精細化氣象因子對短期電力負荷預測的影響研究

程定芳，任永建，陳正洪

(1.黃岡市氣象服務中心，湖北 黃岡 438000； 2.湖北省氣象服務中心，武漢 430074)

電力負荷受許多因素的共同影響，如經濟發展水平、工農業結構、居民生活水平、電價及天氣氣候等，在極端天氣條件下天氣氣候的影響尤其不容忽視，這些因素對電力負荷的變化起著不同的影響.根據電力負荷、氣象、經濟、社會等歷史數據，探索負荷歷史數據變化規律對未來負荷的影響，從而對未來的電力負荷進行科學的預測[1].

氣象因素是影響電力系統負荷預測的重要因素，研究氣象與負荷的關系對電力系統的負荷預測工作具有重要意義[2].因此，電力負荷與氣象條件的關系引起了眾多學者的關注，基于氣象條件的電力負荷預測做了許多卓有成效的工作.目前，國內許多學者對城市電力負荷、用電量及其與氣象因子的關系及預測模型做了大量的研究.

張自銀等[3]利用電力負荷和氣象資料，定量分析了北京市夏季電力負荷逐日變率與主要氣象因子的關系，溫度、風速和濕度與最大電力負荷關系顯著.廣東電力負荷具有非常明顯的線性增長趨勢，季節變化明顯，且在不同的季節與氣象因子的關系存在一定的差異[4].傅新姝和談建國[5]利用2010-2013年上海日最大電力負荷數據和同期氣象資料，分析了日最大負荷的時間變化特征及其與氣象因子的相關性.穆海振[6]基于盛夏期間日用電量與氣溫、降水、相對濕度等數據，探討了分位數回歸方法在日用電量預測中的應用.葉殿秀等[7]利用電力負荷中分離出的氣象負荷與氣象因子采用逐步回歸方法建立預報模型，結果表明去除趨勢的氣象負荷預報模型的擬合效果更好.付曉輝等[8]利用相關分析法分析了華中電網氣象負荷與同期氣溫的相關關系，研究了氣象負荷隨氣溫變化的規律，并探討了相關關系的異同.江宇飛等[9]提出利用氣象指標體系進行電力負荷特性分析和預測的方法，可依據氣象條件得到不同的電力負荷預測結果.

隨著城市經濟的迅猛發展，全球變暖背景下新能源的快速發展，使得電力負荷與眾多影響因子的關系變得更加復雜.由于電力負荷影響因素的復雜性以及負荷預測對電網系統的重要性，對電力負荷做出準確預測依然是電力和氣象工作者面臨的一項亟需解決的難題.盡管眾多學者在電力負荷與氣象因子的關系開展了大量的研究，但氣象因子對負荷預測影響的定量分析依然不足.隨著氣象部門數值天氣預報和智能網格預報技術的發展，天氣預報時間和空間的精細化程度有了很大的提高.目前逐15 min氣象因子預報已實現業務化，為氣象因子在電力負荷預測模型中廣泛應用創造了很好的條件.在這一背景下，以華中電網某地區為研究對象，分析電力負荷變化特征及與氣象要素的關系，基于逐步回歸(SR)和神經網絡(BP)方法建立預測模型，定量解析氣象因子對電力負荷預測的主要貢獻.

1主要計算方法介紹

1.1預測準確率

根據電網調度系統短期負荷預測考核細則，日預測準確率的計算依據為每日96點預測及實際數據，其中96點預測數據是指該日00:15至24：00、相鄰15 min的預測值(整點時刻值)，96點實際數據為該日00:15至24：00、相鄰15 min的實際值(整點時刻值)，具體計算公式如下：

(1)

(2)

式中,DR表示偏差率，LO觀測負荷值，LP預測負荷值;FA表示預測準確率，N表示日考核點數，一般取值96.

1.2氣象因子貢獻率

為進一步表征氣象因子在電網短期負荷預測中的影響，本文定義氣象因子貢獻率(meteorological contribution)，計算FF方法如下：

式中,FASR直接依據負荷數據利用逐步回歸方法得出的預測準確率，FASR-M依據負荷數據和氣象數據利用逐步回歸方法得出的預測準確率，MCSR步回歸方法中氣象因子貢獻率.BP神經網絡方法中氣象因子貢獻率計算方法與MCSR，標記為MCBP2相關性分析.

負荷數據選用華中電網某地區2018年6月每日96點電力負荷數據.由于溫度對負荷的變化最為顯著[10-11]，氣象數據選用同期的溫度數據，也為每日96個值.圖1給出了6月平均負荷、溫度的日變化特征.可以看出，負荷具有明顯的雙波峰，從00∶00到5∶00左右負荷逐漸下降，然后逐漸增加，至11∶00負荷達到第一個峰值，之后負荷緩慢下降，到21∶00左右負荷達到第二個峰值，且明顯大于第一個峰值.而溫度的日變化則表現為單波峰特征，00∶00到6∶00溫度逐漸減小，而后逐漸增加，至14∶00左右溫度達到最大值.可見，00∶00到11∶00之間，負荷與溫度的變化存在較好的對應關系，其他時段除受溫度的影響之外，還受到居民生活習慣、電價等因素的影響.

圖1 電力負荷和溫度的日變化曲線Fig.1 Daily variation of electric load and temperature

前人研究發現電力負荷除與當日溫度相關關系顯著外，與前一日負荷的關系也比較密切[6,12].利用前一日負荷和當日溫度建立預報模型可取的較好的預測效果[7].為此，本文計算了當日負荷與前一日負荷、當日溫度及前一日溫度之間的相關關系，結果如圖2所示.可以看出，當日負荷與前一日負荷存在較好的相關關系，除6月30日外，其他當日負荷與前一日負荷的相關均通過信度為0.001的顯著性水平，且大部分日期的相關關系在0.95以上，可見，前一日負荷對次日負荷的變化具有重要的影響.當日溫度與負荷也存在很好的正相關，均通過了0.001的顯著性檢驗，但兩者的相關關系明顯小于前一日負荷與當日負荷的相關.由于氣象因子對負荷的影響具有累積效應[13-14]，也計算了前一日負荷與當日負荷之間的關系.除6月18日、6月29日和6月30日外，其他日期均為顯著的正相關.

圖2 當日負荷與前一日負荷(a)、當日溫度(b)及前一日溫度(c)之間的相關關系，圖中實線為信度0.001的顯著性水平Fig.2 The correlation between the current load and the previous day load (a)，the current day temperature (b) and the previous day temperature (c)，The solid line in the figure is the significance level of 0.001

因此，以前一日負荷、當日溫度、前一日溫度作為模型的輸入因子，當日負荷作為模型的輸出因子.以逐步回歸、BP神經網絡為基礎，采用滾動預測的方法，如利用6月1日-6月14日共14天96點負荷數據得到6月15日96點負荷數據，6月2日-6月15日共14天96點負荷數據得到6月16日96點負荷數據，依次類推，利用6月16日-6月29日的負荷數據得到6月30日的負荷數據.

3預測結果分析

圖3給出利用BP和SR方法計算得到6月15日-6月30日的負荷預測準確率(FA).在BP方法中，6月16日FABP最高為93.99%，FABP-M則提高至95.95%，引進氣象因子后FA提高了1.96%；6月30日FABP最低為64.68%，FABP-M則提高至76.24%，引進氣象因子后FA提高了11.56%.綜合圖3(a)可見，引進氣象因子后，FA提高幅度在0.26%～13.41%.在SR方法中，6月15日FASR最高為96.09%，FASR-M則提高至97.34%，引進氣象因子后FA提高了1.25%；6月30日FASR最低為65.89%，FASR-M則提高至84.19%，引進氣象因子后FA提高了18.3%.綜合圖3(b)可見，引進氣象因子后，FA提高幅度在0.89%～18.3%.可以看出，不論是BP還是SR方法，氣象因子對負荷預測準確率的提高均有正的貢獻；且僅依靠歷史負荷單因子得出的FA越低的情況下，引進氣象因子后對FA改進的效果越明顯.

圖3 BP和SR方法得出的負荷預測準確率(單位：%)Fig.3 Accuracy of load forecasting obtained by BP and SR methods (unit:%)

為分析氣象因子對負荷預測的重要影響，選取BP方法中FA最高的6月16日和FA最差的6月30日，以及SR方法中FA最高的6月15日和FA最差的6月30日，分析預測負荷序列和實況負荷序列的差異.可以看出，6月15日和6月16日預測曲線與實況的對應關系較好，對負荷上升和下降的轉折時間節點把握較好，疊加氣象因子后的預測序列更加接近實況.從影響因子的相關關系可以較好地印證(圖2)，6月15日的負荷與6月14日負荷和溫度、6月15日溫度存在較高的相關性，分別為0.98、0.81、0.82，6月16日的負荷與6月15日負荷和溫度、6月16日溫度相關性也較高，分別為0.94、0.61、0.74.6月30日而言，不論BP還是SR方法，都無法較好地預測出6∶00以后負荷序列的變化，單獨利用歷史負荷得出的預測序列與實況偏離較大，疊加氣象因子后預報偏差有所減小.從圖2中可以發現，6月30日負荷僅與當日氣溫存在較好的正相關，而與6月29日負荷與溫度均呈負相關，與其他日期中負荷與影響因子的相關關系存在明顯的差異.

圖4 實況負荷與預測負荷序列的日變化曲線(單位：MW)Fig.4 Daily change of live load and predicted load series (unit: MW)

為進一步定量分析氣象因子對負荷預測的貢獻，圖5給出BP和SR方法中氣象因子對負荷預測的貢獻率.可以發現，氣象因子在兩種預測方法中對負荷預測準確率的提升均有正的貢獻，貢獻率分別為0.28%～17.87%和0.97%～17.78%.通過比較發現，利用歷史負荷序列單因子進行預測時，FA較高的日期，MC的貢獻率較低，6月15日，MCBP和MCSR分別為0.28%和1.29%；而利用歷史負荷序列單因子進行預測時，FA較低的日期，MC的貢獻率則較高，6月28和6月30日，MCBP和MCSR分別為17.54%、10.18%和17.87%、27.78%.通過上述分析可知，精細化氣象因子對短期負荷預測存在極其重大的影響，尤其是轉折天氣條件下.

圖5 BP和SR方法中氣象因子對負荷預測的貢獻率(單位：%)Fig.5 The contribution rate of meteorological factors to load forecasting in BP and SR methods (unit:%)

4小結與討論

本文定量分析了氣象因子對電力負荷預測影響，BP和SR預測模型中，氣象因子對FA的提高均有正的貢獻；且僅依靠歷史負荷單因子得出的FA越低的情況下，引進氣象因子后對FA改進的效果越明顯.氣象因子對負荷預測準確率的提升均有正的貢獻，貢獻率分別為0.28%～17.87%和0.97%～17.78%，尤其是轉折天氣條件下，精細化氣象因子對短期負荷預測的影響尤為重要.

本文在分析中僅選用了與負荷影響較大的溫度，而降水、風速、相對濕度等要素對負荷也有一定的影響.同時需要進一步考慮工作日、節假日的影響，對夏季峰值和長假期間的變化有較好的擬合與預測[4].因此，在今后的與預測模型中需綜合考慮其他氣象因子、工作日、長假等因素的影響.