-
为充分体现“双碳”“双区”下重要因素对电力需求的影响,文章提出一套适用于新背景下的电量预测体系,从不同角度和侧面得出深圳未来电力需求的趋势和变化范围。
-
《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中指出,实施以碳强度控制为主、碳排放总量控制为辅的制度。
文章提出一种以碳强度下降率为控制目标的“自上而下”的预测方法,以反映不同碳强度目标下,对全社会电气化水平的要求,具体如图3所示。第一步,参照历史趋势,结合碳达峰预期时间,预测深圳能源消费总量值;第二步,根据国家及省对碳强度控制的要求,结合深圳能源发展的不同路径,设定各阶段碳强度目标;第三步,预测各路径下终端用煤、终端用气、石油消费量,从而判断各路径下终端能源消费量及结构;第四步,得到不同路径下电能占终端能源消费比重;第五步,得到终端用电量,加上损耗后得出全社会用电量预测值。
为以先行示范的标准实现碳达峰、碳中和,未来深圳将因地制宜开发可再生能源及核电,压减煤炭油品消费量,发挥天然气支撑作用,构建新型电力系统,推进工业、交通、建筑等重点领域的清洁能源及电能替代。拟定三种不同的发展情景,如图4和图5所示。在相同的能源消费总量下,碳强度下降越快,对应于终端用能结构越清洁,电气化水平越高,全社会用电量水平越高,预测结果如表1所示。
图 4 不同转型路径下深圳终端能源消费总量预测
Figure 4. Forecasting of Shenzhen's total final energy consumption under different transition paths
图 5 不同转型路径下电能占终端能源消费比重预测
Figure 5. Forecasting of the proportion of electric energy to the final energy consumption under different transition paths
表 1 预测结果
Table 1. Forecasting results of the carbon emissions per unit of GDP limit method
年份 基本情景 高电能替代情景 低电能替代情景 用电量/
TWh增长率/% 用电量/
TWh增长率/% 用电量/
TWh增长率/% 2025 122.0 4.4 124.3 4.8 119.5 4.0 2030 138.7 2.6 144.1 3.0 133.3 2.2 2035 149.4 1.5 157.5 1.8 142.2 1.3 2050 170.5 0.9 182.0 1.0 158.0 0.7 -
本研究将电力需求分为第一产业、第二产业、第三产业用电和居民生活用电,同时综合考虑“双碳”“双区”下所需研究的重点领域,以及基础数据的可获取性,进一步将第二产业划分为工业、建筑业;将第三产业划分为批发和零售业、住宿和餐饮业,交通运输、仓储和邮政业,信息传输、软件和信息技术服务业,其他服务业四个部分,如图6所示。
图 6 分部门电力需求预测模型示意图
Figure 6. Illustration of the multi-sectoral forecasting model of electricity consumption
本研究以产值单耗法为基础进行修正。各行业增加值预测,主要依据历史发展规律,结合“双碳”下经济发展目标、“双区”下产业发展方向等进行趋势外推;各行业产值单耗,结合不同行业的特点、电气化水平提升,以及出现的新基建等新业态,引入不同的影响因素指标,利用计量经济工具寻找指标和影响因素之间的量化关系,以体现“双碳”“双区”下经济社会和电力发展之间的相关性,相关性判断结果如图7所示。本研究将量化关系应用到回归方程或者系统动力学[12-13]中,从而建立预测模型,对深圳未来电力需求进行合理预测。
以工业单耗为例,判断未来内部产业结构的优化调整、电气化率是重要影响因素。所以本研究选取先进制造业占比、高技术制造业占比,以及工业能耗中电能占比作为主要指标。公式如下:
$$ {Q}_{1}=\text{GDP}_{1}\times {E}_{1} $$ (1) $$ \text{ln}{E}_{1}={a}_{1}{x}_{1}+{b}_{1}{y}_{1}+{c}_{1}{z}_{1}+{d}_{1} $$ (2) 式中:
Q1 ——工业用电量(kWh);
GDP1 ——工业增加值(元);
E1 ——工业用电单耗(kWh/元);
x1 ——高技术制造业占比;
y1 ——先进制造业占比;
z1 ——工业电耗占工业总能耗的比重;
a1,b1,c1 ——相关性系数;
d1 ——常数。
以此类推,可得到其他部门用电量Q2,Q3,···,Qn。
根据上述方法,预计深圳“十四五”及中长期第一产业产值单耗呈缓慢下降趋势;“双碳”“双区”背景下,深圳工业结构进一步优化,高新技术产业、先进制造业比重不断提高,节能降耗措施广泛应用,工业领域煤、石油等高碳能源的应用逐步减少,近中期工业产值单耗持续较快下降,2035年之后降速逐步放缓。第三产业中,交通运输业单耗受轨道交通和高铁、电动汽车发展,港口岸电推广等影响;批发和零售业、住宿和餐饮业单耗受充换电服务业电量快速增长影响;信息传输、软件和信息技术服务业单耗主要受5G、数据中心等快速发展的影响,预计第三产业近中期用电单耗上升,中远期随着技术进步、节能影响等,呈逐步下降趋势。预测结果如表2所示。
表 2 细分产业法预测结果
Table 2. Multi-sectoral electricity consumption forecasting results
年份 基本方案 高方案 低方案 用电量/
TWh增长率/% 用电量/
TWh增长率/% 用电量/
TWh增长率/% 2025 122.0 4.4 123.4 4.7 120.2 4.1 2030 141.4 3.0 144.2 3.2 138.1 2.8 2035 151.6 1.4 155.9 1.6 146.6 1.2 2050 170.3 0.8 178.3 0.9 162.8 0.7 -
本方法中,把对深圳未来用电量增加贡献较大的重要因素单列,重点研究新基建对电量预测的影响,主要包括大数据中心、5G基站、新能源汽车、轨道交通等新型负荷用电特性。
1)5G基站
2020年深圳5G基站数量达到4.65万个,根据《深圳市基础设施专项规划(2019-2035年)》,深圳5G基站按“确保信号全覆盖”为原则进行建设,2025年5G基站达到5万个。5G基站点多,面广,功耗大,平均耗能是4G基站的3~5倍[14]。按独立式宏基站总功耗7.2 kW,微基站4.6 kW,微微基站20~50W测算,“十四五”期间,5G基站方面新增用电量1.2 TWh~2.1 TWh左右。
2)数据中心
2020年深圳数据中心机架数量达到9.7万个,根据《深圳市数据中心发展规划(2021-2025年)》(征求意见稿),预计2025年达到36万个。新建数据中心平均机架设计功率按6 kW,PUE值按1.3测算,且考虑数据中心上架率、需用系数、高时延及低能耗数据中心迁移情况,预计“十四五”期间数据中心新增用电量3.6 TWh~5.9 TWh。
3)新能源汽车
2020年深圳新能源汽车数量达到39.6万辆,根据《深圳市新能源汽车推广应用工作方案(2021-2025年)》,2025年达到100万辆,其中私家车78万辆。根据各类电动汽车的平均百公里电耗、年行驶公里数等数据,预计“十四五”期间深圳各类电动汽车新增用电量约2.0 TWh~4.7 TWh。
4)轨道交通
深圳近中期规划建成城际高速铁路7条;调整或新建城市轨道铁路共有26条,“十四五”期间新增约200 km。根据高铁牵引站利用小时数、城市轨道交通车公里电耗、年行车公里等[15]测算,预计“十四五”轨道交通新增用电量约0.85 TWh~1.35 TWh。
随着电动汽车数量和保有率的提升,电动汽车充电带来的晚高峰负荷增量效应明显,有必要进行有序充电管理;数据中心由于最高负荷利用小时数高,“十四五”期间规划数量多,电量增量效应最为明显,耗电量最大,具体如图8和图9所示。
图 8 “十四五”期间新基建负荷增量图
Figure 8. Load increment of new infrastructure during the "14th Five-Year Plan" period
图 9 “十四五”期间新基建电量增量效应
Figure 9. Electricity consumption increment of new infrastructure during the "14th Five-Year Plan" period
除去上述新基建重点项目用电量增长,对“十四五”及中长期用于其他行业等发展的用电量自然增长率进行预测,最终得到全社会用电量预测结果,具体如表3所示。
表 3 新型负荷修正法预测结果
Table 3. Forecasting results of the proposed new demand adjustment method
年份 基本方案 高方案 低方案 用电量/
TWh增长率/% 用电量/
TWh增长率/% 用电量/
TWh增长率/% 2025 122.1 4.4 126.6 5.2 118.0 3.7 2030 139.4 2.7 147.3 3.1 132.5 2.3 2035 151.0 1.6 161.4 1.8 141.4 1.3 2050 169.6 0.8 183.8 0.9 157.6 0.7 需要指出的是,新能源汽车、数据中心等相关规划时间跨度一般为“十四五”,远景规划不明确,所以本方法近中期预测结果相对更为准确;对于远景预测,本研究主要结合国家整体行业规划、汽车千人保有量、新能源汽车渗透率等,进行趋势性判断,预测结果仅作为参考。
-
采用上述三种方法,相互验证、相互支撑得到最终电量预测区间值。综合考虑电量增长存在的不确定性因素,得到深圳全社会用电量推荐方案,具体见表4。可以看出,“十四五”“十五五”“十六五”及“2035-2050年”期间,深圳全社会用电量年均增速区间分别为4.0%~4.8%、2.4%~3.0%、1.2%~1.7%和0.7%~0.9%。
表 4 全社会用电量预测结果
Table 4. Forecasting results of the total electricity consumption
年份 全社会用电量/TWh 增长率/% 2025 120.0~124.5 4.0~4.8 2030 135.5~145.5 2.4~3.0 2035 144.0~157.5 1.2~1.7 2050 160.0~181.5 0.7~0.9 -
预计深圳近中期最高负荷利用小时数tmax受产业用电结构影响较大。tmax与第二产业用电比重正相关,与第三产业和居民用电比重负相关,且相关系数较大。未来深圳第二产业用电占比持续下降,第三产业和居民用电占比上升,且深圳属南亚热带季风气候,长夏短冬,空调负荷占比较大,所以预计近中期峰谷差进一步增大,tmax呈下降趋势,最小负荷率呈下降趋势。
中远期需求侧各类手段削峰填谷效果更为凸显。受到需求侧管理措施影响,tmax将一定程度增大。可考虑电动汽车有序充电、用户侧储能、冰蓄冷调峰以及峰谷电价机制等的影响。文章首先研究上述各因素对应的典型出力或者负荷曲线,在不考虑需求侧响应曲线基础上,结合未来规划量,对曲线进行修正,进而得到考虑需求侧响应等因素之后的最高负荷,日负荷曲线趋势如图10所示。综合来看,随着产业结构调整,近中期最大负荷利用小时数逐步降低;远期电动汽车有序充电等因素影响更为显著,最大负荷利用小时数略微上升,预计保持在4850 h左右。
-
根据2025-2050年最高负荷利用小时数预测结果,先初步预测深圳“十四五”及中长期最高负荷;考虑各类削峰手段后进行修正,得到修正后的最高负荷;对比修正前后的最高负荷值,得到削峰比例,如表5所示。
表 5 最高负荷预测结果
Table 5. Forecasting results of the peak load
年份 最高负荷/GW 增长率/% 削峰比例/% 2025 24.9~26.0 5.4~6.3 3.0~4.5 2030 27.9~30.0 2.3~2.9 5.5~6.5 2035 29.4~32.5 1.1~1.6 7~8 2050 32.8~37.5 0.7~1.0 10~12
Power Demand Forecast for Shenzhen Under Carbon Peak and Neutrality andGreater Bay Area and Pilot Demonstration Area of Socialism with Chinese Characteristics
-
摘要:
目的 为了适应“双碳”和“双区”新背景下深圳未来用电特征的研究,反映新形势下诸多新因素的影响,需要在传统电力需求预测方法上进行修正,建立新的预测体系。 方法 在电量预测上,一方面以碳强度控制为导向,结合对全社会电气化水平的要求,提出“自上而下”的预测方法;另一方面以改进的细分部门法和新型负荷修正法,进行“自下而上”预测,相互佐证;在负荷预测上,充分考虑需求侧管理、相关削峰手段的影响。 结果 通过量化分析“双碳”目标下能源供应及消费结构调整,“双区”驱动下新基建、产业结构调整和转移等重要因素的影响,对深圳“十四五”及中远期全社会用电量进行预测,并对深圳未来最高负荷和负荷特性发展趋势进行预判。 结论 所提方法为其他地区进行新形势下电力需求预测提供了新思路,预测结果也为深圳后续电源和电网规划及调度运行等提供了重要参考。 Abstract:Introduction The research aims to establish a new forecasting methodology to study the future electricity consumption features in Shenzhen based on the correction of traditional power demand forecasting methods. The new methodology could reflect the influence of the recently issued policies, such as the "carbon peak and neutrality" and "construction of Guangdong-Hong Kong-Macao Greater Bay Area and pilot demonstration area of socialism with Chinese characteristics." Method For electricity consumption forecast, a "top-down" forecasting method guided by carbon intensity control and considering social electrification level was proposed, and "bottom-up" forecasting was made using the improved multi-sectoral method and new load correction method to validate the forecasting results. For load characteristics forecasting, the impact of demand side management and peak shaving means was fully considered. Result Through quantitative analysis of the energy supply and consumption mix adjustment under key impact factors, including "carbon peak and neutrality," new infrastructure, industrial structure adjustment and transfer under "construction of Guangdong-Hong Kong-Macao Greater Bay Area and pilot demonstration area of socialism with Chinese characteristics," the total electricity consumption in Shenzhen during the "14th Five-Year Plan" period and in the middle to long term, as well the development trend of the future peak load and load characteristics in Shenzhen were forecasted. Conclusion The proposed forecasting methodology provides new idea for other regions in power demand forecast under new policies, and the results provide an important reference for guiding Shenzhen's subsequent power source and grid planning, dispatch and operation, etc. -
表 1 预测结果
Tab. 1. Forecasting results of the carbon emissions per unit of GDP limit method
年份 基本情景 高电能替代情景 低电能替代情景 用电量/
TWh增长率/% 用电量/
TWh增长率/% 用电量/
TWh增长率/% 2025 122.0 4.4 124.3 4.8 119.5 4.0 2030 138.7 2.6 144.1 3.0 133.3 2.2 2035 149.4 1.5 157.5 1.8 142.2 1.3 2050 170.5 0.9 182.0 1.0 158.0 0.7 表 2 细分产业法预测结果
Tab. 2. Multi-sectoral electricity consumption forecasting results
年份 基本方案 高方案 低方案 用电量/
TWh增长率/% 用电量/
TWh增长率/% 用电量/
TWh增长率/% 2025 122.0 4.4 123.4 4.7 120.2 4.1 2030 141.4 3.0 144.2 3.2 138.1 2.8 2035 151.6 1.4 155.9 1.6 146.6 1.2 2050 170.3 0.8 178.3 0.9 162.8 0.7 表 3 新型负荷修正法预测结果
Tab. 3. Forecasting results of the proposed new demand adjustment method
年份 基本方案 高方案 低方案 用电量/
TWh增长率/% 用电量/
TWh增长率/% 用电量/
TWh增长率/% 2025 122.1 4.4 126.6 5.2 118.0 3.7 2030 139.4 2.7 147.3 3.1 132.5 2.3 2035 151.0 1.6 161.4 1.8 141.4 1.3 2050 169.6 0.8 183.8 0.9 157.6 0.7 表 4 全社会用电量预测结果
Tab. 4. Forecasting results of the total electricity consumption
年份 全社会用电量/TWh 增长率/% 2025 120.0~124.5 4.0~4.8 2030 135.5~145.5 2.4~3.0 2035 144.0~157.5 1.2~1.7 2050 160.0~181.5 0.7~0.9 表 5 最高负荷预测结果
Tab. 5. Forecasting results of the peak load
年份 最高负荷/GW 增长率/% 削峰比例/% 2025 24.9~26.0 5.4~6.3 3.0~4.5 2030 27.9~30.0 2.3~2.9 5.5~6.5 2035 29.4~32.5 1.1~1.6 7~8 2050 32.8~37.5 0.7~1.0 10~12 -
[1] 潘英. 能源战略下的能源电力发展方向和碳排放问题 [J]. 南方能源建设, 2019, 6(3): 32-39. DOI: 10.16516/j.gedi.issn2095-8676.2019.03.006. PAN Y. Energy power development direction and low carbon emission under energy strategy [J]. Southern Energy Construction, 2019, 6(3): 32-39. DOI: 10.16516/j.gedi.issn2095-8676.2019.03.006. [2] 蔡绍宽. 双碳目标的挑战与电力结构调整趋势展望 [J]. 南方能源建设, 2021, 8(3): 8-17. DOI: 10.16516/j.gedi.issn2095-8676.2021.03.002. CAI S K. Challenges and prospects for the trends of power structure adjustment under the goal of carbon peak and neutrality [J]. Southern Energy Construction, 2021, 8(3): 8-17. DOI: 10.16516/j.gedi.issn2095-8676.2021.03.002. [3] 筱臻. 先行示范充分释放“双区驱动”效应 [J]. 人民之声, 2020(2): 42-44. XIAO Z. Demonstration in advance to fully release the "dual zone" effect [J]. People's Voice, 2020(2): 42-44. [4] 孙金朋. 基于灰色模型对上海市电力需求预测分析研究 [J]. 上海节能, 2020(3): 208-212. DOI: 10.13770/j.cnki.issn2095-705x.2020.03.007. SUN J P. Research on forecast of Shanghai electricity demand based on grey model [J]. Shanghai Energy Conservation, 2020(3): 208-212. DOI: 10.13770/j.cnki.issn2095-705x.2020.03.007. [5] 张游国, 高岩. 基于灰色关联分析及多元回归的上海市电力需求预测 [J]. 物流科技, 2021, 44(12): 26-29,35. DOI: 10.13714/j.cnki.1002-3100.2021.12.009. ZHANG Y G, GAO Y. Research on Shanghai electric power demand forecast based on grey relational analysis and multiple regression [J]. Logistics Sci-Tech, 2021, 44(12): 26-29,35. DOI: 10.13714/j.cnki.1002-3100.2021.12.009. [6] 张舒, 廖兴炜, 程远林. 基于特性分析的LSTM神经网络短期电力需求预测方法研究 [J]. 电力大数据, 2021, 24(5): 9-17. DOI: 10.19317/j.cnki.1008-083x.2021.05.002. ZHANG S, LIAO X W, CHENG Y L. Research on short-term power demand forecasting method based on characteristic analysis of LSTM neural network [J]. Power Systems and Big Data, 2021, 24(5): 9-17. DOI: 10.19317/j.cnki.1008-083x.2021.05.002. [7] 郭挺, 饶建业. “新常态”下广东省中长期电力需求预测 [J]. 广东电力, 2015, 28(6): 6-11. DOI: 10.3969/j.issn.1007-290X.2015.06.002. GUO T, RAO J Y. Medium and long term electric power demand forecasting for Guangdong province under the new normal [J]. Guangdong Electric Power, 2015, 28(6): 6-11. DOI: 10.3969/j.issn.1007-290X.2015.06.002. [8] 单葆国, 李江涛, 谭显东, 等. 经济转型时期电力弹性系数应用 [J]. 中国电力, 2017, 50(12): 1-4. DOI: 10.11930/j.issn.1004-9649.201709001. SHAN B G, LI J T, TAN X D, et al. The application of electricity elasticity coefficient during economic transition period [J]. Electric Power, 2017, 50(12): 1-4. DOI: 10.11930/j.issn.1004-9649.201709001. [9] 陈露东, 徐常, 赵星, 等. 贵州典型行业及用户负荷特性分析 [J]. 南方能源建设, 2020, 7(增刊1): 29-35. DOI: 10.16516/j.gedi.issn2095-8676.2020.S1.006. CHEN L D, XU C, ZHAO X, et al. Analysis on power load characteristics of Guizhou representative consumers [J]. Southern Energy Construction, 2020, 7(Supp. 1): 29-35. DOI: 10.16516/j.gedi.issn2095-8676.2020.S1.006. [10] 徐常, 贺墨琳, 杨成, 等. 贵州电网负荷特性影响因素分析 [J]. 南方能源建设, 2020, 7(增刊1): 36-41. DOI: 10.16516/j.gedi.issn2095-8676.2020.S1.007. XU C, HE M L, YANG C, et al. Analysis of influence factors of load characteristics in Guizhou [J]. Southern Energy Construction, 2020, 7(Supp. 1): 36-41. DOI: 10.16516/j.gedi.issn2095-8676.2020.S1.007. [11] 雷翔胜, 伍子东, 董萍, 等. 基于两阶段聚类分析的用电需求响应潜力评估方法 [J]. 南方能源建设, 2020, 7(增刊2): 1-10. DOI: 10.16516/j.gedi.issn2095-8676.2020.S2.001. LEI X S, WU Z D, DONG P, et al. Method of demand response potential assessment based on two-stage cluster analysis [J]. Southern Energy Construction, 2020, 7(Supp. 2): 1-10. DOI: 10.16516/j.gedi.issn2095-8676.2020.S2.001. [12] 夏翔, 谢颖捷, 方建亮, 等. 基于改进评价指标的电力需求预测模型研究 [J]. 电网与清洁能源, 2021, 37(1): 62-67,76. doi: 10.3969/j.issn.1674-3814.2021.01.009 XIA X, XIE Y J, FANG J L, et al. Research on electricity demand forecasting model based on improved evaluation index [J]. Power System and Clean Energy, 2021, 37(1): 62-67,76. doi: 10.3969/j.issn.1674-3814.2021.01.009 [13] 张倩, 聂宇本, 张延迟, 等. 基于系统动力学的华东电网电力需求预测 [J]. 电气自动化, 2020, 42(1): 92-94. DOI: 10.3969/j.issn.1000-3886.2020.01.026. ZHANG Q, NIE Y B, ZHANG Y C, et al. Power demand forecasting of the east China power grid based on system dynamics [J]. Power System & Automation, 2020, 42(1): 92-94. DOI: 10.3969/j.issn.1000-3886.2020.01.026. [14] 余潇潇, 宋福龙, 周原冰, 等. “新基建”对中国“十四五”电力需求和电网规划的影响分析 [J]. 中国电力, 2021, 54(7): 11-17. DOI: 10.11930/j.issn.1004-9649.202010049. YU X X, SONG F L, ZHOU Y B, et al. Investigations on the impact of new infrastructure on electricity forecast and power system planning during the 14th five-year plan period [J]. Electric Power, 2021, 54(7): 11-17. DOI: 10.11930/j.issn.1004-9649.202010049. [15] 高阳, 顾保南. 国内各城市的轨道交通线网电耗统计分析−基于中国城市轨道交通协会数据分析的研究报告之三 [J]. 城市轨道交通研究, 2019, 22(8): 1-7. DOI: 10.16037/j.1007-869x.2019.08.001. GAO Y, GU B N. Statistical analysis of power consumption of rail transit network in China-report 3: data analysis of urban rail transit association of China [J]. Urban Mass Transit, 2019, 22(8): 1-7. DOI: 10.16037/j.1007-869x.2019.08.001.