一种基于用电大数据的电力经济指数预测方法

摘要

本发明提供了一种基于用电大数据的电力经济指数预测方法。本发明建以工业经济发展指数和工业产值指数为变量的电力经济指数模型，计算工业经济发展指数和工业产值指数，基于工业产值指数和工业经济发展指数建立向量自回归模型模型，预测工业经济趋势。本发明使够有效地对分析电力生产企业与工业发展之间的联动关系,更加符合数据的实际变动情况。

说明书

技术领域

本发明涉及电力领域，具体涉及一种基于用电大数据的电力经济指数预测方法。

背景技术

电力在国民经济发展中占有举足轻重的地位，其是国民经济的支柱、基础和命脉产业，是经济建设的先行官，也是国民经济发展水平的具体体现。电力的生产及供给为我国经济的发展、社会的进步和人民生活水平的提高提供了必不可少的条件。随着国民经济的不断发展，电力作为重要的能源保障也不断增长，关于电力消费与工业发展之间的关系也亟待深化。电力与工业经济的发展紧密相关，用电需求变化是经济运行走势的“晴雨表”，相对于传统经济数据而言，电力数据部分具备先行性，可以及时研判行业生产和发展态势、探究经济运行状况，辅助预测经济发展趋势，实现从电力视角看经济，为政府决策和政策制定提供了量化分析工具，同时为政府推进区域产业优化布局、制定政策等提供参考和依据。电力与企业尤其是工业企业的生产联系紧密，从电力大数据代表的企业信息来看，直接包含了企业生产信息和企业成本信息，从企业的生产信息又可以间接反映出行业的变化趋势，从企业的成本信息可以反映出社会要素管理信息以及政府相关政策效用等，两者属于不同的应用方向。结合现实需求来看，可以从电力数据反映生产信息角度(生产规模、生产速度等)切入研究，助力公司和政府相关部门及时深入洞察经济趋势，了解社会生产状态。通过对现有各类典型经济指数以及电网公司开展的电力经济指数研究，可以看出类似指数从结果的分析应用上来看，可以分为两种基本类型：绝对型指数和相对型指数。绝对型指数得出的结果通常在某一固定区间如0-100，指数数值在不同位置有不同的涵义，通过计算得到指数数值即可直接明确指数意义；相对型指数得到的指数结果单一来看意义不大，但通常及时性程度高，市场敏感性较强，在与历史数据对比过程中展现出丰富的内涵，同时结合技术分析手段如均线分析呈现出一定可预测性。

在编制经济指数的基础上，对电力消费与经济增长之间关系进行研究，主要有三种方法：一是传统回归分析方法，利用数理统计中的回归分析方法，对变量之间的观测数据进行深入分析，以此来确定变量之间的相互关系，最终实现对某一变量的预测。但是不存在着不足，集中表现在预测效果会随着时间延长而趋于减弱状态，而且是以时间序列平稳为前提的；二是基于平稳随机时间序列来建立的并且能够描述线性动态过程的ARMA模型，将因变量对其模型的滞后值以及随机误差项的现时进行有效回归，由于该模型因变量的滞后值与随机误差项包含了一些无法观察到的因素对因变量造成一定程度影响的信息，对滞后项进行回归时就间接性地用到了这些信息；三是协整和误差修正模型，解决了实际中大多数时间序列不平稳的建模问题，而且可以运用Granger因果关系和协整理论，对电力消费与经济增长之间的内在关系进行分析，更加准确的反映变量之间的关系，从而更好的做出预测，达到编制的工业经济发展指数可以用来预测工业经济的波动趋势的目的，因此采用协整和误差修正模型对工业产值指数和工业经济发展指数进行建模分析。从现有的研究来看，电力经济指数更多的是使用电力行业相关的指标，聚焦在电力消费，从其推出经济发展变化趋势，缺乏一定的量化分析，而且没有研究电力消费与经济发展之间的联动效应，对于时间的长期影响和短期波动没有纳入模型中考虑，从而影响预测的准确性。

发明内容

为解决现有技术存在的问题，本发明提供了一种基于用电大数据的电力经济指数预测方法。为实现本发明的目的，本发明的技术方案如下。

一种基于用电大数据的电力经济指数预测方法包括：

构建以工业经济发展指数和工业产值指数为变量的电力经济指数模型，计算工业经济发展指数和工业产值指数，基于工业产值指数和工业经济发展指数建立向量自回归模型模型，预测工业经济趋势。

优选的，所述电力经济指数模型为：

Y

X

其中，C为常量，Y

优选的，计算工业经济发展指数和工业产值指数包括：

采用式(3)计算工业细分行业用电指数，

其中，i＝1,2,3,...,m；E

采用式(4)计算整体工业用电指数，

其中，i代表细分行业，取值范围为i＝1,2,3,...,n；

采用式(5)确定权重，所述权重为行业产值占样本行业总产值的比重，

其中，n

优选的，所述预测工业经济趋势包括：

以月度工业产值指数、工业经济发展指数为变量组合形成的一个时间序列表；

对时间序列表中的工业经济发展指数和工业产值指数分别进行单位根检验；若平稳，则建立回归模型；若非平稳，则对工业经济发展指数和工业产值指数分别进行一阶差分单位根检验，判断工业经济发展指数和工业产值指数是否平稳，若平稳，则建立向量自回归模型模型及进行协整检验、误差修正；

确定向量自回归模型模型的滞后阶数，在确定滞后阶数后重新建立向量自回归模型模型；

采用Johansen协整检验对工业经济发展指数和工业产值指数进行协整性检验，确定协整关系是否存在，若存在协整关系，则建立向量误差修正模型模型；

根据建立的向量自回归模型模型或向量误差修正模型模型进行预测，并通过相对误差指标来计算预测值与实际值的差距大小，进而衡量模型预测的准确度。

优选的，所述预测工业经济趋势包括：进行格兰杰因果检验，分析工业经济发展指数和工业产值指数之间的因果关系；进行脉冲响应分析，分析工业经济发展指数和工业产值指数之间的互动关系。

相对于现有技术，本发明的有益技术效果在于：本发明建以工业经济发展指数和工业产值指数为变量的电力经济指数模型，计算工业经济发展指数和工业产值指数，基于工业产值指数和工业经济发展指数建立向量自回归模型模型，预测工业经济趋势。本发明使够有效地对分析电力生产企业与工业发展之间的联动关系,更加符合数据的实际变动情况。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为预测工业经济趋势流程示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

本实施例的基于用电大数据的电力经济指数预测方法包括：构建符合电力视角特点的电力经济指数模型；为研究用电数据与工业经济之间的关系，又考虑到二者具有时间序列变化的特征，采用2维P阶的向量自回归模型，其标准形式如下：

Y

X

其中，C为常量，Y

工业经济发展指数为Y

对电力经济指数模型的各维度进一步细分指标，建立具体的指标体系，如表1所示；

工业经济发展指数(Y

确定研究样本，并对样本数据进行预处理；

根据指标模型计算整体行业和细分行业的用电指数、各细分行业的权重，进而计算整体行业和细分行业的工业经济发展指数，最后计算各细分行业工业产值指数。

模型预测实现部分，以工业产值指数、工业经济发展指数的月度数据为基础，利用格兰杰因果检验、向量自回归模型模型等方法对某地区工业经济2019年1-2月以来的工业经济进行趋势分析。

其中，具体的电力经济指数模型构建中包括：

工业经济发展指数维度主要关注行业当前的电能消费水平及变化特点；

工业产值指数维度主要关注当前对象行业的工业发展水平及变化特点。

其中，维度指标细分的原则及具体指标包括：

指标设计的原则具体有经济上的重要性与互补性、统计上的充分性与及时性、指标变动的灵敏与可靠性以及指标需精简并有一定代表性；

工业经济发展指数维度由用电指数和权重两个指标来刻画：

用电指数分为细分行业和整体工业方面：

在选定基期之后，通过报告期与基期相关数值之比即可得到工业细分行业用电指数，具体公式为：

其中i＝1,2,3,...,m；Ei和E0分别表示i行业报告期和基期行业所对应的用电量。

在选定基期之后，分别汇总各细分行业月度用电量总和，通过报告期与基期相关数值之比即可得到整体工业用电指数，具体公式为：

其中i代表各细分行业，取值范围为i＝1,2,3,...,n。

基期的选择：选择2019年1-2月作为基准月，其当月指数视为100。

权重由某一行业产值占样本行业总产值的比重确定：

其中，Ni代表第i个行业的产值；

通过报告期与基期相关数值之比得到整体工业产值指数：

其中i代表各细分行业，取值范围为i＝1,2,3,...,n。

表1电力经济指数模型细分指标

其中，样本选择、样本数据预处理的工作具体包括：

筛选样本时，遵循样本的代表性、满足模型的需要以及保证不影响业务系统的性能等原则，确定建模研究时间段为2019.1-2020.12的月度数据；

数据的预处理，需对受量纲影响的指标数据进行无量纲化处理，对存在和缺失值的数据采用插值法等方法进行处理或补齐；

其中，所述的指标计算的具体工作包括：计算用电指数、权重、工业经济发展指数、工业产值指数；

如图1所示，建立向量自回归模型模型或向量误差修正模型进行预测，具体步骤如下：

据导入，根据所选择的分析变量，将经过计算的月度工业产值指标和工业经济发展指标组合形成的一个时间序列表。

间序列表中的两个原时间序列分别进行单位根检验。若平稳，则可考虑建立传统的回归模型；若非平稳，则对原序列分别进行一阶差分单位根检验，判断两变量是否平稳，若平稳，则可建立向量自回归模型模型及进行协整检验、误差修正。

确定向量自回归模型模型的最佳滞后阶数。因为在进行协整检验之前，需要用先确定向量自回归模型模型的滞后阶数。在确定最佳阶数后重新估计向量自回归模型模型，并输出建立的向量自回归模型模型的方程。

进行协整性检验。采用Johansen检验方法对两个原序列进行协整性检验，确定协整关系是否存在。

进行格兰杰因果检验，分析两个变量之间的因果关系。

进行脉冲响应分析，分析两个变量之间的互动关系。

若存在协整关系，可考虑进一步建立向量误差修正模型。

根据建立的向量自回归模型模型或向量误差修正模型(若建立)进行预测，并通过相对误差指标来计算预测值与实际值的差距大小，进而衡量模型预测的准确度。

本实施例结合电力大数据特性和某地区电网完善的计量信息系统和数据采集优势来看，考虑采取相对型指数形式，构建符合电力视角特点的工业电力发展指数模型，并根据某地区工业经济指数发展特点，以工业产值指数、工业经济发展指数的月度数据为基础，利用格兰杰因果检验、向量自回归模型模型等方法对某地区工业经济2019年1-2月以来的工业经济进行趋势分析。模型主要从工业用电量(整体行业、细分行业)、工业产值(整体行业、细分行业)两个维度出发。工业用电量指标作为工业电力发展指数的核心指标，用电量直接反映了行业当前的电能消费水平，进一步映衬了行业的基础经济实力；工业产值指标是指研究期间内对象行业的经济发展情况，以此指标为基础，确定工业经济发展指数模型的指标权重。

本发明使得在电力数据范围涉及各行各业，在很大程度上降低甚至摆脱行业局限性，用电数据能够较为精确地反映企业的经营情况，能够有效地对分析电力生产企业与工业发展之间的联动关系，以历史数据为依据对工业产值指标和工业经济发展指数做出预测，更加符合数据的实际变动情况，引导工业经济指数更为精确的预测某地区工业经济发展。

以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。