南京市電力負荷特征及夏季極端負荷與氣象條件關系

李艷 俞劍蔚 蔡薌寧 范曉青 黃琰

(1 中國氣象局公共氣象服務中心，北京 100081; 2 江蘇省氣象臺，南京 210008;3 中國氣象局國家氣象中心，北京 100081)

引言

近年來，隨著我國社會經濟高速發展，城市規模不斷擴大，各行業生產經營以及人民生活用電量都在不斷攀升，其中生活用電的增長尤其迅速，造成電網運行負荷越來越重，而當電網在高負荷運行時，輸變電設備極易發生故障，并產生電網癱瘓和局部停電事件，給社會生產和人民生活造成巨大影響和損失。特別在我國經濟發達城市的夏季，近年時常出現異常持續高溫天氣，城市電網負荷不斷突破歷史極值，電網運行風險巨大，為了防止電網癱瘓，城市不得不對部分生產經營活動拉閘限電。已有研究表明，影響電網負荷變化的因子較多，其中氣象因子是影響電力負荷的主要因子之一。有學者曾對氣象因子與電力負荷的關系及其預測做過研究，張自銀等[1]指出北京市夏季日最低氣溫與逐日最大電力負荷的關系最為密切， 同時溫度和濕度的綜合效應比溫度單個因子對電力負荷波動的貢獻率更高。李琛等[2]指出氣象因子對夏季電力負荷的影響存在“多日累積效應”。胡江林等[3]指出華中電網日負荷與日平均氣溫的相關關系明顯，在日平均氣溫大于20 ℃時相關系數為正，小于20 ℃時為負，在平均氣溫為25～28 ℃時負荷對氣溫的變化最敏感。葉殿秀等[4]指出北京夏季日氣象負荷與當日氣溫的相關系數最高，與前一日氣象負荷也關系密切。國內許多學者曾分別對國內其它區域或城市的電力負荷與氣象因子的關系開展研究[5-14]，得到了不同地區氣象因子與電力負荷的關系。由于準確的電網負荷預測能帶給電力市場巨大的經濟效益，同時也能明顯減少能源損耗和浪費，因此還有一部分國內外學者針對電網和市場需求開展了日最大電力負荷預測方面的研究。Lokoshchenko等[15]研究了近25年莫斯科市氣溫與電力消耗的關系及其演變特征，指出了影響其電力消耗的主要氣象因子。Ali等[16]研究了巴基斯坦的極端高溫與電力負荷之間的關系，并采用線性模型進行趨勢擬合，取得了較好效果。Valor等[17]研究了西班牙的電力負荷與日溫度變化的關系，說明了在西班牙電力負荷對溫度變化的高度敏感性。Savi等[18]研究了塞爾維亞的城市地區電力消耗與冬夏季的冷暖氣團維持的關系，并用支持向量機進行了電力負荷預測。Matsui等[19]基于可分析神經網絡方法開展了電力峰值負荷的預報試驗。Karsaz等[20]采用聯合演化方法對電力負荷和純市場化的電價進行了預測研究。在國內，羅森波、李強、洪國平、傅新妹等學者分別采用回歸分析、機器學習等不同模型算法也對國內城市的電力負荷進行了預報試驗[21-27]。

本文選取的研究對象城市南京是我國東部特大型經濟發達城市，國民生產總值位于國內前十附近，而人均消費水平則常年位列全國前5。南京夏季高溫高濕，晝夜溫度差距小，體感溫度高。夏季高溫與較高的經濟水平和人民生活水平等因素相疊加，使得南京夏季的電力需求非常旺盛。另外，由于南京夏季易受南北方天氣系統及海上天氣系統的共同影響，使其夏季電力需求變率及其影響因子的關系更加復雜。因此對南京地區夏季極端電力負荷變化規律及其與氣象條件的關系做進一步深入研究，對于國內大型城市夏季極端電力負荷變化規律和預報研究具有較強的代表性，同時對于電網科學調度、有效調控及安全保障具有非常重要的實際價值。

1 數據與方法

1.1 數據來源及處理

本文研究所采用的電力負荷資料為南京市逐日96點采樣電力負荷數據，資料時間是2014年1月1日至2016年12月31日，除去1 d缺測，總計1095 d資料樣本；選用的氣象資料是南京市逐日氣溫(最高、最低、平均)、逐時氣溫、逐時濕度、逐時風速和逐時降水量以及NCEP/ NCAR全球逐日平均再分析資料，分辨率為2. 5°×2. 5°。為了分析氣象因子之間的綜合效應，除了常規的氣象要素以外，還引入了能表征夏季人體舒適度的炎熱指數ID[28]。

ID=1.8t-0.99(1-0.01h)(t-14.4)+32

式中,t為氣溫(℃)，h為相對濕度(%)。

試驗結果表明：ID≥80，絕大多數人均感不適；ID≥75，半數人感到不適；ID≥70，少數人(10%)感到不適；ID在60～65，大部分人感到舒適。可簡單規定：ID≥80，h>50%時為高濕天氣；ID≥80，h≤50%為高溫天氣。

1.2 極端負荷日的選取方法

本文以日最大電力負荷排名在當年夏季前5%的負荷日定為夏季極端負荷日，分析夏季逐月極端負荷時，以當年夏季各月的最大負荷日作為極端負荷日。

由于電力部門最關心的往往是出現高溫高濕天氣時，極端負荷曲線相對于平均負荷曲線的增幅和差異，從而能在極端天氣情況下提前做好調度準備。因此，本文將當年夏季所有非極端負荷日的96點負荷進行平均，得到當年夏季的平均負荷曲線，而將極端負荷曲線與當年夏季的平均負荷曲線進行差值處理，得到兩者的離差曲線(即極端負荷日相對于當年夏季平均負荷日的距平曲線)。

1.3 譜分析方法

1.3.1 功率譜分析方法

功率譜分析是以傅里葉變換為基礎的頻域分析方法，其意義為將時間序列的總能量分解到不同頻率上，根據不同頻率波的方差貢獻診斷出序列的主要周期，從而確定周期的主要頻率，即序列隱含的顯著周期。本文運用功率譜分析方法對去季節趨勢后的逐日時間序列做分析，研究天氣尺度(1～10 d)、月尺度(10～30 d)、月際尺度(30～60 d)以及季節尺度(>60 d)的電力負荷各主要周期。

1.3.2 交叉譜分析方法

交叉譜分析是用來分析兩個時間序列在不同頻率之間相互關系的一種統計方法[29]。交叉譜是復譜，可以看成是功率譜的擴展，其實部譜為協譜，虛部譜為正交譜，協譜反映的是某一頻率上同位相的相關關系，而正交譜反映的是同一頻率上兩個序列位相相差90°的相關關系。另外，也可以將交叉譜表示為振幅與位相的形式，其中交叉振幅譜能夠衡量兩個序列的相關性，相位譜描述兩序列的超前及滯后關系。為了排除量綱的影響，定義凝聚譜來反映兩個時間函數在ω頻域內信號的相關密切程度。本文運用交叉譜估計對電力負荷與自然周以及氣溫序列的相關關系進行分析。

2 結果分析

2.1 電力負荷特征分析

從南京2014—2016年逐日最大電力負荷曲線來看，2014—2015年夏季的負荷走勢相對平穩，而2016年夏季的負荷水平較前兩年明顯提升。分析發現，2016年南京夏季的高溫日數(22 d)為2015年的2.4倍，同時2014—2016年夏季極端負荷日對應的平均最高氣溫分別為：35.4 ℃、36.3 ℃、38 ℃，可見2016年夏季明顯更為炎熱，因此夏季炎熱程度對于負荷水平的影響疊加經濟發展導致的電力負荷穩定上升，造成了2016年電力負荷大幅上升。

本文首先采用諧波分析方法擬合出原序列的季節變化及線性變化趨勢(圖1) 來具體分析南京逐日最大電力負荷隨時間的周期變化，然后剔除季節趨勢得到去季節趨勢的逐日時間序列，再對其進行功率譜分析，得到3年總體和逐年電力日負荷變化周期。從圖1可知，電力負荷有明顯的季節波動性，冬夏季為負荷高峰，而在春秋季為低谷期，且逐日波動幅度較大， 達到1000 MW左右。從南京地區日最大用電負荷功率譜(圖2a) 可知，南京地區2014—2016年日最大電力負荷在季節尺度上有72 d,即2.4個月左右的周期；在季節內(月際)尺度上，則存在30 d(1個月)左右的周期；在月尺度上有11 d和15～18 d兩類波動；在月內尺度上，則有3.5 d和7 d左右的周期。同時，從圖2b～d可知，月尺度波動不同年份的周期差異較大；而在月內尺度上，所有年份均出現了7 d左右的周期，說明南京地區日最大用電負荷有顯著的7 d周期。

圖1 2014—2016年南京逐日最大電力負荷變化 及其季節變化趨勢

圖2 南京地區日最大用電負荷功率譜: (a)2014—2016年,(b)2014年，(c)2015年，(d)2016年

為進一步弄清最大電力負荷的7 d周期是由天氣周期造成的，還是由人類活動自然周的周一至周五工作而周六、周日休息的規律造成，本文采用交叉譜對2014—2016年南京逐日最大電力負荷與自然周循環兩個序列在不同周期區間上的相關關系進行分析。結果表明，凝聚譜通過α=0.05的F分布顯著性水平的周期正好在5.6 d、6.2 d和7 d，而其他頻率周期上無顯著相關性，也與功率譜分析得到的7 d左右周期基本吻合，相應的周期后延時間長度為0.34 d、0.35 d和0.26 d，說明最大電力負荷序列在5～7 d周期上基本與當日為星期幾是同步的，即存在周末效應。通過資料查看也可以直接發現最大電力負荷一般存在周五至周六的驟減和周日至周一的突增。對2014—2016年夏季(6—9月)日最大電力負荷與周循環兩個序列進行交叉譜檢驗(表1)，只有6.2天周期通過了α=0.05的顯著性檢驗，凝聚譜值減小，說明在同一時期，夏季日最大電力負荷的周末效應相對全年來說不明顯。

表1 2014—2016年夏季日最大電力負荷與 自然周交叉譜參數值

2.2 夏季極端負荷日與平均負荷日的離差

由于極端負荷日是給電網安全穩定運行造成不良影響的主要因素，南京地區的電力極端負荷日基本上出現在夏季，因此本文通過分析該地區夏季極端負荷日與平均負荷日的離差曲線來進一步了解極端負荷日相較平均負荷日逐15 min負荷變化的差異，從而為電網削峰填谷等調度措施提供準確的科學依據。經分析發現，南京市2014—2016年夏季所有的極端負荷日離差曲線中存在3種類型，分別是典型雙峰型、單峰型、非典型雙峰型。①典型雙峰型：一天之中負荷曲線存在白天和夜間兩個高峰，其中白天峰值略高于夜間峰值。②單峰型：一天之中負荷曲線僅存在一個峰值，高峰出現在中午前后，夜間負荷水平整體較低，不存在明顯上升情況。③非典型雙峰型：一天之中負荷曲線存在白天和夜間兩個高峰，其中夜間的峰值還略高于白天峰值。

從南京市2014—2016年夏季不同類型的極端負荷日與平均負荷日的平均離差曲線(圖3)可見，典型雙峰型和非典型雙峰型的離差曲線走勢非常相似，峰谷出現的時間基本同步，但不同的是典型雙峰型的平均離差要明顯高于非典型雙峰型，而單峰型的平均離差峰值介于兩者之間。從日用電量比較來看，典型雙峰型最高，非典型雙峰型次之，單峰型日用電量最低。

圖3 南京市2014—2016年夏季不同類型的極端負荷 日與平均負荷日的平均離差日變化

典型雙峰型從08:00—23:00的平均離差均在2000 MW以上。而非典型雙峰型平均離差≥2000 MW的時段主要集中在11:00—16:00及19:00—23:00。單峰型平均離差≥2000 MW的時段主要集中在白天09:00—14:00。2014—2016年南京夏季極端負荷日中，典型雙峰型出現概率最高(66.7%)，單峰型次之，非典型雙峰型最少(11.1%)。

分析2014—2016年南京夏季各月極端負荷與平均負荷的離差曲線發現(圖4)，7月呈典型雙峰型，一天之中負荷曲線存在白天和夜間兩個高峰；8月離差曲線則呈典型單峰型，高峰出現在10：00—14：00，夜間負荷水平整體較低，而6月和9月極端負荷與平均負荷的離差較7、8月明顯偏低，這與6月和9月最高氣溫明顯低于7、8月有關，極端負荷水平也同樣明顯低于盛夏時期，同時離差曲線的類型則介于典型雙峰型和典型單峰型之間，一天之中負荷最高峰主要集中在12：00—16：00。

圖4 南京市2014—2016年夏季各月極端負荷日與平均 負荷日的平均離差日變化

2.3 夏季不同類型極端負荷日的氣象條件分析

從過去研究可知，造成某一地區夏季極端電力負荷的原因比較復雜且各不相同，但一般都與氣象因子有密切關系，其中氣溫是最重要的因子之一。本文先通過交叉譜分析夏季電力日最大負荷與最高、最低氣溫以及平均氣溫序列的周期相關關系，再通過對3種極端負荷日離差曲線類型與其對應的氣象條件進行分析，得到不同極端負荷類型下不同氣象因子關系及環流形勢的特征。

2.3.1 夏季日最大電力負荷與氣溫的關系

在經濟發達城市，由于人口密集，社會生產活動頻繁，當夏季出現高溫天氣時，空調耗電量劇增導致電力負荷猛增。但影響電力負荷的氣象因子并不僅是氣溫，降水、氣壓和濕度等氣象因子對電力負荷也存在一定的影響。另外，對于氣溫的表征，除了逐時整點氣溫，表征一天氣溫狀況的方式一般有日最高氣溫、日最低氣溫和日平均氣溫，而在不同地區日最大電力負荷與氣溫的不同表征因子的相關關系不盡相同。例如，北京地區夏季日最大電力負荷與日最低溫度關系最密切[1]。對于南京地區，本文將2014—2016年夏季日最大電力負荷與最高、最低氣溫以及平均氣溫日序列分別做交叉譜分析。結果表明，日最大電力負荷與日最高氣溫的關系最為密切，同時與日平均氣溫也表現出較好的相關性，而與日最低氣溫的相關性并不明顯。從相關最顯著的電力最大負荷與最高氣溫交叉譜(表2)的特點來看，2～56 d周期均通過了0.05的F顯著性檢驗，且遠大于0.05的臨界值，即兩者無論從高頻周期到低頻周期都顯著相關。周期56 d為凝聚譜最高值，達到0.853，說明低頻月度周期的相關性最好。從位相譜來看，所有周期的位相都是最大電力負荷落后于最高氣溫，但都在0～0.4 d之間，說明電力負荷和最高氣溫兩者基本上是同步的。從協譜都明顯大于正交譜來看，相關的主要貢獻來源于同位相的相關，也說明兩者的同步性，而協譜的最大值在28 d，其他周期的協譜值差不多在0.06左右，說明日最高氣溫與電力負荷在月周期的相關對于總相關的貢獻最大。

表2 2014—2016年夏季日最大電力負荷與日最高氣溫 的交叉譜參數值

2.3.2 典型雙峰型的氣象條件

環流形勢：南京地區為強大穩定的副熱帶高壓(以下簡稱副高)控制，冷空氣活動偏弱，氣溫日變化較小，導致南京地區高溫持續時間長、用電負荷離差曲線呈現雙峰型。以2016年7月25—29日的高溫過程為例(圖5)，亞歐中高緯呈現兩槽一脊型分布，但環流經向度不大，影響我國的冷空氣勢力較弱且位置偏北。西太副高強度較常年同期偏強，并與大陸高壓打通，呈東西帶狀分布，副高588 dagpm線穩定控制35°N以南大部地區，造成南方地區大范圍持續性高溫天氣。

圖5 2016年7月25—29日500 hPa平均高度 (等值線，單位：dagpm)及距平(填色)場

氣象因子：典型雙峰型高溫持續時間長，35 ℃以上的高溫持續時間為5～10 h，白天出現峰荷的時間集中在12:00—14:00，夜間出現次峰荷的時間主要集中在20:00—21:00。從圖6a中逐小時負荷與氣溫的散點圖可以看出，小時氣溫在32 ℃左右和37 ℃左右對應的負荷有基本相當的情況，對應的即為夜間和白天雙峰的情形。相對濕度方面，隨著濕度的下降、負荷呈現逐步上升的趨勢。白天氣溫上升，往往相對濕度下降，白天峰荷對應的相對濕度為45%～60%之間，而夜間盡管氣溫下降，但由于相對濕度加大，導致體感仍舊悶熱，夜間的峰荷對應的相對濕度在55%～80%之間。

圖6 典型雙峰型夏季極端負荷日逐小時 最大負荷與氣溫(a)、相對濕度(b)、 炎熱指數(c)的散點圖及擬合曲線

炎熱指數能較好地表征了溫度和濕度對人體舒適度產生的綜合效應，從炎熱指數與逐小時負荷的擬合曲線來看(圖6c)，兩者呈現明顯的正相關關系。

2.3.3 單峰型的氣象條件

環流形勢：影響南京地區的冷空氣活動頻繁，副高具有東西擺動特征，南京地區氣溫日變化較大，多伴有陣雨或雷陣雨天氣。以2014年7月24日(圖7)和2015年8月6—7日的高溫過程為例(圖8)，江蘇上游均有中緯度低槽影響，副高主體位于海上，受冷空氣和暖濕氣流的共同影響，南京地區都出現了降水，造成地面氣溫下降，因此用電峰值一般出現在中午前后，夜間負荷水平整體較低。

圖7 2014年7月24日500 hPa平均高度 (等值線，單位：dagpm)及距平(填色)場

圖8 2015年8月6—7日500 hPa平均高度 (等值線，單位：dagpm)及距平(填色)場

氣象因子：白天無高溫或高溫出現時間較短，從18:00前后開始，氣溫陸續降到30 ℃以下，夜間負荷水平較白天顯著下降。和典型雙峰型有所不同的是，單峰型相對濕度小、負荷高的情況在整個散點圖中屬于少數情況，這意味著高負荷在一天之中出現的時間很短。由于單峰型往往一天之中炎熱持續時間不長，因此小時最大負荷與炎熱指數擬合的效果并不好，但仍呈現正相關(圖9)。

圖9 典型單峰型夏季極端負荷日逐小時最大負荷與氣溫 (a)、相對濕度(b)、炎熱指數(c)的散點圖及擬合曲線

2.3.4 非典型雙峰型的氣象條件

環流形勢：非典型雙峰型的日用電量介于典型雙峰型和典型單峰型之間，所對應的環流場上副高強度弱于典型雙峰型，冷空氣的強度弱于典型單峰型。一般來說，南京地區為副高控制(副高強度比典型雙峰型時的副高偏弱、西脊點偏東)，冷空氣活動較弱(比典型單峰型時的冷空氣強度弱)，氣溫日變化較小。以2015年7月29日的高溫過程為例(圖10)，亞歐中高緯呈現兩槽一脊型分布，影響南京地區的冷空氣勢力較弱且位置偏北；副高588 dagpm線控制江蘇、浙江等地，南京地區炎熱天氣持續時間長，同時夜晚氣溫下降緩慢，從而出現兩個用電高峰。

圖10 2015年7月29日500 hPa平均高度 (等值線，單位：dagpm)及距平(填色)場

氣象因子：同典型雙峰型類似，非典型雙峰型往往炎熱持續時間長，30 ℃以上的持續時間長達16～17 h，高溫持續時間長達5～8 h，白天出現峰荷的時間集中在13:00前后。入夜后氣溫下降慢，但相對濕度較白天峰荷時增加15%～20%，夜間出現峰荷的時間主要集中在21:00前后。從圖11a也能看出，32 ℃所對應的部分小時最大負荷甚至高于36 ℃所對應的小時最大負荷，這也能較好表明非典型雙峰型的特點，即夜間的峰荷略高于白天。逐小時相對濕度與逐小時最大負荷呈現明顯的負相關；其中白天峰荷對應的相對濕度為40%～50%之間，而夜間峰荷對應的相對濕度在60%～65%之間。從圖11c可見，隨著炎熱指數的增加，負荷呈逐步上升趨勢，R2達到了0.81，兩者呈現顯著的正相關關系。

圖11 非典型雙峰型夏季極端負荷日逐小時最大

負荷與氣溫(a)、相對濕度(b)、炎熱指數(c)散點圖

及擬合曲線

2.4 夏季不同類型極端負荷日的預測模型

從表3可見不同氣象要素與不同類型極端負荷日的相關系數，回歸建模時剔除了部分相關性較差的因子。從表4南京夏季不同類型極端負荷日的預測模型可以看出，典型雙峰型入選的因子有逐小時氣溫、逐小時相對濕度和逐小時炎熱指數，典型單峰型入選的因子為逐小時氣溫和逐小時相對濕度，而非典型雙峰型僅僅只有逐小時炎熱指數入選預測模型； 3種不同極端負荷日的預測模型平均相對誤差分別為6.4%、5.6%和5.3%，可以較好地為電力負荷提前做出定量預報服務。

表3 南京夏季不同類型的極端電力負荷日與 各要素的相關系數

表4 南京夏季不同類型的極端電力負荷日預測模型

3 結論與討論

通過對南京市2014—2016年逐時和逐日電力負荷進行特征分析和周期規律研究，結合不同極端電力負荷離差曲線類型與氣象條件的關系分析，得出以下結論：

(1)南京地區電力負荷特征屬于典型的夏冬雙峰型，從功率譜分析結果來看，南京地區2014—2016年日最大電力負荷在季節內/月際尺度上，存在30 d左右的周期；在天氣尺度上，7 d左右的周期最為顯著，而7 d左右周期與周末效應存在明顯同位相相關，滯后時間長度0.3 d左右。

(2)南京地區夏季日最大電力負荷與日最高氣溫變化的相關性最為顯著，與日平均氣溫的變化也有明顯的相關性。在2～56 d周期區間上，兩個序列的相關性都非常顯著，其中28～56 d周期的相關貢獻較大。同時，在所有周期上最大電力負荷相對于日最高氣溫滯后都小于0.4 d，基本上同步變化。

(3)南京夏季極端負荷日與平均負荷日的平均離差曲線存在典型雙峰型(Ⅰ)、單峰型(Ⅱ)、非典型雙峰型(Ⅲ)；而盛夏7月和8月的平均離差曲線分別為Ⅰ型和Ⅱ型。從日用電量來看，Ⅰ型最高，Ⅲ型次之，Ⅱ型的日用電量最低。3種類型的逐小時最大負荷與氣溫、炎熱指數都呈現顯著的正相關，與相對濕度呈現顯著的負相關。從環流形勢特征來看，Ⅰ型對應著南京地區往往受強大穩定的副高控制，冷空氣活動偏弱，氣溫日變化較小；Ⅱ型則對應著影響南京地區的冷空氣活動頻繁，副高具有東西擺動特征，南京地區氣溫日變化較大，并伴有陣雨或雷陣雨天氣；而Ⅲ型的日用電量介于Ⅰ型和Ⅱ型之間，所對應的環流場上副高強度弱于Ⅰ型，冷空氣強度弱于Ⅱ型，以上結論對于提前研判極端負荷日具有較好的指導意義。

(4)利用逐步回歸方法建立南京夏季不同類型極端負荷日的預測模型，Ⅰ型、Ⅱ型和Ⅲ型的平均相對誤差分別為6.4%、5.6%和5.3%，可以較好地為南京地區極端電力負荷提前做出定量的預報服務。