固始縣夏季用電負荷對氣象因子的響應及預測

盧山 商澤浩 羅森 馬曉菲

摘 要：本文利用2015—2019年固始縣夏季用電負荷數據及同期氣象資料，在分離氣象負荷的基礎上，基于多元逐步回歸算法，建立固始縣夏季日最大用電負荷及出現時間的預測模型，并用2020年夏季日用電負荷數據進行擬合優度檢驗和顯著性檢驗，以提高模型的預測精度，切實為縣級電網調度安全運行提供精細的氣象服務。

關鍵詞：夏季;用電氣象負荷;氣象因子;相關性;預測

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

近年來，用電負荷與氣象因素的定量分析已成為供電、氣象領域眾多學者研究的重點，越來越多的研究表明，用電負荷與氣象條件有關[1]。由于氣候環境的不同，電網用電負荷與氣象因子的關系也不盡相同[2]。夏季氣象因素是引起電力負荷變化的重要因子之一[3-4]。高亞靜等通過研究發現：民用電負荷變化主要是由大功率空氣調節設備耗電引起的，其建立的人體舒適度復合氣象因子預測模型取得了較理想的效果[5]。趙娜等利用電力負荷分離后的氣象負荷分量與最高氣溫和風速之間的關系建立預報模型[6]。本研究對固始縣2015—2019年夏季（6—8月）用電負荷特性及變化規律進行分析，利用氣象因子開展用電負荷預測研究。

1 資料和方法

1.1 資料來源

固始縣電力公司調度中心提供的2015—2019年夏季逐分鐘負荷數據。

河南省氣象信息中心提供的2015—2019年夏季逐日地面氣象觀測資料，包括日平均氣壓、氣溫、最高氣溫、最小相對濕度、總云量、降水量、風速和日照時數等22個地面氣象觀測全要素。

《河南省氣象預報預警業務一體化平臺》固始站數值預報產品中24 h的降水量、最高氣溫、最低氣溫、風向、風速、總云量預測值。

固始縣發改委提供的2015—2019年固始縣國內生產總值（Gross Domestic Product，GDP）數據。

1.2 研究方法

首先，在分析用電負荷特征的基礎上，定義用電氣象負荷，利用SPSS軟件，采用逐步回歸算法，對固始縣夏季日用電負荷和出現時間建立預測模型;利用均值濾波法，分析用電負荷的年變化，突出顯現年際變化特征;利用最小二乘法分析用電氣象負荷與氣象因子的關系，并篩選出最佳相關因子;利用多元逐步回歸方法建立用電氣象負荷及負荷出現時間與氣象因子的回歸模型。

其次，使用線性回歸方法，逐一計算22個地面氣象觀測要素和6個氣象要素預測值對用電氣象負荷的貢獻率（相關性大小），并按氣象因子對用電氣象負荷的貢獻率從大到小的順序選擇進入模型的變量;逐個氣象因子加入模型中，對進入模型的每個氣象因子進行[F]檢驗，剔除不顯著的氣象因子，然后再對留在模型中的氣象因子進行[F]檢驗，直至沒有氣象因子可以納入，也沒有氣象因子可以剔除為止;建立日最大負荷及出現時間預測回歸方程（模型）。

最后，用2020年夏季日用電負荷數據進行擬合優度檢驗和顯著性檢驗。

2 用電負荷特征

2.1 日用電負荷特征

日用電負荷波動變化特征顯著，如圖1所示。固始縣電網用電量與用電負荷呈高度正相關，相關系數為0.970 261，具有明顯的年變化特征。相關系數曲線在6月低，7月和8月增高，其中5年中峰值有3年出現在8月份，2年出現在7月份。用電量最大值與最小值相差726.05萬kW·h，負荷最大值與最小值相差34.92萬kW，極差很大。可以將日用電負荷分為兩部分：一部分與當地經濟的發展狀況等基本用電負荷有關;另一部分則因氣象因素的影響而出現的波動，研究者將由氣象因素引起的變化量稱為用電氣象負荷。

2.2 固始縣電網日最大負荷出現時間特征

從2015—2019年夏季6—8月460 d日最大負荷出現時間段分布來看，最大負荷出現時間主要在11：36—12：13和20：02—21：27這兩個時段，其他時間段極少出現最大負荷，12：25—13：00僅有3次。研究者以整點統計其分布頻率，結果如圖2所示。

從上述分析可知，日最大負荷出現的時間基本在11：00和20：00。為了便于進行回歸分析，研究者把出現時間按二分法，分別賦值為“1”和“2”進行回歸計算。

3 用電氣象負荷的分離

本文重點研究氣象因素的影響，故不對隨機因素的影響進行分析，用電負荷逐年增長的趨勢主要是經濟發展和預期所致。考慮到季節變化與氣象因子關系密切，故在分析經濟趨勢影響因素時過濾其年變化，采用6—8月平均值法，僅考慮年際變化。研究者剔除趨勢性上升量，就可以得出氣象負荷。研究者利用當年GDP回歸次年夏季平均值負荷。其物理意義明確：上一年國民收入高低決定次年電力消費期望值，符合國人消費理念。

回歸方程[F]檢驗結果：[P]值為0.014 1，遠小于顯著性水平0.05值，通過[F]檢驗，所以說該方程回歸效果顯著。

4 日最大負荷預測

4.1 氣象負荷預測

通過對22個氣象觀測全要素和6個氣象要素預報值（以當日值當作前一日的預測值）逐步回歸篩選，氣象負荷（[h]）與當日高溫（[TG′]）、前一日的低溫（[TD]）、最小濕度（[fD]）、日照（[S]）呈正相關，與相溫度（[T]）、濕度（[f]）、云量（[C]）、風速（[V]）和當日云量（[C′]）等呈負相關，且相關性明顯，并通過[t]檢驗的0.05顯著性水平。經過回歸分析得出回歸模型，如公式（2）所示：

4.2 最大負荷出現時間預測

通過對22個氣象全要素和6個氣象要素預報值逐步回歸篩選，從統計5年負荷出現時間來看，主要時間是11：00和20：00，少量的是12：00和21：00。研究者用二分法將11：00前后賦值為1，20：00前后賦值為2。負荷出現時間（[t]）與前一日的日最高氣溫（[TG]）呈正相關，負荷出現時間（[t]）與前一日的日平均氣溫（[T]）、日最低氣溫（[TD]）、日照（[Z]）呈負相關，4個相關氣象要素也都通過[t]檢驗：[P]值分別0.018 608 958 4、0.049 614 188 986、0.028 303 431 9和0.018 747 497 9，都小于顯著性水平0.05值，所以說該回歸方程4個變量貢獻都顯著。經過回歸分析得出回歸模型如式（4）所示：

多元回歸模型復相關系數[R2]=0.973 3，表明最大負荷出現時間與氣象要素之間的關系為極度相關。回歸模型通過[F]檢驗：[P]值為6.6×10-269，遠小于顯著性水平0.01值，所以說該回歸模型回歸效果極顯著。

5 驗證

當建立一個實際問題的經驗回歸方程后，不能立即用其來做預測，需要對建立的回歸模型進行統計檢驗。首先，研究者運用以上預測模型式（3）和式（4），根據2019年固始縣GDP數據和2020年夏季逐日氣象要素資料模擬出日最大負荷及出現時間;其次，模擬值分別與2020年夏季逐日最大負荷及出現時間實際值進行擬合優度檢驗;最后，其驗證結果通過了顯著性水平0.01的[F]檢驗，說明預測值與實測值不存在顯著差異。具體預測檢驗見表1。

6 結論

利用2015—2019年固始夏季用電負荷數據及同期氣象資料，在分離氣象負荷的基礎上，基于多元逐步回歸算法，建立固始夏季日最大用電負荷及出現時間的預測模型，經2020年夏季驗證分析，主要結論如下。

①日最大負荷與7個基本氣象要素和2個氣象要素預報值相關性高，多元回歸模型的復相關系數為0.765 5，通過顯著性水平0.01的[F]檢驗，效果顯著。

②日最大負荷出現時間與4個基本氣象要素相關性高，多元回歸模型的復相關系數為0.973 3，表明極度相關，通過顯著性水平0.01的[F]檢驗，效果顯著。

采用夏季用電特征的線性趨勢，分離出氣象負荷，很難完全剔除基礎用電特征量，這是本文的不足之處，也是以后研究的重點。又由于用電特征變化規律的復雜性，疊加夏季多變的天氣過程，最大負荷出現時間及持續時段的把握依然是未來用電特征預測的難點。隨著人民生活水平的逐步提高，生活用電在總用電中的比重將進一步提升，因此，今后用電負荷與氣象因子的關系有更高的相關性。未來需進一步深入挖掘氣象因子對用電特征預測的敏感性，借助人工智、大數據分析、深度學習等現代科學技術方法，提高模型的預測精度，切實為縣級電網調度安全運行提供精細氣象服務。

參考文獻：

[1]康重慶，夏清，劉梅.電力系統負荷預測[M].2版.北京：中國電力出版社，2017：2.

[2]張一舉.電力負荷短期預測的分析與研究[D].西安：西安理工大學，2019：12.

[3]李琛，郭文利，吳進，等.北京市夏季日最大電力負荷與氣象因子的關系[J].氣象與環境學報，2018（3）：99-105.

[4]盧珊，高紅燕，李建科，等.西安市居民用電量對氣象因子的響應及預測[J].干旱氣象，2017（5）：886-892.

[5]高亞靜，孫永健，楊文海，等.基于新型人體舒適度的氣象敏感負荷短期預測研究[J].中國電機工程學報.2017（7）：1946-1955.

[6]趙娜，石玉恒，李乃杰，等.溫濕變化對北京城區氣象敏感電力負荷的影響分析[J].中國電力，2017（2）：175-180.