CN113095556A - 一种考虑碳中和趋势的中长期负荷预测方法及系统 - Google Patents
一种考虑碳中和趋势的中长期负荷预测方法及系统 Download PDFInfo
- Publication number
- CN113095556A CN113095556A CN202110352389.6A CN202110352389A CN113095556A CN 113095556 A CN113095556 A CN 113095556A CN 202110352389 A CN202110352389 A CN 202110352389A CN 113095556 A CN113095556 A CN 113095556A
- Authority
- CN
- China
- Prior art keywords
- module
- consumption
- intensity
- energy consumption
- rate
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供了一种考虑碳中和趋势的中长期负荷预测方法及系统,属于负荷预测技术领域,方法包括:将用电量划分为多个与碳排放量相关的模块后构建IPAT方程;基于碳中和趋势设置各个模块的影响因素;利用偏最小二乘法对速率变量多元回归拟合;采用系统动力学建立各个影响因素与用电量的演化模型;每个模块的当前存量基于历史数据建立;采用演化模型获取用电量预测结果。与碳排放量相关的模块包括人口模块、人均GDP模块、能源消费强度模块与能源消费结构模块;能源消费强度分为煤炭消费强度、石油消费强度、天然气消费强度和其他能源消费强度。本发明缩小了预测用电量与实际用电量演变过程的差距,提高了中长期负荷预测的准确性。
Description
技术领域
本发明属于负荷预测技术领域,更具体地,涉及一种考虑碳中和趋势的中长期负荷预测方法及系统。
背景技术
中长期负荷预测是电力系统规划、设计生产和运营的前提和基础,准确地进行负荷预测有利于提高电网的经济性和稳定性、降低电厂的建设和发电成本。由于中长期负荷预测的精度受到政治、经济、人口和气候等多方面随机因素的影响,因此,中长期负荷的预测较为复杂。
中长期负荷预测的现有研究方法包括回归分析法、时间序列法等传统方法以及模糊预测、支持向量机等人工智能方法两大类。回归分析法简单,但是会存在伪回归及多重相关性的问题;时间序列法根据历史负荷数据的变化规律对未来负荷进行预测,但对于未来政策和气候等随机变量的变化未能考虑。近年来,考虑因素更加全面、建模更加精细化的人工智能方法逐渐出现,但是人工神经网络模型对原始数据的依赖性极大,模型含义并不明确,对突发性时间的适应性也较差。
目前各类中长期负荷预测方法的效果不断改善,但在以下几方面仍有一定的改进空间:首先,模型参数大多是根据历史数据确定,不能根据未来不同的发展情况做出改变;其次,在考虑影响社会用电量的因素时,所选取的指标多为传统的宏观指标,相对缺乏一个系统化、层次化的因素体系;最后,非参数模型的物理意义不明确,在预测偏差很大时,从模型本身进行分析和调整模型的难度较大。为此,一些研究将系统动力学用于中长期负荷预测中,系统动力学所建参数的物理意义清晰,各相关因素之间的关系清楚,且在使用中可以考虑到长期的政策影响以及专家建议。
在现有的将系统动力学运用于负荷预测的技术中,专利文献CN107239850A公开了一种基于系统动力学模型的中长期电力负荷预测方法。该方法以电力弹性系数预测理论为基础,引入电力弹性系数替代概念,以此改进传统电力弹性系数法电量预测的缺陷。但是,该研究在构建电量模型时未考虑政策等不确定性因素,这导致模型在实际运用中的合理性不足。文献“Urban long term electricity demand forecast method based on systemdynamics of the new economic normal:The case of Tianjin”建立了一种适用于新经济常态发展的用电量预测模型,并对新经济常态政策影响下的新因素进行了定量分析,但在运用系统动力学将用电量划分为不同的行业进行分析时,模型中并没有建立各个存量的反馈结构,无法将各个模块历史行为的影响回授给系统本身,从而无法更好的体现运用系统动力学的优势。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种考虑碳中和影响的中长期负荷预测方法及系统,旨在解决现有的系统动力学用于负荷预测中,未考虑状态变量的反馈环节,从而使得系统本身历史行为的影响不能回馈给系统本身,与实际用电量演变过程有所差异的问题。
为实现上述目的,一方面,本发明提供了一种考虑碳中和影响的中长期负荷预测方法,包括以下步骤:
将用电量划分为多个与碳排放量相关的模块后构建IPAT方程;
基于碳中和趋势设置各个模块的影响因素;
利用偏最小二乘法对影响因素包含的速率变量进行多元回归拟合;
采用系统动力学建立拟合后各个影响因素与用电量的演化模型;其中,每个模块的当前存量基于历史数据建立;
根据不同的碳中和目标,采用演化模型,获取用电量预测结果。
优选地,与碳排放量相关的模块包括人口模块、人均GDP模块、能源消费强度模块与能源消费结构模块;其中,能源消费强度分为煤炭消费强度、石油消费强度、天然气消费强度和其他能源消费强度。
优选地,考虑能源消费强度模块,IPAT方程为:
其中,I为负荷预测量,单位为万亿kWh;P为人口数量,E1为煤炭消耗量;E2为石油消耗量;E3为天然气消耗量;E4为其他能源消费量;GDP为国内生产总值。
优选地,能源消费结构模块的影响因素包括:可再生能源渗透增长率、科研经费投入强度增长率、电动汽车销售占比增长率、能源基础设施投资调整率以及第二产业占比调整率。
优选地,能源消费强度模块中影响因素的速率变量包括能源消费强度、能源消费比重、城镇化率、人均GDP、人口、第二产业占比、R&D经费投入强度和每万人口发明专利拥有量。
优选地,能源消费结构模块中影响因素的速率变量包括可再生能源渗透率、单位GDP二氧化碳排放量、新能源汽车销量占比、城镇化率、人均GDP、R&D经费投入强度和每万人口发明专利拥有量。
优选地,基于历史数据建立的当前存量包括人口数量、GDP、一次能源消费量以及能源消费结构。
优选地,采用交叉有效性检验,选取历史数据度量演化模型的拟合精度。
优选地,采用相对误差以及平均相对误差衡量演化模型的拟合精度。
另一方面,本发明提供了一种考虑碳中和影响的中长期负荷预测系统,包括IPAT方程构建模块、影响因素设置模块、拟合模块、演化模型构建模块和预测模块;
IPAT方程构建模块用于将用电量划分为多个与碳排放量相关的模块后构建IPAT方程;
影响因素设置模块用于基于碳中和趋势设置各个模块的影响因素;
拟合模块用于利用偏最小二乘法对影响因素包含的速率变量进行多元回归拟合;
演化模型构建模块用于采用系统动力学建立拟合后各个影响因素与用电量的演化模型;其中,每个模块的当前存量基于历史数据建立;
预测模块用于根据不同的碳中和目标,采用演化模型获取用电量预测结果。
优选地,与碳排放量相关的模块包括人口模块、人均GDP模块、能源消费强度模块与能源消费结构模块;其中,能源消费强度分为煤炭消费强度、石油消费强度、天然气消费强度和其他能源消费强度。
优选地,能源消费强度模块中影响因素的速率变量包括能源消费强度、能源消费比重、城镇化率、人均GDP、人口、第二产业占比、R&D经费投入强度和每万人口发明专利拥有量。
能源消费结构模块中影响因素的速率变量包括可再生能源渗透率、单位GDP二氧化碳排放量、新能源汽车销量占比、城镇化率、人均GDP、R&D经费投入强度和每万人口发明专利拥有量。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明采用系统动力学建立各个影响因素与用电量的关系模型;其中,系统动力学通过分析系统的问题,进而剖析系统以获得丰富的系统信息,建立系统内部的信息反馈机制,从而把系统本身历史行为的后果回授给系统本身,以影响系统未来的行为。因此,本发明所构建的用电量模型对于人口数量、GDP、一次能源消费量(石油消费量、天然气消费量和其他能源消费量)以及能源消费结构等存量模块都设置了反馈结构,从而能够研究碳中和实施过程中用电量随时间变化的动态演化过程,并进一步得到用电量系统未来的饱和状态;缩小了预测用电量与实际用电量演变过程的差距,提高了中长期负荷预测的准确性。
本发明设置多个与排放量相关的模块构建IPAT方程,与排放量相关的模块包括人口模块、人均GDP模块、能源消费强度模块与能源消费结构模块;能源消费强度分为煤炭消费强度、石油消费强度、天然气消费强度和其他能源消费强度;基于碳中和趋势设置各个模块的影响因素;其中,能源消费结构模块的影响因素包括:可再生能源渗透增长率、科研经费投入强度增长率、电动汽车销售占比增长率、能源基础设施投资调整率以及第二产业占比调整率;利用偏最小二乘法对影响因素包含的速率变量进行多元回归拟合;其中,能源消费强度模块中影响因素的速率变量包括能源消费强度、能源消费比重、城镇化率、人均GDP、人口、第二产业占比、R&D经费投入强度和每万人口发明专利拥有量。能源消费结构模块中影响因素的速率变量包括可再生能源渗透率、单位GDP二氧化碳排放量、新能源汽车销量占比、城镇化率、人均GDP、R&D经费投入强度和每万人口发明专利拥有量。从上述可以看出本发明详细考虑了多因素影响下用电量与碳排放量之间的关系,可以进一步提升负荷预测的准确性。
附图说明
图1是本发明实施例提供的考虑碳中和趋势的中长期负荷预测方法示意图;
图2(a)是本发明实施例提供的人口和GDP在2020~2070年间的变化示意图;
图2(b)是本发明实施例提供的能源消费结构和能源消费强度在2020~2070年间的变化示意图;
图3(a)是本发明实施例提供的拟合获取的煤炭消费碳排放量、石油消费碳排放量、天然气消费碳排放量以及总碳排放量示意图;
图3(b)是本发明实施例提供的总碳排放量与单位GDP二氧化碳排放量的数据示意图;
图4(a)是本发明实施例提供的2003~2019年期间历史用电量的实际值以及对用电量的预测值示意图;
图4(b)是本发明实施例提供的采用演化模型预测的2020~2070年之间的用电量示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,一方面,本发明提供了一种考虑碳中和趋势的中长期负荷预测方法,包括以下步骤:
步骤1:将用电量划分为人口模块、人均GDP模块、能源消费强度模块与能源消费结构模块后构建IPAT方程;其中,能源消费强度分为煤炭消费强度、石油消费强度、天然气消费强度和其他能源消费强度,以此建立用电量与碳排放量的关系;
IPAT方程为:I=P×A×W×S;
其中,I为负荷预测量,单位为万亿kWh;P为人口数量,单位为亿;A是人均GDP,单位为万元;W为能源消费强度模块,表征能源消耗量与国内生产总值的比值;S是能源消费结构模块,表征电能消耗占能源消耗总量的比例,相当于社会电气化水平;
拆分能源消费强度模块后将IPAT方程变形为:
在能源消费强度模块中,将能源消耗量划分为四部分,分别是煤炭消耗量E1、石油消耗量E2、天然气消耗量E3和其他能源(包括可再生能源及核能)消费量E4。
步骤2:基于碳中和趋势设置各个模块的影响因素;
考虑碳中和趋势的模型为在传统的中长期负荷预测影响因素的技术上,增加可再生能源渗透率、科研经费投入强度、电动汽车销售占比以及碳排放强度等因素,主要构建了用电量与碳排放量的驱动因素体系。
能源消费强度主要包括煤炭消费强度、石油消费强度、天然气消费强度以及其他能源消费强度;以煤炭消费强度为例,主要驱动因素为煤炭消费增长率,煤炭消费增长率的驱动因素又可以划分为效率因素和结构因素;其中效率因素可以用人均GDP增长率体现,结构因素可以用产业结构调整率、煤炭消费比重调整率和煤炭消费结构调整率表示。
能源消费结构模块的主要驱动因素为能源结构调整率;能源结构调整率的影响因素可由可再生能源渗透增长率(表征新能源)、科研经费投入强度增长率(表征技术进步)、电动汽车销售占比增长率、能源基础设施投资调整率以及第二产业占比调整率(产业结构)体现。
碳排放强度的直接影响因素为总碳排放量,总碳排放量可由煤炭消费量、石油消费量以及天然气消费量根据各自的碳排放系数来获得,而这三者也是能源消费强度的驱动因素,因此,碳排放强度与能源消费强度模块可通过能源消费量来联系。碳排放强度与能源消费结构模块又可以通过单位GDP二氧化碳排放量联系。因此,通过能源消费强度模块与能源消费结构模块可以建立用电量与碳排放强度之间的关系。
步骤3:利用偏最小二乘法对各个模块的速率变量进行多元回归拟合;
由于模型中各个速率变量所涉及的影响因素较多,且影响因素之间大多都存在多重相关性,所以选用偏最小二乘法来进行多元回归。偏最小二乘回归分析在建模过程中集中了主成分分析,典型相关分析和线性回归分析方法的特点,相较于传统的经典回归分析,其不仅可以解决多重相关性的问题,还可以基于主成分分析与典型相关分析的结果提供一个更为合理的回归模型。
能源消费强度模块中以煤炭消费增长率为例,需要拟合煤炭消费增长率与煤炭消费强度x0,t、煤炭消费比重x1,t、城镇化率x2,t、人均GDPx3,t、人口x4,t、第二产业占比x5,t、R&D经费投入强度x6,t、每万人口发明专利拥有量x7,t等因素的速度变量之间的关系。具体如下:
需要拟合的参数为ki,0、ki,1、ki,2、ki,3、ki,4、ki,5、ki,6、ki,7和ε1; 和分别代表煤炭消费增长率、煤炭消费强度的变化率、煤炭消费比重的变化率、城镇化变化率、人均GDP的变化率、人口变化率、第二产业占比的变化率、R&D经费投入强度的变化率、每万人口发明专利拥有量的变化率;
在能源消费结构模块中则需要拟合能源消费结构调整率与可再生能源渗透率m0,t、单位GDP二氧化碳排放量m1,t、新能源汽车销量占比m2,t、城镇化率m3,t、人均GDPx3,t、R&D经费投入强度x6,t、每万人口发明专利拥有量x7,t等因素的速率变量之间的关系。
需要拟合的参数为li,0、li,1、li,2、li,3、li,4、li,5、li,6和 和分别为可再生能源渗透率变化率、单位GDP二氧化碳排放量的变化率、新能源汽车销量占比的变化率、城镇化率的变化率、人均GDP的变化率、R&D经费投入强度的变化率和每万人口发明专利拥有量的变化率。
步骤4:采用系统动力学构建用电量与碳排放量的演化模型;
为了分析上述影响因素对未来负荷演化的影响,本发明采用系统动力学建立各个影响因素与用电量的关系模型。其中,系统动力学通过分析系统的问题,进而剖析系统以获得丰富的系统信息,建立系统内部的信息反馈机制,从而把系统本身历史行为的后果回授给系统本身,以影响系统未来的行为。因此,本发明所构建的用电量模型对于人口数量、GDP、一次能源消费量(石油消费量、天然气消费量和其他能源消费量)以及能源消费结构等存量模块都设置了反馈结构,从而能够研究碳中和实施过程中用电量随时间变化的动态演化过程,并进一步得到用电量系统未来的饱和状态。
各个存量的反馈结构如下所示:
1.人口与经济的库存反馈
人口和经济的库存反馈方程如下:
其中,t代表年份;P代表人口数量;代表第t年的人口净增加量,代表第t年的人口净增长率;例如,在人口模型中,它是通过人口死亡率减去人口出生率计算的。同理,代表第t年的GDP净增加量,代表第t年的GDP净增长率;
2.能源消费强度模块
由于能源消费强度模块中存在很多能源类型,这里仅以煤炭消费量为代表介绍煤炭消费存量反馈方程:
3.能源消费结构模块
在能源消费结构模块中,能源消费结构的存量反馈方程为:
步骤5:采用交叉有效性检验,选取历史数据度量演化模型的拟合精度;
选取用电量及其影响因素的历史数据拟合相关方程并构建用电量模型,并采用相对误差(RE)以及平均相对误差(MRE)衡量模型精度;
其中,n为历史数据的数量;
步骤6:根据不同的碳中和目标实施时间构建算例场景,获得相应的用电量预测结果。
另一方面,本发明提供了一种考虑碳中和影响的中长期负荷预测系统,包括IPAT方程构建模块、影响因素设置模块、拟合模块、演化模型构建模块和预测模块;
IPAT方程构建模块用于将用电量划分为多个与碳排放量相关的模块后构建IPAT方程;
影响因素设置模块用于基于碳中和趋势设置各个模块的影响因素;
拟合模块用于利用偏最小二乘法对影响因素包含的速率变量进行多元回归拟合;
演化模型构建模块用于采用系统动力学建立拟合后各个影响因素与用电量的演化模型;其中,每个模块的当前存量基于历史数据建立;
预测模块用于根据不同的碳中和目标,采用演化模型获取用电量预测结果。
优选地,与碳排放量相关的模块包括人口模块、人均GDP模块、能源消费强度模块与能源消费结构模块;其中,能源消费强度分为煤炭消费强度、石油消费强度、天然气消费强度和其他能源消费强度。
优选地,能源消费强度模块中影响因素的速率变量包括能源消费强度、能源消费比重、城镇化率、人均GDP、人口、第二产业占比、R&D经费投入强度和每万人口发明专利拥有量。
能源消费结构模块中影响因素的速率变量包括可再生能源渗透率、单位GDP二氧化碳排放量、新能源汽车销量占比、城镇化率、人均GDP、R&D经费投入强度和每万人口发明专利拥有量。
实施例
本发明提供了一种考虑碳中和趋势的中长期负荷预测方法,该方法详细考虑了在碳中和趋势的影响下,一些新的因素对未来电力负荷预测所产生的影响,并在负荷模型中将用电量与碳排放量二者联系起来,可以得到不同碳中和目标下所对应的用电量预测值,再在模型中增加存量的反馈结构,进一步探究2060年碳中和目标实现过程中用电量的演化过程。
实施步骤1:将用电量划分为人口、人均GDP、能源消费强度以及能源消费结构四个模块后构建IPAT方程;
实施步骤2:设定碳中和目标为2060年,分析碳中和目标实现过程中会对未来用电量产生哪些方面的影响,并据此构建各个模块的影响因素体系(影响因素与用电量的相关程度可以根据皮尔逊相关系数法进行验证);
实施步骤3:运用偏最小二乘回归对各个模块的速率变量进行分析,包括能源消费结构的能源消费结构调整率;能源消费强度模块的煤炭消费增长率、石油消费增长率、天然气消费增长率以及其他能源消费增长率;
实施步骤4:基于以上影响因素体系,采用系统动力学构建用电量与碳排放量的演化模型;
实施步骤5:选取历史数据度量演化模型的拟合精度;考虑到数据的完整性,选取2003~2019年全国用电量及其影响因素的历史数据以拟合方程并构建模型;为了消除物价影响,GDP数据均按2000年不便价格计算;演化模型拟合精度则采用相对误差以及平均相对误差以衡量;
实施步骤6:根据碳中和目标实施时间构建算例场景,以2003~2019年历史数据作为基准,参考碳中和趋势,设定各个速率变量的影响因素的未来参考值,获得相应的用电量预测结果。
图2(a)和图2(b)为用电量模型的四个模块在2020~2070年之间的预测值;图2(a)中人口模块是通过考虑未来的生育政策等设置合适的变化速率;国内生产总值的变化速率则根据宏观经济政策进行设定;图2(b)中能源消费结构是根据产业结构、可再生能源渗透率、科研经费投入强度、电动汽车销售占比以及能源基础设施投资强度等影响因素的变化率以确定,能源消费结构在2055年左右达到平衡;能源消费强度是指单位GDP的能源消耗量,将能源消耗量分为煤炭消耗量、石油消耗量、天然气消耗量以及其他能源消耗量;再根据影响因素的变化率确定各个消耗量的值,进而确定能源消费强度,能源消费强度在2050年左右达到平衡。
图3(a)展示了根据各个影响因素变化速率拟合出的煤炭消费碳排放量、石油消费碳排放量、天然气消费碳排放量以及总碳排放量;图3(b)提供了总碳排放量与单位GDP二氧化碳排放量的数据,可以看出总碳排放量大约在2028年左右达峰,峰值约为114亿万吨,在2060年时降为12万吨左右,剩余的碳排放量可以通过森林碳循环与碳捕捉技术进行吸收,从而实现净零排放,与2060碳中和趋势的目标基本一致。
图4(a)是2003~2019年期间历史用电量的实际值以及对用电量的预测值,根据两条曲线的重合程度可以看出本实施例的预测精度较高;图4(b)是采用演化模型预测的2020~2070年之间的用电量,可以看出未来用电量的达峰时间在2040年~2050年之间,峰值均为15.7万亿kWh,且达峰之后用电量逐步趋于稳定。
表1选用了相对误差和平均相对误差两种指标以衡量模型精度。比较了2003~2019年期间历史用电量的实际值与本模型的预测值,可以看出,各个年份的相对误差都在1%左右,最大不超过2%,历史数据的平均相对误差为0.85%。
通过对仿真结果的分析可以发现,本发明提出的方法和模型,可以得出碳中和趋势影响下的长期用电量预测值,可为电网未来的基建建设以及资源评估提供参考,该用电量模型也可为今后碳中和目标的实现提供路径参考。
表1
综上所述,本发明存在以下优势:
本发明采用系统动力学建立各个影响因素与用电量的关系模型;其中,系统动力学通过分析系统的问题,进而剖析系统以获得丰富的系统信息,建立系统内部的信息反馈机制,从而把系统本身历史行为的后果回授给系统本身,以影响系统未来的行为。因此,本发明所构建的用电量模型对于人口数量、GDP、一次能源消费量(石油消费量、天然气消费量和其他能源消费量)以及能源消费结构等存量模块都设置了反馈结构,从而能够研究碳中和实施过程中用电量随时间变化的动态演化过程,并进一步得到用电量系统未来的饱和状态;减少了预测用电量与实际用电量演变过程的差距,提高了中长期负荷预测的准确性。
本发明设置多个与排放量相关的模块构建IPAT方程,与排放量相关的模块包括人口模块、人均GDP模块、能源消费强度模块与能源消费结构模块;能源消费强度分为煤炭消费强度、石油消费强度、天然气消费强度和其他能源消费强度;基于碳中和趋势设置各个模块的影响因素;其中,能源消费结构模块的影响因素包括:可再生能源渗透增长率、科研经费投入强度增长率、电动汽车销售占比增长率、能源基础设施投资调整率以及第二产业占比调整率;利用偏最小二乘法对影响因素包含的速率变量进行多元回归拟合;其中,能源消费强度模块中影响因素的速率变量包括能源消费强度、能源消费比重、城镇化率、人均GDP、人口、第二产业占比、R&D经费投入强度和每万人口发明专利拥有量。能源消费结构模块中影响因素的速率变量包括可再生能源渗透率、单位GDP二氧化碳排放量、新能源汽车销量占比、城镇化率、人均GDP、R&D经费投入强度和每万人口发明专利拥有量。从上述可以看出本发明详细考虑了多因素影响下用电量与碳排放量之间的关系,可以进一步提升负荷预测的准确性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种考虑碳中和影响的中长期负荷预测方法,其特征在于,包括以下步骤:
将用电量划分为多个与碳排放量相关的模块后构建IPAT方程;
基于碳中和趋势设置各个所述模块的影响因素;
利用偏最小二乘法对所述影响因素包含的速率变量进行多元回归拟合;
采用系统动力学建立拟合后各个影响因素与用电量的演化模型;其中,每个模块的当前存量基于历史数据建立;
根据不同的碳中和目标,采用演化模型获取用电量预测结果。
2.根据权利要求1所述的中长期负荷预测方法,其特征在于,所述与排放量相关的模块包括人口模块、人均GDP模块、能源消费强度模块与能源消费结构模块;其中,能源消费强度分为煤炭消费强度、石油消费强度、天然气消费强度和其他能源消费强度。
4.根据权利要求2所述的中长期负荷预测方法,其特征在于,所述能源消费结构模块的影响因素包括:可再生能源渗透增长率、科研经费投入强度增长率、电动汽车销售占比增长率、能源基础设施投资调整率以及第二产业占比调整率。
5.根据权利要求2所述的中长期负荷预测方法,其特征在于,所述能源消费强度模块中影响因素的速率变量包括能源消费强度、能源消费比重、城镇化率、人均GDP、人口、第二产业占比、R&D经费投入强度和每万人口发明专利拥有量;
所述能源消费结构模块中影响因素的速率变量包括可再生能源渗透率、单位GDP二氧化碳排放量、新能源汽车销量占比、城镇化率、人均GDP、R&D经费投入强度和每万人口发明专利拥有量。
6.根据权利要求2或3所述的中长期负荷预测方法,其特征在于,基于历史数据建立的当前存量包括人口数量、GDP、一次能源消费量以及能源消费结构。
7.根据权利要求1所述的中长期负荷预测方法,其特征在于,采用交叉有效性检验,选取历史数据输入至演化模型;利用相对误差以及平均相对误差衡量演化模型的拟合精度。
8.一种考虑碳中和影响的中长期负荷预测系统,其特征在于,包括IPAT方程构建模块、影响因素设置模块、拟合模块、演化模型构建模块和预测模块;
所述IPAT方程构建模块用于将用电量划分为多个与碳排放量相关的模块后构建IPAT方程;
所述影响因素设置模块用于基于碳中和趋势设置各个模块的影响因素;
所述拟合模块用于利用偏最小二乘法对影响因素包含的速率变量进行多元回归拟合;
所述演化模型构建模块用于采用系统动力学建立拟合后各个影响因素与用电量的演化模型;其中,每个模块的当前存量基于历史数据建立;
所述预测模块用于根据不同的碳中和目标,采用演化模型,获取用电量预测结果。
9.根据权利要求8所述的中长期负荷预测系统,其特征在于,所述与碳排放量相关的模块包括人口模块、人均GDP模块、能源消费强度模块与能源消费结构模块;其中,能源消费强度分为煤炭消费强度、石油消费强度、天然气消费强度和其他能源消费强度。
10.根据权利要求9所述的中长期负荷预测系统,其特征在于,所述能源消费强度模块中影响因素的速率变量包括能源消费强度、能源消费比重、城镇化率、人均GDP、人口、第二产业占比、R&D经费投入强度和每万人口发明专利拥有量;
所述能源消费结构模块中影响因素的速率变量包括可再生能源渗透率、单位GDP二氧化碳排放量、新能源汽车销量占比、城镇化率、人均GDP、R&D经费投入强度和每万人口发明专利拥有量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352389.6A CN113095556A (zh) | 2021-03-31 | 2021-03-31 | 一种考虑碳中和趋势的中长期负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352389.6A CN113095556A (zh) | 2021-03-31 | 2021-03-31 | 一种考虑碳中和趋势的中长期负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095556A true CN113095556A (zh) | 2021-07-09 |
Family
ID=76672430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110352389.6A Pending CN113095556A (zh) | 2021-03-31 | 2021-03-31 | 一种考虑碳中和趋势的中长期负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095556A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113626755A (zh) * | 2021-08-10 | 2021-11-09 | 中国科学院科技战略咨询研究院 | 基于传导路径的家庭能源消费需求结构监测方法及装置 |
CN114186713A (zh) * | 2021-11-17 | 2022-03-15 | 广西电网有限责任公司 | 一种考虑远景发展情景约束的中长期用电量预测方法 |
CN115081301A (zh) * | 2022-07-11 | 2022-09-20 | 国网安徽省电力有限公司电力科学研究院 | 一种基于混合pso-mkpls的碳排放量动态演化方法 |
CN116316647A (zh) * | 2022-09-08 | 2023-06-23 | 东南大学溧阳研究院 | 一种基于模型预测控制的配电网实时碳排放优化控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
CN105678403A (zh) * | 2015-12-30 | 2016-06-15 | 国网浙江省电力公司经济技术研究院 | 一种基于模型族分解与集成技术的区域饱和负荷预测方法 |
CN106355285A (zh) * | 2016-09-06 | 2017-01-25 | 北京华电天仁电力控制技术有限公司 | 一种基于参数修正的用电负荷预测方法 |
CN107239850A (zh) * | 2017-04-24 | 2017-10-10 | 华北电力大学 | 一种基于系统动力学模型的中长期电力负荷预测方法 |
CN109325880A (zh) * | 2018-09-21 | 2019-02-12 | 国网天津市电力公司 | 一种基于Verhulst-SVM的中长期负荷预测方法 |
CN110991843A (zh) * | 2019-11-22 | 2020-04-10 | 国网山东省电力公司临沂供电公司 | 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 |
CN112508231A (zh) * | 2020-11-12 | 2021-03-16 | 广西大学 | 一种基于系统动力学的中长期电力负荷预测方法及系统 |
-
2021
- 2021-03-31 CN CN202110352389.6A patent/CN113095556A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
CN105678403A (zh) * | 2015-12-30 | 2016-06-15 | 国网浙江省电力公司经济技术研究院 | 一种基于模型族分解与集成技术的区域饱和负荷预测方法 |
CN106355285A (zh) * | 2016-09-06 | 2017-01-25 | 北京华电天仁电力控制技术有限公司 | 一种基于参数修正的用电负荷预测方法 |
CN107239850A (zh) * | 2017-04-24 | 2017-10-10 | 华北电力大学 | 一种基于系统动力学模型的中长期电力负荷预测方法 |
CN109325880A (zh) * | 2018-09-21 | 2019-02-12 | 国网天津市电力公司 | 一种基于Verhulst-SVM的中长期负荷预测方法 |
CN110991843A (zh) * | 2019-11-22 | 2020-04-10 | 国网山东省电力公司临沂供电公司 | 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 |
CN112508231A (zh) * | 2020-11-12 | 2021-03-16 | 广西大学 | 一种基于系统动力学的中长期电力负荷预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
单葆国等: "基于STIRPAT-岭回归的电能替代潜力分析方法", 《供用电》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113626755A (zh) * | 2021-08-10 | 2021-11-09 | 中国科学院科技战略咨询研究院 | 基于传导路径的家庭能源消费需求结构监测方法及装置 |
CN113626755B (zh) * | 2021-08-10 | 2024-04-05 | 中国科学院科技战略咨询研究院 | 基于传导路径的家庭能源消费需求结构监测方法及装置 |
CN114186713A (zh) * | 2021-11-17 | 2022-03-15 | 广西电网有限责任公司 | 一种考虑远景发展情景约束的中长期用电量预测方法 |
CN115081301A (zh) * | 2022-07-11 | 2022-09-20 | 国网安徽省电力有限公司电力科学研究院 | 一种基于混合pso-mkpls的碳排放量动态演化方法 |
CN115081301B (zh) * | 2022-07-11 | 2024-04-16 | 国网安徽省电力有限公司电力科学研究院 | 一种基于混合pso-mkpls的碳排放量动态演化方法 |
CN116316647A (zh) * | 2022-09-08 | 2023-06-23 | 东南大学溧阳研究院 | 一种基于模型预测控制的配电网实时碳排放优化控制方法 |
CN116316647B (zh) * | 2022-09-08 | 2023-11-07 | 东南大学溧阳研究院 | 一种基于模型预测控制的配电网实时碳排放优化控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095556A (zh) | 一种考虑碳中和趋势的中长期负荷预测方法及系统 | |
Yuan et al. | An extended NSGA-III for solution multi-objective hydro-thermal-wind scheduling considering wind power cost | |
Sadeghi et al. | Sustainable electricity generation mix for Iran: A fuzzy analytic network process approach | |
Al-Ghandoor et al. | Electricity consumption in the industrial sector of Jordan: application of multivariate linear regression and adaptive neuro-fuzzy techniques | |
CN102684223B (zh) | 以降低网损为目标的多约束条件下风电送出功率优化评估方法 | |
Zhao et al. | The green behavioral effect of clean coal technology on China's power generation industry | |
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 | |
CN104181900B (zh) | 一种多能源介质分层动态调控方法 | |
CN111967776A (zh) | 一种园区综合能源系统运营价值链的评估方法 | |
Luo et al. | The optimization of carbon emission prediction in low carbon energy economy under big data | |
CN111626487A (zh) | 一种综合能源系统多评价指标优化规划技术方法和系统 | |
Huang et al. | Dynamic analysis method to open the “black box” of urban metabolism | |
Ma et al. | Economic operation evaluation of active distribution network based on fuzzy Borda method | |
CN111680452A (zh) | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 | |
CN114331041A (zh) | 一种基于信息物理系统架构的智慧电厂成熟度评估方法及系统 | |
Liu et al. | Energy systems planning and GHG-emission control under uncertainty in the province of Liaoning, China–A dynamic inexact energy systems optimization model | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Tan et al. | Selection ideal coal suppliers of thermal power plants using the matter-element extension model with integrated empowerment method for sustainability | |
CN115660234B (zh) | 一种基于混合测算方法的双碳预测优化模型 | |
Basile | The IIASA set of energy models: Its design and application | |
CN112633762A (zh) | 楼宇能效获取方法及设备 | |
Chen et al. | Research on prediction methods of energy consumption data | |
Zhang et al. | Energy economy and energy structure optimization countermeasures based on big data mining | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
Zhu et al. | Multi-Objective Sizing Optimization Method of Microgrid Considering Cost and Carbon Emissions |
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: 20210709 |
|
RJ01 | Rejection of invention patent application after publication |