基于负荷解析和分类气象因子的短期负荷预测

廖 培， 商佳宜， 何 洁

（1.国网浙江省电力公司杭州供电公司，杭州 310011；2.国网浙江省电力公司，杭州 310007）

基于负荷解析和分类气象因子的短期负荷预测

廖 培1， 商佳宜1， 何 洁2

（1.国网浙江省电力公司杭州供电公司，杭州 310011；2.国网浙江省电力公司，杭州 310007）

为提高短期负荷预测的精度，通过分析不同气象因子对负荷的影响，发现不同气象因子影响不同性质的负荷。针对这一情况，根据不同气象因子对地区总负荷构成进行解析，找出各气象因子与负荷构成的对应关系，并通过历史数据挖掘及分析，构建相应的模型，提出了对应的短期负荷预测方法。通过实际应用表明，基于负荷解析及分类气象因子的负荷预测模型及预测方法具有较好的精度和可应用性。

负荷解析；气象因子；短期负荷；预测

0 引言

短期负荷预测是针对未来一天到数天各时段的负荷情况进行研究和预测，准确的短期负荷预测是电网企业做好供用电平衡和电网稳定分析及安全运行的基础。基于负荷预测的重要性，国内外学者对负荷预测作出了大量的分析研究，提出了许多负荷预测模型及预测方法。随着经济社会发展，负荷受气象因子影响的比重不断加大，特别是近年来发达城市地区，气象敏感负荷占比日益增大[1-2]。

目前较多负荷预测模型及方法，完全基于历史数据，虽然历史数据本身包含了部分气象因子，但是这种完全基于历史数据的负荷预测方式较难达到精度要求。目前实际使用的预测方法多采用软件预测加人工修正，人工修正对于气象因子的处理往往过于简单，未真正分析不同的气象因子对负荷影响的成因。

以下分析了不同气象因子对负荷的影响，发现短期负荷预测中不同气象因子影响的是总负荷中一部分，根据这一情况，依据不同情况下的负荷特性，提取出不同的气象敏感负荷构成，实现了分类气象因子下的负荷解析，并建立了相应的模型，提出了对应的短期负荷预测方法。

1 负荷特性分析及负荷解析

以杭州地区负荷为研究对象，根据不同季节及气象条件下的地区负荷及特性，分析了影响负荷变化的主要气象因子，并提取不同季节及气象条件下的气象敏感负荷，实现负荷解析，为建立相应的气象负荷模型及方法提供了先决条件。

杭州地区负荷为典型的发达城市区域负荷，气象敏感负荷占比较大。春季（3—5月）、秋季（10—11月）负荷较为稳定，气温主要集中在10～28℃，基本无降温及取暖负荷出现。负荷主要以稳定的基础负荷为主，对气温变化敏感性不强，负荷波动幅度不大。负荷波动主要受天气晴（云）/阴及降雨影响，其中天气晴（云）/阴引起的负荷变动主要为照明负荷及光伏电站出力变化。而降雨的影响主要是两方面，一方面降雨一般导致天气阴沉，照明负荷出现（夜间降雨无此影响）及光伏电站出力变化；另一方面降雨导致小水电机组发电，影响总负荷。

夏季超过一定温度，降温负荷开始出现，降温负荷的多少与温度高低呈明显的正相关性，温度越高，降温负荷越大，且当温度达到一定程度，将会出现高温累积效应，即使气温不再升高，负荷依然增加。此外，待地区降温负荷完全释放，即使气温增加或持续高温，地区负荷增加不明显或不再增加。夏季负荷气象敏感因子除温度外，降雨影响也较为明显，此外湿度、风速也对负荷波动造成一定影响。

降雨的影响基本可归结为影响温度、小水电出力、光照三方面。湿度及风速的影响相对较小，主要表现在湿度较大（降雨引起的湿度增加除外），体感闷热或湿冷，降温或取暖负荷增加。风速的影响类似于湿度，主要影响人体感觉，从而影响降温或取暖负荷。

根据上述负荷特性分析，一般可将日负荷解析为以下3个部分：基础负荷、气象敏感负荷、其他随机波动负荷[3]。

其中L为正常日负荷，Lbasic为基础负荷，是不受气象等随机因素影响的那一部分负荷，主要受经济发展速度、外部环境变化等宏观因素影响，在一定时间内变化不大，在短期负荷预测中基本保持不变。Lrandom为随机性负荷分量，受短时的随机事情影响，如短时的有序用电、错避峰措施等，正常的日负荷曲线中，这部分负荷可以视作零，只在对影响负荷的偶发事件及条件出现时，该负荷分量才存在。Lweather为负荷的气象分量，即气象敏感负荷。

针对负荷预测影响最大的气象敏感负荷进一步进行解析，认为气温、降雨、光照、湿度、风速为主要的气象因子影响负荷波动，即气象敏感负荷的变化主要由气温敏感负荷Lt、降雨敏感负荷Lr、光照敏感负荷Ls、湿度敏感负荷Lh及风速敏感负荷Lw波动引起。

2 分类气象因子的敏感负荷模型

2.1 基于温度的气象敏感负荷模型

通过分析杭州地区2012—2013年日最高负荷与最高温度、日平均温度的关系，发现最高负荷与温度呈现较强的相关性，以2013年3—12月正常工作日负荷（排除1—2月春节前后负荷数据）、天气数据为样本建立负荷与温度变化曲线，如图1所示。

图1 负荷-温度关系

图中，T*=T/Tmax，L*=L/Lmax，T与L分别为温度和负荷。

从上分析可知，10～28℃气温区间，气温对负荷波动无明显影响，当气温高于28℃或低于10℃，负荷波动于气温呈现明显的相关性。因此夏季基于温度的气象敏感负荷模型：

式中：ΔL为相对前一日同一时刻的温度负荷改变量；ΔT为预测日与前一日同一时刻的温度变化量；f（T）为负荷温度系数。

由于不同温度范围内温度变化对负荷的影响（负荷温度系数）不同，从2012—2013年夏季温度负荷数据关系，通过最小二乘法拟合可得到负荷-温度系数f（T）的初步函数关系如下：

约束条件：对某一地区，在确定年份，其最大降温负荷基本确定，当夏季降温负荷完全释放时，负荷不再增长。因此，式（2）与（3）的成立的约束条件为：

持续高温天气，当气温连续超过某一温度，类似于气象学定义天气进入夏季需要温度持续一周进入某一范围，尽管相连几天温度变化不大，但负荷相比前一日仍不断增加，对于这一现象，称为高温累积效应[3]。通过选取2013年夏季极端持续高温天气负荷及温度情况为样本，分析出杭州地区当气温连续超过33℃时，负荷增长体现出明显的高温累积效应，如表1所示。

表1 夏季负荷高温累积效应

根据历史样本数据，得出累积高温天气的温度负荷修正系数fn（T）：

式中：f（T）为常规负荷温度系数；∂为高温累积系数，根据负荷数据取0.2；n为气温超过33℃的持续天数。

冬季负荷与温度呈明显的负相关性，建立气温与负荷关系模型的方法与夏季情况相近。

2.2 基于光照的气象敏感负荷模型

传统光照气象因子对城市电网负荷的影响主要体现在照明负荷波动，当今随着新能源的快速发展，光伏发电规模逐步增大，光照条件通过光伏电站出力影响区域网供负荷波动。以10—11月负荷情况为分析样本，该时间段气温及气象条件稳定，无降温及取暖负荷，以天气阴和晴朗气象条件下负荷对比得出最大光照敏感负荷，同理提取出其他天气情况下的光照负荷，并作归一化处理如表2所示。

根据表2，得出基于光照的气象敏感负荷模型：

式中：L1max为地区最大照明负荷；PSmax为地区光伏电站最大出力。

表2 光照负荷归一化系数

2.3 基于降雨的气象敏感负荷模型

降雨对负荷波动影响主要体现在3个方面：降雨影响气温、光照及小水电机组出力，降雨气象条件下一般伴随着温度下降，从而引起负荷波动，这部分降雨敏感负荷按照气温敏感负荷进行分析，不再详述。

一定时间持续的降雨（或是达到一定降雨量），区域小水电机组开机导致网供负荷降低。小水电出力情况主要从调度水电出力曲线可以获得，例如暴雨情况下最大出力为Prmax、中雨情况下出力为Pa、小雨为Pb，阵雨为Pc，通过k3=P/Pmax得出雨量系数。此外考虑到降雨后，雨水汇集到河流，逐渐形成发电能力需要一段时间。因此，小水电出力不单是与当前降雨量有关，而是存在一定的累积效应,即与之前一段时间的降雨量有关。因此降雨对小水电出力影响具有一定的时间滞后性，不同地区滞后时间t0不同，其负荷模型为：

降雨引起光照条件变化，导致照明负荷及光伏电站出力的波动，这部分影响按照光照气象敏感负荷模型分析。

2.4 基于湿度、风速等体感敏感负荷模型

湿度、风速对负荷的影响与气温存在一定的相关性，因此不少学者、文献采取人体舒适度指标来衡量这三类气象因子的综合效果[4-5]。采用人体舒适度指标的好处，是能充分考虑各种气象因子的关联性对负荷预测的影响。但是这一指标无明确的标准，更无气象指标，只能从分立的气象指标建立关联，在实际负荷预测中适应性不强。气温作为负荷波动的主要气象因子，本身具有很明确的衡量及预测标准，而湿度、风速作为气象因子，相对影响较小，虽然单独分析忽略了部分关联性，但能准确衡量气温影响，对湿度、风速的影响衡量也能达到精度要求。因此对温度、湿度、风速采取单独分析。

湿度对负荷的影响依据气温而定。夏季在气温超过28℃，杭州地区开始出现降温负荷，在此气温范围内，若空气湿度过大，将会造成天气闷热，虽然温度基本不变，但是降温负荷增加。同理，冬季当气温低于10℃，杭州地区开始出现升温负荷，在此气温范围内，若空气湿度过大，湿冷天气将导致寒冷指数上升，取暖负荷增加。同时根据地区气象情况分析，正常天气情况下湿度不超过60%，此时湿度适中，人体不会感觉闷热或是湿冷，该湿度范围一般不会造成降温或取暖负荷波动。当湿度为大于60%，小于80%时，人体会感觉闷热或是湿冷，会导致降温或取暖负荷明显增加。当湿度超过80%时，一般为降雨天气，按降雨对负荷的影响进行分析和处理。2013年9月杭州地区部分工作日不同湿度下的负荷变化见表3。

表3 不同湿度情况下负荷

根据表3气象情况分析，13、16两日湿度较大，为南方典型的“桑拿天”，受此影响，负荷较12，18，19日明显上升，湿度敏感负荷系数取值见表4。

表4 湿度敏感负荷系数

对比大量负荷数据，取高湿度（75%以上）日期最大增长负荷Lhmax，对其他湿度情况下的湿度敏感负荷进行对比，作湿度归一化处理，得出统一的湿度敏感负荷系数k4，则：

风速夏、冬两季对降温或取暖也造成一定影响，根据历史数据分析，其影响值较小，主要是中等风速情况下会导致一定量的负荷波动。建议在气温超过28℃或低于10℃，中等及以上风速，采取固定值Lw（Lw<0）；此外对有风电机组的地区还应考虑风电出力的变化。

3 应用实例分析

3.1 短期负荷预测方法的应用

基于负荷解析与分类气象因子的短期负荷预测方法，在实际的预测中以基础负荷分量为基础，通过分类气象因子及其对应的负荷模型，获得气象负荷分量；或以相似日曲线为基础（相似日一般选取同类型日或前一日），通过对比相似日的气象信息，得出增加或减少的气象负荷，从而预测日负荷曲线。采用杭州地区2013年不同季节和天气条件下的负荷与气象历史数据作为训练样本，对该地区96个日网供点负荷进行预测。

在秋季阴天，取2013年9月5日（周四）为负荷预测日。预报气象条件为：阴，最高气温28℃，平均相对湿度50%，无风；其前一日实际气象条件：晴，最高气温29℃，平均相对湿度53%，微风。预测结果见图2，预测结果平均误差为1.15%，预测效果较好。

图2 负荷预测应用实例（秋季）

在夏季高温天，取2013年7月11日（周四）为负荷预测日。预报气象条件为：晴、最高气温37℃（持续超过33℃3天），平均相对湿度55%，微风。其前一日实际气象条件：晴、最高气温35℃，平均相对湿度50%，微风；预测结果见图3；预测结果平均误差为1.88%，预测效果较好。

3.2 不同预测方法对比分析

以2013年8月气象数据和负荷情况为样本，比较传统相似日加人工修正预测方法（简称传统方法）和基于负荷解析和分类气象因子的短期负荷预测方法（简称新方法），在工作日情况下预测准确率如表5。

图3 负荷预测应用实例（夏季）

表5 负荷预测准确率对比

从表5可以看出，基于负荷解析和分类气象因子的短期负荷预测方法相比传统的负荷预测方法，在对气象信息的处理和预测精度上更为准确，提高了负荷预测准确率。不过在夏季高温天气午后雷雨等情况下，预测精度有待提高，主要是对降雨的准确时间及范围缺乏精确的信息。

4 结语

通过不同季节及气象条件下的负荷数据对比分析，解析出日负荷曲线中的基础负荷分量、气温、降雨、光照等主要气象敏感负荷分量，建立主要气象因子模型，从而获得一定气象条件下预测日曲线，形成了基于负荷解析与分类气象因子的短期负荷预测方法。该预测方法在实际负荷预测工作中效果较好，预测精度明显提高。虽然建立的分类气象因子模型是基于杭州地区负荷特性及气象条件，分类气象因子模型中相关参数对于不同地区及负荷特性会略有不同，但对负荷解析及分类气象因子的处理思路不局限于某一地区，应具有较好的适用性。

[1]杨旭，刘自发，张建华，等.考虑气候因素的城市电力负荷预测[J].现代电力，2008，23（3）∶28-32.

[2]康重庆，周安石，王鹏，等.短期负荷预测中实时气象因素的影响分析及其处理策略[J].电网技术，2006，30（7）∶5-10.

[3]张斌，刘阳升，宋尖，等.考虑高温累积效应的夏季日最大负荷预测[J].湖南电力，2008，32（4）∶5-9.

[4]张伟.基于人体舒适度指数的配电网短期负荷预测方法[J].电力系统保护与控制，2013，41（9）∶74-79.

[5]曹磊，祖蓓.夏季温湿指数与气象敏感电力负荷的研究[J].现代电力，2011，28（5）∶41-45.

（本文编辑：杨 勇）

Short-term Load Forecasting Based on Load Decomposition and Meteorological Factors

LIAO Pei1，SHANG Jiayi1，HE Jie2
(1.State Grid Hangzhou Power Supply Company，Hangzhou 310011，China; 2.State Grid Zhejiang Electric Power Company，Hangzhou 310007，China)

In order to improve forecast accuracy of short-term load，it is concluded by analyzing impact of meteorological factors on load that different meteorological factors have impact on loads with different natures. Therefore，the regional total load constitution is analyzed depending on the different meteorological factors to find the correspondence between meteorological factor and power load constitution；through historical date mining and analysis，the load model is built and the corresponding short-term load forecast method is established.The practical application shows that the load forecast model and forecast method based on load decomposition and meteorological factors are highly accurate and applicable.

load decomposition；meteorological factor；short-term load；forecast

TM715

A

1007-1881（2015）11-0033-05

2015-09-17

廖 培（1983），男，工程师，主要从事电网分析及负荷管理工作。