電力企業(yè)售電量預(yù)測比較分析

高迪

摘 要：隨著產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、國企深化改革等政策措施的逐步深入，我國經(jīng)濟進入新常態(tài)。2015年，我國經(jīng)濟下行壓力持續(xù)加大，售電市場形勢較為嚴(yán)峻，因此售電量預(yù)測具有重要意義。本文應(yīng)用數(shù)據(jù)挖掘分析方法，充分收集內(nèi)部、外部數(shù)據(jù)信息，挖掘分析影響售電量的主要因素。同時，在售電量相關(guān)性分析基礎(chǔ)上，嘗試應(yīng)用時間序列和神經(jīng)網(wǎng)絡(luò)多種分析工具，構(gòu)建預(yù)測模型，預(yù)測年度售電量情況，并綜合評估各方法優(yōu)劣。

關(guān)鍵詞：電力；售電量；數(shù)據(jù)挖掘；預(yù)測

0 引言

隨著產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、國企深化改革等政策措施的逐步深入，我國經(jīng)濟進入新常態(tài)。2015年，我國經(jīng)濟下行壓力持續(xù)加大，售電市場形勢較為嚴(yán)峻，因此售電量預(yù)測具有重要意義。

長期以來，諸多學(xué)者對月售電量預(yù)測的理論和方法做了大量研究，提出了多種各具特點的預(yù)測方法。其中，以基于神經(jīng)網(wǎng)絡(luò)模型和基于時間序列的回歸模型的預(yù)測研究最為常見。

神經(jīng)網(wǎng)絡(luò)模型通過尋找電量與各影響因素（如經(jīng)濟、人口等）之間的非線性回歸關(guān)系來進行分析預(yù)測，其優(yōu)點是在不構(gòu)建確定函數(shù)的情況下便可實現(xiàn)回歸過程，具有一定的推廣能力且預(yù)測精度較高。時間序列回歸模型是根據(jù)電量過去的變化規(guī)律建模，預(yù)測未來變化的可能性及變化趨勢，其優(yōu)點是簡單易行、便于掌握、樣本需求量不大且預(yù)測精度較高。

本文應(yīng)用數(shù)據(jù)挖掘分析方法，充分收集內(nèi)部、外部數(shù)據(jù)信息，挖掘分析影響售電量的主要因素。同時，在售電量相關(guān)性分析基礎(chǔ)上，嘗試應(yīng)用時間序列和神經(jīng)網(wǎng)絡(luò)多種分析工具，構(gòu)建預(yù)測模型，預(yù)測年度售電量情況，并綜合評估各方法優(yōu)劣。

1 方法

1.1 分析思路

綜合宏觀經(jīng)濟政策、產(chǎn)業(yè)行業(yè)發(fā)展、氣象等外部數(shù)據(jù)，以及分類別、分產(chǎn)業(yè)用電量、業(yè)擴報裝等內(nèi)部數(shù)據(jù)，應(yīng)用數(shù)據(jù)挖掘分析方法，找出影響售電量的內(nèi)外部因素以及趨勢規(guī)律特征，采用多種方法構(gòu)建售電量預(yù)測模型，預(yù)測2015年售電量完成情況，為運營決策提供參考。

1.2 方法及評估

影響售電量的因素很多且部分因素存在共線性，售電量自身也存在一定的發(fā)展波動規(guī)律，因此本次研究分別采用時間序列方法、RBF神經(jīng)網(wǎng)絡(luò)方法建立售電量模型，并從模型擬合優(yōu)度、顯著性檢驗、共線性、異方差、相對誤差等多個角度出發(fā)對模型進行綜合評估。

（1）方法一：時間序列

售電量呈現(xiàn)出明顯的季節(jié)波動性，因此可以選用傳統(tǒng)的時間序列模型預(yù)測售電量。

（2）方法二：RBF神經(jīng)網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)是以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的一類前向網(wǎng)絡(luò)，分析速度快，擬合效果優(yōu)，尤其適合擬合因變量及自變量之間復(fù)雜的非線性問題，采用RBF神經(jīng)網(wǎng)絡(luò)對售電量與其影響因素的非線性復(fù)雜關(guān)系進行擬合，以期實現(xiàn)更小的預(yù)測誤差。

2 數(shù)據(jù)挖掘分析

2.1 指標(biāo)選取

本文研究外部數(shù)據(jù)涵蓋宏觀經(jīng)濟、景氣指數(shù)、對外貿(mào)易、金融、財政、氣溫等方面，內(nèi)部數(shù)據(jù)涵蓋售電量、業(yè)擴報裝、重點企業(yè)用電量等方面，數(shù)據(jù)時間跨度為2003年12月至2015年6月，共16，532條數(shù)據(jù)項。

其中，宏觀經(jīng)濟數(shù)據(jù)包括：國內(nèi)生產(chǎn)總值（GDP）、分行業(yè)總產(chǎn)值、分產(chǎn)業(yè)增加值、社會消費品零售總額、城鎮(zhèn)居民人均可支配收入、固定資產(chǎn)投資額、城鎮(zhèn)化率等。

景氣指數(shù)數(shù)據(jù)包括：居民消費價格指數(shù)（CPI）、采購經(jīng)理指數(shù)（PMI）、工業(yè)品出廠價格指數(shù)（PPI）、商品零售價格指數(shù)、分行業(yè)出廠價格、重要生產(chǎn)資料價格（含煤炭、螺紋鋼、鋁、銅、燃料油、鉛、線材、鋅）等。

對外貿(mào)易數(shù)據(jù)包括：進出口總額、出口總值等。

金融數(shù)據(jù)包括：貨幣供應(yīng)量（含M2、M1）、國內(nèi)信貸、金融存款（含存款金額、新增金額、存款余額）、境內(nèi)上市總市值及總資本、股票成交金額及數(shù)量、上證所及深交所開戶交易信息（含上市、上市證券、股票股本、股票市值、投資開戶、市盈率、成交金額信息等）、保險收入、賠付金額、保險資金運用余額、保險營業(yè)費用等。

財政數(shù)據(jù)包括：財政收支差額、公共財政支出、中央本級財政支出、地方財政支出、分類別公共財政支出、公共財政收入、稅收收入等。

氣候數(shù)據(jù)包括：經(jīng)營區(qū)各省會城市平均溫度等。

2.2 指標(biāo)與售電量相關(guān)系數(shù)

通過分類的Pearson相關(guān)性分析，根據(jù)相關(guān)性判斷原則，可以發(fā)現(xiàn)： GDP、城鎮(zhèn)化率與售電量及各分類售電量均強相關(guān)，相關(guān)系數(shù)均高于0.9；除共性影響因素外，工業(yè)售電量與可支配收入、第二產(chǎn)業(yè)增加值、進出口總值強相關(guān)；非居民售電量及居民售電量與可支配收入強相關(guān)；農(nóng)業(yè)售電量與固定資產(chǎn)投資、新裝增容農(nóng)業(yè)戶數(shù)相關(guān)程度較高；商業(yè)售電量與可支配收入強相關(guān)，與新裝增容戶數(shù)容量相關(guān)程度較高。

3 模型構(gòu)建及評估

基于相關(guān)性分析結(jié)果，確定因變量及自變量的時間維度、指標(biāo)維度如下：

（1）數(shù)據(jù)時間跨度

本次建模數(shù)據(jù)包括月度、季度和年度三個時間維度。其中，月度數(shù)據(jù)包括2005年1月至2015年6月共126個月；季度數(shù)據(jù)包括2005年1季度至2015年2季度共42個季度；年度數(shù)據(jù)包括2003年至2014年共12年。

（2）數(shù)據(jù)指標(biāo)選取

月度、季度數(shù)據(jù)包括：售電量及分類別售電量、高耗能行業(yè)用電量及占工業(yè)用電量比重、化學(xué)原料及化學(xué)制品制造業(yè)用電量、非金屬礦物制品業(yè)用電量、黑色金屬冶煉及壓延加工業(yè)用電量、有色金屬冶煉及壓延加工業(yè)用電量、國內(nèi)生產(chǎn)總值、社會消費品零售總額、商品零售價格指數(shù)、全國居民消費價格指數(shù)、工業(yè)出產(chǎn)者出廠價格指數(shù)、城鎮(zhèn)居民可支配收入、平均溫度等。

年度數(shù)據(jù)包括：售電量、四大高耗能用電量、四大高耗能用電量占工業(yè)用電量比重、GDP、分產(chǎn)業(yè)增加值占比、城鎮(zhèn)化率、城鎮(zhèn)人口數(shù)、固定資產(chǎn)投資、平均溫度等。

3.1 時間序列法

首先對售電量進行平穩(wěn)性處理，通過自相關(guān)和偏自相關(guān)圖來決定ARIMA模型的參數(shù)，最終模型為ARIMA（1，1，2）（1，1，2）。

模型R方為0.988，說明擬合模型可以解釋原序列98.8%的信息量；標(biāo)準(zhǔn)化BIC值為8.613，較小。按照時間序列法預(yù)測模型預(yù)測，預(yù)計2015年售電量完成34，899億千瓦時，同比增長0.75%。

從2005年1月至2015年7月各月售電量實際值與估值對比情況看，模型較好的擬合了售電量的波動趨勢，實際值與預(yù)測值之間的誤差基本控制在3%以內(nèi)，2005年以來的誤差控制在1%左右，平均相對誤差僅為1.31%，最高相對誤差為3.81%，最低相對誤差為0.16%。模型擬合效果圖詳見圖1。

3.2 RBF神經(jīng)網(wǎng)絡(luò)法

（1）自變量選取

RBF神經(jīng)網(wǎng)絡(luò)需要設(shè)置隱含中心層數(shù)，歷史數(shù)據(jù)只有12條記錄，因此自變量不宜選擇過多，根據(jù)前文分析，經(jīng)過反復(fù)訓(xùn)練模型，最終選取自變量GDP、高耗能用電量、氣溫、城鎮(zhèn)化率。

按照RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測，2015年售電量預(yù)計完成35，279億千瓦時，同比增長1.6%。

（2）擬合效果

從歷史上12年售電量實際完成值與模型估值對比情況看，預(yù)測平均誤差僅為0.78%，模型較好的擬合了售電量的波動趨勢，實際值與預(yù)測值之間的誤差基本控制在1%左右，2015年以來的誤差控制在1%以內(nèi)。平均相對誤差為0.77%，最高相對誤差為1.38%，最低相對誤差為0.03%，預(yù)測準(zhǔn)確度高（擬合效果詳見圖2）。

3.3 模型評估

按照時間序列法、RBF神經(jīng)網(wǎng)絡(luò)法預(yù)測模型，預(yù)測2015年售電量分別為34，899億千瓦時和35，279億千瓦時，同比增速分別為0.75%、1.6%，兩類預(yù)測方法預(yù)測結(jié)果差異較大。

為了對2015年售電量兩種方法的預(yù)測結(jié)果進行客觀評估，首先對售電量、經(jīng)營區(qū)用電量、全國用電量、GDP進行對比分析：

（1）售電量、經(jīng)營區(qū)用電量、全國用電量、GDP發(fā)展趨勢一致，呈現(xiàn)正向強相關(guān)關(guān)系；

（2）2004—2014年，售電量、經(jīng)營區(qū)用電量、全國用電量三者歷年同比增速波動規(guī)律非常相似，且與GDP增速波動一致；但近3年全國用電量增速明顯放緩，由高速轉(zhuǎn)為中速發(fā)展，電力消費彈性系數(shù)由2004年的1.1降為2014年的0.4；

（3）經(jīng)營區(qū)全社會用電量與全國全社會用電量發(fā)展趨勢一致，但占比呈現(xiàn)下降趨勢，已由2004年的0.798降為2014年的0.790。

綜合分析，我國2015年GDP增長目標(biāo)設(shè)為7%，較2014年下調(diào)0.5個百分點，2014年電力消費彈性系數(shù)為0.4，全社會用電量增速將在3%左右，由于經(jīng)營區(qū)用電占比下降，2015年經(jīng)營區(qū)全社會用電量增速將低于3%。

同時，由于售電量與經(jīng)營區(qū)用電量強相關(guān)，且售電量增速下滑速度較快，因此售電量增速將遠(yuǎn)低于3%。

4 結(jié)論

4.1 售電量與GDP、城鎮(zhèn)化率呈強相關(guān)關(guān)系

經(jīng)分析發(fā)現(xiàn)，GDP、城鎮(zhèn)化率與售電量呈強相關(guān)關(guān)系，相關(guān)系數(shù)高于0.94。除GDP、城鎮(zhèn)化率等共性影響因素外，工業(yè)售電量與可支配收入、第二產(chǎn)業(yè)增加值、進出口總值強相關(guān)，相關(guān)系數(shù)分別為0.94、0.94、0.91；非居民售電量及居民售電量與可支配收入強相關(guān)，相關(guān)系數(shù)分別為0.95、0.96；農(nóng)業(yè)售電量與固定資產(chǎn)投資、新裝增容農(nóng)業(yè)戶數(shù)相關(guān)程度較高。其中，與固定資產(chǎn)投資相關(guān)系數(shù)為0.81，與滯后1個月的新裝增容農(nóng)業(yè)戶數(shù)變化趨勢基本一致，相關(guān)系數(shù)為0.8；商業(yè)售電量與可支配收入強相關(guān)，相關(guān)系數(shù)為0.9；與滯后8個月的新裝增容戶數(shù)變化趨勢基本一致，相關(guān)系數(shù)為0.82。

4.2 RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測售電量效果更佳

相較于已有預(yù)測方式，本次售電量預(yù)測充分收集售電量內(nèi)外部影響因素數(shù)據(jù)信息，應(yīng)用數(shù)據(jù)挖掘分析方法，通過售電量相關(guān)性分析，選取與售電量相關(guān)性高的因素作為預(yù)測模型的輸入變量；基于相關(guān)性分析結(jié)果，在模型中納入GDP、可支配收入、高耗能用電占比、城鎮(zhèn)化率、溫度、第二產(chǎn)業(yè)增加值占比等自變量，考慮了經(jīng)濟增速放緩、人民生活水平提高、產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、高耗能轉(zhuǎn)移、溫度等多方面影響因素；引入季節(jié)虛擬變量，剔除了季節(jié)因素影響，分析因變量與自變量發(fā)展的長期趨勢；分別采用時間序列、回歸預(yù)測、神經(jīng)網(wǎng)絡(luò)等多種方法構(gòu)建預(yù)測模型，密切結(jié)合經(jīng)濟現(xiàn)狀和業(yè)務(wù)現(xiàn)狀，以電力彈性系數(shù)等指標(biāo)進行校核，綜合評估不同預(yù)測方法的預(yù)測結(jié)果。

經(jīng)模型評估發(fā)現(xiàn)，采用偏最小二乘回歸法和時間序列法，預(yù)測結(jié)果偏差較大，平均相對誤差為2.32%和1.31%；采用RBF神經(jīng)網(wǎng)絡(luò)法，預(yù)測值與實際值平均相對誤差僅為0.77%，預(yù)測結(jié)果偏差較小。RBF神經(jīng)網(wǎng)絡(luò)法能有效避免售電量中季節(jié)周期分量和隨機分量對趨勢分量預(yù)測的干擾，相對于時間序列法和偏最小二乘回歸法對售電量序列直接建模預(yù)測的方法，RBF神經(jīng)網(wǎng)絡(luò)法具有更高的預(yù)測精度。