基于Copula-POME的负荷与气象因素相关性度量研究

发布时间：2021-10-20 10:26

　　负荷与气象因素的关系是非线性且模糊的,针对传统的线性相关系数不能准确刻画负荷与其气象成因的相依结构。在分析负荷对气象因素响应的基础上,提出了结合Copula函数与最大熵原理（POME）的负荷与气象因素相关性度量方法,该方法基于POME建立了负荷与气象因素的边缘分布,利用Copula函数拟合了负荷与气象多变量系统中的非线性相依结构,并推导了度量相关性的Kendall秩相关系数、Spearman秩相关系数和Copula熵。在实际的负荷和气象系统中的应用表明,Copula-POME方法在分析负荷与其气象成因关系时无先验分布假定,具有灵活的函数形式,能准确表达多变量系统的相依结构;秩相关系数和Copula熵弥补了线性相关系数在度量尾部相关中的不足,能准确度量负荷与气象因素的相关性。 

【文章来源】：水电能源科学. 2020,38(11)北大核心

【文章页数】：5 页

【部分图文】：

气象因素与电力负荷函数映射思路

Copula拟合流程图

利用POME建立负荷与各气象因素的理论分布，并点绘负荷—温度、负荷—湿度、负荷—降雨、负荷—风速的经验分布见图3。由图3(a）可知，重庆地区统调负荷服从参数x0=901.53、χ=139.51的Lorentz分布，日平均温度服从参数a=22.03、b=2.62的Weibull分布，二维联合分布表明二者具有近二次函数关系，温度约20℃对应负荷的极小值，当温度升高/降低，降温/采暖负荷增加。由图3(b）可知，相对湿度服从参数a=78.62、b=7.45的Weibull分布，与负荷的二维联合分布表现为斜率为-1的直线。由图3(c）、（d）可知，降雨服从参数λ=0.14的指数分布，极大风速服从参数μ=1.59、σ=0.38的对数正态分布，二者与负荷的联合分布均较离散，联合分布关系不明显。根据建立的负荷与气象因素边缘分布及二维联合经验分布，利用Copula拟合负荷与气象因素的相依结构，并计算负荷与各气象因素的秩相关系数和Copula熵，拟合和计算结果见表1。为验证计算结果的合理性，同时也计算Pearson相关系数r和刻画多变量享有共同信息量的线性总相关系数I[9]。

【参考文献】：
期刊论文
[1]基于气象因子及机器学习回归算法的夏季空调负荷预测[J]. 田心如,蔡凝昊,张志薇.  气象科学. 2019(04)
[2]基于温度近因效应的多元线性回归电力负荷预测[J]. 王宝财.  水电能源科学. 2018(10)
[3]基于综合气象指数和日期类型的电力系统负荷预测[J]. 王惠中,刘轲,周佳.  电网与清洁能源. 2015(09)
[4]天津电力负荷特性及其与气象因子的关系[J]. 熊明明,李明财,任雨,徐姝,杨艳娟.  气象科技. 2013(03)
[5]多变量水文联合分布方法及Copula函数的应用研究[J]. 冉啟香,张翔.  水电能源科学. 2010(09)

硕士论文
[1]基于最大熵原理的确定概率分布的方法研究[D]. 李宪东.华北电力大学（北京） 2008



本文编号：3446742