共查询到20条相似文献，搜索用时 15 毫秒
1.
2.
3.
从电力气象服务需求出发,利用2001—2010年5—9月河北省南电网逐日电力日峰负荷、日谷负荷与对应时间的气象资料,探讨晴热天气和闷热天气对电力日峰负荷、日谷负荷的影响特征。分析发现持续3 d以上的闷热天气相对晴热天气使电力日峰负荷、日谷负荷增长更显著;日最高气温32℃是引起河北省南电网日峰负荷增长的初始气温敏感点,35℃为强气温敏感点,38℃为极强气温敏感点,日最低气温25℃为引起日谷负荷增加的敏感气温临界点;建立了引入积温热累积效应的日峰负荷、日谷负荷多元回归气象预测模型,经2011—2013年应用检验,日峰负荷、日谷负荷预测平均相对误差分别为4.8%和3.5%,提高了预测准确率,对电力调度具有参考价值。 相似文献
4.
利用2015-2017年宜昌市逐小时电力负荷资料及对应时段地面气象观测站数据,分析宜昌电力负荷的变化特征,研究气象敏感负荷与气象因子的关系,基于主要气象敏感因子通过逐步回归法建立宜昌电力负荷预报方法。结果表明:宜昌电力负荷呈逐年增长的趋势,夏季和冬季是一年中电力负荷高峰期,年最大电力负荷出现在夏季,年均增幅达11.8%,年最小电力负荷出现在春节期间;气温对气象敏感负荷影响最大,随着日平均气温T升高逐日气象负荷率先减小后增加,当T为17℃时,气象负荷率最小,从而划分了4个变化阶段:17℃≤T<26℃、T≥26℃、7℃≤T<17℃、T<7℃,基于各阶级主要气象敏感因子分别建立电力负荷回归预报方程,经检验,在实际应用中预报相对误差绝对值为3.8%,基本能够满足电力部门负荷预测的精度要求。后期可结合人工智能算法,进一步提高宜昌电力气象负荷预测的稳定性和准确性。 相似文献
5.
利用2005—2009年河南逐日最大电力负荷和气象资料,分析了河南日最大电力负荷的变化特征及其与气象因子的关系。河南日最大电力负荷季节变化呈双峰型,最大的峰值出现在夏季,次峰值在冬季。夏季电力负荷与气温和炎热指数有密切的关系。用逐步回归方法,针对夏季(方案1,不区分工作日和休息日)以及周一至周日(方案2,区分工作日和休息日)分别建立日最大电力负荷预测模型,并对2010年夏季逐日最大电力负荷进行预测,两种预测方案对2010年夏季日最大电力负荷预测的平均相对误差均小于3%,相关系数均达到0.90,两方案在工作日预测结果都较好,但休息日预测误差相对较大。 相似文献
6.
7.
三种油菜产量预测模型在江西的应用比较 总被引：1，自引：0，他引：1
以江西省1990—2015年气象要素(光照、温度和降水)和逐年全省油菜产量数据为基础,比较分析了关键气象因子模型、气候适宜度模型和辐热积模型预测江西省油菜产量的准确率。结果表明:回代检验中,辐热积模型拟合效果最佳,气候适宜度模型未通过0.05水平显著性检验,关键气象因子模型花期拟合结果相对较差;预测检验中,3种模型的预测准确率均超过90%,关键气象因子模型、气候适宜度模型和辐热积模型全年预测准确率高于95%的概率分别为80%、60%和80%。综合预测准确率和模型稳定性两方面分析,辐热积模型相对于气候适宜度模型和关键气象因子模型更加适用于江西省油菜产量预测业务服务。 相似文献
8.
利用2016—2018年武汉夏季(6—9月)逐15 min电力负荷以及同期逐日气象数据,分析最大电力负荷变化特征及与气象因子的相关关系。利用逐步回归和双隐含层BP神经网络算法,建立了武汉夏季最大电力负荷的预测模型。结果表明:平均温度、平均最高温度、平均最低温度与气象电力负荷存在显著的正相关,其次是日照时数。前1 d最大电力负荷与当日最大电力负荷的相关性最好,当日电力负荷对前1 d温度的平均和舒适度指数的变化最为敏感。以历史电力负荷和气象数据为联合预报因子,逐步回归和BP神经网络算法对武汉夏季最大电力负荷具有较好的模拟效果,尤其是对持续高温造成高位运行的最大负荷模拟。当敏感性在10%以内时,逐步回归算法中气象因子正的贡献要小于负的贡献,BP神经网络算法中气象因子正的贡献要高于负的贡献;当敏感性高于10%时,两种算法中气象因子均为正的贡献。 相似文献
9.
基于2017—2020年石家庄市逐15分钟电力负荷及同期气象资料,计算人体舒适度指标有效温度和温湿指数,考虑基准负荷存在周期性和增长性,提出采用灰色模型GM(1,1)并结合滤波法、相关分析等方法,建立日峰降温电力负荷与人体舒适度指标分段回归模型。结果表明:石家庄电力负荷具有明显的逐年增长趋势;剥离出的日降温负荷曲线呈“W”型分布;分别对模型进行一次、二次和分段函数拟合,对3种预测模型进行检验发现分段函数预测精度较高,平均相对误差在4.8%～5.2%,有效温度和温湿指数的分段函数误差在-10%～10%所占比例分别为88.1%和90.5%;考虑了温度、湿度和风速的有效温度较温湿指数的夏季日峰降温电力负荷预测模型预测准确率更高,回归模型分段点为26.2℃,对电网“迎峰度夏”时期电力调度具有参考价值。 相似文献
10.
气象条件对电力负荷的影响分析 总被引：2，自引：0，他引：2
利用河北省南电网提供的2000～2006年逐日最大电力负荷资料.分析了日最大电力负荷的变化规律.以石家庄市为例,采用相关分析方法,分年逐月分析了日最大电力负荷与对应6个气象因子的相关性,得出不同时段电力负荷的主要气象影响因子;分析了6～9月和11月受气温影响显著月电力负荷的1℃效应量、3～8月10 mm以上降水量对电力负荷的影响变化率;采用多元回归的方法分时间段建立了最大电力负荷的气象预测方程,加上逐年电力负荷变化趋势项即可做电力负荷预测预报. 相似文献
11.
利用2006—2013年北京市逐日15 min电力负荷资料及北京平原地区6个人工气象观测站(朝阳、海淀、丰台、石景山、观象台、昌平)的气象要素观测资料,分析北京市电力负荷时间和空间的变化特征及其夏季(6—8月)日最大电力负荷与各种气象因子的关系,采用剔除逐日最大电力负荷、历年夏季最大电力负荷极值及历年夏季最大电力负荷平均值的变化趋势项3种方法提取气象负荷并进行对比,进一步研究累积气象因子与夏季气象负荷的相关性。结果表明:2006—2013年北京电力负荷呈逐渐增长的趋势,电力负荷年变化和日变化均呈"双峰型"。北京全市及各区最大电力负荷多数出现在夏季,部分地区最大电力负荷出现在冬季(11月至翌年2月),朝阳和海淀地区夏季最大电力负荷明显高于其他地区。北京市夏季日最大电力负荷与闷热指数及平均气温的相关性最好;气象负荷与气象因子的相关性好于原始负荷,且剔除夏季日最大电力负荷平均值变化趋势项获得的气象负荷优于其他方法;当气象因子累积2 d时,夏季气象负荷对气象因子的变化最敏感。 相似文献
12.
利用增城1992—2021年香蕉种植面积、产量资料与同期气象资料,对增城香蕉产量预报方法进行研究。结果表明:(1)增城香蕉产量气象波动指数为0.2784,占实际产量变异系数的98.32%,气象因素是影响增城香蕉产量波动的最主要因子。(2)1992—2021年中气象丰年8年(占比27%)、气象平年7年(占比23%)、气象歉年15年(占比50%);丰年气象产量波动大,歉年气象产量较为平稳。(3)日照时数、平均气温以及最大风速是影响增城地区香蕉产量的最关键气象因子。(4)预报模型对历年香蕉产量预报平均误差为8%,平均准确率达94.1%,预报准确率基本满足日常业务服务,研究成果可为日常农业气象服务及乡村振兴气象保障服务提供科学决策依据。 相似文献
13.
北京夏季日最大电力负荷预报模型建立方法探讨 总被引：2，自引：1，他引：1
为了探索夏季(6～8月)日气象负荷的最佳分离方式和引起日最大电力负荷波动的主要因子,以及建立预报模型最佳个数,基于北京市2005～2010年逐日最大电力负荷和同期的气象资料,分析了北京地区日最大电力负荷的变化规律,采用不同方法将气象负荷从夏季日最大电力负荷中分离出来,分析北京夏季气象负荷与气温、相对湿度、降水及炎热指数、高温持续日数、炎热日数持续时间、前一日气象负荷等因子之间的关系,并基于2005～2009年夏季逐日气象负荷和其主要影响因子采用逐步回归方法建立日最大电力负荷的预报模型,将2010年夏季北京日最大电力负荷作为预报效果的独立样本检验。结果显示:2005～2010年,北京逐日最大电力负荷具有明显的线性增长趋势,夏季日最大电力负荷具有显著的星期效应;与去掉逐年夏季日最大电力负荷趋势和夏季平均日最大电力负荷趋势相比,去掉全年逐日最大电力负荷变化趋势的夏季日气象负荷预报模型的拟合能力更优;北京夏季日气象负荷与当日气温的相关系数最高,与前一日气象负荷也关系密切;利用前一日相对气象负荷和当日气象要素一周逐日分别建立预报模型的拟合和预测效果较好。 相似文献
14.
电力负荷与气象条件密切相关,为建立上海市日最大电力负荷的预报模型,利用2010—2013年上海市日最大电力负荷数据及同期气象资料,分析日最大电力负荷的时间变化特征及其与气象因子的相关性,并基于滤波技术将日最大电力负荷分离为时间趋势项和逐日变化项,用逐步回归方法针对冬季和夏季分别建立预测模型。结果表明：①上海日最大电力负荷的各个节假日效应存在差异,春节节假日效应持续时间最长,影响最大,国庆节假期前半段节假日效应明显大于后半段。夏季的周末效应最强。②采用逐步回归方法建立的气象预报模型效果较好,回代年和预测年的平均预测相对误差均小于5%。 相似文献
15.
文章利用2017年呼和浩特地区城乡居民用电负荷与同期气象资料,在分析用电负荷变化规律的基础上,采用Apriori算法挖掘电力负荷数据与气象因子间的关联规则,探究气象因子对电力负荷的影响程度。分析发现:呼和浩特城乡居民用电日内负荷特征是两峰两谷,周际存在明显工作与休息日差别,月际负荷高峰为7月和12月;通过解读关联规则发现电力负荷与气象因子关系密切,尤其是气温、地温变化直接影响负荷高低,气压、降水对负荷的影响较小。利用大数据关联技术对气象和电力数据进行数据挖掘和分析,区别于传统统计方法,拓宽了大数据应用的领域范围,可为相关领域提供理论指导及对供电服务提供决策辅助。 相似文献
16.
利用2006年1月—2010年9月北京市逐日整点电力负荷和逐日气象资料,采用数理统计方法定量分析了北京市夏季电力负荷逐日变率与主要气象因子的关系。结果表明:与最大电力负荷显著相关的气象因子为温度、风速和空气湿度,其中与日最低气温相关性最高 (相关系数为0.65,显著性水平为0.001),当日最低气温高于18℃(或日最高气温高于26℃) 时,其对日最大电力负荷的1℃效应量约为39.7×107W。相对于温度单个因子,同时反映温度和相对湿度综合作用的闷热指数与最大电力负荷的关系更为密切。 相似文献
17.
桂林电网日负荷与气象因素的关系及其预测 总被引：3，自引：0，他引：3
日负荷预测作为能量管理系统(EMS)的重要组成部分,是电力系统安全、经济运行的保证.为更好地了解气象因素对电网负荷的影响,利用桂林地区2005年和2006年逐日的负荷与气象资料分离出了气象负荷.通过研究气象负荷与各气象因素之间的相关关系表明:利用气象负荷可以更好地分析气象因素对日负荷的影响,从而为电力部门的负荷预测工作提供重要的参考依据.最后采用一种基于相似日的方法计算气象负荷,进而预测整个电力负荷,通过实际的算例验证,取得了比较满意的预测效果. 相似文献
18.
新疆农业区电力负荷与天气的关系 总被引：2，自引：0，他引：2
用2005--2006年新疆农业区电力负荷与气象资料,统计得出电力负荷的年、季变化与农事活动周期相符,电力负荷日变化的次高峰与日最高气温、最小相对湿度出现时间较一致.将逐月的日平均电力负荷及变化量分别与气压、气温、空气湿度、风速和降水量做相关分析,并将有无降雨日分段统计.结果表明,电力负荷与降水量、湿度和气温的变化关系较为密切.利用逐步回归方程将4种不同模式模拟的电力负荷进行了误差分析,发现要素差值模式的模拟效果较好,并对2007年5月的电力负荷进行了预测检验及误差分析,得出:在降雨日,用上一日负荷计划当日负荷的误差高达63.2%,而用要素差值模式预测电力负荷的误差为18.7%,月平均预测误差由前者的26.0%下降到13.4%. 相似文献
19.
夏季武汉市电网气象敏感负荷预测模型 总被引：1，自引：0，他引：1
利用2009—2010年武汉市日用电负荷资料和气象资料,提出了基于电网负荷的分解算法,将电网日最大负荷分解为基础负荷与气象敏感负荷2个主要分量,其中,气象敏感负荷与包含了气温、相对湿度及风速的综合气象敏感负荷条件指数相关。利用相关比法,分析了气象敏感负荷与气象敏感负荷条件指数的非线性关系,分析了气象敏感负荷条件指数变化与负荷变化关系。基于均方偏差最小原理和非线性最小二乘法,建立了夏季武汉电网气象敏感负荷与气象敏感负荷条件指数的多项式预测关系模型。2011—2012年夏季模型应用检验表明,预测平均误差接近6%。该模型可用于夏季电力气象服务工作。 相似文献
20.
利用2006~2017年北京夏季（6~8月）逐日最大电力负荷和同期气象资料,分析最大电力负荷与各种气象因子的相关性,基于BP（Back Propagation）神经网络算法,建立了两种夏季日最大电力负荷预测模型并对比。结果表明:北京夏季周末基础负荷远小于工作日,剔除时应加以区分;气象因子对气象负荷的影响具有累积效应,累积2 d时两者的相关性最强;结合实际,根据自变量的不同分别建立了两种日最大电力负荷预测模型;经实际预测检验,两种预测模型均取得了较好的预测效果,能够满足电力部门的实际需求,其中自变量中加入前一日气象负荷的模型效果更优。 相似文献