貴州省用電量組合預測探討

閆慶友 安秋嫻

摘要：文章基于貴州省2003～2013年的歷史數據對年用電量進行了建模分析，發現運用偏最小二乘回歸法（PLS）建模分析精度可達到96.95%，并且很好地克服了解釋變量之間的相關性問題。由于貴州省近十一年的用電量成非線性上升趨勢，文章同時采用灰色GM（1，1）模型對其進行了模擬，發現精度可達到96.53%。

關鍵詞：貴州省;用電量預測;偏最小二乘回歸預測;灰色GM（1，1）預測;組合預測 文獻標識碼：A

中圖分類號：TM93 文章編號：1009-2374（2016）04-0186-02 DOI：10.13535/j.cnki.11-4406/n.2016.04.092

1 概述

貴州省豐富的煤炭資源和水力資源使其電力產業有著水火共濟的優勢，“十一五”期間，貴州省共向廣東省送電達1587億千瓦時，“十二五”計劃預計對廣東省送電2430億千瓦時。為配合貴州省內西電東送電源點的建設，南方電網公司不斷加大電網建設力度，目前貴州省內500千伏電網逐步由“三角”環網向“日”字型發展，已形成“五條交流兩條直流”7條外送大通道，因此，對貴州省內自身中長期用電量進行精確預測能夠幫助電網公司合理規劃電源建設，安排內部機組生產計劃，制定營銷方案，提高經濟與社會效益。目前用于電力預測的方法很多，比較經典的有綜合用電水平法、單耗法、彈性系數法、負荷密度法等，經過實際運算預測，發現這些方法預測精度比較低。由于解釋變量之間存在較強的共線性，導致傳統的普通回歸建立的模型參數估計量經濟意義不合理，變量顯著性檢驗失去意義，模型預測功能失效。偏最小二乘回歸分析法能很好地解決解釋變量之間共線性的問題，并且能夠得到較高精度的預測結果。另外，灰色預測模型可將看似離散的序列經數據變換后形成有規律的生成序列，對樣本數量的要求低，能給出精度較高的預測結果。本文將PLS預測法與灰色GM（1，1）方法組合起來對貴州省2015～2020年的用電量進行預測，結果表明比單個預測方法的精度更高。

2 預測結果

2.1 PLS，GM（1，1）matlab編程預測結果及誤差分析

目前貴州省三大產業結構已經達到了工業化初期的比例。三大產業各自的用電效率不同，使得該產業結構一旦發生改變，便會對用電量造成影響。本文將貴州省年度GDP值定義為x1，將貴州省第一產業增加值、第二產業增加值、第三產業增加值分別定義為x2、x3、x4。隨著貴州省不斷加大城鎮化建設力度，本文將貴州城鎮人口數定義為最后一個解釋變量x5。本文選取貴州省2003～2013年的歷史數據（表1），先運用普通最小二乘回歸分析進行建模：

2.2 優選組合預測結果

常用的組合預測方法有等權平均組合預測法、固定權預測方法、變權組合預測方法。基于累加殘差的變權組合預測方法，使得權重可以反映模型在整個預測過程中的表現，根據變權組合思想，可計算出GM（1，1），PLS預測所占的權重見表3：

根據以上的計算結果，得出對貴州省2003～2013年用電量組合預測結果，見表4：

根據以上結果，組合預測結果精度高，而且比單一的預測模型的預測結果更為穩定，故本文可以通過以上三種方法對貴州省2015～2020年的用電量進行預測。

3 貴州省2015～2020年用電量預測

單一模型與組合模型預測結果，見表6：

4 結語

本文對貴州省2003～2013年用電量進行PLS回歸分析，克服了解釋變量之間的多重共線性問題，精度高達96.95%。同時使用灰色GM（1，1）建模分析，精度高達96.53%，并進一步預測了貴州省2015～2020年用電量。最后通過變權組合的方式，賦予了單一預測模型不同的權重，得到了精度更高的模擬結果，為貴州省電網進行電網規劃，內部機組的生產與電力營銷方案的制定，提供了良好的參考作用，降低發電成本，提高經濟與社會效益。

參考文獻

[1] 牛東曉，曹樹華，趙磊，等.電力負荷預測技術及其應用[M].北京：中國電力出版社，1998.

[2] 王惠文.偏最小二乘回歸方法及其應用[M].北京：國防工業出版社，1999.

[3] 鄧聚龍.灰色預測與決策[M].武漢：華中理工大學出版社，1992.

[4] 單葆國，韓新陽，譚顯東，等.中國“十三五”及中長期電力需求研究[J].中國電力，2015，48（1）.

[5] 肖欣，周渝慧，張寧，等.城鎮化進程與電力需求增長的關系研究[J].中國電力，2015，48（2）.

[6] Granger C W J.Invited review combining forecasts-twenty years later[J].Journal of Forecasting，1989，8（3）.

[7] Chen.G.J.，Li.K.K，Chung.T.S.，et al.Application of an Innovative Combined Forecasting Method in Power System Load Forecasting[J].Electric Power Systems Research，2001，59（2）.

[8] Gupia，S.and P.Wilton.Combination of Forecasts：An Extension[J].Management Science，1987，33（3）.

[9] David C.Schmittlein.Combining Forecasts：Operational Adjustments to theoretically Optimal Rules[J].Management Science，1990，36（9）.

（責任編輯：王 波）