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。     

冀北电网电力负荷特征与气温的关系

基于冀北电力公司提供的2013—2014年冀北电网逐日最大电力负荷资料,采用数理统计方法分析日最大电力负荷的变化规律及其与气温等气象因子的相关关系,并重点讨论其与气温的关系。结果表明:冀北地区最大电力负荷有2个高峰时段,分别为夏季7—8月、冬季11—12月;日最大电力负荷具有周变化特征,周五、周六、周日为周电力负荷高峰期,周六电力负荷最高,周二电力负荷最低;夏季高峰期,日最大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、日闷热指数呈正相关,并且通过显著性检验,且当日最高气温高于26℃(或日平均气温高于20℃)时,日最高气温对日最大电力负荷的1℃效应量约为21.19×104k W。     

华中电网日负荷与气象因子的关系

从华中电网4省1997年2月至2000年5月逐日的电力负荷资料中分离出随气象因子变化的气象负荷，分析了气象负荷和同期的气象资料的相关关系，重点研究了气象负荷随气温变化的规律，探讨了华中各省气象负荷与气温关系的异同。研究表明华中电网日负荷与日平均气温的相关关系明显，在日平均气温大于20℃时相关系数为正，小于20℃时为负，在气温为25－28℃时负荷对气温的变化最敏感。     

体感温度对夏季气象负荷率变化的影响研究——以湖北省黄石市为例

本文以黄石市2007-2013年逐日电力负荷为研究对象,利用同期气象资料计算体感温度数据及舒适度等级,并以此对电力负荷进行分解,进而讨论体感温度对夏季气象负荷率变化的影响。结果表明:(1)利用体感温度及舒适度等级可对电力负荷进行更精细的分解,且体感温度同气象负荷率具有最高关联度;(2)研究时段内黄石市逐日最大电力负荷总体呈线性增长,但2008年金融危机期间电力负荷呈下降趋势;(3)2010年之前,工作日的气象负荷率高于节假日,但自2011年起,该现象出现反转,且差值逐渐增大;(4)研究时段内,体感温度高于22.9℃(工作日)或21.5℃(节假日)时,即会产生敏感负荷,而体感温度升高1℃最多可引起6%的气象负荷率增加。     

北京市夏季电力负荷逐日变率与气象因子关系

利用2006年1月—2010年9月北京市逐日整点电力负荷和逐日气象资料,采用数理统计方法定量分析了北京市夏季电力负荷逐日变率与主要气象因子的关系。结果表明:与最大电力负荷显著相关的气象因子为温度、风速和空气湿度,其中与日最低气温相关性最高 (相关系数为0.65,显著性水平为0.001),当日最低气温高于18℃(或日最高气温高于26℃) 时,其对日最大电力负荷的1℃效应量约为39.7×107W。相对于温度单个因子,同时反映温度和相对湿度综合作用的闷热指数与最大电力负荷的关系更为密切。     

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。     

西安市居民用电量对气象因子的响应及预测

利用2010年2月1日至2013年8月31日西安市逐小时电力负荷资料及对应时段地面气象观测站数据,分析西安电力负荷的变化特征,研究气象敏感负荷与主要气象因子的关系。结果表明:电力负荷在不同时间尺度上呈现出不同变化特征,夏季和冬季是一年中电力负荷的高峰期;极端电力负荷出现在夏冬两季,其中夏季极端电力负荷出现频率占总数的74%;相比于其他气象因子,气温与气象敏感负荷的相关性最强,在5—9月呈正相关,10月至次年4月呈负相关,逐日气象负荷率随日平均气温的增加先逐渐减小,再逐渐增加,当日平均气温为17℃时,气象负荷率最小;日最高气温34℃为夏季引起西安市最大电力负荷增加的初始气温敏感值,36℃为强气温敏感值,38℃为极强气温敏感值,日最低气温-2℃为冬季引起西安市最大电力负荷增加的初始气温敏感值,-4℃为强气温敏感值,-7℃为极强气温敏感值。     

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。     

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。     

武汉市周年逐日电力指标对气温的非线性响应

为了建立电力因子与气象要素的关系,利用2005-2007年武汉市电网日电量、日最大负荷、日最小负荷及相应的气温资料,分析气温对各电力指标的影响,建立了各电力指标与气温的非线性统计模型,并与线性模型进行比较.结果表明,非线性模型比线性模型能更好地反映电力指标与气温的关系,日最大负荷、日电量、日最小负荷最不敏感的平均温度临界点分别是15～16℃、14～15℃、13～14℃,低于该温度时气温下降或高于该温度时气温上升,电力指标均呈非线性增加,与最不敏感的平均气温偏离越大,电力指标增加越快.     

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。     

西安市供暖期日燃气负荷预测方法

利用西安市2009年11月15日至2019年3月14日供暖期燃气负荷及气象观测逐日资料,分析西安市供暖期、节假日、双休日燃气负荷的变化规律,采用相关分析方法,筛选相关性显著的因子作为燃气负荷影响因子。在此基础上,采用多元线性回归分析方法,构建供暖期日燃气负荷预测模型,并对模型进行检验评估。结果表明:近10 a西安市供暖期燃气用量逐年增加,且日燃气负荷呈单峰型波动变化,峰值出现在1月。供暖期燃气负荷具有双休日、节假日效应,其燃气负荷明显低于工作日,且节假日越长影响越明显。供暖期燃气负荷与前一日燃气负荷呈显著正相关,而与最高气温、最低气温、平均气温及人体舒适度等气象因子呈显著负相关,分离基础燃气负荷后的供暖燃气负荷与上述气象因子的相关性明显提高。基于上述5个影响因子构建的供暖期日燃气负荷动态预测模型,经检验,平均相对误差为3.4%,且用气高峰期模型预测更稳定,相对误差为2.77%,能够满足天然气公司供暖期燃气调度需求。     

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.     

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。     

北京市夏季日最大电力负荷与气象因子的关系

利用2006—2013年北京市逐日15 min电力负荷资料及北京平原地区6个人工气象观测站(朝阳、海淀、丰台、石景山、观象台、昌平)的气象要素观测资料,分析北京市电力负荷时间和空间的变化特征及其夏季(6—8月)日最大电力负荷与各种气象因子的关系,采用剔除逐日最大电力负荷、历年夏季最大电力负荷极值及历年夏季最大电力负荷平均值的变化趋势项3种方法提取气象负荷并进行对比,进一步研究累积气象因子与夏季气象负荷的相关性。结果表明:2006—2013年北京电力负荷呈逐渐增长的趋势,电力负荷年变化和日变化均呈"双峰型"。北京全市及各区最大电力负荷多数出现在夏季,部分地区最大电力负荷出现在冬季(11月至翌年2月),朝阳和海淀地区夏季最大电力负荷明显高于其他地区。北京市夏季日最大电力负荷与闷热指数及平均气温的相关性最好;气象负荷与气象因子的相关性好于原始负荷,且剔除夏季日最大电力负荷平均值变化趋势项获得的气象负荷优于其他方法;当气象因子累积2 d时,夏季气象负荷对气象因子的变化最敏感。     

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。     

天津电力负荷特性及其与气象因子的关系

利用天津近30年来的逐年电力负荷数据以及2002-2005年逐时电力负荷资料,分析了天津电力负荷的变化特征,研究了电力负荷与气象因子的关系.结果表明:近30年来,天津电力负荷的长期趋势基本受当地GDP的影响,气温等气象因子的作用不明显;在季节和日尺度上,气温的影响十分显著,7、8月气温每上升1℃,气象负荷将增加120MW左右;除气温的影响外,夏季、初秋相对湿度对电力负荷的影响非常显著,此外,4月、6月、7月和12月还得考虑风的影响;一般来说,夏季最高气温在30℃以上,平均相对湿度大于65％时,才可能出现极端电力负荷.     

新疆农业区电力负荷与天气的关系

用2005--2006年新疆农业区电力负荷与气象资料,统计得出电力负荷的年、季变化与农事活动周期相符,电力负荷日变化的次高峰与日最高气温、最小相对湿度出现时间较一致.将逐月的日平均电力负荷及变化量分别与气压、气温、空气湿度、风速和降水量做相关分析,并将有无降雨日分段统计.结果表明,电力负荷与降水量、湿度和气温的变化关系较为密切.利用逐步回归方程将4种不同模式模拟的电力负荷进行了误差分析,发现要素差值模式的模拟效果较好,并对2007年5月的电力负荷进行了预测检验及误差分析,得出:在降雨日,用上一日负荷计划当日负荷的误差高达63.2%,而用要素差值模式预测电力负荷的误差为18.7%,月平均预测误差由前者的26.0%下降到13.4%.     

基于Apriori算法的城乡居民用电负荷与气象因子关系分析

文章利用2017年呼和浩特地区城乡居民用电负荷与同期气象资料,在分析用电负荷变化规律的基础上,采用Apriori算法挖掘电力负荷数据与气象因子间的关联规则,探究气象因子对电力负荷的影响程度。分析发现:呼和浩特城乡居民用电日内负荷特征是两峰两谷,周际存在明显工作与休息日差别,月际负荷高峰为7月和12月;通过解读关联规则发现电力负荷与气象因子关系密切,尤其是气温、地温变化直接影响负荷高低,气压、降水对负荷的影响较小。利用大数据关联技术对气象和电力数据进行数据挖掘和分析,区别于传统统计方法,拓宽了大数据应用的领域范围,可为相关领域提供理论指导及对供电服务提供决策辅助。