共查询到16条相似文献，搜索用时 125 毫秒
1.
利用2009-2010年湖北电网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,气象敏感负荷与气温、相对湿度及风速的综合气象敏感负荷条件指数相关.提出了基于权重指数的湖北省面平均气象敏感负荷条件指数的算法.利用相关比法,分析了湖北省气象敏感负荷与面均气象敏感负荷条件指数的非线性关系.基于均方偏差最小原理和非线性最小二乘法,建立了夏季湖北电网气象敏感负荷与面均气象敏感负荷条件指数的多项式预测关系模型.经2010年9月模型应用检验表明,预测平均误差低于6％.该模型可用于夏季湖北省电力专业气象服务工作. 相似文献
2.
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
3.
福州市夏季电力气象等级预测模型初探 总被引：2，自引：1，他引：2
对福州市1999~2002年5~9月日电力负荷与日平均气温、日最高气温、日最低气温、日平均相对湿度和天气状况进行分析,发现气象要素的变化会直接影响到电力负荷的调整。从逐日电力负荷资料中提取气象要素引起电力负荷变化的部分即气象负荷,通过计算气象电力负荷与气象要素之间一系列相关指标,并利用回归分析方法建立福州市夏季气象电力负荷预测模型,利用气象要素预报,可实现对气象电力负荷的预测。预测结果通过检验、分析和判定,最后确定了气象电力负荷等级划分的标准。对2003~2005年福州市夏季逐日气象电力负荷等级进行回代检验,结果表明该预测模型有较好的预报能力。 相似文献
4.
5.
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
6.
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
7.
利用2010—2012年6—8月西安市逐日电力负荷资料及对应时段地面观测站数据,分析了高温天气过程中日最大电力负荷的变化特征。结果发现,3年间西安地区共发生晴热天气过程5次,闷热天气过程4次,其中晴热天气过程发生在6月,闷热天气过程发生在7、8月,且闷热天气过程的电力负荷增长更加明显;利用日最高气温变化跟踪气象负荷的变化发现,日最高气温33℃为西安市气象负荷初始气温敏感点,35℃为强气温敏感点,38℃为极强气温敏感点;引入积温累积效应,建立了多元回归的电力气象负荷预测模型,经2013年夏季模型应用检验表明,日最大电力负荷预测平均误差为6.0%,能较好的模拟电力负荷的实际变化,对西安市夏季电力气象服务工作有指导意义。 相似文献
8.
9.
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
10.
11.
基于西安市2010—2013年逐日最大电力负荷和同期的气象资料,分析了日最大电力负荷的变化规律,利用最小二乘法,除去日最大负荷的节假日效应和周末效应后,将气象负荷从日最大电力负荷中分离出来,建立西安气象负荷率与气温、相对湿度、总云量、降水量、风速的相关关系,并基于2010—2012年的11月—次年2月和6—8月的资料,分别采用逐步回归、多元线性回归和BP神经网络方法建立最大气象负荷和主要气象影响因子之间的预报模型,将2013年对应时间的日最大气象负荷率作为预报效果的独立样本检验。结果显示:2010—2013年西安的日最大电荷存在明显的增长趋势,且存在明显的周末效应和节假日效应;气温是影响气象负荷率的最显著因子,引入温湿指数(THI)的BP神经网络算法对气象负荷率的拟合和预测效果最优。 相似文献
12.
13.
利用杭州市2008—2011年逐日燃气负荷和气象要素资料,分析了燃气负荷的变化规律及气象条件对燃气负荷的影响,在此基础上,利用Elman神经网络建立燃气负荷预测模型。结果表明,研究时段内,杭州市燃气负荷逐年显著增长且具有显著的季节变化特征,春节假日期间会出现明显的燃气负荷谷值,年燃气负荷峰值点通常出现在春节前1个月。平均气温与平均气压是影响燃气负荷波动最主要的气象因子,且均在冬季相关最显著。平均气温与燃气负荷在各个季节呈一致负相关,平均气压成正相关,燃气负荷对平均气温的响应敏感区间为6~15℃。在考虑春节假期影响的基础上,筛选相关气象因子,利用Elman神经网络建立杭州市冬半年燃气负荷预测模型。预测结果表明,一般情况下,模型精度较高,但当燃气负荷出现大的波动时,模拟结果呈现一定程度的滞后性。 相似文献
14.
电力负荷预测是电力调度的重要参考依据,气象条件对电力负荷有重要影响。利用上海市2004—2008年15 min 1次的电力负荷资料和宝山气象站 (区站号58362) 同一时段3 h 1次的气象观测资料,对上海市电力负荷特征进行分析,发现不同温度区间和不同天气类型电力负荷的日变化特征有明显差别。采用逐步回归方法得到各温度区间日平均气象负荷率的预报方程,通过系数订正,得出不同天气类型的逐时负荷预报。2009年试报结果显示:采用预报日前3 d的趋势负荷平均值作为预报当日的趋势负荷值,得到的日平均负荷预测值的误差最小,约为3.6%;非工作日日平均负荷的平均预报相对误差比工作日大;日平均气温超过18 ℃时,工作日日平均负荷的预报误差较小;低于18 ℃时,预报误差明显增大;逐时负荷平均预报误差约为4%。 相似文献
15.
利用2012—2016年安徽省淮北市逐日用电负荷和气象要素数据,采用相关分析、回归分析、曲线拟合等统计方法,分析用电负荷的季节变化、周末/节假日效应变化规律,提炼主要气象影响因子并分析温度对负荷的1℃效应和负荷对最高温度的敏感性,构建趋势负荷和趋势方程,介绍将周末/节假日效应应用于气象负荷提取和不同预测模型的建立,采用趋势法建立逐日负荷预测的多元回归方程和曲线拟合方程,并针对趋势法的弱点提出2日增量法,建立相应的预测模型,其中2日增量法预测模型的历史拟合率和2017年试报应用均达到96%—97%,比趋势法高2%—3%,比目前的考核要求高4%—5%,提高了负荷预测精度。 相似文献
16.
基于2014—2016年南京市常规气象逐时观测数据、逐日用电量和逐时用电负荷数据, 分析南京市用电量变化及其与气象因子的关系。结果表明: 南京市用电量7—8月、12月至翌年1月为两个峰值, 4月和10月为两个谷值, 年变化明显。四季均呈现显著“周末效应”。用电负荷一天内有两个峰值, 分别出现在10时和20时; 两个谷值, 一个谷值冬夏季在04时, 另一谷值冬季在14时, 夏季在18时。南京市用电量与气象条件的变化密切相关, 气象因子与用电量的关系在不同月份有所不同, 如夏(秋、冬)季气温日较差越大(小), 用电量越大; 7月、8月(10月至翌年3月)气温越高(低), 用电量越大; 冬季用电量受气象要素的影响程度总体低于夏季。冬季用电量主要受气温制约; 夏季用电量受气象要素的影响更为复杂, 除了气温, 还需综合考虑水汽、日照等因子。利用逐步回归法, 建立冬、夏季逐月日用电量气象预测方程, 方程中入选气象因子的存在明显的月际差异。不同月份分别针对性地考量入选气象因子的预报值, 做出用电量预估, 可为电力调度提供参考。 相似文献