一种基于经济、气象因素的年最大负荷分类预测方法

摘要

本发明提供一种基于经济、气象因素的年最大负荷分类预测方法，该方法包括以下步骤：（1）根据各类负荷的影响因子，读取历史数据，构建分类预测模型；（2）获取目标年各解释变量值；（3）对目标年的各类负荷进行分类预测；（4）计算目标年的年最大负荷。本发明将年最大负荷分解为年基础负荷、年居民空调负荷和年非居民空调负荷，便于更深层次地考虑其影响因子；建立了分类预测模型，并在预测模型中同时考虑了经济和气象因素，在气象因素中，并未考虑具体温度的影响，而是通过对历史数据的分析，将气候条件指标和高温持续天数引入预测模型，解决了气象预报在超前性和精度方面不满足负荷预测要求的问题，提高了预测的精度。

说明书

技术领域

本发明涉及电网负荷预测技术领域，具体是一种基于经济、气象因素的年最大负荷分类预测方法。

 

背景技术

年最大负荷预测是制定电力系统发展计划的基础，是合理安排电源和电网建设进度的依据，准确地预测年最大负荷可以提高设备利用率，避免资源浪费。

目前对年最大负荷的研究主要存在两方面的问题，一是没有同时考虑经济、气象因素对年最大负荷的影响；二是由于年最大负荷一般发生在每年的7、8月份，随着人民生活水平的不断提高，空调负荷在年最大负荷中占比达三成左右，且随气象条件不同浮动较大，而目前的研究方法主要关注空调负荷与温度间的关系，没有针对用电主体的不同对空调负荷进行分类研究。鉴于以上两点，目前的研究方法对年最大负荷的预测精度不高。

 

发明内容

本发明要解决的技术问题是提供一种基于经济、气象因素的年最大负荷分类预测方法，同时考虑经济、气象因素对年最大负荷的影响，根据用电主体的不同，将空调负荷分解为居民空调负荷和非居民空调负荷，建立年最大负荷分类预测模型，提高预测精度。

本发明的技术方案为：

一种基于经济、气象因素的年最大负荷分类预测方法，包括以下步骤：

（11）获取历史样本区间各年度的年基础负荷数据和月份全社会用电量数据，构建年度基础负荷预测回归模型；

获取历史样本区间各年度的年居民空调负荷数据、居民经济数据和气象数据，构建年度居民空调负荷预测回归模型；

获取历史样本区间各年度的年非居民空调负荷数据和产业经济数据，构建年度非居民空调负荷预测回归模型；

（12）获取目标年度的月份全社会用电量、产业经济数据、居民经济数据和气象数据；

（13）根据目标年度的月份全社会用电量和年度基础负荷预测回归模型预测目标年度的年基础负荷；

根据目标年度的居民经济数据、气象数据和年度居民空调负荷预测回归模型预测目标年度的年居民空调负荷；

根据目标年度的产业经济数据和年度非居民空调负荷预测回归模型预测目标年度的年非居民空调负荷；

（14）将步骤（13）中预测得到的年基础负荷、年居民空调负荷、年非居民空调负荷累加，得到目标年度的年最大负荷。

所述的基于经济、气象因素的年最大负荷分类预测方法，所述产业经济数据为第三产业投资额或城镇社会消费品零售总额或城镇建设投资额；所述居民经济数据为城乡居民空调保有总量或城乡居民储蓄存款；所述气象数据包括气候条件指标和高温持续天数；

所述年度基础负荷预测回归模型为y₁=a*x₁+b*x₂+c；

其中，y₁表示年基础负荷，x₁表示四月份全社会用电量，x₂表示五月份全社会用电量；a、b、c为常数，是将历史样本区间各年度的年基础负荷数据、四月份用电量数据和五月份用电量数据代入所述年度基础负荷预测回归模型中拟合得到的；

所述年度居民空调负荷预测回归模型为lny₂=f*lnx₃+g*x₄+h*x₅+i；

其中，y₂表示年居民空调负荷，x₃表示城乡居民空调保有总量或城乡居民储蓄存款，x₄表示气候条件指标，x₅表示高温持续天数；f、g、h、i为常数，是将历史样本区间各年度的年居民空调负荷、城乡居民空调保有总量或城乡居民储蓄存款、气候条件指标、高温持续天数代入所述年度居民空调负荷预测回归模型中拟合得到的；

所述年度非居民空调负荷预测回归模型为y₃=d*x₆+e；

其中，y₃表示年非居民空调负荷，x₆表示第三产业投资额或城镇社会消费品零售总额或城镇建设投资额；d、e为常数，是将历史样本区间各年度的年非居民空调负荷、第三产业投资额或城镇社会消费品零售总额或城镇建设投资额代入所述年度非居民空调负荷预测回归模型中拟合得到的；

年最大负荷预测模型为y= y₁+y₂+y₃；

其中，y表示年最大负荷。

所述的基于经济、气象因素的年最大负荷分类预测方法，所述历史样本区间各年度的年基础负荷通过以下步骤获得：

（30）获取每年四月份的最大负荷和五月份的最大负荷，求取二者的平均值；

（31）获取每年的日平均温度大于或等于t₁₀℃而小于t₂₈℃的天数，以及对应天数的每日最大负荷，求取所述天数的日最大负荷的平均值；

（32）求取步骤（30）、（31）所得结果的平均值，即为历史样本区间各年度的年基础负荷；

所述历史样本区间各年度的年居民空调负荷通过以下步骤获得：

（33）获取每年的日最高温度大于或等于t₃₅℃的天数，以及对应天数的每日最大负荷，求取所述天数的每日最大负荷的平均值；

（34）获取每年的日最高温度大于或等于t₃₀℃而小于t₃₅℃的天数，以及对应天数的每日最大负荷，求取所述天数的每日最大负荷的平均值；

（35）将步骤（33）所得结果减去步骤（34）所得结果，即为历史样本区间各年度的年居民空调负荷；

所述历史样本区间各年度的年非居民空调负荷通过以下步骤获得：

（36）获取每年的年最大负荷、年基础负荷、年居民空调负荷；

（37）将每年的年最大负荷减去年基础负荷，得到年空调负荷，将年空调负荷减去年居民空调负荷，得到历史样本区间各年度的年非居民空调负荷；

所述历史样本区间各年度的气象数据的获得包括以下步骤：

（38）获取每年的年最大负荷发生日的最高温度，根据所述最高温度对年度气候条件进行模糊化处理：若一年度的年最大负荷发生日的最高温度大于或等于t₃₅℃，定义所述年度为热夏，其气候条件指标取值为1，否则，定义所述年度为凉夏，其气候条件指标取值为0；

（39）获取并分析每年的包括年最大负荷发生日在内的N个连续历史参考日的每日最高温度和每日平均温度，以年最大负荷发生日为基点，日最高温度大于或等于t₃₅℃且日平均温度大于或等于t₃₀℃的连续天数，计入热夏的高温持续天数，日最高温度大于或等于t₃₃℃而小于t₃₅℃且日平均温度大于或等于t₂₈℃而小于t₃₀℃的连续天数，计入凉夏的高温持续天数。

由上述技术方案可知，本发明根据年最大负荷的成分构成及各自特性，将年最大负荷分解为年基础负荷、年居民空调负荷和年非居民空调负荷，便于更深层次地考虑其影响因子，克服了预测样本不足的困难；建立了分类预测模型，并在预测模型中同时考虑了经济和气象因素，在气象因素中，并未考虑具体温度的影响，而是通过对历史数据的分析，将气候条件指标和高温持续天数引入预测模型，解决了气象预报在超前性和精度方面不满足负荷预测要求的问题，提高了预测的精度。

 

附图说明

图1是本发明的方法流程图；

图2是本发明年最大负荷分解原理图；

图3是本发明年最大负荷分类预测原理图。

 

具体实施方式

  下面通过具体实施例来进一步说明本发明。

一种基于经济、气象因素的年最大负荷分类预测方法，将年最大负荷分解为年基础负荷和年空调负荷，再根据用电主体对温度的敏感程度不同，将年空调负荷继续分解为年居民空调负荷和年非居民空调负荷，构建分类预测模型： 

S1、获取2005-2011年各年度的年基础负荷数据、四月份全社会用电量数据和五月份全社会用电量数据，构建年度基础负荷预测回归模型：

2005-2011年各年度的年基础负荷可以通过以下方式之一获得：

S11、获取每年四月份的最大负荷和五月份的最大负荷，求取二者的平均值，作为年基础负荷；

S12、获取每年的日平均温度大于或等于10℃而小于28℃的天数，以及对应天数的每日最大负荷，求取所述天数的日最大负荷的平均值，作为年基础负荷；

根据对2005-2011年各年度的不同温度梯度下日最大负荷平均值的统计，发现日平均温度大于或等于10℃而小于28℃时，日最大负荷平均值较小且变化较平缓，所以取此温度区间的日最大负荷平均值作为年基础负荷的一种获得方式；

S13、取S111与S112所得结果的平均值，作为年基础负荷；

用y₁表示年基础负荷，x₁表示四月份全社会用电量，x₂表示五月份全社会用电量，a、b、c表示常数，构建年度基础负荷预测回归模型y₁=a*x₁+b*x₂+c；将2005-2011年各年度的年基础负荷数据、四月份用电量数据和五月份用电量数据代入回归模型y₁=a*x₁+b*x₂+c，拟合得到

y₁=6.647*x₁+6.387*x₂+131.95；

S2、获取2005-2011年各年度的年居民空调负荷数据、居民经济数据和气象数据，构建年度居民空调负荷预测回归模型：

2005-2011年各年度的年居民空调负荷通过以下步骤获得：

S21、获取每年的日最高温度大于或等于35℃的天数，以及对应天数的每日最大负荷，求取所述天数的每日最大负荷的平均值；

S22、获取每年的日最高温度大于或等于30℃且小于35℃的天数，以及对应天数的每日最大负荷，求取所述天数的每日最大负荷的平均值；

S23、将S21所得结果减去S22所得结果，即为2005-2011年各年度的年居民空调负荷；

居民经济数据为城乡居民空调保有总量或城乡居民储蓄存款，可通过相关政府部门等权威机构发布的统计数据获得；

气象数据包括气候条件指标和高温持续天数，获取2005-2011年各年度的年最大负荷发生日的最高温度，若某年度的年最大负荷发生日的最高温度大于或等于35℃，定义该年度为热夏，其气候条件指标取值为1，否则，定义该年度为凉夏，其气候条件指标取值为0；

高温持续天数统计原则：

获取并分析每年的包括年最大负荷发生日在内的31个连续历史参考日的每日最高温度和每日平均温度，以年最大负荷发生日为基点，若该年度为热夏，对日最高温度大于或等于35℃且日平均温度大于或等于30℃的连续天数进行统计，作为该年度的高温持续天数；若该年度为凉夏，对日最高温度大于或等于33℃而小于35℃且日平均温度大于或等于28℃而小于30℃的连续天数进行统计，作为该年度的高温持续天数；

这里，以年最大负荷发生日为基点的意思是，首先判断年最大负荷发生日的最高温度和平均温度是否满足高温条件，若不满足，则该年度的高温持续天数计为0，无需再对其它历史参考日进行判断了，若满足，则继续对年最大负荷发生日前后的历史参考日进行判断，从年最大负荷发生日开始向两边延伸，分别按照相邻次序逐个判断，直到不满足高温条件的参考日出现时停止；

下面通过示例来说明，表1给出了2010年的包括年最大负荷发生日在内的31个连续历史参考日的每日最高温度和每日平均温度，由于2010年的年最大负荷发生日为2010年8月4日，而该日的最高温度为37.88℃，大于35℃，所以根据前述定义，2010年度为热夏，以8月4日为基点开始对31个连续历史参考日的日最高温度和日平均温度进行分析判断，统计2010年度的高温持续天数为6天，分别为7月31日←8月1日←8月2日←8月3日←8月4日→8月5日；

表2给出了2011年包括年最大负荷发生日在内的31个连续历史参考日的每日最高温度和每日平均温度，由于2011年的年最大负荷发生日为2011年7月29日，而该日的最高温度为36.12℃，大于35℃，所以根据前述定义，2011年度为热夏，以7月29日为基点开始对31个连续历史参考日的日最高温度和日平均温度进行分析判断，统计2011年度的高温持续天数为1天，即7月29日满足热夏的高温条件，而与其相邻的7月28日、7月30日均不满足热夏的高温条件，所以停止统计，虽然7月24日、7月25日、7月26日、8月16日的日最高温度和日平均温度满足条件，但是与年最大负荷发生日之间不属于连续天数，所以不统计在内；

表1

 

表2

用y₂表示年居民空调负荷，x₃表示城乡居民空调保有总量或城乡居民储蓄存款，x₄表示气候条件指标，x₅表示高温持续天数，f、g、h、i表示常数，构建年度居民空调负荷预测回归模型lny₂=f*lnx₃+g*x₄+h*x₅+i；将2005-2011年各年度的年居民空调负荷、城乡居民空调保有总量或城乡居民储蓄存款、气候条件指标、高温持续天数代入回归模型lny₂=f*lnx₃+g*x₄+h*x₅+i，拟合得到

lny₂=0.597*lnx₃+0.055*x₄+0.828*x₅-5.881；

S3、获取2005-2011各年度的年非居民空调负荷数据和产业经济数据，构建年度非居民空调负荷预测回归模型：

2005-2011年各年度的年非居民空调负荷通过以下步骤获得：

S31、获取每年的年最大负荷、年基础负荷、年居民空调负荷；

S32、将每年的年最大负荷减去年基础负荷，得到年空调负荷，将年空调负荷减去年居民空调负荷，得到每年的年非居民空调负荷；

产业经济数据为第三产业投资额或城镇社会消费品零售总额或城镇建设投资额，可通过相关政府部门等权威机构发布的统计数据获得；

用y₃表示年非居民空调负荷，x₆表示第三产业投资额或城镇社会消费品零售总额或城镇建设投资额，d、e表示常数，构建年度非居民空调负荷预测回归模型y₃=d*x₆+e；将2005-2011年各年度的年非居民空调负荷、第三产业投资额或城镇社会消费品零售总额或城镇建设投资额代入回归模型y₃=d*x₆+e中拟合得到

y₃=0.047*x₆+78.597；

S4、由于年最大负荷是由年基础负荷、年居民空调负荷和年非居民空调负荷三部分构成，所以年最大负荷的预测模型可表示为

y= y₁+y₂+y₃

其中，y表示年最大负荷，y₁为年基础负荷、y₂为年居民空调负荷、y₃ 为年非居民空调负荷；

S5、获取目标年度的四月份全社会用电量、五月份全社会用电量、产业经济数据、居民经济数据和气象数据的预测值； 

根据目标年度的四月份全社会用电量、五月份全社会用电量和年度基础负荷预测回归模型预测目标年度的年基础负荷y₁；

根据目标年度的居民经济数据、气象数据和年度居民空调负荷预测回归模型预测目标年度的年居民空调负荷y₂；

根据目标年度的产业经济数据和年度非居民空调负荷预测回归模型预测目标年度的年非居民空调负荷y₃；

S6、将S5中预测得到的年基础负荷y₁、年居民空调负荷y₂、年非居民空调负荷y₃累加，得到目标年度的年最大负荷y。

以2005-2011年作为历史期，若以2012年为预测目标年，采用本方法对年最大负荷进行预测，预测期误差为0.39%，历史期的拟合误差最小为0.38%，最大为2.77%，如表3-1、表3-2所示，误差均在3%范围内，提高了年最大负荷的预测精度。

表3-1

 

表3-2

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。