摘 要：截至目前对用全社会用电量的预测研究，主要是基于历史用电量趋势对下一年用电量进行预测，在经济性常态模式下，历史用电量趋势对未来电力需求预测的准确性下降。为适应新形势下用电量预测特点，提升预测准确性，用电量预测必须考虑宏观经济发展趋势、产业结构变化和气温等影响因素的综合影响，建立基于需求指标框架的新型预测模式。本研究建立了一个可能对用电量产生影响的指标库，建立了电力需求的解释模型，从而对用电量进行分析和预测，并对预测结果加以验证。展开了对上海市用电需求的分析与预测研究。
关键词：用电量;系统动力学;MS-VAR模型
中图分类号：F426.61 文献标识码：A 文章编号：1671-2064（2019）07-0241-02
0 引言
当前对用电量的预测的方法，主要基于历史的用电量数据，而电力行业投资规模大、建设周期长，影响因素多，历史用电量数据趋势不能准确反映下一年的用电量数据。
我们发现通常情况下，经济增长快的年份对应着用电需求高速增长的年份，而经济增速减缓的年份则对应用电需求增长降低的年份，用电需求在一定程度上成为经济增长快慢的“晴雨表”。因此，可以透过电力消费把脉经济增长，也可以透过经济增长趋势预测电力消费。经济系统中发生的任何变动，都会对电力行业发展产生直接或间接的作用;电力行业自身的变动，也会对经济系统运行产生影响。
就上海市而言，上海是我国的经济、金融中心，经济发展水平、国内外投资环境和经济政策调整等方面都处于领先位置。上海的经济发展态势及用电需求情况与全国同期情况存在明显的异同点。因此，通过对全国宏观经济发展形势以及用电需求变化情况的观测，很难准确地应用于对上海地区用电量变化趋势的预判。
如何全面地把握全市宏观经济发展趋势，准确地预测未来短期内的用电需求变化情况，对指导电网的规划与建设，保证上海地区电力工业的健康发展具有重大的理论和现实意义。
对国网上海市电力公司来说，开展基于地区宏观经济指标的用电量分析与预测研究，通过构建宏观经济指标体系，固化形成用于定量的预测模型，借此实现准确预测上海地区未来短期内的用电量。
1 上海地区用电需求的影响因素指标库构建
上海地区而言，经济增长动力由投资和出口转变为消费。消费成为推动经济增长的主力，但对用电量的需求并不是最大的;出口贸易由低端产品加工出口向高新技术产品出口转变，加工用电量大幅降低。因此，上海经济增长由过去单纯依靠电力等能源消耗逐渐向依靠技术水平和科技创新转变，经济增长模式得以优化，对电力依赖性减弱，用电量增长放缓。
基于上海地区经济周期波动的影响因素、用电量变化的影响因素、实际经济发展状况和统计数据获取情况，选择能反映上海地区国民经济各领域中的五大类（需求、供给、金融、其他等），49个宏观经济指标作为备选指标集。如表1。
2 用电量预测模型的建立
为剔除指标间相关性，对表1中的指标集进行筛选。依据统计学经验，当皮尔逊相关系数1小于0.5时，表示指标间相关性弱。因此剔除居民消费价格指数、工业品出厂价格指数等两项指标。根据平稳性检验结果得知，初选指标均不平稳。因此，需对变量进行协整关系2检验（采用J-J检验对多变量间的“协整关系”进行分析）。经协整关系检验后，发现城镇居民人均消费支出、房地产开发投资、贷款利率、M2等指标均不具备单整关系，表明这些指标的d阶差分不稳定，因此予以剔除。
经过相关性和协整性检验，最终保留了外商直接投资合同金额、居民消费价格指数CPI、货物运输总量、第三产业占比等4项指标项。利用1995-2015年上述4项指标数据，构建用电量的MS-VAR模型。
利用全社会用电量、居民消费价格指数CPI、外商直接投资合同金额、货物运输总量、第三产业占比5个变量，使用MATLAB软件建立MS-VAR模型（见下式），并对模型进行估计（以AIC统计量作为模型好坏的标准）。
全社会用电量t=0.2287全社会用电量t-1+0.123068全社会用电量t-2+0.00874CPIt-1+0.0019CPIt-2+0.000375外商直接投资t-1+0.00837运输量t-1+0.001587运输量t-2+0.008988第三产业占比t-1-0.00582第三产业占比t-2。
基于模型拟合结果显示：全社会用电量序列的R23为0.989338，接近1。这说明模型拟合程度很精确。
3 上海地区全社会用电量预测模型的检验
利用全社会用电量模型，依据全社会用电量、居民消费价格指数CPI、外商直接投资合同金额、货物运输总量、第三产业占比的历史数据。预测2016年全市用电量的拟合预测值为1455.30，较同年的实际的用电量1486.03亿千瓦时，预测误差值为-30.73亿千瓦时，误差百分比为-2.07%，表明模型拟合效果较好。
运用预测模型预测得出2017年上海市全社会用电量约为1499.88亿千瓦时，预计同比增长率为0.93%，表明全市全社会用电量保持平稳增长，涨幅接近1%。
基于全社会用电量及各产业用电量预测模型测算的结果，可以看出：2017年上海地区全社会用电量为1499.88亿千瓦时，同比增长率为0.93%。
对比实际结果，全社会用电量的累计同比增长率的2017全年预测值与2017年实际值较为接近。
4 结语
本次研究时所构建的指标库，应进行补充调整和使用，需根据实际情况进行补充，建立MS-VAR模型并对用电量进行预测。
通过本次研究，共得到以下兩个结论：
（1）经济发展和电力需求之间有相互影响的关系，并且有滞后性的影响关系。目前经济发展中影响电力需求的指标主要有四个：外商直接投资合同金额、CPI、货物运输总量、第三产业占比。（2）合理地预测出上海市全社会用电量短期内的变化趋势。通过历史数据及拟合的MS-VAR模型计算出2017-2020年上海地区全社会用电量数据。
本研究通过对上海地区各产业的用电量预测，用以检验并修正全社会用电量的预测结果，精确预测未来的电力需求。
注释
[1] 皮尔逊相关也称为积差相关（或积矩相关）是英国统计学家皮尔逊于20世纪提出的一种计算直线相关的方法。假设有两个变量X、Y，那么两变量间的皮尔逊相关系数可通过以下公式计算：
[2] 如果所考虑的时间序列具有相同的单整阶数，且某种线性组合（协整向量）使得组合时间序列的单整阶数降低，则称这些时间序列之间存在显著的协整关系.
[3] R平方为回归平方和与总离差平方和的比值，表示总离差平方和中可以由回归平方和解释的比例.
参考文献
[1] 杨学南.宏观经济波动与汽车业发展的多维互动分析——基于结构方程模型的路径分析[J].西南科技大学学报：哲学社会科学版，2015（32）：67-69.
[2] 林卫斌.“十二五”及2020年电力需求预测研究，[J].中国人口.资源与环境，2011（21）：1-6.
[3] 徐敏杰.电力需求影响因素的解释结构模型分析[J].中国电力，2009（42）：1-3.
[4] 刘家军.基于SPSS的电力需求与行业发展之间的规律研究[J].现代电力，2010（27）：83-87.
[5] 帅加琴.中国铜工业景气指数与预警系统研究[D].北京：北方工业大学，2015.
[6] 高铁梅.中国钢铁工业景气指数的开发与应用研究[J].中国工业经济，2003（11）：71-77.
[7] 庞淑娟.钢铁行业景气周期预测方法研究[J].中国物价，2015（6）：80-82.
[8] 陈迪红.行业景气指数建立的方法选择及实证分析[J].系统工程，2003（21）：72-76.
[9] 叶彬. 基于景气指数的高耗能行业月度用电预测[J].皖西学院学报，2016（32）：83-87.