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)
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。
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。
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。
1.3.1 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))。
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
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。
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
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
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。