行业用电量规模分析及预测

导语

随着售电侧改革的深化和电价市场化改革的推进，电网企业正加快开展代理购电工作。2021年10月，国家发展改革委正式印发《关于组织开展电网企业代理购电工作有关事项的通知》，明确要求电网企业常态化开展代理工商业用户用电规模预测工作，完善电网企业需求响应机制，保障电力供需平衡。

（来源：微信公众号“朗新研究院” 作者：王祖祥）

为更好服务用电市场、把握电力市场发展机遇，需要准确研判电力市场用电需求的影响因素和发展趋势。本文从因果关系出发，利用回归分析找出电力市场变化的规律，构建基于行业细分的中长期电量预测方法，以期为电网企业开展经营分析、制定营销服务策略、推进精准电能替代工作和预测代理购电工商业用户的电量需求规模等方面提供技术支撑。

01预测模型方法构建思路

电量预测根据预测目标时限可分为短期预测（一年内）、中期预测（一年至5年）和长期预测（5年以上）三种。一般情况下，预测时间跨度的长短与预测质量的高低成反比例关系。长期预测为中期和短期预测提供方向和依据，短期预测是中期预测基础上的进一步具体化[1]。

在实践中，主要的预测方法有单耗法、弹性系数法、线性回归法、灰色系统法和专家系统法等，其中，单耗法、弹性系数法方法简单、易于计算，但预测精度低；灰色系统法所需电量数据少、无需考虑分布规律及变化趋势，但在用电负荷增长速度较快、非指数型增长时，预测精度可能变差。

由于同一区域、同类行业的企业用电量受到影响的因素具有一致性，用电特点也相似。同时，国家、地区及相关部门大多按产业和行业来统计数据，制订政策法规；电网企业经营分析报告也多从行业角度进行编制。

所以使用行业细分的多元线性回归分析，易于把握细分行业的特点，洞察细分行业电量趋势曲线的关键驱动力，可以快速总结、拟合分析出用电量与行业产出的关系，在大样本数据支撑、调查研究和资料数据基础上有较高的预测准确度。

综上，本文基于行业细分的中长期电量预测，首先对用电市场进行行业细分，确定细分行业及影响细分行业电量增长的关键影响因子；然后分析各影响因子的未来变化趋势；最后通过多元回归分析预测出各细分行业电量及产业电量，叠加出区域全社会用电量。

整体思路如图1所示：

图1 基于行业细分的中长期电量预测思路

02

预测应用实例

（一）确定细分行业

当前电网企业主要按照电压等级、用电容量及产业 / 行业等对客户进行分类。按产业 / 行业进行分类，能快速洞察用电市场细分行业发展情况、产业动向及产业结构变化。

本文以某电网公司为例，结合电力营销系统用户侧电量数据，根据电力营销客户所属行业分类，将分析预测聚焦在重点行业。以客户行业进行划分，该电网公司用电市场可分为通用及专用设备制造业、交通运输/电气 / 电子设备制造业、化学原料及化学制品制造业、服装鞋帽、批发零售业、住宿和餐饮业、交通运输业、金融房地产商务及居民服务业等十多个重点细分行业。

本文结合《关于组织开展电网企业代理购电工作有关事项的通知》中对电网企业的要求——“定期预测代理购电工商业用户用电量及典型负荷曲线”，以“金融房地产商务及居民服务业”为典型行业，采用多元回归分析法对该行业进行预测，为本地区工商业用户用电量预测、营销策略服务制定等提供依据。

（二）影响因子及相关性分析

根据细分行业的生产和经济运行的特点，通过头脑风暴对各细分行业进行定性分析（如国家或地区GDP、行业景气指数、温度、消费指数等各种因素）。同时选取一批影响因子进行定量相关性数学运算，剔除相关性低的因素，确定细分行业的影响因子，并结合定性分析对各影响因子的历史变化做出分析。影响因子的确立并非一劳永逸，需适时根据内外部等多种环境影响来进行周期性验证与调整。

某电网公司关于金融房地产商务及居民服务业的电量预测，定性选取温度、甲级办公楼面积、行业景气指数、消费者信息指数作为影响因子进行相关性分析。

温度：2018年01月至2021年10月，某电网公司所在地平均气温和金融房地产商务及居民服务业历史月用电量数据曲线对比分析图如图2所示：

图2 金融房地产商务及居民服务业月用电量与气温对比分析图

经过计算，上图数据月相关系数R=0.77，呈正相关性，明显反映出当地金融房地产商务及居民服务业月电量随气温高低出现明显周期性波动：气温越高或越低办公楼面积空调用电负荷需求越大。

写字楼总面积：2018年至2020年办公楼面积和金融房地产商务及居民服务业历史年用电量数据散点图如图3所示：

图3 金融房地产商务及居民服务业年用电量与办公楼总面积散点图

经过计算，上图数据中，办公楼面积与金融房地产商务及居民服务业年电量的年正相关性高达R=0.98，其月相关性系数R=0.54，说明办公楼面积总面积越大，所需要的用电设备（包括空调、电梯等）越多。

同理，经过数据相关性分析，消费者信心指数以及行业景气指数相关性接近0.5，显示有较强相关性。

下面通过对历史数据作回归分析，得到用电量和影响因子之间的关系，最终精选、确定细分行业对应的影响因子。如图4所示：

图4 金融房地产商务及居民服务业用电量回归分析

上图中，R2=0.8708时，拟合的效果良好。温度和写字楼面积的P值较小，温度P值甚至为0，置信度达到99.99%以上。其中行业景气指数P值较大，需将此影响因子剔除。

经过上面定性及定量全过程分析，确定温度和写字楼面积作为金融房地产商务及居民服务业的主要影响因子。

图5 金融房地产商务及居民服务业影响因子相关性分析结果

（三）模型构建及电量预测

1、影响因子预测

对温度、写字楼面积两个影响因子的未来发展趋势做出预测，计算出金融房地产商务及居民服务业用电量未来的预测值。

温度：由该地区往年逐月气温平均计算得出的往年月平均气温，可作为未来2022年各月平均气温的预测值。如需考虑乐观预测、悲观预测等多预测形态，可根据月平均气温增加或减少一个标准差系数来实现。

本地区2018年至2021年月平均气温的趋势分析图见下图：

图6 2018年至2021年月平均气温的趋势分析

写字楼总面积：假设当地新增商业交易面积要到1年以后正式开始用电，2022年写字楼总面积预测=2021年年末（12月）写字楼面积+2021年12月新增累计交易面积。

新增累计交易面积可以参考当地房地产发布的数据情况，如各月新建商业写字楼用房交易登记面积、存量商业写字楼用房交易登记面积等数据，写字楼总面积可以通过查询本地区统计年鉴获取。本地区2018年至2021年写字楼总面积数据如表1：

表1 某地区2018年至2021年写字楼面积

2、行业电量预测

基于对上面影响因子的分析及预测情况，采用线性回归预测作为细分行业预测基础模型，并对细分行业做出数据预测。电量预测模型如下：

根据金融房地产商务及居民服务业历史用电量、各影响因子历史数据进行回归分析，结果如图7所示：

图7 金融房地产商务及居民服务业用电量回归分析

上图结果中，影响因子的P值均小于0.0001，拟合度良好，置信度达到99.99%以上，充分表明模型的合理性。

为了验证模型实际误差及效果，对2020年前10个月的数据进行预测并对比分析，月偏离值最大5.84%，最小0.55%，年偏离值在1.01%，详细如表2:

表2 预测结果对比分析

电量预测本身具有一定的不确定性和条件性，不同预测方法都有对应的理论支撑，都有其应用价值。

考虑到其他的可能性，在实际应用中，一方面应建立常态化的数据收集、整理机制，强化对各种历史数据进行补缺、清洗及修正，保证数据的正确性、一致性与完整性，针对可能出现的异常点（如某细分行业用电量和产量背离，分析其具体原因，可能是产品结构和生产效率发生改变，也可能是数据收集错误）进行数据订正、补缺或直接剔除错误点，同时对历史数据做平滑处理，突出真实的趋势变化。另一方面，可以根据实际情况设置基准预测、乐观预测、悲观预测等不同预测形态，并对预测结果进行加权平均组合，降低预测风险，改善预测结果。

从上文表2可以看出，所得到的预测值与实际值偏差较小，具有较高准确率。受春节影响，一般每年1月、2月用电量普遍低于其他月份。

3、全社会用电量预测

综合金融房地产商务及居民服务业预测办法，可依次预测出各细分行业用电量，然后对相关细分行业进行叠加，可计算得出相关产业电量以及该区域全社会用电量预测结果，即该区域整个用电市场用电量。

03结语

本文基于行业细分，构建灵活有效的常态化电量分析及预测方法，为电网企业预测代理工商业用户用电规模提供了重要参考，有助于电网公司及时跟踪代购电市场趋势变化，做好风险预警防控，保障代理购电机制有序平稳运行；协助电网企业针对不同的细分行业市场特性和影响因子制定不同的营销策略，以更加精准、科学的数据，动态及时反映电力供需形势，引导电网资源的优化配置。

目前本预测方法已在某省级电网企业进行了实用化应用，效果良好。由于本预测方法需大量原始数据做支撑，后续需在贯通、融合政府等相关部门专业数据的同时做好内外部数据管理，形成专业化、常态化的数据汇聚、分析、处理机制，进一步提升数据质量，提高预测准确度，释放电力数据价值。

【参考文献】

[1].谢洁树.电力负荷预测的方法研究[J].灯与照明,2008,32(1):52-55.

文|王祖祥

朗新科技集团 售前支持部