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。     

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.     

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。     

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。     

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%。     

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。     

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。     

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。     

夏季湖北电网气象敏感负荷预测模型研究

利用2009-2010年湖北电网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,气象敏感负荷与气温、相对湿度及风速的综合气象敏感负荷条件指数相关.提出了基于权重指数的湖北省面平均气象敏感负荷条件指数的算法.利用相关比法,分析了湖北省气象敏感负荷与面均气象敏感负荷条件指数的非线性关系.基于均方偏差最小原理和非线性最小二乘法,建立了夏季湖北电网气象敏感负荷与面均气象敏感负荷条件指数的多项式预测关系模型.经2010年9月模型应用检验表明,预测平均误差低于6％.该模型可用于夏季湖北省电力专业气象服务工作.     

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...     

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%。     

影响光伏发电功率的气象因子分析及其预测检验

利用贵州省普安磨舍光伏电站2020年逐15 min的光伏发电功率、辐射资料与气象站资料，对光伏发电功率变化特征及影响光伏发电功率的气象因子进行分析，建立了光伏发电功率的预测模型，并利用CFSv2模式资料开展月内预测检验。结果表明：光伏电站发电功率呈现早晚低、中午高的单峰型日变化特征，其中春季发电功率值最大，夏季次之，冬季最小。影响光伏发电功率最关键的气象因子为总辐射和日照时数，其相关系数均在0.9以上。5种组合的线性回归预测模型检验结果显示，利用平均气温、最高气温、日较差建立的预测模型预测效果最好，而利用单一气象因子的预测效果最差。为增加光伏发电功率的预测准确率，可根据预测服务需求，并用延伸期模式资料开展光伏发电功率滚动订正预测。     

基于气象因子及机器学习回归算法的夏季空调负荷预测

气温、气压、相对湿度等气象因子对夏季用电负荷的影响非常显著。为了定量研究气象因子导致用电负荷的变化,本文将夏季用电负荷与当年4月及9月用电平均值之差定义为夏季空调负荷,并利用2014年1月到2016年12月南京市逐时气温、气压、相对湿度、水汽压、降雨量、风速、露点温度等气象资料,以及逐日逐时用电负荷数据资料,采用多元线性、K近邻法,决策树,bagging回归、随机森林等5种机器学习回归算法进行建模,并对其分别进行参数调优工作,进而得到空调负荷预测结果。结果表明:多元线性回归方法是5种回归算法里效果最差的一种,但通过增加特征量的种类和样本数,可以提高预测精度;随机森林回归算法是5种回归算法里效果最好的一种,较多元线性回归算法减小误差达44%,并且较好描述了空调负荷高值区的极端情况并减少了对于训练数据的过拟合现象。     

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。     

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。     

春玉米产量动态预报技术的改进方法探索

为及时、准确地进行玉米产量预报,为吉林省玉米产量预报业务提供参考依据,为政府调控提供科技支撑,利用吉林省19802016年春玉米产量和50个气象站逐日气温、降水量、日照时数等资料,基于相似距离和相关系数构建综合诊断指标筛选气温、降水量、日照时数等各类气象要素历史相似年,根据各类气象要素历史相似年与预报年的玉米产量丰歉气象影响指数之间的关系,建立吉林省春玉米产量动态预报模型。同时,对历史相似年的筛选方法进行改进,利用欧氏距离直接筛选综合气候历史相似年,根据气候历史相似年与预报年的玉米产量丰歉气象影响指数之间的关系,构建春玉米产量预报模型。对比改进前、后的产量预报模型的预报,结果表明:两种方法在吉林省玉米单产预报中,预报准确率均较高,普遍在85%以上。产量预报模型对20022013年的预报检验结果表明,改进方法后20022013年单产预报平均准确率提高了3.9个百分点,均方根误差降低了4个百分点,标准差降低了2。对20142016年的预报检验结果表明,改进方法的玉米产量预报结果优于传统方法的预报结果。改进方法比传统方法准确率更高,稳定性更强,应用价值更高。     

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。     

春灌期气象条件对河北南网日用电负荷峰值的影响

采用2007-2010年河北省南部电网日用电负荷峰值数据和逐日气象观测资料,分析了河北省南部电网日用电负荷峰值的年分布特征和春灌期逐日变化特征。结果表明：河北南网日用电负荷峰值全年呈现出“三高峰,两低谷”的特征,高峰分别对应河北省春灌、夏季高温和冬季采暖前后,低谷出现在春节和国庆假期。冬小麦的返青水和棉花白地浇灌对用电负荷影响显著。区域性强风和降雨会造成用电负荷峰值明显下降。将春灌期日用电负荷峰值的变化幅度进行等级划分。运用相关分析法和多元回归方法,分析了春灌期日用电负荷峰值变化幅度与气象因子的相关关系,建立了基于气象条件的河北南网全区日用电负荷峰值变化幅度的预报模型,经检验,该模型在日常电力调度业务中具有一定的应用价值。