氣象環境對電網負荷的影響因素分析

彭　堃，陳星鶯，李　斌，廖迎晨，余　昆

（1.河海大學能源與電氣學院，南京　211100；2.江蘇省電力公司，南京　210019；3.江蘇省配用電與能效工程技術研究中心，南京　211100）

?

氣象環境對電網負荷的影響因素分析

彭堃1，陳星鶯1，李斌2，廖迎晨3，余昆3

（1.河海大學能源與電氣學院，南京211100；2.江蘇省電力公司，南京210019；3.江蘇省配用電與能效工程技術研究中心，南京211100）

摘要：針對地區電網負荷易受多種氣象因素影響，負荷預測中存在諸多不確定性問題，研究了氣象因素對電網負荷的影響，最大程度減少由氣象因素造成的負荷預測偏差。應用灰色關聯度分析方法，基于大量歷史數據，剖析氣溫、濕度、風速等氣象因素與負荷特性變化的關聯度，得到對負荷變化產生主要影響的氣象因素。在此基礎上，為了量化分析主要氣象因素對負荷影響的程度，采用支持向量回歸的方法得出日特征氣象因素、實時氣象因素對負荷變化的的靈敏度模型。同時，考慮到氣溫的累積效應對負荷特性變化的重要影響，研究氣溫累積效應對負荷的影響規律，得到氣溫累積效應修正公式，并用實例證明對歷史數據經累積效應修正公式進行修正后，修正數據能夠切實提高負荷預測的準確性。

關鍵詞：負荷特性；氣象因素；氣溫累積效應；靈敏度分析；灰色關聯度

電網負荷預測和負荷特性分析是電力管理部門的重要工作，是電力規劃和運行控制的基礎，為堅強智能電網的建設提供保障，直接關系到電網運行的經濟效益和社會效益。電力負荷特性受到多種隨機因素的影響，具有一定的不確定性，氣象因素對電力負荷的影響尤為顯著。基于對大量歷史數據的分析，找到數據中包含的潛在的關聯性，歸納出氣象環境對電網負荷的影響規律，以盡可能的在負荷預測時計及氣象因素等不確定因素的影響，對準確預測電網負荷變化具有重要意義。

文獻［1］—文獻［3］通過對歷史數據進行分析，通過關聯分析和回歸分析分別建立了夏季氣象敏感負荷與氣溫、濕度、風速等氣象因素的關系模型。但由于僅考慮了日特征氣象因素，未對日內氣象因素對負荷變化的影響進行研究，無法得到更加精細化的分析結果。文獻［4］采用經驗模式分解方法，將目標負荷序列分解為若干個獨立的構成分量，通過各分量與各影響因素的相關分析，深入挖掘各因素對各分量的影響情況。但僅定性的歸納出負荷的構成成分，并描述了各成分的特性，并未對氣象因素對負荷的影響程度進行量化分析。文獻［5］在對實時氣象因素、日特征氣象因素與氣象敏感負荷相關性分析的基礎上，重點把握某些氣象因素與氣象敏感負荷之間的聯系，通過合理選擇神經網絡的輸入變量，實現了基于實時氣象因素的短期負荷預測，但是該方法只考慮到待預測時段氣溫對負荷的影響，沒有考慮到氣溫累積效應的影響，所建模型對高溫負荷的預測能力不足。文獻［6］剖析了夏季氣溫與負荷之間的相關性，討論了熱累積效應對負荷的影響，提出了基于模糊理論的氣溫熱累積效應與負荷的關系模型及處理方法。但并未給出準確的修正公式，對數據處理的可操作性較差。

本文首先采用灰色關聯度分析法，針對氣溫、濕度、風速等氣象因素對負荷變化的影響進行分析，找到對負荷變化產生的主要影響的氣象因素，在此基礎上，為定量分析各氣象因素在不同區間內對負荷特性的影響，通過支持向量回歸的方法得到日特征氣象因素及實時氣象因素對負荷變化的靈敏度變化曲線，對短期負荷預測及負荷精細化控制具有一定的指導意義。同時，考慮到氣象因素中氣溫的累積效應，通過研究累積效應對負荷影響的規律，最終得到氣溫累積效應修正公式，對負荷預測所采用的歷史數據進行修正，為建立計及氣溫累積效應的預測模型提供理論基礎，切實提高負荷預測的準確性。

1　氣象因素與負荷特性曲線的關聯度分析

1.1灰色關聯度分析方法

鄧聚龍教授在1982年創立了灰色系統理論，而灰色關聯度分析方法則是灰色系統理論的重要組成部分［9］。灰色關聯分析自創立以來，已大量應用于聚類、決策、評估、模式識別、指標權重確定等方面［10—12］。關聯度是事物或因素之間關聯性的量度，通過從序列中找到關聯性，為因素分析、預測的精度提供依據，為主要因素的判斷提供依據。本文采用灰色關聯分析方法，在具有灰色特性的電力負荷預測系統中，分析各氣象因素對電力負荷變化的影響，有助于對影響因素的大小進行量化，使之能夠更為準確的對電力系統負荷進行預測。

下面給出灰色關聯分析方法的分析步驟。

首先，確定系統特性序列以及系統相關影響因素序列。系統特性序列X0為本文所要研究的主行為因素，即電力系統負荷特性序列；相關影響因素序列Xi為本文所關注的對電力系統負荷產生影響的氣象因素序列，包括氣溫、濕度、風速等。X0、Xi均按照時間序列形式進行表示

X0=(x0(1)，x0(2)，…，x0(k)，…，x0(n))

Xi=(xi(1)，xi(2)，…，xi(k)，…，xi(n))

其中：k=1，2，…，n，n為樣本的時間點數；i=1，2，…，m，m為影響因素的數量。

其次，根據建立好的研究對象及影響因素序列，求影響因素同研究對象之間的灰色關聯度。

（1）將各序列進行標幺化，得到標幺化后的時間序列Xi＇。

式中：i=0，1，2，…，m。

（2）建立差序列Δi。

式中：i=1，2，…，m。

（3）求兩極最大差M與兩極最小差m。

（4）求Xi與X0的關聯度。

最后，分析各影響因素與負荷之間的關聯度。根據上面的公式求出系統特性序列X0與各相關影響因素序列Xi的大小，關聯度的大小表示此相關影響因素序列對系統特性序列影響的大小。

1.2氣象因素與負荷特性曲線的關聯度分析

氣溫影響方面，本文選取日最高氣溫、最低氣溫和平均氣溫與最大負荷進行灰色關聯分析，在表1中Tmax-Lmax、Tmin-Lmax、Tavg-Lmax分別表示日最高氣溫、最低氣溫、平均氣溫與最大負荷的關聯度。

表1　2013年A地區氣溫與負荷的關聯度分析

從表1可以看出，日平均氣溫與日最大負荷的相關系數最大，也即說明日平均氣溫對最大負荷的影響最大，因此，日平均氣溫是影響日最大負荷的主要因素。

濕度影響方面，選取日最大濕度、最小濕度和平均濕度與日最大負荷進行灰色關聯分析，表2中Hmax-Lmax、Hmin-Lmax、Havg-Lmax分別表示最大濕度、最小濕度和平均濕度與日最大負荷的關聯度。

表2　2013年A地區大氣濕度與負荷相關性分析

從表2可以看出，日最大濕度與日最大負荷的關聯度均為最大，也即說明日最大濕度曲線對最大負荷曲線最為相似。由以上分析可確定日最大濕度為影響負荷的重要因素。

風速影響方面，選取日最大風速、最小風速和平均風速與日最大負荷進行灰色關聯分析，表3中Wmax-Lmax、Wmin-Lmax、Wavg-Lmax分別表示最大風速、最小風速和平均風速與日最大負荷的關聯度。

表3　2013年A地區風速與負荷關聯度分析

由表3可以看出，日平均風速與日最大氣象負荷的關聯度最大，說明日平均風速對日最大氣象負荷的影響最大。

2　日特征氣象因素對負荷變化的影響分析

上文分析得到了夏季電網負荷與各主要影響電網負荷的氣象因素的關聯度。為了更為直觀的得到單位影響因數變化引起的負荷變化量，本節研究日特征氣象因素對電力負荷影響的靈敏度進行分析。

2.1大氣氣溫與電網負荷之間的關系

建立電網負荷與日平均氣溫的散點圖，并采用支持向量回歸［12］的方法對其進行回歸擬合，得到電網負荷隨氣溫變化的靈敏度曲線圖，如圖1所示。由圖1可見，氣溫與氣象負荷的擬合關系較好，呈現明顯的上升趨勢。

圖1　氣溫對電網夏季負荷變化的靈敏度擬合曲線

靈敏度分析結果如表4所示，其中的靈敏度值是通過計算單位氣溫的變化導致電網負荷的變化值而得出的。從表4中可以看出，在環境氣溫較低時，電網負荷對氣溫變化的靈敏度較低，隨著氣溫的升高，電網負荷變化對氣溫變化的靈敏度逐漸加強，但當氣溫達到較高階段時，負荷的變化幅度逐漸減小，這是由于在氣溫達到一定階段后，空調負荷大部分開啟，因此當氣溫繼續升高后，負荷增加量較小。

表4　氣溫對電網夏季負荷變化的靈敏度

2.2大氣濕度與電網負荷之間的關系

同樣的，采用支持向量回歸的方法對電網負荷與日最大濕度的散點圖進行回歸擬合，得到電網負荷隨濕度變化的靈敏度曲線圖，如圖2所示。由圖2可見，隨著濕度的增大，電網負荷呈現明顯的下降趨勢。

圖2　濕度對電網夏季負荷變化的靈敏度擬合曲線

電網負荷隨濕度變化的靈敏度如表5所示，其中的靈敏度值是通過計算單位濕度的變化導致電網負荷的變化值而得出的。當相對濕度處于40%～66%范圍內時，為負荷隨濕度變化的弱敏感區。電網負荷對濕度變化的靈敏度較低，隨著濕度的增加，負荷的改變量不是很大。當濕度達到70%以上時，為負荷隨濕度變化的強敏感區。隨著濕度增大，負荷量隨之顯著減小，電網負荷隨濕度變化的靈敏度快速升高，這是由于此時空氣中濕度較大，大氣中產生了降水等情況，使人體對環境的舒適度提高，減少了空調等降溫負荷的使用。

表5　濕度對電網夏季負荷變化的靈敏度

3　實時氣象因素對負荷變化的影響分析

上文分析了日特征氣象因素對負荷變化的影響。由于各種氣象因素都是實時變化的，為了更加精確研究氣象因素對負荷的影響，以更好的為日內負荷預測提供指導，下面分析實時氣象因素對負荷變化的影響。

根據2012—2013年A地區電網日內24點負荷數據及日內24點氣溫、濕度數據，建立日內負荷與實時氣象因素的散點圖。同樣的，采用支持向量回歸的方法，分別得到各時刻的負荷值隨實時氣溫、濕度變化的靈敏度曲線圖。受篇幅限制，僅列出日內6個時刻負荷隨實時氣象因素變化的曲線圖。

日內各時刻負荷量隨氣溫變化的曲線如圖3所示。從圖3中可以看出，負荷與實時氣溫的變化呈現典型的非線性正相關關系，各時刻負荷量均隨氣溫的升高而增加。通過比較各時刻的負荷隨氣溫變化的靈敏度曲線圖可知，各時刻負荷對氣溫的變化均存在弱敏感區和強敏感區，且這2個區間的邊界劃分在各時刻下不盡相同。如：9：00時負荷隨氣溫變化的弱敏感區為22℃～25℃，強敏感區為26℃～30℃；而在13：00時，負荷隨氣溫變化的弱敏感區為24℃～28℃，強敏感區為29℃～34℃。

圖3　負荷隨實時氣溫變化的曲線圖

日內各時刻負荷量隨濕度變化的曲線如圖4所示。從圖4中可以看出，負荷與實時濕度的變化呈現典型的非線性負相關關系，在濕度為40%～90%的敏感區內，負荷隨實時濕度的變化顯著，各時刻負荷量均隨濕度的升高而減少。

圖4　負荷隨實時濕度變化的曲線圖

在建立了日內電網負荷隨實時氣象因素變化的靈敏度曲線后，接下來以典型日的實例來說明其對日內負荷預測的指導作用。選取2014年7月13日作為典型日，當日實時氣溫、濕度數據如圖5所示。

基于建立的各時刻負荷隨實時氣象因素變化的靈敏度曲線模型，根據典型日各時刻實時溫濕度值對應得到日內各時刻的負荷，繪制出典型日的日內負荷擬合曲線，并與典型日的實際日內負荷曲線相比較，結果如圖6所示。

圖5　典型日氣溫及濕度變化曲線

圖6　典型日擬合曲線和實際負荷曲線對比及相對誤差圖

由圖6可以看出，擬合曲線與實際負荷曲線的擬合度較好。計算各點相對誤差后，相對誤差值均控制在0.09以內，日內平均絕對相對誤差等于2.5%，精度較高，說明利用建立的各時刻負荷量隨實時氣象因素變化的靈敏度曲線模型來擬合負荷曲線對日內負荷預測具有很好的指導意義。

4　考慮累積效應的氣溫對電網負荷的影響

4.1氣溫累積效應對負荷的影響

單一的考慮由氣溫引起的負荷變化還不能夠準確的預測未來電網負荷的變化。由于人體對環境變化的感知存在慣性，使得由環境改變而引起的負荷變化具有一定的滯后性。在外界環境持續高溫的情況下，由于氣溫的累積效應，會造成降溫負荷持續增加。

待預測日之前的高溫時段的持續時間、高溫時段持續時間內的各日最高氣溫，以及待預測日當天的最高氣溫是影響氣溫累積效應的重要因素。

以A地區為例，2013年7月20日至23日的氣溫與負荷數據如表6所示。在這連續的幾天中，日最高氣溫的波動性很小，但用電負荷卻持續增加。因此，負荷特性分析與負荷預測中應考慮氣溫的累積效應。

表6　累積效應示例

由上文分析得出，氣溫對負荷的影響在各氣溫區間的靈敏度不同，分為敏感區和不敏感區，因此，不同氣溫區間的氣溫累積效應的強度不相同。

高溫持續時間對氣溫累積效應的強度有一定的影響，一般認為，高溫持續3天以上時，氣溫累積效應的強度對高溫持續時間將不再敏感。

4.2氣溫累積效應修正公式

考慮氣溫累積效應，就是要利用前幾日的氣溫進行加權來修正待修正日的氣溫，氣溫修正公式為

式中：Ti＇為氣溫累積效應后的待修正日的最高氣溫修正值；kj為權重，即待修正日的前j日的氣溫對待修正日的影響權重大小；q為氣溫累積效應的有效天數。

基于對歷史數據的分析，累積效應系數kj的求解方案如下。

（1）根據待修正日的最高氣溫，對kj進行離散處理。離散化處理見表7所示。

表7　累積系數kj的離散化

（2）利用歷史負荷和氣溫數據進行曲線擬合，建立擬合函數L=f(T)。將公式（7）代入L=f(T)中，形成Li=f(k0，n，k1，n，…，kj，n，…，kq，n)。

（3）使用最小二乘法求解累積系數kj，n。

通過對A地區2013年6—8月的日最高氣溫與電網負荷數據進行分析，計算得到累積系數kj的結果如表8所示。

表8　各氣溫區間kj的值

以A地區2013年7月的氣溫及電網負荷數據為例，將計算得到的表8中的數據代入公式（7）中，對日最高氣溫進行修正，利用修正過后的日最高氣溫與日最大負荷進行灰色關聯分析，求取灰色關聯系數rc，與前面求得的關聯度r進行對比，結果如表9所示。

表9　日最高氣溫修正前后關聯度對比

從結果可以看出，基于計算得到的累積系數對氣溫數據進行修正，日最高氣溫與電網負荷量的關聯度得到了明顯的提高，說明考慮氣溫的累積效應后所得到的修正氣溫能夠更精確的對負荷數據進行預測，提高負荷預測的準確性。

5　結束語

電網負荷變化受到多種氣象因素綜合作用，由于目前氣溫敏感負荷在總負荷中所占的比例越來越大，氣象因素對負荷的影響能力也逐漸加強，因此，深入分析氣象因素與負荷之間的關系對于提高預測準確性具有十分重要的意義。

本文在分析了各氣象因素與負荷變化之間的關聯度的基礎上，得到影響負荷變化的主導氣象因素，并利用支持向量回歸的方法，構建了日特征氣象因素及實時氣象因素對負荷變化的靈敏度模型，并對氣溫累積效應對負荷的影響規律進行了歸納，得到了氣溫累積效應修正公式，并以實例證明了采用本文得到的氣溫修正公式對氣溫數據進行修正，能夠在一定程度上提高負荷預測所需歷史數據的有效性，進而提高預測的準確性。

參考文獻：

［1］方鴿飛，胡長洪，鄭奕輝，等.考慮夏季氣象因素的短期負荷預測方法研究［J］.電力系統保護與控制，2010，38 （22）：100-104.

［2］杜彥巍，林莉，牟道槐，等.綜合氣象指數對電力負荷的影響分析［J］.重慶大學學報（自然科學版），2006，29 （12）：56-60.

［3］周暉，鈕文潔，劉萬添，等.關于夏季單位溫升負荷效應回歸模型的研究［J］.電網技術，2003，27（3）：46-49.

［4］牛東曉，李媛媛，乞建勛，等.基于經驗模式分解與因素影響的負荷分析方法［J］.中國電機工程學報，2008，28 （16）：96-102.

［5］劉旭，羅滇生，姚建剛，等.基于負荷分解和實時氣象因素的短期負荷預測［J］.電網技術，2009，33（12）：94-100.

［6］張凱，姚建剛，李偉，等.負荷預測中的氣溫熱累積效應分析模型及處理方法［J］.電網技術，2008，32（4）：67-71.

［7］陳根永，史敬天，毛曉波，等.考慮氣溫積累效應的短期電力負荷預測方法研究［J］.電力系統保護與控制，2009，37（16）：24-28.

［8］劉思峰，黨耀國，方志耕，等.灰色系統理論及其應用［M］.北京：科學出版社，2004.

［9］鄧聚龍.灰色系統基本方法［M］.武漢：華中理工大學出版社，1988.

［10］朱振偉.氣象因素對電網負荷特性影響的研究［D］.杭州：浙江大學，2008.

［11］Men S T，Fu Y H. App1ication of Grey Corre1ation Ana1ysis in Evo1utionary Programming for Distribution System Feeder Reconfiguration［J］. IEEE Transactions on Power Systems，2010，25（2）：1 126-1 133.

［12］Kha1id M，Savkin A V. C1osure to discussion on“A method for short-term wind power prediction with mu1tip1e observation points”［J］. IEEE Transactions on Power Systems，2013，28（2）：1 898-1 899.

［13］Marinopou1os A G，A1exiadis M C，Dokopou1os P S，et a1. A Corre1ation Index to Eva1uate Impact of PV Insta11ation on Jou1e Losses［J］. IEEE Transactions on Power Systems，2011，26（3）：1 564-1 572.

［14］Young M W，Sung K J，Kyung B S，et a1. Ho1iday Loa

Forecasting Using Fuzzy Po1ynomia1 Regression With Weather Feature Se1ection and Adjustment［J］. IEEE Transactions on Power Systems，2012，27（2）：596-603.

Ana1ysis of the impact factors of meteoro1ogica1 environment on power 1oad

PENG Kun1，CHEN Xing-ying1，LI Bin2，LIAO Ying-chen3，YU Kun3
（1. Co11ege of Energy and E1ectrica1 Engineering，Hohai University，Nanjing 211100，China；2. Jiangsu E1ectric Power Company，Nanjing 210019，China；3. Jiangsu Engineering Research Center for Distribution & Uti1ization and Energy Efficiency，Nanjing 211100，China）

Abstract：The 1oad of a district power network is easi1y affected by various meteoro1ogica1 factors，which cause many uncertain prob1ems in the 1oad forecast. In order to maximum1y reduce the prediction deviations caused by meteoro1ogica1 factors during the 1oad forecast，the inf1uences of meteoro1ogica1 factors on the power 1oad are ana1ysed. Based on a 1arge number of historica1 data，the method of grey corre1ation ana1ysis is used to ana1yze the corre1ation between meteoro1ogica1 factors such as temperature，humidity and wind speed and the 1oad characteristics，as a resu1t，the dominant meteoro1ogica1 factors affecting 1oad are identified. The sensitivity between grid 1oad and meteoro1ogica1 factors is studied by the po1ynomia1 curve regression ana1ysis. The inf1uence 1aw of cumu1ative heat effect on 1oad is studied with the consideration of the cumu1ative effect，and the correction formu1a of temperature is ca1cu1ated in the paper to improve the accuracy of 1oad forecasting.

Key Words：1oad characteristics；meteoro1ogica1 factors；temperature cumu1ative effect；sensitivity ana1ysis；grey corre1ation

作者簡介：彭堃（1989），男，河北邯鄲人，碩士研究生，研究方向為能效與節能；陳星鶯（1964），女，江蘇無錫人，博士，教授，博士生導師，主要研究方向為電力系統運行分析與控制、配電自動化及其高級應用、電力市場與電力經濟；李斌（1963），四川瀘州人，研究員級高級工程師，研究方向為電力系統運行分析與控制。

基金項目：國家電網公司科技項目（公共樓宇智能用電模式動態優化關鍵技術研究及應用SGJS0000YXJS1501044）；國家發改委物聯網專項（基于物聯網）的智能用電綜合管理與能效提升技術研發及產業化

收稿日期：2015-07-07；修回日期：2015-12-12

中圖分類號：TM714

文獻標志碼：B