嚴(yán)玉婷，薛 冰，方力謙，黃國權(quán)，張勇軍

(1.深圳供電局有限公司, 廣東 深圳 518001；2.華南理工大學(xué)電力學(xué)院，廣東 廣州 510641)

中國能源革命不斷向縱深推進(jìn)，期間數(shù)字經(jīng)濟(jì)加入并助推能源高效轉(zhuǎn)型，兩者的深度融合催生了一種新型經(jīng)濟(jì)發(fā)展形態(tài)——能源數(shù)字經(jīng)濟(jì)[1-3]。發(fā)展能源數(shù)字經(jīng)濟(jì)，數(shù)字化是戰(zhàn)略性抓手，數(shù)據(jù)挖掘是關(guān)鍵出路。而作為社會(huì)能源供應(yīng)的樞紐，電網(wǎng)企業(yè)應(yīng)當(dāng)充分發(fā)揮電力大數(shù)據(jù)實(shí)時(shí)監(jiān)控、直觀反饋的特點(diǎn)，分析負(fù)荷特性變化進(jìn)而挖掘其深層價(jià)值。

近年來，基于電力大數(shù)據(jù)的用電分析研究逐漸深入，主要思路為①對(duì)負(fù)荷曲線聚類以提取典型負(fù)荷模式；②提出多個(gè)指標(biāo)捕捉負(fù)荷的特定變化；③基于數(shù)據(jù)驅(qū)動(dòng)方式分析用電行為。文獻(xiàn)[4]總結(jié)了負(fù)荷模式提取常用的對(duì)負(fù)荷曲線進(jìn)行聚類的方法特點(diǎn)；文獻(xiàn)[5]提出了一種基于深度學(xué)習(xí)的YLP特征提取，捕獲負(fù)荷每日和季節(jié)性變化，并通過負(fù)荷聚類圖像觀察其全年特征；文獻(xiàn)[6-7]計(jì)算不同時(shí)間尺度下(年/月/日)的負(fù)荷率、最小負(fù)荷率和峰谷差率等時(shí)序特征指標(biāo)，用以對(duì)比描述負(fù)荷的特性變化；文獻(xiàn)[8]采用三相電壓、電流、功率因數(shù)等建立多維數(shù)據(jù)特征，基于Graph模型聚類分析用電用戶行為并對(duì)用戶分類；文獻(xiàn)[9]借鑒股市指數(shù)計(jì)算京電指數(shù)，從電力交易角度分析用電特點(diǎn)。

但是，上述研究與用戶實(shí)際生產(chǎn)行為變化的聯(lián)系并不緊密，具體表現(xiàn)：一方面上述所提指標(biāo)均為負(fù)荷特性指標(biāo)，與用戶調(diào)休、增產(chǎn)等實(shí)際生產(chǎn)活動(dòng)無關(guān)；另一方面，僅對(duì)精細(xì)時(shí)間尺度下的日負(fù)荷曲線進(jìn)行聚類，并未對(duì)受工作日效應(yīng)影響的周期波動(dòng)和受氣溫影響的隨機(jī)波動(dòng)進(jìn)行分離研究。因此，對(duì)于行業(yè)大用戶用電大數(shù)據(jù)的挖掘分析，關(guān)注其實(shí)際生產(chǎn)行為變動(dòng)能更好挖掘該類用戶用電數(shù)據(jù)的潛在價(jià)值。

在證券交易中，股市指數(shù)被用于反映股市行情變動(dòng)，按所包含股票樣本數(shù)可分為2類[10]：按一定標(biāo)準(zhǔn)選取部分上市股票作為樣本的成分指數(shù)(如滬深300等)和以全部上市股票作為樣本的綜合指數(shù)(如上證綜指等)。在電力大數(shù)據(jù)環(huán)境下，借鑒成分指數(shù)，通過科學(xué)客觀的方法挑選出少量最具代表性的樣本用戶來降低數(shù)據(jù)廣度，并分析行業(yè)大用戶群體的用電行為變化是值得探索的方向。

鑒于此，本文旨在構(gòu)造一種負(fù)荷指數(shù)，展示行業(yè)大用戶群體的負(fù)荷波動(dòng)情況，為分析行業(yè)用戶生產(chǎn)經(jīng)營狀態(tài)以及未來經(jīng)濟(jì)走勢(shì)提供數(shù)據(jù)基礎(chǔ)。首先，根據(jù)地區(qū)實(shí)際情況篩選出若干位具有代表性的行業(yè)大用戶作為樣本對(duì)象；然后，利用STL算法(seasonal-trend decomposition procedure based on loess)獲取樣本歷史日電量的周期分量，用以計(jì)算調(diào)整日電量，并提出工作強(qiáng)度系數(shù)指標(biāo)，聯(lián)系用戶生產(chǎn)實(shí)際，再按樣本所屬行業(yè)及其個(gè)體地位，基于模糊專家評(píng)價(jià)法等方式賦予多項(xiàng)權(quán)重值，綜合上述構(gòu)造企業(yè)用戶調(diào)整負(fù)荷成分指數(shù)；最后，以深圳市為案例分析負(fù)荷指數(shù)應(yīng)用效果。

1 負(fù)荷指數(shù)樣本基礎(chǔ)

電力用戶成千上萬，每日產(chǎn)生大量數(shù)據(jù)，然而價(jià)值密度較低[11-12]，通過篩選其中部分用戶的數(shù)據(jù)來降低數(shù)據(jù)廣度可以提高價(jià)值密度。

自改革開放以來，中國經(jīng)濟(jì)總量快速攀升的同時(shí)發(fā)展不平衡問題也越發(fā)突出，利潤分配在不同行業(yè)、不同規(guī)模企業(yè)上嚴(yán)重失衡，此現(xiàn)象在經(jīng)濟(jì)發(fā)達(dá)地區(qū)更為嚴(yán)重。以深圳市為例，2019年地區(qū)生產(chǎn)總值(gross regional product，GDP)約為2.7萬億元，而僅中國平安保險(xiǎn)集團(tuán)的凈利潤已將近0.15萬億元，占地區(qū)GDP超5%，營收總額排名前10位企業(yè)的凈利潤總和更是超過地區(qū)GDP的20%。在此意義上，少量的大型企業(yè)的經(jīng)營狀態(tài)即可一定程度上代表地區(qū)經(jīng)濟(jì)發(fā)展的景氣程度。因此，分析少量行業(yè)大用戶群體的負(fù)荷特性變化在宏觀上具備地區(qū)經(jīng)濟(jì)表征性。

借鑒股市成分指數(shù)，考慮篩選地區(qū)若干位具有代表性的企業(yè)用戶作為樣本對(duì)象來計(jì)算負(fù)荷指數(shù)。

2 周期調(diào)整負(fù)荷成分指數(shù)構(gòu)造方法

前述提及，用戶實(shí)際生產(chǎn)行為變動(dòng)少有關(guān)注，而利潤分配嚴(yán)重失衡，這使得簡單加和樣本用戶用電量并不足以支撐深入分析。因此，需要針對(duì)上述情況相應(yīng)處理樣本用戶日電量。

2.1 負(fù)荷指數(shù)基礎(chǔ)指標(biāo)

不同于小企業(yè)或個(gè)體戶等，多數(shù)大企業(yè)尤其是工業(yè)大企業(yè)一般會(huì)實(shí)行單休或雙休制度，且對(duì)于一些大規(guī)模的工業(yè)企業(yè)，其工作計(jì)劃性強(qiáng)，在季度或月度等中短時(shí)間段內(nèi)每日的工作量基本穩(wěn)定。因此，部分大企業(yè)用戶用電量存在著工作日效應(yīng)，即一周內(nèi)工作日負(fù)荷率明顯高于周末日負(fù)荷率[13]。這一工作日效應(yīng)帶來的固有周期變化使得用戶負(fù)荷存在顯著的“正?！辈▌?dòng)，而這種波動(dòng)會(huì)影響對(duì)負(fù)荷受擾波動(dòng)的辨別以及對(duì)異常波動(dòng)嚴(yán)重程度的判斷。因此,需要區(qū)分開工作日效應(yīng)這種固有波動(dòng)的影響，但也不能忽略這部分電量的實(shí)際效益。

本文將用戶實(shí)際日用電量表示成N×7維矩陣D，拆解為

D=F+I·T

(1)

式中F為N×7維的非周期分量矩陣；I為N×1維的全1矩陣；T為1×7維的周期分量矩陣。

T通過STL算法[14]對(duì)歷史數(shù)據(jù)進(jìn)行周期分解得到。STL是一個(gè)迭代的非參數(shù)回歸過程，是將魯棒局部加權(quán)回歸作為平滑方法的時(shí)間序列分解方法，能夠得到穩(wěn)健的周期項(xiàng)，而不會(huì)被數(shù)據(jù)中的異常行為扭曲，并且適用于有缺失值的時(shí)間序列。

STL利用局部加權(quán)散點(diǎn)平滑(locally weighted scatterplot smoothing，LOESS)對(duì)離散序列點(diǎn)進(jìn)行平滑處理。對(duì)于一個(gè)時(shí)間序列yi(i=1, 2,…,n)，選取平滑參數(shù)q≤n，由與時(shí)間點(diǎn)x最近的q個(gè)序列時(shí)間點(diǎn)xj構(gòu)造時(shí)間點(diǎn)x上的鄰近權(quán)重：

(2)

式中λq為x與距其第q個(gè)遠(yuǎn)的序列值xλ的距離。

以此對(duì)yi局部加權(quán)線性回歸的優(yōu)化目標(biāo)為

(3)

基于LOESS，STL包含內(nèi)、外2個(gè)循環(huán)，其中內(nèi)循環(huán)過程如下：

1)去趨勢(shì)，即減去上一輪結(jié)果的趨勢(shì)分量，D-T(k)；2)周期子序列平滑，對(duì)每個(gè)子序列做LOESS回歸，并向前、后各延展一個(gè)周期，得到C(k+1)；3)周期子序列低通濾波，對(duì)C(k+1)依次進(jìn)行窗口長度為7(周期長度)、7、3的滑動(dòng)平均，再LOESS回歸，得到H(k+1)；4)周期子序列去趨勢(shì)，即S(k+1)=C(k+1)-H(k+1)；5)去周期，即減去周期分量，D-S(k+1)；6)趨勢(shì)平滑，對(duì)Y-S(k+1)進(jìn)行LOESS平滑，得到趨勢(shì)分量T(k+1)。

外循環(huán)根據(jù)上述所得周期項(xiàng)S和趨勢(shì)項(xiàng)T計(jì)算余項(xiàng)R=D-S-T，并由此對(duì)時(shí)間點(diǎn)x賦予穩(wěn)健權(quán)重：

(4)

(5)

式中 median(·)表示取給定數(shù)值集合的中值。

進(jìn)一步地，為保留周期分量電量帶來的實(shí)際效益，將T均攤到周一至周日，以日用電量調(diào)整值D′代替實(shí)際值D作為負(fù)荷指數(shù)基礎(chǔ)指標(biāo)：

(6)

企業(yè)用戶雖有固定工作日效應(yīng)，但由于每周任務(wù)量的差異會(huì)存在工作強(qiáng)弱區(qū)別，以ξ描述此種工作強(qiáng)度，其元素ξi的目標(biāo)確定如下：

mingm=σ(Dm-ξm·T)

(7)

式中Dm為由D中第m行元素組成的行矩陣；σ(·)來計(jì)算給定數(shù)值集合的標(biāo)準(zhǔn)差。

2.2 樣本用戶權(quán)重確定

利潤分配失衡問題使得各行業(yè)各企業(yè)對(duì)主體經(jīng)濟(jì)的推動(dòng)力不一。因此，考量企業(yè)用戶所屬行業(yè)及其個(gè)體的差異，為樣本用戶分配多項(xiàng)權(quán)重，并據(jù)此對(duì)其調(diào)整日電量進(jìn)行加權(quán)整合。

2.2.1 行業(yè)層面

1)地位重要度權(quán)重。

相較于一些傳統(tǒng)行業(yè)的企業(yè)用戶，社會(huì)或是政府更關(guān)心一些高新技術(shù)行業(yè)的發(fā)展，同時(shí)這些高新技術(shù)和行業(yè)也匯聚了更多的社會(huì)資源投入，具有更高的經(jīng)濟(jì)產(chǎn)值。因此，對(duì)于這部分用戶用電量波動(dòng)應(yīng)給予更多的重視。在指數(shù)中，結(jié)合一種經(jīng)典的主觀賦權(quán)法——模糊專家評(píng)價(jià)法[15]對(duì)樣本涉及行業(yè)的相對(duì)重要性劃分5個(gè)等級(jí)，并以梯形模糊數(shù)M=(l,m,n,r)量化專家評(píng)判意見，其中，l、m、n、r分別為模糊數(shù)的下界值、上臨值、下臨值和上界值，取值如表1所示。

表1 梯形模糊數(shù)取值Table 1 Trapezoidal fuzzy value

首先，邀請(qǐng)k位專家評(píng)判樣本涉及行業(yè)的地位相對(duì)重要性，將所有專家評(píng)判結(jié)果對(duì)應(yīng)的模糊數(shù)以等權(quán)重線性加權(quán)方式進(jìn)行整合，得到第i個(gè)行業(yè)的重要程度判別模糊數(shù)：

(8)

式中Miq為第q位專家對(duì)第i個(gè)行業(yè)的評(píng)判結(jié)果對(duì)應(yīng)的模糊數(shù)。

然后，計(jì)算梯形模糊數(shù)的重心：

(9)

式中μM(x)為梯形模糊數(shù)M對(duì)應(yīng)的隸屬度函數(shù)，取值如下：

(10)

最后，對(duì)c(Mi)歸一化即可得到樣本涉及行業(yè)的地位重要性權(quán)重si。

2)行業(yè)貢獻(xiàn)率權(quán)重。

由于地區(qū)的發(fā)展規(guī)劃因地制宜，各有行業(yè)側(cè)重，使得不同行業(yè)對(duì)地區(qū)經(jīng)濟(jì)發(fā)展的貢獻(xiàn)度不一，因此，對(duì)高貢獻(xiàn)行業(yè)應(yīng)給予更多關(guān)注。定義行業(yè)貢獻(xiàn)率rC為各行業(yè)增加值增量與地區(qū)生產(chǎn)總值增量之比，即

(11)

式中 ΔEi為第i個(gè)行業(yè)的地區(qū)行業(yè)增加值增量；ΔZGDP為地區(qū)生產(chǎn)總值增量。

3)能耗產(chǎn)出關(guān)系權(quán)重。

高能耗并不與高經(jīng)濟(jì)收益完全對(duì)等，相比于傳統(tǒng)的高能耗產(chǎn)業(yè)，高產(chǎn)出的技術(shù)型行業(yè)更為重要。對(duì)此，行業(yè)能耗產(chǎn)出關(guān)系反映了其對(duì)主體經(jīng)濟(jì)的貢獻(xiàn)度，根據(jù)用戶所屬行業(yè)對(duì)其賦予經(jīng)濟(jì)貢獻(xiàn)度權(quán)重，該權(quán)重計(jì)算方式如下：

(12)

式中Ei為第i個(gè)行業(yè)的地區(qū)行業(yè)增加值；Pi為第i個(gè)行業(yè)的樣本電量總和；n為樣本涉及行業(yè)總數(shù)。

2.2.2 個(gè)體層面

同行業(yè)內(nèi)企業(yè)用戶間的規(guī)模對(duì)比很大程度上在其用電量水平上有所體現(xiàn)，因此無需額外考量該因素并賦權(quán)。而值得關(guān)注的是，企業(yè)用戶業(yè)擴(kuò)潛力與該用戶的發(fā)展過程有直接的關(guān)系，相比于發(fā)展到達(dá)穩(wěn)定期用戶，日漸蓬勃的企業(yè)更是經(jīng)濟(jì)走勢(shì)的潛力股，應(yīng)當(dāng)著重分析。對(duì)此提出年化業(yè)擴(kuò)比例kp和容量飽和度SS,p指標(biāo)，判斷第p個(gè)用戶的業(yè)擴(kuò)潛力：

(13)

(14)

表2 容量使用比例分級(jí)靠檔Table 2 Category-weighted chart of the capacity usage ratio %

組合kp、SS,p這2項(xiàng)指標(biāo)，計(jì)算第p個(gè)用戶的業(yè)擴(kuò)潛力權(quán)重：

(15)

式中Ωi為第i個(gè)行業(yè)的用戶集合。

2.2.3 權(quán)重組合

組合上述業(yè)擴(kuò)潛力權(quán)重，得到第i個(gè)行業(yè)內(nèi)第p個(gè)用戶的綜合權(quán)重，即

ωp=(αsi+βrCi+θρi)·ep,p∈Ωi

(16)

式中 ɑ、β、θ為組合系數(shù)，此處取ɑ=β=θ=1/3。

2.3 構(gòu)造調(diào)整負(fù)荷成分指數(shù)

(17)

式中D′sp為第p個(gè)用戶的調(diào)整日電量矩陣總和值；D′sp0為第p個(gè)用戶于t0日的調(diào)整日電量矩陣總和值。

2.4 剔除環(huán)境因素影響

環(huán)境因素是影響負(fù)荷變化的另一主要因素，尤其是氣溫因素。通過分析負(fù)荷與氣溫的相關(guān)性，剔除指數(shù)受氣溫因素的影響。

協(xié)變量可以用來解釋時(shí)間序列中的一些變化，考慮氣溫因素作為具有時(shí)變系數(shù)的協(xié)變量，其時(shí)變系數(shù)隨時(shí)間平穩(wěn)變化，但不呈現(xiàn)任何周期性。將指數(shù)拆解為

It=Lt+τtAt+ζt+ε

(18)

式中Lt為平滑的趨勢(shì)項(xiàng)；At為協(xié)變量，即氣溫值；τt為協(xié)變量的系數(shù)；ζt為隨機(jī)項(xiàng)；ε為擬合誤差。

剔除氣溫因素協(xié)變量的影響，即可得到負(fù)荷指數(shù)的趨勢(shì)曲線。

3 調(diào)整負(fù)荷成分指數(shù)應(yīng)用示例

以深圳地區(qū)為例，所有用戶按2019年總用電量排序，以最大用電量作為基準(zhǔn)值的對(duì)比結(jié)果如圖1所示，其中第1位用戶與第173位用戶的差異已超百倍，與第201位用戶差異更是將近千倍。因此，剔除用電量排序200名外的用戶，再參考行業(yè)挑選出深圳市100位企業(yè)用戶作為樣本構(gòu)造2020年指數(shù)，電量數(shù)據(jù)規(guī)模大小由全量用戶的365×106維矩陣縮減至100位用戶的365×100維矩陣，樣本涉及行業(yè)及其代號(hào)對(duì)照如表3所示。

圖1 用電量排序結(jié)果Figure 1 Power consumption sorting result

表3 樣本涉及行業(yè)及其代號(hào)對(duì)照Table 3 Industries of samples and its code

首先，對(duì)樣本用戶前一自然年(2019年)的歷史日電量進(jìn)行STL分解，獲取樣本用戶歷史日電量的周期分量，并據(jù)此對(duì)用戶2020年實(shí)際日電量進(jìn)行調(diào)整，得到調(diào)整日電量D′。某用戶調(diào)整前、后的電量曲線如圖2所示，可見該用戶調(diào)整負(fù)荷值雖仍有細(xì)微波動(dòng)，但與調(diào)整前負(fù)荷的波動(dòng)性質(zhì)已截然不同，不再表現(xiàn)出工作日效應(yīng)，即不再固定于休息日大幅跌落至極小值。同時(shí)，由此得到的100位用戶的工作強(qiáng)度系數(shù)矩陣如表4所示。

圖2 某用戶調(diào)整前、后用電量對(duì)比Figure 2 Power consumption before and after adjustment

表4 工作強(qiáng)度系數(shù)矩陣Table 4 Matrix of working strength coefficient

然后，確定各樣本用戶涉及行業(yè)的權(quán)重。在深圳市統(tǒng)計(jì)局網(wǎng)站上查詢行業(yè)增加值增量及樣本電量總和等數(shù)據(jù)，如表5、6所示(由于2019年統(tǒng)計(jì)數(shù)據(jù)不全，就近取2018年數(shù)據(jù)作為代替計(jì)算)。

表5 2018年樣本涉及行業(yè)增加值增量及電量總和Table 5 Increment of value added by the industries of samples and total power consumption in 2018

表6 2018年地區(qū)生產(chǎn)總值增量Table 6 Increment of the regional GDP in 2018

采用問卷調(diào)查的方式咨詢專家意見，根據(jù)供電局客服經(jīng)驗(yàn)豐富的5位專家意見結(jié)果，按式(8)～(10)計(jì)算模糊數(shù)重心大小，得出行業(yè)重要度權(quán)重，如表7所示。結(jié)合表5、6，按式(11)、(12)可計(jì)算行業(yè)貢獻(xiàn)率、能耗產(chǎn)出關(guān)系權(quán)重；根據(jù)100位企業(yè)用戶近3年的容量擴(kuò)裝情況計(jì)算其業(yè)擴(kuò)潛力權(quán)重。

表7 行業(yè)權(quán)重值Table 7 The weights of industries of the samples

最后，整合上述權(quán)重并結(jié)合式(16)對(duì)企業(yè)2020年調(diào)整負(fù)荷進(jìn)行計(jì)算，以2020年1月6日作為基期繪制指數(shù)，如圖3所示，進(jìn)一步地，可去除氣溫因素影響的指數(shù)。

圖3 2020年指數(shù)及氣溫影響情況Figure 3 Index and its temperature impact in 2020

4 調(diào)整負(fù)荷成分指數(shù)示例分析

4.1 用戶工作強(qiáng)度分析

基于上述所得100位用戶的工作強(qiáng)度系數(shù)矩陣(表4)繪制熱力圖，如圖4所示(圖中色度于0～1為均勻分布，于1～10為對(duì)數(shù)分布)，其中，每行代表一周，每列代表一位用戶，每個(gè)色塊的顏色表示用戶某一周的工作強(qiáng)度系數(shù)，系數(shù)值越大，說明用戶當(dāng)周工作量越大。

圖4 2020年各周用戶工作強(qiáng)度情況Figure 4 Weekly working strength in 2020

由圖4中可見，第4至第8周(2月份)基本所有用戶工作強(qiáng)度系數(shù)接近0，當(dāng)時(shí)處于春節(jié)期間，且受疫情影響直到3月才陸續(xù)復(fù)工復(fù)產(chǎn)，能看出部分企業(yè)疫情調(diào)休，復(fù)工復(fù)產(chǎn)后仍有幾周無工作日效應(yīng)；第14、16、24、39周同樣出現(xiàn)了大部分用戶工作強(qiáng)度系數(shù)降至0的情況，其中，第14、16、24周分別為勞動(dòng)節(jié)/端午節(jié)前后周，均于周末調(diào)休補(bǔ)班，而第39周為國慶節(jié)當(dāng)周，假期工作暫停。

綜上，所提工作強(qiáng)度系數(shù)在分析用戶復(fù)工復(fù)產(chǎn)、工作安排、調(diào)休補(bǔ)班等生產(chǎn)經(jīng)營行為上具有重要作用。具體地，當(dāng)工作強(qiáng)度系數(shù)接近1時(shí)，該用戶當(dāng)周處于正常生產(chǎn)經(jīng)營狀態(tài)；當(dāng)接近0時(shí)，該用戶當(dāng)周處于調(diào)休補(bǔ)辦或假期狀態(tài)；當(dāng)遠(yuǎn)大于1時(shí)，該用戶當(dāng)周生產(chǎn)經(jīng)營活動(dòng)較平常更為活躍。

4.2 地區(qū)日用電行為模式分析

當(dāng)去除工作日特性的短期規(guī)律波動(dòng)后，指數(shù)的趨勢(shì)更為明顯，可以清晰辨別用戶電量的整體水平和異常波動(dòng)。如：2020年大部分時(shí)間下去氣溫影響指數(shù)值低于1 000，以電量角度來看，地區(qū)發(fā)展整體處于低迷狀態(tài)，直至年底有所恢復(fù)；再如：1月底春節(jié)期間指數(shù)跌至550左右，之后受疫情影響直至3月中旬指數(shù)恢復(fù)至1月水平，說明大企業(yè)才基本實(shí)現(xiàn)復(fù)工復(fù)產(chǎn)；又如：指數(shù)在春節(jié)、勞動(dòng)節(jié)、端午節(jié)、國慶節(jié)4個(gè)法定節(jié)假日前后明顯下跌，其中下降幅度為春節(jié)>國慶>勞動(dòng)節(jié)>端午節(jié)，這方面指數(shù)也側(cè)面反映了對(duì)節(jié)假日的重視程度。

此外，將2020年指數(shù)值與該年全社會(huì)總電量(以1月1日值標(biāo)準(zhǔn)化)對(duì)比，如圖5所示，可見原始指數(shù)與全社會(huì)總電量具有相似的變化趨勢(shì)，具有表征整體用戶用電行為的作用。

圖5 2020年指數(shù)值與全社會(huì)總電量對(duì)比Figure 5 Index and total electricity consumption in 2020

綜上，通過對(duì)比指數(shù)值可比較地區(qū)電量變動(dòng)情況，一定程度上能反映地區(qū)發(fā)展態(tài)勢(shì)，當(dāng)指數(shù)長期處于增長狀態(tài)則說明地區(qū)生產(chǎn)經(jīng)營行為趨于活躍，發(fā)展向好，相反則說明地區(qū)發(fā)展較為低迷。

4.3 指數(shù)與經(jīng)濟(jì)關(guān)系格蘭杰檢驗(yàn)

為進(jìn)一步驗(yàn)證指數(shù)對(duì)地區(qū)經(jīng)濟(jì)的表征性，本文探討指數(shù)與地區(qū)GDP、固定資產(chǎn)投資(investment in fixed assets，F(xiàn)AI)、規(guī)模以上工業(yè)總產(chǎn)值(gross output value of industry above designated size，IDGO)以及居民消費(fèi)價(jià)格指數(shù)(consumer price index，CPI)等指標(biāo)間的關(guān)系。

計(jì)量經(jīng)濟(jì)學(xué)中的格蘭杰因果檢驗(yàn)[16]可用于判斷2個(gè)時(shí)間序列變量在統(tǒng)計(jì)學(xué)上的因果關(guān)系。利用格蘭杰因果檢驗(yàn)可分析去除氣溫影響后的指數(shù)與多個(gè)經(jīng)濟(jì)指標(biāo)間的關(guān)系?；诳ǚ椒植紝?duì)指標(biāo)與指數(shù)間關(guān)系假設(shè)進(jìn)行檢驗(yàn)，在1%的顯著性水平下作三階最大滯后數(shù)檢驗(yàn)，并與未經(jīng)加權(quán)處理的指數(shù)檢驗(yàn)作對(duì)比，取顯著性水平最小的滯后階數(shù)結(jié)果，如表8所示；GDP與指數(shù)的相關(guān)性如表9所示。

表8 Granger因果檢驗(yàn)結(jié)果Table 8 Granger causality test results

表9 GDP與指數(shù)的相關(guān)系數(shù)Table 9 Correlation coefficient between GDP and index

格蘭杰檢驗(yàn)結(jié)果顯示，指數(shù)是引起IDGO、CPI等變化的Granger原因，并且均具有三階的滯后，故負(fù)荷指數(shù)所表征的用電行為變動(dòng)可在一定程度上反映生產(chǎn)總值以及消費(fèi)水平的變化；FAI是引起指數(shù)三階滯后變化的Granger原因，說明了固定生產(chǎn)投資對(duì)生產(chǎn)經(jīng)營行為起到規(guī)劃作用。在GDP與指數(shù)的相關(guān)性分析中，多種方法均說明指數(shù)與GDP高度相關(guān)。同時(shí)，在指數(shù)加權(quán)與否的對(duì)比中發(fā)現(xiàn)，加權(quán)指數(shù)與經(jīng)濟(jì)指標(biāo)關(guān)系檢驗(yàn)結(jié)果的顯著性水平更低，即結(jié)果更為可信，且加權(quán)指數(shù)與GDP的相關(guān)性也優(yōu)于不加權(quán)指數(shù)的相關(guān)性，由此證明了加權(quán)方法的有效性。此外，指數(shù)與經(jīng)濟(jì)值的關(guān)系也印證了樣本選取具備良好的表征性。

5 結(jié)語

本文借鑒股價(jià)指數(shù)，構(gòu)造了調(diào)整負(fù)荷成分指數(shù)，旨在展示行業(yè)大用戶的電力負(fù)荷發(fā)展情況，指數(shù)大于1 000時(shí)說明用電量比基期有所上漲，對(duì)比兩日指數(shù)值可比較用戶日電量變化情況。

1)指數(shù)構(gòu)造過程所得到的工作強(qiáng)度系數(shù)在分析用戶復(fù)工復(fù)產(chǎn)、工作安排、調(diào)休補(bǔ)班等生產(chǎn)經(jīng)營行為上具有重要作用；2)指數(shù)反映地區(qū)日用電行為模式時(shí)具有更加準(zhǔn)確直觀的可視性，具有表征整體用戶用電行為的作用，且一定程度上能反映地區(qū)發(fā)展態(tài)勢(shì)；3)去除氣溫影響后的指數(shù)與經(jīng)濟(jì)等指標(biāo)具有明顯的統(tǒng)計(jì)因果關(guān)系，能夠?yàn)橥度氘a(chǎn)出關(guān)系分析以及經(jīng)濟(jì)走勢(shì)預(yù)測(cè)提供參考價(jià)值。

未來可在調(diào)整負(fù)荷成分指數(shù)的基礎(chǔ)上研究更細(xì)化、分類別的電力負(fù)荷指數(shù)，專門針對(duì)不同行業(yè)、不同體量、不同類型的用戶制定指數(shù)曲線，通過提煉指數(shù)背后的經(jīng)濟(jì)價(jià)值為各方?jīng)Q策提供有效支持。