北京市電能替代潛力預測模型建立及實證分析

毛楷文

一、研究背景及意義

電力作為一種穩(wěn)定高效的清潔能源，相比其他能源具有得天獨厚的優(yōu)勢，出于能源消費結構合理化的要求和環(huán)境保護的壓力，電力在未來能源消費領域中的地位也會愈加重要，伴隨著能源消費結構的調整和電力市場改革的不斷推進，可以預見未來的電力需求一定會出現(xiàn)大幅增長，市場面臨的電力需求也會更加多樣化，相對精準的電力需求預測是國家進行電力市場宏觀調控和改革推進、電網(wǎng)企業(yè)進行需求側管理與需求側響應，應對環(huán)境變化制定企業(yè)戰(zhàn)略的重要依據(jù)，因此，尋求一種合適的模型方法對未來電力需求進行準確預測就具有了重要的研究價值和現(xiàn)實意義。

二、國內外研究現(xiàn)狀

關于電力需求預測可以分為極短期負荷預測[1-2]、短期負荷預測[3-5]、中期負荷預測[6]、長期負荷預測[7-8]，本研究的涉及的屬于長期負荷預測，R.J. Hyndman[8]提出了預測長期高峰需求的預測方法，將人口增長、經濟狀況和天氣狀況等可能影響高峰需求的不確定因素考慮在內。此外，特別提出，由于不同的駕駛行為和收費模式，電動汽車的大規(guī)模使用會成為不確定性因素之一[9-12]。關于針對電力需求預測的方法有很多，包括模糊邏輯方法和人工神經網(wǎng)絡[13]，線性回歸[14]，數(shù)據(jù)挖掘[15]，傳遞函數(shù)[16]，貝葉斯統(tǒng)計[17]，判斷預測[18]和灰色動態(tài)模型[19]等方法，在電力需求預測領域都得到很好的實踐。

國內學者關于電力需求的預測主要方法有協(xié)整理論[20]、灰色模型[21]、支持向量機[22]、人工神經網(wǎng)絡[23]、組合預測法[24]等。李如琦[25]通過利用啟發(fā)式最小二乘支持向量機對我國中長期電力負荷進行預測，具有較高的精度、可行性與實用性。除了對基本方法的研究之外，很多學者通過研究如粒子群等優(yōu)化算法[26-29]對預測模型進行優(yōu)化，以提高各類預測方法的精度。

三、研究模型構建

通過對電力需求預測相關文獻的研究可以發(fā)現(xiàn)，影響電力需求的因素眾多，相比影響因素而言可統(tǒng)計利用的數(shù)據(jù)相對較少，且各因素與終端電力消費量之間的關系是非線性的，因此考慮應用蟻獅優(yōu)化最小二乘支持向量機（ant lion optimizer least squares support vector machine （ALO -LSSVM））的方法進行預測。

最小二乘支持向量機（Least Squares Support Vector Machine，LSSVM）是支持向量機在二次損失函數(shù)下的一種形式，是利用小樣本數(shù)據(jù)的統(tǒng)計學習理論在高維特征空間中尋找最優(yōu)線性回歸超平面對數(shù)據(jù)進行回歸的一種模型?；舅枷雭碓从谧顑?yōu)分離超平面——最大化間隔并采用核學習的方法，是結構風險最小化原則在統(tǒng)計學習問題上的一個具體實現(xiàn)。

在運用最小二乘支持向量機LSSVM模型預測電力需求時，首先需要確定正則化參數(shù)C和核函數(shù)參數(shù)σ2的數(shù)值，而這兩個參數(shù)的取值對LSSVM模型回歸性能具有很重要的影響。其中，正則化參數(shù)C（也稱之為懲罰參數(shù)）用于控制LSSVM模型函數(shù)擬合的誤差，其值越大，擬合誤差越小，但也會導致模型的訓練時間增加以及過擬合現(xiàn)象;核函數(shù)參數(shù)σ2代表徑向基RBF函數(shù)的帶寬，LSSVM模型擬合誤差隨著參數(shù)σ2的變小而減小，但同時也會存在模型訓練時間增加以及過擬合現(xiàn)象。因此，需要合理有效地確定正則化參數(shù)C和核函數(shù)參數(shù)σ2的數(shù)值。

當前，確定正則化參數(shù)C和核函數(shù)參數(shù)數(shù)值主要有兩種方法：一是根據(jù)經驗主觀確定二者的參數(shù)值，這種方法常常會導致LSSVM模型不能很好的反映實際問題的特征;另一種方式是采用群體智能等方法優(yōu)化確定LSSVM模型的這兩個參數(shù)，這種方法規(guī)避了人為主觀確定方法的缺點，同時能夠通過多次迭代尋優(yōu)最優(yōu)的參數(shù)值。因此，近些年在實際工程問題中得到了廣泛地應用。本文為了能夠準確設定正則化參數(shù)C和核函數(shù)參數(shù)σ2的值，采用第二種方法，具體為運用蟻獅優(yōu)化算法自動尋找用于預測電力需求的最優(yōu)參數(shù)值。

通過文獻分析，我們選取GDP，人口和產業(yè)結構作為影響用電需求的主要影響因素，并用全社會用電量作為樣本年份中的電力需求值，運用上文構建的模型，將GDP、人口、產業(yè)結構以及全社會用電量作為輸入變量，就能對未來受社會經濟因素影響下的理論用電需求做出預測。

四、以北京地區(qū)為例的電力需求預測實證分析

利用構建的ALO-LSSVM模型對北京地區(qū)至2020年的電力需求進行預測，首先根據(jù)相關歷史數(shù)據(jù)和政策分析，對2016-2020年的北京市GDP、人口和產業(yè)結構進行分析和預測，再代入模型預測2017-2020年的電力需求。

（一）GDP

圖1 北京市2001-2016年實際GDP

根據(jù)《北京市國民經濟和社會發(fā)展第十三個五年規(guī)劃綱要》主要目標中對經濟發(fā)展的要求提出經濟保持中高速增長。在發(fā)展質量和效益不斷提高的基礎上，地區(qū)生產總值年均增長6.5%，2020年地區(qū)生產總值和城鄉(xiāng)居民人均收入比2010年翻一番。根據(jù)發(fā)展規(guī)劃要求對北京市2017-2020年的GDP進行預測，結果如表1所示。

（二）人口

北京市2001-2016年實際人口總數(shù)與增長率如圖2所示：

根據(jù)《北京市國民經濟和社會發(fā)展第十三個五年規(guī)劃綱要》關于有序疏解非首都功能中提出要求，嚴格控制增量，有序疏解存量，強化政策措施，加強人口調控，嚴格控制人口規(guī)模，2020年常住人口控制在2300萬人以內。因此對北京市2017-2020年的人口進行預測，如表2所示。

（三）產業(yè)結構

一般選取一個地區(qū)的二產占比來表征產業(yè)結構，有別于其他地區(qū)，北京出臺的一系列環(huán)境治理政策，去產能政策，非首都功能化政策等措施，不斷提高三產在國民經濟中的占比，北京市第三產業(yè)已然成為影響地區(qū)電力需求的最主要因素，因此針對北京市，特選取第三產業(yè)產值占總產值的比例表征產業(yè)結構。北京市2001-2016年的三產占比結構變化如圖3所示。

根據(jù)《北京市國民經濟和社會發(fā)展第十三個五年規(guī)劃綱要》中提出的要求，主要經濟指標平衡協(xié)調，勞動生產率和地均產出率大幅提高。三次產業(yè)內部結構進一步優(yōu)化，服務業(yè)增加值占地區(qū)生產總值比重高于80%。因此本文利用十二五以來的三產占比平均增長率預測2017-2020年的三產占比，結果如表3所示。

（四）全社會用電量

根據(jù)中國電力統(tǒng)計年鑒數(shù)據(jù)，可以得到2001-2016年北京市全社會用電量如圖4所示。

利用2001-2011年的全社會用電量、GDP、人口、三產占比的歷史數(shù)據(jù)，運用前文構建的ALO-LSSVM方法，對2017-2020年的用電需求進行預測，其中選取2001-2015的歷史數(shù)據(jù)作為訓練樣本，以2016年的數(shù)據(jù)作為測試樣本，根據(jù)MAE （平均絕對誤差）準則，得到γ與σ2兩個參數(shù)的最優(yōu)值，進而對2017-2020年的用電需求值進行預測，結果如表4所示。

通過比較2016年全社會用電量和2016年測試樣本的計算結果可以發(fā)現(xiàn)，2016年的預測值和實際值誤差為3%，說明ALO-LSSVM模型的預測具有較高準確度，運用該方法能夠較為精確的對未來受社會經濟影響的電力需求做出預測。

參考文獻：

[1]李翔， 高山， 陳昊. 基于變結構協(xié)整理論的中長期電力負荷預測模型[J]. 電網(wǎng)技術， 2007， 31（9）：48-52.

[2]王大鵬， 汪秉文. 基于變權緩沖灰色模型的中長期負荷預測[J]. 電網(wǎng)技術， 2013， 37（1）：167-171.

[3]羅楠， 朱業(yè)玉， 杜彩月. 支持向量機方法在電力負荷預測中的應用[J]. 電網(wǎng)技術， 2007（s2）：215-218.

[4]王小波， 劉德強. 基于人工神經網(wǎng)絡的短期負荷預測的研究[J]. 電力學報， 2011， 26（4）：287-289.

[5]劉文穎， 門德月， 梁紀峰，等. 基于灰色關聯(lián)度與 LSSVM 組合的月度負荷預測[J]. 電網(wǎng)技術， 2012， 36（8）：228-232.

[6]李如琦， 蘇浩益， 王宗耀，等. 應用啟發(fā)式最小二乘支持向量機的中長期電力負荷預測[J]. 電網(wǎng)技術， 2011， 35（11）：195-199.