地区用电量影响因素分析及需求预测方法研究

2015-04-01李亮明

机电信息 2015年6期

关键词：需求预测用电量用电

李亮明

（广东电网有限责任公司佛山高明供电局，广东佛山528500）

1 地区用电量影响因素分析

要想准确地实现对地区用电量的预测，就必须先分析出影响地区用电量的主要因素。在当前形势下，影响用电量的因素有很多，一个地区的用电量与该地区的经济、社会、人口及生态环境之间都存在着密切的关系。

1.1 GDP与用电量的关系

在影响地区用电量的众多因素中，经济发展水平是最重要的决策因素。其中，GDP作为一个衡量地区经济发展水平的重要指标，与用电量之间存在着密切关系。一般而言，一个地区的GDP增长代表该地区的经济持续发展，那么生产与人民日常生活对用电量的依赖性就会越来越强，同时这种用电量的增长反过来对地区GDP的增长也会起到相应的促进作用。通常而言，用电量是一个地区经济运行的一个十分灵敏的指标，在GDP减速阶段，该地区用电量的增长趋势会变缓，在GDP高速增长阶段，该地区的用电量又会急剧增加，这些都说明GDP与用电量之间存在着稳定且显著的正相关关系。例如2014年一季度，广东GDP完成13 636.91亿元，同比增长7.2%，二季度GDP则同比增长7.5%，相应地，全社会用电量增长7.2%，增幅比一季度提高0.7个百分点。图1给出了近年来广东省全社会用电量与GDP指标的变化曲线，由图1可知，GDP与用电量的变化趋势基本一致，关联程度非常大。

图1 广东省全社会用电量增速与GDP增长比较（1991—2010）

通常来说，电力消费弹性系数可以表示用电量增长率与GDP增长率之间的关系。随着GDP的变化，电力消费弹性系数在各年中有所变化十分常见，但从周期来看，电力消费弹性系数的变化是有一定规律的。在经济上行周期，若用电量的增长速度比经济发展的速度还高，电力消费弹性系数将增大，表现为地区用电量的增长速度也持续加快；而当GDP增长速度放缓时，若用电量的增长速度低于GDP增长速度，那么电力消费弹性系数将减小。例如在广东上一轮的经济上行周期中，2002—2004年全省电力消费弹性系数分别为0.93、1.04、1.09，而2010年至今，广东电力消费弹性系数在1.03左右波动，处于一个正常的范围。

1.2 产业结构变化与用电量的关系

不同经济发展阶段对应着不同的产业结构，而产业结构和用电结构的改变必然影响着最终的用电需求。因为各产业对用电量的需求大小并不一致，导致产业结构会对用电量造成重要影响，像第二产业和第三产业对电力的需求就要比第一产业大。改革开放以来，广东省的产业结构中，第一产业所占比例持续变小，二、三产业所占比例持续提高。根据统计数据，广东省近年来第二产业用电所占比重最大，其次是第三产业的用电比重，最后是第一产业，但因为广东处于工业化后期，第三产业发展迅速，导致第二产业用电量的增长速度放缓，其占全社会用电量的比重也在逐渐降低。例如，2010年广东第二产业的用电量比重为79.78%，而根据2013年1—11月的最新统计数据可知，其用电量比重则降低到67.09%。

1.3 人口因素对用电量的影响

从长远看来，人口数会对地区电力需求产生重要影响。人口数量的稳定增长必然会促进电力消费的增长。此外，人口结构的特性也会影响到居民生活用电的需求。广东省人口数量较大，尤其是随着近年城市化进程的加快以及外来务工人员的数量增多，广大城市人口数量急剧膨胀，这给城市电力供应带来了很大的压力。随着经济的增长和人民生活水平的提高，城乡居民的收入得到了大幅度的提高，这带来的一个显著效果就是改变了人们的消费意识，从以往满足照明等基本电力消费需求上升到使用空调等现代化电器的享受消费，必然会对居民用电量造成影响。从1986年到2010年，广东省居民生活用电占全社会用电总量的比重从12.3%上升到13.6%，而2013年头11个月的城乡居民生活用电量为661.3亿k W·h，同比增长2.05%。

2 现代用电量需求预测方法研究

传统的用电量需求预测方法包括直观预测法、回归分析法、时间序列分析法及趋势外推法等。但随着用电环境的日趋复杂，传统方法的预测准确度已经越来越难以满足形势发展的需要，因此有必要对用电量需求预测方法加以研究，提出能适应现代用电量需求预测发展的新方法。

2.1 基于灰色系统理论的地区电力需求预测模型

灰色系统理论以“部分信息明确，部分信息不明确”的“小样本”、“贫信息”不确定性为研究对象，主要通过利用部分明确的信息形成必要的有限序列和微分方程，以提取有价值的信息，从而实现对不明确信息发展趋势的预测。基于灰色系统理论的地区电力需求预测模型如下：

首先，根据历史负荷数据建立原始序列如下：

式中，n为用电量历史数据的样本数，这里指代抽取了前n年的用电量历史数据；X（0）（i）为前n年中第i年的用电量数据。

其次，对 X（0）作 1-GAO 运算，得到 X（0）的 1-GAO 序列 X（1）：

其中，X（1）（1）＝X（0）（1），X（1）（i）＝X（0）（i）＋X（1）（i－1）。

第三，按照GM（1，1）模型进行预测，计算方法如下：

式中，a为模型的发展参数，反映X（1）及其原始序列X（0）的发展趋势；b为模型的协调系数，反映数据间的变化关系。

设t＝（a，b）T，Y＝［X（0）（2），X（0）（3），…，X（0）（n）］T，B＝，则系数a、b可通过下式求出：

最后，进行需求预测模拟值求取。求得系数a、b后，解式（3）所示微分方程，可以得到GM（1，1）的预测模型：

根据式（5）求得X（1）的模拟值序列为｛X（1）′（1），X（1）′（2），…，X（1）′（n），X（1）′（n＋1）｝，然后按下式还原出X（0）的模拟值：

进而得到X（0）的模拟值序列为｛X（0）′（1），X（0）′（2），…，X（0）′（n），X（0）′（n＋1）｝，则X（0）′（n＋1）即当年的用电量需求预测值。

2.2 基于人工神经网络的地区电力需求预测模型

人工神经网络可以模仿人脑对大量非线性和非结构化的问题进行处理，具有优秀的预测能力。因为短期用电量需求受政治、经济等巨大转折影响的几率较低，可以被看作是一个平稳随机的过程，所以采用人工神经网络技术对短期用电量需求进行预测具有巨大的应用潜力，并且已经引起了越来越多技术人员的注意。基于人工神经网络的地区电力需求预测模型如下：

首先，建立样本数据。以广东汕头某区第四季度的用电量需求预测为例，样本数据x包括该地区历年各个季度的用电量历史数据，每一条样本由4个值组成［x（1）～x（4）］，代表该地区某年中4个季度的用电量历史数据（表1）。

其次，以每条样本数据中前3个季度的用电量［x（1）～x（3）］为BP神经网络模型输入值，第四季度的用电量为输出值进行网络训练。用BP网络的实际输出y与样本数据中第四季度用电量真值x（4）之间的误差来修正网络的连接权值，直至二者的误差达到设定值。这一较小值称为拟合误差，一般用实际输出与输出样本之间误差的平方和表示：