章姝俊，陸海清，陳佳璽，邵越

（1.國(guó)網(wǎng)浙江省電力有限公司，杭州 310007；2.國(guó)網(wǎng)浙江省電力有限公司經(jīng)濟(jì)技術(shù)研究院，杭州 310016；3.國(guó)網(wǎng)浙江省電力有限公司湖州供電公司，浙江 湖州 313000）

0 引言

隨著人民生活水平的提升，空調(diào)設(shè)備快速增長(zhǎng)，降溫/采暖需求日益攀升。在夏季和冬季尖峰負(fù)荷中，氣溫敏感負(fù)荷（降溫/采暖負(fù)荷）占比超過(guò)30%，且具有開(kāi)機(jī)同時(shí)率高、全年持續(xù)時(shí)間短的典型特點(diǎn)，造成電力峰谷差激增，安全運(yùn)行壓力不斷增大?？茖W(xué)預(yù)測(cè)采暖、制冷等氣溫敏感用電需求已成為制約電力需求預(yù)測(cè)準(zhǔn)確性的關(guān)鍵因素［1-4］。尤其是在全球氣候變暖大背景下，厄爾尼諾、拉尼娜等現(xiàn)象頻發(fā)，氣溫多變且難以預(yù)測(cè)，如果缺乏對(duì)氣溫敏感負(fù)荷用電規(guī)模的預(yù)判預(yù)測(cè)，極有可能影響電力電量平衡預(yù)測(cè)準(zhǔn)確度，在供應(yīng)趨緊的形勢(shì)下影響保供安全［5-6］。

在電力需求預(yù)測(cè)中需要考慮季節(jié)性負(fù)荷，尤其是降溫/采暖負(fù)荷。目前的做法是基于歷史數(shù)據(jù)將省域降溫/采暖用電表示為溫度參數(shù)的函數(shù)，通過(guò)未來(lái)溫度變化趨勢(shì)分析實(shí)現(xiàn)中期氣溫敏感負(fù)荷的預(yù)測(cè)［7-26］。但這種做法存在以下不足：在當(dāng)前氣候問(wèn)題的影響下，基于長(zhǎng)期歷史數(shù)據(jù)的趨勢(shì)外推法適用性不強(qiáng)；沒(méi)有充分考慮省域范圍內(nèi)微氣象的顯著差異；未有效計(jì)及溫度累積效應(yīng)。

針對(duì)上述問(wèn)題，本文通過(guò)分析浙江省各地市近年來(lái)夏、冬季氣象和降溫/采暖用電歷史數(shù)據(jù)，發(fā)現(xiàn)氣溫敏感負(fù)荷的相關(guān)因子存在明顯差異，提出基于“3T”（溫度、區(qū)域、時(shí)間）模型的氣溫敏感負(fù)荷預(yù)測(cè)方法，分地市差異化預(yù)測(cè)并測(cè)算浙江全省中期氣溫敏感負(fù)荷用電需求。結(jié)合目前最新氣象預(yù)測(cè)和分析，全球變暖趨勢(shì)中期內(nèi)難以逆轉(zhuǎn)，氣溫不穩(wěn)定性較強(qiáng)，因此構(gòu)建具體地市擬合模型時(shí)以2022年降溫/采暖負(fù)荷和電量重構(gòu)誤差最小為目標(biāo)，從月高溫天數(shù)、最高溫度、城鎮(zhèn)化率等關(guān)聯(lián)因子中自適應(yīng)篩選強(qiáng)相關(guān)因子并構(gòu)建優(yōu)化擬合函數(shù)。

本文基于“3T”模型，將沿用多年的電力系統(tǒng)降溫/采暖負(fù)荷預(yù)測(cè)從溫度單“T”拓展至溫度、區(qū)域、時(shí)間“3T”，將簡(jiǎn)單趨勢(shì)外推算法拓展至因子自動(dòng)篩選和模型自適應(yīng)構(gòu)建的優(yōu)化方法，為多變氣候下的電力系統(tǒng)供需態(tài)勢(shì)分析和預(yù)測(cè)提供強(qiáng)大工具，具有廣泛的應(yīng)用前景。

1 氣溫敏感負(fù)荷及電量的分解

電力負(fù)荷受多種因素影響，大體可分為氣象因素和社會(huì)因素兩類。其中，氣象因素主要包括溫度、濕度、風(fēng)力、降水等，但因濕度、風(fēng)力、降水等因素的變化具有較為明顯的局部性，對(duì)覆蓋區(qū)域較大的電網(wǎng)總負(fù)荷的影響總體上呈現(xiàn)隨機(jī)性，因此在分析對(duì)較大地區(qū)電力負(fù)荷產(chǎn)生影響的氣象因素時(shí)，一般只考慮氣溫因素。由此，電網(wǎng)總負(fù)荷可以分為電力基準(zhǔn)負(fù)荷和氣溫敏感負(fù)荷，總電量也可分為基礎(chǔ)電量和氣溫敏感電量。本文研究對(duì)象為降溫負(fù)荷及電量（夏季）、采暖負(fù)荷及電量（冬季），測(cè)算方法如下。

降溫負(fù)荷及電量：在計(jì)算春季、秋季典型日負(fù)荷曲線的基礎(chǔ)上，用夏季每日的負(fù)荷曲線減去對(duì)應(yīng)的基礎(chǔ)負(fù)荷曲線，即可得到降溫負(fù)荷曲線。從歷年負(fù)荷、電量變化趨勢(shì)來(lái)看，浙江4—5月、10—11月降溫、采暖需求均未得到釋放，故春季典型日負(fù)荷曲線由當(dāng)年4月15日—5月30日24點(diǎn)負(fù)荷數(shù)據(jù)平均得到，秋季典型日負(fù)荷曲線由當(dāng)年10月10日—11月15日24點(diǎn)負(fù)荷數(shù)據(jù)平均得到，并假設(shè)基礎(chǔ)負(fù)荷曲線在當(dāng)年春季至秋季之間線性增長(zhǎng)，由此得到夏季月最大負(fù)荷日的最大時(shí)點(diǎn)對(duì)應(yīng)的降溫負(fù)荷。在計(jì)算春季、秋季典型日電量（時(shí)間范圍選取同負(fù)荷）的基礎(chǔ)上，假設(shè)基礎(chǔ)電量線性增長(zhǎng)，用夏季每日的日電量減去對(duì)應(yīng)的基礎(chǔ)電量，加總即可得到夏季降溫電量。

采暖負(fù)荷及電量：在計(jì)算春季、秋季典型日負(fù)荷曲線的基礎(chǔ)上，用冬季每日的負(fù)荷曲線減去對(duì)應(yīng)的基礎(chǔ)負(fù)荷曲線，即可得到采暖負(fù)荷曲線。其中，春季典型日負(fù)荷曲線由次年4月15日—5月30日24點(diǎn)負(fù)荷數(shù)據(jù)平均得到，秋季典型日負(fù)荷曲線由當(dāng)年10月10日—11月15日24點(diǎn)負(fù)荷數(shù)據(jù)平均得到，并假設(shè)基礎(chǔ)負(fù)荷曲線在當(dāng)年秋季至次年冬季之間線性增長(zhǎng)，同時(shí)考慮春節(jié)前后（農(nóng)歷臘月十五至正月十五）用電呈V字型變化，參考日電量與春節(jié)前期（農(nóng)歷臘月初一至十四）平均值之間的比例，對(duì)基礎(chǔ)負(fù)荷曲線進(jìn)行等比例縮小，由此得到冬季月最大負(fù)荷日的最大時(shí)點(diǎn)對(duì)應(yīng)的采暖負(fù)荷。在計(jì)算春季、秋季典型日（時(shí)間范圍選取同負(fù)荷）日電量的基礎(chǔ)上，假設(shè)兩期典型日間基礎(chǔ)電量線性增長(zhǎng)以及考慮春節(jié)因素的影響（處理方式同負(fù)荷），用冬季每日的日電量減去對(duì)應(yīng)的基礎(chǔ)電量，加總即可得到冬季采暖電量。

除氣溫因素外，地區(qū)經(jīng)濟(jì)的高質(zhì)量發(fā)展、城鎮(zhèn)化水平的不斷提升以及人口的逐年增長(zhǎng)等，也在一定程度上拉動(dòng)了用電需求穩(wěn)步攀升，降溫/采暖負(fù)荷占總用電負(fù)荷的比重也存在較明顯的上升趨勢(shì)。

2 影響降溫/采暖負(fù)荷的氣溫因素及社會(huì)因素

2.1 氣溫因素

圖1展示了浙江省近五年來(lái)平均氣溫、高溫天數(shù)與降溫負(fù)荷的變化趨勢(shì)，圖2進(jìn)一步展示了浙江省近五年降溫電量的變化趨勢(shì)。2018—2022年夏季，浙江省平均溫度與高溫天數(shù)波動(dòng)性均較強(qiáng)，但整體呈現(xiàn)一定的上升趨勢(shì)。近五年浙江降溫負(fù)荷上升趨勢(shì)明顯，年均增長(zhǎng)14.3%，高于全社會(huì)最高負(fù)荷年均增速7.8%，降溫負(fù)荷與平均氣溫、高溫天數(shù)的增長(zhǎng)趨勢(shì)接近。降溫負(fù)荷約占當(dāng)年調(diào)度最大負(fù)荷的29.5%～37.2%。其中，2020年和2022年受省內(nèi)極端天氣影響，夏季平均溫度及高溫天數(shù)均較其余年份偏多，降溫負(fù)荷增長(zhǎng)率明顯上升，分別達(dá)13.4%和24.7%。

圖1 2018—2022年浙江省夏季氣溫與降溫負(fù)荷變化趨勢(shì)Fig.1 Variations of summer temperature and cooling loads of Zhejiang Province from 2018 to 2022.

圖2 2018—2022年浙江省夏季氣溫與降溫電量變化趨勢(shì)Fig.2 Variations of summer temperature and power consumption for cooling in Zhejiang Province from 2018 to 2022.

與此同時(shí)，2018—2022年夏季，浙江省降溫電量增長(zhǎng)趨勢(shì)明顯，年均增長(zhǎng)14.4%，整體增長(zhǎng)趨勢(shì)與氣溫因素呈現(xiàn)明顯的正相關(guān)性。降溫電量約占當(dāng)年夏季電量的13.4%～20.8%。其中，2019年降溫電量負(fù)增長(zhǎng)，主要因?yàn)楫?dāng)年氣溫有所下降，出現(xiàn)“涼夏”，累計(jì)高溫天數(shù)較上一年減少6 d，平均氣溫偏低0.9 ℃，降溫電量需求下降。2022年省內(nèi)出現(xiàn)極端高溫，平均氣溫達(dá)28.4 ℃，相應(yīng)的降溫電量也明顯提升，增長(zhǎng)率達(dá)40.2%，降溫電量占比達(dá)20.8%。

2.2 社會(huì)因素

僅僅利用溫度因子來(lái)建立降溫/采暖負(fù)荷預(yù)測(cè)模型有著明顯的地域局限性和時(shí)間局限性。實(shí)際上，氣溫因素對(duì)降溫/采暖負(fù)荷的影響作用固然直觀，但諸如人口數(shù)量、經(jīng)濟(jì)發(fā)展程度以及城鎮(zhèn)化率等社會(huì)因素不僅決定著降溫/采暖設(shè)備的容量規(guī)模，也影響著人們的使用習(xí)慣，在降溫/采暖負(fù)荷規(guī)律研究中是不可忽視的因素。下面以降溫負(fù)荷為例，對(duì)常住人口、城鎮(zhèn)化率、季度GDP增速等地域差異性因素進(jìn)行統(tǒng)計(jì)分析，選取部分相關(guān)性較強(qiáng)的地市進(jìn)行說(shuō)明。

杭州、寧波、溫州等人口密度較大的城市，常住人口與降溫/采暖負(fù)荷表現(xiàn)出較高的相關(guān)性。以杭州為例，人口密度達(dá)735人/km2，人才聚集效應(yīng)持續(xù)作用，人口保持增長(zhǎng)趨勢(shì)；產(chǎn)業(yè)結(jié)構(gòu)以第三產(chǎn)業(yè)為主，且居民生活用電占比較高，達(dá)到16.1%～19.6%，居民降溫負(fù)荷占65%以上，且呈現(xiàn)增長(zhǎng)趨勢(shì)；隨著常住人口的增加，城市熱島效應(yīng)不斷加強(qiáng)。因此杭州降溫負(fù)荷與常住人口增長(zhǎng)趨勢(shì)一致，呈現(xiàn)明顯的正相關(guān)性。

嘉興、紹興等城鎮(zhèn)化率較低、發(fā)展較快的城市，城鎮(zhèn)化率與降溫/采暖負(fù)荷表現(xiàn)出較高的相關(guān)性。以嘉興為例，近五年嘉興城鎮(zhèn)化率增速達(dá)7.4%，為全省最高；城鎮(zhèn)化進(jìn)程推動(dòng)第二產(chǎn)業(yè)、第三產(chǎn)業(yè)持續(xù)增長(zhǎng)，降溫負(fù)荷中工商業(yè)降溫負(fù)荷呈上升趨勢(shì)，占比達(dá)43%左右，且保持增長(zhǎng)趨勢(shì)；城鎮(zhèn)人口規(guī)模與地域規(guī)模不斷擴(kuò)大，伴隨著城市基礎(chǔ)設(shè)施和家用電器的大量普及，很大程度上拉動(dòng)了電力消費(fèi)增長(zhǎng)。因此嘉興降溫負(fù)荷與城鎮(zhèn)化率增長(zhǎng)趨勢(shì)相同，呈現(xiàn)一定的正相關(guān)性。

舟山、臺(tái)州等居民降溫需求較低、工業(yè)發(fā)展較快的城市，季度GDP增速與降溫/采暖負(fù)荷表現(xiàn)出較高的相關(guān)性。以舟山為例，地處海島，屬亞熱帶季風(fēng)氣候，常住人口117萬(wàn)，為全省最少，居民降溫需求相對(duì)較低，居民降溫負(fù)荷以年均2.3%的幅度低速增長(zhǎng)；受魚(yú)山石化投產(chǎn)的驅(qū)動(dòng)，舟山GDP快速增長(zhǎng)，進(jìn)而帶動(dòng)了工商業(yè)降溫負(fù)荷增長(zhǎng)，其占比近年有所提高。因此舟山降溫負(fù)荷與季度GDP增速變化趨勢(shì)一致性較高，呈現(xiàn)較強(qiáng)的正相關(guān)性。

3 “3T”預(yù)測(cè)模型

3.1 降溫/采暖負(fù)荷及電量預(yù)測(cè)的影響因素

進(jìn)行降溫/采暖負(fù)荷及電量的預(yù)測(cè)時(shí)，需要考慮多種因素的影響?！?T”模型在探究氣溫敏感負(fù)荷用電與氣溫關(guān)系的同時(shí)，還考慮了社會(huì)發(fā)展?fàn)顩r的影響，即綜合了氣溫因素和社會(huì)因素兩方面，具體變量類型如表1、表2所示。

表1 “3T”模型中影響降溫電量/負(fù)荷的因素Table 1 Influencing factors of power consumption for cooling and loads in the 3T model

表2 “3T”模型中影響采暖電量/負(fù)荷的因素Table 2 Influencing factors of power consumption for heating and loads in the 3T model

相關(guān)研究結(jié)果表明：夏季日電量與日平均溫度變化趨勢(shì)非常相似，夏季最高負(fù)荷與最高溫度呈正相關(guān)；冬季最高負(fù)荷與最高溫度負(fù)相關(guān)。為了深入研究氣溫因素影響降溫/采暖負(fù)荷的機(jī)制，“3T”模型不僅統(tǒng)計(jì)夏季各月的最高溫度和冬季各月的最低溫度，同樣將各溫度段的高溫/低溫累計(jì)天數(shù)作為模型變量，以1 ℃為步長(zhǎng)，統(tǒng)計(jì)各地市在夏季和冬季各月出現(xiàn)高溫和低溫的累計(jì)天數(shù)，從而體現(xiàn)溫度累積效應(yīng)對(duì)電力負(fù)荷的影響。

此外，人口增長(zhǎng)是影響電力需求的重要因素，當(dāng)社會(huì)中的人口增長(zhǎng)時(shí)，電力需求量也會(huì)相應(yīng)增加。宏觀經(jīng)濟(jì)形勢(shì)同樣是影響電力需求的重要因素，受經(jīng)濟(jì)波動(dòng)的影響，電力需求亦表現(xiàn)出明顯的波動(dòng)性，當(dāng)經(jīng)濟(jì)增長(zhǎng)勢(shì)頭較好時(shí)，電力需求增長(zhǎng)較快，而經(jīng)濟(jì)增長(zhǎng)形勢(shì)發(fā)生變化時(shí)，電力需求格局也產(chǎn)生相應(yīng)的變化。產(chǎn)業(yè)結(jié)構(gòu)也會(huì)對(duì)電力需求產(chǎn)生影響，通常第二產(chǎn)業(yè)比重越大，社會(huì)的電力需求也越大?；诖?，“3T”模型中考慮的社會(huì)因素包括城鎮(zhèn)化率、季度GDP增速、常住人口和產(chǎn)業(yè)用電結(jié)構(gòu)。

3.2 影響因素的相關(guān)性分析及其優(yōu)化選擇

考慮到過(guò)多變量將導(dǎo)致預(yù)測(cè)函數(shù)的結(jié)構(gòu)過(guò)于復(fù)雜，且與負(fù)荷/電量相關(guān)程度較低的變量可能導(dǎo)致較大的預(yù)測(cè)誤差，為了簡(jiǎn)化預(yù)測(cè)函數(shù)的結(jié)構(gòu)并且提高預(yù)測(cè)精度，對(duì)各個(gè)變量進(jìn)行相關(guān)性分析和優(yōu)化選擇。

相關(guān)性分析是指對(duì)兩個(gè)或多個(gè)具備相關(guān)性的變量元素進(jìn)行分析，從而衡量它們之間的密切程度，這種密切程度可以用相關(guān)系數(shù)進(jìn)行表征。相關(guān)系數(shù)最早是由統(tǒng)計(jì)學(xué)家卡爾·皮爾遜設(shè)計(jì)的統(tǒng)計(jì)指標(biāo)，是研究變量之間線性相關(guān)程度的量。對(duì)于兩個(gè)變量X與Y，其相關(guān)系數(shù)r(X，Y)如（1）所示：

式中：Cov(X，Y)為X與Y的協(xié)方差；Var[X]為X的方差；Var[Y]為Y的方差。

相關(guān)系數(shù)按積差方法計(jì)算，以兩變量與各自平均值的離差為基礎(chǔ)，通過(guò)兩個(gè)離差相乘來(lái)反映兩變量之間相關(guān)程度。該指標(biāo)定量刻畫(huà)了兩組數(shù)據(jù)之間的相關(guān)程度，相關(guān)系數(shù)的絕對(duì)值越接近1，說(shuō)明兩者的相關(guān)程度越好；越接近0，則表示兩者的相關(guān)程度越差。

在運(yùn)用本模型進(jìn)行負(fù)荷和電量預(yù)測(cè)函數(shù)的擬合時(shí)，首先分別計(jì)算所有影響因素與降溫/采暖負(fù)荷及電量的相關(guān)系數(shù)，選取相關(guān)程度較高的因素構(gòu)建選擇域。根據(jù)前文對(duì)氣候變化趨勢(shì)的分析，2022年冬季及2023年春季、夏季，浙江仍將遭遇極端天氣，呈現(xiàn)出的氣候特點(diǎn)與2022年類似。因此，在選擇模型變量時(shí)，以2022年重構(gòu)誤差最小為優(yōu)化目標(biāo)，借助遺傳算法找到合適的影響因素及相應(yīng)的系數(shù)，從而得到最貼近當(dāng)下氣候狀況的負(fù)荷/電量預(yù)測(cè)函數(shù)。

值得注意的是，“3T”模型考慮不同地市的區(qū)域性用電特點(diǎn)，所以需要對(duì)每個(gè)地市分別開(kāi)展影響因素的相關(guān)性分析和優(yōu)化選擇，找到對(duì)應(yīng)每個(gè)地市特征的負(fù)荷/電量預(yù)測(cè)函數(shù)。

3.3 “3T”模型的測(cè)算步驟

圖3給出了“3T”模型預(yù)測(cè)流程，該模型在刻畫(huà)降溫/采暖負(fù)荷及電量的特性時(shí)全面考慮了時(shí)間、氣溫、地域的差異。以浙江省各地市2018年以來(lái)的人口數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、氣溫?cái)?shù)據(jù)、產(chǎn)業(yè)結(jié)構(gòu)數(shù)據(jù)和用電量、負(fù)荷數(shù)據(jù)為參考，該模型的具體測(cè)算步驟如下：

圖3 “3T”模型預(yù)測(cè)流程Fig.3 Prediction process of the 3T model

1）統(tǒng)計(jì)每個(gè)地市自2018年以來(lái)，每年夏季（6—8月）和冬季（12—次年2月）的人口、城鎮(zhèn)化率、季度GDP增速數(shù)據(jù)。

2）以1 ℃為步長(zhǎng)，統(tǒng)計(jì)各地市五年來(lái)在夏季和冬季各月份出現(xiàn)高溫和低溫的累計(jì)天數(shù)，同時(shí)記錄不同地市在相應(yīng)月份的最高/最低氣溫。

3）分地市統(tǒng)計(jì)2018年以來(lái)夏季/冬季每個(gè)月的全社會(huì)用電量以及當(dāng)月最大負(fù)荷。對(duì)于夏季，計(jì)算相應(yīng)月份的降溫電量及降溫負(fù)荷；對(duì)于冬季，計(jì)算相應(yīng)月份的采暖電量及采暖負(fù)荷。統(tǒng)計(jì)各地市在相應(yīng)時(shí)段的產(chǎn)業(yè)用電結(jié)構(gòu)和居民用電占比。

4）基于歷史數(shù)據(jù)，針對(duì)不同地市，分別計(jì)算各個(gè)影響因素與當(dāng)月降溫/采暖電量及負(fù)荷之間的相關(guān)系數(shù)，利用上節(jié)所述優(yōu)化模型擬合相應(yīng)的負(fù)荷/電量預(yù)測(cè)函數(shù)。

5）根據(jù)社會(huì)情況和宏觀經(jīng)濟(jì)分析，估算各地市在預(yù)測(cè)年的人口、城鎮(zhèn)化率、GDP增長(zhǎng)、產(chǎn)業(yè)用電結(jié)構(gòu)等情況。

6）根據(jù)氣象分析和預(yù)報(bào)數(shù)據(jù)，估算各地市在預(yù)測(cè)月的高溫/低溫天數(shù)及月最高/最低溫度。

7）將第5、第6步的預(yù)測(cè)值代入第4步所擬合的關(guān)系式中，得到各地市當(dāng)月的降溫/采暖用電量及最大負(fù)荷預(yù)測(cè)結(jié)果，從而求得全省的用電情況預(yù)測(cè)值。

4 算例分析

4.1 中期降溫負(fù)荷增長(zhǎng)預(yù)測(cè)

根據(jù)杭州2018年以來(lái)的人口數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、氣溫?cái)?shù)據(jù)以及用電數(shù)據(jù)，計(jì)算各年度夏季的累積高溫天數(shù)和降溫負(fù)荷。分別計(jì)算各影響因素與降溫負(fù)荷的相關(guān)性，所得相關(guān)系數(shù)如表3所示。

表3 杭州降溫負(fù)荷與其影響因素間的相關(guān)性Table 3 Correlation between the cooling load in Hangzhou and its influencing factors

選取與杭州降溫負(fù)荷相關(guān)系數(shù)較大的因素x15，繪制其與降溫負(fù)荷的變化關(guān)系，如圖4所示?？梢钥闯觯捎门c降溫負(fù)荷間相關(guān)系數(shù)較大的變量進(jìn)行分析時(shí)，趨勢(shì)線與實(shí)際數(shù)值的偏差較小。

圖4 杭州降溫負(fù)荷與常駐人口的關(guān)系Fig.4 Relationship between cooling load and permanent resident population in Hangzhou

因此，以相關(guān)性分析結(jié)果為依據(jù)，選取相關(guān)程度較高的因素構(gòu)建選擇域。以“使所擬合的函數(shù)能夠以最高的準(zhǔn)確度預(yù)測(cè)2022年的降溫負(fù)荷”作為優(yōu)化目標(biāo)，借助遺傳算法找到合適的影響因素及相應(yīng)的系數(shù)，得出如式（2）所示的降溫電量預(yù)測(cè)函數(shù)。

將2022年杭州的人口數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、氣溫?cái)?shù)據(jù)代入上述擬合曲線，計(jì)算得到杭州2022年夏季降溫負(fù)荷為956萬(wàn)kW，與真實(shí)值945萬(wàn)kW的誤差僅1.16%。在此基礎(chǔ)上，代入2023年夏季的氣溫及社會(huì)情況預(yù)測(cè)數(shù)據(jù)，即可對(duì)該季度的降溫電量進(jìn)行預(yù)測(cè)。

4.2 中期降溫電量增長(zhǎng)預(yù)測(cè)

根據(jù)寧波2018年以來(lái)每年夏季的人口數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、氣溫?cái)?shù)據(jù)以及用電數(shù)據(jù)，計(jì)算各年度夏季的累積高溫天數(shù)和降溫電量。分別計(jì)算各影響因素與降溫電量的相關(guān)性，所得相關(guān)系數(shù)如表4所示。

表4 寧波降溫用電量與其影響因素間的相關(guān)性Table 4 Correlation between power consumption for cooling in Ningbo and its influencing factors

選取與寧波降溫電量相關(guān)系數(shù)較大的因素x17，繪制其與降溫電量的變化關(guān)系，如圖5所示?？梢钥闯觯捎门c降溫電量間相關(guān)系數(shù)較大的變量進(jìn)行分析時(shí)，趨勢(shì)線與實(shí)際數(shù)值的偏差較小。

圖5 寧波市降溫電量與第二產(chǎn)業(yè)用電占比的關(guān)系Fig.5 Relationship between power consumption for cooling and the share of power consumption for the secondary industry in Ningbo

因此，以相關(guān)性分析結(jié)果為依據(jù)，選取相關(guān)程度較高的因素構(gòu)建選擇域。以“使所擬合的函數(shù)能夠以最高的準(zhǔn)確度預(yù)測(cè)2022年的降溫電量”作為優(yōu)化目標(biāo)，借助遺傳算法找到合適的影響因素及相應(yīng)系數(shù)，得出如式（3）所示的降溫電量預(yù)測(cè)函數(shù)。

將2022年寧波的人口數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、氣溫?cái)?shù)據(jù)代入上述擬合曲線，計(jì)算得到寧波2022年夏季降溫電量為74.5億kWh，與真實(shí)值71.2億kWh的誤差僅4.63%。在此基礎(chǔ)上，代入2023年夏季的氣溫及社會(huì)情況預(yù)測(cè)數(shù)據(jù)，即可對(duì)該季度的降溫電量進(jìn)行預(yù)測(cè)。

4.3 中期采暖電量增長(zhǎng)預(yù)測(cè)

根據(jù)金華2018年以來(lái)每年冬季的人口數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、氣溫?cái)?shù)據(jù)以及用電數(shù)據(jù)，計(jì)算各年度冬季的累積低溫天數(shù)和采暖電量。分別計(jì)算各影響因素與采暖電量的相關(guān)性，所得相關(guān)系數(shù)如表5所示。

表5 金華采暖用電量與其影響因素間的相關(guān)性Table 5 Correlation between power consumption for heating in Jinhua and its influencing factors

類似地，以相關(guān)性分析結(jié)果為依據(jù)，選取相關(guān)程度較大的因素構(gòu)建選擇域。以“使所擬合的函數(shù)能夠以最高的準(zhǔn)確度預(yù)測(cè)2021—2022年的采暖電量”作為優(yōu)化目標(biāo)，借助遺傳算法找到合適的影響因素及相應(yīng)的系數(shù)，得出如（4）所示的采暖電量預(yù)測(cè)函數(shù)。

將2021—2022年金華冬季的人口數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、氣溫?cái)?shù)據(jù)代入上述擬合曲線，計(jì)算得到金華2021—2022年冬季采暖電量為13.5億kWh，與真實(shí)值14.3億kWh的誤差僅-5.59%。在此基礎(chǔ)上，代入2022—2023年冬季的氣溫及社會(huì)情況預(yù)測(cè)數(shù)據(jù)，即可對(duì)該季度的采暖電量進(jìn)行預(yù)測(cè)。

5 結(jié)語(yǔ)

在全球變暖、氣溫多變的背景下，亟需開(kāi)展氣溫敏感負(fù)荷用電預(yù)測(cè)研究，提升采暖、降溫用電的預(yù)測(cè)精度，為電力系統(tǒng)安全穩(wěn)定運(yùn)行提供支撐。傳統(tǒng)的電力系統(tǒng)氣溫敏感負(fù)荷用電預(yù)測(cè)方法僅考慮溫度變化趨勢(shì)，忽略了氣候、地理及社會(huì)等因素的綜合影響?；诖?，本文提出一種基于“3T”模型的降溫/采暖負(fù)荷及電量預(yù)測(cè)方法，將氣溫敏感負(fù)荷用電預(yù)測(cè)從溫度單“T”拓展至溫度、區(qū)域、時(shí)間“3T”，將簡(jiǎn)單趨勢(shì)外推算法拓展至因子自動(dòng)篩選和模型自適應(yīng)構(gòu)建的優(yōu)化方法，并通過(guò)算例驗(yàn)證了該方法的有效性。

算例結(jié)果表明，考慮多因素、分地市差異測(cè)算更貼近實(shí)際。浙江省內(nèi)各地市的地理位置、自然稟賦、微氣象條件、溫控需求差異較大，在構(gòu)建“3T”模型過(guò)程中引入高溫/低溫累計(jì)天數(shù)、城鎮(zhèn)化率、人口等因素，有必要分地市開(kāi)展差異化測(cè)算，以使得預(yù)測(cè)結(jié)果更加貼近實(shí)際。

此外，本文通過(guò)構(gòu)建“3T”模型對(duì)浙江省進(jìn)行了氣溫敏感負(fù)荷及電量增長(zhǎng)預(yù)測(cè)。在負(fù)荷方面，預(yù)計(jì)2022年冬季采暖負(fù)荷達(dá)2 200萬(wàn)kW，2023年夏季降溫負(fù)荷達(dá)4 372萬(wàn)kW。電量方面，預(yù)計(jì)2022年冬季采暖電量達(dá)189億kWh，2023年夏季降溫電量達(dá)400億kWh。