电力系统负荷预测分析报告

电力系统负荷预测分析报告

班级：

姓名：

学号：

目录

一、背景 (3)

二、电力系统负荷预测意义 (3)

三、电力负荷的构成与特点 (4)

四、负荷预测的内容与分类 (4)

五、负荷预测的基本过程 (5)

1、调查和选择历史负荷数据资料 (5)

2、历史资料的整理 (5)

3、对负荷数据的预处理 (5)

4、建立负荷预测模型 (5)

六、电力系统负荷预测常用方法 (5)

1、趋势外推法 (5)

2、单耗法 (6)

3、回归分析法 (6)

4、时间序列法 (6)

5、灰色模型法 (6)

6、专家系统法 (7)

7、优选组合预测法 (7)

七、影响负荷预测因素 (7)

1. 气候等因素影响； (7)

2. 能源市场经济变化带来的影响： (8)

3. 工农业等宏观产业用户因素的影响： (8)

4. 时间因素： (9)

5. 地理因素对负荷因素的影响： (10)

6. 随机因素： (10)

7、以后应该注意的问题 (10)

八、2005-2013年全国各产业用电量分析 (10)

九、2014-2020年全国电力行业预测 (13)

十、个人总结： (17)

1.

一、背景

前几年在我们国家，特别是东南沿海的经济发达地区都还在为电力资源的紧张问题而烦恼。尽管国家已经在这几年大力建设电站，以满足经济发展的需要，但是不少地区还是经常出现拉停电的情况。为什么会出现这种情况呢？究其根本原因，就是我们以前没有预测到现在对电力的需求会有这么大，从而使电力系统的建设跟不上经济发展对电力能源的需求。这是从长期的角度来考虑，对于时间相对较短的，比如某个夏天特别的热，从而导致用电量大增，如果电网不做好相应的应变措施，难免会出现有的工厂会出现拉闸停电的状况。以上这些情况，都要求我们做好精确的负荷预测工作。

但是由于电力产品具有不能大量储存的特殊性，因此发、配电工作必须具有前瞻性。再者负荷预测对电力公司来说，能更好的进行规划投资，因而有利于其降低成本、增加利润。因而各种预测方法也就应运而生了，包括：外推预测法、单耗法、神经网络预测法。预测的精度也是越来越高的，但是总不能做到完全准确的预测，在预测时间上也受到限制。因为影响负荷预测的因素可以说是非常多的，如何正确的处理这些因素对精确的进行负荷预测来说是非常的重要的。

电力工业是国民经济发展中最重要的基础能源产业，是国民经济的第一基础产业，是关系国计民生的基础产业，是世界各国经济发展战略中的优先发展重点。作为一种先进的生产力和基础产业，电力行业对促进国民经济的发展和社会进步起到重要作用。电力工业与社会经济和社会发展有着十分密切的关系，它不仅是关系国家经济安全的战略大问题，而且与人们的日常生活、社会稳定密切相关。随着我国经济的发展，对电的需求量不断扩大，电力销售市场的扩大又刺激了整个电力生产的发展。

二、电力系统负荷预测意义

所谓电力系统负荷预测就是指对未来时刻电力系统符合用电量进行预测。它可以分为超短期预测、短期预测、中长期预测、超长期预测等等。由于其受到各种社会、经济、环境等不确定性因素的影响再加上电力系统负荷本身具有是不可控性，因此进行完全准确的负荷预测是十分困难的。负荷预测的目的就是提供负荷发展状况及水平，同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平，确定各规划年用电负荷构成。

电力负荷预测是供电部门的重要工作之一，准确的负荷预测，可以经济合理地安排电网内部发电机组的启停与检修，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，保证社会的正常生产和生活，有效降低发电成本，提高经济效益和社会效益。

负荷预测的结果，还有利于决定未来新的发电机组的安装，决定装机容量的大小、地点和时间，决定电网的增容和改建，决定电网的建设和发展。因此，电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一，尤其在我国电力事业空前发展的今天，用电管理走向市场，电力负荷预测问题的解决已经成为我们面临的重要而艰巨的任务。

三、电力负荷的构成与特点

电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。

城市民用负荷主要是城市居民的家用电器，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。

商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。虽然商业负荷在电力负荷中所占比重不及工业负荷和民用负荷，但商业负荷中的照明类负荷占用电力系统高峰时段。此外，商业部门由于商业行为在节假日会增加营业时间，从而成为节假日中影响电力负荷的重要因素之一。

工业负荷是指用于工业生产的用电，一般工业负荷的比重在用电构成中居于首位，它不仅取决于工业用户的工作方式（包括设备利用情况、企业的工作班制等），而且与各行业的行业特点、季节因素都有紧密的联系，一般负荷是比较恒定的。

农村负荷则是指农村居民用电和农业生产用电。此类负荷与工业负荷相比，受气候、季节等自然条件的影响很大，这是由农业生产的特点所决定的。农业用电负荷也受农作物种类、耕作习惯的影响，但就电网而言，由于农业用电负荷集中的时间与城市工业负荷高峰时间有差别，所以对提高电网负荷率有好处。

从以上分析可知电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。

电力负荷的特点决定了电力总负荷由以下四部分组成：基本正常负荷分量、天气敏感负荷分量、特别事件负荷分量和随机负荷分量。

四、负荷预测的内容与分类

电力系统负荷预测包括最大负荷功率、负荷电量及负荷曲线的预测。最大负荷功率预测对于确定电力系统发电设备及输变电设备的容量是非常重要的。为了选择适当的机组类型和合理的电源结构以及确定燃料计划等，还必须预测负荷及电量。负荷曲线的预测可为研究电力系统的峰值、抽水蓄能电站的容量以及发输电设备的协调运行提供数据支持。

负荷预测根据目的的不同可以分为超短期、短期、中期和长期。

超短期负荷预测是指未来1h以内的负荷预测，在安全监视状态下，需要5~10s或1~5min 的预测值，预防性控制和紧急状态处理需要10min至1h的预测值。

短期负荷预测是指日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划，包括确定机组起停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修等，对短期预测，需充分研究电网负荷变化规律，分析负荷变化相关因子，特别是天气因素、日类型等和短期负荷变化的关系。

中期负荷预测是指月至年的负荷预测，主要是确定机组运行方式和设备大修计划等。

长期负荷预测是指未来3~5年甚至更长时间段内的负荷预测，主要是电网规划部门根据国民经济的发展和对电力负荷的需求，所作的电网改造和扩建工作的远景规划。对中、长期负荷预测，要特别研究国民经济发展、国家政策等的影响。

五、负荷预测的基本过程

负荷预测工作的关键在于收集大量的历史数据，建立科学有效的预测模型，采用有效的算法，以历史数据为基础，进行大量试验性研究，总结经验，不断修正模型和算法，以真正反映负荷变化规律。其基本过程如下。

1、调查和选择历史负荷数据资料

多方面调查收集资料，包括电力企业内部资料和外部资料，从众多的资料中挑选出有用的一小部分，即把资料浓缩到最小量。挑选资料时的标准要直接、可靠并且是最新的资料。如果资料的收集和选择得不好，会直接影响负荷预测的质量。

2、历史资料的整理

一般来说，由于预测的质量不会超过所用资料的质量，所以要对所收集的与负荷有关的统计资料进行审核和必要的加工整理，来保证资料的质量，从而为保证预测质量打下基础，即要注意资料的完整无缺，数字准确无误，反映的都是正常状态下的水平，资料中没有异常的“分离项”，还要注意资料的补缺，并对不可靠的资料加以核实调整。

3、对负荷数据的预处理

在经过初步整理之后，还要对所用资料进行数据分析预处理，即对历史资料中的异常值的平稳化以及缺失数据的补遗，针对异常数据，主要采用水平处理、垂直处理方法。

数据的水平处理即在进行分析数据时，将前后两个时间的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；数据的垂直处理即在负荷数据预处理时考虑其%&’的小周期，即认为不同日期的同一时刻的负荷应该具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正，为待处理数据的最近几天该时刻的负荷平均值。

4、建立负荷预测模型

负荷预测模型是统计资料轨迹的概括，预测模型是多种多样的，因此，对于具体资料要选择恰当的预测模型，这是负荷预测过程中至关重要的一步。当由于模型选择不当而造成预测误差过大时，就需要改换模型，必要时，还可同时采用几种数学模型进行运算，以便对比、选择。

在选择适当的预测技术后，建立负荷预测数学模型，进行预测工作。由于从已掌握的发展变化规律，并不能代表将来的变化规律，所以要对影响预测对象的新因素进行分析，对预测模型进行恰当的修正后确定预测值。

六、电力系统负荷预测常用方法

1、趋势外推法

趋势外推法就是在大量历史的和现实的随机现象中，寻求它们的“平静的反映”，从而

得到系统运动变化的规律，并据此规律推测出该系统未来的状况。这就是应用趋势外推法可以对事物的未来状况进行预测的理论根据。趋势外推法是根据变量（预测目标）的时间序列数据资料，提示其发展变化规律，并通过建立适当的预测模型，推断其未来变化的趋势。很多变量的发展变化与时间之间都存在一定的规律性，若能发现其规律，并用函数的形式加以量化，就可运用该函数关系去预测未来的变化趋势。

2、单耗法

单耗法可用于计算工业用户的负荷预测。单耗法分产品单耗法和产值单耗法。采用单耗法预测负荷的关键是确定适当的产品单耗或产值单耗。单耗法可根据第一、第二、第三产业单位用电量创造的经济价值，从预测经济指标推算用电需求量，加上居民生活用电量，构成全社会用电量。预测时，通过对过去的单位产值耗电量(以下简称“单耗”) 进行统计分析，并结合产业结构调整，找出一定的规律，预测规划第一、第二、第三产业的综合单耗，然后根据国民经济和社会发展规划指标，按单耗进行预测。单耗法需要做大量细致的统计、分析工作，近期预测效果较佳。单耗法的优点是方法简单，对短期负荷预测效果较好。缺点是需做大量细致的调研工作，比较笼统，很难反映现代经济、政治、气候等条件的影响。

3、回归分析法

回归预测是根据负荷过去的历史资料，建立可以进行数学分析的数学模型。用数理统计中的回归分析方法对变量的观测数据统计分析，从而实现对未来的负荷进行预测。回归模型有一元线性回归、多元线性回归、非线性回归等回归预测模型。其中，线性回归用于中期负荷预测。优点是：预测精度较高，适用于在中、短期预测使用。缺点是：①规划水平年的工农业总产值很难详细统计；②用回归分析法只能测算出综合用电负荷的发展水平，无法测算出各供电区的负荷发展水平，也就无法进行具体的电网建设规划。

4、时间序列法

就是根据负荷的历史资料，设法建立一个数学模型，用这个数学模型一方面来描述电力负荷这个随机变量变化过程的统计规律性；另一方面在该数学模型的基础上再确立负荷预测的数学表达式，对未来的负荷进行预测。时间序列法主要有自回归ar(p)、滑动平均ma(q)和自回归与滑动平均arma(p,q)等。这些方法的优点是：所需历史数据少、工作量少。缺点是：没有考虑负荷变化的因素，只致力于数据的拟合，对规律性的处理不足，只适用于负荷变化比较均匀的短期预测的情况。

5、灰色模型法

灰色预测是一种对含有不确定因素的系统进行预测的方法。以灰色系统理论为基础的灰色预测技术，可在数据不多的情况下找出某个时期内起作用的规律，建立负荷预测的模型。分为普通灰色系统模型和最优化灰色模型两种。

普通灰色预测模型是一种指数增长模型，当电力负荷严格按指数规律持续增长时，此法有预测精度高、所需样本数据少、计算简便、可检验等优点；缺点是对于具有波动性变化的电力负荷，其预测误差较大，不符合实际需要。而最优化灰色模型可以把有起伏的原始数据序列变换成规律性增强的成指数递增变化的序列，大大提高预测精度和灰色模型法的适用范围。灰色模型法适用于短期负荷预测。灰色预测的优点：要求负荷数据少、不考虑分布规律、

不考虑变化趋势、运算方便、短期预测精度高、易于检验。缺点：一是当数据离散程度越大，即数据灰度越大，预测精度越差；二是不太适合于电力系统的长期后推若干年的预测。

6、专家系统法

专家系统预测法是对数据库里存放的过去几年甚至几十年的，每小时的负荷和天气数据进行分析，从而汇集有经验的负荷预测人员的知识，提取有关规则，按照一定的规则进行负荷预测。实践证明，精确的负荷预测不仅需要高新技术的支撑，同时也需要融合人类自身的经验和智慧。因此，就会需要专家系统这样的技术。专家系统法，是对人类的不可量化的经验进行转化的一种较好的方法。但专家系统分析本身就是一个耗时的过程，并且某些复杂的因素(如天气因素)，即使知道其对负荷的影响，但要准确定量地确定他们对负荷地区的影响也是很难的。专家系统预测法适用于中、长期负荷预测。此法的优点是：①能汇集多个专家的知识和经验，最大限度地利用专家的能力；②占有的资料、信息多，考虑的因素也比较全面，有利于得出较为正确的结论。缺点是：①不具有自学习能力，受数据库里存放的知识总量的限制；②对突发性事件和不断变化的条件适应性差。

7、优选组合预测法

优选组合有两层含义：一是从几种预测方法得到的结果中选取适当的权重加权平均；二是指在几种预测方法中进行比较，选择拟和度最佳或标准偏差最小的预测模型进行预测。对于组合预测方法也必需注意到，组合预测是在单个预测模型不能完全正确地描述预测量的变化规律时发挥作用。一个能够完全反映实际发展规律的模型进行预测完全可能比用组合预测方法预测效果好。该方法的优点是：优选组合了多种单一预测模型的信息，考虑的影响信息也比较全面，因而能够有效地改善预测效果。缺点是：①权重的确定比较困难；②不可能将所有在未来起作用的因素全包含在模型中，在一定程度上限制了预测精度的提高。

七、影响负荷预测因素

在负荷预测中必须要考虑的因素主要有以下几点：

1. 气候等因素影响；

在电力系统中有许多的气候敏感负荷，如生活上用的电热器、空调，冰箱冷柜等等；农业上因为天气的干旱或者洪涝使灌溉条件发生变化，以及一些现代农业设施因为温度、湿度的影响从做出调整。在气候因素中，应该又以温度影响为最大，因为在与气候有关的负荷重，主要以加热制冷的设备比较多。天气敏感负荷分量与一系列天气因素有关，如温度、湿度、风力、降雨量。不同天气因素影响负荷分量值不同，这种负荷分量受季节影响明显。城乡居民用电负荷受季节因素影响明显当然对于以空调等负荷，湿度、风速等影响也不能忽略。那么对于具体的算法中我们该怎么样考虑气候因素呢？这是根据预测的时间长短来进行确定的，对于超长期预测的我们要考虑季节气候的变化，甚至全球整体气候的变化趋势，对于比较短期的负荷预测，我们则可以多考虑当时的温度，湿度，风力等等。

以短期负荷预测为例，应该考虑的因素有以下几点：预测日的最高气温、最低气温和平均气温；预测日的降雨量以及预测日前1天、前2天和前3天的降雨量。同时为了更好地利

用气象数据，还应该记录每小时的温度、降水、风力等数据，并且要对这些数据做量化处理，以便在预测模型中使用，至于他们的影响程度在各种模型中的考虑应该是不同的。

气候因素对于电网负荷的影响可见一斑。由于天气的不稳定，天气一晴或下雨，负荷大幅波动，造成负荷预测的难度加大，甚至人工降雨等非自然因素也夹杂其中。更增加了气候的复杂程度和负荷预测的难度。目前对于气象因素的考虑，比较成熟的有以人体舒适度为依据的预测。人体舒适度可定义如下：“人体舒适度”是对人们在自然环境中是否感觉舒适及其达到怎样一种程度，它是人体对大气状态的综合反映。国际上通常采用“人体舒适度指数”来评价气象条件引起的人的舒适感，它是根据人类机体与大气环境之间的热交换而制定的生物气象指标。人体舒适度指数的具体计算公式归纳如下：

D =f(T )+g(U)+h(V)

式中：D为人体舒适度指数；T为日平均气温（℃）；U为日平均相对湿度（%）；V为日平均风速（m/s）。

不同地区的式子参数是不一样的。比如上海地区人体舒适度指数具体表达式为：

D =1.8T +0.55(1-U ) +3.2 V+27

而天津的则为：D =1.8T +0.55(1-U ) +3.2 V+32

很多研究表明一些地区的人体舒适度与电力负荷有较大的相关性。

人体舒适度指数等级人体感觉

<58 1级人体感觉凉爽

58～67 2级人体感觉舒适，最可接受

67～71 3级人体感觉较舒适

71～76 4级人体感觉严热闷热，可适当降温

76～80 5级人体感觉暑热，希注意防暑降温

>80 6级人体感觉酷热，希注意防暑降温，以防中暑

2. 能源市场经济变化带来的影响：

最近国际油价，煤价一路飙升，是许多用油用气用煤的设备运行在成本大涨，从而大量的转向用电，以及电动车的兴旺都导致用电负荷的大量增加。再者目前煤价大涨、煤质不好、也开始影响到发电厂的经济效益，全国的很多电厂基本都是在亏本的情况向进行发电，在发电亏本的情况下．上网负荷极不稳定，有的随时停机的可能，从而你对负荷预测造成了很大的影响。

3. 工农业等宏观产业用户因素的影响：

工农业等宏观产业经济因素可以包括：供电区域人口多少、工业生产水平以及工业的类型、电器设备的数量和变化特性也即负荷的特性、政策发展趋势变化和经济趋势，另外，电力系统的管理政策，如电力需求侧管理及电价素也将对负荷变化产生影响。这些经济因素对负荷影响的时间比较长，长于一周时间。在季节变化及年度变化时，根据这些因素对负荷预测值的修正是十分重要的。其中国家经济政策对电力系统的影响尤为重要。可以说他可以决定一个电力系统乃至一个地区的发展方向。如果国家决定在某个地区投资兴建大型的炼钢厂等耗电量极大的企业，那么这些企业的用电情况将给负荷预测带来极大的困难。因为各地区用电大户一旦增多。必然会有一些大用户用电存在无序性，使得调度部门难以准确掌握大用户负荷特性以及用户的停产、设备检修等情况，从而影响负荷预测的准确性。其次电气化铁路等冲击负荷也对负荷预测准确率造成一定的影响，我国最近几年修建的技术非常先进的几干线可定会对沿线的符合预测造成影响。

4. 时间因素：

对负荷有重要影响的时间因素主要有三点：季节因素的影响、日或周的周期性以及节假日的影响。目前系统中的最大负荷小时数越来越小，时间对负荷的影响越来越大。对负荷预测有重要影响的时间因素主要有3种：季节变化、周循环、法定节假日。其中季节变化和气候有不少的关联，周循环则与工作日的情况有关系，这些还是比较好考虑的。时间因素中以节假日符合预测最为困难。全年的负荷类型可根据季节不同分为春、夏、秋、冬四种类型。

从上图可以看出：对于非节假日，凌晨 4 点左右为低负荷阶段，该段时间大多数人处于休息状态，所以负荷下降，负荷组成主要是那些必须运行的不间断负荷；最高峰值负荷一般出现在从 9 点至 17 点之间的工作段；晚上，由于家用电力负荷的增加，在 18 点至 21 点之间又会出现一个高峰值。每周之间负荷曲线形状相似。工作日（星期一至星期五）负荷变化规律相同，电力负荷曲线形状相似；休息日（星期六、星期天）负荷变化也具有相似性，负荷较平常低，这是由于在休息日里，工业负荷所占比重下降，居民生活与商业负荷所占比重上升。

在节假日期间，电力负荷会急剧下降，白天电力负荷相对平稳，但比普通工作日电力负荷要小，这是由于工业负荷减少，与正常上班时段的负荷相比，负荷表现出不同于工作日和正常休息日的特点。电力系统短期负荷受时间因素的影响是很明显的。因此，在预测时，为了提高预测精度，预测模型的输入应考虑使用与预测时刻相关的历史负荷数据和日期类型来建立网络模型。在我国除了“五一”、“十一”、元旦，还有传统的春节、清明节、端午节、中秋节。这些节日对负荷预测准确性的影响也很大。春节是负荷变化最大时节，相当数量的工厂停产，民用负荷占负荷总数的比重很大。春节期间实际负荷的大小，与诸多因素有关，如：工厂的停产情况、负荷的自然增长率、当时的天气情况等，比如前两年南方的大雪，不仅使人们对于电力的要求变得巨大，另一方面还是我们的电网遭受很大的损坏，是很多负荷脱离电网，这是准确的预测可以说是不可能的。“五一”、“十一”是虽然是法定长假，但由于国家具有补休的政策，这就导致一些工厂并非按长假休息，具体如何休假没有一定的规律，具有较大的随机性，从而负荷波动很大。

另外从主观上看法定及传统节日负荷水平应该比正常值低，但是有时候又不能完全的这样计算。主要原因在于虽然电网的符合成分变化很大，节假日大量工厂企业的用电负荷退出，使得节假日符合较正常日负荷有明显的降低，但是节假日的居民用电负荷、服务行业用电负荷将会大大增加，以及不能停工的工业负荷可能也会增大。这部分负荷的组成与正常的周末负荷相似，但由于时间上的长短不同，两者也存在较大差异。另外由于我国一些传统节日（比如上面提到的春节）与我们负荷预测时所用的阳历有所不同，所以我们每年对春节的负荷预

测应该有所不同，要以冲突那个节日对应的阳历来进行负荷预测。

5. 地理因素对负荷因素的影响：

地理因素可以包括一个大区域内不同环境下的负荷。比如一个城市的新老城区在负荷预测上就应该用不同的参数或者方法来对待。一方面老城区内的用电设备由于使用年限都比较久了，故障率、用电损耗率之类可能都会增加预测的时候应该要考虑到这一点。同样，新城区虽然用电设备比较新，故障率、用电损耗率肯定也比较低，但是新城区发展很快，负荷每年每季度增长率可能很大并且也是在不断变化中的。在负荷预测中也应该考虑这些因素。

6. 随机因素：

自然灾害以及许多不可抗力所带来的后果，都会导致负荷预测出现偏差。比如这几年年初的雪灾，之前的四川汶川大地震，都是事先很难预测的。还有一些就是数据传递上可能出现的错误，因为目前还没有建设完成非常完整的气象数据实时传输到电力系统供负荷预测使用，电力系统同一天不同时刻存在最大负荷与最小负荷之间的峰谷差，引起这种差距的原因也有可能是拉闸限电、用电设备检修等一切随机和偶然因素所致。又因为电力系统由很多独立的用户组成，不同用户选择用电的时间和方式千差万别，他们的负荷行为是随机的，其结果表现为系统总负荷具有一定的随机性，比如用户的照明用电、工厂机器的启停一般提前是无法预知的，因此无法对这些随机负荷进行预测。另外，一些特殊事件，如钢厂启停、骤风袭击等都对负荷有较大影响。因而导致负荷预测所用的数据都是比较旧的或者是经过处理的，所以也对很好的预测结果加上了误差。

7、以后应该注意的问题

对以上存在的几种误差，我们该怎么样处理呢？

(一) 要及时了解气候变化，尤其是对于突变性的天气情况要尽快加入运算；

(二) 做好节假日负荷预测工作，了解国家节假日的放假情况，以及各个企业的放假情况；

(三) 逐步了解工农业结构，明确大用户用电计划；

(四) 做好新老城区的不同的符合预测，以及对一些随机因素的应对。

八、2005-2013年全国各产业用电量分析

国民经济发展的同时推动行业的不断创新和成长。历年全国社会用电不断上升，我们将通过分析历年全国各产业电力的需求来说明全国社会用电的发展趋势。

（以下所有数据均由本人从中商情报网、国家统计局、中电联、北极星电力网等各大网站收集而来后，经过分析考察并制成表格和图片）

（一）全国各产业用电量分析

1．全国全社会累计用电量数据

2005-2013年，全国全社会累计用电量不断上升，表1和图1所示。2013年全社会用电

量53223亿千瓦时同比2012年增长7.5%。其中:第一、二、三产业和居民用电累计增速分别为0.7%、7%、10.3%和9.2%。

指标名称计算单位2005年2006年2007年2008年2009年2010年2011年2012年2013年

34379.6936595.1641998.82

469284959153223亿千瓦时246892824832590.08

全国全社会

用电量

表1：2005-2013年全国社会用电量

图1：2005-2013年全国社会用电量

2．全国各产业用电量情况

图2所示历年全国分产业占比来看, 对2005-2013年全国各产业用电结构分析,可得第一、二、三产业以及居民累计用电占全社会用电量的比重分别为2.4%、75.3%、11%和11.3%。

图2:2005-2013年全国各产业用电量占比

图3所示，第二产业的用电量持续走高，也是我国用电量的主力军。第二产业用电量增速波动较大，其他产业的增长速度较为平缓。

图13:2005-2013年全国各产业累计用电

从图4可以看出2013年，第一产业累计用电1014亿千瓦时,同比2012年增长0.1%，占社会用电量2%;第二产业累计用电39143亿千瓦时,同比2012年增长6.74%，占社会用电量73.5%;第三产业累计用电6273亿千瓦时,同比2012年增长10.25%，占社会用电量11.8%;

居民累计用电6793亿千瓦时,同比2012年增长9.23%,占社会用电量12.7%。

图4： 2013年全国各产业用电量占比

（二）全国各工业用电量增长概述

图5所示，2005-2013年全国工业用电量的发展趋势每年都持续上升，重工业一直是我

国的用电工业的主力军。轻工业占全国工业占比28%，重工业占全国工业占比72%。

图5:2005-2013年全国工业累计用电量

重工业指国民经济个部门提供物质技术基础的主要生产资料的工业。一个国家重工业的发展规模和技术水平，是体现其国力的重要标志。属于重工业的工业部门有钢铁、有色冶金工业、金属材料工业。

2013年工业用电量38471亿千瓦时，同比2012年增长6.9%，比2012年增加2410亿千瓦时；轻工业的用电量6379亿千瓦时，同比增长6.3%，比2012年增加296亿千瓦时；重工业的用电量32092亿千瓦时，同比增长7%，比2012年增加2114亿千瓦时。轻工业用电所占比重为16.6%，重工业用电所占比重为83.4%。相比，2012年重工业占比增加0.3%，说明我国重工业比重由稳步上升的趋势。

图6：2012年与2013年全国工业占比对比

由图6可以看出，我国的重工业用电量增长较稳，而轻工业的用电增长有下降趋势，且重工业发展的比重在不断的上升。

九、2014-2020年全国电力行业预测

中国经济增长模式的转换，让中国经济增长转型到有质量有效益持续的经济增长上来。转变经济增长方式，主要要求有三个转变：①在需求结构上，促进经济增长由主要依靠投资、出口拉动，向依靠消费、投资、出口协调拉动转变。②在生产结构上，促进经济增长由主要

依靠第二产业带动，向第一、二、三产业协调拉动转变。③在要素投入上，促进经济增长由主要依靠物质消费，向主要依靠科技进步、劳动者素质提高、管理创新转变。

虽然，这种转变的进程会比较缓慢，但对于电力需求的影响是循序渐进的，电力需求结构以及增长的拉动因素都将逐渐变化，电力需求弹性将逐渐降低。加之，我国现在电力需求受经济增长模式转变的深远影响，低增长也将成常态。

我们再结合前面的数据、我国的政策及我国经济增长模式的转变，我们将较为重点对全国电量供需、各省用电量进行2014-2020年的预测。

（一）全国电量预测方法选取标准

随着经济的发展，产业结构的调整和人民生活水平的提高，电力需求预测呈现出了新的变化，因此在进行电力需求预测时必须综合考虑影响电力需求的各种适用于现在电力需求预测。回归分析方法简单、预测速度快、外推性好，对于历史上未出现的情况有较好的预测性，而且模型参数估计技术比较成熟，但由于非线性回归预测计算开销大、预测过程复杂，为此选择多元线性回归分析法再结合从下而上方法预测我国中长期电力需求。

1、变量分析与选取

（1）GDP

GDP（国内生产总值）是电力需求最根本的决定因素。随着生产力的不断进步和科技的发展，经济的发展对电力的依赖程度越来越高。近10年来，我国经济发展呈现平稳的波动态势，而GDP的变化与电力消费的变动呈现强正相关关系，总是同增同减。因此，经济增长及其对生活标准的影响是促进电力需求增长的主要动力。

（2）产业结构

进入21世纪以来，我国不断进行产业结构调整，逐渐减少高耗能重工业，积极向第三产业发展。为此，第一产业用电所占总用电量的比重将会有所下降，而第二产业用电量将会持续增加，其增长率将会下降，但第二产业用电量仍占全社会用电量的最大比重，而随着第三产业的大力发展，第三产业用电量增速将超过全社会用电量的增长速度，其比重也将会上升。因此，产业结构的调整将会影响用电量需求量的变化。所以，选择第三产业与第二产业的比值作为分析变量。

（3）人口

就人口规模而言，近20年来，我国人口保持低速增长，但是由于我国人口基数庞大，人口的稳步增长仍对电力需求产生了较大的拉动作用。除人口数量对电力需求产生较为明显的影响，人口结构、家庭规模、住宅小区的特征也会影响居民对生活用电的需求。

（4）居民收入

随着经济的发展，居民收入不断增加，而人均用电量与人均收入呈现正相关关系。一方面，家电下乡政策的推行使得农村用电量不断增加，带动了农村地区用电需求。另一方面，消费水平和居民收入息息相关，而消费水平对用电需求又有着至关重要的影响。近年来，居民用电消费一直保持快速稳定增长。因此，收入是进行用电需求预测的重要因素。本文将城镇居民人均可支配收入、农村人均纯收入选为变量。

2、多元线性回归预测模型建立

考虑到1985年前的数据波动较大，不具有代表性，于是我们选择1985-2010年全社会用电量为因变量，1985-2010年的GDP、第一产业值、第二产业值、第三产业值、人口、城镇居民人均可支配收入、农村人均纯收入为自变量建立回归模型。所得多元线性回归模式如式：

y=-20992.120+0.099x1+0.286x2+1.949x3-6847.852x4-7.818x5 其中，x1代表GDP（亿元），x2代表人口（万人），x3代表城镇居民人均可支配收入（元），x4代表第三产业值与第二产业值比值，x5代表农村人均纯收入（元）。

3、各种参数选取

（1）人口预测

人口预测的变量主要采用直接影响人口自然变动的出生率、死亡率和社会变动的迁移率等参数。这些参数的选取必须考虑约束条件。通过大量数据的回归分析，我国人口常用的经验模型基本形式为

Nt=N t0·e k（t-t0）

式子中：N t为t年的人口总数；N t0为t=t0年时预测起始年的人口基数；k为人口自然增长率；e为自然对数的底（e=2.718）

从2009-2013年人口自然增长率比较稳定，“十二五”期间将会控制在k=0.03，到了“十三五”期间将会控制在k=0.02。于是我们预测未来6年将平均值控制在k=0.02以上，k=0.02也作为这次报告中预测以后几年中国人口总数的自然增长率。取2013年的总人口数作为预测其实年的基数，即N t0=135736.7；t0为起始年；t为预测年份。

（2）第三产业值与第二产业值的比值

因为产业的值的波动较大，不宜选取太大范围的均值作为这次报告的预测变量。我们将选取第二产业2011-2013年平均值36999；第三产业选取2011-2013年平均值5681；第三产业值与第二产业值的比值为0.1535。

（3）居民经济收入

因为居民经济收入值的波动较大，不宜选取太大范围的均值作为这次报告的预测变量。我们将选取2005-2013年平均值与现国家的GDP发展趋势相接近，再结合GDP以及国家政策，将居民收入增长率设定为为10。

（4）GDP总量设置

GDP总量设置是确定未来各阶段GDP总量的过程。一般而言，可以根据国家宏观经济规划目标来确定，以2010年为基准，我们预测未来10年均增速将维持7.36%左右。表4所示，我们预算出GDP的三种方案。

表4：预算GDP方案数据

指标高方案（%）中方案（%）低方案（%）2010-2020年GDP

7.85 7.39 7.02

年均增度

“十二五”期间

8 7.54 7.16

GDP年均增速

“十三五”期间7.71 7.24 6.89

GDP 年均增速

通过以上数据和方程，测算出2014-2020年GDP 、人口总数、城镇居民人均可支配收入、农村居民人均纯收入，如表5所示：

表5：2014-2020年国内生产总值、人均收入、人口总数预测表 亿元同比% 千人同比% 元同比%元同比%2014e

611736.17.54138478.7229650.5109785.6102015e

6578617.54141276.12323461010675.2102016e

705490.17.24144130235041.51011564.8102017e

756567.67.24147041.62377371012454.4102018e

811343.17.24150012240432.51013344102019e

870084.37.24153042.42431281014233.6102020e 933078.47.24156134245823.51015123.210城镇居民人均可支配收入农村居民人均纯收入年份

名义GDP 年均人口 （二）2014-2020年全国各省用电量预测 我们通过研究各省的2000-2013年GDP 总值、增速，测算出用电量预测GDP 方案，所示表6所示。并用一元线性回归方程（GDP 为指标）进行各省未来用电量预测，表7所示。

表6：各省预测用电量GDP 方案（节选）

GDP 方案 地区

高方案 中方案 低方案 北京

18 17 16 上海

13 12 11 江苏

15 14 13 山东 15.5 14.5 13.5

（因数量问题，暂时节选4个较为代表性的用电省市。）

因为GDP 与用电量呈明显的正相关关系，为保证数据的偏离程度不会太大，我们只采用GDP 中方案进行预测，以2013年1-11月数据作为基数预测。因为缺12月份的用电数据，所以作为中方案的GDP 我们还是稍微设置高点以保证预测结果的准确性。

表8：各省2014-2020年采用GDP 中方案的用电量预测

北京

亿千瓦时823962.911126.6051318.1271542.2091804.3852111.132470.022上海

亿千瓦时12861504.621760.4052059.6742409.8192819.4883298.8013859.597江苏

亿千瓦时45065136.845855.9986675.8377610.4548675.9189890.54711275.22山东

亿千瓦时37034239.9354854.7265558.6616364.6677287.5438344.2379554.151广东亿千瓦时44325074.645810.4636652.987617.6628722.2239986.94511435.05

单位2016年e 2017年e 2018年e 2019年e 2020年e 2013年（1-11月）2014年e 2015年e 地区

十、个人总结：

综合分析了目前各种预测方法的应用原理,详细分析和比较了各个预测方法的优点和不足之处。结合实际应用选用适当的预测方法负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提，是一个电网调度部门和规划部门所必须具有的基本信息。提高负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，利于提高电力系统的经济效益和社会效益。

尝试了去收集和分析全国的用电负荷，其实在选择上是因为全国的数据比较好找，各地区情况相对明确，但是不得不承认此课题的完成确实很费力。用时长而且不容易做，不过既然选择了就试着去完成。每一次尝试都是一种收获！