基于市場的中長期電力消費(fèi)需求預(yù)測

傅守強(qiáng)，汪瑩，劉素伊，葉承晉，劉暢，劉洋，岳云力，游沛羽（.國網(wǎng)冀北電力有限公司經(jīng)濟(jì)技術(shù)研究院，北京00055；.國網(wǎng)北京經(jīng)濟(jì)技術(shù)研究院，北京0005；.浙江大學(xué)電氣工程學(xué)院，浙江杭州007；.國家電力調(diào)度控制中心，北京000）

基于市場的中長期電力消費(fèi)需求預(yù)測

傅守強(qiáng)1，汪瑩2，劉素伊1，葉承晉3，劉暢4，劉洋1，岳云力1，游沛羽2
（1.國網(wǎng)冀北電力有限公司經(jīng)濟(jì)技術(shù)研究院，北京100055；2.國網(wǎng)北京經(jīng)濟(jì)技術(shù)研究院，北京100052；3.浙江大學(xué)電氣工程學(xué)院，浙江杭州310027；4.國家電力調(diào)度控制中心，北京100031）

中長期電力消費(fèi)需求與市場發(fā)展密切相關(guān)，目前的電力需求預(yù)測方法對市場的關(guān)注度遠(yuǎn)遠(yuǎn)不夠。文中從市場著眼，建立基于宏觀經(jīng)濟(jì)、產(chǎn)業(yè)結(jié)構(gòu)和終端能源結(jié)構(gòu)等市場因素的電力消費(fèi)需求預(yù)測模型。將經(jīng)濟(jì)增長構(gòu)成要素分為投資、消費(fèi)、出口3個(gè)方面，運(yùn)用向量自回歸（VAR）模型表征電力消費(fèi)的時(shí)間序列與經(jīng)濟(jì)指標(biāo)時(shí)間序列的關(guān)系。采用灰色理論常見模型GM（1，1）的精確形式DGM（1，1）模型對分產(chǎn)業(yè)用電量進(jìn)行預(yù)測。根據(jù)馬爾可夫預(yù)測無后效性的特點(diǎn)，建立最優(yōu)化模型求取預(yù)測年份的終端能源概率。采用殘差均方根來反映預(yù)測模型對歷史數(shù)據(jù)的擬合程度，確定各預(yù)測方法權(quán)重，進(jìn)行組合預(yù)測。文中以某省電力消費(fèi)數(shù)據(jù)為實(shí)例，預(yù)測該省中長期電力需求，并通過校驗(yàn)證明了方法的準(zhǔn)確性。

電力需求預(yù)測；經(jīng)濟(jì)增長因素；產(chǎn)業(yè)結(jié)構(gòu)；終端能源結(jié)構(gòu)；VAR模型灰色理論；馬爾科夫過程殘差均方根

中長期電力需求預(yù)測是指未來3～5年甚至更長時(shí)間段內(nèi)的預(yù)計(jì)電力消費(fèi)量，是電網(wǎng)改造和擴(kuò)建工作遠(yuǎn)景規(guī)劃的重要依據(jù)[1]。綜合國內(nèi)外對電力系統(tǒng)長期負(fù)荷預(yù)測的研究，當(dāng)前采用的預(yù)測技術(shù)和模型主要分為傳統(tǒng)方法、經(jīng)典方法、智能方法三大類[2]。方法不同，但大多單純地依靠電力需求歷史數(shù)據(jù)進(jìn)行預(yù)測，而對經(jīng)濟(jì)發(fā)展、國家政策等市場因素關(guān)注度不夠；個(gè)別方法考慮了市場的因素，但僅僅用單一經(jīng)濟(jì)指標(biāo)來反映，模型過于簡單粗糙，預(yù)測精度不高[3-9]。

本文將電力消費(fèi)的市場影響因素分為宏觀經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、終端能源消費(fèi)結(jié)構(gòu)3個(gè)方面，提出了基于市場的電力消費(fèi)需求預(yù)測，采用多種方法建立電力需求與這3方面市場因素的模型，并進(jìn)行了組合預(yù)測。

1　基于市場的中長期電力消費(fèi)需求預(yù)測模型的建立

1.1基于經(jīng)濟(jì)增長的VAR模型

根據(jù)經(jīng)濟(jì)學(xué)理論，可將經(jīng)濟(jì)增長構(gòu)成要素分為投資、消費(fèi)、出口3個(gè)方面，形成3個(gè)時(shí)間序列變量。采用向量自回歸（VAR）模型[10]能較好的解決多個(gè)時(shí)間序列變量的分析預(yù)測問題。

在VAR模型基礎(chǔ)上探究電力需求與經(jīng)濟(jì)三大增長因素是否具有長期均衡關(guān)系，分析經(jīng)濟(jì)增長各個(gè)因素對電力消費(fèi)的影響機(jī)理和影響程度，進(jìn)而建立電力需求的預(yù)測模型。

1.1.1單位根檢驗(yàn)

非平穩(wěn)序列需要通過單位根檢驗(yàn)，證明其為n階單穩(wěn)序列之后，方可建立VAR模型。單位根檢驗(yàn)的常見方法是ADF檢驗(yàn)。具體方法是估計(jì)回歸方程式：

式中，p為滯后階數(shù)；ut為殘差。a為常數(shù)項(xiàng)；δt為時(shí)間趨勢項(xiàng)，這兩項(xiàng)是否為0可以通過觀察時(shí)間序列曲線是否存在偏離0的位置隨機(jī)波動(dòng)或具有線性趨勢來判定。

該檢驗(yàn)的零假設(shè)為H0∶η=0；備擇假設(shè)為H1∶η＜0。通過檢驗(yàn)η的估計(jì)值η贊是否不拒絕原假設(shè)，進(jìn)而判斷一個(gè)高階自相關(guān)序列是否存在單位根。如果單位根全部落在單位圓內(nèi)，則說明序列穩(wěn)定。若序列是不平穩(wěn)的，還需對其差分后進(jìn)一步檢驗(yàn)，直到拒絕原假設(shè)，來確定該序列的單整階數(shù)。

1.1.2VAR模型

VAR（p）模型的數(shù)學(xué)表達(dá)式是：

式中，yt為k維內(nèi)生變量列向量；xt為d維外生變量列向量；p為滯后階數(shù)；T為樣本個(gè)數(shù)。k維矩陣Φ1，…，Φp和k×d維矩陣H是待估計(jì)的系數(shù)矩陣。εt是k維擾動(dòng)列向量。

VAR模型中的一個(gè)重要問題是滯后階數(shù)的確定。常用AIC信息準(zhǔn)則和SC準(zhǔn)則、LR（似然比）檢驗(yàn)等方法確定VAR模型滯后結(jié)構(gòu)。本文采用AIC信息準(zhǔn)則和SC準(zhǔn)則，計(jì)算方法可由下式給出：

其中，n=k（d+pk）是被估計(jì)的參數(shù)總數(shù)。假定服從多元正態(tài)（高斯）分布計(jì)算對數(shù)似然值l：

AIC和SC信息準(zhǔn)則要求它們的值越大越好[11]。

1.1.3協(xié)整檢驗(yàn)

雖然經(jīng)濟(jì)變量本身是非平穩(wěn)序列，但其線性組合卻可能是平穩(wěn)的。這種平穩(wěn)的線性組合被稱為協(xié)整方程且可被解釋為變量之間的長期穩(wěn)定的均衡關(guān)系。適用于VAR模型的協(xié)整檢驗(yàn)是基于回歸系數(shù)的Johansen協(xié)整檢驗(yàn)[12]。協(xié)整的定義如下：

k維向量yt的分量間被成為d，b階協(xié)整，記為yt～ CI（d，b），如果滿足：1）yt～I(xiàn)（d），要求yt每個(gè)分量滿足yit～I(xiàn)（d）；2）存在非零向量β，使得β′yt～I(xiàn)（d-b），0＜b≤d。則簡稱yt是協(xié)整的，向量β又稱為協(xié)整向量。

對于式（2）中的VAR模型，若y1t，y2t，…，ykt都是非平穩(wěn)的I（1）變量，則將式（2）經(jīng)過差分變換以后，可以得到下面的式子：

由于I（1）過程經(jīng)過差分變換將變成I（0）過程，即上式中的Δyt，Δyt-i（j=1，2，…，p）都是I（0）變量構(gòu)成的向量，那么只要∏yt-1是I（0）的向量，即y1，t-1，y2，t-1，…，yk，t-1之間具有協(xié)整關(guān)系，就能保證Δyt是平穩(wěn)過程[13]。用具有協(xié)整關(guān)系的表達(dá)式即可進(jìn)行電力需求預(yù)測。

協(xié)整檢驗(yàn)結(jié)果需要通過檢驗(yàn)確定協(xié)整方程的數(shù)量[14]。檢驗(yàn)的方法包括：跡統(tǒng)計(jì)量、最大特征值統(tǒng)計(jì)量以及根據(jù)MacKinnon-Haug-Michelis提出的臨界值所得到的P值[15]。

上述步驟可總結(jié)流程如圖1所示。

1.2基于產(chǎn)業(yè)結(jié)構(gòu)發(fā)展的灰色理論模型

基于產(chǎn)業(yè)結(jié)構(gòu)發(fā)展預(yù)測電力需求，需要分別對各產(chǎn)業(yè)的用電量情況做預(yù)測，這在實(shí)際中常常采用產(chǎn)值單耗法進(jìn)行預(yù)測。

各產(chǎn)業(yè)單位增加值電耗和各產(chǎn)業(yè)增加值的變化數(shù)據(jù)，既含有已知信息又含有未知或非確定信息，對這樣的系統(tǒng)進(jìn)行預(yù)測，更適合采用在一定方位內(nèi)變化的、與時(shí)間有關(guān)的灰色理論模型進(jìn)行預(yù)測。

根據(jù)預(yù)測年產(chǎn)值單耗指標(biāo)和各產(chǎn)業(yè)的國內(nèi)生產(chǎn)總值目標(biāo)，分別計(jì)算出各產(chǎn)業(yè)預(yù)測年的耗電量，然后與居民生活消費(fèi)電量相加，便得到電力需求預(yù)測值。相應(yīng)的公式為：

圖1　基于經(jīng)濟(jì)增長的VAR模型預(yù)測流程圖Fig.1　Forecasting flow chart of VAR model based on economic development

式中，Wt為預(yù)測年消費(fèi)電量；Ki為產(chǎn)業(yè)的產(chǎn)值單耗；GDPit為產(chǎn)業(yè)預(yù)測年的產(chǎn)值（以不變價(jià)格計(jì)算）；W′t為預(yù)測年居民生活消費(fèi)電量。

GM（1，1）模型是一種最常用的灰色預(yù)測模型。其建模的實(shí)質(zhì)是確定微分方程的系數(shù)，將時(shí)間序列轉(zhuǎn)化為微分方程，通過灰色微分方程可以建立抽象系統(tǒng)的發(fā)展模型。

深度學(xué)習(xí)應(yīng)用研究（#1、#4、#5、#7聚類） 基于學(xué)科教學(xué)的深度學(xué)習(xí)研究主要集中在如何在課堂教學(xué)上開展深度學(xué)習(xí)。2015年，余勝泉通過學(xué)習(xí)原平臺(tái)，創(chuàng)造出一門師生互教互學(xué)的課程，通過生成性教學(xué)目標(biāo)、開放性教學(xué)活動(dòng)等方式，激發(fā)學(xué)生參與教學(xué)的熱情，提升學(xué)生的認(rèn)知投入水平，促進(jìn)學(xué)生深層次學(xué)習(xí)，并培養(yǎng)學(xué)生的創(chuàng)新意識(shí)[7]。張國榮在2016年運(yùn)用翻轉(zhuǎn)課堂教學(xué)模式開展教學(xué)實(shí)踐研究，利用課堂中“教師主導(dǎo)作用，學(xué)生主體作用”的教學(xué)理念，調(diào)動(dòng)學(xué)生的自主性，引發(fā)學(xué)生發(fā)現(xiàn)問題、解決問題的能力，從而促進(jìn)學(xué)生深度學(xué)習(xí)[8]。

本文采用的模型

稱為模型DGM（1，1），是GM（1，1）模型的離散形式[16]。DGM（1，1）模型全面符合灰色預(yù)測模型的建模機(jī)理，可以解釋原GM（1，1）模型從離散形式到連續(xù)形式轉(zhuǎn)變問題，是其精確形式，能有效解決中長期預(yù)測時(shí)GM（1，1）模型精度降低的問題。

方程中系數(shù)β1，β2按最小二乘法求：

式中，

對其還原得：

1.3基于終端能源結(jié)構(gòu)的馬爾科夫過程模型

1.3.1馬爾可夫過程

設(shè)隨機(jī)過程{X（t），t∈T}的狀態(tài)空間為I。如果對時(shí)間t的任意n個(gè)數(shù)值t1，t2，…，tn，n≥3，ti∈T，在條件X（ti）=xi，xi∈I，i=1，2，…，n-1下，X（tn）的條件分布函數(shù)與在條件X（tn-1）=xn-1下X（tn）的相等，即：

則稱過程{X（t），t∈T}具有馬爾可夫性或無后效性，并稱此過程為馬爾科夫過程。

1.3.2轉(zhuǎn)移概率矩陣

馬爾科夫過程可用條件概率來描述。為了方便，將當(dāng)前時(shí)刻的狀態(tài)記為xi，下一時(shí)刻的狀態(tài)記為xj，則條件概率的公式可寫為：

式中，Pij是過程從狀態(tài)xi到狀態(tài)xj的轉(zhuǎn)移概率。如果在一次狀態(tài)轉(zhuǎn)移中轉(zhuǎn)移概率與t時(shí)刻無關(guān)，且為一常數(shù)，即：

則稱此馬爾科夫過程為時(shí)間齊次的。在能源結(jié)構(gòu)的研究中，只涉及離散的齊次馬爾科夫過程。由轉(zhuǎn)移概率組成的矩陣P（m，m+n）=（Pij（m，m+n））稱為馬氏鏈的轉(zhuǎn)移概率矩陣[18]。由于在時(shí)刻從任何一個(gè)狀態(tài)xm出發(fā)，到另一狀態(tài)xm+n，路徑必然經(jīng)過x1，x2，…，xn中的一個(gè)或若干個(gè)，所以：

即轉(zhuǎn)移概率矩陣的每一行元素之和等于1。當(dāng)轉(zhuǎn)移概率的步長為1時(shí)，稱轉(zhuǎn)移概率矩陣為一步轉(zhuǎn)移概率矩陣，記為：

寫成遞推關(guān)系為：

用馬爾可夫預(yù)測模型來預(yù)測能源結(jié)構(gòu)未來狀態(tài)的具體步驟為：確定系統(tǒng)狀態(tài)；確定一步轉(zhuǎn)移概率矩陣；利用公式求解某一狀態(tài)下的概率；求解平衡狀態(tài)的概率，對預(yù)測結(jié)構(gòu)進(jìn)行分析。在馬爾可夫預(yù)測模型中，關(guān)鍵是一步轉(zhuǎn)移矩陣的確定。

設(shè)S（t）=（pt（1），pt（2），…，pt（n））是時(shí)刻t系統(tǒng)在n個(gè)狀態(tài)下的概率向量t=1，2，…，m，設(shè)一步狀態(tài)轉(zhuǎn)移概率矩陣為P=（pij）n×n。實(shí)際上由于客觀環(huán)境的變化，相鄰時(shí)刻的一步轉(zhuǎn)移概率矩陣并不完全相同，因此與S（t）P 之間總存在誤差。為了獲得最精確的一步轉(zhuǎn)移概率矩陣，本文采用最優(yōu)化的思想，即在m個(gè)時(shí)刻中要使實(shí)際狀態(tài)的概率向量與理論計(jì)算的狀態(tài)概率向量的誤差平方和達(dá)到最小為準(zhǔn)則，建立如下最優(yōu)化模型：

此問題可轉(zhuǎn)化為二次規(guī)劃的標(biāo)準(zhǔn)形式，可利用二次規(guī)劃優(yōu)化方法求解。

2　基于殘差均方根的組合預(yù)測模型

為綜合基于宏觀經(jīng)濟(jì)增長、基于產(chǎn)業(yè)結(jié)構(gòu)發(fā)展、基于終端能源結(jié)構(gòu)3個(gè)單項(xiàng)預(yù)測法，將各方法預(yù)測結(jié)果選取適當(dāng)?shù)臋?quán)重進(jìn)行加權(quán)平均進(jìn)行組合預(yù)測。組合預(yù)測最重要的問題是確定各種單項(xiàng)預(yù)測法權(quán)重{li}，i=1，2，…，n。本文采用殘差均方根來反映預(yù)測模型對歷史數(shù)據(jù)的擬合程度。第i種預(yù)測方法的殘差Si可表示為：

式中，Xij為采用第i種預(yù)測方法得到的第j年的預(yù)測數(shù)據(jù)；xj為第j年的實(shí)際數(shù)據(jù)；m為歷史數(shù)據(jù)的總年份。為避免人為協(xié)調(diào)目標(biāo)時(shí)產(chǎn)生的主觀性差異，采用基于殘差均方根的客觀賦權(quán)方法。設(shè)序列{Si}，i= 1，2，…，n表示每種預(yù)測方法的殘差均方根，則第i種預(yù)測方法的權(quán)重為：

在確定權(quán)重之后，組合預(yù)測在第j時(shí)刻（j=m+1，m+2，…，M）的預(yù)測值，可表示為：

采用殘差均方根法既可以確定各預(yù)測模型的權(quán)重，又可以考量模型對歷史數(shù)據(jù)擬合的準(zhǔn)確度。

3　實(shí)例分析

本文以中國某省份1995—2012年的電力消費(fèi)及相關(guān)市場因素?cái)?shù)據(jù)作為歷史數(shù)據(jù)，預(yù)測2013—2020年電力需求，并以2013、2014年的實(shí)際數(shù)據(jù)校驗(yàn)預(yù)測精度。相關(guān)數(shù)據(jù)取自該省統(tǒng)計(jì)年鑒。

3.1基于經(jīng)濟(jì)增長的預(yù)測

用全社會(huì)用電量代表電力需求，經(jīng)濟(jì)增長的三大因素——投資、消費(fèi)、凈出口則分別用全社會(huì)固定資產(chǎn)投資額、社會(huì)消費(fèi)品零售總額與凈出口額這三個(gè)指標(biāo)表征，樣本期間均為1995—2012年。為消除原始數(shù)據(jù)的異方差性，取這些數(shù)據(jù)的增長率分析。

使用ADF檢驗(yàn)法進(jìn)行單位根檢驗(yàn)，根據(jù)所得根落在復(fù)平面單位圓內(nèi)外的情況判斷序列的穩(wěn)定性。結(jié)果如圖2所示。

圖2　AR特征多項(xiàng)式單位根的分布情況Fig.2　Distribution of unit root of the AR characteristic polynomial

檢驗(yàn)結(jié)果表明：當(dāng)滯后階數(shù)為一階時(shí)，特征多項(xiàng)式的根都落在單位圓內(nèi)，滿足建立VAR模型的要求。因?yàn)檫M(jìn)行協(xié)整檢驗(yàn)時(shí)對數(shù)據(jù)進(jìn)行了差分變換，所以協(xié)整檢驗(yàn)?zāi)Ｐ偷臏箅A數(shù)為VAR模型滯后階數(shù)減1[11]。利用跡統(tǒng)計(jì)量和最大特征值法做協(xié)整檢驗(yàn)。兩種方法得出的結(jié)果均表明：假設(shè)無協(xié)整方程的概率小于5%，故全社會(huì)用電量和全社會(huì)固定資產(chǎn)投資額、社會(huì)消費(fèi)品零售總額、凈出口額數(shù)據(jù)序列存在協(xié)整關(guān)系，協(xié)整關(guān)系式即可以用作預(yù)測方程。

根據(jù)該省社會(huì)經(jīng)濟(jì)發(fā)展規(guī)劃，預(yù)估2013—2020年三個(gè)經(jīng)濟(jì)表征指標(biāo)增長率，進(jìn)而得到全社會(huì)用電量增長率。電力需求預(yù)測值如表1所示。

表1　某省電力消費(fèi)需求預(yù)測值Tab.1　Electricity requirement forecasting of one province億kW·h

3.2基于產(chǎn)業(yè)結(jié)構(gòu)發(fā)展的預(yù)測

本節(jié)應(yīng)用產(chǎn)值單耗法時(shí)統(tǒng)一把該省各年GDP值歸算為以同一年為基準(zhǔn)的實(shí)際GDP值。根據(jù)1995— 2012年各產(chǎn)業(yè)消費(fèi)電量，結(jié)合歸算GDP值計(jì)算得到該省一、二、三產(chǎn)業(yè)單位產(chǎn)值電耗統(tǒng)計(jì)數(shù)據(jù)。對各項(xiàng)序列指標(biāo)建立離散灰色預(yù)測DGM（1，1）模型，得到2013—2020年各產(chǎn)業(yè)的單位產(chǎn)值電耗預(yù)測值。結(jié)合社會(huì)經(jīng)濟(jì)規(guī)劃中各產(chǎn)業(yè)的增加值預(yù)測值，與產(chǎn)值單耗相乘即為各產(chǎn)業(yè)預(yù)測用電量。

為了保持方法的一致性，對于居民的電力需求仍采用離散灰色預(yù)測模型。結(jié)合各產(chǎn)業(yè)用電量可得全社會(huì)電力需求的預(yù)測結(jié)果如表2所示。

表2　某省電力消費(fèi)需求預(yù)測值Tab.2　Electricity requirement forecasting of one province億kW·h

3.3基于終端能源結(jié)構(gòu)的預(yù)測

由馬爾科夫過程的定義可得：2013—2020年終端能源結(jié)構(gòu)分別為：S（16）P，S（16）P2，…，S（16）P9。將S（16）和P代入求得該省終端能源消費(fèi)結(jié)構(gòu)見表3。

分析歷史數(shù)據(jù)，該省單位能耗按著相對均勻的下降速度，則根據(jù)“十二五”期間單位能耗降低18%的總體目標(biāo)，平均每年單位能耗下降3.6%。設(shè)“十三五”期間產(chǎn)值單耗仍按照此速度下降。按照該省社會(huì)經(jīng)濟(jì)發(fā)展規(guī)劃中確定的年均7%增長速度可推算出2013年至2020年GDP預(yù)測值，結(jié)合單位產(chǎn)值能耗預(yù)測值可得預(yù)測期內(nèi)逐年總能耗數(shù)據(jù)。該省能源結(jié)構(gòu)一直非常穩(wěn)定，終端能耗在總能耗中所占比例保持在66.125%±1.085%區(qū)間內(nèi)。設(shè)定預(yù)測期內(nèi)該省終端能源消費(fèi)量占全社會(huì)能源消費(fèi)總量的比重為66.125%。標(biāo)準(zhǔn)煤和電量的換算比為1.229 t/萬kW·h。

表3　某省能源的終端占有率預(yù)測值Tab.3　Occupancy rate forecasting for main sorts ofenergy end-use of one province

3.4組合預(yù)測

由預(yù)測模型得到3種方法對歷史數(shù)據(jù)的擬合，采用殘差均方根法確定各方法權(quán)重，得到組成預(yù)測法對歷史數(shù)據(jù)的擬合。比較各預(yù)測方法誤差如表5所示。

表4　基于終端能源結(jié)構(gòu)法預(yù)測結(jié)果Tab.4　Electricity requirement forecasting based on energy end-use structure

表5　各預(yù)測方法誤差Tab.5　Error of each forecasting methods

經(jīng)組合模型，預(yù)測誤差大幅縮小。可見組合預(yù)測是提高預(yù)測方法精度、增強(qiáng)預(yù)測方法適用性的有效途徑。得2013—2020年間該省電力消費(fèi)需求預(yù)測結(jié)果如表6所示。

表6　某省電力消費(fèi)需求預(yù)測Tab.6　Electricity requirement forecasting of one province億kW·h

該省2013、2014年實(shí)際電力消費(fèi)量分別為3 453、3 506億kW·h，預(yù)測值與實(shí)際值的誤差分別為0.53%、2.84%。本預(yù)測方法在對電力消費(fèi)需求進(jìn)行中遠(yuǎn)期預(yù)測時(shí)具有誤差小、精度高的優(yōu)點(diǎn)。

4　結(jié)論

中長期電力需求與市場關(guān)系密切，在預(yù)測的過程中要給予高度重視。本文做了以下幾方面工作：

1）建立了基于市場的負(fù)荷預(yù)測數(shù)學(xué)模型，從宏觀經(jīng)濟(jì)、產(chǎn)業(yè)結(jié)構(gòu)、終端能源結(jié)構(gòu)3個(gè)維度多種方法對電力消費(fèi)需求預(yù)測進(jìn)行研究。

2）通過校驗(yàn)歷史數(shù)據(jù)，采用殘差均方根法確定各預(yù)測模型的權(quán)重，進(jìn)行組合預(yù)測，提高精度。

3）以某省實(shí)際數(shù)據(jù)為例，預(yù)測2013—2020年電力需求，并對比2013、2014年實(shí)際值，驗(yàn)證精確性。

本文提出的模型對中長期電力消費(fèi)需求預(yù)測具有普遍借鑒意義，可作為參考加以推廣。在今后的研究中，應(yīng)更全面考量影響電力需求的各種市場因素，明確相關(guān)變量的選取方式，并提高對經(jīng)濟(jì)指標(biāo)分析預(yù)測的科學(xué)性。

[1]KANDIL M S，EL-DEBEIKY S M，HASANIEN N E. Overview and comparison of long-term forecasting techniques for a fast developing utility:part I[J].Electric Power Systems Research，2001，58（1）:11-17.

[2]盧建昌，趙磊，牛東曉，等.電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用[M].北京:中國電力出版社，2009.

[3]毛李帆，江岳春，龍瑞華，等.基于偏最小二乘回歸分析的中長期電力負(fù)荷預(yù)測[J].電網(wǎng)技術(shù)，2008（19）:71-77. MAO Lifan，JIANG Yuechun，LONG Ruihua，et al.Medium-and long-term load forecasting based on partial least squares regression analysis[J].Power System Technology，2008，32（19）:71-77（in Chinese）.

[4]康重慶，夏清，張伯明.電力系統(tǒng)負(fù)荷預(yù)測研究綜述與發(fā)展方向的探討[J].電力系統(tǒng)自動(dòng)化，2004（17）:1-11. KANG Chongqing，XIA Qing，ZHANG Boming.Review of power system load forecasting and its development[J]. Automation of Electric Power Systems，2004，28（17）:1-11（in Chinese）.

[5]朱鳳娟，王主丁，陸儉，等.考慮小區(qū)發(fā)展不均衡的空間負(fù)荷預(yù)測分類分區(qū)法[J].電力系統(tǒng)自動(dòng)化，2012（12）:41-48. ZHU Fengjuan，WANG Zhuding，LU Jian，et al.Disequilibrium development areas based classification and subarea method for spatial load forecasting[J].Automation of Electric Power Systems，2012，36（12）:41-48（in Chinese）.

[6]周德強(qiáng).改進(jìn)的灰色Verhulst模型在中長期負(fù)荷預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù)，2009（18）:124-127. ZHOU Deqiang.Application of improved gray verhulst model in middle and long term load forecasting[J].Power System Technology，2009，33（18）:124-127（in Chinese）.

[7]周湶，任海軍，李健，等.層次結(jié)構(gòu)下的中長期電力負(fù)荷變權(quán)組合預(yù)測方法[J].中國電機(jī)工程學(xué)報(bào)，2010（16）:47-52. ZHOU Quan，REN Haijun，LI Jian，et al.Variable weight combination method for mid-long term power load forecasting based on hierarchical structure[J].Proceedings of the CSEE，2010，30（16）:47-52（in Chinese）.

[8]龍瑞華，毛弋，毛李帆，等.基于誘導(dǎo)有序加權(quán)平均算子和馬爾可夫鏈的中長期電力負(fù)荷組合預(yù)測模型[J].電網(wǎng)技術(shù)，2010（3）:150-156. LONG Ruihua，MAO Yi，MAO Lifan，et al.A combination model for medium-and long-term load forecasting based on induced ordered weighted averaging operator and markov Chain[J].Power System Technology，2010，34（3）: 150-156（in Chinese）.

[9]SOYTAS U，SARI R.Energy consumption and GDP: causality relationship in G-7 countries and emerging markets[J].Energy Economics，2003，25（1）:33-37.

[10]高鐵梅.計(jì)量經(jīng)濟(jì)分析方法與建模[M].北京:清華大學(xué)出版社，2009:568.

[11]鐘志威，雷欽禮.Johansen和Juselius協(xié)整檢驗(yàn)應(yīng)注意的幾個(gè)問題[J].統(tǒng)計(jì)與信息論壇，2008（10）:80-85. ZHONG Zhiwei，LEI Qinli.Some notes on johansen and juselius cointegration test[J].Statistics and Information Forum，2008，23（10）:80-85（in Chinese）.

[12]HERRERIAS M J，JOYEUX R，GIRARDIN E.Shortand long-run causality between energy consumption and economic growth:evidence across regions in China[J]. Applied Energy，2013，112（0）:1483-1492.

[13]趙會(huì)茹，楊璐，李春杰，等.基于協(xié)整理論和誤差修正模型的電網(wǎng)投資需求預(yù)測研究[J].電網(wǎng)技術(shù)，2011（9）: 193-198. ZHAO Huiru，YANG Lu，LI Chunjie，et al.Research on prediction to investment demand of power gridBased on co-integration theory and error correction model[J].Power System Technology，2011，35（9）:193-198（in Chinese）.

[14]ENDERS W.Applied econometric time series[M].John Wiley&Sons，2008.

[15]OUéDRAOGO I M.Electricity consumption and economic growth in burkina faso:a cointegration analysis[J].Energy Economics，2010，32（3）:524-531.

[16]謝乃明，劉思峰.離散GM（1，1）模型與灰色預(yù)測模型建模機(jī)理[J].系統(tǒng)工程理論與實(shí)踐，2005（1）:93-99. XIE Naiming，LIU Sifeng.Discrete GM（1，1）and mechanism of grey forecasting model[J].System Engineering-Theory&Practice，2005（1）:93-99（in Chinese）.

[17]劉殿海，楊勇平，楊昆，等.基于馬爾科夫鏈的能源結(jié)構(gòu)與污染物排放預(yù)測模型及其應(yīng)用[J].中國電力，2006（3）:8-13. LIU Dianhai，YANG Yongping，YANG Kun，et al.Forecasting model and its application of energy structure andpollutant emission based on markov Chain[J].Electric Power，2006，39（3）:8-13（in Chinese）.

[18]黃銀華，彭建春，李常春，等.馬爾科夫理論在中長期負(fù)荷預(yù)測中的應(yīng)用[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2011（5）:131-136. HUANG Yinhua，PENG Jianchun，LI Changchun，et al. Application of markov theory in mid-long term load forecasting[J].Proceedingsof the CSU-EPSA，2011，23（5）: 131-136（in Chinese）.

（編輯黃晶）

Forecasting Medium and Long Term Electricity Requirement Based on Market

FU Shouqiang1，WANG Ying2，LIU Suyi1，YE Chengjin3，LIU Chang4，LIU Yang1，YUE Yunli1，YOU Peiyu2
（1.Economic Research Institute，State Grid Jibei Electric Power Company Limited，Beijing 100055，China；2.State Power Economic Research Institute，Beijing 100052，China；3.College of Electrical Engineering，Zhejiang University，Hangzhou 310027，Zhejiang，China；4.National Electric Power Dispatching and Control Center，Beijing 100031，China）

The medium and long term electricity consumption has a close relationship with the market development.The existing forecasting methods for electricity requirement，however，pay little attention to the market.With focus on the market，this paper establishes forecasting models based on macro economy，industry structure and energy end-use structure.Economy development is characterized by investment，consumption and export.The Vector Autoregression（VAR）model is employed to certify whether there is a long term cointegration between electricity requirement and economy indexes.This paper applies Grey theory to predict each industry separately.The DGM（1，1）model，which is the precise form，is used instead of the common model GM（1，1）.The Markov Prediction is suitable for the energy end-use structure.The paper sets up the optimization model and obtains energy probability. This article applies residual root mean square method to confirm the weight of each model.According to the electricity requirement of one province，codes are written to predict electricity requirement during the period of 2012 to 2020.And the real data are compared to certify the accuracy of the whole model.

electricity requirement forecasting；elements of economy development；industry structure；energy end-use structure；VAR model；Grey theory；Markov process；root mean square residual

1674-3814（2015）07-0074-07中圖分類號：TM714

A

2014-12-15。

傅守強(qiáng)（1986—），男，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)評估、規(guī)劃，電力市場與電力經(jīng)濟(jì)和電氣設(shè)計(jì)；

汪瑩（1990—），女，碩士研究生，研究方向?yàn)殡娋W(wǎng)規(guī)劃、電力經(jīng)濟(jì)和無功優(yōu)化；

劉素伊（1979—），女，碩士研究生，副高級工程師，研究方向?yàn)檩斪冸姽こ淘O(shè)計(jì)、技術(shù)經(jīng)濟(jì)；

葉承晉（1987—），男，博士研究生，研究方向?yàn)樾履茉窗l(fā)電系統(tǒng)、短路電流、電力系統(tǒng)優(yōu)化；

劉暢（1988—），男，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)規(guī)劃、電力系統(tǒng)調(diào)度；

劉洋（1989—），女，碩士研究生，研究方向?yàn)殡娏?jīng)濟(jì)與企業(yè)管理；

岳云力（1987—），男，碩士研究生，研究方向?yàn)檩旊娋W(wǎng)規(guī)劃；

游沛羽（1987—），男，碩士研究生，研究方向?yàn)檩旊娋W(wǎng)規(guī)劃。