固始縣夏季用電負(fù)荷對氣象因子的響應(yīng)及預(yù)測

盧山 商澤浩 羅森 馬曉菲

摘 要：本文利用2015—2019年固始縣夏季用電負(fù)荷數(shù)據(jù)及同期氣象資料，在分離氣象負(fù)荷的基礎(chǔ)上，基于多元逐步回歸算法，建立固始縣夏季日最大用電負(fù)荷及出現(xiàn)時(shí)間的預(yù)測模型，并用2020年夏季日用電負(fù)荷數(shù)據(jù)進(jìn)行擬合優(yōu)度檢驗(yàn)和顯著性檢驗(yàn)，以提高模型的預(yù)測精度，切實(shí)為縣級電網(wǎng)調(diào)度安全運(yùn)行提供精細(xì)的氣象服務(wù)。

關(guān)鍵詞：夏季;用電氣象負(fù)荷;氣象因子;相關(guān)性;預(yù)測

Abstract： In this paper， based on the data of summer power load and meteorological data of the same period in Gushi county from 2015 to 2019， on the basis of separating the meteorological load， and based on the multiple stepwise regression algorithm， the prediction model of daily maximum power load and its occurrence time in summer in Gushi county was established. At the same time， the goodness of fit test and significance test were carried out with the daily power load data in the summer of 2020， so as to improve the prediction accuracy of the model and provide fine meteorological services for the safe operation of county-level power grid dispatching.

Keywords： summer; meteorological load of electricity consumption; meteorological factors; correlation; prediction

近年來，用電負(fù)荷與氣象因素的定量分析已成為供電、氣象領(lǐng)域眾多學(xué)者研究的重點(diǎn)，越來越多的研究表明，用電負(fù)荷與氣象條件有關(guān)[1]。由于氣候環(huán)境的不同，電網(wǎng)用電負(fù)荷與氣象因子的關(guān)系也不盡相同[2]。夏季氣象因素是引起電力負(fù)荷變化的重要因子之一[3-4]。高亞靜等通過研究發(fā)現(xiàn)：民用電負(fù)荷變化主要是由大功率空氣調(diào)節(jié)設(shè)備耗電引起的，其建立的人體舒適度復(fù)合氣象因子預(yù)測模型取得了較理想的效果[5]。趙娜等利用電力負(fù)荷分離后的氣象負(fù)荷分量與最高氣溫和風(fēng)速之間的關(guān)系建立預(yù)報(bào)模型[6]。本研究對固始縣2015—2019年夏季（6—8月）用電負(fù)荷特性及變化規(guī)律進(jìn)行分析，利用氣象因子開展用電負(fù)荷預(yù)測研究。

1 資料和方法

1.1 資料來源

固始縣電力公司調(diào)度中心提供的2015—2019年夏季逐分鐘負(fù)荷數(shù)據(jù)。

河南省氣象信息中心提供的2015—2019年夏季逐日地面氣象觀測資料，包括日平均氣壓、氣溫、最高氣溫、最小相對濕度、總云量、降水量、風(fēng)速和日照時(shí)數(shù)等22個(gè)地面氣象觀測全要素。

《河南省氣象預(yù)報(bào)預(yù)警業(yè)務(wù)一體化平臺(tái)》固始站數(shù)值預(yù)報(bào)產(chǎn)品中24 h的降水量、最高氣溫、最低氣溫、風(fēng)向、風(fēng)速、總云量預(yù)測值。

固始縣發(fā)改委提供的2015—2019年固始縣國內(nèi)生產(chǎn)總值（Gross Domestic Product，GDP）數(shù)據(jù)。

1.2 研究方法

首先，在分析用電負(fù)荷特征的基礎(chǔ)上，定義用電氣象負(fù)荷，利用SPSS軟件，采用逐步回歸算法，對固始縣夏季日用電負(fù)荷和出現(xiàn)時(shí)間建立預(yù)測模型;利用均值濾波法，分析用電負(fù)荷的年變化，突出顯現(xiàn)年際變化特征;利用最小二乘法分析用電氣象負(fù)荷與氣象因子的關(guān)系，并篩選出最佳相關(guān)因子;利用多元逐步回歸方法建立用電氣象負(fù)荷及負(fù)荷出現(xiàn)時(shí)間與氣象因子的回歸模型。

其次，使用線性回歸方法，逐一計(jì)算22個(gè)地面氣象觀測要素和6個(gè)氣象要素預(yù)測值對用電氣象負(fù)荷的貢獻(xiàn)率（相關(guān)性大?。?，并按氣象因子對用電氣象負(fù)荷的貢獻(xiàn)率從大到小的順序選擇進(jìn)入模型的變量;逐個(gè)氣象因子加入模型中，對進(jìn)入模型的每個(gè)氣象因子進(jìn)行[F]檢驗(yàn)，剔除不顯著的氣象因子，然后再對留在模型中的氣象因子進(jìn)行[F]檢驗(yàn)，直至沒有氣象因子可以納入，也沒有氣象因子可以剔除為止;建立日最大負(fù)荷及出現(xiàn)時(shí)間預(yù)測回歸方程（模型）。

最后，用2020年夏季日用電負(fù)荷數(shù)據(jù)進(jìn)行擬合優(yōu)度檢驗(yàn)和顯著性檢驗(yàn)。

2 用電負(fù)荷特征

2.1 日用電負(fù)荷特征

日用電負(fù)荷波動(dòng)變化特征顯著，如圖1所示。固始縣電網(wǎng)用電量與用電負(fù)荷呈高度正相關(guān)，相關(guān)系數(shù)為0.970 261，具有明顯的年變化特征。相關(guān)系數(shù)曲線在6月低，7月和8月增高，其中5年中峰值有3年出現(xiàn)在8月份，2年出現(xiàn)在7月份。用電量最大值與最小值相差726.05萬kW·h，負(fù)荷最大值與最小值相差34.92萬kW，極差很大。可以將日用電負(fù)荷分為兩部分：一部分與當(dāng)?shù)亟?jīng)濟(jì)的發(fā)展?fàn)顩r等基本用電負(fù)荷有關(guān);另一部分則因氣象因素的影響而出現(xiàn)的波動(dòng)，研究者將由氣象因素引起的變化量稱為用電氣象負(fù)荷。

2.2 固始縣電網(wǎng)日最大負(fù)荷出現(xiàn)時(shí)間特征

從2015—2019年夏季6—8月460 d日最大負(fù)荷出現(xiàn)時(shí)間段分布來看，最大負(fù)荷出現(xiàn)時(shí)間主要在11：36—12：13和20：02—21：27這兩個(gè)時(shí)段，其他時(shí)間段極少出現(xiàn)最大負(fù)荷，12：25—13：00僅有3次。研究者以整點(diǎn)統(tǒng)計(jì)其分布頻率，結(jié)果如圖2所示。

從上述分析可知，日最大負(fù)荷出現(xiàn)的時(shí)間基本在11：00和20：00。為了便于進(jìn)行回歸分析，研究者把出現(xiàn)時(shí)間按二分法，分別賦值為“1”和“2”進(jìn)行回歸計(jì)算。

3 用電氣象負(fù)荷的分離

本文重點(diǎn)研究氣象因素的影響，故不對隨機(jī)因素的影響進(jìn)行分析，用電負(fù)荷逐年增長的趨勢主要是經(jīng)濟(jì)發(fā)展和預(yù)期所致?？紤]到季節(jié)變化與氣象因子關(guān)系密切，故在分析經(jīng)濟(jì)趨勢影響因素時(shí)過濾其年變化，采用6—8月平均值法，僅考慮年際變化。研究者剔除趨勢性上升量，就可以得出氣象負(fù)荷。研究者利用當(dāng)年GDP回歸次年夏季平均值負(fù)荷。其物理意義明確：上一年國民收入高低決定次年電力消費(fèi)期望值，符合國人消費(fèi)理念。

回歸方程[F]檢驗(yàn)結(jié)果：[P]值為0.014 1，遠(yuǎn)小于顯著性水平0.05值，通過[F]檢驗(yàn)，所以說該方程回歸效果顯著。

4 日最大負(fù)荷預(yù)測

4.1 氣象負(fù)荷預(yù)測

通過對22個(gè)氣象觀測全要素和6個(gè)氣象要素預(yù)報(bào)值（以當(dāng)日值當(dāng)作前一日的預(yù)測值）逐步回歸篩選，氣象負(fù)荷（[h]）與當(dāng)日高溫（[TG′]）、前一日的低溫（[TD]）、最小濕度（[fD]）、日照（[S]）呈正相關(guān)，與相溫度（[T]）、濕度（[f]）、云量（[C]）、風(fēng)速（[V]）和當(dāng)日云量（[C′]）等呈負(fù)相關(guān)，且相關(guān)性明顯，并通過[t]檢驗(yàn)的0.05顯著性水平。經(jīng)過回歸分析得出回歸模型，如公式（2）所示：

4.2 最大負(fù)荷出現(xiàn)時(shí)間預(yù)測

通過對22個(gè)氣象全要素和6個(gè)氣象要素預(yù)報(bào)值逐步回歸篩選，從統(tǒng)計(jì)5年負(fù)荷出現(xiàn)時(shí)間來看，主要時(shí)間是11：00和20：00，少量的是12：00和21：00。研究者用二分法將11：00前后賦值為1，20：00前后賦值為2。負(fù)荷出現(xiàn)時(shí)間（[t]）與前一日的日最高氣溫（[TG]）呈正相關(guān)，負(fù)荷出現(xiàn)時(shí)間（[t]）與前一日的日平均氣溫（[T]）、日最低氣溫（[TD]）、日照（[Z]）呈負(fù)相關(guān)，4個(gè)相關(guān)氣象要素也都通過[t]檢驗(yàn)：[P]值分別0.018 608 958 4、0.049 614 188 986、0.028 303 431 9和0.018 747 497 9，都小于顯著性水平0.05值，所以說該回歸方程4個(gè)變量貢獻(xiàn)都顯著。經(jīng)過回歸分析得出回歸模型如式（4）所示：

多元回歸模型復(fù)相關(guān)系數(shù)[R2]=0.973 3，表明最大負(fù)荷出現(xiàn)時(shí)間與氣象要素之間的關(guān)系為極度相關(guān)?；貧w模型通過[F]檢驗(yàn)：[P]值為6.6×10-269，遠(yuǎn)小于顯著性水平0.01值，所以說該回歸模型回歸效果極顯著。

5 驗(yàn)證

當(dāng)建立一個(gè)實(shí)際問題的經(jīng)驗(yàn)回歸方程后，不能立即用其來做預(yù)測，需要對建立的回歸模型進(jìn)行統(tǒng)計(jì)檢驗(yàn)。首先，研究者運(yùn)用以上預(yù)測模型式（3）和式（4），根據(jù)2019年固始縣GDP數(shù)據(jù)和2020年夏季逐日氣象要素資料模擬出日最大負(fù)荷及出現(xiàn)時(shí)間;其次，模擬值分別與2020年夏季逐日最大負(fù)荷及出現(xiàn)時(shí)間實(shí)際值進(jìn)行擬合優(yōu)度檢驗(yàn);最后，其驗(yàn)證結(jié)果通過了顯著性水平0.01的[F]檢驗(yàn)，說明預(yù)測值與實(shí)測值不存在顯著差異。具體預(yù)測檢驗(yàn)見表1。

6 結(jié)論

利用2015—2019年固始夏季用電負(fù)荷數(shù)據(jù)及同期氣象資料，在分離氣象負(fù)荷的基礎(chǔ)上，基于多元逐步回歸算法，建立固始夏季日最大用電負(fù)荷及出現(xiàn)時(shí)間的預(yù)測模型，經(jīng)2020年夏季驗(yàn)證分析，主要結(jié)論如下。

①日最大負(fù)荷與7個(gè)基本氣象要素和2個(gè)氣象要素預(yù)報(bào)值相關(guān)性高，多元回歸模型的復(fù)相關(guān)系數(shù)為0.765 5，通過顯著性水平0.01的[F]檢驗(yàn)，效果顯著。

②日最大負(fù)荷出現(xiàn)時(shí)間與4個(gè)基本氣象要素相關(guān)性高，多元回歸模型的復(fù)相關(guān)系數(shù)為0.973 3，表明極度相關(guān)，通過顯著性水平0.01的[F]檢驗(yàn)，效果顯著。

采用夏季用電特征的線性趨勢，分離出氣象負(fù)荷，很難完全剔除基礎(chǔ)用電特征量，這是本文的不足之處，也是以后研究的重點(diǎn)。又由于用電特征變化規(guī)律的復(fù)雜性，疊加夏季多變的天氣過程，最大負(fù)荷出現(xiàn)時(shí)間及持續(xù)時(shí)段的把握依然是未來用電特征預(yù)測的難點(diǎn)。隨著人民生活水平的逐步提高，生活用電在總用電中的比重將進(jìn)一步提升，因此，今后用電負(fù)荷與氣象因子的關(guān)系有更高的相關(guān)性。未來需進(jìn)一步深入挖掘氣象因子對用電特征預(yù)測的敏感性，借助人工智、大數(shù)據(jù)分析、深度學(xué)習(xí)等現(xiàn)代科學(xué)技術(shù)方法，提高模型的預(yù)測精度，切實(shí)為縣級電網(wǎng)調(diào)度安全運(yùn)行提供精細(xì)氣象服務(wù)。

參考文獻(xiàn)：

[1]康重慶，夏清，劉梅.電力系統(tǒng)負(fù)荷預(yù)測[M].2版.北京：中國電力出版社，2017：2.

[2]張一舉.電力負(fù)荷短期預(yù)測的分析與研究[D].西安：西安理工大學(xué)，2019：12.

[3]李琛，郭文利，吳進(jìn)，等.北京市夏季日最大電力負(fù)荷與氣象因子的關(guān)系[J].氣象與環(huán)境學(xué)報(bào)，2018（3）：99-105.

[4]盧珊，高紅燕，李建科，等.西安市居民用電量對氣象因子的響應(yīng)及預(yù)測[J].干旱氣象，2017（5）：886-892.

[5]高亞靜，孫永健，楊文海，等.基于新型人體舒適度的氣象敏感負(fù)荷短期預(yù)測研究[J].中國電機(jī)工程學(xué)報(bào).2017（7）：1946-1955.

[6]趙娜，石玉恒，李乃杰，等.溫濕變化對北京城區(qū)氣象敏感電力負(fù)荷的影響分析[J].中國電力，2017（2）：175-180.