考慮復雜影響因素的上海市負荷預測研究

陳立 嚴正 徐瀟源

摘 要：電力負荷預測是電力系統規劃的基礎性工作之一，是實現自動發電控制和經濟調度控制的前提。針對電力系統復雜、眾多的影響因素，文章基于城市用電構成與城市用地劃分，提出了一種綜合考慮了經濟、工業、城市化、城市居民生活等影響因素的負荷預測指標體系，并采用聚類分析法和BP神經網絡進行負荷預測，為快速準確估算上海市各區域負荷增長提供了有效途徑，為上海電力系統規劃提供了可靠支撐。

關鍵詞：負荷預測；影響因素；BP神經網絡；聚類分析

中圖分類號：TM715 文獻標志碼：A 文章編號：2095-2945（2019）20-0046-04

Abstract： Power load forecasting is one of the basic tasks of power system planning， and it is the premise of automatic generation control and economic dispatching control. In view of the complexity and many influencing factors of power system， based on the composition of urban power consumption and the division of urban land， this paper puts forward a load forecasting index system which comprehensively considers the influencing factors such as economy， industry， urbanization， urban residents' life and so on. The cluster analysis method and BP neural network are used for load forecasting， which provides an effective way to quickly and accurately estimate the regional load growth in Shanghai， and provides a reliable support for the power system planning in Shanghai.

Keywords： load forecasting； influencing factors； BP neural network； cluster analysis

引言

電力負荷預測是電力系統規劃的基礎性工作之一，是實現自動發電控制和經濟調度控制的前提[1]。電力系統是一個規模龐大、層次復雜的大系統，其影響因素較多。而統計數據可用于評價某一區域的自然經濟、社會、產業、人民生活等方面的發展水平，是定量統計分析的基礎型數據（如統計年鑒）。其中，官方發布的統計年鑒包含的大量指標（如一般公共預算收入、工業產值、建筑面積等）對電力系統的發展有著一定的影響。由于統計年鑒中蘊含的數據極其豐富、涉及的行業領域廣泛，如果對這些指標進行逐一分析，將導致耗時嚴重，因此有必要從這些指標中辨識出對電力系統負荷影響最顯著的關鍵性指標[2]。從電力系統的需求角度，根據掌握的數據進行有效的特征選取，辨識出其中影響最顯著的幾個主導因素，已經成為重要的研究課題。

因此，針對電力系統復雜、眾多的影響因素，本文基于城市用電構成與城市用地劃分，提出了一種綜合考慮了經濟、工業、城市化、城市居民生活等影響因素的負荷預測指標體系，并用以進行負荷預測，為快速準確估算上海市各區域負荷增長提供了有效途徑，為上海電力系統規劃提供了可靠支撐。

1 電力負荷的影響因素分析

為了深入研究電力負荷的變化規律和發展趨勢，進一步認識電力負荷特性，需要對電力負荷特性的主要影響因素進行分析和討論。近年來，國內有許多學者基于電力負荷的影響因素展開了較深入的研究。

何曉萍等首次將城市化引入中國電力需求研究，基于中國快速的城市化進程，選擇國民生產總值（GDP）、城市化水平、工業化水平、電力使用效率、電價水平等作為影響指標，運用面板數據非線性模型和協整模型進行電力需求預測，結果表明城市化、工業化對中國電力需求有著非常顯著的正影響[3]。宋雅慧基于上海市電力負荷1999-2013

年的歷史數據分析得出，上海市電力需求與GDP、工業化、城市化、產業結構、節能減排等多個影響因素有長期的穩定均衡關系，從而得出具有一定預測精度的長期負荷預測模型[4]。李亦言等從城市化的角度，系統地提取了城市化過程對電力負荷的主要構成因素3類（人口、經濟、地域）16個，運用層次分析法和模糊聚類量化這些指標對電力負荷的影響，并應用于城市飽和負荷預測，從而實現對飽和時間和飽和容量的預測[5]。劉思從當地經濟社會發展水平、產業結構、氣溫氣候三個角度出發，選取了14項指標，構建了一種考慮地域差異的負荷預測指標體系，并應用于日負荷曲線、負荷密度的預測中[6]。

隨著上海經濟進入轉型期的新常態，人口增長趨于穩定，第三產業占比不斷增加，先進制造業、新興產業的層級逐步提升，對上海的用電負荷趨勢產生了一定的影響。程倩在分析上海經濟結構轉型、經濟運行狀況、人口導入和氣溫因素等對電力需求的因果關系和數量關系的基礎上，建立了最高氣溫下最大電力負荷的預測方法[7]。沈勇等從經濟與社會、氣象兩個方面選取了人均可支配收入、電價與消費品之比、人均建筑面積、空調數、總戶數、年平均氣溫、最高月平均氣溫、最低月平均氣溫等8個指標因素，結合對2000-2010年上海地區的居民用電規律進行了分析，建立了上海居民用電的預測模型，分析得知經濟因素和社會因素都是影響居民用電的主要因素，而氣溫因素影響較小[8]。黃晨宏基于1991-2010上海市地區

GDP和用電的歷史數據，研究經濟發展模式、產業結構調整、季節性氣溫三個方面的因素與上海電力需求之間的關系，得出結論：經濟發展是促進上海電力消費增長的主力；產業結構調整決定了上海電力需求的結構變化；季節性氣溫對上海尖峰負荷的大小產生直接的影響[9]。

基于以上分析，得出電力負荷的影響因素包括經濟發展水平、工業化水平、城市化水平、居民生活、氣象、宏觀政策影響等方面，如表1所示。

2 上海負荷預測指標體系構建

城市電網用電量與人們的生活生產規律息息相關，可以通過城市電網用電量預測歷史數據得到城市電網用電量的發展規律，并由此可進行其未來發展趨勢和狀況的預計或判斷。本文對2007-2017年上海市各類用電負荷進行了統計，見表2和圖1。

由表2可見：

（1）上海市各類用電負荷中，第一產業（農、林、牧、漁業）的占比非常小，平均占比為0.49%，每年均不到1%，所以負荷預測時可以忽略第一產業的影響。

（2）上海市各類用電負荷中，工業的占比最高，從2007年的65.82%到2017年的52.27%，每年均超過50%，但所占比重隨時間呈逐漸下降的趨勢。因此，負荷預測時將著重考慮第二產業（特別是工業）的影響。

（3）綜合平均占比排名第二的是城市居民生活，從2007年的12.22%到2017年的14.99%，平均占比為13.56%，均超過了10%，且所占比重隨時間呈緩慢上升的趨勢。

（4）綜合平均占比排名第三的是金融、房地產、商務及居民服務業（主要為第三產業），從2007年的6.72%到2017年的14.13%，平均占比為11.07%，超過了10%，且所占比重隨時間呈快速上升的趨勢，這與上海大力推進產業轉型和國際金融中心的建設相關。

綜上所述，上海的第二產業和第三產業對負荷水平影響較大，工業，城市居民生活，金融、房地產、商務及居民服務業，公共事業及管理組織，商業、住宿業和餐飲業這五類占上?？傌摵傻?6.77%，在負荷預測中應著重考慮這五類的影響。

本文結合對2007-2017年上海市用電構成的分析和《城市用地分類與規劃建設用地標準》（GB 50137-2011），選取了上海市2004-2014年各區縣土地面積、常住人口等19個指標作為本文負荷預測的指標因素，見表3。

3 建模與算例驗證

本文以上海市為例，根據上海市2004-2014年各區域的負荷數據以及19個指標因素數據，采用聚類分析與BP神經網絡對2015-2017年各區域的負荷進行預測。

首先，對影響上海市區域負荷19類因子進行聚類分析，結果如圖2所示。

由圖2所示，第一類主要為上海市的偏遠郊區，該區域的城市化水平相對較低，經濟相對欠發達；第二類為上海的市北區域，該區域包括傳統的寶鋼、新型的市北產業園區，工業化水平較高；第三類為上海的傳統老城區，該區域的經濟非常發達，且工業較少，都已轉移至外環外甚至外省市；第四類為上海的浦東新區，該區域受浦東開發開放和上海自貿區的影響，人口、經濟、工業等快速增長，負荷占上海市所有區域的最大比重，且呈快速增長趨勢。

將2004～2014年上海市10大區域的負荷數據分為5類，然后建模并預測2015-2017年各區域的負荷數據?；诟黝悈^域的特點，采用BP神經網絡方法預測第一、二類負荷，采用多元回歸分析方法預測第三、四類負荷，如表4和圖3所示。

由表4和圖3可知：

（1）部分區域負荷2010年后一直保持較穩定的態勢，如市區2、市北3、嘉定6、崇明10。

（2）部分區域負荷2004-2014年值保持較快的增長速度，預測的2015-2017年依然保持較快的增長速度，如浦東1、松江5，與上海自貿區進一步的開發開放、松江新城規劃建設的推進落地有較大關系。

（3）部分區域負荷2013年后大幅度下降，如青浦7、金山8、奉賢9，與這些區域的產業結構轉型（由第二產業向第三產業轉型），工業從業人員大幅流失相關。

本文為驗證所用方法的正確性，用多元回歸分析方法和BP神經網絡對四類數據進行了負荷預測，并進行了對比，見表5。

由表5可知，本文提出的預測方法比傳統的僅采用多元回歸分析方法和僅采用BP神經網絡方法的精度要高，尤其是在面對含有多個區域的負荷進行預測時（第1類、第2類），優勢更為顯著。而且本文方法經過降維、降噪處理，預測速度也要比采用19個指標的BP神經方法要快。

4 結論

本文通過分析和總結國內外學者研究電力負荷影響因素的成果，得出電力負荷預測指標體系；結合2007-2017年上海市用電構成分析和《城市用地分類與規劃建設用地標準》，選取了上海市2004-2014年的一般公共預算收入、工業從業人員、居住房屋建筑面積等19個指標作為本文負荷預測的指標因素。

本文綜合考慮了影響電力負荷的多種復雜因素，提出了一種基于聚類分析與BP神經網絡的負荷預測的方法。以上海電網為例，對調研獲取的空間負荷按照城市的用地類型進行劃分，結合實際對上海10個區域的多類空間負荷的分布規律進行分析。算例表明本文提出方法比傳統的多元回歸、神經網絡方法的精度更高，且預測速度較快，能夠用于上海市電力系統的負荷預測，從而為上海的電力系統規劃提供支撐。

參考文獻：

[1]康重慶，夏清，劉梅.電力系統負荷預測.第2版[M].北京：中國電力出版社，2017.

[2]黃湘君.基于主成分分析的BP神經網絡在電力系統負荷預測中的應用[J].電力與能源，2008（16）：313-314.

[3]何曉萍，劉希穎.中國城市化進程中的電力需求預測[J].經濟研究，2009（1）：118-130.

[4]宋雅慧.上海電力需求分析——基于1990-2013年數據[D].上海：上海師范大學，2015.

[5]李亦言，等.復雜城市化因素下的飽和負荷預測模型[J].電網技術，2016（09）：2824-2831.

[6]劉思.配電網空間負荷聚類及預測方法研究[D].杭州：浙江大學，2017.

[7]程倩.上海城市化特性影響因素下最大電力負荷預測的研究[A].以供給側結構性改革引領能源轉型與創新——第十三屆長三角能源論壇論文集[C].杭州，2016：6.

[8]沈勇，等.上海地區居民用電的影響因素和需求預測模型[J].華東電力，2012，40（10）：1763-1766.

[9]黃晨宏.影響上海電力需求的主要因素及電力需求預測[J].電力需求側管理，2011，13（03）：72-76.