考虑气象因素的电采暖负荷预测研究

郭占伍，张泽亚，周兴华，胡诗尧，马国真，贺春光

(1. 国网河北省电力有限公司经济技术研究院,石家庄050000;2. 北京中恒博瑞数字电力科技有限公司，北京 100085)

0 引 言

为减少城市雾霾污染，改善人们生活环境，提高生活质量和城市经济持续发展，国家能源部门出台了一系列有关电代煤、电代油的文件，以促进清洁能源逐步替代污染能源，减少碳粉灰尘、二氧化碳、二氧化硫和氮氧化物等污染物质的排放，构建绿色发展的城市环境。目前北方城市燃煤取暖已经逐步采用电采暖替代，而南方地区未提供冬季供暖的地区，随着居民对屋内舒适程度要求不断提高，冬季电采暖使用也越来越频繁，冬季日最大负荷也在不断升高。

电采暖是指以电作为基础能源消耗的采暖方式，包括冷热空调、电锅炉、热泵(地源、空气源)、发热电缆、金属膜、电暖器等形式。电采暖的典型特点就是功率大，负荷集中，极易产生高峰负荷，切峰谷差大，对配电线路造成的影响较大。

因此精确地对电采暖负荷进行预测具有较大的应用需求。短期负荷预测是针对未来一天到数天各时段的负荷预测的研究，影响短期电采暖的因素主要包括：地区差异、气候条件、生活习惯及社会经济发展水平等，因此短期负荷预测具有很强的非线性特点。气象因素对于短期负荷预测有着重要的影响。其中温度对负荷影响最大，其次还有湿度、风力、降水等，这方面的研究较为广泛，其中较多的文献研究主要考虑温度、湿度等气象因素的日特征值对负荷的影响，运用神经网络、小波分析等各种方法进行负荷预测[1]，也有文献提出将多个气象因素综合考虑进行短期负荷预测，例如人体舒适度等[2]。文献[3]剖析了实时气象因素对负荷的影响并提出了处理策略，对实时气象因素的应用研究具有指导作用。文献[4]利用实时气象数据，分别建立了夏季气象敏感负荷与温度、湿度、风速等气象因素的关系模型，通过回归分析得到综合模型。但是该方法只考虑到待预测时段温度对负荷的影响，所建模型对日高峰负荷的预测能力不足。

电力系统负荷预测是指从电力负荷自身的变化规律以及季节、温度和电价等因素的影响出发，通过对历史数据的分析和研究，对电力需求作出预先的估计和推测。随着现代计算机技术的不断发展，人工智能方法、神经网络、模糊聚类、支持向量机、灰色模型、粗糙集、云计算和极限学习机法等预测方法不断被运用到电力负荷预测中[5]。

文献[6]研究了温度累积效应对电网夏季负荷的影响，研究方法相同，都提出了类似的用离散的累积系数和温度修正公式来反映累积效应强度的方法。文献[7]都对气象因素的变化对电网负荷的影响进行了研究，气象因素对于短期负荷预测带来的重要影响已经形成共识。

文章在研究配电网负荷特性的基础上，重点针对气象因素对冬季电采暖负荷特性的影响展开分析，找出其中的规律，首先研究影响电采暖负荷的气象因素，并选出主要因素，然后分析主要影响因素的关系及其与电采暖负荷的关系，最后采用构建考虑气象因素的负荷预测模型对电采暖负荷进行预测。并将电采暖负荷预测数据与实际负荷数据做对比。

1 电采暖负荷特性

从年负荷来看，北方地区电采暖负荷主要出现在冬季(11、12、1、2、3月)其中12月～1月为平均气温最低的月份，因此气象因素对电采暖负荷水平有较大影响。从日负荷来看，电采暖负荷有明显的日类型特性，在工作单位，周一～周五的负荷较高，周末和节假日负荷较低，周末和节假日商业和居民电采暖负荷均增高[8]。文献[9]给出一种典型日负荷的选取办法。根据这一算法，得出北京某煤改电区域工程典型电采暖日负荷曲线如图1所示，可以看出，北京地区电采暖典型日负荷曲线呈现早高峰、晚高峰、下午低谷的特性。这主要是因为早上工商业电采暖启动、晚上居民负荷启动、下午温度普遍回升所致。

图1 北方冬季某煤改电区域典型日负荷曲线Fig.1 Typical daily load curve of a coal-to-electricity conversion area in north China

2 影响电采暖负荷的气象因素

2.1 电采暖负荷成分分析

电采暖负荷特性受多种因素的影响，总体上影响因素可以分为气象类和非气象类[10-15]。气象类因素包括：气温、风速、湿度、降雪等。针对影响电采暖负荷的不同因素，一般可将电采暖负荷拆分成2个主要分量：

Q=QB+QW

(1)

式中Q为总电采暖负荷；QB为基础电采暖负荷分量，一般由相对稳定的工业和民用电采暖负荷构成；QW为对气象因素敏感的电采暖负荷分量。

2.2 电采暖负荷与气象因素的关联分析

因为电采暖负荷与气象条件有很强的关系，利用温度、湿度、风速与降雪等因素与电采暖负荷的关联关系研究北方冬季电采暖负荷的变化特征和预测方法，该方法的计算步骤如下。

步骤1：确定电采暖负荷特征序列和个因素序列

把所要研究的主要行为因素作为电采暖负荷特征序列X0，影响因素作为相关因素序列Xi，写成序列形式为：

X0=(x0(1),x0(2),...,x0(k),...,x0(n))

(2)

Xi=(xi(1),xi(2),...,xi(k),...,xi(n))

(3)

其中，k为序列号，n为样本个数，k=1,2,…,n；i为相关影响因素的个数，i=1,2,...,m。

步骤2：求关联度

(4)

式中i=0,1,2,...,m。

(2)确定各序列差Δi:

(5)

Δi(k)=(Δi(1),Δi(2),...,Δi(k),…,Δi(n))

(6)

其中，i=0,1,2,...,m。

(3)求序列最大极差M与最小极差m:

M=Δik|maxi-maxk|

(7)

m=Δik|mini-mink|

(8)

(4)求关联系数γi(k):

(9)

式中ε通常取0.5；k=1,2,…,n，i=1,2,…,m。

(5)计算平均关联系数γi:

(10)

式中k=1,2,…,n，i=1,2,…,m。

步骤3：分析关联系数

确定电采暖负荷数据序列(X0)与各相关因素行为序列(X1，X2，…，Xm)的关联系数，关联系数越大，则表明此因素行为序列对电采暖负荷数据序列影响越大。由此可以计算出电采暖与各气象因素的关联系数，如表1所示。

表1 电采暖负荷与气象因素关联系数Tab.1 Coefficient of correlation between electric heating load and meteorological factors

可以看出，对电采暖影响最大的因素是温度和湿度，降雪和风速对负荷的影响稍微较小。这主要是因为温度和湿度更大程度影响人体舒适度，降雪和风速影响人们对温度和湿度的心理预期，相对温度和湿度，影响程度相对较小，但是也是较重要影响因素。

3 气象因素对电采暖负荷的影响

3.1 电采暖负荷与温度的关系

对北京某煤改电区域工程电采暖负荷曲线日最大负荷与日最低温度进行回归分析，可得出表2 的电采暖负荷对温度变化的灵敏度，拟合曲线如图2所示。温度对负荷的影响存在明显的非线性关系，体现为：温度较高和较低时，灵敏度都较小，温度在-10 ℃和10 ℃之间时，负荷对温度的灵敏度较高。在0 ℃ 上下时，温度每降低1 ℃ ，电采暖负荷增大近40 MW。

表2 电采暖负荷对温度变化的灵敏度Tab.2 Sensitivity of electric heating load to temperature change

图2 电采暖负荷温度灵敏度拟合曲线Fig.2 Temperature sensitivity fitting curve of electric heating load

3.2 电采暖负荷与湿度的关系

对上述电采暖日最大负荷与日相对湿度进行回归分析，得出表3的电采暖负荷对湿度变化的灵敏度，拟合曲线如图3所示。湿度对电采暖负荷的影响也存在非线性关系，体现为：湿度较高和较低时，对电采暖负荷的灵敏度较低. 湿度在35%～75% 之间时，负荷对湿度的灵敏度较高，因为此时人体感觉湿冷，采暖负荷开启量增大。

表3 电采暖负荷对湿度变化的灵敏度Tab.3 Sensitivity of electric heating load to humidity change

图3 电采暖负荷湿度灵敏度拟合曲线Fig.3 Humidity sensitivity fitting curve of electric heating load

3.3 考虑温湿度效应的电采暖负荷预测

通过上述分析，可见气象因素中温度对电采暖负荷影响指数较大，湿度因素影响指数相对较小。在现实中，北方地区温度和湿度并无直接关系，在任何温度下可能有任何湿度，但各自对电采暖负荷的影响分别又有各自的规律，因此对负荷预测来说，需要将其二者进行融合。本文构建以温度因素为主、湿度因素为修正参数的预测模型，通过图2和图3的观察可知，电采暖负荷在温度为0℃和在湿度60%情况下，二者数值相近，并且灵敏度曲线具有较高的相似性，因此构建考虑湿度修正的电采暖负荷预测公式如下：

(11)

式中P0为基准日电采暖负荷；ΔPT为温度因素引起电采暖负荷变化；ΔSH为对应湿度H下的电采暖负荷敏感度；ΔST为对应温度T下的电采暖负荷敏感度。

4 实例验证

本文结合河北某煤改电区域工程电采暖负荷在冬季12月份的实际测试数据，温湿度数据如表4所示。

表4 某工程冬季12月份温湿度数据Tab.4 Temperature and humidity data of a project in December in winter

通过上述方法得到图4所示预测结果，其中实线为预测值，点线为仅考虑温度因素时的电采暖负荷预测值，虚线为考虑湿度因素修正的电采暖负荷预测值，仅考虑温度因素的电采暖负荷预测值与实测值的均方差为138，考虑湿度因素修正的电采暖负荷预测值与实测值的均方差为78，由此可见，综合考虑温度与湿度修正的电采暖负荷预测方法具有更高的精准度。

图4 电采暖负荷预测与实测对比曲线Fig.4 Comparison curve of predicted and measured electric heating load

5 结束语

电采暖负荷具有功率大、负荷密度集中的特征，受季节和气象影响比较大，对配电网规划运行产生较大影响，本文主要从气象因素角度出发，通过分析电采暖负荷的典型特征，采用关联关系方法，从温度、湿度、降雪、风速4个因素中，筛选了温度和湿度两个主要气象因素，并结合河北某煤改电工程实际数据，通过回归分析方法分别提取了温度和湿度两个因素对电采暖负荷的灵敏度系数，提出了综合考虑以温度因素为主、湿度因素为修正参数的电采暖负荷预测方法，经与实测数据对比，证明该预测方法具有更高的精准度。具有较好的工程应用前景。