董力通，譚顯東，劉偉國，劉海波

(1．華北電力大學 經濟與管理學院，北京，102206；2．國網北京經濟技術研究院，北京，100052；3．國網能源研究院，北京，100052；4．國家電網公司，北京，100031)

合理預測電力需求對于制定電力規(guī)劃、電力建設具有重要意義。當前，國內外有關電力需求方面的研究較多，主要包括電力需求的預測方法[1-6]、電力需求預測應考慮的因素[7-8]等。程鵬等[9-10]將并聯(lián)灰色神經網絡模型與 GM(1,1)模型進行了改進，并將其應用于電力需求預測中。Amusaa等[11]使用邊界檢驗的方法研究了南非的電力需求。郭彥東等[12-13]研究了基于支持向量機的電力需求預測方法。這些方法都較好地擬合了數(shù)據(jù)樣本的趨勢性規(guī)律和特征，但是，對于一些關鍵影響因素變化對需求影響未充分考慮。特別是沒有從能源與經濟相互關系出發(fā)建模，并沒有運用數(shù)據(jù)挖掘和預測算法進行綜合研究。為此，本文作者首先提出影響電力需求的主要因素，并研究各因素對電力需求所產生的影響；其次，結合彈性系數(shù)和投入產出模型，構建考慮我國節(jié)能減排、產業(yè)結構、經濟布局調整等因素的改進模型，以2000—2009年產業(yè)結構、經濟總量、能源消費總量為樣本，通過對2010年能源消費總量的預測，并將分析結果與在相同條件下運用普通彈性系數(shù)回歸方法和 SVM 回歸預測方法所得結果進行比較，驗證改進后模型的分析精度。

1 影響電力需求的主要因素分析

電力需求的變化主要由經濟結構和能源消費方式的改變決定。在國家高度重視可持續(xù)發(fā)展的背景下，中長期電力需求增長主要受產業(yè)機構調整、經濟布局調整、節(jié)能減排(低碳經濟)發(fā)展共3個方面的影響。

(1) 產業(yè)結構調整。我國政府高度重視產業(yè)結構調整工作，提出通過優(yōu)化產業(yè)結構，降低經濟發(fā)展對能源及其他自然資源的消耗強度。通過對高耗能產業(yè)實施限制性政策，引導和鼓勵新興、綠色產業(yè)的發(fā)展。由于自身能耗水平不一致，產業(yè)結構的變化將對總體電力需求造成較大的影響。

(2) 經濟布局調整。未來華東、華中、西北地區(qū)產業(yè)的跨區(qū)域轉移和優(yōu)化升級將成為經濟增長的新的內生動力，在未來區(qū)域板塊的合作發(fā)展中逐步完成產業(yè)結構調整。隨著各區(qū)域規(guī)劃的逐步落實，相關地區(qū)的經濟發(fā)展將帶動電力需求的增長，也將推進我國各地區(qū)經濟、電力協(xié)調發(fā)展。

(3) 低碳經濟發(fā)展。2009年我國提出了2020年二氧化碳排放比2005年下降40%～45%的目標。從能源供應來看，可優(yōu)化能源供應結構；從需求供應來看，通過節(jié)能減排、技術進步以及高效用電設備的利用，提高能源利用效率。這些變化將對我國能源需求總量、能源消費結構、電力需求結構和電力消費結構產生較大的影響?？赏ㄟ^限制高耗能行業(yè)的發(fā)展、加大節(jié)能減排措施的實施力度、大力發(fā)展清潔能源、促進資源的循環(huán)利用與建立低碳技術創(chuàng)新體系等途徑實現(xiàn)節(jié)能減排目標。這些方法措施的實施，從能源供應側角度，優(yōu)化了能源供應結構；從需求側角度，通過節(jié)能減排、技術進步以及高效用電設備的利用，可提高能源利用效率。

2 電力需求預測模型

2.1 彈性系數(shù)模型

彈性是經濟學中重要的概念。彈性系數(shù)是一定時期內相互聯(lián)系的2個指標增長速度的比率，它是衡量一個變量的增長幅度對另一個變量增長幅度的依存關系。彈性系數(shù)法在對一個因素發(fā)展變化預測的基礎上，通過彈性系數(shù)對另一個因素的發(fā)展變化作出預測的一種間接預測方法。設x為自變量，y為x的可微函數(shù)，則彈性系數(shù)是變量 y的瞬間變化率與平均變化率之比。

2.2 電力需求彈性投出產出模型

電力彈性系數(shù)反映了一定時期內電量需求與國民經濟增長速度之間的內在關系，是電力系統(tǒng)中長期預測中一種非常經典的方法。電力彈性系數(shù)大于 1，表明電力需求的增長速度高于國民經濟的增長速度。若示，相應2 a的電力需求用Et和Et+1表示，則GDP的增長速度為：

用電量的增長速度為：

電力彈性系數(shù)為：

2.3 基于 SVM 的電力彈性系數(shù)投入產出需求預測模型

將全社會用電量分為各產業(yè)用電量和居民生活用電量，產業(yè)用電量分為第一產業(yè)用量、第二產業(yè)用量與第三產業(yè)用電量。利用投入產出模型(IO)進行中長期電力需求預測，即根據(jù)未來的經濟增長狀況確定各部門的電力需求。利用此模型體現(xiàn)了以需定產的市場經濟思想，即以需求為導向，生產滿足需求，可以清楚地描述電力需求的構成，具有很好的可解釋性。本文建立基于 SVM 的電力彈性系數(shù)投入產出需求預測模型，求解未來的電力需求。

將全社會用電量Y分為第一產業(yè)用電量Y1、第二產業(yè)用電量Y2、第三產業(yè)用電量Y3和居民用電量Ye，即

利用投入產出模型的思想，結合情景分析技術，構建改進的中長期電力需求預測。在式(1)，(2)和(3)基礎上，通過細分第一、二、三產業(yè)電力彈性系數(shù)，采用 SVM 對歷史數(shù)據(jù)中第一、二、三產業(yè)結構變化對電力需求影響的模擬，構建預測模型。通過設定誤差率和學習次數(shù)，控制SVM模擬過程。

其中：r為誤差率；Y′為預測用電量；Y為實際用電量。

3 模型校驗與比較

以2000—2009年我國第一、二、三產業(yè)GDP，第一、二、三產業(yè)及社會居民用電量以及總用電量為樣本，通過計算各年一、二、三產業(yè)電力需求量作為輸入，預測2010年電力需求總量。將本文提出的改進模型與普通電力彈性系數(shù)預測方法(方法一)、普通SVM回歸預測(方法二)進行比較，以驗證本文提出算法的改進效果。

不同方法預測效果的比較結果(基于對2010年電力消費總量的預測)如表1所示。從表1可見：與方法一、方法二相比，運用本文提出方法所得結果預測精度分別提高 8.90%和 3.98%，這從一定程度上佐證了本文提出方法能夠更全面地反映影響中長期電力需求的內在規(guī)律，能夠獲得更好的分析和預測用電量。

表1 不同方法預測效果的比較(基于對2010年電力消費總量的預測結果)Table 1 Comparison of forecast effects for different methods

4 “十二五”電力需求預測與分析

本文考慮“十二五”期間不同GDP增長率下2015年的用電需求情況，假定第一、第二和第三產業(yè)GDP增長率分別為9.6%，8.7%和7.0%。假定2010年全國GDP總量為302 523億元，第一、第二和第三產業(yè)結構 GDP總量比為 10.1:48.4:41.5。三種情景下具體各產業(yè)的GDP總量 如下。

情景1：預計“十二五”期間年均增長9.6%，2015年全國GDP總量將達到47.8萬億元，第一、第二、第三產業(yè)結構GDP總量比為8.7:48.9:42.5。

情景 2：考慮國家經濟布局調整，預計“十二五”期間年均增長8.7%，2015年將達到45.9萬億元，第一、第二、第三產業(yè)結構GDP總量比為8.9:47.8:43.3。

情景3：考慮低碳經濟發(fā)展、能源消費總量控制，預計“十二五”期間年均增長7%，2015年將達到43.6萬億元，第一、第二、第三產業(yè)結構 GDP總量比為9.3:46.9:43.8。如表2所示[14]。

表2 3種情景下2015年的GDP總量Table 2 GDP of three situations in 2015 億元

以2010年為基準年，第一產業(yè)、第二產業(yè)、第三產業(yè)對電力的直接消耗系數(shù)分別為 40.81，5.95和38.14，居民生活用電支出為2 562.5億元。2015年，第一產業(yè)、第二產業(yè)、第三產業(yè)對電力的直接消耗系數(shù)分別為42.12，6.78和39.11，居民生活用電支出為3 626.5億元。應用投入產出模型的結果如表3所示。

在情景1中，GDP年均增長率較快，主要是第二產業(yè)的用電量較大，第三產業(yè)發(fā)展較快，至2015年全社會用電量預計為82 536億kW·h；在情景2中，GDP年均增長率適當，至 2015年全社會用電量預計為76 050億kW·h；在情景3中，GDP年均增長率緩慢，至2015年全社會用電量預計為70 019億kW·h。

表3 應用基于SVM的改進彈性-投入產出模型2015年電力需求總量預測結果Table 2 Forecast results of electricity demand in 2015 using improved input-output model based on SVM 億 kW·h

5 結論

(1) 根據(jù)彈性系數(shù)方法和投入產出分析模型的思想，利用SVM回歸方法利用SVM回歸方法在有限樣本情況下的求解結果具有較高的準確性，構建能夠反映中長期需求多重重要影響因素的分析預測模型。

(2) 通過實證分析，將本文構建的預測模型與彈性系數(shù)方法和 SVM 回歸預測方法在對統(tǒng)一問題預測時進行驗證比較，發(fā)現(xiàn)采用本文提出的方法所得電力需求總量預測精度分別提高8.90%和3.89%。

(3) 運用SVM的輸出結果，通過設定不同的GDP增長情況和第一、二、三產業(yè)結構變化結果，通過對能源消費總量控制、產業(yè)結構變化、經濟布局等因素的情景設定，對 2015年我國電力需求變化進行了預測，這對政府制定較準確的電網規(guī)劃具有一定的借鑒意義。

[1] 唐平雅. 電力需求預測方法和能源需求預測模型探討[J]. 中國電力, 2000, 33(4): 32-34.TANG Ping-ya. Research on power demand forecasting method and energy demand forecasting model[J]. Electric Power, 2000,33(4): 32-34.

[2] 顧潔, 儲琳琳, 施偉國. 不確定性中長期電力需求預測方法探討[J]. 電力需求側管理, 2010, 12(3): 10-13.GU Jie, CHU Lin-lin, SHI Wei-guo. Study on uncertainty mid-longterm power demand forecasting method[J]. Power Demand Side Management, 2010, 12(3): 10-13.

[3] 徐言, 陳麗萍, 周暉, 等. 基于港口經濟特點分析的電力需求預測[J]. 電力學報, 2009, 24(3): 178-183.XU Yan, CHEN Li-ping, ZHOU Hui, et al. Electricity demand forecasts based on the analysis of the port economy[J]. Journal of Electric Power, 2009, 24(3): 178-183.

[4] Dilaver Z, Hunt L C. Industrial electricity demand for Turkey: A structural time series analysis[J]. Energy Economics, 2011, 33(3):426-436.

[5] 秦康平. 節(jié)能減排背景下電力需求預測方法的研究[D]. 上海:上海交通大學信息與電氣工程學院, 2010: 5-20.QIN Kang-ping. Methods of electric load forecasting based on energy-saving and emission reduction[D]. Shanghai: Shanghai Jiaotong University. School of Electronic and Electrical Engineering, 2010: 5-20.

[6] Erdogdu E. Electricity demand analysis using cointegration and ARIMA modelling: A case study of Turkey[J]. Energy Policy,2007, 35(2): 1129-1146.

[7] 黃晨宏. 影響上海電力需求的主要因素及電力需求預測[J].電力需求側管理, 2011, 13(3): 71-76.HUANG Chen-hong. Main factors affecting Shanghai electric power demand and its forecasting[J]. Power Demand Side Management, 2011, 13(3): 71-76.

[8] Psiloglou B E, Giannakopoulos C, Majithia S, et al. Factors affecting electricity demand in Athens, Greece and London, UK:A comparative assessment[J]. Energy, 2009, 34(11): 1855-1863.

[9] 程鵬, 韋雅君, 李金穎, 等. 基于改進的并聯(lián)灰色神經網絡模型在電力需求預測中的應用[J]. 廣東電力, 2011, 24(8): 13-16.CHENG Peng, WEI Ya-jun, LI Jin-ying, et al. Application of improved model of parallel grey neural networks in power demand forecast[J]. Guangdong Electric Power, 2011, 24(8):13-16.

[10] 李明洋, 田利強, 張希亮. 改進型 GM(1,1)模型在電力需求預測中的應用[J]. 山西建筑, 2011, 37(4): 126-127.LI Ming-yang, TIAN Li-qiang, ZHANG Xi-liang. On application of an improved GM(1,1) model in electricity demand forecasting[J]. Shanxi Architecture, 2011, 37(4): 126-127.

[11] Amusaa H, Amusa K, Mabugu R. Aggregate demand for electricity in South Africa: An analysis using the bounds testing approach to cointegration[J]. Energy Policy, 2009, 37(10):4167-4175.

[12] 郭彥東, 李榮. 基于支持向量回歸的年電力需求預測方法[J].控制理論與應用, 2008, 27(6): 6-8.GUO Yan-dong, LI Rong. Annual electric demand forecasting based on support vector regression[J]. Control Theory and Applications, 2008, 27(6): 6-8.

[13] 從榮剛, 張燕琳, 趙亞楠. 基于 SVM 模型的山東省電力需求預測[J]. 能源技術經濟, 2011, 23(3): 40-45.CONG Rong-gang, ZHANG Yan-lin, ZHAO Yan-an. Prediction of Shandong power demands based on the SVM model[J].Energy Technology and Economics, 2011, 23(3): 40-45.

[14] 李鑫, 朱龍飛, 鄧淇中. 我國三次產業(yè)結構演進與宏觀經濟波動分析[J]. 湖南科技大學學報: 社會科學版, 2012, 15(3):65-69.LI Xin, ZHU Long-fei, DENG Qi-zhong. An analysis of three industrial structure’s evolutions and macroeconomic fluctuations in China[J]. Journal of Hunan University of Science &Technology: Social Edition, 2012, 15(3): 65-69.