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。     

呼吸道和心脑血管疾病与气象条件的关系及其预报模型

对武汉市4家大医院1994－1998年呼吸道、心脑血管疾病的逐日发病人数与同期气象因子进行了相关分析。结果表明：呼吸道及心脑血管疾病的发病与气温、气压、湿度有着密切的关系，但同一个因子对不同疾病甚至同一类不同种病的作用不尽相同，即使同一个因子对同一种病在不同季节其影响也不完全相同。在相关分析的基础上，运用逐步回归方法建立了春夏秋冬8种疾病的逐日预报模型，并进行了合理的等级划分，经回代和预报检验，预报模式具有较好的预报能力。     

孝感市城区空气污染气象条件预报模型

使用空气污染潜势指数概念和箱体模式，开发并建立了一套孝感市城区空气污染气象条件预报模型，并用Visua1 Basic 6.0语言编写出相应的自动预报系统，实现了空气污染潜势的自动预报。其实际应用检验结果表明，全年空气污染潜势预报值评分为83．00分，春、夏、秋、冬四季的评分分别为77．65分、89．23分、76．32分和90．37分。     

京津冀气象条件对学龄前儿童流感的影响及预报方法研究

基于2014—2016年京津冀地区学龄前儿童流感发病人数和气象观测数据,研究了学龄前儿童流感发病与单个气象要素以及综合气象条件的关系,结果表明:该地区学龄前儿童流感发病人数与一周以内的气温、相对湿度、气压和综合气象条件指标—大气环境人体感知度（BPWI）存在显著线性相关。大气环境人体感知度与学龄前儿童流感具有更稳定的暴露-反应关系:当BPWI≤?11或0≤BPWI<10 时,随着BPWI减小,流感发病风险增大。气压是另一个显著影响流感发病的气象要素:当本站气压>905 hPa,随着气压的升高,流感发病人数增多;当本站气压达到1007 hPa时,流感发病风险达到峰值。在厘清暴露-反应关系的基础上,采用机器学习方法进行预报建模,发现超前3天的BPWI对流感发病人数贡献最大。通过历史回报检验,得到了较好的学龄前儿童流感发病回报效果,为流感的分类人群干预提供了预报依据和科学参考。      

潍坊市脑中风疾病与气象条件的关系及预报

利用 1 996～ 2 0 0 0年潍坊市人民医院脑中风病例资料和本地同期的温度、气压资料 ,对脑中风与气象条件的关系进行了相关分析 ,总结了潍坊市脑中风发病人数的季节变化规律 ,并利用多元回归方法建立了本地逐旬脑中风发病人数的预报模型     

郑州市麦蚜发生气象条件分析及预报研究

以郑州市1998-2009年的麦蚜发生情况、气象观测资料为依据,结合麦蚜自身生物学特性,分析了郑州地区麦蚜发生特点和规律及其与光、温、水等环境气象条件之间的关系,并利用相关系数法进行因子普查,筛选出影响郑州市麦蚜发生和流行的主要地面气象因子为1月上旬平均气温、2月上旬降水、5月下旬日照和5月温雨系数。据此,利用当年上述地面气象因子预报值,建立了年度预报模型。模型历史拟合准确率为95.0%,对2010和2011年郑州市麦蚜发生程度的预报精度分别为92.2%和90.0%。     

郑州市麦蚜发生气象条件分析及预报研究

以郑州市1998—2009年的麦蚜发生情况、气象观测资料为依据, 结合麦蚜自身生物学特性,分析了郑州地区麦蚜发生特点和规律及其与光、温、水等环境气象条件之间的关系,并利用相关系数法进行因子普查,筛选出影响郑州市麦蚜发生和流行的主要地面气象因子为1月上旬平均气温、2月上旬降水量、5月下旬日照时数和5月温雨系数。据此,利用当年上述地面气象因子预报值,建立了年度预报模型。模型历史拟合准确率为95.0%,对2010和2011年郑州市麦蚜发生程度的预报精度分别为92.2%和90.0%。     

作物病虫害与气象条件的关系及病虫气象条件预报

分析了作物病虫害的发生发展与大尺度气候背景及小尺度气象要素之间的关系,并简单介绍了作物病虫害气象条件预报业务的分类、分级、预报方法,以及病虫害气象条件预报业务存在的几个问题.     

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。     

南京市电力负荷特征及夏季极端负荷与气象条件关系

基于南京地区2014-2016年逐日电力负荷资料,采用谐波分析、功率谱等方法分析该地区电力负荷的变化规律及其与自然周的关系,并对极端电力负荷日中离差曲线型与气温、湿度等气象要素及环流形势的关系进行分析。结果表明:南京地区电力负荷的季节变化呈双峰型;在季节内(月际)尺度上,存在30d周期;在月内尺度上,存在7d周期且与自然周同步。夏季极端负荷日离差曲线主要存在3种类型:典型双峰型(Ⅰ)、单峰型(Ⅱ)、非典型双峰型(Ⅲ)。Ⅰ型和Ⅲ型与气温和炎热指数均呈显著正相关,而3种类型都与相对湿度呈显著负相关。Ⅰ型对应环流场上副高持续控制南京地区,冷空气活动偏弱,气温日变化小;Ⅱ型对应冷空气活动频繁,副高具有东西摆动特征,南京常出现阵雨或雷阵雨天气;Ⅲ型对应的副高强度弱于Ⅰ型,冷空气强度弱于Ⅱ型。采用逐步回归方法建立极端负荷日的预测模型,3种型的平均相对误差分别为6.4%、5.6%和5.3%,较好地对极端电力负荷进行了定量预报。     

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。     

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。     

基于气象因子的华中电网负荷预测方法研究

在分析各种节假日负荷变化规律的基础上, 利用气象因子作预报变量, 使用动态的综合线性回归和自回归相结合的混合线性回归方法及非线性的人工神经网络方法来进行华中电网日负荷和日最大负荷及日最小负荷的预测。对12个月共365天的独立样本试预报表明, 该客观方案对华中电网负荷的预测精度可满足业务调度的需要。     

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.     

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%。     

乌鲁木齐城市环境气象综合预报业务系统

介绍了《城市环境气象综合预报业务系统》的设计思路、业务流程、环境预报中各种指数的预报原理和系统的主要功能，同时列举使用该系统后预报质量的变化情况。     

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。     

冬、夏季风转换期间南海南部海区的气象特征

南海南部海区冬、夏季风转换时段主要的天气系统有副热带高压和热带辐合带；冬、夏季风转换的集中时段是5月上旬；气温和海水表层温度最高值时段是5月下旬；各气象要素连续变化规律与冬季风北退和夏季风逐步盛行的阶段性变化较明显；平均日变化幅度小，海水表层温度和气温日变化最高值与最低值时次差异相反，正午时段的气温又比海水表层温度值高。