气象环境对电网负荷的影响因素分析

彭　堃，陈星莺，李　斌，廖迎晨，余　昆

（1.河海大学能源与电气学院，南京　211100；2.江苏省电力公司，南京　210019；3.江苏省配用电与能效工程技术研究中心，南京　211100）



气象环境对电网负荷的影响因素分析

彭堃1，陈星莺1，李斌2，廖迎晨3，余昆3

（1.河海大学能源与电气学院，南京211100；2.江苏省电力公司，南京210019；3.江苏省配用电与能效工程技术研究中心，南京211100）

摘要：针对地区电网负荷易受多种气象因素影响，负荷预测中存在诸多不确定性问题，研究了气象因素对电网负荷的影响，最大程度减少由气象因素造成的负荷预测偏差。应用灰色关联度分析方法，基于大量历史数据，剖析气温、湿度、风速等气象因素与负荷特性变化的关联度，得到对负荷变化产生主要影响的气象因素。在此基础上，为了量化分析主要气象因素对负荷影响的程度，采用支持向量回归的方法得出日特征气象因素、实时气象因素对负荷变化的的灵敏度模型。同时，考虑到气温的累积效应对负荷特性变化的重要影响，研究气温累积效应对负荷的影响规律，得到气温累积效应修正公式，并用实例证明对历史数据经累积效应修正公式进行修正后，修正数据能够切实提高负荷预测的准确性。

关键词：负荷特性；气象因素；气温累积效应；灵敏度分析；灰色关联度

电网负荷预测和负荷特性分析是电力管理部门的重要工作，是电力规划和运行控制的基础，为坚强智能电网的建设提供保障，直接关系到电网运行的经济效益和社会效益。电力负荷特性受到多种随机因素的影响，具有一定的不确定性，气象因素对电力负荷的影响尤为显著。基于对大量历史数据的分析，找到数据中包含的潜在的关联性，归纳出气象环境对电网负荷的影响规律，以尽可能的在负荷预测时计及气象因素等不确定因素的影响，对准确预测电网负荷变化具有重要意义。

文献［1］—文献［3］通过对历史数据进行分析，通过关联分析和回归分析分别建立了夏季气象敏感负荷与气温、湿度、风速等气象因素的关系模型。但由于仅考虑了日特征气象因素，未对日内气象因素对负荷变化的影响进行研究，无法得到更加精细化的分析结果。文献［4］采用经验模式分解方法，将目标负荷序列分解为若干个独立的构成分量，通过各分量与各影响因素的相关分析，深入挖掘各因素对各分量的影响情况。但仅定性的归纳出负荷的构成成分，并描述了各成分的特性，并未对气象因素对负荷的影响程度进行量化分析。文献［5］在对实时气象因素、日特征气象因素与气象敏感负荷相关性分析的基础上，重点把握某些气象因素与气象敏感负荷之间的联系，通过合理选择神经网络的输入变量，实现了基于实时气象因素的短期负荷预测，但是该方法只考虑到待预测时段气温对负荷的影响，没有考虑到气温累积效应的影响，所建模型对高温负荷的预测能力不足。文献［6］剖析了夏季气温与负荷之间的相关性，讨论了热累积效应对负荷的影响，提出了基于模糊理论的气温热累积效应与负荷的关系模型及处理方法。但并未给出准确的修正公式，对数据处理的可操作性较差。

本文首先采用灰色关联度分析法，针对气温、湿度、风速等气象因素对负荷变化的影响进行分析，找到对负荷变化产生的主要影响的气象因素，在此基础上，为定量分析各气象因素在不同区间内对负荷特性的影响，通过支持向量回归的方法得到日特征气象因素及实时气象因素对负荷变化的灵敏度变化曲线，对短期负荷预测及负荷精细化控制具有一定的指导意义。同时，考虑到气象因素中气温的累积效应，通过研究累积效应对负荷影响的规律，最终得到气温累积效应修正公式，对负荷预测所采用的历史数据进行修正，为建立计及气温累积效应的预测模型提供理论基础，切实提高负荷预测的准确性。

1　气象因素与负荷特性曲线的关联度分析

1.1灰色关联度分析方法

邓聚龙教授在1982年创立了灰色系统理论，而灰色关联度分析方法则是灰色系统理论的重要组成部分［9］。灰色关联分析自创立以来，已大量应用于聚类、决策、评估、模式识别、指标权重确定等方面［10—12］。关联度是事物或因素之间关联性的量度，通过从序列中找到关联性，为因素分析、预测的精度提供依据，为主要因素的判断提供依据。本文采用灰色关联分析方法，在具有灰色特性的电力负荷预测系统中，分析各气象因素对电力负荷变化的影响，有助于对影响因素的大小进行量化，使之能够更为准确的对电力系统负荷进行预测。

下面给出灰色关联分析方法的分析步骤。

首先，确定系统特性序列以及系统相关影响因素序列。系统特性序列X0为本文所要研究的主行为因素，即电力系统负荷特性序列；相关影响因素序列Xi为本文所关注的对电力系统负荷产生影响的气象因素序列，包括气温、湿度、风速等。X0、Xi均按照时间序列形式进行表示

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为样本的时间点数；i=1，2，…，m，m为影响因素的数量。

其次，根据建立好的研究对象及影响因素序列，求影响因素同研究对象之间的灰色关联度。

（1）将各序列进行标幺化，得到标幺化后的时间序列Xi＇。

式中：i=0，1，2，…，m。

（2）建立差序列Δi。

式中：i=1，2，…，m。

（3）求两极最大差M与两极最小差m。

（4）求Xi与X0的关联度。

最后，分析各影响因素与负荷之间的关联度。根据上面的公式求出系统特性序列X0与各相关影响因素序列Xi的大小，关联度的大小表示此相关影响因素序列对系统特性序列影响的大小。

1.2气象因素与负荷特性曲线的关联度分析

气温影响方面，本文选取日最高气温、最低气温和平均气温与最大负荷进行灰色关联分析，在表1中Tmax-Lmax、Tmin-Lmax、Tavg-Lmax分别表示日最高气温、最低气温、平均气温与最大负荷的关联度。

表1　2013年A地区气温与负荷的关联度分析

从表1可以看出，日平均气温与日最大负荷的相关系数最大，也即说明日平均气温对最大负荷的影响最大，因此，日平均气温是影响日最大负荷的主要因素。

湿度影响方面，选取日最大湿度、最小湿度和平均湿度与日最大负荷进行灰色关联分析，表2中Hmax-Lmax、Hmin-Lmax、Havg-Lmax分别表示最大湿度、最小湿度和平均湿度与日最大负荷的关联度。

表2　2013年A地区大气湿度与负荷相关性分析

从表2可以看出，日最大湿度与日最大负荷的关联度均为最大，也即说明日最大湿度曲线对最大负荷曲线最为相似。由以上分析可确定日最大湿度为影响负荷的重要因素。

风速影响方面，选取日最大风速、最小风速和平均风速与日最大负荷进行灰色关联分析，表3中Wmax-Lmax、Wmin-Lmax、Wavg-Lmax分别表示最大风速、最小风速和平均风速与日最大负荷的关联度。

表3　2013年A地区风速与负荷关联度分析

由表3可以看出，日平均风速与日最大气象负荷的关联度最大，说明日平均风速对日最大气象负荷的影响最大。

2　日特征气象因素对负荷变化的影响分析

上文分析得到了夏季电网负荷与各主要影响电网负荷的气象因素的关联度。为了更为直观的得到单位影响因数变化引起的负荷变化量，本节研究日特征气象因素对电力负荷影响的灵敏度进行分析。

2.1大气气温与电网负荷之间的关系

建立电网负荷与日平均气温的散点图，并采用支持向量回归［12］的方法对其进行回归拟合，得到电网负荷随气温变化的灵敏度曲线图，如图1所示。由图1可见，气温与气象负荷的拟合关系较好，呈现明显的上升趋势。

图1　气温对电网夏季负荷变化的灵敏度拟合曲线

灵敏度分析结果如表4所示，其中的灵敏度值是通过计算单位气温的变化导致电网负荷的变化值而得出的。从表4中可以看出，在环境气温较低时，电网负荷对气温变化的灵敏度较低，随着气温的升高，电网负荷变化对气温变化的灵敏度逐渐加强，但当气温达到较高阶段时，负荷的变化幅度逐渐减小，这是由于在气温达到一定阶段后，空调负荷大部分开启，因此当气温继续升高后，负荷增加量较小。

表4　气温对电网夏季负荷变化的灵敏度

2.2大气湿度与电网负荷之间的关系

同样的，采用支持向量回归的方法对电网负荷与日最大湿度的散点图进行回归拟合，得到电网负荷随湿度变化的灵敏度曲线图，如图2所示。由图2可见，随着湿度的增大，电网负荷呈现明显的下降趋势。

图2　湿度对电网夏季负荷变化的灵敏度拟合曲线

电网负荷随湿度变化的灵敏度如表5所示，其中的灵敏度值是通过计算单位湿度的变化导致电网负荷的变化值而得出的。当相对湿度处于40%～66%范围内时，为负荷随湿度变化的弱敏感区。电网负荷对湿度变化的灵敏度较低，随着湿度的增加，负荷的改变量不是很大。当湿度达到70%以上时，为负荷随湿度变化的强敏感区。随着湿度增大，负荷量随之显著减小，电网负荷随湿度变化的灵敏度快速升高，这是由于此时空气中湿度较大，大气中产生了降水等情况，使人体对环境的舒适度提高，减少了空调等降温负荷的使用。

表5　湿度对电网夏季负荷变化的灵敏度

3　实时气象因素对负荷变化的影响分析

上文分析了日特征气象因素对负荷变化的影响。由于各种气象因素都是实时变化的，为了更加精确研究气象因素对负荷的影响，以更好的为日内负荷预测提供指导，下面分析实时气象因素对负荷变化的影响。

根据2012—2013年A地区电网日内24点负荷数据及日内24点气温、湿度数据，建立日内负荷与实时气象因素的散点图。同样的，采用支持向量回归的方法，分别得到各时刻的负荷值随实时气温、湿度变化的灵敏度曲线图。受篇幅限制，仅列出日内6个时刻负荷随实时气象因素变化的曲线图。

日内各时刻负荷量随气温变化的曲线如图3所示。从图3中可以看出，负荷与实时气温的变化呈现典型的非线性正相关关系，各时刻负荷量均随气温的升高而增加。通过比较各时刻的负荷随气温变化的灵敏度曲线图可知，各时刻负荷对气温的变化均存在弱敏感区和强敏感区，且这2个区间的边界划分在各时刻下不尽相同。如：9：00时负荷随气温变化的弱敏感区为22℃～25℃，强敏感区为26℃～30℃；而在13：00时，负荷随气温变化的弱敏感区为24℃～28℃，强敏感区为29℃～34℃。

图3　负荷随实时气温变化的曲线图

日内各时刻负荷量随湿度变化的曲线如图4所示。从图4中可以看出，负荷与实时湿度的变化呈现典型的非线性负相关关系，在湿度为40%～90%的敏感区内，负荷随实时湿度的变化显著，各时刻负荷量均随湿度的升高而减少。

图4　负荷随实时湿度变化的曲线图

在建立了日内电网负荷随实时气象因素变化的灵敏度曲线后，接下来以典型日的实例来说明其对日内负荷预测的指导作用。选取2014年7月13日作为典型日，当日实时气温、湿度数据如图5所示。

基于建立的各时刻负荷随实时气象因素变化的灵敏度曲线模型，根据典型日各时刻实时温湿度值对应得到日内各时刻的负荷，绘制出典型日的日内负荷拟合曲线，并与典型日的实际日内负荷曲线相比较，结果如图6所示。

图5　典型日气温及湿度变化曲线

图6　典型日拟合曲线和实际负荷曲线对比及相对误差图

由图6可以看出，拟合曲线与实际负荷曲线的拟合度较好。计算各点相对误差后，相对误差值均控制在0.09以内，日内平均绝对相对误差等于2.5%，精度较高，说明利用建立的各时刻负荷量随实时气象因素变化的灵敏度曲线模型来拟合负荷曲线对日内负荷预测具有很好的指导意义。

4　考虑累积效应的气温对电网负荷的影响

4.1气温累积效应对负荷的影响

单一的考虑由气温引起的负荷变化还不能够准确的预测未来电网负荷的变化。由于人体对环境变化的感知存在惯性，使得由环境改变而引起的负荷变化具有一定的滞后性。在外界环境持续高温的情况下，由于气温的累积效应，会造成降温负荷持续增加。

待预测日之前的高温时段的持续时间、高温时段持续时间内的各日最高气温，以及待预测日当天的最高气温是影响气温累积效应的重要因素。

以A地区为例，2013年7月20日至23日的气温与负荷数据如表6所示。在这连续的几天中，日最高气温的波动性很小，但用电负荷却持续增加。因此，负荷特性分析与负荷预测中应考虑气温的累积效应。

表6　累积效应示例

由上文分析得出，气温对负荷的影响在各气温区间的灵敏度不同，分为敏感区和不敏感区，因此，不同气温区间的气温累积效应的强度不相同。

高温持续时间对气温累积效应的强度有一定的影响，一般认为，高温持续3天以上时，气温累积效应的强度对高温持续时间将不再敏感。

4.2气温累积效应修正公式

考虑气温累积效应，就是要利用前几日的气温进行加权来修正待修正日的气温，气温修正公式为

式中：Ti＇为气温累积效应后的待修正日的最高气温修正值；kj为权重，即待修正日的前j日的气温对待修正日的影响权重大小；q为气温累积效应的有效天数。

基于对历史数据的分析，累积效应系数kj的求解方案如下。

（1）根据待修正日的最高气温，对kj进行离散处理。离散化处理见表7所示。

表7　累积系数kj的离散化

（2）利用历史负荷和气温数据进行曲线拟合，建立拟合函数L=f(T)。将公式（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积系数kj，n。

通过对A地区2013年6—8月的日最高气温与电网负荷数据进行分析，计算得到累积系数kj的结果如表8所示。

表8　各气温区间kj的值

以A地区2013年7月的气温及电网负荷数据为例，将计算得到的表8中的数据代入公式（7）中，对日最高气温进行修正，利用修正过后的日最高气温与日最大负荷进行灰色关联分析，求取灰色关联系数rc，与前面求得的关联度r进行对比，结果如表9所示。

表9　日最高气温修正前后关联度对比

从结果可以看出，基于计算得到的累积系数对气温数据进行修正，日最高气温与电网负荷量的关联度得到了明显的提高，说明考虑气温的累积效应后所得到的修正气温能够更精确的对负荷数据进行预测，提高负荷预测的准确性。

5　结束语

电网负荷变化受到多种气象因素综合作用，由于目前气温敏感负荷在总负荷中所占的比例越来越大，气象因素对负荷的影响能力也逐渐加强，因此，深入分析气象因素与负荷之间的关系对于提高预测准确性具有十分重要的意义。

本文在分析了各气象因素与负荷变化之间的关联度的基础上，得到影响负荷变化的主导气象因素，并利用支持向量回归的方法，构建了日特征气象因素及实时气象因素对负荷变化的灵敏度模型，并对气温累积效应对负荷的影响规律进行了归纳，得到了气温累积效应修正公式，并以实例证明了采用本文得到的气温修正公式对气温数据进行修正，能够在一定程度上提高负荷预测所需历史数据的有效性，进而提高预测的准确性。

参考文献：

［1］方鸽飞，胡长洪，郑奕辉，等.考虑夏季气象因素的短期负荷预测方法研究［J］.电力系统保护与控制，2010，38 （22）：100-104.

［2］杜彦巍，林莉，牟道槐，等.综合气象指数对电力负荷的影响分析［J］.重庆大学学报（自然科学版），2006，29 （12）：56-60.

［3］周晖，钮文洁，刘万添，等.关于夏季单位温升负荷效应回归模型的研究［J］.电网技术，2003，27（3）：46-49.

［4］牛东晓，李媛媛，乞建勋，等.基于经验模式分解与因素影响的负荷分析方法［J］.中国电机工程学报，2008，28 （16）：96-102.

［5］刘旭，罗滇生，姚建刚，等.基于负荷分解和实时气象因素的短期负荷预测［J］.电网技术，2009，33（12）：94-100.

［6］张凯，姚建刚，李伟，等.负荷预测中的气温热累积效应分析模型及处理方法［J］.电网技术，2008，32（4）：67-71.

［7］陈根永，史敬天，毛晓波，等.考虑气温积累效应的短期电力负荷预测方法研究［J］.电力系统保护与控制，2009，37（16）：24-28.

［8］刘思峰，党耀国，方志耕，等.灰色系统理论及其应用［M］.北京：科学出版社，2004.

［9］邓聚龙.灰色系统基本方法［M］.武汉：华中理工大学出版社，1988.

［10］朱振伟.气象因素对电网负荷特性影响的研究［D］.杭州：浙江大学，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

作者简介：彭堃（1989），男，河北邯郸人，硕士研究生，研究方向为能效与节能；陈星莺（1964），女，江苏无锡人，博士，教授，博士生导师，主要研究方向为电力系统运行分析与控制、配电自动化及其高级应用、电力市场与电力经济；李斌（1963），四川泸州人，研究员级高级工程师，研究方向为电力系统运行分析与控制。

基金项目：国家电网公司科技项目（公共楼宇智能用电模式动态优化关键技术研究及应用SGJS0000YXJS1501044）；国家发改委物联网专项（基于物联网）的智能用电综合管理与能效提升技术研发及产业化

收稿日期：2015-07-07；修回日期：2015-12-12

中图分类号：TM714

文献标志码：B