季节划分下产业用电量关联分析及预测

doi:10.11930.2015.7.82

中国电力 ›› 2015, Vol. 48 ›› Issue (7): 82-88.DOI: 10.11930.2015.7.82

季节划分下产业用电量关联分析及预测

马瑞¹，彭舟¹，蒋诗谣¹，徐慧明²，王熙亮³

1. 长沙理工大学电气与信息工程学院，湖南长沙 410114；2. 国网信息通信有限公司，北京 100761;
3. 国网经济技术研究院北京 102209

收稿日期:2015-04-10 出版日期:2015-07-25 发布日期:2015-11-26
作者简介:马瑞（1971—），男，甘肃秦安人，博士，教授，从事电力系统分析与控制、新能源及其利用、电力市场等方面的研究。E-mail: marui818@126.com
基金资助:
国家自然科学基金资助项目（51277015）；国家电网公司科技资助项目（[2012]515）

Correlation Analysis and Forecast on Industrial Electricity Demands Based on Seasonal Divisions

MA Rui¹, PENG Zhou¹, JIANG Shiyao¹, XU Huiming², WANG Xiliang³

1. Hunan Key Laboratory of Smart Grids Operation and Control Changsha University of Science and Technology,Changsha 410114, China;
2. State Grid Information & Telecommunication Branch, Beijing 100761, China;3. State Power Economic Research Institute, Beijing 102209, China

Received:2015-04-10 Online:2015-07-25 Published:2015-11-26
Supported by:
This work is supported by Natural Science of China (No. 51277015); Science and Technology Projects of State Grid ([2012]515).

摘要/Abstract

摘要： 产业用电需求预测对于实现精细化用电管理、降低电力企业运行与规划成本具有十分重要的意义。鉴于常见的预测方法在产业结构划分下的中短期用电量预测中效果不佳，分析了不同季节下产业用电量之间内在关联关系以及气温对其的外在影响，结合计量经济学思想，分季节构建了用于电量预测的误差修正模型，并利用该模型对华中某省网月度用电量进行了预测分析，结果表明，该模型具有较高的预测精度。

关键词: 电力, 产业电量, 关联分析, 用电量预测, 误差修正模型, 用电管理

Abstract: The forecasting of industrial electricity demand has a vital significance for realizing the refined power consumption management and reducing the cost of electric power enterprises operation and planning. However, the conventional forecasting methods, which forecast the electricity demands in the medium-term under the division of industrial structure, can’t provide satisfied results. In this paper, the correlative relationship between industrial electricity demands and forecasting methods is analyzed according to different seasons, and the external influence of temperature is discussed. In addition, on the basis of the aforementioned analysis and the econometrics theory, an error correction model is established in seasonal divisions for forecasting electricity demand. Finally, the monthly electricity demands of one province in the central China is forecasted and analyzed by using the correction model, and the results proves the feasibility of the method and shows the promised accuracy.

Key words: electric power, industrial electricity demand, correlation analysis, electricity demand forecasting, error correction model, power consumption management

中图分类号:

TM715

马瑞，彭舟，蒋诗谣，徐慧明，王熙亮. 季节划分下产业用电量关联分析及预测[J]. 中国电力, 2015, 48(7): 82-88.

MA Rui, PENG Zhou, JIANG Shiyao, XU Huiming, WANG Xiliang. Correlation Analysis and Forecast on Industrial Electricity Demands Based on Seasonal Divisions[J]. journal1, 2015, 48(7): 82-88.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930.2015.7.82

https://www.electricpower.com.cn/CN/Y2015/V48/I7/82

参考文献

[1] 胡兆光，韩新阳，等．综合资源战略规划与需求侧管理：理论方法与实践[M]．北京：中国电力出版社，2008．
[2] 张成，滕欢.基于偏最小二乘法与BP神经网络的电力中长期负荷预测[J]. 电力建设，2012，33（7）：26－29．
ZHANG Cheng, TENG Huan. Mid-long term power load forecasting based on PLSR and BP neural network[J]. Electric Power Construction, 2012, 33(7): 26-29.
[3] MTAHIEU J L, PHILLIP N P, KILICCOTE S, et al． Quantifying changes in building electricity use, with application to demand response[J]． IEEE Transactions on Smart Grid, 2011, 2(3): 507-518．
[4] 赵杰，张艳霞．基于CAPSO-RNN的光伏系统短期发电量预测[J]．中国电力，2012，45（4）：87－91．
ZHAO Jie, ZHANG Yanxia． Short-term generation forecasting for photovoltaic system based on CAPSO-RNN algorithm [J]． Electric Power, 2012, 45(4): 87-91．
[5] 王启明，方静，王子琦，等．周、月负荷预测的GS-ANN综合模型[J]．中国电力，2009，42（9）：44－48．
WANG Qiming, FANG Jing, WANG Ziqi, et al． GS-ANN based integrated model for weekly and monthly load forecasting[J]．Electric Power, 2009, 42(9): 44-48．
[6] 张刚，刘福潮，王维洲，等. 电网短期负荷预测的BP-ANN方法及应用[J]. 电力建设，2014，35（3）：54－58．
ZHANG Gang, LIU Fuchao, WANG Weizhou, et al. BP-ANN method for power grid short-term load forecasting and its application [J]. Electric Power Construction, 2014, 35(3): 54-58.
[7] 郑雅楠，单葆国，顾宇桂，等．改进的电量灰色预测方法实证对比研究[J]．中国电力，2013，46（6）：108－112．
ZHENG Yanan, SHAN Baoguo, GU Yugui, et al． Study on methods of structure improvement for power load grey forecasting [J]． Electric Power, 2013, 46(6): 108-112．
[8] ARORA S, TAYLOR J W． Short-term forecasting of anomalous load using rule-based triple seasonal methods[J]． IEEE transactions on Power Systems, 2013, 28(3): 3235-3242．
[9] 刘晓娟，方建安. 基于双修正因子的模糊时间序列日最大负荷预测[J]. 中国电力，2013，46（10）：115－118．
LIU Xiaojuan, FANG Jianan. Maximum load forecasting based on a bi-factor revised fuzzy time series model [J]. Electric Power,2013, 46(10): 115-118.
[10] 王鹏，陈启鑫，夏清，等．应用向量误差修正模型的行业电力需求关联分析与负荷预测方法[J]．中国电机工程学报，2012，32（4）：100－107．
WANG Peng, CHEN Qixin, XIA Qing, et al． Correlation analysis and forecasting method on industrial electricity demand based on vector error correction model[J]． Proceedings of the CSEE, 2012,32(4): 100-107．
[11] 谭忠富，张金良，尚金成．基于动态计量经济学模型的短期电价预测[J]．电网技术，2009，33（7）：71－76．
TAN Zhongfu, ZHANG Jinliang, SHANG Jincheng． Short-term electricity price forecasting based on dynamic economics model[J]． Power System Technology, 2009, 33(7): 71-76．
[12] 赵会茹，杨璐，李春杰，等．基于协整理论和误差修正模型的电网投资需求预测研究[J]．电网技术，2011，35（9）：193－198．
ZHAO Huiru, YANG Lu, LI Chunjie, et al． Research on prediction to investment demand of power grid based on co-integration theory and error correction model[J]． Power System Technology,2011, 35(9): 193-198．

[1]	李健, 张钧, 韩新阳, 靳晓凌. 新型电力系统形态量化推演方法的总体框架与功能设计[J]. 中国电力, 2025, 58(3): 1-7, 97.
[2]	张磊, 马晓伟, 王满亮, 陈力, 高丙团. 互联新能源电力系统区内AGC机组分布式协同控制策略[J]. 中国电力, 2025, 58(3): 8-19.
[3]	张沛, 杨马婧, 张放, 谢桦, 刘广一, 李文云, 路学刚, 王珍意, 翟苏巍. 图数据库与图计算在电力系统调度运行应用综述[J]. 中国电力, 2025, 58(3): 119-131.
[4]	高志远, 庄卫金, 李峰, 于芳, 张鸿, 王艳, 夏旻. 调控领域人工智能应用的高复用性验证平台[J]. 中国电力, 2025, 58(3): 142-150.
[5]	汤明润, 李若旸, 刘慕然, 程晓钰, 刘铫, 杨淑霞. 电力系统稳态下可再生能源大规模接入量预测[J]. 中国电力, 2025, 58(2): 126-132.
[6]	许文俊, 马刚, 姚云婷, 孟宇翔, 李伟康. 考虑绿证-碳交易机制与混氢天然气的工业园区多能优化调度[J]. 中国电力, 2025, 58(2): 154-163.
[7]	赵晨浩, 焦在滨, 李程昊, 张迪, 张鹏辉. 基于主动迁移学习的电力系统暂态稳定自适应评估[J]. 中国电力, 2025, 58(1): 70-77.
[8]	董武, 张健, 周勤勇, 张立波, 龚浩岳. 中国电力系统安全稳定性演化综述[J]. 中国电力, 2025, 58(1): 115-127.
[9]	周原冰, 张士宁, 侯方心, 任宏涛, 徐鹏飞. 电力行业碳达峰及促进全社会碳减排影响分析[J]. 中国电力, 2024, 57(9): 1-9.
[10]	席磊, 王艺晓, 何苗, 程琛, 田习龙. 基于反向鲸鱼-多隐层极限学习机的电网FDIA检测[J]. 中国电力, 2024, 57(9): 20-31.
[11]	朱卫平, 汤奕, 魏兴慎, 刘增稷. 针对电力CPS数据驱动算法对抗攻击的防御方法[J]. 中国电力, 2024, 57(9): 32-43.
[12]	朱瑞, 娄奇鹤, 靳晓凌, 刘畅. 适应新型电力系统的电网基建功能化投资结构演化研究[J]. 中国电力, 2024, 57(9): 194-204.
[13]	傅观君, 张富强, 夏鹏, 冯君淑, 张晋芳. 天然气发电在新型电力系统中的功能定位及发展前景研判[J]. 中国电力, 2024, 57(8): 67-74.
[14]	彭寒梅, 尹棠, 肖千皓, 谭貌, 苏永新, 李辉. 高比例分布式电源配电网中低压柔性互联协调规划[J]. 中国电力, 2024, 57(8): 117-129.
[15]	翟苏巍, 李银银, 杜凡, 李文云, 潘凯岩, 梁峻恺. 考虑海量分布式能源接入的配电网分布式无功控制策略[J]. 中国电力, 2024, 57(8): 138-144.

季节划分下产业用电量关联分析及预测

Correlation Analysis and Forecast on Industrial Electricity Demands Based on Seasonal Divisions

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

模态框（Modal）标题

季节划分下产业用电量关联分析及预测

Correlation Analysis and Forecast on Industrial Electricity Demands Based on Seasonal Divisions

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics