邢臺市夏季制冷期電力負荷變化特征及其預報模型

張 杰，崔秀云，曲曉黎

(1.邢臺市氣象局，河北 邢臺 054000；2.甘肅省氣象局，甘肅 蘭州 730030；3.河北省氣象服務中心，河北 石家莊 050021)

引 言

隨著經濟迅速發展及空調等制冷設備在住宅和大型室內公共場所的普及，夏季制冷期用電量占全部用電量的比重日益增大，導致電能變化幅度越來越大。對最大電力負荷預測的準確性，將很大程度影響電網安全穩定運行，對供電公司的供電質量起著決定性的意義。

國內外專家對電網最大電力負荷的預測開展了大量研究[1-5]。目前，電力負荷預測模型大多考慮與不同氣象因子的關系。20世紀70年代，英國發現冬季氣溫下降1 ℃，電力負荷增加1.8%[6]。陳正洪等[7]分析了河南、湖北、湖南、江西4省的日用電量與氣溫的關系，建立了基于氣溫的夏季逐月日用電量的評估模型。張海東等[8]利用計量經濟學中格蘭杰因果關系檢驗方法，分析了平均氣溫對南京電力負荷的影響。付桂琴等[9]將積溫熱累積效應引入到日用電負荷峰谷值的預測模型中。王惠中等[10]利用最小二乘支持向量機(LSSVM)將實感溫度、溫濕指數、舒適度指數等指標與日期結合引入到電力負荷預測模型。謝偉等[11]通過改進算法顯著提高短期電力負荷預測的精度。王麗娟等[12]基于氣溫累積效應和炎熱指數，利用改進的BP神經網絡方法，對日最大電力負荷進行預測，預測精度較高。李艷等[13]分別基于逐步回歸和SVR方法，開展了上海夏季日最大電力負荷的模擬，6月和9月逐步回歸模型的模擬效果更優。

因為各地電網所面臨的氣象條件不同，以及經濟發展的不平衡，致使氣象條件對電力負荷的影響有所區別[14-18]。本文利用2013-2018年夏季的逐日最大電力負荷數據，對近年來邢臺市的夏季制冷期電力負荷特征進行分析，利用邢臺國家氣象觀測站的對應氣象數據及悶熱指數和舒適度指數進行相關性分析，并建立了基于氣象因子和悶熱指數、舒適度指數等[19-21]綜合反映氣象條件對人體影響的指數的日最大電力負荷預報方程，用2019年夏季制冷期的相關數據對模型的準確性進行檢驗，以期為電力部門合理調度提供參考。

1 資料及方法

1.1 資 料

本文所利用的2013-2019年制冷期(6-8月)逐日最大電力負荷數據來自國網河北電力有限公司邢臺供電分公司，2013-2019年逐年6-8月的邢臺國家氣象觀測站的氣象數據來源于邢臺市氣象局，包括逐日氣溫(平均、最高、最低)、降水總量、相對濕度(平均和最小值)、平均風速、日照時數、14時的氣溫和相對濕度。

1.2 方 法

電力負荷大小受很多要素的影響，其中社會經濟的飛速發展是導致電力最大負荷值變化的最重要因子，決定了電力負荷逐年變化趨勢。氣候條件會影響這種逐年變化趨勢產生一定幅度的波動，隨機因素對日最大電力負荷的影響較小，可以忽略不計。在研究氣象因子對電力負荷的影響時，必須從電力負荷中提取出氣象負荷。氣象負荷的分離采用李濱等[22]在短期日負荷預測中使用的最小二乘法來對2013-2018年邢臺市制冷期逐日最大電力負荷中的氣象負荷進行分離：

Y=Y1+Y2+Y3

(1)

式中，Y為最大日電力負荷，Y1為由于社會經濟的發展造成的電力負荷，Y2為氣象負荷，Y3為不確定原因對電力負荷峰值的影響，此項較小，可忽略不計。其中,由于社會經濟的發展造成的電力負荷：

Y1=aX+b

(2)

式中，a為常數項，b為線性傾向率，X為時間。

悶熱指數公式采用趙世林等[23]利用14時氣溫和相對濕度建立的悶熱指數：

D=(t14-0.23)×(RH14+1.8)-79.74

(3)

式中，t14為當日14時的氣溫，RH14為當日14時的相對濕度。

人體舒適度指數采用甄曉菊[24]、衛浩[25]等在研究京津冀地區的人體舒適度時空特征時采用的人體舒適度公式：

(4)

式中，DI為人體舒適度指數，t為平均氣溫，RH14為當日14時的相對濕度，V為平均風速。

通過分析逐日氣象負荷與各氣象因子及悶熱指數、人體舒適度指數的相關性，并利用逐步回歸方法[26-31],建立邢臺市夏季制冷期日最大電力負荷預報模型。

2 結果分析

2.1 夏季制冷期日最大電力負荷變化特征

2013-2018年邢臺市夏季制冷期逐日最大電力負荷的年際變化總體呈現上升趨勢(圖1)，這和國民經濟發展趨勢一致。日最大電力負荷的年最大值、最小值和平均值均在2015和2016年連續兩年下降。6年逐日最大電力負荷的平均值為3353.50MW;最大值為4933.08MW，出現在2018年8月7日；最小值為2085.31MW，出現在2016年7月20日。

圖1 2013-2018年邢臺市夏季制冷期逐日最大電力負荷的年際變化圖

圖 2為2013-2018年邢臺市夏季制冷期逐日最大電力負荷的周變化圖，由圖2可看出，周平均值變化不明顯，周內日最大電力負荷平均值的最大值(3378.13MW，出現在周二)和最小值(3323.19MW，出現在周四)僅相差54.94MW，這在一定程度上和現代制冷設備的普及有關。日最大電力負荷的最大值出現在周二，日最大電力負荷的最小值出現在周三，究其原因，與周一到周五為工作日有一定關系。

圖2 2013-2018年邢臺市夏季制冷期逐日最大電力負荷的周變化圖

對2013-2018年邢臺市夏季制冷期累年逐日最大電力負荷變化(圖 3)進行分析發現，7月13日-8月16日電力負荷明顯高于前期和后期的。從邢臺市2013-2018年夏季制冷期累年逐日最大電力負荷旬值(表 1)可以看出，旬日最大電力負荷的平均值的最高點均出現在8月上旬，7月下旬的次之，這段時間也是一年中最熱的時段。旬日最大電力負荷的最大值也出現在8月上旬。綜上所述，8月上旬和7月下旬是夏季制冷期用電的高峰期，需要重點關注。

圖3 2013-2018年邢臺市夏季制冷期累年逐日最大電力負荷變化圖

表1 2013-2018年邢臺市夏季制冷期累年逐日最大電力負荷旬值 MW

2.2 夏季制冷期日氣象負荷與各氣象因子的相關性分析

分析2013-2018年邢臺市逐日最大電力負荷變化趨勢發現，夏季制冷期逐日最大電力負荷隨著時間變化具有非常明顯的逐年增加的線性變化趨勢(圖 4)。由社會經濟的快速發展和制冷設備的普及造成的電力負荷(Y1)的計算模型為

圖4 2013-2018年邢臺市夏季制冷期逐日最大電力負荷變化線性趨勢圖

Y1=1.865X+2839

(5)

式中，X為時間。

下一步只需研究氣象負荷的預報方法，利用最小二乘法將氣象負荷分離出來，得出2013-2018年邢臺市夏季制冷期氣象負荷的逐日變化圖(圖5)。

圖5 2013-2018年邢臺市夏季制冷期逐日氣象負荷變化圖

對2013-2018年邢臺夏季制冷期的逐日氣象負荷分別與逐日氣溫(平均、最高、最低)、降水量、相對濕度(平均、最小)、平均風速、日照時數及悶熱指數和舒適度指數進行相關性分析，得出日最大電力負荷與各氣象因子的相關系數(表2)。氣象負荷與逐日氣溫(平均、最高、最低)、悶熱指數和舒適度指數呈顯著正相關，且均通過了0.01的顯著性檢驗，相關系數均超過了0.600。其中氣象負荷與日平均氣溫的相關系數最高，達到0.707。氣象負荷與降水量、日平均相對濕度、日最小相對濕度、日平均風速成反比，且均通過了0.01的顯著性檢驗，相關系數集中均在-0.133～-0.232，相關系數較小。

表2 2013-2018年邢臺市夏季制冷期逐日氣象負荷與各氣象因子的相關系數

日最大電力負荷與氣溫相關性最高，夏季氣溫上升導致制冷設備的使用量增加是夏季制冷期電力負荷升高的最主要原因。當氣溫升高、日照時數增加時，悶熱指數和人體舒適度指數變大，制冷設備使用增多，夏季制冷期氣象負荷增大，逐日氣溫、日照時數、悶熱指數和舒適度指數與氣象負荷成正比。另外，當風速增大或因出現降水過程導致濕度升高時，制冷設備使用減少，氣象負荷變小，相對濕度、風速、降水量與氣象負荷成反比。

2.3 基于氣象因子的夏季制冷期氣象負荷預報方程

利用逐步線性回歸法，分別建立基于各氣象因子、悶熱指數和舒適度指數的邢臺市夏季制冷期氣象負荷預報方程：

Y21=-2988.141+50.542Tmax+63.5135Tmin-2.387P

(7)

式中，Y21表示基于氣象因子的氣象負荷，Tmax為最高氣溫，Tmin為最低氣溫，P為降水量。R=0.731,F=210.122，方程通過0.01 的顯著性檢驗，均方根誤差為288.673。

Y22=422.719+41.783D

(8)

式中，Y22表示基于悶熱指數的氣象負荷，D為悶熱指數。R=0.695，F=513.959，方程通過0.01 的顯著性檢驗，均方根誤差為304.344。

Y23=-4162.840+55.540DI

(9)

式中,Y23表示基于舒適度指數的氣象負荷，DI為悶熱指數。R=0.701，F=530.923，方程通過0.01的顯著性檢驗，均方根誤差為301.947。

2.4 2019年夏季制冷期電力負荷試預報

通過對比發現，基于氣象因子的日最大電力負荷預報方程擬合性最好。采用最優的基于氣象因子的預報模型，對2019年夏季制冷期氣象負荷進行試預報，加上因經濟發展造成的電力負荷增長負荷，計算出2019年夏季制冷期電力負荷。與實際電力負荷數據比較，預報結果平均絕對誤差為262.225MW、平均相對誤差為6.037%。

3 結論與討論

(1)2013-2018年邢臺市夏季制冷期逐日電力負荷總體呈現逐年上升的趨勢，周平均值變化不明顯，各旬日最大電力負荷主要集中在8月上旬和7月下旬。

(2)氣象負荷與逐日氣溫(平均、最高、最低)、悶熱指數和舒適度指數呈顯著正相關，且通過了0.01的顯著性檢驗，相關系數均超過了0.600。

(3)分別建立了基于氣象因子、悶熱指數和舒適度指數的日最大電力負荷預報方程，其中基于氣象因子的日最大電力負荷預報方程擬合性最好。用2019年夏季制冷期電力負荷相關數據進行試預報，預報結果平均絕對誤差為262.225MW，平均相對誤差為6.037%。

實際工作中，經濟因素對電力負荷的影響并非為完整的線性增長，對氣象負荷的分離存在一定誤差，預報方程需要在工作中結合實際情況作一定的修正。