基于氣象因子的EEMD-BP 方法在電網(wǎng)用電量預(yù)測中的應(yīng)用

張震 ，肖鶯 ，任永建 ，3，陳正洪

（1.湖北省氣象服務(wù)中心,湖北 武漢 430205；2.武漢區(qū)域氣候中心,湖北 武漢 430205；3.成都信息工程大學(xué),四川 成都 610225）

0 引言

在氣候變暖的背景下，隨著經(jīng)濟(jì)社會的發(fā)展，人們對能源需求和依賴程度不斷提高，對能源的使用方式和利用效率提出了更高的要求。在風(fēng)能、太陽能等清潔能源高速發(fā)展的今天，電力系統(tǒng)的能源結(jié)構(gòu)發(fā)生了巨大變革，加之因提高能源利用效率而引發(fā)的電力市場改革不斷深入，這些給電網(wǎng)安全運(yùn)行增加了較大的不確定性，同時帶來了新的挑戰(zhàn)。然而，由于社會運(yùn)轉(zhuǎn)速度的不斷加快和信息量的膨脹，使準(zhǔn)確的用電量預(yù)測變得愈加困難[1]。因此，準(zhǔn)確開展電網(wǎng)用電量的預(yù)測，掌握電網(wǎng)安全運(yùn)行區(qū)間是新形勢下電網(wǎng)安全運(yùn)行的基礎(chǔ)[2]。

電網(wǎng)用電量作為電網(wǎng)系統(tǒng)中的一個至關(guān)重要的變量，對于指導(dǎo)電力系統(tǒng)規(guī)劃、運(yùn)行、控制、穩(wěn)定都有重大的影響。由于電網(wǎng)系統(tǒng)是一個復(fù)雜的、非線性的耦合系統(tǒng)，用電量的時間序列一般也具有非線性、非平穩(wěn)的特點(diǎn)。傳統(tǒng)電力系統(tǒng)短期用電量預(yù)測方法主要包括時間序列[3]、回歸分析[4]、灰色模型[5]、相似日、負(fù)荷求導(dǎo)等；但傳統(tǒng)預(yù)測方法一般忽略了電網(wǎng)系統(tǒng)具有的隨機(jī)、突發(fā)和混沌等特性，導(dǎo)致預(yù)測結(jié)果與實(shí)際需求有一定的差距。近年來，隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)應(yīng)用領(lǐng)域的拓展，以神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)[6-8]、小波分析等為代表的機(jī)器學(xué)習(xí)方法[9-10]更多地在短期用電量預(yù)測中得到應(yīng)用。神經(jīng)網(wǎng)絡(luò)這種類型的機(jī)器學(xué)習(xí)方法的優(yōu)勢在于：不需要對輸入變量做復(fù)雜的假設(shè)，可以模擬多個變量；利用輸入變量在訓(xùn)練過程中，通過學(xué)習(xí)來抽取和逼近隱含的輸入和輸出變量之間非線性關(guān)系[11]。

由于傳統(tǒng)時間序列分析方法要求數(shù)據(jù)的線性和平穩(wěn)性，因此，很難得到具有明確物理意義的結(jié)果。為有效解決這一問題，Huang 等[12]最早提出經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition,EMD）的方法，可以將復(fù)雜的時間序列分解為具有不同特征尺度的時間序列，即本征模函數(shù)（Intrinsic Mode Function,IMF），得到的趨勢項(xiàng)是一個單調(diào)函數(shù)或僅有一個極值的函數(shù)。但是，由于有些信號具有間歇性，出現(xiàn)模態(tài)混合，導(dǎo)致分解出的IMF 分量缺乏一定的物理意義。Wu 和Huang[13]在EMD 方法的基礎(chǔ)上，發(fā)展了集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition,EEMD）對EMD 方法進(jìn)行了改進(jìn)，在原始信號中加入白噪聲并進(jìn)行多次EMD 分解，以消除EMD 中存在的模態(tài)混合。

EEMD 是一種近年來發(fā)展的時間上局部的自適應(yīng)時間序列分析技術(shù)，適用于分析非線性、非平穩(wěn)的時間序列[14]。近年來，國內(nèi)學(xué)者應(yīng)用EEMD 方法開展了有關(guān)氣候變化的研究工作，如旱澇變化[15]、熱帶風(fēng)暴[16]及其影響機(jī)制、節(jié)氣變化[14]、氣溫[17-18]和降水變化[19]、全球氣候模式的模擬研究[20]。同時，EEMD方法在風(fēng)電場風(fēng)電功率預(yù)測[21-22]、光伏電站短期發(fā)電功率預(yù)測[23-24]及徑流的變化研究[25]中也得到了較好的應(yīng)用。

近年來，國內(nèi)學(xué)者利用EEMD 方法開展電網(wǎng)負(fù)荷和電量預(yù)測研究[26-27]，并取得了較多有意義的成果，組合預(yù)測方法已經(jīng)被證明是一種可以提高預(yù)測精度的有效方法[28-29]。有學(xué)者探索了EEMD-BP 方法在電網(wǎng)負(fù)荷和用電量預(yù)測中的應(yīng)用，研究表明，EEMDBP 組合預(yù)測方法比BP 預(yù)測方法可有效減小預(yù)測誤差[30]。眾多學(xué)者的研究表明，用電量受經(jīng)濟(jì)發(fā)展水平、氣象因子、電價、節(jié)假日、工農(nóng)業(yè)結(jié)構(gòu)等眾多因子的影響[31]，但氣象因子的影響尤為顯著[32-36]。前人的研究多集中在EEMD 與其他方法組合預(yù)測對負(fù)荷和用電量預(yù)測的改進(jìn)效果，但氣象條件在組合預(yù)測中對預(yù)測精度的影響分析相對較少。因此，在前人研究的基礎(chǔ)上，本文利用華中電網(wǎng)某市2017 年逐日電量和氣象數(shù)據(jù)，建立了基于EEMD-BP 方法的日用電量預(yù)測模型，并對模型的回歸和預(yù)測結(jié)果進(jìn)行分析，以期為改進(jìn)和完善短期用電量預(yù)測方法提供參考和指導(dǎo)。

1 方法和數(shù)據(jù)介紹

EEMD 算法與EMD 算法大致相同：給定原始信號x(t)，通過將x(t)引入白噪聲，采用EMD 算法對引入白噪聲的原始信號進(jìn)行多次分解，將分解后的IMF 向量和剩余分量求其平均。EEMD 算法基本步驟[25]如下：

1）確定好已初始化的EMD 算法迭代次數(shù)M 和第m 次實(shí)驗(yàn)和加入白噪聲n(t)后的信號y(t)：

2）對y(t)信號進(jìn)行EMD 分解，得出各階IMF 分量和一個剩余分量：

3）若m

IMF 分量ci,m(t)以及剩余分量rn,m(t)分別為：

4）經(jīng)過M 次EMD 分解，對各階IMF 分量和剩余分量求整體平均值得：

BP 方法（Back-Propagation）也叫誤差反向傳播算法，是一種具有3 層或3 層以上的前饋神經(jīng)網(wǎng)絡(luò)，BP 神經(jīng)網(wǎng)絡(luò)有1 個輸入層，1 個或多個隱含層和1個輸出層，上下層之間的各神經(jīng)元實(shí)現(xiàn)全連接，具體算法參考文獻(xiàn)[11]的研究。

基于氣象因子的EEMD-BP 用電量預(yù)測模型的研究思路：首先將用電量序列采用EEMD 方法進(jìn)行分解，獲得多個本征模函數(shù)（IMF）和殘差；將本征模函數(shù)按高頻分量、周期分量及低頻分量采用BP 神經(jīng)網(wǎng)絡(luò)分別構(gòu)建不同的IMF 和殘差的預(yù)測模型，其中低頻分量中疊加氣象因子；最后，將BP 模型預(yù)測的結(jié)果進(jìn)行累加即可得到最終的預(yù)測用電量。

本文所用的電力數(shù)據(jù)為國家電網(wǎng)華中分部調(diào)度控制中心提供的華中某市2017 年逐日用電量數(shù)據(jù)。氣象數(shù)據(jù)時段同為2017 年，要素包括逐日的平均溫度、最高溫度、最低溫度、降水量、相對濕度、氣壓、風(fēng)速等，國家氣象觀測站包括華中某市下轄的各縣（市），數(shù)據(jù)來源于湖北省氣象信息與技術(shù)保障中心。最終以各縣（市）國家氣象觀測站不同要素的算術(shù)平均表征該市的氣象要素值。用電量和氣象數(shù)據(jù)均經(jīng)過嚴(yán)格的質(zhì)量控制。

2 負(fù)荷特征分析

以華中某市2017 年逐日電網(wǎng)用電量為初始序列，加入該序列標(biāo)準(zhǔn)偏差0.01 倍振幅的白噪聲進(jìn)行EMD 分解，得到8 個IMF，每次都增加同樣振幅但數(shù)值不同的白噪聲序列重復(fù)上述過程100 次，最后將100 次結(jié)果相應(yīng)的IMF 各自集合平均得到8 個IMF 及余項(xiàng)，結(jié)果如圖1 所示?？梢钥闯?，頻率依次減小，周期逐漸增大，平穩(wěn)性得到改善。IMF1～I(xiàn)MF2疊加代表隨機(jī)分量，表現(xiàn)出較強(qiáng)的非平穩(wěn)性；IMF3～I(xiàn)MF5 疊加代表周期分量；IMF6～I(xiàn)MF8 及剩余項(xiàng)疊加為趨勢分量，平穩(wěn)性和規(guī)律性增強(qiáng)。

圖1 2017 年用電量序列EEMD 分解結(jié)果Fig.1 Decomposition results of electricity consumption series in 2017

隨機(jī)分量是分解后高頻部分的總和，體現(xiàn)了用電量變化的隨機(jī)性，該部分很難建立模型進(jìn)行預(yù)測，屬于不可預(yù)測分量。周期分量反映了用電量周、月、季節(jié)為周期變化的分量，在預(yù)測中可直接外推，屬于穩(wěn)定分量成分。趨勢分量是低頻分量的總和，反映了氣象因素等慢變相關(guān)因素對用電量的影響，該部分屬于可預(yù)測分量，可以通過建立合適的模型進(jìn)行預(yù)測。

為分析用電量不同頻域分量與氣象因子的關(guān)系，表1 給出了氣象因子同用電量分解后各IMF 及余項(xiàng)的相關(guān)系數(shù)統(tǒng)計?？梢钥闯?，用電量實(shí)況值與逐日平均氣溫、最高氣溫和最低氣溫存在顯著的正相關(guān)，相關(guān)系數(shù)分別為0.47、0.47 和0.45，均通過信度為0.01 的顯著性檢驗(yàn)，與氣壓存在顯著的負(fù)相關(guān)、相關(guān)系數(shù)為-0.4；而與降水等級、相對濕度和風(fēng)速的相關(guān)并不明顯。

表1 氣象因子與IMF 及余項(xiàng)的相關(guān)系數(shù)Tab.1 Correlation coefficients of meteorological factors with IMF and residuals

高頻分量中，IMF1 和IMF2 分量與各氣象因子沒有相關(guān)關(guān)系，僅與風(fēng)速要素存在明顯的負(fù)相關(guān)。周期分量中IMF3～I(xiàn)MF4 與用電量實(shí)況序列的特征比較一致，與平均氣溫、最高氣溫、最低氣溫存在正相關(guān)，與氣壓存在負(fù)相關(guān)，相關(guān)系數(shù)明顯減小，但均通過了顯著性檢驗(yàn)；與降水等級、相對濕度和風(fēng)速的關(guān)系并不密切。IMF5 分量與溫度、降水等級、相對濕度呈顯著負(fù)相關(guān)，而與氣壓呈顯著正相關(guān)。低頻分量IMF6～I(xiàn)MF8 和余項(xiàng)除與平均氣溫、最高氣溫、最低氣溫存在顯著的正相關(guān)、與氣壓存在顯著的負(fù)相關(guān)之外，與相對濕度也存在明顯的正相關(guān)，IMF8分量與氣象因子的相關(guān)關(guān)系較其他序列明顯提高，相關(guān)系數(shù)分別為0.88、0.86、0.89、-0.80、0.47，均通過了信度為0.01 的顯著性檢驗(yàn)。因此，在利用EEMD-BP 建立預(yù)測模型時，選用相關(guān)性通過顯著性檢驗(yàn)的平均氣溫、最高氣溫、最低氣溫、氣壓和相對濕度這5 個氣象因子。

3 預(yù)報模型建立及檢驗(yàn)

3.1 回歸模型檢驗(yàn)

為檢驗(yàn)預(yù)測模型的效果，首先對模型的回歸效果進(jìn)行分析。本文所構(gòu)建的雙隱含層BP 神經(jīng)網(wǎng)絡(luò)模型，輸入層為前1 天用電量，輸出層為當(dāng)日用電量。BP-QX 為疊加氣象因子的神經(jīng)網(wǎng)絡(luò)模型，輸入層除前1 天的用電量，還包含了當(dāng)日的平均氣溫、最高氣溫、最低氣溫、氣壓和相對濕度，輸出層同為當(dāng)日用電量。

圖2 給出了利用BP、BP-QX（疊加氣象因子）和EEMD-BP、EEMD-BP-QX 模型回歸用電量序列。可以看出，利用BP、EEMD-BP 模型回歸得出的用電量序列可較好地擬合原始用電量序列，相關(guān)系數(shù)為0.94、0.98，但依然存在一定的誤差；引進(jìn)氣象因子后，BP-QX、EEMD-BP-QX 回歸用電量序列與原始序列的相關(guān)性有所提高，分別為0.98、0.99，同時誤差進(jìn)一步縮小。

圖2 模型回歸用電量序列Fig.2 Regression analysis of electricity consumption series

為了進(jìn)一步分析不同預(yù)測方法及其疊加氣象因子后回歸效果，圖3 給出了模型回歸不同誤差區(qū)間的占比。利用BP 模型回歸得出的用電量與原始用電量之間誤差在4%以內(nèi)天數(shù)占全年的72.0%，其中誤差在2% 以內(nèi)的占比為45.2%；誤差在10% 以上的占比為3.6%（圖3（a））。全年回歸用電量的平均絕對誤差為3.2%，均方根誤差為4.83；其中最大相對誤差為27.3%，出現(xiàn)在8 月8 日。在BP 回歸模型的基礎(chǔ)上，疊加氣象因子之后的回歸效果得到了改善，誤差在4%以內(nèi)的天數(shù)占全年的87.0%，較直接利用BP 模型得出的相同誤差占比提高了15.0%，其中誤差在2% 以內(nèi)的占比提高了17.2%；而誤差在10%以上的天數(shù)占比減小為0.6%。全年回歸用電量的平均絕對誤差在2.1%，均方根誤差為2.82；其中最大誤差為16.3%，出現(xiàn)在1 月28 日，而8 月8 日的相對誤差減小為0.87%。通過對比發(fā)現(xiàn)，引進(jìn)氣象因子后，BP 方法模擬得到的用電量有了較為明顯的改進(jìn)，但誤差依然較大，很難滿足用電量精細(xì)化預(yù)測的需求。

圖3 模型回歸不同誤差區(qū)間的占比Fig.3 Proportion of different error intervals in regression analysis

對比發(fā)現(xiàn)，利用EEMD-BP 方法得出的回歸序列與原電量序列的相對誤差得到了明顯的改進(jìn)（圖3（b））。絕對誤差在0.4%之內(nèi)的天數(shù)占全年的88.0%，其中誤差在0.2% 之內(nèi)的天數(shù)占比為62.2%。絕對誤差在1%以上的天數(shù)占比為2.4%，絕對偏差為0.22%，均方根誤差為0.34，最大相對誤差為2.25%?？梢?，EEMD-BP 方法對用電量模擬的精度有了大幅提高，尤其是BP 方法中誤差較大的6 月4 日、8 月8 日、8 月12 日、8 月29 日，相對誤差由原來的17.8%、27.3%、17.4%、26.2%減小至0.7%、-0.38%、-0.09%、0.12%。

在EEMD-BP 方法的基礎(chǔ)上，進(jìn)一步分析了氣象因子對用電量預(yù)測模型的影響。引進(jìn)氣象因子以后，相對誤差有了明顯的降低，尤其是在夏季和冬季，因?yàn)槎膬蓚€季節(jié)的氣象條件對用電量的影響尤為明顯。1 月28 日，EEMD-BP 方法預(yù)測的用電量相對誤差為2.25%，EEMD-BP-QX 預(yù)測的用電量相對誤差減小至1.81%，氣象條件對用電量預(yù)報模型的影響一直持續(xù)到1 月30 日。絕對偏差、均方根誤差和最大相對誤差也有一定的減小?？梢?，氣象條件對EEMD-BP 用電量預(yù)測模型至關(guān)重要。

3.2 預(yù)測模型分析

通過以上的分析，疊加了氣象因子的EEMD-BP方法構(gòu)建用電量預(yù)測模型可以有效地提高預(yù)測精度。為進(jìn)一步分析EEMD-BP 以及氣象條件對用電量的預(yù)測效果，從BP 和BP-QX 的回歸序列中，選取模擬相對誤差>10%的日期為預(yù)測對象，共計14 d，具體日期選擇如表2 所示，剩余日期的用電量和氣象因子為建模對象。具體方法選取模擬相對誤差≤10%的日期構(gòu)建雙隱含層BP 神經(jīng)網(wǎng)絡(luò)模型，輸入層為前1 天用電量和當(dāng)日的平均氣溫、最高氣溫、最低氣溫、氣壓和相對濕度，輸出層為當(dāng)日用電量；在此神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，根據(jù)模擬相對誤差>10%日期的前1 天用電量和當(dāng)日氣象因子作為預(yù)報因子，預(yù)測當(dāng)日的用電量。

表2 不同模型預(yù)測電量和相對誤差統(tǒng)計表Tab.2 Statistics of power forecast (unit: 10 MWh) and relative error (%) by different models

從表2 可以看出，利用BP 回歸模型預(yù)測的用電量與實(shí)況誤差較大，8 月3 日預(yù)測用電量較實(shí)際用電量偏少了9 071 MWh，8 月8 日預(yù)測電量則偏高了6 142 MWh，相對誤差范圍在-30.2%～26.2%。引進(jìn)氣象因子后，除了1 月28 日（偏高528 MWh）、10 月1 日（偏高138 MWh）外，其他日期預(yù)測的用電量與實(shí)況的誤差均有所減小，尤其是7 月3 日、7 月9 日、8 月3 日和8 月8 日，誤差分別減小了3 046 MWh、3 923 MWh、4 134 MWh 和4 926 MWh，相對誤差分別減小了11.9%、18.9%、13.8%和21.0%。

利用EEMD-BP 得出了預(yù)測誤差有了明顯的減小，除了1 月28 日（偏高275 MWh）、8 月3 日（偏高928 MWh）和10 月1 日（偏高153 MWh）偏差相對較大外，其他日期預(yù)測誤差均在100 MWh 內(nèi)，相對誤差控制在0.5%以內(nèi)。引進(jìn)氣象因子后，使得預(yù)測電量與實(shí)況的誤差有了進(jìn)一步的減小，尤其是8 月3 日、1月28日，誤差分別減小了873 MWh 和138 MWh，預(yù)測相對誤差分別由3.1%減小至0.41%、1.8%減小至0.9%。

為進(jìn)一步比較不同模型對用電量預(yù)測準(zhǔn)確率的影響，分析了不同方法之間對預(yù)測準(zhǔn)確率的影響差異。相對BP 模型，BP-QX 模型提高幅度在1.34%～5.72%（除1 月28 日 和10 月1 日）；而7 月3 日、7 月9 日、8 月3 日和8 月8 日這4 日預(yù)測準(zhǔn)確率提升幅度尤為明顯，分別達(dá)到16.15%、24.42%、19.76%和28.5%。EEMD-BP 較BP 和BP-QX 而言，用電量的預(yù)測準(zhǔn)確率均有所提高，1 月25 日、1 月28 日、7 月3 日、7 月9 日、8 月3 日、8 月8 日和10 月1 日這7 天用電量的預(yù)測準(zhǔn)確率均在10%以上，其中7月3 日、7 月9 日、8 月3 日和8 月8 日這4 日達(dá)到或超過30%。EEMD-BP-QX 與EEMD-BP 的結(jié)果比較類似，用電量的預(yù)測均高于BP 和BP-QX；除了5月30 日和8 月8 日預(yù)測準(zhǔn)確率有微弱的減小，其他日期的用電量預(yù)測均高于EEMD-BP，其中8 月3 日和1 月28 日尤為明顯，分別提高了3.01%和0.92%。

4 結(jié)論

電力系統(tǒng)海量化數(shù)據(jù)為用電量特性分析和高精度的預(yù)測模型提供了保障，但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型往往由于過擬合問題反而會降低預(yù)測準(zhǔn)確率[10]。因此，本文在充分考慮氣象條件前提下，將EEMD 分析方法引入用電量預(yù)測研究中，通過頻域分解的方法提取不同頻率的分解結(jié)果與氣象數(shù)據(jù)之間隱含的非線性關(guān)系，探究用電量數(shù)據(jù)深層的變化規(guī)律，實(shí)現(xiàn)對用電量的精準(zhǔn)預(yù)測。主要的研究結(jié)論如下：

1）用電量與逐日平均氣溫、最高氣溫和最低氣溫存在顯著的正相關(guān)，相關(guān)系數(shù)分別為0.47、0.47和0.45，與氣壓存在顯著的負(fù)相關(guān)、相關(guān)系數(shù)為-0.4；而與降水等級、相對濕度和風(fēng)速的相關(guān)并不明顯。用電量原始序列經(jīng)EEMD 分解后低頻分量和余項(xiàng)與平均氣溫、最高氣溫、最低氣溫和相對濕度存在顯著的正相關(guān)，與氣壓存在顯著的負(fù)相關(guān)之外。

2）利用BP 模型得出的預(yù)測電量與實(shí)況之間誤差在4%以內(nèi)天數(shù)占全年的72.0%，其中誤差在2%的占比為45.2%。疊加氣象因子之后的BP 回歸效果得到了改進(jìn)，誤差在4% 的天數(shù)占全年的87.0%，較直接利用BP 模型得出的4%之內(nèi)相對誤差提高了15.0%，其中誤差在2%以內(nèi)的天數(shù)提高了17.2%。利用EEMD-BP 方法得出的回歸序列使得相對誤差得到了明顯的改進(jìn)，誤差在0.4%之內(nèi)的天數(shù)占全年的88.0%，其中誤差在0.2% 之內(nèi)的天數(shù)占比為62.2%；引進(jìn)氣象因子后，在相對誤差相對較大的日期，預(yù)測準(zhǔn)確率有了進(jìn)一步提升，尤其是在夏季和冬季。

3）相對BP 模型，BP-QX 模型大部分天數(shù)的預(yù)測準(zhǔn)確率均有不同程度的提高，提升幅度最高可達(dá)28.5%。EEMD-BP 較BP 和BP-QX 而言，用電量的預(yù)測準(zhǔn)確率提升幅度均在10%以上，其中部分天數(shù)達(dá)到或超過30%。在EEMD-BP 的基礎(chǔ)上，EEMDBP-QX 模型用電量的預(yù)測準(zhǔn)確率也有一定程度的提升。

通過比較不同模型的模擬精度可以發(fā)現(xiàn)，EEMDBP 相較于BP 方法，模擬精度得到了較大的提高，可能原因在于利用BP 對用電量序列進(jìn)行預(yù)測時存在一定的累積誤差。而EEMD 可以將原始非平穩(wěn)電力負(fù)荷序列分解成一系列復(fù)雜度差異明顯的子序列，和原序列相比，這些子序列的局部用電量特性更加明顯，更有利于預(yù)測[27]。其次，在分解后的低頻分量中疊加氣象因子對序列進(jìn)行預(yù)測，更有利于提高用電量預(yù)測的精度。由于用電量本身的不確定性和復(fù)雜性，準(zhǔn)確的用電量特性分析和預(yù)測模型建立是提高預(yù)測精度的關(guān)鍵所在[37]。因此，未來電力系統(tǒng)用電量預(yù)測方法的關(guān)鍵在于提高準(zhǔn)確性和實(shí)時性，以達(dá)到智能電網(wǎng)對用電量精細(xì)化預(yù)測的要求。當(dāng)然，本文僅利用2017 年逐日用電量序列進(jìn)行建模和檢驗(yàn)，用電量序列的長度是本文的短板所在。后期會延長用電量的序列和增加不同的地區(qū)，進(jìn)一步探討氣象因子對用電量預(yù)測的影響，以便驗(yàn)證構(gòu)建的模型在其他年份或地區(qū)的適用性和預(yù)測精度。

項(xiàng)目簡介：

項(xiàng)目名稱風(fēng)電場局地生態(tài)氣候效應(yīng)事實(shí)、機(jī)理及參數(shù)化方法研究（2018YFB1502801）

承擔(dān)單位湖北省氣象服務(wù)中心

項(xiàng)目概述闡明山區(qū)丘陵等復(fù)雜地形地區(qū)風(fēng)電場（群）局地氣候效應(yīng)的事實(shí)，并進(jìn)行與平原等其他類型區(qū)域影響事實(shí)和機(jī)理的異同比較；與牽頭單位和其他參加單位共同開展風(fēng)電場局地氣候效應(yīng)歸因和機(jī)理研究。

主要創(chuàng)新點(diǎn)（1）選擇了南方地區(qū)較為復(fù)雜的丘陵山地風(fēng)電場群作為實(shí)驗(yàn)對象，該風(fēng)電場群地處南北氣流的風(fēng)道上，具有西邊風(fēng)電場多，東邊風(fēng)電場少的特點(diǎn)，為風(fēng)電場上、下，風(fēng)向?qū)Ρ?，?nèi)、外風(fēng)電場對比提供了良好的實(shí)驗(yàn)場地；（2）采用了全面的觀測實(shí)驗(yàn)設(shè)計方法，分建站前后對比、多參證站對比、運(yùn)行和非運(yùn)行期對比以及不同風(fēng)速段條件下的對比的方式，全面揭示風(fēng)電場對局地氣候產(chǎn)生影響的事實(shí)。