天津地区用电量与气温的非线性响应关系研究

利用门限回归模型和非线性滑动回归模型,分析天津市2014—2019年日用电量和气温之间的非线性关系,并计算得到不同响应关系下的阈值气温.结果表明:天津地区的阈值气温在不同响应关系下存在明显差异,在"V"型非线性响应关系下,阈值气温为18.8℃,在"U"型响应关系下,线性不对称模型的舒适区范围为12.3—23.4℃,非线...     

基于气象因子的南京市冬季和夏季用电量预测研究

基于2014—2016年南京市常规气象逐时观测数据、逐日用电量和逐时用电负荷数据,分析南京市用电量变化及其与气象因子的关系。结果表明：南京市用电量7—8月、12月至翌年1月为两个峰值,4月和10月为两个谷值,年变化明显。四季均呈现显著“周末效应”。用电负荷一天内有两个峰值,分别出现在10时和20时;两个谷值,一个谷值冬夏季在04时,另一谷值冬季在14时,夏季在18时。南京市用电量与气象条件的变化密切相关,气象因子与用电量的关系在不同月份有所不同,如夏(秋、冬)季气温日较差越大(小),用电量越大;7月、8月(10月至翌年3月)气温越高(低),用电量越大;冬季用电量受气象要素的影响程度总体低于夏季。冬季用电量主要受气温制约;夏季用电量受气象要素的影响更为复杂,除了气温,还需综合考虑水汽、日照等因子。利用逐步回归法,建立冬、夏季逐月日用电量气象预测方程,方程中入选气象因子的存在明显的月际差异。不同月份分别针对性地考量入选气象因子的预报值,做出用电量预估,可为电力调度提供参考。     

气象因子对西安城市用电量的影响研究及中长期系统化预测

城市用电量预测是电力及相关经济部门开展电力供需形势分析的重要依据。本文选取2004—2014年西安市用电量月度数据和气象数据,建立用电量预测的计量经济模型,在此基础上建立西安市用电量业务化系统,初步应用于西安市未来用电量预测。结果表明,气温与西安市用电量之间表现为稳健的正U型非线性关系;西安市用电量需求高峰主要在冬季,但由于春节等因素,工业用电量在2月大幅减少,居民用电量却显著增加;模型对全社会用电量拟合准确,对未来用电量预测准确率高,具有开展中长期预测的适用能力;通过建立西安城市用电量气象业务系统,将未来天气预报或气候预测结果带入业务系统中,可滚动预测未来12个月可能耗电量,可为调节电力分配提供科学参考,提升电力供应的调度管理水平。     

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。     

基于3种模型的石家庄日最大电力负荷变幅预报效果分析

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...     

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。     

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。     

基于气象因子的赣南脐橙采摘期预测

利用赣州南部龙南县2011—2017年和北部宁都县2008—2017年的脐橙生育期观测资料与气象资料,采用相关普查的方法筛选影响脐橙采摘的关键气象因子,利用逐步回归方法构建模型,对赣南脐橙采摘期进行预测。结果表明:积温、降水量、最低气温和日照是影响脐橙采摘期的主要气象因素,其中积温的影响最大;开花盛期至9月底的积温、7—9月日照时数和开花盛期至9月底的积温、7月平均最低气温,分别是影响赣州南部、北部脐橙采摘期的主要气象因子。南部和北部的模型预测的平均绝对误差分别为2.8 d和4.4 d,试报误差为0—1 d。     

北京城市浓雾特征及其与交通预报服务的关系

利用2006-2016年杭金衢高速公路交通事故资料和周边气象观测站点资料,统计分析了杭金衢高速公路交通事故分布特征及与气象条件的相关关系,并考虑交通事故量的自相关性,构建了交通事故指数气象预报模型。结果表明：（1）降雨天气下公路交通事故发生最多,而降雪天气下最易导致交通事故发生。（2）冬季是气象因子对交通事故影响最为显著的季节,气温、相对湿度、降雨、风速、能见度均与事故指数显著相关。秋季气象因子的影响较小,仅有降雨因子与事故指数呈显著正相关。（3）基于不同季节的主要气象影响因子,分别建立了日事故指数预报模型,经检验,冬季事故指数预报值和实际值拟合度最好,且模型对中等及以上风险的事故指数预报效果较好,中、高风险等级的事故指数预报准确率分别达66.1%和50.3%,具有较好的业务应用价值。

     

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%。     

南京市呼吸道疾病时间序列模型的建立与分析

利用1990～2000年南京市支气管哮喘与感冒逐月就诊人数病例资料和同期国家气象中心资料室的月平均压、温、湿等资料,讨论了2种疾病发病人数的月际和年际变化规律,分别建立了包含气象因子的预报2种疾病逐月就诊人数的条件异方差和动态回归模型。南京地区支气管哮喘就诊人数高峰期出现在春末与秋季,逐年的就诊人数呈现上升趋势,其发病与当月月平均气压、上一个月月平均温度有关。感冒就诊人数高峰期出现在夏秋季,其发病与月平均最低温度和月极端最低温度有关。将模型应用于2种疾病逐月就诊人数的等级预报中,其预报等级准确率分别达75．0％和66．7％,表明此建模方案是可行的,此类模型有一定的使用价值。     

基于影像资料的鸭梨开花物候期与气象影响因子关系初探

利用2017年3月8日到4月8日鸭梨花芽发育观测照片对照同期气象资料,分析鸭梨花芽萌发后气象要素对鸭梨花芽发育物候期的影响。结果表明：气温和地温自始至终主导鸭梨花芽发育进度,开绽、露蕾、露冠和始花关键物候期需要满足较好的天气条件和适宜积温,物候期转变时都有10℃以上的温暖天气相对应;风速、日照、降雨等气象要素对鸭梨花芽发育影响程度,在花芽萌发到开绽、开绽到始花和花期三个阶段,其影响程度、利弊各不相同。本文试图通过对鸭梨花芽发育过程各生育期气象影响因子初步分析,为探讨符合鸭梨物候发育规律的花期预报方法,提供新的研究思路。     

日气温数据缺测的插补方法试验与误差分析

对缺测气象观测记录进行插补是建立连续气象数据集的基础.将孤立1日或数日缺测资料进行插补的线性回归模型法应用于连续缺测数月的逐日最高、最低和平均气温的插补,并进行了一系列改进,包括:(1)用滑动选优法确定邻近参考气象站站数和数据样本时间窗的最佳值;(2)在记录缺测站与邻近参考站之间建立逐日气温的线性回归模型,并选取以最小绝对误差(Least Absolute Deviation,LAD)为目标函数求取模型参数的方法,取代以最小均方根误差为目标函数的最小二乘法(Least Squares Estimate,LAD)求解模型参数的方法,可提高计算效率和参数的稳定性;(3)进一步提出将LAD法与DeGaetano标准化序列法插补结果平均的综合插补方法,以减少极端误差.通过对湖北蔡甸气象站1961-2006年插补试验表明:(1)以4个邻近站和年数为8年、日数为15天时间窗的样本资料建模进行插补误差达到最小;(2)逐日最高、最低和平均气温的平均绝对误差分别为0.32℃、0.45℃、0.28℃,误差在±0.8℃以内的频次分别占总数的94.1%、84.8%、96.1%,观测值与插补值月相关系数在0.886以上.插补与观测资料平均值和相关系数分别通过了显著水平为0.05和0.01的检验.