北京市电能替代潜力预测模型建立及实证分析

毛楷文

一、研究背景及意义

电力作为一种稳定高效的清洁能源，相比其他能源具有得天独厚的优势，出于能源消费结构合理化的要求和环境保护的压力，电力在未来能源消费领域中的地位也会愈加重要，伴随着能源消费结构的调整和电力市场改革的不断推进，可以预见未来的电力需求一定会出现大幅增长，市场面临的电力需求也会更加多样化，相对精准的电力需求预测是国家进行电力市场宏观调控和改革推进、电网企业进行需求侧管理与需求侧响应，应对环境变化制定企业战略的重要依据，因此，寻求一种合适的模型方法对未来电力需求进行准确预测就具有了重要的研究价值和现实意义。

二、国内外研究现状

关于电力需求预测可以分为极短期负荷预测[1-2]、短期负荷预测[3-5]、中期负荷预测[6]、长期负荷预测[7-8]，本研究的涉及的属于长期负荷预测，R.J. Hyndman[8]提出了预测长期高峰需求的预测方法，将人口增长、经济状况和天气状况等可能影响高峰需求的不确定因素考虑在内。此外，特别提出，由于不同的驾驶行为和收费模式，电动汽车的大规模使用会成为不确定性因素之一[9-12]。关于针对电力需求预测的方法有很多，包括模糊逻辑方法和人工神经网络[13]，线性回归[14]，数据挖掘[15]，传递函数[16]，贝叶斯统计[17]，判断预测[18]和灰色动态模型[19]等方法，在电力需求预测领域都得到很好的实践。

国内学者关于电力需求的预测主要方法有协整理论[20]、灰色模型[21]、支持向量机[22]、人工神经网络[23]、组合预测法[24]等。李如琦[25]通过利用启发式最小二乘支持向量机对我国中长期电力负荷进行预测，具有较高的精度、可行性与实用性。除了对基本方法的研究之外，很多学者通过研究如粒子群等优化算法[26-29]对预测模型进行优化，以提高各类预测方法的精度。

三、研究模型构建

通过对电力需求预测相关文献的研究可以发现，影响电力需求的因素众多，相比影响因素而言可统计利用的数据相对较少，且各因素与终端电力消费量之间的关系是非线性的，因此考虑应用蚁狮优化最小二乘支持向量机（ant lion optimizer least squares support vector machine （ALO -LSSVM））的方法进行预测。

最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）是支持向量机在二次损失函数下的一种形式，是利用小样本数据的统计学习理论在高维特征空间中寻找最优线性回归超平面对数据进行回归的一种模型。基本思想来源于最优分离超平面——最大化间隔并采用核学习的方法，是结构风险最小化原则在统计学习问题上的一个具体实现。

在运用最小二乘支持向量机LSSVM模型预测电力需求时，首先需要确定正则化参数C和核函数参数σ2的数值，而这两个参数的取值对LSSVM模型回归性能具有很重要的影响。其中，正则化参数C（也称之为惩罚参数）用于控制LSSVM模型函数拟合的误差，其值越大，拟合误差越小，但也会导致模型的训练时间增加以及过拟合现象;核函数参数σ2代表径向基RBF函数的带宽，LSSVM模型拟合误差随着参数σ2的变小而减小，但同时也会存在模型训练时间增加以及过拟合现象。因此，需要合理有效地确定正则化参数C和核函数参数σ2的数值。

当前，确定正则化参数C和核函数参数数值主要有两种方法：一是根据经验主观确定二者的参数值，这种方法常常会导致LSSVM模型不能很好的反映实际问题的特征;另一种方式是采用群体智能等方法优化确定LSSVM模型的这两个参数，这种方法规避了人为主观确定方法的缺点，同时能够通过多次迭代寻优最优的参数值。因此，近些年在实际工程问题中得到了广泛地应用。本文为了能够准确设定正则化参数C和核函数参数σ2的值，采用第二种方法，具体为运用蚁狮优化算法自动寻找用于预测电力需求的最优参数值。

通过文献分析，我们选取GDP，人口和产业结构作为影响用电需求的主要影响因素，并用全社会用电量作为样本年份中的电力需求值，运用上文构建的模型，将GDP、人口、产业结构以及全社会用电量作为输入变量，就能对未来受社会经济因素影响下的理论用电需求做出预测。

四、以北京地区为例的电力需求预测实证分析

利用构建的ALO-LSSVM模型对北京地区至2020年的电力需求进行预测，首先根据相关历史数据和政策分析，對2016-2020年的北京市GDP、人口和产业结构进行分析和预测，再代入模型预测2017-2020年的电力需求。

（一）GDP

图1 北京市2001-2016年实际GDP

根据《北京市国民经济和社会发展第十三个五年规划纲要》主要目标中对经济发展的要求提出经济保持中高速增长。在发展质量和效益不断提高的基础上，地区生产总值年均增长6.5%，2020年地区生产总值和城乡居民人均收入比2010年翻一番。根据发展规划要求对北京市2017-2020年的GDP进行预测，结果如表1所示。

（二）人口

北京市2001-2016年实际人口总数与增长率如图2所示：

根据《北京市国民经济和社会发展第十三个五年规划纲要》关于有序疏解非首都功能中提出要求，严格控制增量，有序疏解存量，强化政策措施，加强人口调控，严格控制人口规模，2020年常住人口控制在2300万人以内。因此对北京市2017-2020年的人口进行预测，如表2所示。

（三）产业结构

一般选取一个地区的二产占比来表征产业结构，有别于其他地区，北京出台的一系列环境治理政策，去产能政策，非首都功能化政策等措施，不断提高三产在国民经济中的占比，北京市第三产业已然成为影响地区电力需求的最主要因素，因此针对北京市，特选取第三产业产值占总产值的比例表征产业结构。北京市2001-2016年的三产占比结构变化如图3所示。

根据《北京市国民经济和社会发展第十三个五年规划纲要》中提出的要求，主要经济指标平衡协调，劳动生产率和地均产出率大幅提高。三次产业内部结构进一步优化，服务业增加值占地区生产总值比重高于80%。因此本文利用十二五以来的三产占比平均增长率预测2017-2020年的三产占比，结果如表3所示。

（四）全社会用电量

根据中国电力统计年鉴数据，可以得到2001-2016年北京市全社会用电量如图4所示。

利用2001-2011年的全社会用电量、GDP、人口、三产占比的历史数据，运用前文构建的ALO-LSSVM方法，对2017-2020年的用电需求进行预测，其中选取2001-2015的历史数据作为训练样本，以2016年的数据作为测试样本，根据MAE （平均绝对误差）准则，得到γ与σ2两个参数的最优值，进而对2017-2020年的用电需求值进行预测，结果如表4所示。

通过比较2016年全社会用电量和2016年测试样本的计算结果可以发现，2016年的预测值和实际值误差为3%，说明ALO-LSSVM模型的预测具有较高准确度，运用该方法能够较为精确的对未来受社会经济影响的电力需求做出预测。

参考文献：

[1]李翔， 高山， 陈昊. 基于变结构协整理论的中长期电力负荷预测模型[J]. 电网技术， 2007， 31（9）：48-52.

[2]王大鹏， 汪秉文. 基于变权缓冲灰色模型的中长期负荷预测[J]. 电网技术， 2013， 37（1）：167-171.

[3]罗楠， 朱业玉， 杜彩月. 支持向量机方法在电力负荷预测中的应用[J]. 电网技术， 2007（s2）：215-218.

[4]王小波， 刘德强. 基于人工神经网络的短期负荷预测的研究[J]. 电力学报， 2011， 26（4）：287-289.

[5]刘文颖， 门德月， 梁纪峰，等. 基于灰色关联度与 LSSVM 组合的月度负荷预测[J]. 电网技术， 2012， 36（8）：228-232.

[6]李如琦， 蘇浩益， 王宗耀，等. 应用启发式最小二乘支持向量机的中长期电力负荷预测[J]. 电网技术， 2011， 35（11）：195-199.