|
区域电力需求主要影响因素的分析#
都秀文1，崔巍1，李亚军2，杨海峰2**
基金项目：国家自然科学基金资助项目（71072124）；大连市2009年科技计划基金资助项目（2009A13GX057）；大连海事大学2010年研究生教育教学改革基金资助项目；2012年度中央高校基本科研业务费专项资金资助项目 作者简介：都秀文（1988-），女，研究生，主要研究方向：预测与决策支持 通信联系人：崔巍（1972-），男，副教授，主要研究方向：经济预测、决策支持等. E-mail: cwsll@126.com
（1. 大连海事大学交通运输管理学院，大连 116026； 2. 重庆市电力公司发展规划部，重庆市 404100） 5
摘要：关于电力需求与经济社会发展之间关系的研究越来越成为一个重要的课题，区域电力市场的发展直接影响着地区经济社会和人民生活水平的发展。本文以重庆市为例研究电力需求的主要影响因素，将宏观经济与社会发展相结合寻找有利指标，运用多元统计分析中的主成分分析方法对指标进行筛选和分析，得到电力需求的主要影响因素，旨在为区域性电力市10 场规划提供有力依据。
关键词：电力需求；影响因素；主成分分析
中图分类号：G
15
The analysis of influencing factors about Regional Power demand
DU Xiuwen1, CUI Wei1, LI Yajun2, YANG Haifeng2
(1. Transportation Management School, Dalian Maritime University,Dalian 116026; 2. Chongqing Electric Power Corporation,Planning Department,Chongqing 404100) 20
Abstract: The study on the relationship between electricity demand and the economic and social development has increasingly become an important issue. The development of the regional electricity market directly affects the development of regional economy and society, and the people's living standards. Chongqing as an example the main influencing factors of electricity demand and find a favorable indicators combination of macro-economic and social development. 25 Use multivariate statistical analysis in principal component analysis to screening and analysis of the indicators, get the main influencing factors of electricity demand designed to provide a strong basis for the regional electricity market planning.
Key words: Demand for electricity; influencing factors; PCA
0 引言 30
能源的生产与消费是人类生存和发展的重要物质基础保障，电力作为能源的重要组成部分之一，更是国民经济发展的命脉。随着电力市场的改革，电力行业得到快速的发展，电力消费需求的问题也日益突出，电力与人们的日常生活和社会发展都具有紧密的联系，因此目前对于区域电力市场需求已经开展了大量的研究[1]。通过对区域电力市场发展规律的深入研究可知，电力需求不仅仅是简单的数学方法的推导分析，还要考虑诸多其他因素，如：GDP、35 经济环境、政府的投入、气候、市场需求等，随着市场经济体制的发展和电力企业市场化改革，这些因素将是影响电力消费的主要因素。重庆市是一个极具代表性的区域，因此本文选择结合重庆市的相关数据分析区域电力需求的影响因素，通过对这些因素的深入挖掘可以揭示电力市场消费变化的内在机理，为该领域的研究做出理论贡献。
http://www.paper.edu.cn
- 2 -
中国科技论文在线
1 主成分分析原理与模型 40
主成分分析是设法将原来众多具有一定相关性指标，重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合，组建成为新的综合指标[2]。最经典的做法就是用F1(选取的第一个线性组合,即第一个综合指标)的方差来表达,即Var(F1)越大,表示F1包含的信息越多。因此，在所有的线性组合中选取的F1应该是方差最大的,故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息,45 再考虑选取F2即选第二个线性组合,为了有效地反映原来信息,F1已有的信息就不需要再出现在F2中,用数学语言表达就是要求Cov(F1,F2)=0,则称F2为第二主成分,依此类推可以构造出第三、第四,„„,第P个主成分。
1.1 数学模型
apmZXpmZXamZXaFmZXpapZXaZXaFZXpapZXaZaF2211222211221221X1111 (1.1) 50
其中a1i,a2i,……,api (i=1,……,m)为X的协方差阵Σ的特征值对应的特征向量,ZX1,ZX2,……,ZXp是原始变量经过标准化处理的值,因为在实际应用中,往往存在指标的量纲不同,所以在计算之前须先消除量纲的影响,而将原始数据标准化,本文所采用的数据就存在量纲影响[3]。
1.1.1 计算方法： 55
1） 为了消除系统统计误差及量纲差异的影响，对原始数据进行标准化处理。
iiij/σ）X -x（=Xij* (1.2)
式中*Xij为标准化值，ijx为原始值，iX和iσ分别为第i个指标的样本均值和标准差。
2） 计算相关系数矩阵R。 60
pprij*)(R (1.3)
式中：rij为第i个指标Xi和第j个指标Xj的相关系数；p为指标个数。
3） 计算矩阵R的特征值和特征向量。
求出特征值λ1，λ2，……，λp ，并按从大到小顺序排列，同时求得对应的特征向量μ1，μ2，……，μp。 65
4） 计算贡献率和累计贡献率。
贡献率：
piie/ (1.4)
累计贡献率：
pmijEm/ (1.5) 70
其中：p为指标个数，m为累计指标个数。
5） 取累计贡献率大于一定数值的主成分，求出主成分的因子载荷矩阵[4]。其中涉及的数值视精度而定，一般研究取85％。
6） 因子载荷矩阵乘以主成分的贡献率，求得各指标的重要度影响系数。
2 指标的选取 75
2.1 影响因素分析
重庆作为中西部唯一的直辖市，是中国五大中心城市之一，是长江上游地区经济、金融中心，是内部出口商品加工基地和扩大对外开放的先行区，重庆的发展是在全国经济的大环境下进行，受到国家经济政策以及经济发展形势的影响[5]。自1978年以来重庆市电力消费不断增长，从图1中可以看出电力消费的迅速增长和人们对电力需求的不断提高，因而看出80 对于电力需求影响因素研究的重要意义。
根据统计局等官方统计机构发布的数据，结合经济形势对电力消费的影响，定性分析重庆市电力需求的相关指标。本文纵观宏观经济与社会发展的变化趋势，选取了具有代表性作用的区域和全国范围内的指标进行研究。 85
图1电力消费曲线图
Fig.1 Electricity consumption Graphs
2.2 影响因素选取
为充分反映电力市场消费的变化情况，以宏观经济视角研究电力消费的变化情况，需要将多个指标纳入考量范围之中，基于电力消费与宏观经济和社会发展的关系，本文选取全国90 和重庆两个维度的指标数据填入影响因素库。
本文共选取11项指标作为构建影响因素指标库的基础数据，其中包括重庆市的8项指标和全国的3项指标，按照经济学和社会学研究的一般原则，选取与电力消费相关的因素，指标主要来源于能源消费、宏观经济形势、产业、生活与环境等方面。
表1 影响因素库 95
Tab. 1 Affect Factors Library
重庆
8项指标
能源消费总量（万吨标准煤）[X1]、平均气温（摄氏度）[X2]、人均生产总值（元）[X3]、城镇登记失业率 [X4]、商品零售价格指数 [X5]、房屋建筑施工面积（万平方米）[X6]、港口货物吞吐量（万吨）[X7]、进出口差额（万吨）[X8]
全国
3项指标
中国居民消费水平（元）[X9]、中国民航货邮运量（万吨）[X10]、中国第二产业贡献率 [X11]
注：前缀标有“中国”字样的变量表示全国性的，否则为重庆市相关指标。
3 指标的处理
3.1 主成分分析 100
根据上述分析，本文收集了重庆市电力需求影响因素近十年的数据，所选数据来自《中国统计年鉴》并对其进行处理，表2为影响因素的原始数据。为了消除系统统计误差及量纲差异的影响，对原始数据进行标准化处理之后再进行研究。运用主成分分析法对电力需求影响因素进行分析，得到表3至表5的输出结果。
105
表2 原始数据
Tab.2 Raw data
2003
2004
2005
2006
2007
2008
2009
2010
X1
3137.90
3668.41
4464.58
4881.63
5512.44
5895.10
6431.63
7717.41
X2
18.9
18.4
18.6
19.2
19.0
18.6
19.0
18.7
X3
2555.72
3034.58
3467.72
3907.23
4676.13
5793.66
6530.01
7925.58
X4
4.1
4.12
4.12
4.00
3.98
3.96
3.96
3.90
X5
99.5
101.4
98.7
101.6
103.7
105.0
97.3
101.7
X6
9754.1
10184.46
10722.57
11522.42
13866.76
15618.93
16475.84
19489.39
X7
3243.76
4539.00
5251.30
5420.43
6433.54
7892.80
8611.62
9668.42
X8
57530
32503
74825
123371
156998
192243
85157
255116
X9
4475
5032
5573
6263
7255
8349
9098
9986
X10
2160416
2767001
3067168
3494320
4018485
4076376
4455347
4865952
X11
58.5
52.2
51.1
50.0
50.7
49.3
52.5
53.3
表 3 相关系数矩阵 110
Tab.3 Correlation coefficient matrix
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X1
|
