固始县夏季用电负荷对气象因子的响应及预测

卢山 商泽浩 罗森 马晓菲

摘 要：本文利用2015—2019年固始县夏季用电负荷数据及同期气象资料，在分离气象负荷的基础上，基于多元逐步回归算法，建立固始县夏季日最大用电负荷及出现时间的预测模型，并用2020年夏季日用电负荷数据进行拟合优度检验和显著性检验，以提高模型的预测精度，切实为县级电网调度安全运行提供精细的气象服务。

关键词：夏季;用电气象负荷;气象因子;相关性;预测

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

近年来，用电负荷与气象因素的定量分析已成为供电、气象领域众多学者研究的重点，越来越多的研究表明，用电负荷与气象条件有关[1]。由于气候环境的不同，电网用电负荷与气象因子的关系也不尽相同[2]。夏季气象因素是引起电力负荷变化的重要因子之一[3-4]。高亚静等通过研究发现：民用电负荷变化主要是由大功率空气调节设备耗电引起的，其建立的人体舒适度复合气象因子预测模型取得了较理想的效果[5]。赵娜等利用电力负荷分离后的气象负荷分量与最高气温和风速之间的关系建立预报模型[6]。本研究对固始县2015—2019年夏季（6—8月）用电负荷特性及变化规律进行分析，利用气象因子开展用电负荷预测研究。

1 资料和方法

1.1 资料来源

固始县电力公司调度中心提供的2015—2019年夏季逐分鐘负荷数据。

河南省气象信息中心提供的2015—2019年夏季逐日地面气象观测资料，包括日平均气压、气温、最高气温、最小相对湿度、总云量、降水量、风速和日照时数等22个地面气象观测全要素。

《河南省气象预报预警业务一体化平台》固始站数值预报产品中24 h的降水量、最高气温、最低气温、风向、风速、总云量预测值。

固始县发改委提供的2015—2019年固始县国内生产总值（Gross Domestic Product，GDP）数据。

1.2 研究方法

首先，在分析用电负荷特征的基础上，定义用电气象负荷，利用SPSS软件，采用逐步回归算法，对固始县夏季日用电负荷和出现时间建立预测模型;利用均值滤波法，分析用电负荷的年变化，突出显现年际变化特征;利用最小二乘法分析用电气象负荷与气象因子的关系，并筛选出最佳相关因子;利用多元逐步回归方法建立用电气象负荷及负荷出现时间与气象因子的回归模型。

其次，使用线性回归方法，逐一计算22个地面气象观测要素和6个气象要素预测值对用电气象负荷的贡献率（相关性大小），并按气象因子对用电气象负荷的贡献率从大到小的顺序选择进入模型的变量;逐个气象因子加入模型中，对进入模型的每个气象因子进行[F]检验，剔除不显著的气象因子，然后再对留在模型中的气象因子进行[F]检验，直至没有气象因子可以纳入，也没有气象因子可以剔除为止;建立日最大负荷及出现时间预测回归方程（模型）。

最后，用2020年夏季日用电负荷数据进行拟合优度检验和显著性检验。

2 用电负荷特征

2.1 日用电负荷特征

日用电负荷波动变化特征显著，如图1所示。固始县电网用电量与用电负荷呈高度正相关，相关系数为0.970 261，具有明显的年变化特征。相关系数曲线在6月低，7月和8月增高，其中5年中峰值有3年出现在8月份，2年出现在7月份。用电量最大值与最小值相差726.05万kW·h，负荷最大值与最小值相差34.92万kW，极差很大。可以将日用电负荷分为两部分：一部分与当地经济的发展状况等基本用电负荷有关;另一部分则因气象因素的影响而出现的波动，研究者将由气象因素引起的变化量称为用电气象负荷。

2.2 固始县电网日最大负荷出现时间特征

从2015—2019年夏季6—8月460 d日最大负荷出现时间段分布来看，最大负荷出现时间主要在11：36—12：13和20：02—21：27这两个时段，其他时间段极少出现最大负荷，12：25—13：00仅有3次。研究者以整点统计其分布频率，结果如图2所示。

从上述分析可知，日最大负荷出现的时间基本在11：00和20：00。为了便于进行回归分析，研究者把出现时间按二分法，分别赋值为“1”和“2”进行回归计算。

3 用电气象负荷的分离

本文重点研究气象因素的影响，故不对随机因素的影响进行分析，用电负荷逐年增长的趋势主要是经济发展和预期所致。考虑到季节变化与气象因子关系密切，故在分析经济趋势影响因素时过滤其年变化，采用6—8月平均值法，仅考虑年际变化。研究者剔除趋势性上升量，就可以得出气象负荷。研究者利用当年GDP回归次年夏季平均值负荷。其物理意义明确：上一年国民收入高低决定次年电力消费期望值，符合国人消费理念。

回归方程[F]检验结果：[P]值为0.014 1，远小于显著性水平0.05值，通过[F]检验，所以说该方程回归效果显著。

4 日最大负荷预测

4.1 气象负荷预测

通过对22个气象观测全要素和6个气象要素预报值（以當日值当作前一日的预测值）逐步回归筛选，气象负荷（[h]）与当日高温（[TG′]）、前一日的低温（[TD]）、最小湿度（[fD]）、日照（[S]）呈正相关，与相温度（[T]）、湿度（[f]）、云量（[C]）、风速（[V]）和当日云量（[C′]）等呈负相关，且相关性明显，并通过[t]检验的0.05显著性水平。经过回归分析得出回归模型，如公式（2）所示：

4.2 最大负荷出现时间预测

通过对22个气象全要素和6个气象要素预报值逐步回归筛选，从统计5年负荷出现时间来看，主要时间是11：00和20：00，少量的是12：00和21：00。研究者用二分法将11：00前后赋值为1，20：00前后赋值为2。负荷出现时间（[t]）与前一日的日最高气温（[TG]）呈正相关，负荷出现时间（[t]）与前一日的日平均气温（[T]）、日最低气温（[TD]）、日照（[Z]）呈负相关，4个相关气象要素也都通过[t]检验：[P]值分别0.018 608 958 4、0.049 614 188 986、0.028 303 431 9和0.018 747 497 9，都小于显著性水平0.05值，所以说该回归方程4个变量贡献都显著。经过回归分析得出回归模型如式（4）所示：

多元回归模型复相关系数[R2]=0.973 3，表明最大负荷出现时间与气象要素之间的关系为极度相关。回归模型通过[F]检验：[P]值为6.6×10-269，远小于显著性水平0.01值，所以说该回归模型回归效果极显著。

5 验证

当建立一个实际问题的经验回归方程后，不能立即用其来做预测，需要对建立的回归模型进行统计检验。首先，研究者运用以上预测模型式（3）和式（4），根据2019年固始县GDP数据和2020年夏季逐日气象要素资料模拟出日最大负荷及出现时间;其次，模拟值分别与2020年夏季逐日最大负荷及出现时间实际值进行拟合优度检验;最后，其验证结果通过了显著性水平0.01的[F]检验，说明预测值与实测值不存在显著差异。具体预测检验见表1。

6 结论

利用2015—2019年固始夏季用电负荷数据及同期气象资料，在分离气象负荷的基础上，基于多元逐步回归算法，建立固始夏季日最大用电负荷及出现时间的预测模型，经2020年夏季验证分析，主要结论如下。

①日最大负荷与7个基本气象要素和2个气象要素预报值相关性高，多元回归模型的复相关系数为0.765 5，通过显著性水平0.01的[F]检验，效果显著。

②日最大负荷出现时间与4个基本气象要素相关性高，多元回归模型的复相关系数为0.973 3，表明极度相关，通过显著性水平0.01的[F]检验，效果显著。

采用夏季用电特征的线性趋势，分离出气象负荷，很难完全剔除基础用电特征量，这是本文的不足之处，也是以后研究的重点。又由于用电特征变化规律的复杂性，叠加夏季多变的天气过程，最大负荷出现时间及持续时段的把握依然是未来用电特征预测的难点。随着人民生活水平的逐步提高，生活用电在总用电中的比重将进一步提升，因此，今后用电负荷与气象因子的关系有更高的相关性。未来需进一步深入挖掘气象因子对用电特征预测的敏感性，借助人工智、大数据分析、深度学习等现代科学技术方法，提高模型的预测精度，切实为县级电网调度安全运行提供精细气象服务。

参考文献：

[1]康重庆，夏清，刘梅.电力系统负荷预测[M].2版.北京：中国电力出版社，2017：2.

[2]张一举.电力负荷短期预测的分析与研究[D].西安：西安理工大学，2019：12.

[3]李琛，郭文利，吴进，等.北京市夏季日最大电力负荷与气象因子的关系[J].气象与环境学报，2018（3）：99-105.

[4]卢珊，高红燕，李建科，等.西安市居民用电量对气象因子的响应及预测[J].干旱气象，2017（5）：886-892.

[5]高亚静，孙永健，杨文海，等.基于新型人体舒适度的气象敏感负荷短期预测研究[J].中国电机工程学报.2017（7）：1946-1955.

[6]赵娜，石玉恒，李乃杰，等.温湿变化对北京城区气象敏感电力负荷的影响分析[J].中国电力，2017（2）：175-180.