CN113313326A - 一种电能替代潜力预测方法及系统 - Google Patents
一种电能替代潜力预测方法及系统 Download PDFInfo
- Publication number
- CN113313326A CN113313326A CN202110695567.5A CN202110695567A CN113313326A CN 113313326 A CN113313326 A CN 113313326A CN 202110695567 A CN202110695567 A CN 202110695567A CN 113313326 A CN113313326 A CN 113313326A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy consumption
- year
- influence
- predicted
- 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.)
- Granted
Links
- 238000006467 substitution reaction Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005265 energy consumption Methods 0.000 claims abstract description 192
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013139 quantization Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 239000003245 coal Substances 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000003345 natural gas Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003034 coal gas Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (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
本申请涉及电能替代技术领域,特别地,涉及一种电能替代潜力预测方法及系统。所述方法包括:定义电能替代量,用于描述电能替代潜力;获取被测区域能源消耗总量、电能消耗量的历史数据,用于作为基准年间的能源消耗总量及电能消耗量;获取被测区域影响电能替代潜力因素的历史数据,作为基准年间的影响因素,并对所述基准年间的影响因素进行量化处理,获取基准年间的影响因素量化数据;基于所述基准年间的能源消耗总量及电能消耗量,通过机器学习算法进行训练,构建能源消耗总量预测模型及电能消耗量预测模型,以解决现有电能替代潜力预测方法存在预测精度不高、缺乏考虑影响因素在预测年发展趋势对电能替代影响的问题。
Description
技术领域
本申请涉及电能替代技术领域,特别地,涉及一种电能替代潜力预测方法及系统。
背景技术
电能替代是在终端能源消费环节,采用电力技术替代散烧煤、直燃油等用能方式,最终实现能源发展方式的根本转变。电能替代既是加快能源结构调整的重要手段,也是促进能源消费占比的重要措施。对未来电能替代规模进行科学预测,可以为电能终端消费市场拓展提供客观依据,对电能替代工作的开展提供了有力支持。
目前,电能替代潜力预测的研究成果,大多根据历史数据直接进行预测,或利用多个预测模型进行组合预测来提高预测准确性。也有研究将影响电能替代的因素直接作为预测模型的输入进行预测。并且,当前的电能替代潜力预测研究很少对电能替代相关因素的影响进行量化评估。然而,目前电能替代潜力预测研究存在着预测精度不高、缺乏考虑影响因素在预测年发展趋势对电能替代的影响等问题。
发明内容
本申请提供了一种电能替代潜力预测方法及系统,以解决现有电能替代潜力预测方法存在预测精度不高、缺乏考虑影响因素在预测年发展趋势对电能替代影响的问题。
本申请的实施例是这样实现的:
本申请的第一方面提供一种电能替代潜力预测方法,包括:
定义电能替代量,用于描述电能替代潜力;
获取被测区域能源消耗总量、电能消耗量的历史数据,用于作为基准年间的能源消耗总量及电能消耗量;
获取被测区域影响电能替代潜力因素的历史数据,作为基准年间的影响因素,并对所述基准年间的影响因素进行量化处理,获取基准年间的影响因素量化数据;
基于所述基准年间的能源消耗总量及电能消耗量,通过机器学习算法进行训练,构建能源消耗总量预测模型及电能消耗量预测模型,确定预测年的能源消耗总量及电能消耗量,进一步获取预测年的电能替代潜力预测值;
对所述基准年间的影响因素进行预测并量化处理,获取预测年的影响因素量化数据;
根据所述影响因素量化数据在预测年的变化趋势对所述预测年的能源消耗总量及电能消耗量的影响值,获取预测年的影响因素量化数据对电能替代潜力的影响值;
基于所述预测年的电能替代潜力预测值和所述影响因素量化数据在预测年的变化趋势对电能替代潜力的影响值,确定被测区域电能替代潜力标准预测值。
在一些实施例中,所述定义电能替代量是分析电能替代潜力的依据,设定基准年,假定终端用能格局维持基准年水平,则电能所占终端能源比重与基准年相同,预测年电能消耗相比基准年电能消耗增加量定义为电能替代量。
在一些实施例中,所述基准年间的能源消耗总量及电能消耗量包括预测年前至少两年的能源消耗总量及电能消耗量的历史数据。
在一些实施例中,所述影响因素有很多,通过因子分析法获取重要且独立的影响因素进行分析,即包括经济因素、人口因素、技术因素和政策因素。
在一些实施例中,获取所述预测年的电能替代潜力预测值,包括:
设定基准年,将所述基准年的影响因素量化数据、所述基准年前几年的能源消耗总量、电能消耗量作为输入;将所述基准年后几年的能源消耗总量、电能消耗量作为输出,通过机器学习算法进行训练,构建所述能源消耗总量预测模型及电能消耗量预测模型;将所述基准年的能源消耗总量、电能消耗量、以及基准年的影响因素量化数据输入至所述能源消耗总量预测模型及电能消耗量预测模型,获取所述预测年的能源消耗总量及电能消耗量;根据所述预测年的能源消耗总量、电能消耗量、预测年前一年的能源消耗总量及电能消耗量,获取预测年的电能替代潜力预测值。
在一些实施例中,获取所述预测年的影响因素量化数据,通过机器学习算法构建影响因素预测模型,获取预测年的影响因素,并进行量化处理。
在一些实施例中,所述影响因素量化数据在预测年的变化趋势为所述预测年的影响因素量化数据较基准年的影响因素量化数据变化差值,获取所述预测年的影响因素量化数据对电能替代潜力的影响值,包括:
获取预测年的影响因素量化数据与基准年的影响因素量化数据的差值;计算所述差值对预测年的能源消耗总量及电能消耗量的影响值;根据所述差值对预测年的能源消耗总量及电能消耗量的影响值、预测年前一年的能源消耗总量及电能消耗量,计算预测年的影响因素量化数据对电能替代潜力的影响值。
在一些实施例中,所述被测区域电能替代潜力标准预测值,通过所述预测年的电能替代潜力预测值与所述影响因素量化数据在预测年的变化趋势对电能替代潜力的影响值相加所获取。
本申请的第二方面提供一种电能替代潜力预测系统,包括:数据采集模块、影响因素筛选模块、初步预测模块、以及影响因素量化预测模块;
所述数据采集模块,用于获取被测区域影响电能替代潜力因素、能源消耗量及电能消耗量的历史数据;
所述因素筛选模块,用于从多个电能替代潜力影响因素中,筛选出重要且独立的影响因素;
所述初步预测模块,用于根据基准年的影响因素量化数据,对基准年的能源消耗量及电能消耗量进行预测,获取预测年的电能替代潜力预测值;
所述影响因素量化预测模块,用于对基准年的影响因素进行预测并量化处理,获取所述影响因素从基准年到预测年的变化趋势对电能替代潜力的影响值。
本申请的有益效果在于:通过将电能替代影响因素定量反映到被测区域电能替代潜力标准预测值中,可以提升模型预测精度;进一步在进行电能替代潜力预测时,通过分析影响因素在预测年的发展趋势对电能替代潜力的影响,获取预测年占主导作用的影响因素,以有利于出台不同扶持政策,进一步推进电能替代的实施。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例一种电能替代潜力预测方法的流程示意图;
图2示出了本申请实施例一种电能替代潜力预测系统的结构框图。
具体实施方式
为使本申请示例性实施例的目的、技术方案和优点更加清楚,下面将结合本申请示例性实施例中的附图,对本申请示例性实施例中的技术方案进行清楚、完整地描述,显然,所描述的示例性实施例仅是本申请一部分实施例,而不是全部的实施例。
基于本申请中示出的示例性实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。此外,虽然本申请中公开内容按照示范性一个或几个实例来介绍,但应理解,可以就这些公开内容的各个方面也可以单独构成一个完整技术方案。
应当理解,本申请中说明书和权利要求书及上述附图中的术语″第一″、″第二″、″第三″等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,例如能够根据本申请实施例图示或描述中给出那些以外的顺序实施。
此外,术语″包括″和″具有″以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的那些组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等,意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此,本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外,在一个或多个实施例中,具体特征、结构或特性可以任何合适的方式进行组合。因此,在无限制的情形下,结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。本发明可针对不同地区不同领域的电能替代进行潜力预测,本实施例阐述本发明在我国某个省份电能替代潜力预测的应用。
图1示出了本申请实施例一种电能替代潜力的预测方法的流程示意图。
在步骤101中,定义电能替代量,用于描述电能替代潜力。
在一些实施例中,所述定义电能替代量是分析电能替代潜力的依据,设定基准年,假定终端用能格局维持基准年水平,则电能所占终端能源比重与基准年相同,预测年电能消耗相比基准年电能消耗增加量定义为电能替代量。
例如,设第y年的实际电能消费为Ef(y),终端能源消耗总量为Eq(y),终端用能格局若维持第y年水平,则电能所占终端能源比重与第y年相同,那么第y+1年电能消耗相比前一年的电能消耗增加量定义为第y+1年电能替代量,如式(1)所示。
式中:Esub(y+1)为第y+1年的电能替代量;Ef(y+1)为第y+1年的实际电能消费量;Eq(y+1)为第y+1年的能源消耗总量。
在步骤102中,获取被测区域能源消耗总量、电能消耗量的历史数据,用于作为基准年间的能源消耗总量及电能消耗量。
一个省份的能源消耗总量包括煤炭、石油、天然气、电等各类能耗量,将各类能源消耗量与相对应的折算标准煤系数相乘后相加,获得该省份能源消耗量,如式(2)所示。
式中,Ebase为预测省份基准年的折算标准煤消耗量;j为第j类能源;Qbase,j为第j类能源基准年消耗量;λj为第j类能源与标准煤当量折算系数。
在一些实施例中,所述基准年间的能源消耗总量及电能消耗量包括预测年前至少两年的能源消耗总量及电能消耗量的历史数据。
在步骤103中,获取被测区域影响电能替代潜力因素的历史数据,作为基准年间的影响因素,并对所述基准年间的影响因素进行量化处理,获取基准年间的影响因素量化数据。
在一些实施例中,所述影响因素有很多,通过因子分析法获取重要且独立的影响因素进行分析,即包括经济因素、人口因素、技术因素和政策因素。
其中,所述影响因素主要包括经济因素、人口因素、技术因素、政策因素等。将电能替代潜力影响因素作为输入,利用因子分析法,分析出与能源消耗总量相关的重要且相互独立的三个指标因素。
例如,在本实施例中,假定分别是技术因素、经济因素、政策因素,并分别对技术因素、经济因素、政策因素进行量化处理。
为准确表示技术发展对电能替代的影响,参考电气化衡量标准,采用实际电能消费与实际电能消费和理论电能消费之和的比值,表示电能替代技术发展水平,如式(3)所示。
式中,k1表示基准年技术发展水平的弹性系数,T(base)表示预测省份基准年电能替代技术发展水平;Ef(base)表示预测省份基准年实际电能消费;Et(base)表示预测省份基准年化石能源的等效电能消费。
其中,化石能源的等效电能消费指不考虑技术可行性和经济可行性,计及用能效率,将所有以用能为目的的化石能源消费按热当量法折算出的电能消费Et(base),如式(4)所示。
式中,Eij(base)为基准年第i种化石能源的第j种行业的耗能量;χij为第i种化石能源的第j种行业的用能效率;αi为第i种化石能源与电能的折合比例。
经济增长情况对终端电能需求影响重大,一个地区总体经济的发展情况将对电能及其他能源年消费产生影响。用人均国内生产总值,来反应我国电能替代进程中,经济发展对电能替代的影响,如式(5)所示。
Gp(base)=k2G(base)/P(base) (5)
式中,k2表示基准年经济发展的弹性系数;Gp(base)表示预测省份基准年的人均生产总值;G(base)表示预测省份基准年的生产总值;P(base)表示预测省份基准年的总人口数。
采用新建的电力的固定资产投资与新建的能源固定资产投资(包括电力、煤炭、石油和天然气)的比值来表示预测省份政策对电能替代发展的影响,如式(6)所示。
式中:k3表示基准年政策措施的弹性系数;P(base)表示预测省份基准年政策措施对电能替代的影响因子;Ie(base)、Ic(base)、Io(base)、Ig(base)分别表示预测省份基准年电力、煤炭、石油和天然气的新建固定资产投资。
在步骤104中,基于所述基准年间的能源消耗总量及电能消耗量,通过机器学习算法进行训练,构建能源消耗总量预测模型及电能消耗量预测模型,确定预测年的能源消耗总量及电能消耗量,进一步获取预测年的电能替代潜力预测值。
在一些实施例中,获取所述预测年的电能替代潜力预测值,包括:设定基准年,将所述基准年的影响因素量化数据、所述基准年前几年的能源消耗总量、电能消耗量作为输入;将所述基准年后几年的能源消耗总量、电能消耗量作为输出,通过机器学习算法进行训练,构建所述能源消耗总量预测模型及电能消耗量预测模型。
其中,所述基准年前几年的能源消耗总量、电能消耗量为基准年前至少一年的能源消耗总量、电能消耗量;所述基准年后几年的能源消耗总量、电能消耗量为基准年后至少一年的能源消耗总量、电能消耗量。
例如,所述能源消耗总量预测模型,如式(7)所示,及电能消耗量预测模型,如式(8)所示。
Eq(base2)=fbase(T(base),Gp(base),P(base),Eq(base1)) (7)
Ef(base2)=gbase(T(base),Gp(base),P(base),Ef(base1)) (8)
式中:Eq(base2)、Ef(base2)分别为预测省份基准年后几年能源消耗总量与电能消耗量,Eq(base1)、Ef(base1)分别为预测省份基准年前几年能源消耗总量与电能消耗量,T(base)、Gp(base)、P(base)分别技术、经济、政策影响因素在基准年的量化数据,fbase、gbase分别为预测省份基准年能源消耗总量及电能消耗量与影响因素的函数映射。
在一些实施例中,将所述基准年的能源消耗总量、电能消耗量、以及基准年的影响因素量化数据输入至所述能源消耗总量预测模型及电能消耗量预测模型,获取所述预测年的能源消耗总量及电能消耗量。
例如,将基准年的影响因素量化数据(T(base)、Gp(base)、P(base)),基准年的能源消耗总量及电能消耗量输入至所述能源消耗总量预测模型及电能消耗量预测模型中,获取所述预测年的能源消耗总量Eq(t)及电能消耗量Ef(t)。
在一些实施例中,根据所述预测年的能源消耗总量、电能消耗量、预测年前一年的能源消耗总量及电能消耗量,获取预测年的电能替代潜力预测值。
例如,将所述预测年能源消耗总量Eq(t)及电能消耗量Ef(t),及预测年前一年的能源消耗总量Eq(t-1)及电能消耗量Ef(t-1),代入式(8)中,获取预测年t的电能替代潜力预测值Esub(t)。
在步骤105中,对所述基准年间的影响因素进行预测并量化处理,获取预测年的影响因素量化数据。
在一些实施例中,获取所述预测年的影响因素量化数据,通过机器学习算法构建影响因素预测模型,获取预测年的影响因素,并进行量化处理。
其中,根据技术因素的量化模型,式(3)可知,预测年的技术发展量化数据,可由预测年的电能消耗和化石能源的等效电能消费计算得到。利用预测省份在基准年与电能消耗及化石能源等相关历史数据,通过机器学习算法,训练出电能消耗和化石能源的等效电能消费预测模型;再通过该预测模型,得到预测年技术因素量化数据T(t)。
根据经济因素的量化模型,公式(5)可知,预测年的经济发展量化数据,可由预测省份在预测年的生产总值,总人口数计算得到。利用预测省份在基准年的生产总值及总人口数历史数据,通过机器学习算法,训练出生产总值及总人口数预测模型;再通过该预测模型,得到预测年经济因素量化数据Gp(t)。
根据政策因素的量化模型,公式(6)可知,预测年的政策发展量化数据,可由预测省份在预测年的电力、煤炭、石油和天然气的新建固定资产投资计算得到。利用预测省份在基准年相关数据,通过机器学习算法,训练出电力、煤炭、石油和天然气的新建固定资产投资预测模型;再通过该预测模型,得到预测年政策因素量化数据P(t)。
在步骤106中,根据所述影响因素量化数据在预测年的变化趋势对所述预测年的能源消耗总量及电能消耗量的影响值,获取预测年的影响因素量化数据对电能替代潜力的影响值。
在一些实施例中,所述影响因素量化数据在预测年的变化趋势为所述预测年的影响因素量化数据较基准年的影响因素量化数据变化差值,获取所述预测年的影响因素量化数据对电能替代潜力的影响值,包括:获取预测年的影响因素量化数据与基准年的影响因素量化数据的差值;计算所述差值对预测年的能源消耗总量及电能消耗量的影响值;根据所述差值对预测年的能源消耗总量及电能消耗量的影响值、预测年前一年的能源消耗总量及电能消耗量,计算预测年的影响因素量化数据对电能替代潜力的影响值。
例如,获取预测年与基准年技术因素量化数据差值△T(t),如式(9)所示。
ΔT(t)=T(t)-T(base) (9)
获取预测年与基准年经济因素量化数据差值△GP(t),如式(10)所示。
ΔGP(t)=GP(t)-GP(base) (10)
获取预测年与基准年政策因素量化数据差值△P(t),如式(11)所示。
ΔP(t)=P(t)-P(base) (11)
计算所述预测年与基准年技术因素量化数据差值△T(t)对能源消耗总量及电能消耗量的影响,分别如式(12)、(13)所示。
ΔEq,T(t)=fbase(ΔT(t),Gp(base),P(base),Eq(t-1)) (12)
ΔEf,T(t)=gbase(ΔT(t),Gp(base),P(base),Eq(t-1)) (13)
根据式(1),计算技术因素在预测年与基准年量化差异带来的电能潜力影响值△ET(t)。
计算所述预测年与基准年经济因素量化数据差值△GP(t)对能源消耗总量及电能消耗量的影响,分别如式(14)、(15)所示。
ΔEq,G(t)=fbase(T(base),ΔGp(t),P(base),Eq(t-1)) (14)
ΔEf,G(t)=gbase(T(base),ΔGp(t),P(base),Eq(t-1)) (15)
根据式(1),计算经济因素在预测年与基准年量化差异带来的电能潜力影响值△EG(t)。
计算所述预测年与基准年政策因素量化数据差值△P(t)对能源消耗总量及电能消耗量的影响,分别如式(16)、(17)所示。
ΔEq,P(t)=fbase(T(base),Gp(base),ΔP(t),Eq(t-1)) (16)
ΔEf,P(t)=gbase(T(base),Gp(base),ΔP(t),Eq(t-1)) (17)
根据式(1),计算政策因素在预测年与基准年量化差异带来的电能潜力影响值△EP(t)。
在步骤107中,基于所述预测年的电能替代潜力预测值和所述影响因素量化数据在预测年的变化趋势对电能替代潜力的影响值,确定被测区域电能替代潜力标准预测值。
在一些实施例中,所述被测区域电能替代潜力标准预测值,通过所述预测年的电能替代潜力预测值与所述影响因素量化数据在预测年的变化趋势对电能替代潜力的影响值相加所获取。
例如,所述预测年的影响因素量化数据较基准年的影响因素量化数据变化差值对电能替代潜力影响值,作为电能替代潜力预测值的校准值,以提高预测模型的精准度。
所述电能替代潜力预测值Esub(t)与所述影响因素量化数据变化差值对电能替代潜力影响值相加,以获取所述被测区域电能替代潜力标准预测值E’sub(t)。
与上述电能替代潜力的预测方法相对应,本申请实施例还公开了一种电能替代潜力预测系统。
图2示出了本申请实施例一种电能替代潜力预测系统结构框图。
本申请实施例提供的一种电能替代潜力预测系统,包括:数据采集模块、影响因素筛选模块、初步预测模块、以及影响因素量化预测模块。
所述数据采集模块,用于获取被测区域影响电能替代潜力因素、能源消耗量及电能消耗量的历史数据。
所述影响因素筛选模块,用于从多个电能替代潜力影响因素中,筛选出重要且独立的影响因素。
所述初步预测模块,用于根据基准年的影响因素量化数据,对基准年的能源消耗量及电能消耗量进行预测,获取预测年的电能替代潜力预测值。
所述影响因素量化预测模块,用于对基准年的影响因素进行预测并量化处理,获取所述影响因素从基准年到预测年的变化趋势对电能替代潜力的影响值。
本申请的有益效果在于:通过将电能替代影响因素定量反映到被测区域电能替代潜力标准预测值中,可以提升模型预测精度;进一步在进行电能替代潜力预测时,通过分析影响因素在预测年的发展趋势对电能替代潜力的影响,获取预测年占主导作用的影响因素,以有利于出台不同扶持政策,进一步推进电能替代的实施。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
Claims (9)
1.一种电能替代潜力的预测方法,其特征在于,包括:
定义电能替代量,用于描述电能替代潜力;
获取被测区域能源消耗总量、电能消耗量的历史数据,用于作为基准年间的能源消耗总量及电能消耗量;
获取被测区域影响电能替代潜力因素的历史数据,作为基准年间的影响因素,并对所述基准年间的影响因素进行量化处理,获取基准年间的影响因素量化数据;
基于所述基准年间的能源消耗总量及电能消耗量,通过机器学习算法进行训练,构建能源消耗总量预测模型及电能消耗量预测模型,确定预测年的能源消耗总量及电能消耗量,进一步获取预测年的电能替代潜力预测值;
对所述基准年间的影响因素进行预测并量化处理,获取预测年的影响因素量化数据;
根据所述影响因素量化数据在预测年的变化趋势对所述预测年的能源消耗总量及电能消耗量的影响值,获取预测年的影响因素量化数据对电能替代潜力的影响值;
基于所述预测年的电能替代潜力预测值和所述影响因素量化数据在预测年的变化趋势对电能替代潜力的影响值,确定被测区域电能替代潜力标准预测值。
2.如权利要求1所述的预测方法,其特征在于,所述定义电能替代量是分析电能替代潜力的依据,设定基准年,假定终端用能格局维持基准年水平,则电能所占终端能源比重与基准年相同,预测年电能消耗相比基准年电能消耗增加量定义为电能替代量。
3.如权利要求1所述的预测方法,其特征在于,所述基准年间的能源消耗总量及电能消耗量包括预测年前至少两年的能源消耗总量及电能消耗量的历史数据。
4.如权利要求1所述的预测方法,其特征在于,所述影响因素有很多,通过因子分析法获取重要且独立的影响因素进行分析,即包括经济因素、人口因素、技术因素和政策因素。
5.如权利要求2所述的预测方法,其特征在于,获取所述预测年的电能替代潜力预测值,包括:
设定基准年,将所述基准年的影响因素量化数据、所述基准年前几年的能源消耗总量、电能消耗量作为输入;
将所述基准年后几年的能源消耗总量、电能消耗量作为输出,通过机器学习算法进行训练,构建所述能源消耗总量预测模型及电能消耗量预测模型;
将所述基准年的能源消耗总量、电能消耗量、以及基准年的影响因素量化数据输入至所述能源消耗总量预测模型及电能消耗量预测模型,获取所述预测年的能源消耗总量及电能消耗量;
根据所述预测年的能源消耗总量、电能消耗量、预测年前一年的能源消耗总量及电能消耗量,获取预测年的电能替代潜力预测值。
6.如权利要求5所述的预测方法,其特征在于,获取所述预测年的影响因素量化数据,通过机器学习算法构建影响因素预测模型,获取预测年的影响因素,并进行量化处理。
7.如权利要求5所述的预测方法,其特征在于,所述影响因素量化数据在预测年的变化趋势为所述预测年的影响因素量化数据较基准年的影响因素量化数据变化差值,获取所述预测年的影响因素量化数据对电能替代潜力的影响值,包括:
获取预测年的影响因素量化数据与基准年的影响因素量化数据的差值;
计算所述差值对预测年的能源消耗总量及电能消耗量的影响值;
根据所述差值对预测年的能源消耗总量及电能消耗量的影响值、预测年前一年的能源消耗总量及电能消耗量,计算预测年的影响因素量化数据对电能替代潜力的影响值。
8.如权利要求1所述的预测方法,其特征在于,所述被测区域电能替代潜力标准预测值,通过所述预测年的电能替代潜力预测值与所述影响因素量化数据在预测年的变化趋势对电能替代潜力的影响值相加所获取。
9.一种电能替代潜力预测系统,其特征在于,包括:数据采集模块、影响因素筛选模块、初步预测模块、以及影响因素量化预测模块;
所述数据采集模块,用于获取被测区域影响电能替代潜力因素、能源消耗量及电能消耗量的历史数据;
所述因素筛选模块,用于从多个电能替代潜力影响因素中,筛选出重要且独立的影响因素;
所述初步预测模块,用于根据基准年的影响因素量化数据,对基准年的能源消耗量及电能消耗量进行预测,获取预测年的电能替代潜力预测值;
所述影响因素量化预测模块,用于对基准年的影响因素进行预测并量化处理,获取所述影响因素从基准年到预测年的变化趋势对电能替代潜力的影响值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695567.5A CN113313326B (zh) | 2021-06-23 | 2021-06-23 | 一种电能替代潜力预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695567.5A CN113313326B (zh) | 2021-06-23 | 2021-06-23 | 一种电能替代潜力预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313326A true CN113313326A (zh) | 2021-08-27 |
CN113313326B CN113313326B (zh) | 2023-01-20 |
Family
ID=77379771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110695567.5A Active CN113313326B (zh) | 2021-06-23 | 2021-06-23 | 一种电能替代潜力预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313326B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292508A (zh) * | 2017-06-16 | 2017-10-24 | 北京中电普华信息技术有限公司 | 一种电能替代潜力的分析预测方法及系统 |
CN110309949A (zh) * | 2019-05-14 | 2019-10-08 | 中国电力科学研究院有限公司 | 一种区域电能替代潜力预测方法及系统 |
CN111832785A (zh) * | 2019-04-23 | 2020-10-27 | 国网浙江省电力有限公司电力科学研究院 | 一种电能替代潜力的预测方法和系统 |
-
2021
- 2021-06-23 CN CN202110695567.5A patent/CN113313326B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292508A (zh) * | 2017-06-16 | 2017-10-24 | 北京中电普华信息技术有限公司 | 一种电能替代潜力的分析预测方法及系统 |
CN111832785A (zh) * | 2019-04-23 | 2020-10-27 | 国网浙江省电力有限公司电力科学研究院 | 一种电能替代潜力的预测方法和系统 |
CN110309949A (zh) * | 2019-05-14 | 2019-10-08 | 中国电力科学研究院有限公司 | 一种区域电能替代潜力预测方法及系统 |
Non-Patent Citations (2)
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》 * |
李昌祖等: "基于改进的粒子群优化BP神经网络浙江电能替代潜力预测模型", 《科学技术与工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113313326B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Generalized GM (1, 1) model and its application in forecasting of fuel production | |
CN107358318A (zh) | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
Yuan et al. | Inclusive and sustainable industrial development in China: An efficiency-based analysis for current status and improving potentials | |
Gao et al. | The measure of technical efficiency of China’s provinces with carbon emission factor and the analysis of the influence of structural variables | |
Guo et al. | Uncovering the overcapacity feature of China's industry and the environmental & health co-benefits from de-capacity | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN109559154A (zh) | 基于Johnson-Copula模型的电力需求总量相关因素分析系统及方法 | |
CN114330937A (zh) | 一种隐含碳排放量核算方法、设备及存储介质 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
Shou et al. | Forecasting the price trends of digital currency: a hybrid model integrating the stochastic index and grey Markov chain methods | |
Zhang et al. | Research on the combined prediction model of residential building energy consumption based on random forest and BP neural network | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
CN111832785A (zh) | 一种电能替代潜力的预测方法和系统 | |
CN113313326B (zh) | 一种电能替代潜力预测方法及系统 | |
CN116957205A (zh) | 基于ceemd-ssa-elm的电力碳排放预测方法 | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN116629624A (zh) | 一种经济评价方法及终端 | |
CN109767037A (zh) | 一种夏季日最大负荷的预测方法 | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN108154281A (zh) | 一种天然气净化厂能源消耗评价方法及装置 | |
CN113077105B (zh) | 一种长假日负荷预测方法及装置 | |
CN116523273B (zh) | 一种面向工业用户的需求响应特性分析方法 | |
Lingyao et al. | Empirical study on economies of scale in China manufacturing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |