CN113131523A - 一种分品种电力供应预测方法及系统 - Google Patents

Abstract

本发明公开了一种分品种电力供应预测方法及系统，包括：获取待预测区域内的电力数据；基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测；基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量；所述各品种发电设备包括水电发电机组、火电发电机组、核电发电机组、风电发电机组和太阳能发电机组。本发明可以量化分析供给侧结构性改革对分品种发电领域的影响。通过对分品种电力供应预测，可以为电网企业制定能源发展规划，电力建设投资提供重要的决策依据，从而降低电网企业成本，提高能源利用效率。

Description

一种分品种电力供应预测方法及系统

技术领域

本发明涉及电力工程技术领域，具体涉及一种分品种电力供应预测方法及系统。

背景技术

电力是支撑社会发展的重要基础性资源，电力供应在国民经济发展中承担重要角色，有必要对电力供应及早规划，做出合理决策，为国民经济安全，稳步发展提供保障。正确预测未来电力供应增长趋势是科学编制电力规划的前提，同时电力供应预测技术是制定能源电力发展战略规划的基础。随着环境意识的增强，新能源的渗透率逐渐升高，从而导致供给侧结构性改革，供给侧结构性改革对能源电力需求会产生重要影响。

而供给侧结构性改革为电力供应预测方法提出新的要求和挑战，传统的电力供应预测主要是从需求侧入手，缺乏对供给侧因素的考虑，如何量化分析供给侧结构性改革对电力供应的影响亟需解决。

发明内容

为了解决现有技术中所存在的上述不足，本发明提供一种分品种电力供应预测方法及系统。本发明能够全面量化分析供给侧结构性改革对经济社会发展、电力供应带来的影响，同时综合考虑科技进步、净增装机容量、碳排放约束等因素，对未来电力供应进行预测，可为能源发展规划提供重要参考和指导作用。

本发明提供的一种分品种电力供应预测方法，包括：

获取待预测区域内的电力数据；

基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测；

基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量；

所述各品种发电设备包括水电发电机组、火电发电机组、核电发电机组、风电发电机组和太阳能发电机组。

优选的，所述基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测，包括：

对目标年份的用电量进行预测；

基于用电量的预测值采用线性回归模型进行计算，得到目标年份发电量预测值；

将所述目标年份发电量预测值基于各品种发电设备的年利用小时数采用自回归移动平均模型进行分配，得到各品种发电设备在目标年份的发电量预测值。

优选的，所述优化预测模型的构建，包括：

基于各品种发电设备总装机成本，发电成本以及火力机组二氧化碳排放总成本最低构建目标函数；

为所述目标函数构建约束条件；

所述约束条件包括：水电装机约束、火电装机约束、核电装机约束、风电装机容量约束、太阳能装机容量约束和电量平衡约束。

优选的，所述目标函数，如下式所示：

f＝min(C₁+C₂+C₃)

式中：f为目标函数，C₁为各品种发电设备总装机成本，C₂为各品种发电设备总发电成本，C₃为火电机组二氧化碳排放总成本。

优选的，所述各品种发电设备总装机成本C₁，按下式计算：

C₁＝x₁×s₁+x₂×s₂+x₃×s₃+x₄×s₄+x₅×s₅

式中：x₁为水电发电设备的净增装机容量，x₂为火电发电设备的净增装机容量，x₃为核电发电设备的净增装机容量，x₄为风电发电设备的净增装机容量，x₅为太阳能发电设备的净增装机容量，各品种装机单位建设成本分别为：s₁为水电装机单位建设成本，s₂为火电装机单位建设成本，s₃为核电装机单位建设成本，s₄为风电装机单位建设成本，s₅为太阳能装机单位建设成本。

优选的，所述基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量之后，还包括：

基于所述各品种发电设备的净增装机容量和期初各品种装机容量，计算各品种期末装机容量；

基于所述各品种期末装机容量获得每个品种的平均装机容量；

基于每个品种的平均装机容量获得发电设备总利用小时数。

优选的，所述各品种期末装机容量，按下式计算：

式中：X_i表示第i个品种期末装机容量，

表示第i个品种期初装机容量，x_i表示第i个品种净增装机容量。

优选的，所述电力数据，包括：

用电量、发电量和各品种发电设备平均利用小时数。

基于同一发明构思，本发明还提供了一种分品种电力供应预测系统，包括：

获取模块，用于获取待预测区域内的电力数据；

发电量预测模块，用于基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测；

净增装机容量预测模块，用于基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量；

所述各品种发电设备包括水电发电机组、火电发电机组、核电发电机组、风电发电机组和太阳能发电机组。

优选的，所述发电量预测模块，包括：

用电量预测单元，用于对目标年份的用电量进行预测；

第一发电量预测单元，用于基于用电量的预测值采用线性回归模型进行计算，得到目标年份发电量预测值；

第二发电量预测单元，用于将所述目标年份发电量预测值基于各品种发电设备的年利用小时数采用自回归移动平均模型进行分配，得到各品种发电设备在目标年份的发电量预测值。

与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：

本发明提供的技术方案，获取待预测区域内的电力数据；基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测；基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量；量化分析供给侧结构性改革对不同品种发电领域的影响，通过对水电发电机组、火电发电机组、核电发电机组、风电发电机组和太阳能发电机组的净增装机容量预测，实现对分品种电力供应的预测，为电网企业制定能源发展规划，电力建设投资提供重要的决策依据，从而降低电网企业成本，同时可以鼓励和指导社会资本投资电力建设，提高能源利用效率。

附图说明

图1为本发明一种分品种电力供应预测方法流程图。

具体实施方式

为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。

如图1所示，本发明提供了一种分品种电力供应预测方法，包括：

S1获取待预测区域内的电力数据；

S2基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测；

S3基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量；

所述各品种发电设备包括水电发电机组、火电发电机组、核电发电机组、风电发电机组和太阳能发电机组。

S2基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测，包括：

首先，搜集历史电力数据；电力数据包括用电量、发电量和各品种发电设备平均利用小时数、历史净增装机容量等，各品种指水电、火电、核电、风电、太阳能。全社会成本包括各品种发电装机建设成本、度电成本、碳排放成本。数据来源于近10年的相关电力数据。

然后，对历史发电和用电量数据建立线性回归模型，并结合外生的目标年份用电量预测结果，得到目标年份发电量预测值。

本实施例中的目标年份指下一年，下式为线性回归模型的表达式：

y＝ax+b

式中：y表示目标年份发电量预测值，x为目标年份用电量，a，b为线性函数的相关系数，可由历史数据拟合得到。

最后，为预测各品种发电量平均利用小时数，以及各品种发电单位装机成本、度电成本、碳排放成本，建立基于时间序列的预测模型。设各品种装机利用小时数分别为：水电t₁，火电t₂，核电t₃，风电t₄，太阳能t₅；各品种装机单位建设成本分别为：水电s₁，火电s₂，核电s₃，风电s₄，太阳能s₅；各品种发电设备的度电成本分别为：水电p₁，火电p₂，核电p₃，风电p₄，太阳能p₅；火力发电单位电量二氧化碳排放成本为θ。根据各品种历史发电设备年利用小时数，单位装机成本、度电成本等数据，采用ARMA模型可分别得到各品种发电设备的目标年份预测值。

Y_t＝β₀+β₁Y_t-1+β₂Y_t-2+β₃Y_t-3+...+β_nP_t-n+ε_t+α₁ε_t-1+α₂ε_t-2+...+α_qε_t-q

式中：Y_t为目标年份的预测值，β_i和α_i为ARMA模型相关系数，Y_i为历史年份相对应的数据，ε_t为误差干扰项。

S3基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量，包括：

建立优化预测模型，以最小全社会成本为预测目标，综合考虑经济社会发展、环境约束及技术进步等因素，利用非线性优化方法,分品种对净增装机容量进行预测。具体包括：

步骤一、设置变量，包括：

设各品种净增装机容量为，水电x₁，火电x₂，核电x₃，风电x₄，太阳能x₅。

步骤二、构建目标函数，包括：

目标函数为全社会成本最低，综合考虑了各品种单位装机成本，度电成本以及火力发电单位电量二氧化碳排放成本。

f＝min(C₁+C₂+C₃)

式中：C₁为所有品种总装机成本，C₂所有品种总发电成本，C₃为火电机组二氧化碳排总放成本。

(1)各品种发电设备总装机成本，如下式所示：

C₁＝x₁×s₁+x₂×s₂+x₃×s₃+x₄×s₄+x₅×s₅

(2)各品种发电设备总发电成本，如下式所示：

C₂＝x₁×t₁×p₁+x₂×t₂×p₂+x₃×t₃×p₃+x₄×t₄×p₄+x₅×t₅×p₅

(3)火力发电为二氧化碳排放总成本，如下式所示：

C₃＝x₂×t₂×θ

式中：x₁为水电发电设备的净增装机容量，x₂为火电发电设备的净增装机容量，x₃为核电发电设备的净增装机容量，x₄为风电发电设备的净增装机容量，x₅为太阳能发电设备的净增装机容量。

步骤三、构建约束条件，包括：

约束条件分别为各品种净增装机容量。

(1)水电装机约束，如下式所示：

x₁≤z₁

式中：z₁为水电最大净增装机容量。

(2)火电装机约束，如下式所示：

x₂≤z₂

式中：z₂为火电最大净增装机容量。

(3)核电装机约束，如下式所示：

x₃≤z₃

式中：z₃为核电最大净增装机容量。

(4)风电装机容量约束，如下式所示：

z₄≤x₄≤z₅

式中：z₄,z₅分别为风电最小和最大净增装机容量。

(5)太阳能装机容量约束，如下式所示：

z₆≤x₄≤z₇

式中：z₆和z₇分别为太阳能最小和最大净增装机容量。

(6)电量平衡约束，如下式所示：

式中：X_i为第i品种期末装机容量，t_i为第i品种利用小时数，y为目标年份用电量。

步骤四、预测结果

根据步骤三所构建的目标函数及约束条件，采用线性回归优化方法，得到目标年份各品种净增装机容量。

本实施例还提供了利用步骤四的预测结果对各品种期末装机容量及平均装机容量预测，包括：

根据各品种目标年份净增装机容量预测结果，结合期初各品种装机容量，按下式可得各品种期末装机容量：

式中：X_i表示第i个品种期末装机容量，

表示第i个品种期初装机容量，x_i表示第i个品种净增装机容量。

本实施例还基于期初装机容量和期末装机容量，按下式计算各品种平均装机容量：

式中：

表示第i个品种平均装机容量。

进一步的，利用各品种平均装机容量按下式计算发电设备总利用小时数：

式中：t表示发电设备利用小时数，Y表示目标年份总发电量。

本发明基于供给侧结构性改革的背景下，以全社会成本最小为预测目标，综合考虑科技进步、净增装机约束以及碳排放约束等变化因素，分品种进行电力供应预测，可以量化分析供给侧结构性改革对分品种发电领域的影响。

基于同一发明构思，本发明实施例还提供了一种分品种电力供应预测系统，包括：

获取模块，用于获取待预测区域内的电力数据；

发电量预测模块，用于基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测；

净增装机容量预测模块，用于基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量；

所述各品种发电设备包括水电发电机组、火电发电机组、核电发电机组、风电发电机组和太阳能发电机组。

优选的，所述发电量预测模块，包括：

用电量预测单元，用于对目标年份的用电量进行预测；

第一发电量预测单元，用于基于用电量的预测值采用线性回归模型进行计算，得到目标年份发电量预测值；

第二发电量预测单元，用于将所述目标年份发电量预测值基于各品种发电设备的年利用小时数采用自回归移动平均模型进行分配，得到各品种发电设备在目标年份的发电量预测值。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.一种分品种电力供应预测方法，其特征在于，包括：

获取待预测区域内的电力数据；

基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测；

基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量；

所述各品种发电设备包括水电发电机组、火电发电机组、核电发电机组、风电发电机组和太阳能发电机组。

2.如权利要求1所述的方法，其特征在于，所述基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测，包括：

对目标年份的用电量进行预测；

基于用电量的预测值采用线性回归模型进行计算，得到目标年份发电量预测值；

将所述目标年份发电量预测值基于各品种发电设备的年利用小时数采用自回归移动平均模型进行分配，得到各品种发电设备在目标年份的发电量预测值。

3.如权利要求1所述的方法，其特征在于，所述优化预测模型的构建，包括：

基于各品种发电设备总装机成本，发电成本以及火力机组二氧化碳排放总成本最低构建目标函数；

为所述目标函数构建约束条件；

所述约束条件包括：水电装机约束、火电装机约束、核电装机约束、风电装机容量约束、太阳能装机容量约束和电量平衡约束。

4.如权利要求3所述的方法，其特征在于，所述目标函数，如下式所示：

f＝min(C₁+C₂+C₃)

式中：f为目标函数，C₁为各品种发电设备总装机成本，C₂为各品种发电设备总发电成本，C₃为火电机组二氧化碳排放总成本。

5.如权利要求4所述的方法，其特征在于，所述各品种发电设备总装机成本C₁，按下式计算：

C₁＝x₁×s₁+x₂×s₂+x₃×s₃+x₄×s₄+x₅×s₅

式中：x₁为水电发电设备的净增装机容量，x₂为火电发电设备的净增装机容量，x₃为核电发电设备的净增装机容量，x₄为风电发电设备的净增装机容量，x₅为太阳能发电设备的净增装机容量，各品种装机单位建设成本分别为：s₁为水电装机单位建设成本，s₂为火电装机单位建设成本，s₃为核电装机单位建设成本，s₄为风电装机单位建设成本，s₅为太阳能装机单位建设成本。

6.如权利要求1所述的方法，其特征在于，所述基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量之后，还包括：

基于所述各品种发电设备的净增装机容量和期初各品种装机容量，计算各品种期末装机容量；

基于所述各品种期末装机容量获得每个品种的平均装机容量；

基于每个品种的平均装机容量获得发电设备总利用小时数。

7.如权利要求1所述的方法，其特征在于，所述各品种期末装机容量，按下式计算：

式中：X_i表示第i个品种期末装机容量，

表示第i个品种期初装机容量，x_i表示第i个品种净增装机容量。

8.如权利要求1所述的方法，其特征在于，所述电力数据，包括：

用电量、发电量和各品种发电设备平均利用小时数。

9.一种分品种电力供应预测系统，其特征在于，包括：

获取模块，用于获取待预测区域内的电力数据；

发电量预测模块，用于基于所述电力数据采用线性回归模型和自回归移动平均模型，对各品种发电设备在目标年份的发电量进行预测；

净增装机容量预测模块，用于基于各品种发电设备在目标年份的发电量预测值和预先构建的优化预测模型，预测各品种发电设备的净增装机容量；

所述各品种发电设备包括水电发电机组、火电发电机组、核电发电机组、风电发电机组和太阳能发电机组。

10.如权利要求9所述的系统，其特征在于，所述发电量预测模块，包括：

用电量预测单元，用于对目标年份的用电量进行预测；

第一发电量预测单元，用于基于用电量的预测值采用线性回归模型进行计算，得到目标年份发电量预测值；

第二发电量预测单元，用于将所述目标年份发电量预测值基于各品种发电设备的年利用小时数采用自回归移动平均模型进行分配，得到各品种发电设备在目标年份的发电量预测值。

Images