住宅电力需求的非线性温度敏感性:基于分布回归方法的证据
《Energy Economics》:Nonlinear temperature sensitivity of residential electricity demand: Evidence from a distributional regression approach
【字体:
大
中
小
】
时间:2025年12月06日
来源:Energy Economics 14.2
编辑推荐:
南京植|徐元基
韩国庆畿道龙仁市汉城外国语大学气候变化系,邮编17035
**摘要**
我们使用分布到标量回归模型来估计极端温度事件期间居民电力需求的温度敏感性。与依赖原始温度数据的简单平均值或单个分位数统计量不同,我们构建了分布摘要(如概率密度、危险率和分位数函数
南京植|徐元基
韩国庆畿道龙仁市汉城外国语大学气候变化系,邮编17035
**摘要**
我们使用分布到标量回归模型来估计极端温度事件期间居民电力需求的温度敏感性。与依赖原始温度数据的简单平均值或单个分位数统计量不同,我们构建了分布摘要(如概率密度、危险率和分位数函数),以更全面地反映温度变化。这种方法不仅利用了潜在温度分布中的更多信息,还能够考察传统模型无法捕捉的极端温度效应。此外,鉴于分布函数通常是基于有限的离散观测值估计的,并可能受到测量误差的影响,我们的计量经济框架明确解决了这一问题。来自危险率到需求模型的实证研究表明,居民电力需求对寒潮的非线性反应比对热波的反应更强,而热波冲击则表现出更为显著的增量效应。此外,温度分位数到需求模型的需求响应估计基本上不显著,这归因于两种相互抵消力的作用。
**引言**
准确估计极端天气事件期间的电力需求对于维护能源安全和确保电网可靠性至关重要。对于能源规划者和政策制定者来说,这种估计对于平衡供需、防止电力短缺以及确保电力系统在关键时期能够承受更大负荷至关重要。随着气候变化加剧极端天气的频率和严重程度,理解和量化这些需求动态已成为可持续能源管理的重要组成部分。在本文中,我们开发了分布到标量回归模型,即使在存在测量误差和极端温度事件的情况下,也能捕捉到居民电力需求的非线性响应——这是一个尚未得到全面研究的方面。为了估计所提出的模型,我们将Seong和Seo(2025)引入的函数到函数回归的理论基础适应到我们的环境中。然后,我们应用这一框架来分析居民电力需求对整个温度分布变化的响应,而不仅仅是关注平均值或特定分位数。这种方法通过结合完整的分布变化,特别是极端天气期间的变化,能够更全面地评估温度的影响。我们在统一的计量经济框架中结合了密度函数和危险率函数——每种方法都有其独特的优势。基于密度的方法在组合数据结构中提供了直接的可解释性,允许清晰地评估整个分布中的温度效应。相比之下,危险率规范特别适合分析极端温度事件,因为它包含了此类事件的条件概率,从而提高了尾部需求估计的精度。为了确保分布信息适当地纳入计量经济框架(见第2.1节),我们考虑了对温度密度和危险率的相关转换。作为比较,我们还检验了一个分位数到需求模型,虽然该模型广泛用于分布分析(例如,Yang等人,2020年),但在概念上与我们的基于密度和危险的公式一致。
**主要实证发现**
主要实证发现从三个维度进行了总结:基于危险率的规范、对测量误差的鲁棒性以及历史分布变化。首先,基于危险率的模型比基于密度的替代方法提供了更为连贯且符合实证的电力需求对温度极端值的响应特征。虽然后者有时暗示在极端寒冷条件下需求会不切实际地下降,但基于危险率的模型在历史上观察到的温度范围内表现出单调增加。其次,考虑测量误差显著放大了温度极端值附近的需求敏感性估计。尽管总体方向模式相似,但忽略内生性的模型系统性地低估了温度引起的响应幅度。第三,结合历史上的温度分布变化揭示了重要的不对称性:对于相似的强度,寒潮冲击导致电力需求整体增加更大,而热波冲击在温度分布的上尾部表现出更为明显的边际增长。总体而言,这些发现强调了整合基于危险率的动态、纠正测量误差以及考虑历史分布变化以准确捕捉温度与电力需求之间的非线性及不对称关系的重要性。
**结论**
这些发现强调,传统的计量经济方法虽然适用于中等温度变化,但往往无法捕捉在极端条件下加剧的非线性和内生动态。为了理解这些局限性,回顾温度-需求建模的发展历程是有用的。早期的计量经济研究(例如,Engle等人,1986年,Engle等人,1989年)建立了电力需求、收入和价格之间的关系,为后续研究奠定了基础,这些研究通过温度变量和非线性函数形式 incorporate 了气候影响(Sailor和Mu?oz,1997年,Henley和Peirson,1997年,Henley和Peirson,1998年,Valor等人,2001年,Pardo等人,2002年,Apadula等人,2012年)。这些早期发展为温度指标(最著名的是供暖和制冷度日(HDD和CDD)的出现奠定了基础,这些指标成为模拟季节性和非线性需求响应的核心。在此基础上,后续研究认识到HDD和CDD虽然是方便的温度暴露指标,但依赖于任意定义的阈值,因此无法完全代表连续的非线性效应。为了解决这一限制,研究人员开发了非线性和功能计量经济模型,这些模型能够在整个观测温度范围内描述温度-需求关系,从而内生地估计阈值行为。更灵活的规范,如平滑转换模型、面板阈值模型和切换回归模型(Moral-Carcedo和Vicéns-Otero,2005年,Bessec和Fouquau,2008年),进一步捕捉了异质的需求响应。包括神经网络和机器学习方法在内的补充进展(Teixeira等人,2017年,Caro等人,2020年,Sharma等人,2020年,Al-Musaylh等人,2019年,Sultana等人,2022年)增强了近似复杂非线性温度-需求动态的能力。
**结论性评论**
在本文中,我们使用可能包含测量误差的温度分布预测因子来研究居民电力需求的非线性温度敏感性。鉴于居民电力需求对温度波动高度敏感,准确捕捉这些非线性关系至关重要,特别是在极端温度事件期间,低估可能会危及电网稳定性。此外,测量误差可能源于数据收集过程中出现的错误——例如,温度读数可能因位置、海拔、时间或仪器校准而有所不同。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号