北京夏季日最大电力负荷预报模型建立方法探讨

为了探索夏季(6～8月)日气象负荷的最佳分离方式和引起日最大电力负荷波动的主要因子,以及建立预报模型最佳个数,基于北京市2005～2010年逐日最大电力负荷和同期的气象资料,分析了北京地区日最大电力负荷的变化规律,采用不同方法将气象负荷从夏季日最大电力负荷中分离出来,分析北京夏季气象负荷与气温、相对湿度、降水及炎热指数、高温持续日数、炎热日数持续时间、前一日气象负荷等因子之间的关系,并基于2005～2009年夏季逐日气象负荷和其主要影响因子采用逐步回归方法建立日最大电力负荷的预报模型,将2010年夏季北京日最大电力负荷作为预报效果的独立样本检验。结果显示:2005～2010年,北京逐日最大电力负荷具有明显的线性增长趋势,夏季日最大电力负荷具有显著的星期效应;与去掉逐年夏季日最大电力负荷趋势和夏季平均日最大电力负荷趋势相比,去掉全年逐日最大电力负荷变化趋势的夏季日气象负荷预报模型的拟合能力更优;北京夏季日气象负荷与当日气温的相关系数最高,与前一日气象负荷也关系密切;利用前一日相对气象负荷和当日气象要素一周逐日分别建立预报模型的拟合和预测效果较好。

基于逐步回归和SVR方法的上海夏季日最大电力负荷的模拟研究

利用20132017年上海夏季(69月)逐日最大电力负荷和同期气象资料,对上海夏季的气温、炎热累积效应等气象因子与用电负荷进行相关分析,筛选建模自变量。基于逐步回归及SVR支持向量回归方法,分别建立了夏季日最大电力负荷预测模型并进行模拟误差对比。其中,以气象要素为自变量构建了逐步回归模型“方案1”,在方案1基础上加入前一天气象负荷构建了逐步回归模型“方案2”,并利用拓展后的特征值构建了SVR支持向量回归模型。对比两种方案的逐步回归模型和SVR支持向量回归模型的模拟结果可知,SVR支持向量回归模型的模拟误差最小,为3.3%,逐步回归模型的模拟误差分别为4.5%(方案1)和3.8%(方案2);从逐月的模拟效果来看,6月和9月逐步回归模型的模拟效果均优于SVR回归模型的模拟结果,而7、8月SVR支持向量回归模型的模拟效果又明显优于逐步回归模型的模拟结果,表明SVR方法能很好地模拟上海夏季高温条件下的极端负荷,在今后的实际负荷预测业务中可综合利用两类模型开展工作。

基于滤波技术的上海日最大电力负荷气象预报模型

电力负荷与气象条件密切相关,为建立上海市日最大电力负荷的预报模型,利用2010—2013年上海市日最大电力负荷数据及同期气象资料,分析日最大电力负荷的时间变化特征及其与气象因子的相关性,并基于滤波技术将日最大电力负荷分离为时间趋势项和逐日变化项,用逐步回归方法针对冬季和夏季分别建立预测模型。结果表明:1上海日最大电力负荷的各个节假日效应存在差异,春节节假日效应持续时间最长,影响最大,国庆节假期前半段节假日效应明显大于后半段。夏季的周末效应最强。2采用逐步回归方法建立的气象预报模型效果较好,回代年和预测年的平均预测相对误差均小于5%。

河南夏季日最大电力负荷预测模型

利用2005—2009年河南逐日最大电力负荷和气象资料,分析了河南日最大电力负荷的变化特征及其与气象因子的关系。河南日最大电力负荷季节变化呈双峰型,最大的峰值出现在夏季,次峰值在冬季。夏季电力负荷与气温和炎热指数有密切的关系。用逐步回归方法,针对夏季(方案1,不区分工作日和休息日)以及周一至周日(方案2,区分工作日和休息日)分别建立日最大电力负荷预测模型,并对2010年夏季逐日最大电力负荷进行预测,两种预测方案对2010年夏季日最大电力负荷预测的平均相对误差均小于3%,相关系数均达到0.90,两方案在工作日预测结果都较好,但休息日预测误差相对较大。

基于BP神经网络的北京夏季日最大电力负荷预测方法

利用2006～2017年北京夏季(6～8月)逐日最大电力负荷和同期气象资料,分析最大电力负荷与各种气象因子的相关性,基于BP(BackPropagation)神经网络算法,建立了两种夏季日最大电力负荷预测模型并对比。结果表明:北京夏季周末基础负荷远小于工作日,剔除时应加以区分;气象因子对气象负荷的影响具有累积效应,累积2 d时两者的相关性最强;结合实际,根据自变量的不同分别建立了两种日最大电力负荷预测模型;经实际预测检验,两种预测模型均取得了较好的预测效果,能够满足电力部门的实际需求,其中自变量中加入前一日气象负荷的模型效果更优。

基于气象因子的长沙市日最大电力负荷预测对比研究

基于长沙市2018—2020年逐日日最大电力负荷和同期逐日气象要素数据,统计分析了日最大电力负荷的变化规律及节假日/周末效应。用趋势法分离出气象敏感负荷,并将气象敏感负荷与气象要素做相关性分析,最后用支持向量机方法和多元线性回归法对负荷进行模拟预测。结果表明:长沙市日最大电力负荷在一年内有2个峰值,分别出现在夏季和冬季,长沙市日最大电力负荷整体呈现增长趋势。日最大电力负荷的节假日/周末效应不明显。在春季和秋季,气象敏感负荷和气象因子的相关性较差,在夏季和冬季,温度是影响气象负荷最重要的气象因子。支持向量机方法对长沙市日最大电力负荷模拟效果较好,且加入综合气象指数使得模拟结果变好。

河北省南部电网夏季电力负荷特征及与气象因子的关系

利用河北省南部电力公司提供的2007—2009年南电网区域逐日最大用电负荷资料,分析了南电网区域夏季日最大负荷变化规律,与其他月份相比,夏季5—8月的日最大电力负荷的波动性明显大于其他月份。采用标准化和相关分析法,逐月分析了气象因子与日最大电力负荷的相关性,并找出了日最大电力负荷的周变化特点,以及节假日对日最大电力负荷的影响。结合农作物生长特点,分析了南部电网日最大电力负荷变化特征,为以后日最大电力负荷预报提供了一定的参考。

成都电网夏季最大电力负荷变化特征及其与气象要素的关系

为研究成都电网最大电力负荷变化特征及与气象要素的关系,利用2013-2017年逐日最大电力负荷资料及同期气象资料,采用最小二乘法分离气象电力负荷,分析其与气象因子的关系,并采用多元逐步回归法建立夏季最大电力负荷预测模型,对预测结果进行检验。结果表明:2013-2017年成都电网逐日最大电力负荷具有逐年增长的趋势;月变化显示夏季最大电力负荷达到高峰;最大电力负荷具有显著的周效应,周一至周三最大电力负荷逐渐增大,周四、周五减小,休息日中周日最大电力负荷最小;节假日期间日最大电力负荷明显减小。气象电力负荷与当日气温相关性最大。建立的3类预测模型中,利用夏季逐日气象负荷和当日气象要素建立的日预报模型的预测效果较好。