贵州省用电量组合预测探讨

开篇：润墨网以专业的文秘视角，为您筛选了一篇贵州省用电量组合预测探讨范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：文章基于贵州省2003～2013年的历史数据对年用电量进行了建模分析，发现运用偏最小二乘回归法（PLS）建模分析精度可达到96.95%，并且很好地克服了解释变量之间的相关性问题。由于贵州省近十一年的用电量成非线性上升趋势，文章同时采用灰色GM（1，1）模型对其进行了模拟，发现精度可达到96.53%。

关键词：贵州省;用电量预测;偏最小二乘回归预测;灰色GM（1，1）预测;组合预测 文献标识码：A

中图分类号：TM93 文章编号：1009-2374（2016）04-0186-02 DOI：10.13535/ki.11-4406/n.2016.04.092

1 概述

贵州省丰富的煤炭资源和水力资源使其电力产业有着水火共济的优势，“十一五”期间，贵州省共向广东省送电达1587亿千瓦时，“十二五”计划预计对广东省送电2430亿千瓦时。为配合贵州省内西电东送电源点的建设，南方电网公司不断加大电网建设力度，目前贵州省内500千伏电网逐步由“三角”环网向“日”字型发展，已形成“五条交流两条直流”7条外送大通道，因此，对贵州省内自身中长期用电量进行精确预测能够帮助电网公司合理规划电源建设，安排内部机组生产计划，制定营销方案，提高经济与社会效益。目前用于电力预测的方法很多，比较经典的有综合用电水平法、单耗法、弹性系数法、负荷密度法等，经过实际运算预测，发现这些方法预测精度比较低。由于解释变量之间存在较强的共线性，导致传统的普通回归建立的模型参数估计量经济意义不合理，变量显著性检验失去意义，模型预测功能失效。偏最小二乘回归分析法能很好地解决解释变量之间共线性的问题，并且能够得到较高精度的预测结果。另外，灰色预测模型可将看似离散的序列经数据变换后形成有规律的生成序列，对样本数量的要求低，能给出精度较高的预测结果。本文将PLS预测法与灰色GM（1，1）方法组合起来对贵州省2015～2020年的用电量进行预测，结果表明比单个预测方法的精度更高。

2 预测结果

2.1 PLS，GM（1，1）matlab编程预测结果及误差分析

目前贵州省三大产业结构已经达到了工业化初期的比例。三大产业各自的用电效率不同，使得该产业结构一旦发生改变，便会对用电量造成影响。本文将贵州省年度GDP值定义为x1，将贵州省第一产业增加值、第二产业增加值、第三产业增加值分别定义为x2、x3、x4。随着贵州省不断加大城镇化建设力度，本文将贵州城镇人口数定义为最后一个解释变量x5。本文选取贵州省2003～2013年的历史数据（表1），先运用普通最小二乘回归分析进行建模：

2.2 优选组合预测结果

常用的组合预测方法有等权平均组合预测法、固定权预测方法、变权组合预测方法。基于累加残差的变权组合预测方法，使得权重可以反映模型在整个预测过程中的表现，根据变权组合思想，可计算出GM（1，1），PLS预测所占的权重见表3：

根据以上的计算结果，得出对贵州省2003～2013年用电量组合预测结果，见表4：

根据以上结果，组合预测结果精度高，而且比单一的预测模型的预测结果更为稳定，故本文可以通过以上三种方法对贵州省2015～2020年的用电量进行预测。

3 贵州省2015～2020年用电量预测

单一模型与组合模型预测结果，见表6：

4 结语

本文对贵州省2003～2013年用电量进行PLS回归分析，克服了解释变量之间的多重共线性问题，精度高达96.95%。同时使用灰色GM（1，1）建模分析，精度高达96.53%，并进一步预测了贵州省2015～2020年用电量。最后通过变权组合的方式，赋予了单一预测模型不同的权重，得到了精度更高的模拟结果，为贵州省电网进行电网规划，内部机组的生产与电力营销方案的制定，提供了良好的参考作用，降低发电成本，提高经济与社会效益。

参考文献

[1] 牛东晓，曹树华，赵磊，等.电力负荷预测技术及其应用[M].北京：中国电力出版社，1998.

[2] 王惠文.偏最小二乘回归方法及其应用[M].北京：国防工业出版社，1999.

[3] 邓聚龙.灰色预测与决策[M].武汉：华中理工大学出版社，1992.

[4] 单葆国，韩新阳，谭显东，等.中国“十三五”及中长期电力需求研究[J].中国电力，2015，48（1）.

[5] 肖欣，周渝慧，张宁，等.城镇化进程与电力需求增长的关系研究[J].中国电力，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 bination of Forecasts：An Extension[J].Management Science，1987，33（3）.

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