“十三五”期间华北电网负荷预测研究

胡娱欧张艳馥张永强

（1.华北电力大学，北京 102206；2.国家电网公司华北分部，北京 100053；3.中国电力财务有限公司华北分公司，北京 100069）

“十三五”期间华北电网负荷预测研究

胡娱欧1，2张艳馥1张永强3

（1.华北电力大学，北京 102206；2.国家电网公司华北分部，北京 100053；3.中国电力财务有限公司华北分公司，北京 100069）

电力负荷预测是电网规划的重要组成部分，其结果直接关系到电网安全、经济和可靠运行。随着经济新常态的出现和产业结构调整升级，“十三五”期间华北电网电力负荷增长特性将发生变化。本文分别利用支持向量机、最大负荷利用小时数法和趋势外推三种方法，综合考虑影响因素、专家经验和历史变化规律，对华北电网“十三五”期间电力负荷进行了预测。最后，综合三类方法的预测结果，得到华北电网2015年、2020年最大负荷约为20000万kW和26000万kW，“十三五”期间负荷增速约为5.4%。

电力负荷；预测；十三五

电力负荷预测是电网规划工作的重要组成部分，对电力系统规划和运行具有重要的意义，其预测结果直接关系到电网安全、经济及可靠运行［1］。近年来，华北地区不断加强经济增长方式转变及产业结构调整，这将导致华北电网 电力负荷增长特性发生显著变化。因此，应准确把握华北电网电力负荷变化规律及“十三五”期间发展趋势，为华北地区中长期电源和电网规划与建设提供依据［2］。

迄今为止，不同学者已经将多种方法应用于负荷预测领域，其中一些已在实际工作中应用并取得一定成效。这些预测方法大致可分为:经典预测方法、传统预测方法和现代预测方法三个种类［3］。经典预测方法包括单耗法、最大负荷利用小时数法、弹性系数法、负荷密度法等，这些方法充分利用专家和相关工作人员的实践经验，结合变量之间的相关关系对未来电力负荷发展趋势进行预测［4］。传统预测方法主要包括回归分析法、时间序列法和趋势分析法等，传统预测方法对数据的要求较高，且不同的模型得到的结果相差较大，应结合地方发展情况选择合适的模型［5］。现代预测方法包括人工神经网络预测方法、灰色预测法和支持向量机预测方法等，这种方法较前两类方法更能处理负荷和其影响因素之间的非线性关系，实现电力负荷的多因素预测［6］。为充分发挥不同方法的特点和优势，改善单一模型的拟合能力，提高电力负荷预测的整体预测精度，本文分别利用三类预测方法对“十三五”期间华北电网电力负荷进行预测。

首先，构建基于支持向量机的电力负荷预测模型，利用灰色关联分析法得到影响华北电网电力负荷的关键影响因素，充分考虑经济发展、产业结构等因素对电力负荷水平的影响作用，结合支持向量机实现电力负荷预测。然后，综合专家经验值和负荷特性变化趋势，构建基于最大负荷利用小时数的电力负荷预测模型。最后，充分考虑电力负荷值变化规律和发展趋势，构建基于趋势外推法的电力负荷预测模型。综合考虑三种方法的预测结果，提出“十三五”期间华北电网电力负荷需求水平。

1 基于支持向量机的电力负荷预测

1.1 基于支持向量机的负荷预测模型

支持向量机是在统计学理论的基础上发展的一种全新的机器分类方法。该方法利用非线性映射算法将低维输入空间的样本映射到高维属性空间，使得对样本非线性特性的分析成为可能［7］。支持向量机算法本质上是凸优化问题，使学习器能够得到的局部最优解一定是全局最优解。支持向量机利用结构风险最小化理论在属性空间构建最优化分割超平面，因此能够得到全局最优解，这些特点是包括神经网络等其他算法不能实现的［8］。因此，无论从理论基础还是应用前景来看，SVM在很多方面较其他方法具有较强的优越性。

作为SVM的一种扩展，LS-SVM是将输入向量非线性的投射高维空间中，构造最优决策面，然后应用风险最小化原则，将SVM的不等式运算转化为方程组的求解运算，通过比SVM简单的计算过程，加快运算速度［9-10］。该模型的具体原理如下所述。

式中，ϕ（*）是把训练样本投射到一个高维空间；w是加权向量；b是偏置。

LS-SVM的优化问题变为

式中，i=1，2，3，…，N。

为求上述问题，建立拉格朗日函数，即

式中，ai为拉格朗日乘子，对函数的各个变量进行求导，并令其为零，得

求解以上线性方程组得到

将华北地区电力负荷预测的相关输入变量代入式（7）中，即可得到负荷预测结果。

1.2 基于灰色关联法的电力负荷影响因素筛选

近年来随着能源发展方式转变，电力负荷特性呈现出一些新的特点。对中长期负荷进行预测时，有必要准确把握华北电网 2015—2020年电力负荷的发展趋势，考虑电力负荷影响因素日益复杂的发展特征，充分分析各因素对负荷水平的影响作用，得到更准确的预测结果。

通过对电力负荷特性影响因素以及华北地区历年用电负荷特性的分析，可知地区经济发展、产业结构、居民收入与消费、电价、电力需求侧管理以及气候气温等因素均对地区电力负荷有重要影响［11］。然而，在实际应用中，过多影响因素的考虑可能会导致噪声因素的引入，降低预测结果的精度；而主导因素考虑不足，又不利于预测工作的开展。因此，在预测建模过程中如何有效辨识电力负荷的主导因素显得尤为重要。因此，本文采用灰色关联理论，通过计算各影响因素与电力需求间的关联系数，筛选影响华北电网电力负荷水平的主要相关因素。

1）确定参考序列和比较序列

本文以华北电网 2000—2012年最大负荷为参考序列，以影响电力负荷的因素作为比较序列。基于电力负荷特性影响因素以及华北地区用电负荷特性分析，可知地区经济发展、产业结构、居民收入与消费、电价、电力需求侧管理以及气候气温等因素均对地区电力负荷产生重要影响。考虑我国销售电价分类复杂，且各类用户电价及电价政策各不相同，涉及因素较多，因此很难量化电价对负荷变化的影响。此外，电力需求侧管理因素对电力负荷的影响也无法用特定变量进行量化。因此，本文选取的影响华北地区用电负荷增长的初始指标见表1。

表1 电力负荷影响因素

2）计算各影响因素与年最大负荷的灰色关联系数

首先对原始数据进行无量纲化处理，计算各比较序列与参考序列的绝对关联度和相对关联度，在此基础上计算各比较序列与参考序列的综合关联度。最终的灰色关联系数计算结果见表2。

表2 最大负荷与影响因素的灰色关联系数

根据华北电网年最大负荷与其影响因素的灰色关联分析结果可知，华北地区电力负荷相关影响因素与负荷水平的灰色关联系数均比较高。在各类影响因素中选取灰色关联系数最高且大于 0.5的因素作为影响华北地区年最大负荷的主要因素。因此，本文选择地区生产总值、二产增加值占GDP比重、居民消费水平三个因素作为华北地区电力负荷预测的影响因素。

1.3 基于支持向量机多因素电力负荷预测结果

1）影响因素发展情景分析

根据华北地区经济发展的相关规划，以及行业用电影响因素的发展趋势，对影响用电需求的各因素设置高中低三个发展情景，从而进一步对华北地区各行业电力需求进行预测，三种情景具体特征描述见表3。

表3 华北地区电力负荷影响因素发展情景设定

2）预测结果

将2000—2012年华北地区年最大负荷、影响因素及其未来发展情景，带入Matlab中支持向量机计算模型，以 2013—2014年的负荷数据作为测试样本，得到预测模型的平均误差率为4.4%，利用该方法的负荷预测精度较高。因此，得到2015—2020年华北电网最大负荷预测结果见表4。

表4 基于向量机华北电网最大负荷预测结果

2 基于最大负荷利用小时数法的电力负荷预测

“十一五”期间华北电网最大负荷利用小时数除2009年同比有所下降外，大多数年份呈现不同程度的增长，从增长趋势来看，“十二五”期间华北电网最大负荷利用小时数呈逐年放缓的增长趋势，2012年受经济下行的影响，利用小时数有所降低。

未来一段时间，重化工化发展、峰谷分时电价以及电能在终端能源消费中的比例上升等因素有利于最大负荷利用小时数上升，智能用电技术的不断进步和需求侧管理的加强促进电网负荷更加均衡，也将提升最大负荷利用小时数。但另一方面，从经济发展形势看，未来一段时间内，随着经济增长方式的转变以及产业结构的调整，三产加快发展、居民消费升级，两者用电比重将持续增大，并成为影响最大负荷利用小时数的主要因素，因此，预计华北地区最大负荷利用小时数整体上应呈现平稳下降趋势［12］。

基于最大负荷利用小时数的电力负荷预测，首先需要利用合理的方法预测未来华北电网最大负荷利用小时数水平，然后，在全社会用电量预测的基础上，得到华北地区2015—2020年最大负荷。

最大负荷利用小时数受经济发展、产业结构调整、居民生活水平、气候气温等多方面因素的影响，且各影响因素之间也存在一定关系。灰色预测模型对于解决信息不完全、影响因素复杂的问题具有较强的适应性，并能够通过较少的历史数据得到较高的预测精度。因此，本文根据2007—2014年华北电网最大负荷利用小时数历史数据，利用灰色预测模型对华北电网 2015—2020年最大负荷利用小时数进行预测，并结合华北地区全社会用电量预测结果，得到华北电网最大负荷预测结果见表5。

表5 基于最大负荷利用小时数法的华北电网最大负荷预测结果

综合分析，2015年华北电网最大负荷利用小时数6652h，最大负荷19170～19731万kW；2020年最大负荷利用小时数 6514h，最大负荷 23768～25514万 kW；“十三五”期间华北电网最大负荷的平均增速为4.39%～5.28%。

3 基于趋势外推法的电力负荷预测

对 2000—2013年华北电网最大负荷采用三阶多项式回归［13］，建立模型如下

对 2000—2013年华北电网最大负荷采用二阶多项式回归，建立模型如下

对 2000—2013年华北电网最大负荷采用线性回归，建立模型如下

以2014年华北电网最大负荷作为校对标准，对三种回归模型的计算结果赋权，得到应用趋势外推方法计算的华北电网最大负荷结果见表6。

表6 基于趋势外推法的华北电网最大负荷预测结果

4 华北电网2015—2020年电力负荷综合预测结果

4.1 预测结果综合分析

基于最大负荷利用小时数法的预测结果显示，华北电网2015、2020年最大负荷约为19509万kW和 24621万 kW，“十三五”期间的年均增速约为4.77%。

基于趋势外推法的预测结果显示，华北电网2015、2020年最大负荷约为20299万kW和26567万kW，“十三五”期间的年均增速为5.53%。

基于SVM多因素电力负荷预测结果显示，华北电网2015与2020年最大负荷约为21700万kW和28500万 kW，“十三五”期间年均增速为 5.36%～6.13%。

综合以上分析结果，华北电网2015、2020年最大负荷约为20000万kW和26000万kW，“十三五”期间的年均增速约为5.4%。最终的预测结果见表7。

表7 华北电网2015—2020年最大负荷综合预测结果

4.2 预测结果校核

首先，根据历史增长率对负荷预测结果进行校验。华北电网最大负荷近十年来均保持着较高的增长速度，2000年最大负荷4632万kW，2005年达到7959万kW，“十五”期间年均增速为12.9%；2010年达到14385万kW，“十一五”期间年均增速达到12.7%，“十二五”前三年年均增速为6.2%。

根据本文负荷预测结果，“十三五”年均增速为5.4%，增速略有降低。“十五”、“十一五”华北地区重工业如钢铁、化工、水泥投产较多，极大的带动了负荷的快速增长，但随着国家节能减排政策的大力推进和能源、资源、环境等因素的制约，重工业增长将持续放缓。综合考虑华北地区经济发展方式转变、产业结构调整、电能替代、居民生活水平提高等因素影响，“十三五”期间用电负荷增速将有所下降。

其次，比较华北电网“十三五”期间用电量与最大负荷的年均增长率，用电量年均增速约为5.2%，低于最大负荷的年均增速5.4%。考虑未来华北地区第三产业与居民用电比重的增长，最大负荷增速将高于用电量增速。

由此可见负荷预测结果合理。

5 结论

本文采用3种方法对华北电网2015—2020年电力负荷进行了分析预测。首先，利用灰色关联-支持向量机对电力负荷进行了预测，充分考虑了经济增长、产业结构调整、居民生活水平等因素对负荷增长的影响作用。第二，综合专家经验和最大负荷利用小时变化规律，利用最大负荷利用小时数法对电力负荷进行了预测。第三，综合考虑电力负荷变化规律和发展趋势，利用趋势外推法对电力负荷进行了预测。最后，在3种方法预测结果的基础上，得到2015、2020年华北电网最大负荷分别约20000万kW和26000万kW，“十三五”期间负荷年均增速约为5.4%。

［1］李玉梅.组合预测方法在中长期电力负荷预测中的应用［D］.成都：四川大学，2006.

［2］李艳红，雷金辉.电力负荷时间序列预测的应用与研究［J］.科学技术与工程，2011，4（4）：860-864.

［3］强同波.几种电力负荷预测方法在用电分析系统中的应用［J］.山东电力高等专科学校学报，2005，1（1）：68-71.

［4］吴茜.电力负荷预测方法综述［J］.科技与企业，2012（13）：359.

［5］Li P O，LI M，LIU D.Power load forecasting based on improved regression［J］.Power System Technology，2006，1：023.

［6］Dong L，Xu J，Liu H，et al.Research on development trends of power load forecasting methods［C］// Proceedings of the 2012 International Conference on Cybernetics and Informatics，2014：2331-2337.

［7］蒋喆.支持向量机在电力负荷预测中的应用研究［J］.计算机仿真，2010，8（8）：282-285.

［8］王浩鸣.基于支持向量机的电力负荷预测研究［D］.天津：天津大学，2009.

［9］Niu Dongxiao，Wang Yongli，Wu D D.Power loadforecasting using support vector machine and ant colony optimization［J］.Expert Systems With Applications，2010，37（3）：2531-2539.

［10］Wang Jianjun，Li Li，Niu Dongxiao，et al.An annual load forecasting model based on support vector regression with differential evolution algorithm［J］.Applied Energy，2012，94：65-70.

［11］叶世杰.基于多指标模型的电力负荷预测研究［D］.重庆：重庆大学，2010.

［12］侯永辉.中长期电力负荷预测的研究与应用［D］.郑州：华北水利水电大学，2013.

［13］李晗书.时间序列分析在电力负荷预测中的应用研究［D］.秦皇岛：燕山大学，2009.

Research on Power Load Forecasting during the“Thirteenth Five-year”in North China

Hu Yuou1，2Zhang Yanfu1Zhang Yongqiang3
（1.North China Electric Power University，Beijing 102206；2.North China Branch of State Grid Corporation of China，Beijing 100053；3.State Grid Yingda Group CPFC Huabei Branch，Beijing 100069）

Power load forecasting is an important content of power system planning，the results of which will directly related to the security，economical and reliable operation of power grid.With the emergence of new normal economy and the advancement of industrial structure adjustment in north China，the power load characteristics during the“Thirteenth Five-year”will change significantly.In this paper，three forecasting methods are employed to power load of North China power grid，such as the support vector machine（SVM），the peak load equivalent hour method and trend extrapolation method.Finally，the comprehensive results are obtained based on three methods，which considers the influence factors，the characteristics of the expert experience and the historical change trend.The comprehensive results show that the maximum load of North China power grid will reach 200 million kW and 260 million kW in 2015 and 2020，respectively； and the power load will increase with a growth of 5.4% during the“Thirteenth Five-year”.

power load；forecasting；Thirteenth Five-year

胡娱欧（1984-），女，硕士研究生，工程师，主要从事电网规划工作。

华北电网电力负荷预测区域包括北京电网、天津电网、冀北电网、河北南网、山西电网、山东电网和内蒙古西部电网