江苏省月度电煤需求量预测及保障措施的
思考
吴文锋，周梅华**
作者简介：吴文锋，（1986-），男，研究生，研究方向：煤炭需求预测与能源经济
通信联系人：周梅华，（1963-），女，教授，中国矿业大学管理学院企业管理研究所所长，研究方向：企
业营销，物流管理，能源消费. E-mail: 355694517@qq.com
5 （中国矿业大学管理学院，江苏 徐州 221116）
摘要：本文在分析江苏省火电月度发电量数据波动特性的基础上，利用SARIMA 模型进行了
拟合预测，通过对不同模型的参数估计和比较后，得出SARIMA（0,1,1）（0,1,1）12 模型
能很好的拟合该时间序列，用该模型进行预测了江苏省下半年每个月的电煤需求量，发现7、
8、12 月份任然是电煤需求量较大的月份。最后，本文提出了四点有效保障电煤供应的措施，
10 供相关部门参考。
关键词：电煤；需求预测；SARIMA 模型；保障措施
中图分类号：F407.21
 0 引言
中国是煤炭生产及消费大国，煤炭消费占全国一次能源消费的70%以上，电煤供应链
各环节的协调发展一直是影响中国能源供需平衡及经济发展的关键问题。今年的4、5 月份，
30 江苏、浙江、江西、湖南、重庆等地相继出现了夏季高峰之前的淡季电荒，在浙江、江苏、
安徽等省已出现拉闸限电现象，电煤供需矛盾是造成此轮“电荒”的根本原因。电煤的正常
供应是发电企业能够正常运营、电力正常供应的基础，对于国民经济的稳定发展和人民生活
的正常进行具有重要意义。为了避免“电荒”等情况的发生，缓解我国电煤的供求矛盾，对
电煤需求的预测研究是具有现实意义的工作。
35 1 提出问题
首先，笔者想提出几个问题：①如何体现电煤预测结果的及时性？②如何科学的预测电
煤未来需求值？③采用什么的措施保障电煤的供应？
通过相关渠道搜索，笔者难以找到有关电煤预测的研究文献。为了体现及时性，所采用
数据必须是月度数据，并且能够有专门的机构定期提供此类数据。为了体现科学性，本文将
40 以江苏省为例，通过分析历年月度火电发电量序列的特征，建立SARIMA 模型进行预测，
 并通过最新供电煤耗率系数折算的方法计算出电煤的需求量，从而为相关部门提供可靠的决
策依据。在本文的最后，笔者提出了电煤供应保障的有效措施，为政策制定者提供参考。
2 数据来源及方法介绍
2.1 数据来源
45 本文使用的江苏省2005-2011 年月度火电发电量数据均整理自“中国煤炭市场网”，数
据见表1。“中国煤炭市场网”是由中国煤炭运销协会创办，是国内最具权威的煤炭市场资
讯平台[1]。在此，本文将江苏省月度火电发电量数据记为HD 序列，单位为亿千瓦时。
表1 江苏省月火电发电量数据（单位：亿千瓦时）
50 Tab. 1 The data of thermoelectricity in Jiangsu Province ( unit: a hundred million KWH )
年份 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月
2005 131.62 110.97 134.03 134.17 139 145.15 167.41 169.85 158.6 143.83 144.7 178.36
2006 200.37 149.04 177.23 169.3 163.59 174.35 199.86 222.51 188.83 170.58 175.97 222.54
2007 265.46 152.32 198.97 198.92 201.06 217.06 237.56 245.88 219.28 202.37 203.72 234.79
2008 257.55 173.58 222.92 216.1 226.14 216.83 262.75 242.04 221.15 190.4 184.09 212.2
2009 273.31 164.67 218.15 208.05 216.45 233.68 249.18 245.17 227.47 216.42 239.86 269.74
2010 258.9 182.4 250.6 263.7 268.3 265.5 288.8 308.3 258 244.8 262.5 284.3
2011 286.7 225 319.1 282.4 300 305
2.2 方法介绍
由Box 和Jenkins 于上个世界七十年代提出的ARIMA(p,d,q)模型，称为差分自回归移动
平均模型，AR 为自回归，p 为自回归项；MA 为移动均，q 为移动平均项数，d 为时间序列
55 达到平稳时所做的差分次数。同时ARIMA 中的SARIMA 模型专门用于预测季节周期性数
据。在许多实际问题中，序列的变化包含明显的周期性，这种规律是由于季节（周期）变化
的原因所引起的。具有周期特性的序列就称为季节时间序列。针对时间序列的季节性，可以
通过随机季节模型（ARIMA）来进行拟合。但是，序列的季节效应、长期趋势效应和随机
波动之间有着复杂的相互关联性，简单的随机季节模型不能充分提取其中的相关关系，因此，
60 便诞生了乘积季节模型（SARIMA），本文采用的就是这个模型，用EVIEWS 软件实现。
SARIMA 模型的建模流程见图1。[2]
ARIMA 模型的基本思想是将预测对象随时间推移而形成的数据序列视为一个随机序
列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后，就可以从时间序列的
过去值及现在值来预测未来值。ARIMA 模型最大的优点在于对季节周期性数据指标的准确
65 预测，其与线性回归预测模型的区别在于：线性回归预测模型的年度、季度、月度模型往往
不能较好地揭示出被解释变量的非线性特征，而ARIMA 模型的季度或月度模型能揭示出被
解释变量的非线性特征；线性回归预测模型直接使用最小二乘法，估计简单，对含有解释变
量的滞后项的回归模型，则需要识别它的阶数，而ARIMA 模型需要先估计出它的阶数后，
再使用最小二乘法；利用线性回归预测模型进行预测时，需要知道解释变量的预测值，而利
70 用ARIMA 模型进行预测时却不存在这个问题。[3]
 图1 SARIMA 模型的建模流程图
Fig. 1 The process chart of SARIMA model
75 3 实证分析
3.1 平稳化处理
将表1 中数据输入到Eviews6.0 软件中，图2 显示了2005 年1 月至2011 年6 月江苏省
火电发电量的趋势图。该图显示，江苏省火电发电量呈现不断上升的趋势，并且存在明显的
季节波动。本文将2005 年1 月至2010 年12 月数据作为样本数据，对2011 年1-6 月数据进
80 行预测，并与真实值进行对比，检验模型精度。
时间序列模型的建立要求序列必须是平稳序列，因此，在建立模型前，首先对HD 序列
的原始数据进行ADF 单位根检验，检验结果见表2。检验的P 值为0.3524 远大于0.05 的显
著性水平，序列HD 没有通过单位根检验。这表明序列HD 是非平稳的时间序列，需要进行
平稳化处理。
85 为了消除异方差，首先对序列HD 进行对数处理得序列lhd，为消除序列趋势性，对lhd
进行一阶逐次差分，得到序列ldhd1，为消除季节性，再进行一阶季节差分，得到序列ldhd2。
见表3 和图3，经过两次差分以后，序列ldhd2 通过了ADF 检验，并且其自相关在K=1 以
后全部落入随机区间，震荡衰减，说明序列已经平稳，其差分阶数为d=1，D=1。
 80
120
160
200
240
280
320
360
2005 2006 2007 2008 2009 2010
HD
90 图2 序列HD 的趋势图
Fig. 2 The trend graph of sequence HD
表2 序列HD的单位根检验表
Tab.2 The unit root test table of sequence HD
t-Statistic Prob.*
ADF -1.851893 0.3524
1% level -3.544063
5% level -2.910860
10% level -2.593090
95
表3 序列ldhd2的单位根检验表
Tab.3 The unit root test table of sequence ldhd2
t-Statistic Prob.*
ADF -7.522093 0.0000
1% level -3.542097
5% level -2.910019
10% level -2.592645
100 图3 序列ldhd2 的相关图
Fig. 3 The correlation diagram of sequence ldhd2
3.2 模型识别
见图3，ldhd2 序列的自相关和偏自相关都是拖尾的，但都有显著不为零的相关系数。
105 由于在图中的k=12 处自相关系数不显著，从而得出P=1，偏相关系数显著，Q=0、1。通过
初步观察，自回归阶数p=0、1、2、3、4，移动平均阶数q=0、1。通过多次试验，选择出
较理想的模型SARIMA(0,1,1)(0,1,1) 12、SARIMA(1,1,1)(0,1,0) 12、SARIMA(1,1,0)(1,1,0) 12，
并且对三个模型进行了进一步的比较分析，下表4 所示的是主要比较的统计量。
模型的选定主要依据AIC、SC 最小准则和修正R2 最大原则。AIC（Akaike info criterion）
110 准则兼顾了模型的简洁性和精确性，并排除了建模者的主观因素。SC（Schwarz criterion）
 准则对AIC 准则做了进一步改善。修正的R2 除具备R2 的特征外，还避免了自变量个数的影
响，综合了精度和变量数两个因素，能更有效地判断拟合优度。从表4 中可以看到，第一个
模型修正的可决系数大于第二、三个模型，对于AIC 和SC 准则，第一个模型都较小，因此
选择(0,1,1)(0,1,1)12 阶模型比较合适，结果为更理想。
115
表4 三个拟合模型的参数比较
Tab.4 Parameters of three kinds of fitting model
模型 Adjusted R2 AIC SC
(0,1,1)(0,1,1)12 0.521350 -2.663398 -2.592973
(1,1,1)(0,1,0)12 0.435861 -2.511720 -2.440670
(1,1,0)(1,1,0)12 0.486689 -2.595051 -2.515545
表5 残差序列ADF 检验结果
120 Tab.5 The ADF test results of residual sequence
t-Statistic Prob.*
ADF -7.297649 0.0000
1% level -3.548208
5% level -2.912631
10% level -2.594027
图4 参数估计结果
Fig 4 Results of parameter estimation
125
3.3 参数估计
用Eviews6.0 软件对模型SARIMA(0,1,1)(0,1,1)12 进行参数估计，估计结果见图4。得到
模型的拟合结果后，可以写出模型的数学表达式：
0.5296 1.809
log( ) (1 0.59909 )(1 0.83559 )
2
12
12
= =
= − −
R DW
D D hd L L vt
130 ，
3.4 模型检验
参数估计后，对模型的残差序列进行白噪声检验，根据残差序列自相关图进行直观判断，
残差序列的自相关系数都落入随机区间中，残差序列是纯随机序列。并且对残差序列进行单
位根检验，发现残差序列在1%置信水平上通过了ADF 检验。表明残差序列为白噪音序列，
135 模型拟合程度比较好，可以用来预测。
 表6 江苏省火电发电量预测值与真实值对比
Tab.6 Contrast of prediction value and real value of Jiangsu t 140 hermoelectricity
月度 2011M01 2011M02 2011M03 2011M04 2011M05 2011M06
真实值 286.7 225 319.1 282.4 300 305
预测值 318.75 212.17 282.25 289.82 294.05 305.48
相对误差0.111789 -0.05702 -0.11548 0.026275 -0.01983 0.001574
表7 江苏省火电发电量及电煤需求量预测值
Tab 7 Prediction value of Jiangsu thermoelectricity and power-generation-coal
月份 2011M07 2011M08 2011M09 2011M10 2011M11 2011M12
火电量/亿千瓦时 334.50 339.74 297.75 274.85 287.47 323.11
标煤量/万t 1097.16 1114.35 976.62 901.51 942.90 1059.80
145 3.5 模型预测
利用模型对2011 年1-6 月份的火电发电量进行预测，利用静态预测法。预测结果显示
原创学术论文网Tag：职称论文发表 代发论文 代写经济论文 经济论文发表