基于滤波技术的上海日最大电力负荷气象预报模型

电力负荷与气象条件密切相关,为建立上海市日最大电力负荷的预报模型,利用2010—2013年上海市日最大电力负荷数据及同期气象资料,分析日最大电力负荷的时间变化特征及其与气象因子的相关性,并基于滤波技术将日最大电力负荷分离为时间趋势项和逐日变化项,用逐步回归方法针对冬季和夏季分别建立预测模型。结果表明：①上海日最大电力负荷的各个节假日效应存在差异,春节节假日效应持续时间最长,影响最大,国庆节假期前半段节假日效应明显大于后半段。夏季的周末效应最强。②采用逐步回归方法建立的气象预报模型效果较好,回代年和预测年的平均预测相对误差均小于5%。     

西安市日最大电力负荷率与气象因子相关关系分析预报模型的建立

基于西安市2010—2013年逐日最大电力负荷和同期的气象资料,分析了日最大电力负荷的变化规律,利用最小二乘法,除去日最大负荷的节假日效应和周末效应后,将气象负荷从日最大电力负荷中分离出来,建立西安气象负荷率与气温、相对湿度、总云量、降水量、风速的相关关系,并基于2010—2012年的11月—次年2月和6—8月的资料,分别采用逐步回归、多元线性回归和BP神经网络方法建立最大气象负荷和主要气象影响因子之间的预报模型,将2013年对应时间的日最大气象负荷率作为预报效果的独立样本检验。结果显示:2010—2013年西安的日最大电荷存在明显的增长趋势,且存在明显的周末效应和节假日效应;气温是影响气象负荷率的最显著因子,引入温湿指数(THI)的BP神经网络算法对气象负荷率的拟合和预测效果最优。     

基于BP神经网络的北京夏季日最大电力负荷预测方法

利用2006~2017年北京夏季（6~8月）逐日最大电力负荷和同期气象资料,分析最大电力负荷与各种气象因子的相关性,基于BP（Back Propagation）神经网络算法,建立了两种夏季日最大电力负荷预测模型并对比。结果表明:北京夏季周末基础负荷远小于工作日,剔除时应加以区分;气象因子对气象负荷的影响具有累积效应,累积2 d时两者的相关性最强;结合实际,根据自变量的不同分别建立了两种日最大电力负荷预测模型;经实际预测检验,两种预测模型均取得了较好的预测效果,能够满足电力部门的实际需求,其中自变量中加入前一日气象负荷的模型效果更优。     

基于天气分型的夏季逐时用电负荷预报

用2004年和2005年6—8月用电负荷资料和气象资料,分月建立了日平均气象负荷预报方程。讨论了用气象负荷的日变化量来代替总用电负荷的日变化量进而预报逐日总负荷的可行性。分5种天气类型统计了各天气类型下逐时负荷与日平均负荷的比率,日平均用电负荷预报值与该天气类型的逐时比率相乘得到逐时用电负荷的预报值。经2006年试用,日平均用电负荷预报的平均相对误差为2.0%,逐时用电负荷预报的平均相对误差为2.9%,对日平均用电负荷起伏较大的变化过程做出了准确预报。     

积温效应在电力日峰谷负荷中的应用及检验

从电力气象服务需求出发,利用2001—2010年5—9月河北省南电网逐日电力日峰负荷、日谷负荷与对应时间的气象资料,探讨晴热天气和闷热天气对电力日峰负荷、日谷负荷的影响特征。分析发现持续3 d以上的闷热天气相对晴热天气使电力日峰负荷、日谷负荷增长更显著;日最高气温32℃是引起河北省南电网日峰负荷增长的初始气温敏感点,35℃为强气温敏感点,38℃为极强气温敏感点,日最低气温25℃为引起日谷负荷增加的敏感气温临界点;建立了引入积温热累积效应的日峰负荷、日谷负荷多元回归气象预测模型,经2011—2013年应用检验,日峰负荷、日谷负荷预测平均相对误差分别为4.8%和3.5%,提高了预测准确率,对电力调度具有参考价值。     

湖州市用电需求特性及其与气象条件的关系

通过计算日用电量气象变化率lml、日最大用电负荷气象变化率lmh,分析了湖州市2006—2008年用电量及最大用电负荷的变化特征及其与气象要素的关系,着重研究了平均气温、最高气温、最低气温对用电量及最大用电负荷的影响,建立了日最大用电负荷、日用电量的预测模型。结果表明：用电量及最大用电负荷表现出年周期变化,且稳步递增,但月差异明显;不同月份不同气象因子对用电量及最大用电负荷的影响各有不同,lmh、lml与气象因子相关性显著的月份集中在6—10月;在不同温度范围,气温对用电量及最大用电负荷的影响程度也不同,随着气温变化,用电量和最大用电负荷的变化率最大可达20%;在7月、8月,气温升高1℃时,lmh、lml的变化最大,可达2%～5%。     

河南夏季日最大电力负荷预测模型

利用2005—2009年河南逐日最大电力负荷和气象资料,分析了河南日最大电力负荷的变化特征及其与气象因子的关系。河南日最大电力负荷季节变化呈双峰型,最大的峰值出现在夏季,次峰值在冬季。夏季电力负荷与气温和炎热指数有密切的关系。用逐步回归方法,针对夏季(方案1,不区分工作日和休息日)以及周一至周日(方案2,区分工作日和休息日)分别建立日最大电力负荷预测模型,并对2010年夏季逐日最大电力负荷进行预测,两种预测方案对2010年夏季日最大电力负荷预测的平均相对误差均小于3%,相关系数均达到0.90,两方案在工作日预测结果都较好,但休息日预测误差相对较大。     

夏季武汉市电网气象敏感负荷预测模型

利用2009—2010年武汉市日用电负荷资料和气象资料,提出了基于电网负荷的分解算法,将电网日最大负荷分解为基础负荷与气象敏感负荷2个主要分量,其中,气象敏感负荷与包含了气温、相对湿度及风速的综合气象敏感负荷条件指数相关。利用相关比法,分析了气象敏感负荷与气象敏感负荷条件指数的非线性关系,分析了气象敏感负荷条件指数变化与负荷变化关系。基于均方偏差最小原理和非线性最小二乘法,建立了夏季武汉电网气象敏感负荷与气象敏感负荷条件指数的多项式预测关系模型。2011—2012年夏季模型应用检验表明,预测平均误差接近6%。该模型可用于夏季电力气象服务工作。     

基于积温效应的华中电网电力负荷预测

利用2011—2015年5—9月华中4省河南、湖北、湖南、江西逐日日用电量、日峰负荷、日谷负荷与同期气象数据,探讨炎热天气过程对电力负荷的影响特征,并分别对4省建立基于积温热累积效应的电力负荷预测模型。结果表明:持续3d以上的炎热天气过程对电力负荷增长影响显著,其中湖北的电力负荷增量最大;当气温大于等于积温热累积效应的气温临界值时,对电力负荷增长有显著影响,其中湖南的日平均气温、日最高气温、日最低气温的初始敏感值分别为31℃、36℃、27℃,强敏感值分别为32℃、39℃、29℃;建立基于积温热累积效应的电力气象负荷多元回归预测模型,经2016年5—9月应用检验,华中4省的平均相对误差均控制在5%以内,根据具体天气情况进行适当订正,对国家电网公司华中分部电力调度具有参考价值。     

北京夏季日最大电力负荷预报模型建立方法探讨

为了探索夏季(6～8月)日气象负荷的最佳分离方式和引起日最大电力负荷波动的主要因子,以及建立预报模型最佳个数,基于北京市2005～2010年逐日最大电力负荷和同期的气象资料,分析了北京地区日最大电力负荷的变化规律,采用不同方法将气象负荷从夏季日最大电力负荷中分离出来,分析北京夏季气象负荷与气温、相对湿度、降水及炎热指数、高温持续日数、炎热日数持续时间、前一日气象负荷等因子之间的关系,并基于2005～2009年夏季逐日气象负荷和其主要影响因子采用逐步回归方法建立日最大电力负荷的预报模型,将2010年夏季北京日最大电力负荷作为预报效果的独立样本检验。结果显示:2005～2010年,北京逐日最大电力负荷具有明显的线性增长趋势,夏季日最大电力负荷具有显著的星期效应;与去掉逐年夏季日最大电力负荷趋势和夏季平均日最大电力负荷趋势相比,去掉全年逐日最大电力负荷变化趋势的夏季日气象负荷预报模型的拟合能力更优;北京夏季日气象负荷与当日气温的相关系数最高,与前一日气象负荷也关系密切;利用前一日相对气象负荷和当日气象要素一周逐日分别建立预报模型的拟合和预测效果较好。     

广西电网电力负荷变化特征与气温的关系及其预测

通过分析1997-2003年5～10月广西电网电力负荷月、周和节假日的变化特征，及与气温的相关关系，发现：电力负荷基本呈逐年增加的趋势，工作日和非工作日有着不同的变化特征，电力负荷与气温有明显的相关关系。采用逐步回归方法，建立了广西电网逐日电力负荷预测模型，对2002-2003年模型的拟合结果及2004-2005年模型的预测结果分析表明：模型对广西逐日电力负荷具有较好的拟合和预测效果，对逐日电力负荷的季节变化具有较好的拟合效果，尤其是夏季预测与实况趋势基本吻合。     

广西电网电力负荷变化特征与气温的关系及其预测

通过分析1997-2003年5-10月广西电网电力负荷月、周和节假日的变化特征,及与气温的相关关系,发现:电力负荷基本呈逐年增加的趋势,工作日和非工作日有着不同的变化特征,电力负荷与气温有明显的相关关系。采用逐步回归方法,建立了广西电网逐日电力负荷预测模型,对2002-2003年模型的拟合结果及2004-2005年模型的预测结果分析表明:模型对广西逐日电力负荷具有较好的拟合和预测效果,对逐日电力负荷的季节变化具有较好的拟合效果,尤其是夏季预测与实况趋势基本吻合。     

宜昌市电力负荷对气象因子的响应及气象预报模型的建立

利用2015-2017年宜昌市逐小时电力负荷资料及对应时段地面气象观测站数据,分析宜昌电力负荷的变化特征,研究气象敏感负荷与气象因子的关系,基于主要气象敏感因子通过逐步回归法建立宜昌电力负荷预报方法。结果表明:宜昌电力负荷呈逐年增长的趋势,夏季和冬季是一年中电力负荷高峰期,年最大电力负荷出现在夏季,年均增幅达11.8%,年最小电力负荷出现在春节期间;气温对气象敏感负荷影响最大,随着日平均气温T升高逐日气象负荷率先减小后增加,当T为17℃时,气象负荷率最小,从而划分了4个变化阶段:17℃≤T<26℃、T≥26℃、7℃≤T<17℃、T<7℃,基于各阶级主要气象敏感因子分别建立电力负荷回归预报方程,经检验,在实际应用中预报相对误差绝对值为3.8%,基本能够满足电力部门负荷预测的精度要求。后期可结合人工智能算法,进一步提高宜昌电力气象负荷预测的稳定性和准确性。     

春灌期气象条件对河北南网日用电负荷峰值的影响

采用2007-2010年河北省南部电网日用电负荷峰值数据和逐日气象观测资料,分析了河北省南部电网日用电负荷峰值的年分布特征和春灌期逐日变化特征。结果表明：河北南网日用电负荷峰值全年呈现出“三高峰,两低谷”的特征,高峰分别对应河北省春灌、夏季高温和冬季采暖前后,低谷出现在春节和国庆假期。冬小麦的返青水和棉花白地浇灌对用电负荷影响显著。区域性强风和降雨会造成用电负荷峰值明显下降。将春灌期日用电负荷峰值的变化幅度进行等级划分。运用相关分析法和多元回归方法,分析了春灌期日用电负荷峰值变化幅度与气象因子的相关关系,建立了基于气象条件的河北南网全区日用电负荷峰值变化幅度的预报模型,经检验,该模型在日常电力调度业务中具有一定的应用价值。     

天津市6--9月气温与供电量的关系分析

为探讨不同气温指标对城市夏季供电量的影响,对2002--2004年6—9月天津市区逐日供电量、日最大负荷、日最小负荷与02、08、14时和20时,日平均、日最高和日最低气温共7种气温指标的相关性进行综合统计分析,并对相关系数作假设检验。结果表明：平均气温与夏季逐日供电量、日最大负荷相关性最好,02时气温与最小负荷的相关性最高。日平均气温和02时气温是影响城市夏季供电量的主要气象要素。     

天津市6—9月气温与供电量的关系分析

为探讨不同气温指标对城市夏季供电量的影响,对天津市区2002—2004年6—9月逐日供电量、日最大负荷、日最小负荷与02、08、14时和20时、日平均、日最高和日最低气温共7种气温指标的相关性进行综合统计分析,并对相关系数作假设检验。结果表明：平均气温与夏季逐日供电量、日最大负荷相关性最好,02时气温与最小负荷的相关性最高。日平均气温和02时气温是影响城市夏季供电量的主要气象要素。     

桂林电网日负荷与气象因素的关系及其预测

日负荷预测作为能量管理系统(EMS)的重要组成部分,是电力系统安全、经济运行的保证.为更好地了解气象因素对电网负荷的影响,利用桂林地区2005年和2006年逐日的负荷与气象资料分离出了气象负荷.通过研究气象负荷与各气象因素之间的相关关系表明:利用气象负荷可以更好地分析气象因素对日负荷的影响,从而为电力部门的负荷预测工作提供重要的参考依据.最后采用一种基于相似日的方法计算气象负荷,进而预测整个电力负荷,通过实际的算例验证,取得了比较满意的预测效果.     

基于气象因子及机器学习回归算法的夏季空调负荷预测

气温、气压、相对湿度等气象因子对夏季用电负荷的影响非常显著。为了定量研究气象因子导致用电负荷的变化,本文将夏季用电负荷与当年4月及9月用电平均值之差定义为夏季空调负荷,并利用2014年1月到2016年12月南京市逐时气温、气压、相对湿度、水汽压、降雨量、风速、露点温度等气象资料,以及逐日逐时用电负荷数据资料,采用多元线性、K近邻法,决策树,bagging回归、随机森林等5种机器学习回归算法进行建模,并对其分别进行参数调优工作,进而得到空调负荷预测结果。结果表明:多元线性回归方法是5种回归算法里效果最差的一种,但通过增加特征量的种类和样本数,可以提高预测精度;随机森林回归算法是5种回归算法里效果最好的一种,较多元线性回归算法减小误差达44%,并且较好描述了空调负荷高值区的极端情况并减少了对于训练数据的过拟合现象。