的变量筛选
首先将各解释变量分别与待预测的电力需求变量进行格兰杰因果关系检验，根据结果进行筛选，对于因变量与解释变量进行格兰杰因果分析，存在三种情况，即因变量是解释变量的格兰杰原因、解释变量是因变量的格兰杰原因、解释变量与因变量互为格兰杰原因，约定选取作为因变量格兰杰原因的解释变量，并记录满足条件的最小滞后期作为因果关系的滞后期，
(2)基于ADF单位根检验与Johansen协整检验的变量筛选
确定与电力变量存在协整关系的解释变量，首先求取各变量的单整阶数，取与电力变量单整阶数相同的解释变量建立向量自回归模型(VAR模型)，确定最佳滞后阶数之后进行Johansen协整检验，值得注意的是Johansen协整检验有五种协整方程与两种统计量判据，共十种情况，在具体的研究中需要把每种情况都考虑到，综合考虑决定是否存在以及存在哪种协整关系，
(3)计量经济学方程的建立
经过以上两轮筛选，得到能够显著驱动电力需求的解释变量，将这些变量与电力需求变量进行分析可以得到电力需求变量的计量经济方程，这一步有两种方法供选择：其一是通过VEC模型得到完善的协整关系；其二是通过逐步线性回归得到电力需求变量的计量经济学方程，分别采取两种方法进行计量积极学方程的构建，并互为比较，由于得到的计量经济学方程没有考虑电能替代的影响，所以与电能替代单独预测的结果相加得到最终的计量经济方程，
(4)计量经济方程的验证
在得到计量经济方程之后，对计量经济方程进行验证，将历史数据分为两部分，第一部分用于计量经济方程的构建，第二部分用于方程验证，通过计量经济方程对第二部分历史年份的电力需求变量的预测值与实际值之间的误差，来判断方程的可信度，计量经济方程验证参数取绝对百分比误差与平均绝对百分比误差，计算公式如下
式(12)中APEi表示总电量预测第i年的绝对百分比误差，用百分数表示；yi1为总电量第i年的预测值，单位亿千瓦时；yi0为总电量第i年的实际值，单位为亿千瓦时，
式(13)中MAPE表示总电量预测平均绝对百分比误差，用百分数表示；n表示预测总年数；APEi表示总电量预测第i年的绝对百分比误差，用百分数表示；
步骤四：因果关系图
明确系统动力学建模方法：根据变量确定系统边界，随后根据变量之间的计量经济方程，即动力学方程完成系统动力学模型中信息传递与因果关系的构建：明确建模目的；确定系统边界；确定因果关系图；确定系统栈流图；仿真对模型模拟和修改与完善模型；
构建系统动力学模型的因果关系图，首先确定模型的系统边界，这一步的基础是对选定的多维解释变量集的筛选，经过系统动力学方法筛选出得到能够显著驱动电力需求变量的解释变量，在确定与电力需求变量存在因果关系的解释变量之后，构建系统动力学的因果关系图，这一阶段不需要明确的动力学方程，只需要得到研究变量与解释变量之间的大致因果关系，构造出系统大致的内部结构即可；
步骤五：栈流图
构建系统动力学模型的栈流图，将电力需求变量与解释变量之间的因果关系具体为定量的动力学方程，这一步的基础是对电力需求变量变量与筛选得到的解释变量进行逐步回归，得到电力需求变量的计量经济方程，此方程即为系统动力学模型的动力学方程，在动力学方程的基础上，确定系统中各单元的类型，最终完成系统栈流图的绘制，栈流图示意图中的动力学方程为:
y1＝a*x1+b*x2+c*x3+d (32)
式中因变量为y1,解释变量为x1、x2、x3、x4，d为内置于因变量单元中的动力学方程常数项，其主要描述电力需求变量与解释变量之间的因果关系，对时序关系不做考虑，栈流图中不会用到流变量；
步骤六：计及新兴电力需求影响因素的饱和电力需求场景生成模型
对场景模型中的单元赋值，也即对各解释变量进行预测
(1)GDP、各产业结构及人口
这三个变量的近景确定依据为地方发展规划目标，并通过Gompertz模型实现远景与中间年份数据的填充，对于产业结构，采用的方法是先对产业结构百分数进行预测，随后根据总GDP得到各产业GDP，
(2)城市化率
城市化率变量的确定主要依据地方规划目标及社会经济领域现有研究成果，根据现有的城市化率研究成果，选取预测结论与近年实际情况或规划目标较为吻合的研究，直接取其预测作为研究的数据来源，并通过Gompertz模型进行数据填充，
(3)新能源及可再生能源消费比重
新能源及可再生能源消费比重的确定依据为地方能源发展规划，并通过Gompertz模型对缺失数据进行填充，
(4)电能替代量
电能替代量由于特殊性，对大多数地区而言不存在明确的规划量，该数据确定依据主要为地方电网为近景年的电能替代潜力预测，远景发展趋势则参考电能替代潜力领域已有研究成果，同时，对于电能替代量中各产业成分的比重，依据地方电网近年电能替代具体数据进行确定，并应用在未来预测值中；
步骤七：经济学多场景设置
针对用电量组成分量预测中涉及的外生变量进行多场景设置，以降低饱和电力需求形态预测的风险，由于第一产业用电量占比较低，不对其做过多考虑；考虑对第二产业用电量有较为显著影响的变量，研究根据变量筛选结果，选取新能源及可再生能源消费比重进行多场景设置，由于新能源及可再生能源绝大多数都通过转化为电能被利用，该变量可以表征电力生产端的再电气化水平，进而对第二产业用电产生较为显著的影响；同时该变量正处于发生期，国家的推动作用会对其发展速度产生直接的影响，基于此，对该变量进行多场景设置，以降低预测风险；考虑对第三产业用电及居民生活用电有较为显著影响的变量，研究根据变量筛选结果，选取产业结构变量进行多场景设置，第三产业的经济占比直接推动第三产业用电量的迅速攀升，同时第三产业发展也必然会带动居民生活水平的提高，从而对居民生活用电产生一定程度上的影响，同时国家的政策对于产业结构的变动有直接的推动作用，基于此，选取产业结构进行多场景设置；此外，电能替代量对电力需求的规模以及产业分布产生直接的影响，虽然电能替代尚处于发生期，但是从目前的发展形势来看，其受到了国家的大力推进，未来发展趋势的存在不确定性，基于此，对电能替代量进行多场景设置；最后，考虑到GDP与社会消费品零售总额未来发展虽然存在波动，但是发展趋势的不确定性小，基于此，不考虑对其进行多场景设置；综上，选取对新能源及可再生能源消费比重、产业结构及电能替代量，对其进行多场景设置，并将预测年段也以五年为周期进行划分，同一阶段内采取相同的场景设置；
步骤八：电力需求饱和的判据
考虑电力需求饱和判据对各地区的普适性，选择最为基础与常用的指标，即总电量年增长率小于2％，考虑到总电量年增长率的波动会导致误判，在实际应用中参考当地历史数据，计算历史总电量年增长率的最大连续下滑时间，结合上述论述，综合判断饱和时间；
步骤九：饱和电力需求的预测模型
(1)总电量预测及饱和年的确定
1)模糊线性回归预测法
利用对称三角隶属度函数的模糊线性回归方法，选取对称三角，并取置信水平为0.5，将区间预测的上限与下限分别作为单独的时间序列并对其进行分析，通过该方法得到饱和年的预测值，并采取同样的方法获得饱和年的电力弹性系数与人均用电量的范围，以验证预测结果的可信度，如下所示：
其中
为第j个解释变量系数的隶属度方程，pj为解释变两量模糊数的中心值，cj为解释变量模糊数的宽度值，在模糊线性回归中，通常采用最小化模糊性的方法进行求解，定义目标函数
其中k表示解释变量的观测值个数，此时问题转化为线性规划问题，使得该目标函数F最小，取满足
其中z为置信水平，至此，模糊线性回归的预测完成；
2)不确定场景生成法
解释变量未来的年增长率直接取基准场景的预测值，通过对历史数据的分析得到随机变化率，取历史随机波动与历史最大年增长率的比值，将此比值与未来年增长率预测值相乘，得到的结果作为当年的随机波动，
3)置信区间预测模型
置信区间预测模型是基于逐步回归得到的计量经济方程的一种概率预测方法，首先对总电量进行置信区间预测，将置信区间上限与下限作为两个独立的时间序列，通过年增长率确定饱和年的范围，通过总电量置信区间上下限确定电力弹性系数以及人均用电量的范围，以此确定预测结果的可信度，置信区间预测的方法为：设因变量y与解释变量xj(j＝1,2,3,…,n)之间的关系为
其中yi为因变量序列，n为解释变量个数，xji(j＝1,2,3,…,n)为解释变量序列，ε为随机误差，服从正态分布N(0,σ2)。
建立因变量y与解释变量xj(j＝1,2,3,…,n)之间的多元线性回归模型
其中
为多元线性回归模型下的因变量预测值，
(j＝1,2,3,…,n)为回归系数，
为常数项。通过最小二乘法计算回归系数与常数项的取值；
4)生长曲线模型
采用logistic模型与冈珀茨模型分别对电量历史数据进行拟合并得到未来饱和年及饱和用电量的预测值，通过对比分析验证置信区间预测法的可行性以及优缺点，logistic模型，其函数如下所示：
冈珀茨模型如下形式：
(2)用电结构预测
采用置信区间预测法，根据总电量预测得到的饱和年，确定饱和年各用电成分用电量的置信区间，
(3)负荷特性预测
负荷特性包括年最大负荷、年最大峰谷差、年负荷率、季不均衡系数四个参数以及年最大负荷曲线，其中参数预测采用置信区间预测法，年最大负荷曲线预测通过对历史8760负荷数据进行分析，按照季不均衡系数的预测值进行标幺值曲线的选取，随后通过年最大负荷的预测值有名化，得到年最大负荷预测曲线。
算例
1、本算例选取了从1990到2018年这29年间山东省的社会经济及电力消费数据，以及2008-2018年这11年间山东省8760负荷数据。其中1990-2012年的数据用于计量经济方程的构建，2013-2018年的数据进行方程验证。计量经济方程的构建以总用电量为例进行说明，其余电力需求变量同理可得。
数据选取方面，在前述电力需求影响因素选取的基础上，同时考虑山东地区有着深厚的工业基础，通过对比山东省各行业用电量，将山东省典型高耗能产业包括钢铁行业、有色金属行业、建材行业、化工行业、纺织业、造纸业。选取这六类典型高耗能行业的年产值与年用电量作为研究对象。
具体的数据情况如下。
表1数据汇总及单位说明
续表1
2、算例沿用山东省电网相关数据，建立概率预测场景集。
算例中GDP、一产GDP、二产GDP、三产GDP、人口的预测依据为山东省社会经济十三五发展规划；城市化率参考社会经济领域文献，最终取文献高预测；新能源及可再生能源消费比重参考山东省能源中长期发展规划；电能替代量依据文献与电能替代潜能现有研究成果。
算例栈流图中的动力学方程取自前一章研究结果。其中总用电量、第一产业用电量、第二产业用电量、第三产业用电量、居民生活用电取自VEC模型，年最大负荷、年最大峰谷差、年负荷率、季不均衡系数取自借助逐步线性回归得到的计量经济方程，通过逐步回归分析得到的计量经济方程，构建系统动力学模型如图3所示。
3、饱和年用电量的预测及饱和年的确定
模糊线性回归预测法
本次研究中借助MATLAB，实现了模糊线性回归预测。总电量的预测结果如下所示：
总电量模糊线性回归预测结果
总电量模糊线性回归预测结果的电力弹性系数及人均电量
由表可得，饱和年的预测值为2031年；饱和年用电量规模为(8778.373339,10506.33921)，单位为亿千瓦时。同时，饱和年电力弹性系数的区间为(0.755,0.789)，取三位有效数字；人均用电量的区间为(8153.622732,9758.610492)，单位为亿千瓦时。可以认为预测结果可信度较高。
本发明提出对电力需求的变化有影响的因素，完成城市化发展进程、能源替代效应及再电气化理论与政策的解读并实现了参数化，通过公开渠道获取所需数据，在此基础上借助格兰杰因果关系检验及Johansen协整检验对多维变量进行筛选，得到对特定电力需求变量有所影响的解释变量，随后分别使用VEC模型与逐步线性回归法，完成了电力需求变量的计量经济学方程的构建，且本发明完成了所需解释变量未来取值的预测，其中空缺值借助logistic模型与冈珀茨模型两种生长模型进行拟合，取拟合效果最好的模型进行空缺数据的填充，在此基础上，进行系统动力学模型的构建，生成饱和电力需求概率预测场景；同时，本发明分别使用模糊线性回归预测、不确定场景生成法与置信区间预测法对饱和总用电量进行预测，判断饱和年与饱和年总用电量的预测值，并与logistic模型及冈珀茨模型的预测结果进行对比分析，论述了结果的可信程度及各方法的优劣，在取得饱和年预测值之后，通过置信区间预测法，得到饱和年各成分用电量、负荷特性的预测；综上，预测结果更加合理，对未来电网发展及电力营销规划具有积极的意义。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.考虑城市化发展及电能替代效应的饱和电力需求预测方法，其特征在于：包括以下步骤：
步骤一：数据选取与预处理
考虑以城市化发展进程、能源替代效应、再电气化为代表的新兴电力需求影响因素，解读上述理论与政策目标，完成参数化，且考虑到电力需求仍然受到经济因素的显著影响，将社会经济发展数据也作为重点考虑因素，并对数据进行预处理，对缺失数据进行填充，对已有数据进行生长曲线模型拟合，选取拟合效果较好的模型，根据该模型对缺失数据进行填充，对于严重缺失的数据，依据早年的地区发展规划目标进行填充，选取与之有较明显相关关系的变量作为替代，得出社会经济发展数据、城市化发展进程特征因素、能源替代效应特征因素、再电气化效应的特征因素；
步骤二：城市化发展进程、电能替代、再电气化影响分析
根据步骤一选取的新兴电力需求影响因素变量，对于大部分地区而言，城市化率、新能源及可再生能源消费比重、各电源装机容量以及发电占比数据缺失并不严重，所以通过生长曲线模型对缺失数据进行填充，随后直接参与多维变量筛选以及计量经济方程的构建，但是就表征电能替代效应的变量而言，数据缺失尤为严重，所以通过现有数据、未来规划目标、电能替代潜力领域已有研究结果直接进行预测，并将结果与不考虑电能替代时的电力需求预测叠加，得到最终的预测结果；
步骤三：饱和电力需求的计量经济学方程
由于选取的数据集维数很高，所以通过计量经济学方法来筛选变量，得到对待测电力需求变量具有显著驱动作用的影响因素，并通过逐步回归规避多重共线性的影响：
(1)基于格兰杰因果关系检验的变量筛选
首先将各解释变量分别与待预测的电力需求变量进行格兰杰因果关系检验，根据结果进行筛选，对于因变量与解释变量进行格兰杰因果分析，存在三种情况，即因变量是解释变量的格兰杰原因、解释变量是因变量的格兰杰原因、解释变量与因变量互为格兰杰原因，约定选取作为因变量格兰杰原因的解释变量，并记录满足条件的最小滞后期作为因果关系的滞后期，
(2)基于ADF单位根检验与Johansen协整检验的变量筛选
确定与电力变量存在协整关系的解释变量，首先求取各变量的单整阶数，取与电力变量单整阶数相同的解释变量建立向量自回归模型(VAR模型)，确定最佳滞后阶数之后进行Johansen协整检验，值得注意的是Johansen协整检验有五种协整方程与两种统计量判据，共十种情况，在具体的研究中需要把每种情况都考虑到，综合考虑决定是否存在以及存在哪种协整关系，
(3)计量经济学方程的建立
经过以上两轮筛选，得到能够显著驱动电力需求的解释变量，将这些变量与电力需求变量进行分析可以得到电力需求变量的计量经济方程，这一步有两种方法供选择：其一是通过VEC模型得到完善的协整关系；其二是通过逐步线性回归得到电力需求变量的计量经济学方程，分别采取两种方法进行计量积极学方程的构建，并互为比较，由于得到的计量经济学方程没有考虑电能替代的影响，所以与电能替代单独预测的结果相加得到最终的计量经济方程，
(4)计量经济方程的验证
在得到计量经济方程之后，对计量经济方程进行验证，将历史数据分为两部分，第一部分用于计量经济方程的构建，第二部分用于方程验证，通过计量经济方程对第二部分历史年份的电力需求变量的预测值与实际值之间的误差，来判断方程的可信度，计量经济方程验证参数取绝对百分比误差与平均绝对百分比误差，计算公式如下
式(12)中APEi表示总电量预测第i年的绝对百分比误差，用百分数表示；yi1为总电量第i年的预测值，单位亿千瓦时；yi0为总电量第i年的实际值，单位为亿千瓦时，
式(13)中MAPE表示总电量预测平均绝对百分比误差，用百分数表示；n表示预测总年数；APEi表示总电量预测第i年的绝对百分比误差，用百分数表示；
步骤四：因果关系图
明确系统动力学建模方法，构建系统动力学模型的因果关系图，首先确定模型的系统边界，这一步的基础是对选定的多维解释变量集的筛选，经过系统动力学方法筛选出得到能够显著驱动电力需求变量的解释变量，在确定与电力需求变量存在因果关系的解释变量之后，构建系统动力学的因果关系图，这一阶段不需要明确的动力学方程，只需要得到研究变量与解释变量之间的大致因果关系，构造出系统大致的内部结构即可；
步骤五：栈流图
构建系统动力学模型的栈流图，将电力需求变量与解释变量之间的因果关系具体为定量的动力学方程，这一步的基础是对电力需求变量变量与筛选得到的解释变量进行逐步回归，得到电力需求变量的计量经济方程，此方程即为系统动力学模型的动力学方程，在动力学方程的基础上，确定系统中各单元的类型，最终完成系统栈流图的绘制，栈流图示意图中的动力学方程为:
y1＝a*x1+b*x2+c*x3+d (32)
式中因变量为y1,解释变量为x1、x2、x3、x4，d为内置于因变量单元中的动力学方程常数项，其主要描述电力需求变量与解释变量之间的因果关系，对时序关系不做考虑，栈流图中不会用到流变量；
步骤六：计及新兴电力需求影响因素的饱和电力需求场景生成模型
对场景模型中的单元赋值，也即对各解释变量进行预测
(1)GDP、各产业结构及人口
这三个变量的近景确定依据为地方发展规划目标，并通过Gompertz模型实现远景与中间年份数据的填充，对于产业结构，采用的方法是先对产业结构百分数进行预测，随后根据总GDP得到各产业GDP，
(2)城市化率
城市化率变量的确定主要依据地方规划目标及社会经济领域现有研究成果，根据现有的城市化率研究成果，选取预测结论与近年实际情况或规划目标较为吻合的研究，直接取其预测作为研究的数据来源，并通过Gompertz模型进行数据填充，
(3)新能源及可再生能源消费比重
新能源及可再生能源消费比重的确定依据为地方能源发展规划，并通过Gompertz模型对缺失数据进行填充，
(4)电能替代量
电能替代量由于特殊性，对大多数地区而言不存在明确的规划量，该数据确定依据主要为地方电网为近景年的电能替代潜力预测，远景发展趋势则参考电能替代潜力领域已有研究成果，同时，对于电能替代量中各产业成分的比重，依据地方电网近年电能替代具体数据进行确定，并应用在未来预测值中；
步骤七：经济学多场景设置
针对用电量组成分量预测中涉及的外生变量进行多场景设置，以降低饱和电力需求形态预测的风险，由于第一产业用电量占比较低，不对其做过多考虑；考虑对第二产业用电量有较为显著影响的变量，研究根据变量筛选结果，选取新能源及可再生能源消费比重进行多场景设置，由于新能源及可再生能源绝大多数都通过转化为电能被利用，该变量可以表征电力生产端的再电气化水平，进而对第二产业用电产生较为显著的影响；同时该变量正处于发生期，国家的推动作用会对其发展速度产生直接的影响，基于此，对该变量进行多场景设置，以降低预测风险；考虑对第三产业用电及居民生活用电有较为显著影响的变量，研究根据变量筛选结果，选取产业结构变量进行多场景设置，第三产业的经济占比直接推动第三产业用电量的迅速攀升，同时第三产业发展也必然会带动居民生活水平的提高，从而对居民生活用电产生一定程度上的影响，同时国家的政策对于产业结构的变动有直接的推动作用，基于此，选取产业结构进行多场景设置；此外，电能替代量对电力需求的规模以及产业分布产生直接的影响，虽然电能替代尚处于发生期，但是从目前的发展形势来看，其受到了国家的大力推进，未来发展趋势的存在不确定性，基于此，对电能替代量进行多场景设置；最后，考虑到GDP与社会消费品零售总额未来发展虽然存在波动，但是发展趋势的不确定性小，基于此，不考虑对其进行多场景设置；综上，选取对新能源及可再生能源消费比重、产业结构及电能替代量，对其进行多场景设置，并将预测年段也以五年为周期进行划分，同一阶段内采取相同的场景设置；
步骤八：电力需求饱和的判据
考虑电力需求饱和判据对各地区的普适性，选择最为基础与常用的指标，即总电量年增长率小于2％，考虑到总电量年增长率的波动会导致误判，在实际应用中参考当地历史数据，计算历史总电量年增长率的最大连续下滑时间，结合上述论述，综合判断饱和时间；
步骤九：饱和电力需求的预测模型
(1)总电量预测及饱和年的确定
1)模糊线性回归预测法
利用对称三角隶属度函数的模糊线性回归方法，选取对称三角，并取置信水平为0.5，将区间预测的上限与下限分别作为单独的时间序列并对其进行分析，通过该方法得到饱和年的预测值，并采取同样的方法获得饱和年的电力弹性系数与人均用电量的范围，以验证预测结果的可信度，
2)不确定场景生成法
解释变量未来的年增长率直接取基准场景的预测值，通过对历史数据的分析得到随机变化率，取历史随机波动与历史最大年增长率的比值，将此比值与未来年增长率预测值相乘，得到的结果作为当年的随机波动，
3)置信区间预测模型
置信区间预测模型是基于逐步回归得到的计量经济方程的一种概率预测方法，首先对总电量进行置信区间预测，将置信区间上限与下限作为两个独立的时间序列，通过年增长率确定饱和年的范围，通过总电量置信区间上下限确定电力弹性系数以及人均用电量的范围，以此确定预测结果的可信度，
4)生长曲线模型
采用logistic模型与冈珀茨模型分别对电量历史数据进行拟合并得到未来饱和年及饱和用电量的预测值，通过对比分析验证置信区间预测法的可行性以及优缺点，
(2)用电结构预测
采用置信区间预测法，根据总电量预测得到的饱和年，确定饱和年各用电成分用电量的置信区间，
(3)负荷特性预测
负荷特性包括年最大负荷、年最大峰谷差、年负荷率、季不均衡系数四个参数以及年最大负荷曲线，其中参数预测采用置信区间预测法，年最大负荷曲线预测通过对历史8760负荷数据进行分析，按照季不均衡系数的预测值进行标幺值曲线的选取，随后通过年最大负荷的预测值有名化，得到年最大负荷预测曲线。
2.根据权利要求1所述的考虑城市化发展及电能替代效应的饱和电力需求预测方法，其特征在于：所述步骤一中，社会经济发展数据包括：地区经济数据：选取GDP、第一产业GDP、第二产业GDP和第三产业GDP等因素，表征地区经济发展概况对用电的影响，国内生产总值指的是一年中一个地区所生产的产品与劳务额价值，反映一个地区的经济发展水平，但仅仅通过GDP来表征地区经济发展太过片面，针对以上缺陷，考虑三大产业GDP作为产业结构的表征，并考虑社会发展及人民生活变量作为补充；地区社会发展数据：选取人口、消费品零售总额、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、进出口总额等因素，表征地区投资及消费主等因素对用电的影响；地区能源相关数据：选取能源消费总量、原煤消费比重、原油消费比重、天然气消费比重、新能源和可再生能源消费比重、能源消费弹性系数等因素，以反映能源消耗的强度以及政府对能源消耗结构的调整；地区典型高耗能产业的相关数据：考虑到轻工业与重工业的用能特性差异较大，它们的发展将会不同程度上对总体电力需求产生影响，选取工业总产值、重工业产值以及重工业产值占比以表达这种差异性，同时考虑到研究地区的高耗能行业，这类行业的兴衰以及政府政策会对整体的电力需求造成直接的影响，针对不同地区，通过国家或地方统计局工业耗能统计数据的对比判断高耗能行业，并选取年其产值与年用电量以表征典型高耗能行业电力需求的变化；
且所述步骤一中：城市化发展进程特征因素：狭义上的城市化进程指的是农村人口非农化的过程，基于这一定义，将常住人口中城镇人口的比重定义为城市化率，选取该变量以代表城市化发展进程，并且考虑到地区工业化与城市化的紧密联系与相互推进关系，选取能够代表工业化进程的变量；
能源替代效应特征因素：指在能源消费侧，电力对其余能源的逐步替代，是一个由技术发展与政策共同推动的、以节能减排与经济可持续发展为导向的过程；
再电气化效应的特征因素：指在电力生产环节、消费环节、传输环节同时发生的能源转型，具体为：电力生产环节的再电气化、电力消费环节的再电气化、电力传输环节的再电气化。
3.根据权利要求1所述的考虑城市化发展及电能替代效应的饱和电力需求预测方法，其特征在于：所述步骤一中，对数据进行预处理的依据为：在上述变量历史数据的实际获取中，由于统计口径、方法等因素更迭的影响，部分变量会出现较为严重的数据缺失。
4.根据权利要求1所述的考虑城市化发展及电能替代效应的饱和电力需求预测方法，其特征在于：所述步骤四中，系统动力学建模方法为：根据变量确定系统边界，随后根据变量之间的计量经济方程，即动力学方程完成系统动力学模型中信息传递与因果关系的构建：明确建模目的；确定系统边界；确定因果关系图；确定系统栈流图；仿真对模型模拟和修改与完善模型。
5.根据权利要求1所述的考虑城市化发展及电能替代效应的饱和电力需求预测方法，其特征在于：所述步骤九中，系数的隶属函数选取对称三角，如下所示：
其中
为第j个解释变量系数的隶属度方程，pj为解释变两量模糊数的中心值，cj为解释变量模糊数的宽度值，在模糊线性回归中，通常采用最小化模糊性的方法进行求解，定义目标函数
其中k表示解释变量的观测值个数，此时问题转化为线性规划问题，使得该目标函数F最小，取满足
其中z为置信水平，至此，模糊线性回归的预测完成。
6.根据权利要求1所述的考虑城市化发展及电能替代效应的饱和电力需求预测方法，其特征在于：所述步骤九中，置信区间预测的方法为：设因变量y与解释变量xj(j＝1，2，3，…，n)之间的关系为
其中yi为因变量序列，n为解释变量个数，xji(j＝1，2，3，…，n)为解释变量序列，ε为随机误差，服从正态分布N(0，σ2)。
建立因变量y与解释变量xj(j＝1，2，3，…，n)之间的多元线性回归模型
其中
为多元线性回归模型下的因变量预测值，
为回归系数，
为常数项。通过最小二乘法计算回归系数与常数项的取值。
7.根据权利要求1所述的一种城市化发展与能源替代的饱和电力需求预测方法，其特征在于：所述步骤九中，logistic模型，其函数如下所示：
冈珀茨模型如下形式：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911158042.7A CN110991843A (zh) | 2019-11-22 | 2019-11-22 | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911158042.7A CN110991843A (zh) | 2019-11-22 | 2019-11-22 | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991843A true CN110991843A (zh) | 2020-04-10 |
Family
ID=70086083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911158042.7A Pending CN110991843A (zh) | 2019-11-22 | 2019-11-22 | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991843A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541485A (zh) * | 2020-12-29 | 2021-03-23 | 宁波职业技术学院 | 基于多源正则化消费视频事件检测模糊回归模型构建方法 |
| CN112686470A (zh) * | 2021-01-18 | 2021-04-20 | 国网河北省电力有限公司经济技术研究院 | 电网饱和负荷预测方法、装置及终端设备 |
| CN113095556A (zh) * | 2021-03-31 | 2021-07-09 | 广西大学 | 一种考虑碳中和趋势的中长期负荷预测方法及系统 |
| 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 |
| CN113420958A (zh) * | 2021-05-28 | 2021-09-21 | 国网冀北综合能源服务有限公司 | 考虑电能替代的区域需求侧低碳能源规划方法及系统 |
| CN113642778A (zh) * | 2021-07-21 | 2021-11-12 | 国网山东省电力公司经济技术研究院 | 一种考虑多维度多因素的电力需求预测框架 |
| CN114077930A (zh) * | 2021-11-26 | 2022-02-22 | 国网湖南省电力有限公司 | 一种基于电力消费的经济结构变化的分析方法 |
| CN115049158A (zh) * | 2022-08-12 | 2022-09-13 | 北京大学 | 城市系统运行状态的预测方法、系统、存储介质及终端 |
| 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 |
| CN117455269A (zh) * | 2023-12-21 | 2024-01-26 | 国网天津市电力公司城南供电分公司 | 雪花型配电网供电安全预测方法、装置、设备和存储介质 |
-
2019
- 2019-11-22 CN CN201911158042.7A patent/CN110991843A/zh active Pending
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112541485B (zh) * | 2020-12-29 | 2024-03-29 | 宁波职业技术学院 | 基于多源正则化消费视频事件检测模糊回归模型构建方法 |
| CN112541485A (zh) * | 2020-12-29 | 2021-03-23 | 宁波职业技术学院 | 基于多源正则化消费视频事件检测模糊回归模型构建方法 |
| CN112686470A (zh) * | 2021-01-18 | 2021-04-20 | 国网河北省电力有限公司经济技术研究院 | 电网饱和负荷预测方法、装置及终端设备 |
| CN113095556A (zh) * | 2021-03-31 | 2021-07-09 | 广西大学 | 一种考虑碳中和趋势的中长期负荷预测方法及系统 |
| CN113420958A (zh) * | 2021-05-28 | 2021-09-21 | 国网冀北综合能源服务有限公司 | 考虑电能替代的区域需求侧低碳能源规划方法及系统 |
| CN113642778A (zh) * | 2021-07-21 | 2021-11-12 | 国网山东省电力公司经济技术研究院 | 一种考虑多维度多因素的电力需求预测框架 |
| CN114077930A (zh) * | 2021-11-26 | 2022-02-22 | 国网湖南省电力有限公司 | 一种基于电力消费的经济结构变化的分析方法 |
| CN114077930B (zh) * | 2021-11-26 | 2024-05-28 | 国网湖南省电力有限公司 | 一种基于电力消费的经济结构变化的分析方法 |
| CN115049158A (zh) * | 2022-08-12 | 2022-09-13 | 北京大学 | 城市系统运行状态的预测方法、系统、存储介质及终端 |
| 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 |
| CN117455269A (zh) * | 2023-12-21 | 2024-01-26 | 国网天津市电力公司城南供电分公司 | 雪花型配电网供电安全预测方法、装置、设备和存储介质 |
| CN117455269B (zh) * | 2023-12-21 | 2024-04-16 | 国网天津市电力公司城南供电分公司 | 雪花型配电网供电安全预测方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991843A (zh) | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 | |
| Quilumba et al. | Using smart meter data to improve the accuracy of intraday load forecasting considering customer behavior similarities | |
| CN110909912B (zh) | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 | |
| Jochem et al. | An efficient two-stage algorithm for decentralized scheduling of micro-CHP units | |
| CN109492818A (zh) | 基于能源发展与Shapley值赋权的用电量预测方法 | |
| CN112085256B (zh) | 考虑负荷跃变的全周期负荷预测方法 | |
| CN113095556A (zh) | 一种考虑碳中和趋势的中长期负荷预测方法及系统 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| CN104881718A (zh) | 基于多尺度经济先行指标的区域电力景气指数构建方法 | |
| Tian et al. | Daily power demand prediction for buildings at a large scale using a hybrid of physics-based model and generative adversarial network | |
| Heydari et al. | Mid-term load power forecasting considering environment emission using a hybrid intelligent approach | |
| Wan et al. | Application of a novel time-delay grey model based on mixed-frequency data to forecast the energy consumption in China | |
| Velasco et al. | Day-ahead base, intermediate, and peak load forecasting using k-means and artificial neural networks | |
| Tian et al. | A new information priority accumulated grey model with hyperbolic sinusoidal term and its application | |
| Sterman | Economic vulnerability and the energy transition | |
| Toussaint et al. | Clustering residential electricity consumption data to create archetypes that capture household behaviour in south africa | |
| Xue et al. | Medium and long term load forecasting of regional power grid in the context of economic transition | |
| Zheng et al. | Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit | |
| CN112508231A (zh) | 一种基于系统动力学的中长期电力负荷预测方法及系统 | |
| Chen et al. | Research on prediction methods of energy consumption data | |
| Setiawan et al. | Analysis of solar photovoltaic utilization in industrial sector for improving competitiveness in the smart grid | |
| Brocklebank et al. | A simple approach to modeling rural and urban district heating | |
| CN111832785A (zh) | 一种电能替代潜力的预测方法和系统 | |
| CN110210642A (zh) | 一种城市电能替代量预测方法及装置 | |
| De Silva et al. | Optimizing Power Plant Operations Through Machine Learning Based Electricity Demand Forecasting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |
|
| RJ01 | Rejection of invention patent application after publication |