王麗娟 ，任永建 ，?，王俊超 ，歐陽威

（1.湖北省氣象服務(wù)中心,湖北 武漢 430205；2.中國氣象局武漢暴雨研究所 暴雨監(jiān)測預(yù)警湖北省重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430205）

0 引言

隨著經(jīng)濟(jì)快速發(fā)展和人民生活水平不斷提高，中長期電力負(fù)荷預(yù)測在電力安全和經(jīng)濟(jì)運(yùn)行中至關(guān)重要[1]。影響電力負(fù)荷變化有多種不確定因素，包括經(jīng)濟(jì)發(fā)展、氣象條件、人口等，總的來說，可以分為與氣象相關(guān)和與氣象無關(guān)兩類[2]。電力負(fù)荷與氣象要素之間有著密切的關(guān)系，并且近年來極端氣候異常事件頻發(fā)，嚴(yán)重影響電網(wǎng)的安全運(yùn)行，2012 年7月30 日，在印度夏季發(fā)生的嚴(yán)重停電事故，異常高溫就是導(dǎo)致事故的重要原因之一[3]。氣象類因素對電力負(fù)荷與的影響越發(fā)引起廣泛關(guān)注[4-6]，其中不少研究證明氣溫是影響電力負(fù)荷的重要?dú)庀笠蜃覽7-9]之一。早年研究[4]證明了華中電網(wǎng)日電力負(fù)荷在平均氣溫為25～28℃時(shí)對氣溫的變化最敏感。相關(guān)研究進(jìn)一步證實(shí)北京、上海、南京、武漢地區(qū)的氣溫與電力負(fù)荷、日用電量之間存在比較明顯的相關(guān)性。在此基礎(chǔ)上，一些氣象學(xué)者又基于氣象因素對短期電力負(fù)荷的預(yù)測做了很多研究，傅新姝等[10]基于濾波技術(shù)，建立氣象預(yù)報(bào)模型，采用逐步回歸法，根據(jù)上海市冬季和夏季分別建立了日最大負(fù)荷的預(yù)測模型，預(yù)報(bào)年平均相對誤差小于5%。李艷等[11]基于氣溫、炎熱累積效應(yīng)指數(shù)，建立了上海夏季日最大電力負(fù)荷預(yù)測模型，該模型采用SVR 支持向量回歸方法及逐步回歸，結(jié)果表明SVR 效果優(yōu)于逐步回歸法，最小平均相對誤差僅為3.3%。任永健等[12]基于氣象和電力負(fù)荷數(shù)據(jù)，來建立武漢市夏季最大電力負(fù)荷預(yù)測模型，采用雙隱含層BP 神經(jīng)網(wǎng)絡(luò)及逐步回歸算法，結(jié)果表明當(dāng)氣象因子對電力負(fù)荷的敏感性在10%以上時(shí)，能提高電力負(fù)荷預(yù)測精度。還有研究[13-14]證明，在考慮夏季氣溫累積效應(yīng)的前提下，建立的電力負(fù)荷預(yù)測模型，精度能有所提高。

目前，研究工作[15-17]主要利用多個(gè)氣象因子之間的關(guān)系或電力負(fù)荷或氣象負(fù)荷與氣溫建立電力負(fù)荷預(yù)報(bào)模型，但氣象因子對長期夏季日最大電力負(fù)荷定量預(yù)測分析不足，且預(yù)測時(shí)間一般比較短。本文利用氣候模式預(yù)測氣溫對夏季日最大電力負(fù)荷定量預(yù)測，且預(yù)測時(shí)間較長，之前的研究較少涉及。本文基于氣候模式預(yù)測的氣溫?cái)?shù)據(jù)，綜合利用灰色關(guān)聯(lián)度、群粒子優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法及回歸預(yù)測方法對長江經(jīng)濟(jì)帶湖北地區(qū)3 個(gè)大中型城市(依據(jù)2022 年第7 次人口普查發(fā)布全國各城市城區(qū)人口情況，湖北省城市規(guī)模劃定情況，人口50 萬以上，為大中型城市)2020～2096 年夏季日最大電力負(fù)荷進(jìn)行預(yù)測研究。

1 資料和方法

1.1 數(shù)據(jù)來源

本文選用武漢、黃石、宜昌3 個(gè)地區(qū)國家氣象站2008～2019 年逐日最大電力負(fù)荷數(shù)據(jù)及同期平均氣溫、最高氣溫、最低氣溫、平均相對濕度等氣象要素資料，夏季時(shí)段選擇6 月1 日～8 月31 日。

本文中預(yù)測模式資料采用未來氣候變化預(yù)測數(shù)據(jù)集由國家氣候中心提供，是由CMIP5 全球氣候模式HadGEM2-ES 的逐6 小時(shí)輸出驅(qū)動(dòng)RegCM4 區(qū)域氣候模式，其中CMIP5 是一個(gè)由全球20 多個(gè)模式組50 余個(gè)模式組成，是最新的全球氣候系統(tǒng)模式聯(lián)合研究計(jì)劃，通過動(dòng)力降尺度試驗(yàn)應(yīng)用于RegCM4區(qū)域氣候模式，試驗(yàn)分別由CMIP5 中的4 個(gè)全球氣候模式CSIRO-Mk3.6.0、EC-EARTH、HadGEM2-ES和MPI-ESM-MR 的歷史試驗(yàn)結(jié)果驅(qū)動(dòng)，分別記為CdR、EdR、HdR 和MdR。在動(dòng)力降尺度模擬試驗(yàn)中，參數(shù)化方案參考了GAO 等[18]和HAN 等[19]的研究，水平分辨率為25 km×25 km，模擬的區(qū)域?yàn)閰^(qū)域氣候降尺度協(xié)同試驗(yàn)中的東亞區(qū)域。并經(jīng)過分位數(shù)映射法訂正后的預(yù)測數(shù)據(jù)，模擬試驗(yàn)中采用的溫室氣體排放方案是中等溫室氣體排放情景RCP4.5。誤差訂正針對各個(gè)網(wǎng)格點(diǎn)的逐日序列進(jìn)行，參照的觀測數(shù)據(jù)使用格點(diǎn)化的數(shù)據(jù)來自基于中國2 400 多個(gè)站點(diǎn)觀測資料插值而成的逐日氣象數(shù)據(jù)集(CN05.1)，空間分辨率均為0.25°×0.25°。所用要素為平均氣溫，由于模式數(shù)據(jù)是格點(diǎn)數(shù)據(jù)，為更有效地與站點(diǎn)數(shù)據(jù)對比分析，利用雙線性插值的方法，將模式格點(diǎn)數(shù)據(jù)插值到對應(yīng)站點(diǎn)(武漢、黃石及宜昌)，時(shí)間段為1981 年1 月1 日～2096 年12 月31 日，時(shí)間尺度為逐日數(shù)據(jù)。預(yù)測負(fù)荷數(shù)據(jù)為日最大電力負(fù)荷。

1.2 氣象敏感負(fù)荷

日最大電力負(fù)荷Lmax，如式(1)，可分為3 個(gè)分量。其中L0代表基礎(chǔ)負(fù)荷，表示經(jīng)濟(jì)對電力負(fù)荷的貢獻(xiàn)，相對穩(wěn)定，隨著經(jīng)濟(jì)的發(fā)展增加。L 代表氣象敏感負(fù)荷，表示氣象因素對電力負(fù)荷的影響，主要考慮氣溫、相對濕度及風(fēng)的敏感。X 是一個(gè)不可預(yù)知的較小隨機(jī)分量，代表隨機(jī)因素對電力負(fù)荷的貢獻(xiàn)。

在2008～2019 年的3～4 月選取日平均氣溫在15～20 ℃(此溫度區(qū)間基本無敏感負(fù)荷)的日最大電力負(fù)荷，然后剔除包括檢修、周末及節(jié)假日等情況下的少量異常數(shù)據(jù)，將剩余的日最大電力負(fù)荷值進(jìn)行平均，即可得到基礎(chǔ)負(fù)荷L0，共12 組數(shù)據(jù)，每組對應(yīng)1 個(gè)年份的基礎(chǔ)負(fù)荷值。由于隨機(jī)負(fù)荷X 對日最大電力負(fù)荷影響較小且較復(fù)雜，可以在計(jì)算日最大電力負(fù)荷時(shí)忽略不計(jì)，如式（2）。

根據(jù)式(2)可得出日氣象敏感負(fù)荷L，文中的日氣象敏感負(fù)荷實(shí)際為日最大氣象敏感負(fù)荷。2019 年夏季(6～8 月)武漢市、黃石市、宜昌市3 個(gè)地區(qū)日最大電力負(fù)荷為例，日最大電力負(fù)荷，基礎(chǔ)負(fù)荷及氣象敏感負(fù)荷3 者關(guān)系如圖1 所示，3 個(gè)地區(qū)負(fù)荷變化規(guī)律不同，武漢市基礎(chǔ)負(fù)荷最高，其次是宜昌、黃石。3 個(gè)地區(qū)的氣象敏感負(fù)荷曲線與日最大電力負(fù)荷曲線變化趨勢基本一致，由于氣象因素對氣象敏感負(fù)荷的影響更明顯，后面分析各氣象要素與氣象敏感負(fù)荷的關(guān)系。

1.3 研究方法

1.3.1 灰色關(guān)聯(lián)度

灰色關(guān)聯(lián)度分析法相較傳統(tǒng)的多因素分析方法，對數(shù)據(jù)的要求比較低且計(jì)算量較小，因此，廣泛地應(yīng)用到自然科學(xué)和社會(huì)的各個(gè)領(lǐng)域[20]。它是一種多因素統(tǒng)計(jì)分析方法，以各因素的樣本數(shù)據(jù)為依據(jù)，若樣本數(shù)據(jù)代表的兩因素變化的趨勢(方向、大小和速度等)都基本一致，則他們之間的關(guān)聯(lián)度較大，反之關(guān)聯(lián)度較小。進(jìn)行灰色關(guān)聯(lián)分析前，先對各數(shù)列進(jìn)行無量綱化處理，即進(jìn)行標(biāo)準(zhǔn)化處理：

式中：

xi——第i 個(gè)氣象要素的樣本平均值；

si——第i 個(gè)氣象要素的均方差。

在進(jìn)行標(biāo)準(zhǔn)化處理的基礎(chǔ)上，設(shè)參考序列為日氣象敏感負(fù)荷，其他列入指標(biāo)體系中的序列即為比較序列(各氣象要素)。利用式(4)計(jì)算比較序列各指標(biāo)與參考序列各指標(biāo)的關(guān)聯(lián)系數(shù)。計(jì)算比較序列各指標(biāo)對應(yīng)于參考序列各指標(biāo)的關(guān)聯(lián)系數(shù)，根據(jù)排位次序即可確定各比較數(shù)列對參考數(shù)列的影響程度。設(shè)實(shí)際數(shù)據(jù)序列為x0，第i 種預(yù)測模型得到的數(shù)據(jù)序列為xi。

式中：

i ——比較序列個(gè)數(shù)（個(gè)）；

k——參考序列個(gè)數(shù)（個(gè)）；

ρ——分辨系數(shù)，ρ∈[0,1]，通常取ρ=0.5[21]，ρ 越小，分辨能力越強(qiáng)。

得出比較數(shù)列xi與參考數(shù)列x0的關(guān)聯(lián)系數(shù)均值γi，如式（5）所示。

1.3.2 粒子群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法及回歸預(yù)測方法

粒子群算法（Particle Swarm Optimization，PSO）是一種基于模擬生物群體社會(huì)行為的智能優(yōu)化算法。在PSO 中，問題的解被表示為粒子的位置，而粒子通過模擬個(gè)體與群體的協(xié)同尋優(yōu)能力來更新其位置，以尋找最優(yōu)解。和遺傳算法一樣，PSO 算法都是基于迭代模式的優(yōu)化算法。在每次迭代過程中，每個(gè)粒子的位置目標(biāo)函數(shù)都被評估。

粒子群神經(jīng)網(wǎng)絡(luò)是一種將粒子群算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)優(yōu)化的方法。其基本原理[22]是利用粒子群算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，從而提高網(wǎng)絡(luò)的訓(xùn)練速度和性能，以避免網(wǎng)絡(luò)在訓(xùn)練過程中陷入局部最小值。用粒子群算法訓(xùn)練網(wǎng)絡(luò)時(shí)，定義粒子群的位置向量Xi的元素是網(wǎng)絡(luò)的全體連接權(quán)和閾值。首先初始化位置向量Xi，然后用粒子群算法搜索最優(yōu)位置，使如下均方誤差指標(biāo)(適應(yīng)度值)達(dá)到最小：

式中：

tjk——目標(biāo)值（MW）；

fjk——計(jì)算值（MW）；

m——輸出結(jié)點(diǎn)數(shù)（個(gè)）；

ns——訓(xùn)練集樣本數(shù)（個(gè)）。

本文所構(gòu)建的PSO-BP 神經(jīng)網(wǎng)絡(luò)模型如圖2 所示。

本文根據(jù)日最大電力負(fù)荷變化歷史數(shù)據(jù)及預(yù)測年份對應(yīng)的日平均氣溫，采用二元線性回歸分析模型，滾動(dòng)預(yù)測未來日最大電力負(fù)荷，模型如下：

式中：

Ln——預(yù)測年份日最大電力負(fù)荷（MW）；

Ln-1——預(yù)測年份日前一日的最大電力負(fù)荷（MW）；

Tn——預(yù)測年份日的平均氣溫（℃）。

1.3.3 誤差檢驗(yàn)方法

采用絕對平均誤差(MAE)和均方根誤差(RMSE)作為評定預(yù)測好壞的標(biāo)準(zhǔn)。絕對平均誤差計(jì)算公式為：

均方根誤差計(jì)算公式為：

式中：

P′——預(yù)測值（MW）；

P ——實(shí)測值（MW）；

N ——樣本數(shù)量（個(gè)）。

2 氣象敏感負(fù)荷與各氣象要素的關(guān)聯(lián)性分析

首先，根據(jù)式(2)計(jì)算2008～2019 年武漢、黃石及宜昌3 個(gè)地區(qū)夏季(6～8 月) 日氣象敏感負(fù)荷，并去掉敏感負(fù)荷為負(fù)或極小(小于10 MW)等非正常負(fù)荷值，剩余樣本參與計(jì)算，其中非正常負(fù)荷數(shù)據(jù)占總負(fù)荷數(shù)據(jù)的10%左右。氣象要素選取同期的平均氣溫、最高氣溫、最低氣溫、平均相對濕度進(jìn)行計(jì)算。然后對氣象敏感負(fù)荷及各氣象要素進(jìn)行無量綱處理，通過計(jì)算參考序列(日氣象敏感負(fù)荷) 與比較序列(平均氣溫、最低氣溫、最高氣溫、相對濕度)之間的各指標(biāo)的絕對差值(即關(guān)聯(lián)系數(shù))來看兩序列的各指標(biāo)之間的距離。由式(4)可見，差值越小，距離就越近，關(guān)聯(lián)系數(shù)越大，反之亦然。

根據(jù)式(5) 計(jì)算灰色關(guān)聯(lián)度，結(jié)果如表1 所示，可以看出這4 個(gè)氣象要素中，武漢市平均氣溫與氣象敏感負(fù)荷關(guān)聯(lián)度最大，為0.620。黃石市平均氣溫與氣象敏感負(fù)荷關(guān)聯(lián)度最大，為0.729。宜昌市平均氣溫與氣象敏感負(fù)荷關(guān)聯(lián)度最大，為0.746。這3 個(gè)地區(qū)均是平均氣溫與氣象敏感負(fù)荷關(guān)聯(lián)度最大，即敏感負(fù)荷受到平均氣溫影響最大，其次是最高氣溫。從4 個(gè)氣象要素進(jìn)行關(guān)聯(lián)度分析的結(jié)果看，其他氣象因子的關(guān)聯(lián)度較低，因此，在后面的分析中僅考慮溫度因子。

表1 各氣象要素與夏季氣象敏感負(fù)荷的灰色關(guān)聯(lián)度系數(shù)Tab.1 Grey correlation coefficients between meteorological elements and summer meteorologically sensitive load

3 日最大電力負(fù)荷預(yù)測

3.1 模式預(yù)測氣溫檢驗(yàn)

在利用氣候模式預(yù)測數(shù)據(jù)進(jìn)行電力負(fù)荷預(yù)測之前，首先進(jìn)行預(yù)測平均氣溫的檢驗(yàn)。選取1980～2010 年30 a 武漢、黃石及宜昌的日平均氣溫實(shí)況及預(yù)測數(shù)據(jù)進(jìn)行驗(yàn)證。本文評定預(yù)測好壞的具體算法見式（8）、式（9）。

通過對比30 a 武漢、黃石及宜昌的夏季(6～8月)、冬季(12～2 月)、年(1981～2010 年)、月(1～12月)預(yù)測的氣溫與實(shí)況的對比圖可以發(fā)現(xiàn)，夏季預(yù)測數(shù)據(jù)與實(shí)況的擬合較好，明顯優(yōu)于冬季。預(yù)測的氣溫和實(shí)況在夏季、冬季及年變化基本一致，都是氣溫隨時(shí)間上升趨勢，其中年預(yù)測氣溫與實(shí)況擬合度較好。月預(yù)測氣溫與實(shí)況變化一致，都是夏季最大，冬季最小。進(jìn)一步驗(yàn)證各項(xiàng)誤差如表2 所示。

表2 預(yù)測平均氣溫誤差統(tǒng)計(jì)Tab.2 Statistical analysis of prediction errors for average temperature

可以看出，夏季預(yù)測氣溫各項(xiàng)誤差指標(biāo)優(yōu)于冬季，其中MAE 及RMSE 的值明顯優(yōu)于冬季，冬季預(yù)測的氣溫各項(xiàng)誤差指標(biāo)不如夏季；年、月預(yù)測氣溫MAE 及RMSE 的值比較接近。可見，模式預(yù)測氣溫各項(xiàng)誤差指標(biāo)總體較為理想。

3.2 基于PSO-BP 及回歸法長期電力負(fù)荷預(yù)測及檢驗(yàn)

選擇神經(jīng)網(wǎng)絡(luò)隱含層為10 層，粒子個(gè)數(shù)為40 個(gè)，最大迭代次數(shù)為20 次，w最大值設(shè)為0.9，最小值設(shè)為0.2，c1 為2.5，c2為1。運(yùn)用MatlabR2016b軟件對PSO-BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行編程。根據(jù)設(shè)定參數(shù)，采用滾動(dòng)預(yù)測方式對2020～2096 年夏季日最大電力負(fù)荷進(jìn)行預(yù)測，每次預(yù)測30 d，前1 年6 月1日的預(yù)測值和6 月1 日當(dāng)日的平均氣溫作為當(dāng)年6月1 日預(yù)測的訓(xùn)練輸入值，共滾動(dòng)240 次。如圖3所示，以2019 年為例，神經(jīng)網(wǎng)絡(luò)武漢預(yù)測誤差指標(biāo)MAE 為0.068，RMSE 為0.081。黃石誤差指標(biāo)MAE為0.042，RMSE 為0.051。宜昌誤差指標(biāo)MAE 為0.053，RMSE 為0.063。利用回歸法建立預(yù)測模型，預(yù)測武漢誤差指標(biāo)MAE 為0.061，RMSE 為0.072；黃石誤差指標(biāo)MAE 為0.032，RMSE 為0.039；宜昌誤差指標(biāo)MAE 為0.038，RMSE 為0.047。

圖3 基于PSO-BP 預(yù)測2019 年夏季日最大電力負(fù)荷(MW)與實(shí)況擬合關(guān)系Fig.3 Relationship of forecast result of summer daily maximum power load and fitted values in 2019 based on PSO-BP

3.3 預(yù)測結(jié)果分析

將2020～2096 年回歸預(yù)測、神經(jīng)網(wǎng)絡(luò)預(yù)測的日最大電力負(fù)荷變化如圖4 所示?？梢钥闯?，預(yù)測的日最大電力負(fù)荷的變化武漢呈線性變化，其他兩地區(qū)呈非線性變化，為更好說明問題，將采用分段線性分析。從圖4(a)看出，武漢日最大電力負(fù)荷年際變化，2020～2029年、2050～2059年、2080～2089年、2090～2096 年日最大電力負(fù)荷呈下降趨勢，其他時(shí)間日最大電力負(fù)荷呈上升趨勢。2020～2096 年武漢日最大電力負(fù)荷預(yù)測值在波動(dòng)中總體呈上升趨勢。從圖4(b)看出，黃石日最大電力負(fù)荷年際變化，2020～2029 年、2040～2049 年、2050～2059 年、2070～2079年、2080～2089 年日最大電力負(fù)荷呈下降趨勢，其他時(shí)間日最大電力負(fù)荷呈上升趨勢。從圖4(c) 看出，宜昌日最大電力負(fù)荷年際變化，2020～2029 年、2030～2039 年、2040～2049 年日最大電力負(fù)荷呈下降趨勢，其他時(shí)間日最大電力負(fù)荷略上升。從以上結(jié)果可知，用回歸及神經(jīng)網(wǎng)絡(luò)方法預(yù)測2020～2096 年黃石與宜昌日最大電力負(fù)荷預(yù)測值的變化趨勢相似，武漢日最大電力負(fù)荷預(yù)測值變化趨勢與黃石、宜昌明顯不同，武漢市日最大電力負(fù)荷有較明顯的上升趨勢。

圖4 2020～2096 年預(yù)測夏季日最大負(fù)荷（圖中趨勢線為神經(jīng)網(wǎng)絡(luò)預(yù)測）Fig.4 Forecast result of summer maximum load in 2020～2096(the trend line in the graph shows the neural network prediction)

圖5 是武漢、黃石、宜昌3 個(gè)地區(qū)2020～2096 年回歸預(yù)測、神經(jīng)網(wǎng)絡(luò)預(yù)測的日最大電力負(fù)荷距平變化。從圖5(a)看出，近10 a 日最大電力負(fù)荷的最大值11.2 GW，武漢2020～2096 年日最大電力負(fù)荷兩種預(yù)測值較近10 a 日最大電力負(fù)荷的最大值穩(wěn)步增加，其中2080～2089 年日最大電力負(fù)荷增長率最高，超過17%，日最大電力負(fù)荷超過13.0 GW。武漢經(jīng)濟(jì)水平較其他兩地區(qū)發(fā)達(dá)，日最大電力負(fù)荷已經(jīng)達(dá)到較高水平，增長率比較穩(wěn)定。從圖5(b) 看出，較近10 a 日最大電力負(fù)荷的最大值2.1 GW，黃石2020～2096 年日最大電力負(fù)荷較其他兩地區(qū)不同呈現(xiàn)下降趨勢，2020～2029 年下降最少，其他年份日最大電力負(fù)荷在波動(dòng)中下降，下降率在7%～11%之間。黃石經(jīng)濟(jì)水平不如武漢、宜昌兩地，日最大電力負(fù)荷的預(yù)期值較其他兩地呈現(xiàn)明顯不同預(yù)測的結(jié)果。從圖5(c)看出，較近10 a 日最大電力負(fù)荷的最大值2.0 GW，宜昌2020～2096 年最大電力負(fù)荷兩種預(yù)測值都穩(wěn)步增長，回歸預(yù)測的增長率要略高于神經(jīng)網(wǎng)絡(luò)預(yù)測，其中2020～2029 年日最大電力負(fù)荷增長率最高，超過40%，接近3.0 GW。中間一段時(shí)間增長較平穩(wěn)，從2070 年開始，日最大電力負(fù)荷增長率又逐漸變大，2090～2096 年日最大電力負(fù)荷增長率超過30%。

圖5 2020～2096 年預(yù)測夏季日最大電力負(fù)荷距平Fig.5 Forecast result of summer maximum load anomaly in 2020～2096

4 結(jié)論

本文基于武漢、黃石、宜昌3 個(gè)地區(qū)2008～2019年逐日最大電力負(fù)荷數(shù)據(jù)及同期氣象數(shù)據(jù)，以及RegCM4 區(qū)域氣候模式預(yù)測數(shù)據(jù)，對以上3 個(gè)地區(qū)電力負(fù)荷特性進(jìn)行分析，在此基礎(chǔ)上利用粒子群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)和逐步回歸對幾個(gè)地區(qū)未來(2019～2096 年)日最大電力負(fù)荷進(jìn)行滾動(dòng)預(yù)測，主要結(jié)論如下：

1)通過灰色關(guān)聯(lián)度分析，在夏季，武漢市、黃石市、宜昌市3 個(gè)地區(qū)的平均氣溫與氣象敏感負(fù)荷關(guān)聯(lián)度均最大，即敏感負(fù)荷受到平均氣溫影響最大，其次是最高氣溫。

2)通過分時(shí)段檢驗(yàn)?zāi)Ｊ筋A(yù)測氣溫?cái)?shù)據(jù)，結(jié)果表明各項(xiàng)誤差指標(biāo)總體較為理想?；赑SO-BP 神經(jīng)網(wǎng)絡(luò)及回歸法對3 個(gè)地區(qū)長期電力負(fù)荷預(yù)測結(jié)果，結(jié)果表明，武漢2020～2096 年兩種預(yù)測值較近10 a的最大值穩(wěn)步增加，日最大電力負(fù)荷超過13 GW。宜昌和武漢相似，兩種預(yù)測值都穩(wěn)步增長。黃石日最大電力負(fù)荷的預(yù)期值較其他兩地呈現(xiàn)出明顯不同結(jié)果。

本文在研究中，分離出的氣象敏感負(fù)荷，很難完整地剔除城市基礎(chǔ)負(fù)荷，此外氣候模式預(yù)測數(shù)據(jù)精度與預(yù)測的負(fù)荷數(shù)據(jù)關(guān)系密切，氣候模式精度限制了電力負(fù)荷預(yù)報(bào)的水平，這是本文的不足之處，也是以后研究的重點(diǎn)。與發(fā)達(dá)國家相比，國內(nèi)需要將氣候變化與國內(nèi)的經(jīng)濟(jì)發(fā)展一并考慮。在這種情況下，有必要考慮氣候變化作為電力消費(fèi)的長期因素，以了解它對電力負(fù)荷增長的影響?？紤]氣溫變化的條件下，研究更多不同地區(qū)電力負(fù)荷特征及預(yù)測來關(guān)注經(jīng)濟(jì)發(fā)展水平與氣候變化的關(guān)系在以后的工作中需要進(jìn)一步開展。

項(xiàng)目簡介：

隨著新能源的快速崛起，電網(wǎng)結(jié)構(gòu)發(fā)生轉(zhuǎn)變，且全球氣候變暖帶來的極端氣候事件增加影響，不同區(qū)域電力需求變化及影響因子可能更加復(fù)雜。夏季連續(xù)高溫天氣，往往會(huì)使電力負(fù)荷達(dá)到最高值或突破歷史極值，電網(wǎng)安全將受到嚴(yán)重影響。2017 年7 月下旬，武漢遭遇連續(xù)高溫的侵襲，電網(wǎng)最大用電負(fù)荷急劇攀升，7 月23 日最大電力負(fù)荷超過10 GW，7 月28 日最大電力負(fù)荷達(dá)到最大值11 GW。2018 年夏季，受持續(xù)高溫的影響，7 月16 至7 月27 日武漢日最大電力負(fù)荷連續(xù)超過10 GW，并于7 月26 日達(dá)到最大值11.3 GW，突破歷史極值。基于氣候模式和電網(wǎng)負(fù)荷-氣象關(guān)系模型開展氣候變化對電網(wǎng)負(fù)荷的影響評估是量化氣候變化對行業(yè)影響的重要手段。本項(xiàng)目以長江經(jīng)濟(jì)帶湖北段為研究對象，基于負(fù)荷分解算法，提取宜昌、武漢、黃石3 個(gè)城市氣象敏感負(fù)荷；按相關(guān)標(biāo)準(zhǔn)給出的方法確定極端用電負(fù)荷日，分析負(fù)荷變化規(guī)律及極端用電負(fù)荷與氣象要素的關(guān)系；基于分解的負(fù)荷數(shù)據(jù)和氣象數(shù)據(jù)，建立電網(wǎng)極端負(fù)荷與氣象因子的關(guān)系模型；選用RegCM4 動(dòng)力將尺度預(yù)測數(shù)據(jù)，結(jié)合相關(guān)關(guān)系模型，預(yù)測不同排放情景下氣候變化對極端用電負(fù)荷變化的可能影響；提出長江經(jīng)濟(jì)帶湖北段電網(wǎng)極端負(fù)荷適應(yīng)氣候變化的對策建議。

項(xiàng)目名稱極端事件對長江經(jīng)濟(jì)帶湖北段電網(wǎng)負(fù)荷的影響

承擔(dān)單位湖北省氣象服務(wù)中心

項(xiàng)目概述主要研究內(nèi)容包括：(1)得出長江經(jīng)濟(jì)帶湖北段電網(wǎng)極端負(fù)荷與氣象要素的關(guān)系及預(yù)測關(guān)系模型；(2)得出氣候變化對極端用電負(fù)荷的影響；(3)提出研究區(qū)域極端用電負(fù)荷適應(yīng)氣候變化的對策建議。

主要?jiǎng)?chuàng)新點(diǎn)利用CMIP5 全球氣候模式HadGEM2-ES 驅(qū)動(dòng)RegCM4 區(qū)域氣候模式進(jìn)行動(dòng)力降尺度，并經(jīng)過分位數(shù)映射法訂正后的預(yù)測數(shù)據(jù)結(jié)果，基于已建立電網(wǎng)負(fù)荷預(yù)測方程，開展了未來夏季日最大電力負(fù)荷的定量預(yù)測研究。