T213预报产品在电力负荷预测中的应用

用2005—2006年4—9月准东电网负荷资料和T213预报产品资料,建立日平均有效时间序列数据,对电力负荷与T213主要预报因子的相关性进行了分析,筛选出影响该地区负荷变化的重要预报因子为700 hPa水汽通量、850 hPa水汽通量和降水量,建立日平均电力负荷变化的预报方程。对2007年进行试报,负荷变化趋势与实际一致,但对负荷发生明显波动的预报有时出现偏差,原因是T213对降雨天气预报有误所致。提出改进方案,采用模式与预报员经验相结合,从气象观测要素中再筛选出新的降雨因子,与T213重要预报因子重建预报方程,再次试报结果更接近实况。对2007年4—9月预报误差进行分析得到,计划负荷平均误差为11.5%,T213建模平均误差为8.2%,通过改进后重新建模的平均误差为6.4%。在降雨天气条件下,计划负荷误差22.3%,T213建模误差13.4%,而改进后的预测误差降低到8.9%。     

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。     

气象条件对电力负荷的影响分析

利用河北省南电网提供的2000～2006年逐日最大电力负荷资料.分析了日最大电力负荷的变化规律.以石家庄市为例,采用相关分析方法,分年逐月分析了日最大电力负荷与对应6个气象因子的相关性,得出不同时段电力负荷的主要气象影响因子;分析了6～9月和11月受气温影响显著月电力负荷的1℃效应量、3～8月10 mm以上降水量对电力负荷的影响变化率;采用多元回归的方法分时间段建立了最大电力负荷的气象预测方程,加上逐年电力负荷变化趋势项即可做电力负荷预测预报.     

成都市气象要素对电力负荷的影响关系研究

根据四川省电力调度中心提供的成都市2000～2001两年逐时的电力负荷资料,运用相关分析和复相关分析等方法,研究了电力负荷的时间变化特征及与气温、湿度、风、云量的相关关系,得出冬夏两季电力负荷与这些气象要素尤其是气温有较好的相关关系;并通过提取气象电量的方法来建立电力负荷与气象要素初步的预报方程.     

上海市电力负荷与气象因子关系及精细化预报

电力负荷预测是电力调度的重要参考依据,气象条件对电力负荷有重要影响。利用上海市2004—2008年15 min 1次的电力负荷资料和宝山气象站 (区站号58362) 同一时段3 h 1次的气象观测资料,对上海市电力负荷特征进行分析,发现不同温度区间和不同天气类型电力负荷的日变化特征有明显差别。采用逐步回归方法得到各温度区间日平均气象负荷率的预报方程,通过系数订正,得出不同天气类型的逐时负荷预报。2009年试报结果显示:采用预报日前3 d的趋势负荷平均值作为预报当日的趋势负荷值,得到的日平均负荷预测值的误差最小,约为3.6%;非工作日日平均负荷的平均预报相对误差比工作日大;日平均气温超过18 ℃时,工作日日平均负荷的预报误差较小;低于18 ℃时,预报误差明显增大;逐时负荷平均预报误差约为4%。     

福州市夏季电力气象等级预测模型初探

对福州市1999~2002年5~9月日电力负荷与日平均气温、日最高气温、日最低气温、日平均相对湿度和天气状况进行分析,发现气象要素的变化会直接影响到电力负荷的调整。从逐日电力负荷资料中提取气象要素引起电力负荷变化的部分即气象负荷,通过计算气象电力负荷与气象要素之间一系列相关指标,并利用回归分析方法建立福州市夏季气象电力负荷预测模型,利用气象要素预报,可实现对气象电力负荷的预测。预测结果通过检验、分析和判定,最后确定了气象电力负荷等级划分的标准。对2003~2005年福州市夏季逐日气象电力负荷等级进行回代检验,结果表明该预测模型有较好的预报能力。     

克拉玛依电网电力负荷与气象条件关系的研究

从克拉玛依供电范围内电力负荷变化趋势、季节性负荷变化及气温对季节性负荷的影响等方面，系统地分析了该供电范围内1999年1月至2001年12月间电力负荷随气温变化的特征。通过分析研究表明，克拉玛依电网电力日负荷与气温的相关关系显著，并结合日常天气预报分时段建立了电力负荷预测方程，进而可为电力部门提供专业化的服务产品。     

成都市气象要素对电力负荷的影响关系研究

根据四川省电力调度中心提供的成都市2000～2001两年逐时的电力负荷资料，运用相关分析和复相关分析等方法，研究了电力负荷的时间变化特征及与气温、湿度、风、云量的相关关系，得出冬夏两季电力负荷与这些气象要素尤其是气温有较好的相关关系；并通过提取气象电量的方法来建立电力负荷与气象要素初步的预报方程。     

气象条件对乌—昌电网负荷的影响及预报模型研究

利用乌鲁木齐和昌吉地区2008—2011年夏半年(4—9月)逐日电力负荷、气象要素观测资料和T639、ECMWF模式输出产品,分析了乌-昌地区日用电负荷的年、季、月变化特征及其与对应区域的气温、降水量、相对湿度、风速等的相关关系,并以前3年的对应资料建立了基于气象条件的电力负荷预报模型,并以2011年的资料进行预报效果独立样本检验。结果表明:乌-昌地区夏半年的电力负荷呈非常明显的逐年增长趋势,月、日变化与当地工农业生产、居民生活规律密切相关;与气温呈显著地正相关关系,与降水量、相对湿度呈显著地负相关关系;应用逐步回归方法分时段建立的逐日电力负荷的气象条件预报模型有很好的预报效果。     

神经网络在电力系统负荷预测中的应用

选用2006年3月28日—2006年4月8日呼和浩特市供电局每日0—23时整点电力负荷资料，结合呼和浩特市电力负荷预測日的最高气温、最低气温和天气特征等气象因子的变化，采用将一周的7天每天都看作一种电力负荷类型，尝试应用BP神经网络预测呼和浩特市2006年4月9日的电力负荷值，预测值与实际值基本一致。这次尝试取得的成果，对专业气象服务实际工作中电力负荷预测具有较高的实用价气象因子电力负荷     

2012年空调降温负荷分析

针对夏季空调降温负荷难以计量的现状,提出测算夏季空调降温负荷及降温用电量的算法模型,进而结合夏季天气情况,建立夏季降温负荷与夏季最高温度的回归模型,分析电网降温负荷的单位温升负荷.最后,以若干区域电网为例,分析各电网的空调降温负荷和单位温升负荷,可以为电网的生产运行和电力营销工作提供重要的决策参考.     

应用回归分析和BP神经网络方法模拟北京地区电力负荷

根据2002～2004年5月1日至9月1日期间的日最大电力负荷与相应日期的日平均气温、相对湿度和风速资料,分析了北京地区夏季电力负荷的变化特征,并将2002年和2003年数据作为训练样本,2004年数据作为测试样本,应用多元回归、非线性回归和BP神经网络方法对每日电力最大负荷进行模拟.结果表明,几种方法均能对电力负荷进行较好地模拟,其中神经网络方法的模拟能力最强,其次为非线性回归和多元回归分析方法.     

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。     

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。     

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。     

河北省南部电网夏季电力负荷特征及与气象因子的关系

利用河北省南部电力公司提供的2007-2009年南电网区域逐日最大用电负荷资料,分析了南电网区域夏季日最大负荷变化规律,与其他月份相比,夏季5-8月的日最大电力负荷的波动性明显大于其他月份.采用标准化和相关分析法,逐月分析了气象因子与日最大电力负荷的相关性,并找出了日最大电力负荷的周变化特点,以及节假日对日最大电力负荷的影响.结合农作物生长特点,分析了南部电网日最大电力负荷变化特征,为以后日最大电力负荷预报提供了一定的参考.     

THE VARIABILITY CHARACTERISTICS AND PREDICTION OF GUANGDONG POWER LOAD DURING 2002 - 2004

The variability characteristics of Guangdong daily power load from 2002 to 2004 and its connection to meteorological variables are analyzed with wavelet analysis and correlation analysis.Prediction equations are established using optimization subset regression. The results show that a linear increasing trend is very significant and seasonal change is obvious. The power load exhibits significant quasi-weekly (5 - 7 days) oscillation, quasi-by-weekly (10 - 20 days) oscillation and intraseasonal (30 - 60 days) oscillation. These oscillations are caused by atmospheric low frequency oscillation and public holidays. The variation of Guangdong daily power load is obviously in decrease on Sundays, shaping like a funnel during Chinese New Year in particular. The minimum is found at the first and second day and the power load gradually increases to normal level after the third day during the long vacation of Labor Day and National Day. Guangdong power load is the most sensitive to temperature, which is the main affecting factor, as in other areas in China. The power load also has relationship with other meteorological elements to some extent during different seasons. The maximum of power load in summer, minimum during Chinese New Year and variation during Labor Day and National Day are well fitted and predicted using the equation established by optimization subset regression and accounting for the effect of workdays and holidays.