共查询到20条相似文献,搜索用时 296 毫秒
1.
2.
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。 相似文献
3.
4.
气象条件对电力负荷的影响分析 总被引:2,自引:0,他引:2
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. 相似文献
5.
北京夏季日最大电力负荷预报模型建立方法探讨 总被引:2,自引:1,他引:1
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。 相似文献
6.
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。 相似文献
7.
8.
9.
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。 相似文献
10.
《干旱气象》2021,39(4)
基于石家庄2017—2019年逐日最大电力负荷和同期气象资料,分析日最大电力负荷的变化规律,在分析日最大电力负荷变幅与气象因子及空气质量指数(AQI)的相关性基础上,采用逐步回归、多元线性回归和广义相加模型(GAM)分冬季和夏季建立日最大电力负荷变幅预报模型,将2019年冬季和夏季月资料作为预报效果独立检验样本。结果表明:2017—2019年石家庄日最大电力负荷存在明显增长趋势,电力负荷变幅和气象因子及AQI的相关性具有明显的季节性,冬季与日最大电力负荷变幅呈负相关的因子在夏季与日最大电力负荷变幅呈正相关,反之亦然;3种模型中,GAM模型的预报效果最好,且夏季预报效果好于冬季,在业务应用中,夏季可选取含AQI的GAM模型,冬季应选取不含AQI的GAM模型。 相似文献
11.
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。 相似文献
12.
利用2016—2018年武汉夏季(6—9月)逐15 min电力负荷以及同期逐日气象数据,分析最大电力负荷变化特征及与气象因子的相关关系。利用逐步回归和双隐含层BP神经网络算法,建立了武汉夏季最大电力负荷的预测模型。结果表明:平均温度、平均最高温度、平均最低温度与气象电力负荷存在显著的正相关,其次是日照时数。前1 d最大电力负荷与当日最大电力负荷的相关性最好,当日电力负荷对前1 d温度的平均和舒适度指数的变化最为敏感。以历史电力负荷和气象数据为联合预报因子,逐步回归和BP神经网络算法对武汉夏季最大电力负荷具有较好的模拟效果,尤其是对持续高温造成高位运行的最大负荷模拟。当敏感性在10%以内时,逐步回归算法中气象因子正的贡献要小于负的贡献,BP神经网络算法中气象因子正的贡献要高于负的贡献;当敏感性高于10%时,两种算法中气象因子均为正的贡献。 相似文献
13.
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。 相似文献
14.
《干旱气象》2017,(5)
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。 相似文献
15.
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. 相似文献
16.
气象应用于电力运行中的目的是减少损失和浪费,增加社会效益和经济效益。自德州电业局与气象局订立服务合同以后,气象服务为电力科学调度与合理生产提供了有效依据。德州电网负荷预测准确率大幅提高,年负荷预测准确率由96.76%提高到98.06%,提高了1.3个百分点(此结论由德州电力公司提供)。同时,某些气象因子达到一定量级后对电力运行的破坏也是显著的。本文重点就德州电业局电力调度中心提供的11年电力障碍资料,用相关分析法分析出雷电、大风≥17.0m/s及日降水量≥10.0mm风雨天气(此三种气象因子年出现日数之和用x表示并称之为气象综合因子)对电力运行造成的损害,从而得出电力障碍(y)与气象综合因子(x)之间的初步函数关系。 相似文献
17.
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。 相似文献
18.
利用武汉市2013—2018年逐15 min精细化电力负荷数据及武汉市日降水、气温等气象资料,统计分析电力负荷特征指标,探寻电力负荷的构成、变化规律及其与气象因子的关系。研究结果表明:(1)近年来武汉市电力负荷和日负荷峰谷差屡破新高,夏季高温持续时间和强度大小对空调负荷影响最为显著。电力负荷随季节变化呈现出明显的“双峰双谷”特征。(2)夏季电力负荷远高于其它三季,冬季次之。四季日变化特征总体呈现“昼高夜低”的分布。(3)工作日和双休日负荷明显高于节假日,工作日负荷略高于双休日,其中工作日的早高峰负荷最大,而双休日和节假日的晚高峰负荷最大。(4)气象因子对全社会用电量影响尤为重要。夏季气象敏感负荷与日平均气温的关系最密切,当平均气温高于初始敏感值和强敏感值时,电力负荷随气温上升增幅更加明显。(5)无论是否出现降水,夏季气象敏感负荷与日平均气温的关系都很密切。无降水天气,负荷与日平均气温相关性最高;有降水发生时,气象敏感负荷与日平均气温的相关性呈下降趋势,总体反映出降水影响气温、气温影响电力负荷的物理过程和机制。 相似文献
19.
20.
福州市夏季电力气象等级预测模型初探 总被引:2,自引:1,他引:2
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。 相似文献