不同时间尺度下气象因子对电网负荷预测的影响

发布时间：2021-07-13 23:21

　　为定量分析气象因子与电网负荷之间的关系,利用2016～2018年华中咸宁地区逐日96点负荷、日最大电力负荷、日最小电力负荷和同期该地区国家气象观测站气象资料,利用计量经济学中Granger因果关系检验气象条件与电力负荷之间的关系,采用多元回归方法通过多种方式建立负荷预测模型,并对模型进行检验。结果表明,日平均气温是电力负荷的Granger原因,日平均气温不仅在短期内对电网负荷有着显著影响,在长期时效内仍有较明显的影响。考虑气象因子影响时,两种方案的准确率均有所提高,方案2的提高量比方案1最高提高0.79%;平均绝对百分比误差均有所减少,方案2的减少量比方案1最高减少0.33%。test2-a模型在不同时间尺度下预测准确率普遍高于95%,平均绝对百分比误差基本小于8%,敏感性分别为5.3%、5.8%、3.3%,模式达到最优。 

【文章来源】：水电能源科学. 2020,38(09)北大核心

【文章页数】：5 页

【部分图文】：

技术方法流程图

图2为最大（小）日电力负荷和日平均气温的日变化曲线，其中直线为用线性倾向的最小二乘法估计的最大（小）电力负荷的线性趋势。由图2可知，最大（小）日电力负荷呈现逐年波动增长趋势，最大（小）电力负荷自2016年至2018年分别以0.3×104、0.2×104kW/d的线性倾向增长，二者均通过了α=0.001的显著性检验，说明这种增长趋势明显。除此之外，最大（小）电力负荷还表现出夏季大和冬季大的双峰特征，夏季7、8月份达到波峰，冬季1、2月份达到次波峰，春秋季处在波谷，即最大（小）电力负荷与平均气温在夏季呈现正相关，在冬季呈现负相关，这与经验理论一致，夏（冬）季制冷（暖）需求增加。4 气象条件与电力负荷的Granger因果关系分析

图3为两种不同预测方案在不同时间尺度下的预测准确率，分析得test1-a与test1-b有相似之处，30、60d尺度下的预测结果相近均基本在90%以上；90d尺度下的预测准确率明显低于30、60d的预测准确率，基本在85%～90%之间。其中18～19、27～28日的预测准确率为两个谷值区，通过查询当时天气实况，在16～18日当地有两次大雨量级的降水过程，分别出现在16、18日，这两次降水导致最高气温从15日的35.6℃降至18日的26.8℃，降温幅度达8.8℃，因此造成居民制冷需求下降，而在26日当地有一次小雨量级的降水过程，导致最高气温只有29.2℃，到28日时最高气温已升至34.3℃，升温幅度达5.1℃，因此造成居民制冷需求上升，而对比这四天test1-a和test1-b的预测结果不难看到，在18日二者预测能力相当均为88%左右，19、27、28日test1-a在30、60、90d尺度下的平均准确率为87.6%、88.1%、85.8%,test1-b的则为86.4%、86.6%、84.9%，二者在60d尺度下准确率最高，进一步对比发现test1-a比test1-b在30、60、90d尺度下的准确率平均高1.23%、1.44%、0.84%。test2-a与test2-b在30、60、90d尺度下的预测结果均相似且准确率普遍高于90%，同样地，在18～19、27～28日为预测准确率的两个谷值区，19、27、28日test2-a在30、60、90d尺度下的平均准确率为88.1%、88.8%、88.0%,test2-b的则为86.3%、86.6%、86.9%，二者同样是在60d尺度下准确率最高，进一步对比发现test2-a比test2-b在30、60、90d尺度下的准确率平均高1.84%、2.23%、1.14%。

【参考文献】：
期刊论文
[1]温度变化对南京城市电力负荷的影响[J]. 张海东,孙照渤,郑艳,张昕璇,于波.  大气科学学报. 2009(04)
[2]北京市气温对电力负荷影响的计量经济分析[J]. 吴向阳,张海东.  应用气象学报. 2008(05)
[3]综合气象因素对广西电力负荷的影响[J]. 钟利华,李勇,叶殿秀,张强,况雪源,张宇平.  气象. 2008(05)
[4]支持向量机方法在电力负荷预测中的应用[J]. 罗楠,朱业玉,杜彩月.  电网技术. 2007(S2)
[5]气象要素在电力负荷预测中的应用[J]. 罗慧,巢清尘,李奇,刘安麟,顾润源.  气象. 2005(06)
[6]基于气象因子的华中电网负荷预测方法研究[J]. 胡江林,陈正洪,洪斌,王广生.  应用气象学报. 2002(05)



本文编号：3282919