基于多因素相關(guān)性分析的氣溫敏感負荷預(yù)測

章姝俊，陸海清，陳佳璽，邵越

（1.國網(wǎng)浙江省電力有限公司，杭州 310007；2.國網(wǎng)浙江省電力有限公司經(jīng)濟技術(shù)研究院，杭州 310016；3.國網(wǎng)浙江省電力有限公司湖州供電公司，浙江 湖州 313000）

0 引言

隨著人民生活水平的提升，空調(diào)設(shè)備快速增長，降溫/采暖需求日益攀升。在夏季和冬季尖峰負荷中，氣溫敏感負荷（降溫/采暖負荷）占比超過30%，且具有開機同時率高、全年持續(xù)時間短的典型特點，造成電力峰谷差激增，安全運行壓力不斷增大。科學(xué)預(yù)測采暖、制冷等氣溫敏感用電需求已成為制約電力需求預(yù)測準確性的關(guān)鍵因素［1-4］。尤其是在全球氣候變暖大背景下，厄爾尼諾、拉尼娜等現(xiàn)象頻發(fā)，氣溫多變且難以預(yù)測，如果缺乏對氣溫敏感負荷用電規(guī)模的預(yù)判預(yù)測，極有可能影響電力電量平衡預(yù)測準確度，在供應(yīng)趨緊的形勢下影響保供安全［5-6］。

在電力需求預(yù)測中需要考慮季節(jié)性負荷，尤其是降溫/采暖負荷。目前的做法是基于歷史數(shù)據(jù)將省域降溫/采暖用電表示為溫度參數(shù)的函數(shù)，通過未來溫度變化趨勢分析實現(xiàn)中期氣溫敏感負荷的預(yù)測［7-26］。但這種做法存在以下不足：在當前氣候問題的影響下，基于長期歷史數(shù)據(jù)的趨勢外推法適用性不強；沒有充分考慮省域范圍內(nèi)微氣象的顯著差異；未有效計及溫度累積效應(yīng)。

針對上述問題，本文通過分析浙江省各地市近年來夏、冬季氣象和降溫/采暖用電歷史數(shù)據(jù)，發(fā)現(xiàn)氣溫敏感負荷的相關(guān)因子存在明顯差異，提出基于“3T”（溫度、區(qū)域、時間）模型的氣溫敏感負荷預(yù)測方法，分地市差異化預(yù)測并測算浙江全省中期氣溫敏感負荷用電需求。結(jié)合目前最新氣象預(yù)測和分析，全球變暖趨勢中期內(nèi)難以逆轉(zhuǎn)，氣溫不穩(wěn)定性較強，因此構(gòu)建具體地市擬合模型時以2022年降溫/采暖負荷和電量重構(gòu)誤差最小為目標，從月高溫天數(shù)、最高溫度、城鎮(zhèn)化率等關(guān)聯(lián)因子中自適應(yīng)篩選強相關(guān)因子并構(gòu)建優(yōu)化擬合函數(shù)。

本文基于“3T”模型，將沿用多年的電力系統(tǒng)降溫/采暖負荷預(yù)測從溫度單“T”拓展至溫度、區(qū)域、時間“3T”，將簡單趨勢外推算法拓展至因子自動篩選和模型自適應(yīng)構(gòu)建的優(yōu)化方法，為多變氣候下的電力系統(tǒng)供需態(tài)勢分析和預(yù)測提供強大工具，具有廣泛的應(yīng)用前景。

1 氣溫敏感負荷及電量的分解

電力負荷受多種因素影響，大體可分為氣象因素和社會因素兩類。其中，氣象因素主要包括溫度、濕度、風力、降水等，但因濕度、風力、降水等因素的變化具有較為明顯的局部性，對覆蓋區(qū)域較大的電網(wǎng)總負荷的影響總體上呈現(xiàn)隨機性，因此在分析對較大地區(qū)電力負荷產(chǎn)生影響的氣象因素時，一般只考慮氣溫因素。由此，電網(wǎng)總負荷可以分為電力基準負荷和氣溫敏感負荷，總電量也可分為基礎(chǔ)電量和氣溫敏感電量。本文研究對象為降溫負荷及電量（夏季）、采暖負荷及電量（冬季），測算方法如下。

降溫負荷及電量：在計算春季、秋季典型日負荷曲線的基礎(chǔ)上，用夏季每日的負荷曲線減去對應(yīng)的基礎(chǔ)負荷曲線，即可得到降溫負荷曲線。從歷年負荷、電量變化趨勢來看，浙江4—5月、10—11月降溫、采暖需求均未得到釋放，故春季典型日負荷曲線由當年4月15日—5月30日24點負荷數(shù)據(jù)平均得到，秋季典型日負荷曲線由當年10月10日—11月15日24點負荷數(shù)據(jù)平均得到，并假設(shè)基礎(chǔ)負荷曲線在當年春季至秋季之間線性增長，由此得到夏季月最大負荷日的最大時點對應(yīng)的降溫負荷。在計算春季、秋季典型日電量（時間范圍選取同負荷）的基礎(chǔ)上，假設(shè)基礎(chǔ)電量線性增長，用夏季每日的日電量減去對應(yīng)的基礎(chǔ)電量，加總即可得到夏季降溫電量。

采暖負荷及電量：在計算春季、秋季典型日負荷曲線的基礎(chǔ)上，用冬季每日的負荷曲線減去對應(yīng)的基礎(chǔ)負荷曲線，即可得到采暖負荷曲線。其中，春季典型日負荷曲線由次年4月15日—5月30日24點負荷數(shù)據(jù)平均得到，秋季典型日負荷曲線由當年10月10日—11月15日24點負荷數(shù)據(jù)平均得到，并假設(shè)基礎(chǔ)負荷曲線在當年秋季至次年冬季之間線性增長，同時考慮春節(jié)前后（農(nóng)歷臘月十五至正月十五）用電呈V字型變化，參考日電量與春節(jié)前期（農(nóng)歷臘月初一至十四）平均值之間的比例，對基礎(chǔ)負荷曲線進行等比例縮小，由此得到冬季月最大負荷日的最大時點對應(yīng)的采暖負荷。在計算春季、秋季典型日（時間范圍選取同負荷）日電量的基礎(chǔ)上，假設(shè)兩期典型日間基礎(chǔ)電量線性增長以及考慮春節(jié)因素的影響（處理方式同負荷），用冬季每日的日電量減去對應(yīng)的基礎(chǔ)電量，加總即可得到冬季采暖電量。

除氣溫因素外，地區(qū)經(jīng)濟的高質(zhì)量發(fā)展、城鎮(zhèn)化水平的不斷提升以及人口的逐年增長等，也在一定程度上拉動了用電需求穩(wěn)步攀升，降溫/采暖負荷占總用電負荷的比重也存在較明顯的上升趨勢。

2 影響降溫/采暖負荷的氣溫因素及社會因素

2.1 氣溫因素

圖1展示了浙江省近五年來平均氣溫、高溫天數(shù)與降溫負荷的變化趨勢，圖2進一步展示了浙江省近五年降溫電量的變化趨勢。2018—2022年夏季，浙江省平均溫度與高溫天數(shù)波動性均較強，但整體呈現(xiàn)一定的上升趨勢。近五年浙江降溫負荷上升趨勢明顯，年均增長14.3%，高于全社會最高負荷年均增速7.8%，降溫負荷與平均氣溫、高溫天數(shù)的增長趨勢接近。降溫負荷約占當年調(diào)度最大負荷的29.5%～37.2%。其中，2020年和2022年受省內(nèi)極端天氣影響，夏季平均溫度及高溫天數(shù)均較其余年份偏多，降溫負荷增長率明顯上升，分別達13.4%和24.7%。

圖1 2018—2022年浙江省夏季氣溫與降溫負荷變化趨勢Fig.1 Variations of summer temperature and cooling loads of Zhejiang Province from 2018 to 2022.

圖2 2018—2022年浙江省夏季氣溫與降溫電量變化趨勢Fig.2 Variations of summer temperature and power consumption for cooling in Zhejiang Province from 2018 to 2022.

與此同時，2018—2022年夏季，浙江省降溫電量增長趨勢明顯，年均增長14.4%，整體增長趨勢與氣溫因素呈現(xiàn)明顯的正相關(guān)性。降溫電量約占當年夏季電量的13.4%～20.8%。其中，2019年降溫電量負增長，主要因為當年氣溫有所下降，出現(xiàn)“涼夏”，累計高溫天數(shù)較上一年減少6 d，平均氣溫偏低0.9 ℃，降溫電量需求下降。2022年省內(nèi)出現(xiàn)極端高溫，平均氣溫達28.4 ℃，相應(yīng)的降溫電量也明顯提升，增長率達40.2%，降溫電量占比達20.8%。

2.2 社會因素

僅僅利用溫度因子來建立降溫/采暖負荷預(yù)測模型有著明顯的地域局限性和時間局限性。實際上，氣溫因素對降溫/采暖負荷的影響作用固然直觀，但諸如人口數(shù)量、經(jīng)濟發(fā)展程度以及城鎮(zhèn)化率等社會因素不僅決定著降溫/采暖設(shè)備的容量規(guī)模，也影響著人們的使用習慣，在降溫/采暖負荷規(guī)律研究中是不可忽視的因素。下面以降溫負荷為例，對常住人口、城鎮(zhèn)化率、季度GDP增速等地域差異性因素進行統(tǒng)計分析，選取部分相關(guān)性較強的地市進行說明。

杭州、寧波、溫州等人口密度較大的城市，常住人口與降溫/采暖負荷表現(xiàn)出較高的相關(guān)性。以杭州為例，人口密度達735人/km2，人才聚集效應(yīng)持續(xù)作用，人口保持增長趨勢；產(chǎn)業(yè)結(jié)構(gòu)以第三產(chǎn)業(yè)為主，且居民生活用電占比較高，達到16.1%～19.6%，居民降溫負荷占65%以上，且呈現(xiàn)增長趨勢；隨著常住人口的增加，城市熱島效應(yīng)不斷加強。因此杭州降溫負荷與常住人口增長趨勢一致，呈現(xiàn)明顯的正相關(guān)性。

嘉興、紹興等城鎮(zhèn)化率較低、發(fā)展較快的城市，城鎮(zhèn)化率與降溫/采暖負荷表現(xiàn)出較高的相關(guān)性。以嘉興為例，近五年嘉興城鎮(zhèn)化率增速達7.4%，為全省最高；城鎮(zhèn)化進程推動第二產(chǎn)業(yè)、第三產(chǎn)業(yè)持續(xù)增長，降溫負荷中工商業(yè)降溫負荷呈上升趨勢，占比達43%左右，且保持增長趨勢；城鎮(zhèn)人口規(guī)模與地域規(guī)模不斷擴大，伴隨著城市基礎(chǔ)設(shè)施和家用電器的大量普及，很大程度上拉動了電力消費增長。因此嘉興降溫負荷與城鎮(zhèn)化率增長趨勢相同，呈現(xiàn)一定的正相關(guān)性。

舟山、臺州等居民降溫需求較低、工業(yè)發(fā)展較快的城市，季度GDP增速與降溫/采暖負荷表現(xiàn)出較高的相關(guān)性。以舟山為例，地處海島，屬亞熱帶季風氣候，常住人口117萬，為全省最少，居民降溫需求相對較低，居民降溫負荷以年均2.3%的幅度低速增長；受魚山石化投產(chǎn)的驅(qū)動，舟山GDP快速增長，進而帶動了工商業(yè)降溫負荷增長，其占比近年有所提高。因此舟山降溫負荷與季度GDP增速變化趨勢一致性較高，呈現(xiàn)較強的正相關(guān)性。

3 “3T”預(yù)測模型

3.1 降溫/采暖負荷及電量預(yù)測的影響因素

進行降溫/采暖負荷及電量的預(yù)測時，需要考慮多種因素的影響。“3T”模型在探究氣溫敏感負荷用電與氣溫關(guān)系的同時，還考慮了社會發(fā)展狀況的影響，即綜合了氣溫因素和社會因素兩方面，具體變量類型如表1、表2所示。

表1 “3T”模型中影響降溫電量/負荷的因素Table 1 Influencing factors of power consumption for cooling and loads in the 3T model

表2 “3T”模型中影響采暖電量/負荷的因素Table 2 Influencing factors of power consumption for heating and loads in the 3T model

相關(guān)研究結(jié)果表明：夏季日電量與日平均溫度變化趨勢非常相似，夏季最高負荷與最高溫度呈正相關(guān)；冬季最高負荷與最高溫度負相關(guān)。為了深入研究氣溫因素影響降溫/采暖負荷的機制，“3T”模型不僅統(tǒng)計夏季各月的最高溫度和冬季各月的最低溫度，同樣將各溫度段的高溫/低溫累計天數(shù)作為模型變量，以1 ℃為步長，統(tǒng)計各地市在夏季和冬季各月出現(xiàn)高溫和低溫的累計天數(shù)，從而體現(xiàn)溫度累積效應(yīng)對電力負荷的影響。

此外，人口增長是影響電力需求的重要因素，當社會中的人口增長時，電力需求量也會相應(yīng)增加。宏觀經(jīng)濟形勢同樣是影響電力需求的重要因素，受經(jīng)濟波動的影響，電力需求亦表現(xiàn)出明顯的波動性，當經(jīng)濟增長勢頭較好時，電力需求增長較快，而經(jīng)濟增長形勢發(fā)生變化時，電力需求格局也產(chǎn)生相應(yīng)的變化。產(chǎn)業(yè)結(jié)構(gòu)也會對電力需求產(chǎn)生影響，通常第二產(chǎn)業(yè)比重越大，社會的電力需求也越大。基于此，“3T”模型中考慮的社會因素包括城鎮(zhèn)化率、季度GDP增速、常住人口和產(chǎn)業(yè)用電結(jié)構(gòu)。

3.2 影響因素的相關(guān)性分析及其優(yōu)化選擇

考慮到過多變量將導(dǎo)致預(yù)測函數(shù)的結(jié)構(gòu)過于復(fù)雜，且與負荷/電量相關(guān)程度較低的變量可能導(dǎo)致較大的預(yù)測誤差，為了簡化預(yù)測函數(shù)的結(jié)構(gòu)并且提高預(yù)測精度，對各個變量進行相關(guān)性分析和優(yōu)化選擇。

相關(guān)性分析是指對兩個或多個具備相關(guān)性的變量元素進行分析，從而衡量它們之間的密切程度，這種密切程度可以用相關(guān)系數(shù)進行表征。相關(guān)系數(shù)最早是由統(tǒng)計學(xué)家卡爾·皮爾遜設(shè)計的統(tǒng)計指標，是研究變量之間線性相關(guān)程度的量。對于兩個變量X與Y，其相關(guān)系數(shù)r(X，Y)如（1）所示：

式中：Cov(X，Y)為X與Y的協(xié)方差；Var[X]為X的方差；Var[Y]為Y的方差。

相關(guān)系數(shù)按積差方法計算，以兩變量與各自平均值的離差為基礎(chǔ)，通過兩個離差相乘來反映兩變量之間相關(guān)程度。該指標定量刻畫了兩組數(shù)據(jù)之間的相關(guān)程度，相關(guān)系數(shù)的絕對值越接近1，說明兩者的相關(guān)程度越好；越接近0，則表示兩者的相關(guān)程度越差。

在運用本模型進行負荷和電量預(yù)測函數(shù)的擬合時，首先分別計算所有影響因素與降溫/采暖負荷及電量的相關(guān)系數(shù)，選取相關(guān)程度較高的因素構(gòu)建選擇域。根據(jù)前文對氣候變化趨勢的分析，2022年冬季及2023年春季、夏季，浙江仍將遭遇極端天氣，呈現(xiàn)出的氣候特點與2022年類似。因此，在選擇模型變量時，以2022年重構(gòu)誤差最小為優(yōu)化目標，借助遺傳算法找到合適的影響因素及相應(yīng)的系數(shù)，從而得到最貼近當下氣候狀況的負荷/電量預(yù)測函數(shù)。

值得注意的是，“3T”模型考慮不同地市的區(qū)域性用電特點，所以需要對每個地市分別開展影響因素的相關(guān)性分析和優(yōu)化選擇，找到對應(yīng)每個地市特征的負荷/電量預(yù)測函數(shù)。

3.3 “3T”模型的測算步驟

圖3給出了“3T”模型預(yù)測流程，該模型在刻畫降溫/采暖負荷及電量的特性時全面考慮了時間、氣溫、地域的差異。以浙江省各地市2018年以來的人口數(shù)據(jù)、經(jīng)濟數(shù)據(jù)、氣溫數(shù)據(jù)、產(chǎn)業(yè)結(jié)構(gòu)數(shù)據(jù)和用電量、負荷數(shù)據(jù)為參考，該模型的具體測算步驟如下：

圖3 “3T”模型預(yù)測流程Fig.3 Prediction process of the 3T model

1）統(tǒng)計每個地市自2018年以來，每年夏季（6—8月）和冬季（12—次年2月）的人口、城鎮(zhèn)化率、季度GDP增速數(shù)據(jù)。

2）以1 ℃為步長，統(tǒng)計各地市五年來在夏季和冬季各月份出現(xiàn)高溫和低溫的累計天數(shù)，同時記錄不同地市在相應(yīng)月份的最高/最低氣溫。

3）分地市統(tǒng)計2018年以來夏季/冬季每個月的全社會用電量以及當月最大負荷。對于夏季，計算相應(yīng)月份的降溫電量及降溫負荷；對于冬季，計算相應(yīng)月份的采暖電量及采暖負荷。統(tǒng)計各地市在相應(yīng)時段的產(chǎn)業(yè)用電結(jié)構(gòu)和居民用電占比。

4）基于歷史數(shù)據(jù)，針對不同地市，分別計算各個影響因素與當月降溫/采暖電量及負荷之間的相關(guān)系數(shù)，利用上節(jié)所述優(yōu)化模型擬合相應(yīng)的負荷/電量預(yù)測函數(shù)。

5）根據(jù)社會情況和宏觀經(jīng)濟分析，估算各地市在預(yù)測年的人口、城鎮(zhèn)化率、GDP增長、產(chǎn)業(yè)用電結(jié)構(gòu)等情況。

6）根據(jù)氣象分析和預(yù)報數(shù)據(jù)，估算各地市在預(yù)測月的高溫/低溫天數(shù)及月最高/最低溫度。

7）將第5、第6步的預(yù)測值代入第4步所擬合的關(guān)系式中，得到各地市當月的降溫/采暖用電量及最大負荷預(yù)測結(jié)果，從而求得全省的用電情況預(yù)測值。

4 算例分析

4.1 中期降溫負荷增長預(yù)測

根據(jù)杭州2018年以來的人口數(shù)據(jù)、經(jīng)濟數(shù)據(jù)、氣溫數(shù)據(jù)以及用電數(shù)據(jù)，計算各年度夏季的累積高溫天數(shù)和降溫負荷。分別計算各影響因素與降溫負荷的相關(guān)性，所得相關(guān)系數(shù)如表3所示。

表3 杭州降溫負荷與其影響因素間的相關(guān)性Table 3 Correlation between the cooling load in Hangzhou and its influencing factors

選取與杭州降溫負荷相關(guān)系數(shù)較大的因素x15，繪制其與降溫負荷的變化關(guān)系，如圖4所示。可以看出，采用與降溫負荷間相關(guān)系數(shù)較大的變量進行分析時，趨勢線與實際數(shù)值的偏差較小。

圖4 杭州降溫負荷與常駐人口的關(guān)系Fig.4 Relationship between cooling load and permanent resident population in Hangzhou

因此，以相關(guān)性分析結(jié)果為依據(jù)，選取相關(guān)程度較高的因素構(gòu)建選擇域。以“使所擬合的函數(shù)能夠以最高的準確度預(yù)測2022年的降溫負荷”作為優(yōu)化目標，借助遺傳算法找到合適的影響因素及相應(yīng)的系數(shù)，得出如式（2）所示的降溫電量預(yù)測函數(shù)。

將2022年杭州的人口數(shù)據(jù)、經(jīng)濟數(shù)據(jù)、氣溫數(shù)據(jù)代入上述擬合曲線，計算得到杭州2022年夏季降溫負荷為956萬kW，與真實值945萬kW的誤差僅1.16%。在此基礎(chǔ)上，代入2023年夏季的氣溫及社會情況預(yù)測數(shù)據(jù)，即可對該季度的降溫電量進行預(yù)測。

4.2 中期降溫電量增長預(yù)測

根據(jù)寧波2018年以來每年夏季的人口數(shù)據(jù)、經(jīng)濟數(shù)據(jù)、氣溫數(shù)據(jù)以及用電數(shù)據(jù)，計算各年度夏季的累積高溫天數(shù)和降溫電量。分別計算各影響因素與降溫電量的相關(guān)性，所得相關(guān)系數(shù)如表4所示。

表4 寧波降溫用電量與其影響因素間的相關(guān)性Table 4 Correlation between power consumption for cooling in Ningbo and its influencing factors

選取與寧波降溫電量相關(guān)系數(shù)較大的因素x17，繪制其與降溫電量的變化關(guān)系，如圖5所示。可以看出，采用與降溫電量間相關(guān)系數(shù)較大的變量進行分析時，趨勢線與實際數(shù)值的偏差較小。

圖5 寧波市降溫電量與第二產(chǎn)業(yè)用電占比的關(guān)系Fig.5 Relationship between power consumption for cooling and the share of power consumption for the secondary industry in Ningbo

因此，以相關(guān)性分析結(jié)果為依據(jù)，選取相關(guān)程度較高的因素構(gòu)建選擇域。以“使所擬合的函數(shù)能夠以最高的準確度預(yù)測2022年的降溫電量”作為優(yōu)化目標，借助遺傳算法找到合適的影響因素及相應(yīng)系數(shù)，得出如式（3）所示的降溫電量預(yù)測函數(shù)。

將2022年寧波的人口數(shù)據(jù)、經(jīng)濟數(shù)據(jù)、氣溫數(shù)據(jù)代入上述擬合曲線，計算得到寧波2022年夏季降溫電量為74.5億kWh，與真實值71.2億kWh的誤差僅4.63%。在此基礎(chǔ)上，代入2023年夏季的氣溫及社會情況預(yù)測數(shù)據(jù)，即可對該季度的降溫電量進行預(yù)測。

4.3 中期采暖電量增長預(yù)測

根據(jù)金華2018年以來每年冬季的人口數(shù)據(jù)、經(jīng)濟數(shù)據(jù)、氣溫數(shù)據(jù)以及用電數(shù)據(jù)，計算各年度冬季的累積低溫天數(shù)和采暖電量。分別計算各影響因素與采暖電量的相關(guān)性，所得相關(guān)系數(shù)如表5所示。

表5 金華采暖用電量與其影響因素間的相關(guān)性Table 5 Correlation between power consumption for heating in Jinhua and its influencing factors

類似地，以相關(guān)性分析結(jié)果為依據(jù)，選取相關(guān)程度較大的因素構(gòu)建選擇域。以“使所擬合的函數(shù)能夠以最高的準確度預(yù)測2021—2022年的采暖電量”作為優(yōu)化目標，借助遺傳算法找到合適的影響因素及相應(yīng)的系數(shù)，得出如（4）所示的采暖電量預(yù)測函數(shù)。

將2021—2022年金華冬季的人口數(shù)據(jù)、經(jīng)濟數(shù)據(jù)、氣溫數(shù)據(jù)代入上述擬合曲線，計算得到金華2021—2022年冬季采暖電量為13.5億kWh，與真實值14.3億kWh的誤差僅-5.59%。在此基礎(chǔ)上，代入2022—2023年冬季的氣溫及社會情況預(yù)測數(shù)據(jù)，即可對該季度的采暖電量進行預(yù)測。

5 結(jié)語

在全球變暖、氣溫多變的背景下，亟需開展氣溫敏感負荷用電預(yù)測研究，提升采暖、降溫用電的預(yù)測精度，為電力系統(tǒng)安全穩(wěn)定運行提供支撐。傳統(tǒng)的電力系統(tǒng)氣溫敏感負荷用電預(yù)測方法僅考慮溫度變化趨勢，忽略了氣候、地理及社會等因素的綜合影響。基于此，本文提出一種基于“3T”模型的降溫/采暖負荷及電量預(yù)測方法，將氣溫敏感負荷用電預(yù)測從溫度單“T”拓展至溫度、區(qū)域、時間“3T”，將簡單趨勢外推算法拓展至因子自動篩選和模型自適應(yīng)構(gòu)建的優(yōu)化方法，并通過算例驗證了該方法的有效性。

算例結(jié)果表明，考慮多因素、分地市差異測算更貼近實際。浙江省內(nèi)各地市的地理位置、自然稟賦、微氣象條件、溫控需求差異較大，在構(gòu)建“3T”模型過程中引入高溫/低溫累計天數(shù)、城鎮(zhèn)化率、人口等因素，有必要分地市開展差異化測算，以使得預(yù)測結(jié)果更加貼近實際。

此外，本文通過構(gòu)建“3T”模型對浙江省進行了氣溫敏感負荷及電量增長預(yù)測。在負荷方面，預(yù)計2022年冬季采暖負荷達2 200萬kW，2023年夏季降溫負荷達4 372萬kW。電量方面，預(yù)計2022年冬季采暖電量達189億kWh，2023年夏季降溫電量達400億kWh。