基于逐步回歸-灰色預(yù)測的中長期電力需求預(yù)測

張明慧 李存斌

摘 要： 隨著電力市場的發(fā)展，中長期電力需求預(yù)測的重要性日益顯現(xiàn)，準(zhǔn)確的電力需求預(yù)測不僅可以保證電網(wǎng)安全穩(wěn)定運行，而且是社會經(jīng)濟高效發(fā)展的基礎(chǔ)。在本文中應(yīng)用逐步回歸法對歷史數(shù)據(jù)進行分析計算，得出社會用電量的線性回歸方程，進而灰色預(yù)測法對線性回歸方程中的自變量進行預(yù)測，進而帶入線性回歸方程得到預(yù)測結(jié)果。最后對某地2020-2025年的電力需求做預(yù)測，總體趨勢顯示我國的電力需求在未來幾年將會穩(wěn)步增長。

關(guān)鍵詞： 電力需求預(yù)測;逐步回歸;灰色預(yù)測

電力工業(yè)是國民經(jīng)濟的支柱行業(yè)，電力工業(yè)的快速發(fā)展不僅為全社會的用電需求提供了保障，而且有力地支撐了經(jīng)濟社會的快速發(fā)展，各行各業(yè)的發(fā)展都離不開電力行業(yè)的支持。通過科學(xué)的電力需求預(yù)測來科學(xué)地規(guī)劃電力系統(tǒng)、適時調(diào)整電力供應(yīng)，不僅是保障電力工業(yè)健康、穩(wěn)定發(fā)展的重要條件，而且是電力生產(chǎn)調(diào)度和市場營銷的重要依據(jù)。

近年來，國內(nèi)外學(xué)者對電力需求預(yù)測的模型進行了研究，預(yù)測理論技術(shù)不斷地進行改進，其中電力需求預(yù)測的經(jīng)典方法有適用于大區(qū)域中長期預(yù)測的電力彈性系數(shù)預(yù)測法、適用于中短期宏觀預(yù)測的單耗法、適用于中長期宏觀預(yù)測的轉(zhuǎn)導(dǎo)法與類比法和適用于城市電網(wǎng)規(guī)劃方面預(yù)測的負(fù)荷密度法。隨著科學(xué)技術(shù)的不斷發(fā)展，新的預(yù)測技術(shù)不斷出現(xiàn)，如時間序列預(yù)測方法、回歸預(yù)測方法、投入產(chǎn)出預(yù)測方法、神經(jīng)網(wǎng)絡(luò)、遺傳算法（GA）和系統(tǒng)動力學(xué)（SD）等。汲國強等選用（對數(shù)平均迪氏指數(shù)）LMDI分解模型對用電增長量進行分解，根據(jù)影響因素分解為生產(chǎn)效應(yīng)、結(jié)構(gòu)效應(yīng)和強度效應(yīng)，然后選用布谷鳥搜索優(yōu)化的最小二乘支持向量機對各效應(yīng)進行擬合及預(yù)測在加總得到預(yù)測用電需求量[1]。程鵬等將人工神經(jīng)網(wǎng)絡(luò)和灰色預(yù)測方法相結(jié)合提出了一種并聯(lián)灰色神經(jīng)網(wǎng)絡(luò)預(yù)測方法[2]。徐聰穎等利用最優(yōu)權(quán)重組合將灰色線性回歸模型、二次指數(shù)模型、等維新息模型、殘差灰色模型4種模型進行組合，采用二元最優(yōu)組合的迭代尋優(yōu)算法來求取每個模型的權(quán)重，充分發(fā)揮集中模型各自的優(yōu)點[3]。孫利軍等建立了基于灰色預(yù)測和多元回歸預(yù)測的電力負(fù)荷組合預(yù)測，提高了預(yù)測精度[4]。程玉桂等建立了一個基于遺傳算法和BP算法相結(jié)合的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，具有更高的準(zhǔn)確性[5]。

1 電力需求影響因素分析

電力需求的變化受多種因素的影響，在進行中長期電力需求預(yù)測的過程中要重點研究各種相關(guān)因素對各行業(yè)電力需求的影響，比如，GDP（國民生產(chǎn)總值）的變化與電力消費的變動呈正相關(guān)關(guān)系，電價的變化影響用電企業(yè)的生產(chǎn)成本[6]，所以我們在進行預(yù)測的過程中需要的數(shù)據(jù)主要包括社會經(jīng)濟發(fā)展的主要指標(biāo)和未來趨勢、國民經(jīng)濟的發(fā)展戰(zhàn)略和產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、項目建設(shè)目標(biāo)、分行業(yè)用電量及負(fù)荷資料，包括年用電量、月度用電量、典型日負(fù)荷等、二次能源占能源消費比重及未來走勢、GDP單耗、各行業(yè)增加值單耗、主要產(chǎn)品單耗及未來走勢等因素。

在進行電力需求預(yù)測的過程中，要根據(jù)所要預(yù)測的實際問題來進行數(shù)據(jù)的選取，比如，宋曉華等在應(yīng)用多元回歸理論進行中長期電力需求預(yù)測的過程中，選擇GDP、人口數(shù)、城鎮(zhèn)居民人均可支配收入、第三產(chǎn)業(yè)與第二產(chǎn)業(yè)比值、農(nóng)村人均純收入作為自變量[6]。劉永強等在應(yīng)用系統(tǒng)動力學(xué)進行中長期電力需求預(yù)測的過程中，分別預(yù)測三大產(chǎn)業(yè)和居民生活用電，再將預(yù)測結(jié)果相加得到全社會的用電量[7]。所以在應(yīng)用不同的預(yù)測方法時所選取的數(shù)據(jù)是不同的，我們要根據(jù)預(yù)測方法來選取相應(yīng)的自變量。

2 電力需求預(yù)測模型構(gòu)建

在進行電力需求預(yù)測的過程中，首先要根據(jù)預(yù)測區(qū)域的電力需求影響因素進行分析，進而將量化后的影響因素作為解釋變量代入逐步回歸中進行計算，利用歷史數(shù)據(jù)計算出電力需求預(yù)測與各影響因素之間的關(guān)系，即得到回歸方程。進而應(yīng)用灰色預(yù)測法對線性回歸方程中的解釋變量進行預(yù)測，并通過后驗差檢驗對預(yù)測結(jié)果進行模型精度等級判斷。最后將預(yù)測的解釋變量的值代入回歸方程中，得到最終預(yù)測結(jié)果。

3 算例

3.1 確定回歸方程

本文以某地的電力需求為對象進行預(yù)測，選取2008—2018年的數(shù)據(jù)為歷史數(shù)據(jù)進行逐步回歸，并選取城鎮(zhèn)居民人均可支配收入、農(nóng)村居民人均可支配收入、人口數(shù)、產(chǎn)業(yè)結(jié)構(gòu)（3/2）、GDP和用電量作為自變量，社會用電量作為因變量。本文用MATLAB軟件來進行逐步回歸算法的計算，逐步回歸計算的結(jié)果顯示， 最終自變量產(chǎn)業(yè)結(jié)構(gòu)（3/2）和GDP作為回歸模型中的自變量，且線性回歸方程為y=19212.9-8351.64*x4+0.0712222*x5。

3.2 預(yù)測自變量取值

同樣選取2008—2018年的數(shù)據(jù)為歷史數(shù)據(jù)來進行灰色預(yù)測，分別對產(chǎn)業(yè)結(jié)構(gòu)（3/2）和GDP在2020—2025年的數(shù)值進行預(yù)測。應(yīng)用MATLAB平臺來進行灰色預(yù)測，產(chǎn)業(yè)結(jié)構(gòu)（3/2）和GDP預(yù)測結(jié)果分別如下表所示。對產(chǎn)業(yè)結(jié)構(gòu)（3/2）進行灰色預(yù)測的結(jié)果進行后驗差檢驗可得，均方差比值C為0.1235，小誤差概率P為1，可見預(yù)測結(jié)果的等級為好。

3.3 預(yù)測計算及結(jié)果分析

將產(chǎn)業(yè)結(jié)構(gòu)（3/2）和GDP在2019—2025年的預(yù)測結(jié)果代入回歸方程中可得2019—2025年的社會用電量，結(jié)果如下表所示。

通過分析預(yù)測結(jié)果可知，2019—2025年某地社會用電量呈穩(wěn)定增長趨勢，且到2024年該地社會用電量將突破10萬億千瓦時，且社會用電量呈穩(wěn)定增長趨勢。

4 結(jié)論

在進行電力需求預(yù)測的過程中，影響電力需求預(yù)測的因素有很多，而我們在做預(yù)測的過程中受因素可否量化和預(yù)測方法的限制等的影響，預(yù)測結(jié)果會存在一定程度的誤差。因而我們在做電力需求預(yù)測的過程中可重點考慮某些因素來選擇指標(biāo)和預(yù)測方法，或者選擇組合預(yù)測方法來進行預(yù)測，充分利用各預(yù)測方法的優(yōu)勢并克服缺點，為規(guī)劃提供可靠的參考。

參考文獻：

[1]汲國強，李順昕，趙偉博，等.基于對數(shù)平均迪氏指數(shù)-布谷鳥搜索算法-最小二乘支持向量機的區(qū)域中長期電力需求預(yù)測[J].科學(xué)技術(shù)與工程，2018，18（10）：213-218.

[2]程鵬，韋雅君，李金穎，甄成剛.基于改進的并聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型在電力需求預(yù)測中的應(yīng)用[J].廣東電力，2011，24（8）：13-16.

[3]徐聰穎，廖峰，陳震海.灰色組合模型在中長期電力負(fù)荷預(yù)測中的應(yīng)用[J].電力需求側(cè)管理，2011，13（2）：20-23.

[4]孫利軍，劉冬.基于灰色理論和回歸分析的中長期電力負(fù)荷組合預(yù)測研究[J].華北電力大學(xué)學(xué)報社會科學(xué)版，2011（S2）：132-134.

[5]程玉桂，黎明.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的城區(qū)中長期電力負(fù)荷預(yù)測與分析[J].計算機應(yīng)用，2010，30（1）：224-226.

[6]宋曉華，祖丕娥，陳靈青.基于多元線性回歸理論的中長期電力需求預(yù)測[J].時代經(jīng)貿(mào)，2012（14）：64-65.

[7]劉永強，韋凌云.系統(tǒng)動力學(xué)方法的中長期電力需求預(yù)測[J].電力科學(xué)與工程，2002（3）：4-6.