CN109543908A - 一种基于居民家用电器能耗核算的居民用电量的预测方法 - Google Patents
一种基于居民家用电器能耗核算的居民用电量的预测方法 Download PDFInfo
- Publication number
- CN109543908A CN109543908A CN201811415056.8A CN201811415056A CN109543908A CN 109543908 A CN109543908 A CN 109543908A CN 201811415056 A CN201811415056 A CN 201811415056A CN 109543908 A CN109543908 A CN 109543908A
- Authority
- CN
- China
- Prior art keywords
- electricity consumption
- resident
- consumption
- electricity
- refrigerator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005265 energy consumption Methods 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000004378 air conditioning Methods 0.000 claims description 53
- 238000001816 cooling Methods 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 13
- 238000010438 heat treatment Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 14
- 230000008901 benefit Effects 0.000 description 6
- 241001123248 Arma Species 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000008080 stochastic effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于居民家用电器能耗核算的居民用电量的预测方法首先选取居民用电的样本期,之后将居民用电类别进行划分;之后按步骤S2划分的居民用电类别分别对居民用电量进行提取;之后计算终端耗电设备数量预测值;之后,预测单位终端耗电设备能耗;最后,根据前述步骤中得到的终端耗电设备数量预测值、单位终端耗电设备能耗预测值和居民户数的预测值计算预测期目标地区居民用电量。本发明将样本期居民用电分解为终端设备用电,在此基础上分析样本期终端设备用电的影响因素,并构建量化分析模型预测各类终端设备用电增长趋势,进一步汇总实现居民用电量的预测,能够探究居民用电增长更深层次的动力来源,且预测结果准确。
Description
技术领域
本发明涉及一种预测方法,尤其是涉及一种基于居民家用电器能耗核算的居民用电量的预测方法。
背景技术
居民生活用电是社会用电的重要组成,居民供电保障也是电力企业供电的基础要求。能源经济电力研究学者在居民用电预测领域,多采用时间序列分析法如一元线性回归、多元线性回归、非线性回归、ARIMA分析法等对居民用电整体进行建模、预测,而无法探究居民用电增长更深层次的动力来源。
因此,需要提供一种新的用于预测居民用电的方法。
授权公告号为CN103440556B的发明专利提供了一种基于经济传导的用电量预测方法,该方法包括以下步骤:(1)根据各类用电量的影响因子,读取历史数据,构建分类预测模型;(2)获取目标季度各解释变量值,对目标季度的各类用电量进行分类预测;(3)计算目标季度的全社会用电量。该发明通过对区域内的历史分产业用电量、重点行业用电量进行分析研究,筛分出影响区域用电量变化的主要经济信息,找出与用电量变化关联度较高的系列经济指标,研究其对用电量影响的超前滞后特性,在此基础上构建从经济到用电量的分类传导预测模型,有效解决了长期以来预测人员无法将历史及未来的经济活动量化到用电量预测的过程中的问题,提高了用电量预测的精度。然而,该发明无法探究居民用电增长更深层次的动力来源。
公开号为CN107392375A的发明专利申请公开了一种基于ARMA模型的中长期用电量预测方法,首先获取待预测区域的预定时间段的用电量数据,然后将获取的用电量数据作为原始数据序列进行预处理,如果原始数据序列满足建模条件则将此作为当前数据序列,原始数据序列不满足建模条件则进行再处理;然后确定预测时间段;最后建立ARMA模型,根据所述当前数据序列确定与所述预定时间段相连续的下一个时间段所对应预测用电量的ARMA模型函数,并根据所述ARMA模型函数,计算所述下一个时间段的预测用电量。该发明申请能够避免出现因为对用电量预测不准确而造成的例如断电这种影响居民生活和生产的问题。但是该发明申请依然无法探究居民用电增长更深层次的动力来源。
发明内容
有鉴于此,本发明的目的是针对现有技术的不足,提供一种基于居民家用电器能耗核算的居民用电量的预测方法,该预测方法将样本期居民用电分解为终端设备用电,在此基础上分析样本期终端设备用电的影响因素,并构建量化分析模型预测各类终端设备用电增长趋势,进一步汇总实现居民用电量的预测,能够探究居民用电增长更深层次的动力来源,且预测结果准确。
为达到上述目的,本发明采用以下技术方案:
一种基于居民家用电器能耗核算的居民用电量的预测方法,包括以下步骤:
S1、选取居民用电的样本期;
S2、对居民用电类别进行划分:根据居民家用电器保有情况并考虑未来发展趋势,将居民用电类别划分为空调用电、冰箱用电、电灯用电、电动汽车用电及其他用电;
S3、按步骤S2划分的居民用电类别分别对居民用电量进行提取;
S4、终端耗电设备数量预测:采用每百户居民家庭某类家用电器保有量与居民户数的预测值的乘积作为终端耗电设备数量预测值;
S5、单位终端耗电设备能耗预测:包括空调单位设备能耗预测、冰箱单位设备能耗预测和其它家用电器单位设备能耗预测;
S6、居民用电量预测:根据前述步骤中得到的终端耗电设备数量预测值、单位终端耗电设备能耗预测值和居民户数的预测值计算预测期目标地区居民用电量,具体计算公式如下:E=∑iH×Qi×Ii,其中,E为预测期目标地区居民用电量,H为目标地区居民户数且单位为百户,Qi为第i类电器每百户居民家庭的保有量,Ii为第i类终端耗电设备的单位设备能够,并采用相应终端耗电设备的年耗电量作为单位设备能耗。
进一步地,在步骤S3中,空调用电量的提取方法如下:
结合目标地区月度用电量时间序列与地区气候特征分析,判断其采暖季节与降温季节,与当年基础负荷季节对比日均用电量,取其差额为当年季节性日均用电量,再结合采暖降温季天数计算季节性用电量,并将季节性用电量作为空调用电量,计算公式如下:式中,为空调用电量,为采暖降温季的日均用电量,为基础负荷季节的日均用电量,m为采暖降温季的天数;
将分解出的空调用电量结合目标地区居民户数与每百户家庭空调保有量,计算每台空调的年耗电量,计算公式如下:式中,为每台空调年耗电量,Ht为居民户数且单位为百户,为每百户家庭空调保有量。
进一步地,在步骤S3中,冰箱用电量的提取方法如下:假设一般家庭冰箱全年不间断运行,结合冰箱一般能效水平,计算一台冰箱一年耗电量,再由每台冰箱的年耗电量结合居民户数、每百户家庭冰箱保有量计算冰箱耗电量,计算公式如下:其中,为冰箱用电量,为每台冰箱年耗电量,Ht为居民户数,为每百户居民家庭冰箱保有量。
进一步地,在步骤S3中,点灯用电量的提取方法如下:假设一般家庭电灯开启时长稳定,同时开启盏数稳定,结合电灯的一般能效水平,计算每户家庭电灯的年耗电量,再结合居民户数计算电灯耗电量,计算公式如下:式中,为电灯用电量,为每台电灯年耗电量,Ht为居民家庭户数,为每百户家庭电灯同时开启的盏数。
进一步地,在步骤S3中,电动汽车用电量的提取方法如下:假设电动汽车主要用于家庭短途、城市内部交通,在此基础上结合电动汽车一般能效水平,估算每台电动汽车年耗电量,电动汽车未来的保有量主要通过预测其在家庭汽车中的占比与家庭汽车保有量实现,电动汽车用电量的计算公式为:式中,为电动汽车用电量,为每台电动汽车年耗电量,为每百户家庭汽车保有量,为电动汽车占比,并将电动汽车占家用汽车的比重作为电动汽车占比,Ht为家庭户数。
进一步地,在步骤S3中,其他用电量的提取方法如下:其他用电量为空调用电量、冰箱用电量、电灯用电量和电动汽车用电量之外的剩余电量部分,计算公式为:式中,为其他用电量。
进一步地,在步骤S4中,每百户居民家庭某类家用电器保有量采用面板数据回归模型计算,居民户数依据目标地区人口发展规划与家庭户规模历史增长趋势进行预测。
进一步地,在步骤S5中,单位终端耗电设备能耗预测的方法如下:
空调单位设备能耗预测采用调整的线性回归模型进行预测,以居民收入为解释变量,具体计算模型如下:式中,为空调单位设备能耗,并以空调每台每年耗电量作为空调单位设备能耗,IIt为居民可支配收入, a为居民可支配收入的解释系数,b为常数项,a、b的取值均根据确定的样本数据估算得到;
冰箱单位设备能耗预测采用趋势分析模型预测冰箱单位设备能耗,具体计算模型如下:式中,为冰箱单位设备能耗,并以冰箱每台每年耗电量作为冰箱单位设备能耗,t表示年份;
电灯用电、电动汽车用电及其他用电与冰箱单位设备能耗预测方法相同。
本发明的有益效果是:
本发明在步骤S4中,每百户居民家庭某类家用电器保有量采用面板数据回归模型计算,每百户居民家庭某类电器如空调、冰箱、汽车保有量与目标地区经济发展水平、居民收入水平等息息相关,计量分析往往也凸显出经济发展水平表征指标人均GDP、居民人均可支配收入与每百户居民家庭空调、冰箱、汽车保有量之间的显著相关性。然而,依托线性回归、非线性回归或其他常见函数均难以较好地拟合每百户居民家庭家用电器的增长趋势。其原因有二:一是家用电器作为消费品,服从边际效益递减规律,存在饱和点;二是家用电器规模化生产效益体现,使得其生产成本降低,从而促使销售单价相对降低,形象地说,经济发展滞后地区的消费者相对于先行地区具备“后发优势”。因此,目标地区每百户居民家庭电器保有量更适合以面板数据分析模型进行建模。在多地区居民家用电器保有量预测的试验显示,面板数据回归模型的预测结果比传统时间序列模型更为合理、可靠。
本发明在步骤S5中,与其他家用电器相比,空调的单位设备能耗与其开启时长相关,而开启时长并未达到稳定值:随着居民收入的增长,居民对生活舒适度的要求不断提升,对采暖降温成本的提高也更具容忍度,在采暖降温季倾向于延长空调设备的开启时长,从而促进空调单位设备能耗的增长。因此,空调单位设备能耗预测采用调整的线性回归模型进行预测,以居民收入为解释变量。另外,冰箱的开启时长已做设定,为固定值,那么冰箱单位设备能耗仅与其能效水平的提升相关,因此,冰箱单位设备能耗预测采用趋势分析模型预测冰箱单位设备能耗。
本发明所采用的基于居民家用电器能耗核算的居民用电量预测方法,将居民用电分解为各类家用电器用电,采用自底而上的分析思路,由家用电器数量、家用电器单位设备能耗分析预测居民用电量,深入分析并体现居民用电增长动力来源。同时,本发明采用面板数据回归模型预测居民家用电器保有量,极大地提高了居民家用电器保有量的中长期预测合理性与可靠性。本发明成果应用于供电企业,进行居民用电需求预测,将为供电配电决策提供科学指导或参考依据。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明的流程图;
图2为本发明实施例中2010-2017年阜阳市每台空调耗电量走势图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,一种基于居民家用电器能耗核算的居民用电量的预测方法,包括以下步骤:
S1、选取居民用电的样本期;
S2、对居民用电类别进行划分:根据居民家用电器保有情况并考虑未来发展趋势,将居民用电类别划分为空调用电、冰箱用电、电灯用电、电动汽车用电及其他用电;
S3、按步骤S2划分的居民用电类别分别对居民用电量进行提取;
S4、终端耗电设备数量预测:采用每百户居民家庭某类家用电器保有量与居民户数的预测值的乘积作为终端耗电设备数量预测值;
S5、单位终端耗电设备能耗预测:包括空调单位设备能耗预测、冰箱单位设备能耗预测和其它家用电器单位设备能耗预测;
S6、居民用电量预测:根据前述步骤中得到的终端耗电设备数量预测值、单位终端耗电设备能耗预测值和居民户数的预测值计算预测期目标地区居民用电量,具体计算公式如下:E=∑iH×Qi×Ii,其中,E为预测期目标地区居民用电量,H为目标地区居民户数且单位为百户,Qi为第i类电器每百户居民家庭的保有量,Ii为第i类终端耗电设备的单位设备能够,并采用相应终端耗电设备的年耗电量作为单位设备能耗。
在步骤S3中,空调用电量的提取方法如下:
结合目标地区月度用电量时间序列与地区气候特征分析,判断其采暖季节与降温季节,与当年基础负荷季节对比日均用电量,取其差额为当年季节性日均用电量,再结合采暖降温季天数计算季节性用电量,并将季节性用电量作为空调用电量,计算公式如下:式中,为空调用电量,为采暖降温季的日均用电量,为基础负荷季节的日均用电量,m为采暖降温季的天数;
将分解出的空调用电量结合目标地区居民户数与每百户家庭空调保有量,计算每台空调的年耗电量,计算公式如下:式中,为每台空调年耗电量,Ht为居民户数(单位为百户),为每百户家庭空调保有量。
在步骤S3中,冰箱用电量的提取方法如下:假设一般家庭冰箱全年不间断运行,结合冰箱一般能效水平,计算一台冰箱一年耗电量,再由每台冰箱的年耗电量结合居民户数、每百户家庭冰箱保有量计算冰箱耗电量,计算公式如下:其中,为冰箱用电量,为每台冰箱年耗电量,Ht为居民户数,为每百户居民家庭冰箱保有量。
在步骤S3中,点灯用电量的提取方法如下:假设一般家庭电灯开启时长稳定,同时开启盏数稳定,结合电灯的一般能效水平,计算每户家庭电灯的年耗电量,再结合居民户数计算电灯耗电量,计算公式如下:式中,为电灯用电量,为每台电灯年耗电量,Ht为居民家庭户数,为每百户家庭电灯同时开启的盏数。
在步骤S3中,电动汽车用电量的提取方法如下:假设电动汽车主要用于家庭短途、城市内部交通,在此基础上结合电动汽车一般能效水平,估算每台电动汽车年耗电量,电动汽车未来的保有量主要通过预测其在家庭汽车中的占比与家庭汽车保有量实现,电动汽车用电量的计算公式为: 式中,为电动汽车用电量,为每台电动汽车年耗电量,为每百户家庭汽车保有量,为电动汽车占比,并将电动汽车占家用汽车的比重作为电动汽车占比,Ht为家庭户数。
在步骤S3中,其他用电量的提取方法如下:其他用电量为空调用电量、冰箱用电量、电灯用电量和电动汽车用电量之外的剩余电量部分,计算公式为:式中,为其他用电量。
从上述内容中不难发现,除空调之外,其他家用电器设备均又具体的家用电器能耗特征与能效水平出发,即由单位设备年耗电量计算此类设备用电总量,唯独空调采用先计算所有空调用电总量,再计算每台空调年耗电量的方式核算,其主要原因在于空调的能耗特征不稳定,具体的可以理解为其开启时长不稳定。
在步骤S4中,每百户居民家庭某类家用电器保有量采用面板数据回归模型计算,居民户数依据目标地区人口发展规划与家庭户规模历史增长趋势进行预测。
在步骤S5中,单位终端耗电设备能耗预测的方法如下:
空调单位设备能耗预测采用调整的线性回归模型进行预测,以居民收入为解释变量,具体计算模型如下:式中,为空调单位设备能耗,并以空调每台每年耗电量作为空调单位设备能耗,IIt为居民可支配收入, a为居民可支配收入的解释系数,b为常数项,a、b的取值均根据确定的样本数据估算得到;
冰箱单位设备能耗预测采用趋势分析模型预测冰箱单位设备能耗,具体计算模型如下:式中,为冰箱单位设备能耗,并以冰箱每台每年耗电量作为冰箱单位设备能耗,t表示年份;
电灯用电、电动汽车用电及其他用电与冰箱单位设备能耗预测方法相同。
接下来,以安徽省阜阳市居民用电量预测为具体案例,基于居民家用电器能耗核算的居民用电量预测方法包括以下步骤:
S1、选取居民用电的样本期。
S2、对居民用电类别进行划分:根据居民家用电器保有情况并考虑未来发展趋势,将居民用电类别划分为空调用电、冰箱用电、电灯用电、电动汽车用电及其他用电。
S3、按步骤S2划分的居民用电类别分别对居民用电量进行提取,样本期居民用电量分解结果如表1所示。
S4、终端耗电设备数量预测:采用每百户居民家庭某类家用电器保有量与居民户数的预测值的乘积作为终端耗电设备数量预测值。
以每百户居民家庭汽车保有量为例说明终端耗电设备数量预测思路。基于全国多省(18省)汽车保有量、居民收入、人均GDP、三产占比等指标2007-2016 年的面板数据,构建面板数据回归模型,根据模型效果与统计检验指标筛选最终选择人均GDP、三产占比作为解释变量,构建随机效应面板数据回归模型。
模型组内拟合优度R2达到0.86,组间拟合优度R2达到0.47,综合拟合优度R2达到0.56,在面板数据回归分析中,上述数值已经体现出模型较好的模拟效果。模型结果如下表所示。
根据随机效应面板数据回归模型分析,人均GDP、三产占比对每百户居民家庭汽车保有量的回归系数分别为0.00048、0.44,根据对阜阳市人均GDP、三产占比的预测,结合样本期2016年汽车保有量与人均GDP、三产占比,则可计算并预测2020-2035年阜阳市每百户居民家庭汽车保有量。
结合对居民户数的预测则可计算居民汽车保有总量。
S5、单位终端耗电设备能耗预测:包括空调单位设备能耗预测、冰箱单位设备能耗预测和其它家用电器单位设备能耗预测;
以空调为例说明单位设备能耗的预测思路。
根据样本期居民用电分解,得到阜阳市居民空调用电量,结合居民户数与每百户居民空调保有量计算出每台空调的耗电量。2010-2017年阜阳市每台空调耗电量走势如图2所示。
除个别年份极端气温影响之外,每台空调年耗电量总体呈上升趋势,由于此专利主要用于居民用电量的中长期预测,故在预测未来每台空调年耗电量时,参考样本期某一段时期的总体情况,具体到每台空调年耗电量,则参考 2010-2017年的年均增长率设定未来每台空调年耗电量的增长趋势。据此,预测每台空调年耗电量如下表所示。
S6、居民用电量预测:
根据分类电器数量、单位设备能耗、居民户数的预测值,计算并获得居民用电量预测结果。预测在2030年电动汽车保有量占比10%D情景下,阜阳市居民用电量将增长至71.8亿千瓦时,电动汽车用电1.6亿千瓦时,
从实例演示可以看出,除了在模型方法上,本发明引入了面板数据回归模型预测家用电器数量改进了传统时间序列分析模型较难进行中长期预测的缺点之外,模型自底而上的分析思路也使得预测结果更加丰富,能够体现未来居民用电的增长动力来源。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于居民家用电器能耗核算的居民用电量的预测方法,其特征在于,包括以下步骤:
S1、选取居民用电的样本期;
S2、对居民用电类别进行划分:根据居民家用电器保有情况并考虑未来发展趋势,将居民用电类别划分为空调用电、冰箱用电、电灯用电、电动汽车用电及其他用电;
S3、按步骤S2划分的居民用电类别分别对居民用电量进行提取;
S4、终端耗电设备数量预测:采用每百户居民家庭某类家用电器保有量与居民户数的预测值的乘积作为终端耗电设备数量预测值;
S5、单位终端耗电设备能耗预测:包括空调单位设备能耗预测、冰箱单位设备能耗预测和其它家用电器单位设备能耗预测;
S6、居民用电量预测:根据前述步骤中得到的终端耗电设备数量预测值、单位终端耗电设备能耗预测值和居民户数的预测值计算预测期目标地区居民用电量,具体计算公式如下:E=∑iH×Qi×Ii,其中,E为预测期目标地区居民用电量,H为目标地区居民户数且单位为百户,Qi为第i类电器每百户居民家庭的保有量,Ii为第i类终端耗电设备的单位设备能够,并采用相应终端耗电设备的年耗电量作为单位设备能耗。
2.根据权利要求1所述的一种基于居民家用电器能耗核算的居民用电量的预测方法,其特征在于:在步骤S3中,空调用电量的提取方法如下:
结合目标地区月度用电量时间序列与地区气候特征分析,判断其采暖季节与降温季节,与当年基础负荷季节对比日均用电量,取其差额为当年季节性日均用电量,再结合采暖降温季天数计算季节性用电量,并将季节性用电量作为空调用电量,计算公式如下:式中,为空调用电量,为采暖降温季的日均用电量,为基础负荷季节的日均用电量,m为采暖降温季的天数;
将分解出的空调用电量结合目标地区居民户数与每百户家庭空调保有量,计算每台空调的年耗电量,计算公式如下:式中,为每台空调年耗电量,Ht为居民户数且单位为百户,为每百户家庭空调保有量。
3.根据权利要求2所述的一种基于居民家用电器能耗核算的居民用电量的预测方法,其特征在于:在步骤S3中,冰箱用电量的提取方法如下:假设一般家庭冰箱全年不间断运行,结合冰箱一般能效水平,计算一台冰箱一年耗电量,再由每台冰箱的年耗电量结合居民户数、每百户家庭冰箱保有量计算冰箱耗电量,计算公式如下:其中,为冰箱用电量,为每台冰箱年耗电量,Ht为居民户数,为每百户居民家庭冰箱保有量。
4.根据权利要求3所述的一种基于居民家用电器能耗核算的居民用电量的预测方法,其特征在于:在步骤S3中,点灯用电量的提取方法如下:假设一般家庭电灯开启时长稳定,同时开启盏数稳定,结合电灯的一般能效水平,计算每户家庭电灯的年耗电量,再结合居民户数计算电灯耗电量,计算公式如下:式中,为电灯用电量,为每台电灯年耗电量,Ht为居民家庭户数,为每百户家庭电灯同时开启的盏数。
5.根据权利要求4所述的一种基于居民家用电器能耗核算的居民用电量的预测方法,其特征在于:在步骤S3中,电动汽车用电量的提取方法如下:假设电动汽车主要用于家庭短途、城市内部交通,在此基础上结合电动汽车一般能效水平,估算每台电动汽车年耗电量,电动汽车未来的保有量主要通过预测其在家庭汽车中的占比与家庭汽车保有量实现,电动汽车用电量的计算公式为:式中,为电动汽车用电量,为每台电动汽车年耗电量,为每百户家庭汽车保有量,为电动汽车占比,并将电动汽车占家用汽车的比重作为电动汽车占比,Ht为家庭户数。
6.根据权利要求5所述的一种基于居民家用电器能耗核算的居民用电量的预测方法,其特征在于:在步骤S3中,其他用电量的提取方法如下:其他用电量为空调用电量、冰箱用电量、电灯用电量和电动汽车用电量之外的剩余电量部分,计算公式为:式中,为其他用电量。
7.根据权利要求1至6任一项所述的一种基于居民家用电器能耗核算的居民用电量的预测方法,其特征在于:在步骤S4中,每百户居民家庭某类家用电器保有量采用面板数据回归模型计算,居民户数依据目标地区人口发展规划与家庭户规模历史增长趋势进行预测。
8.根据权利要求1至6任一项所述的一种基于居民家用电器能耗核算的居民用电量的预测方法,其特征在于:在步骤S5中,单位终端耗电设备能耗预测的方法如下:
空调单位设备能耗预测采用调整的线性回归模型进行预测,以居民收入为解释变量,具体计算模型如下:式中,为空调单位设备能耗,并以空调每台每年耗电量作为空调单位设备能耗,IIt为居民可支配收入,a为居民可支配收入的解释系数,b为常数项,a、b的取值均根据确定的样本数据估算得到;
冰箱单位设备能耗预测采用趋势分析模型预测冰箱单位设备能耗,具体计算模型如下:式中,为冰箱单位设备能耗,并以冰箱每台每年耗电量作为冰箱单位设备能耗,t表示年份,a为居民可支配收入的解释系数,b为常数项,a、b的取值均根据确定的样本数据估算得到;
电灯用电、电动汽车用电及其他用电与冰箱单位设备能耗预测方法相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415056.8A CN109543908A (zh) | 2018-11-26 | 2018-11-26 | 一种基于居民家用电器能耗核算的居民用电量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415056.8A CN109543908A (zh) | 2018-11-26 | 2018-11-26 | 一种基于居民家用电器能耗核算的居民用电量的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543908A true CN109543908A (zh) | 2019-03-29 |
Family
ID=65849618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811415056.8A Pending CN109543908A (zh) | 2018-11-26 | 2018-11-26 | 一种基于居民家用电器能耗核算的居民用电量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543908A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728408A (zh) * | 2019-10-16 | 2020-01-24 | 国家电网有限公司 | 一种考虑用户源荷特征的居民用电量预测方法 |
CN110738581A (zh) * | 2019-07-25 | 2020-01-31 | 天津大学 | 基于多元线性回归的校园综合楼用电量评级方法 |
CN113139672A (zh) * | 2020-05-07 | 2021-07-20 | 国网能源研究院有限公司 | 一种居民生活用电量预测方法 |
CN117134480A (zh) * | 2023-10-26 | 2023-11-28 | 常州满旺半导体科技有限公司 | 一种基于大数据分析的电源调节监测***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN105894137A (zh) * | 2016-05-30 | 2016-08-24 | 中国南方电网有限责任公司电网技术研究中心 | 居民用电需求预测方法和*** |
CN107316266A (zh) * | 2017-07-06 | 2017-11-03 | 中国人民大学 | 一种基于用能设备、自下而上的居民能源消费核算方法 |
CN109359780A (zh) * | 2018-11-16 | 2019-02-19 | 上海电力学院 | 一种基于电器化指数的居民用电量预测方法 |
-
2018
- 2018-11-26 CN CN201811415056.8A patent/CN109543908A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN105894137A (zh) * | 2016-05-30 | 2016-08-24 | 中国南方电网有限责任公司电网技术研究中心 | 居民用电需求预测方法和*** |
CN107316266A (zh) * | 2017-07-06 | 2017-11-03 | 中国人民大学 | 一种基于用能设备、自下而上的居民能源消费核算方法 |
CN109359780A (zh) * | 2018-11-16 | 2019-02-19 | 上海电力学院 | 一种基于电器化指数的居民用电量预测方法 |
Non-Patent Citations (1)
Title |
---|
张秀林: "住宅电气负荷计算解析(待续)", 《建筑电气》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738581A (zh) * | 2019-07-25 | 2020-01-31 | 天津大学 | 基于多元线性回归的校园综合楼用电量评级方法 |
CN110728408A (zh) * | 2019-10-16 | 2020-01-24 | 国家电网有限公司 | 一种考虑用户源荷特征的居民用电量预测方法 |
CN113139672A (zh) * | 2020-05-07 | 2021-07-20 | 国网能源研究院有限公司 | 一种居民生活用电量预测方法 |
CN117134480A (zh) * | 2023-10-26 | 2023-11-28 | 常州满旺半导体科技有限公司 | 一种基于大数据分析的电源调节监测***及方法 |
CN117134480B (zh) * | 2023-10-26 | 2024-01-12 | 常州满旺半导体科技有限公司 | 一种基于大数据分析的电源调节监测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543908A (zh) | 一种基于居民家用电器能耗核算的居民用电量的预测方法 | |
Oprea et al. | Flattening the electricity consumption peak and reducing the electricity payment for residential consumers in the context of smart grid by means of shifting optimization algorithm | |
Aman et al. | Improving energy use forecast for campus micro-grids using indirect indicators | |
Ding et al. | Benchmark analysis of electricity consumption for complex campus buildings in China | |
JP4648482B1 (ja) | 分析装置及び計測管理システム | |
CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN104483843B (zh) | 办公用能的预测方法 | |
CN106022536B (zh) | 季节性用电预测方法和*** | |
Juaidi et al. | Energy benchmarking for shopping centers in Gulf Coast region | |
JP2011232903A (ja) | 予測表示サーバ及び予測表示システム | |
CN104504619B (zh) | 两种考虑温度和经济增长因素的月度统调用电量预测方法 | |
Chen et al. | Day-ahead prediction of hourly subentry energy consumption in the building sector using pattern recognition algorithms | |
Escrivá-Escrivá et al. | Continuous assessment of energy efficiency in commercial buildings using energy rating factors | |
JP2018042456A (ja) | 知能型電力使用環境における需用家向けにカスタマイズされた電力量スケジューリングシステム | |
Waseem et al. | Electrical demand and its flexibility in different energy sectors | |
Simanic et al. | Predicted and measured user-related energy usage in newly built low-energy schools in Sweden | |
Lee et al. | The use of normative energy calculation beyond building performance rating systems | |
Frank et al. | Estimation of electricity consumption in commercial buildings | |
Deng et al. | Indoor temperature control of cost-effective smart buildings via real-time smart grid communications | |
Oyedepo et al. | Energy-saving strategies on university campus buildings: Covenant University as case study | |
CN104134102B (zh) | 基于leap模型的电网中长期电力需求分布预测方法 | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
Yu et al. | Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models | |
Fernández et al. | Cost optimization of electrical contracted capacity for large customers | |
Sretenovic | Analysis of energy use at university campus |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |