杭州市燃气负荷与气象条件的响应关系及其预测模型

利用杭州市2008—2011年逐日燃气负荷和气象要素资料,分析了燃气负荷的变化规律及气象条件对燃气负荷的影响,在此基础上,利用Elman神经网络建立燃气负荷预测模型。结果表明,研究时段内,杭州市燃气负荷逐年显著增长且具有显著的季节变化特征,春节假日期间会出现明显的燃气负荷谷值,年燃气负荷峰值点通常出现在春节前1个月。平均气温与平均气压是影响燃气负荷波动最主要的气象因子,且均在冬季相关最显著。平均气温与燃气负荷在各个季节呈一致负相关,平均气压成正相关,燃气负荷对平均气温的响应敏感区间为6~15℃。在考虑春节假期影响的基础上,筛选相关气象因子,利用Elman神经网络建立杭州市冬半年燃气负荷预测模型。预测结果表明,一般情况下,模型精度较高,但当燃气负荷出现大的波动时,模拟结果呈现一定程度的滞后性。     

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。     

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。     

武汉市电力负荷特征及其与气象因子的关系

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。     

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。     

惠州城区供电量与气象要素的关系及其预测模型

基于惠州城区2015年11月—2018年10月逐日供电量、日最高负荷和同期气象观测资料,采用相关分析和回归分析等方法,分析了城区供电量变化特征及其与气象要素的关系,建立了基于气象要素的供电量预测模型。结果表明:惠州城区夏季平均供电量和日最高负荷最多、冬季最少,4个季节供电量有显著性差异(P<0.05)。日最高负荷出现主要在10:00—12:00,但冬季仍有21.2%的概率出现在18:00—19:00。气温、相对湿度和日照时数与供电量有显著的相关关系,但不同月份相关性不同。12月—次年3月日平均气温、日最高气温和日最低气温与供电量呈显著的负相关,4—9月气温与供电量呈显著的正相关。3—4月相对湿度和供电量呈显著的正相关,而5—8月呈显著的负相关。日照时数与供电量的关系和相对湿度与供电量呈相反的相关。最后建立了3—9月和12月—次年2月气象电量和总供电量预测模型。     

电网负荷特性分析与预测探讨

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。

     

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。     

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。     

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。     

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%。     

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。     

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。     

沪渝高速(三岔口大桥)路面温度特征及模型研究

利用沪渝高速公路恩施-宜昌路段恩施附近的三岔口大桥(海拔708 m)自动站监测2013年6—8月(夏季)及2013年12月至2014年2月(冬季)逐日逐时次气象要素资料,统计分析夏季、冬季路面温度与气温的变化特征及路面温度与气象因子的关系,基于逐步引入因子线性回归分析方法建立路面温度统计模型,并对模型的预报效果进行实验研究。结果表明:夏季路面最高温度受多种气象要素的影响,与日最高气温、日平均气温、前一日路面最高温度、前一日路面平均温度呈正相关,与相对湿度、24 h累计降水呈负相关。冬季路面最低温度与最低气温呈显著性相关。通过模型的效果实验,发现夏季路面最高温度用日最高气温、日最小相对湿度及前一天物理量建立的模型预报结果与实况的变化趋势最为接近;冬季路面最低温度用日最低气温、日最小相对湿度、日平均风速及前一天物理量建立的模型预报结果与实况的变化趋势最为接近。     

气象因子对夏季最大电力负荷的敏感性分析

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。     

长沙市API指数时空变化特征及气象条件影响

利用长沙站2007—2012年逐日空气污染指数(Air Pollution Index,API)资料,对逐日空气污染指数、逐日空气质量级别等变化的差异进行了研究,其中包括了长沙空气质量的月变化、季节变化和年变化等,并利用湖南省地面气候背景资料及长沙市地面逐日观测资料,包括日平均气压、日降水量、日最高最低气温等,分析了长沙的API指数变化与气象因子的关系。结果表明:1)长沙2007—2012年每年的首要污染物均为可吸入颗粒物(PM10),其中在秋、冬两季污染尤为严重,API指数每年10月份出现极大值,1月份出现次大值。2)2007—2012年,长沙轻度污染及以上天数有逐年减少的趋势。这可能与长沙市在该时段秋冬季降水偏多、春季连阴雨时间长及夏季气温高等因素有关。3)长沙市API指数与日平均气压呈显著正相关,与日平均、日最高、日最低气温及日平均风速均呈显著负相关。     

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。     

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。     

高速公路灾害性天气研究

:利用沪渝高速公路恩施-宜昌路段恩施附近的三岔口大桥(海拔708 m)自动站监测2013年6-8月(夏季)及2013年12月至2014年2月(冬季)逐日逐时次气象要素资料, 统计分析夏季、冬季路面温度与气温的变化特征及路面温度与气象因子的关系, 基于逐步引入因子线性回归分析方法建立路面温度统计模型, 并对模型的预报效果进行实验研究。结果表明:夏季路面最高温度受多种气象要素的影响, 与日最高气温、日平均气温、前一日路面最高温度、前一日路面平均温度呈正相关, 与相对湿度、24 h累计降水呈负相关。冬季路面最低温度与最低气温呈显著性相关。通过模型的效果实验, 发现夏季路面最高温度用日最高气温、日最小相对湿度及前一天物理量建立的模型预报结果与实况的变化趋势最为接近; 冬季路面最低温度用日最低气温、日最小相对湿度、日平均风速及前一天物理量建立的模型预报结果与实况的变化趋势最为接近。

     

盘锦市脑血管病气象敏感因子分析及其预报模型

应用盘锦市疾控中心2008年1月1日至2009年12月31日逐日脑血管病发病人数及同期逐日气象资料,采用相关分析、逐步回归等方法,分析了脑血管病与气象要素的关系,建立了逐日脑血管病发病趋势的气象预报模型。结果表明：各类气象要素与未来3 d脑血管病发病人数滑动平均具有较好的相关性;气象因子对脑血管病发病人数的影响存在着一种滞后效应和持续效应;脑血管病发病人数与当日最低气温、平均气温、最低气压、平均风速、湿度、最大气温日较差等气象要素相关显著;不同的季节影响脑血管病发病人数的敏感气象因子不同,且相关关系差异较大。逐日脑血管病发病趋势的气象预报模型预报检验效果较好。