一种夏季空调负荷容量及其气温灵敏性分析方法与流程

1.本发明属于电力负荷预测分析领域，尤其涉及一种夏季空调负荷容量及其气温灵敏性分析方法。


背景技术：

2.现有负荷分析技术方案一般应用的方法有：最大负荷比较法、基准负荷比较法、最大温差法、设备容量和空调数量推算法等。详见文献：邱向京，周峰，刘升，等.福建省年最大降温负荷测算分析与研究[j].华东电力，2005，33(20)：86
‑
90。
[0003]
传统最大负荷比较法利用年最大负荷日负荷曲线减去春秋两季平均后的最大负荷日负荷曲线从而得到空调负荷曲线。夏季空调负荷的分析应当要在本年夏季就着手进行，用于指导本年度迎峰度夏工作的开展。而如果采用传统最大负荷比较法进行分析，就需要等到本年秋季过完得到本年秋季负荷数据后方能进行本年度夏季空调负荷的分析，而此时夏季已过，再对夏季空调负荷进行事后分析其指导意义必然大打折扣，即传统最大负荷比较法具有滞后性。
[0004]
且现在对空调负荷的预测方法中，没有考虑要将负荷都换算在统一的温度基准面上，而温度对空调负荷有着举足轻重的影响，没有经过温度修正的空调负荷预测，势必产生较大的误差。


技术实现要素：

[0005]
本发明的目的在于提供一种夏季空调负荷容量及其气温灵敏性分析方法，从而克服了现有空调负荷的预测滞后性的缺点。
[0006]
为实现上述目的，本发明提供了一种夏季空调负荷容量及其气温灵敏性分析方法，包括以下步骤：
[0007]
获取夏季的历史负荷数据和与所述历史负荷数据对应的温度数据；
[0008]
对所述历史负荷数据和温度数据进行相关性分析，确定相关性最大的数据，相关性最大的数据为最高负荷和最高温度；
[0009]
对所述最高负荷和最高温度数据进行建模，得到最高温度与最高负荷模型；
[0010]
通过去除偏离较大的数据和节假日数据对所述最高温度与最高负荷模型进行优化，得到最高温度与最高负荷最优模型；
[0011]
将所述夏季的历史负荷数据和温度数据通过输入所述最高温度与最高负荷最优模型，得到最高负荷预测结果，对所述最高负荷预测结果进行气温灵敏性分析得到夏季负荷气温灵敏性。
[0012]
优选的，采用皮尔逊相关系数分析方法对所述历史负荷数据和温度数据进行相关性分析。
[0013]
优选的，对所述最高负荷和最高温度数据进行建模包括：通过二次函数将历史数据日期范围内最高负荷与最高温度进行拟合，得到不同温度条件下的最大负荷拟合值，采
用曲线图对所述最大负荷拟合值进行展示，从而得到最高温度与最高负荷模型。
[0014]
优选的，所述最高负荷预测结果为所述最高温度与最高负荷最优模型的函数曲线延伸出历史数据日期的曲线。
[0015]
优选的，还包括，采用改进的最大负荷比较法对负荷气温灵敏性分析当前夏季空调负荷。
[0016]
优选的，采用改进的最大负荷比较法对负荷气温灵敏性分析当前夏季空调负荷包括以下步骤：
[0017]
获取历年最大空调负荷曲线；
[0018]
根据所述夏季负荷气温灵敏性对所述历年最大空调负荷曲线进行基于气温灵敏性的温度修正，统一修正为同一气温下的负荷值；
[0019]
通过对修正后的数据进行曲线拟合的方式预测本年预测月份的最大日负荷数据，从而得到本年度夏季最大空调负荷预测曲线及空调容量分析。
[0020]
优选的，采用最大负荷比较法处理得到历年空调负荷，并拟合得到空调负荷曲线。
[0021]
优选的，采用最大负荷比较法求得历年最大空调负荷曲线包括：选择基准负荷曲线，采用最大负荷日的日负荷曲线与基准负荷曲线进行比较得到历年最大空调负荷曲线。
[0022]
与现有的技术相比，本发明具有如下有益效果：
[0023]
1、本发明所提供的夏季空调负荷容量及其气温灵敏性分析方法，通过对夏季的历史负荷数据和温度数据进行相关性分析，确定相关性最大的数据为最高负荷和最高温度，对最高负荷和最高温度数据进行建模，得到最高温度与最高负荷模型；通过去除偏离较大的最高负荷和最高温度数据对最高温度与最高负荷模型进行优化，得到最高温度与最高负荷最优模型，通过最高温度与最高负荷最优模型处理的数据更为准确；将夏季的历史负荷数据和温度数据通过输入最高温度与最高负荷最优模型，得到最高负荷预测结果，对最高负荷预测结果进行气温灵敏性分析得到夏季负荷气温灵敏性，即夏季空调负荷气温灵敏性，气象灵敏度是电力指标随气象指标变化规律的量化分析结果，通过夏季负荷气温灵敏性能够直观的得到最高负荷预测结果，也是夏季空调负荷气温灵敏性分析结果，为后续供电以及预测等提供更准确的数据支撑。
[0024]
2、本发明所提供的夏季空调负荷容量及其气温灵敏性分析方法中，采用改进的最大负荷比较法对夏季负荷气温灵敏性分析当前夏季空调负荷，能够得到本年度夏季最大空调负荷预测曲线及空调容量分析，从而进行实时预测分析，而不用等到夏季过完才能回顾分析。
附图说明
[0025]
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]
图1是本发明一种夏季空调负荷容量及其气温灵敏性分析方法的流程图；
[0027]
图2是本发明的正常数据的最高温度与最高负荷拟合图；
[0028]
图3是本发明的剔除偏离较大的数据的最高温度与最高负荷拟合图；
[0029]
图4是本发明的剔除节假日数据的最高温度与最高负荷拟合图；
[0030]
图5是本发明的剔除节假日数据和偏离较大的数据的最高温度与最高负荷拟合图；
[0031]
图6是本发明的2017年至2020年夏季最大空调负荷曲线及2021年夏季最大空调负荷预测曲线。
具体实施方式
[0032]
下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033]
图1示出了本发明所提供的夏季空调负荷容量及其气温灵敏性分析方法，包括以下步骤：
[0034]
s1、获取夏季的历史负荷数据和与所述历史负荷数据对应的温度数据；
[0035]
s2、对历史负荷数据和温度数据进行相关性分析，确定相关性最大的数据，相关性最大的数据为最高负荷和最高温度；
[0036]
s3、对最高负荷和最高温度数据进行建模，得到最高温度与最高负荷模型；
[0037]
s4、通过去除偏离较大的数据和节假日数据对所述最高温度与最高负荷模型进行优化，得到最高温度与最高负荷最优模型；
[0038]
s5、将夏季的历史负荷数据和温度数据通过输入最高温度与最高负荷最优模型，得到最高负荷预测结果，对最高负荷预测结果进行气温灵敏性分析得到夏季负荷气温灵敏性，即夏季空调负荷气温灵敏性。上述的历史负荷数据是总负荷，但是就气温灵敏性而言，总负荷的气温灵敏性就是空调负荷的气温灵敏性，因为总负荷里也只有空调负荷会随着气温而变化，因此，分析得到的夏季负荷气温灵敏性为夏季空调分红气温灵敏性。
[0039]
上述的夏季空调负荷容量及其气温灵敏性分析方法，通过对夏季的历史负荷数据和温度数据进行相关性分析，确定相关性最大的数据为最高负荷和最高温度，对最高负荷和最高温度数据进行建模，得到最高温度与最高负荷模型；通过去除偏离较大的最高负荷和最高温度数据对最高温度与最高负荷模型进行优化，得到最高温度与最高负荷最优模型，通过最高温度与最高负荷最优模型处理的数据更为准确；将夏季的历史负荷数据和温度数据通过输入最高温度与最高负荷最优模型，得到最高负荷预测结果，对最高负荷预测结果进行气温灵敏性分析得到夏季负荷气温灵敏性，即夏季空调负荷气温灵敏性，气象灵敏度是电力指标随气象指标变化规律的量化分析结果，通过夏季负荷气温灵敏性能够直观的得到最高负荷预测结果，为后续供电以及预测等提供更准确的数据支撑。
[0040]
其中一个实施例，步骤s2中，采用皮尔逊相关系数分析方法对所述历史负荷数据和温度数据进行相关性分析。
[0041]
其中一个实施例，步骤s3中，对所述最高负荷和最高温度数据进行建模包括：通过二次函数将历史数据日期范围内最高负荷与最高温度进行拟合，得到不同温度条件下的最大负荷拟合值，采用曲线图对所述最大负荷拟合值进行展示，从而得到最高温度与最高负荷模型。
[0042]
其中一个实施例，步骤s5中，最高负荷预测结果为最高温度与最高负荷最优模型
的函数曲线延伸出历史数据日期的曲线。
[0043]
具体的，对最高负荷预测结果进行气温灵敏性分析得到夏季负荷气温灵敏性为：根据延伸出历史数据日期的曲线得到相应的不同温度区间范围内最高负荷的变化区间，根据不同温度区间范围内最高负荷的变化区间得到气温每升高1℃夏季负荷的变化量，即夏季空调负荷气温灵敏性。
[0044]
其中一个实施例，夏季空调负荷容量及其气温灵敏性分析方法还包括，s6、采用改进的最大负荷比较法对夏季负荷气温灵敏性分析当前夏季空调负荷。
[0045]
具体的，采用改进的最大负荷比较法对夏季负荷气温灵敏性分析当前夏季空调负荷包括以下步骤：
[0046]
s61、采用最大负荷比较法求得历年最大空调负荷曲线；
[0047]
s62、根据夏季负荷气温灵敏性对历年最大空调负荷曲线进行基于气温灵敏性的温度修正，统一修正为同一气温下的负荷值；
[0048]
s63、通过对步骤s62修正后的数据曲线拟合的方式预测本年预测月份的最大日负荷数据，从而得到本年度夏季最大空调负荷预测曲线及空调容量分析。
[0049]
具体的，步骤s61、采用最大负荷比较法求得历年最大空调负荷曲线包括：选择基准负荷曲线，采用最大负荷日的日负荷曲线与基准负荷曲线进行比较得到历年最大空调负荷曲线。
[0050]
基准负荷曲线为3月和11月中最大负荷日的日负荷曲线平均值。
[0051]
最大负荷日的日负荷曲线为夏季最大负荷日的负荷曲线。
[0052]
对本发明夏季空调负荷容量及其气温灵敏性分析方法的实施例进行详细说明，以使本领域技术人员更了解本发明：
[0053]
s1、获取2021年5月1日至6月4日的负荷数据和负荷数据对应温度数据；
[0054]
s2、采用皮尔逊相关系数分析该日期范围内(步骤s1的数据中)日最高负荷与日最高温度、最低温度和平均温度的相关性，相关性结果如表1所示；
[0055]
表1最高负荷与温度相关性
[0056]
相关系数最高温度最低温度平均温度最大负荷0.80340.59060.7888
[0057]
由表1结果可知，2021年5月1日至6月4日，最高负荷与最高温度相关性最大，因此采用最高负荷与最高温度作为相关性最大的数据，作为拟合建模的数据基础。
[0058]
s3、通过二次函数将该日期范围内最高负荷与最高温度进行拟合，得到不同温度条件下的最大负荷拟合值，即最高温度与最高负荷模型；
[0059]
s4、根据是否剔除偏离较大的数据和是否剔除节假日，得到四个模型。
[0060]
模型一为正常数据的最高温度与最高负荷模型，即最高负荷与最高温度拟合，得到的拟合函数为:y＝1.5703x2‑
55.5117x+2364.3723，对应的最高温度与最高负荷模型的结果为拟合图，如图2所示。
[0061]
模型二为剔除偏离较大的数据的高温度与最高负荷模型，得到的拟合函数为：y＝2.1624x2‑
93.6269x+2989.8787，对应的剔除偏离数据较大的高温度与最高负荷模型的结果为拟合图，如图3所示。
[0062]
模型三为剔除节假日期间数据的高温度与最高负荷模型，得到的拟合函数为：y＝
3.4214x2‑
168.6705x+4113.8697，对应的剔除节假日数据的高温度与最高负荷模型的结果为拟合图，如图4所示。
[0063]
模型四为剔除偏离较大的数据和节假日数据的最高负荷和最高温度模型，得到的拟合函数为：y＝3.3454x2‑
162.3391x+3994.7421，对应剔除偏离较大的数据和节假日数据的最高负荷和最高温度模型的结果为拟合图，如图5所示。
[0064]
由于拟合函数与实际电量必然会存在一定差距，即预测误差。因此，采用相对误差e来衡量四种情况下的预测结果准确度，相对误差e的表达式为：
[0065][0066]
式(1)中，y为实际值，为预测值。
[0067]
把5月1日
‑
6月4日的实际温度分别代入以上四个模型，将预测最高负荷与实际最高负荷进行比对计算其相对误差，得到四个模型的精度如下表2所示，
[0068]
表2 5月1日
‑
6月4日最高负荷预测精度
[0069][0070]
由模型精度分析可知，预测今年夏季工作日最高负荷随气温变化的趋势，模型四的准确度最高，因此，采用模型四进行预测，因此，通过去除偏离较大的数据和节假日数据的最高负荷和最高温度数据对所述最高温度与最高负荷模型进行优化，得到最高温度与最高负荷最优模型，即模型四。
[0071]
s5、将需要分析的夏季的历史负荷数据和温度数据通过输入最高温度与最高负荷最优模型，得到最高负荷预测结果，对最高负荷预测结果进行气温灵敏性分析得到夏季负荷气温灵敏性。
[0072]
气象灵敏度是电力指标随气象指标变化规律的量化分析结果，即电力指标数据随气象指标数据变化的曲线的斜率。采用模型四对今年夏季工作日最高负荷进行预测，得到最高负荷预测结果如表3所示，
[0073]
表3最高负荷预测结果
[0074][0075][0076]
最高负荷预测结果由模型四的函数曲线向外延伸实现预测，得到了不同温度区间范围内，最高负荷的变化区间。分析表3即可得到气温每升高1℃夏季负荷的变化量(亦为夏
季空调负荷的变化量)，即夏季空调负荷气温灵敏性如表4所示。空调负荷对气温的灵敏性是指夏季气温每升高1℃，空调负荷的变化。
[0077]
表4每升高1℃夏季负荷变化
[0078][0079]
s6、由于直接得到空调负荷的实测数据较为困难，而且夏季电网负荷的变化不仅与空调负荷有关，还需要综合考虑其他因素，一般采用最大负荷比较法对空调负荷进行推算，传统最大负荷比较法利用年最大负荷日负荷曲线减去春秋两季平均后的最大负荷日负荷曲线从而得到空调负荷曲线。
[0080]
夏季空调负荷的分析应当要在本年夏季就着手进行，用于指导本年度迎峰度夏工作的开展。而如果采用传统最大负荷比较法进行分析，就需要等到本年秋季过完得到本年秋季负荷数据后方能进行本年度夏季空调负荷的分析，而此时夏季已过，再对夏季空调负荷进行事后分析其指导意义必然大打折扣，即传统最大负荷比较法具有滞后性。
[0081]
因此，采用基于改进最大负荷比较法对夏季负荷气温灵敏性分析当前夏季空调负荷包括以下步骤：
[0082]
s61、因3月(春季)、11月(秋季)气温适宜基本没有降温负荷，因此选择3月和11月中最大负荷日的日负荷曲线平均值作为基准负荷曲线。选择6月至8月(夏季)最大负荷日的日负荷曲线与所得到的基准负荷曲线相比较，得到历年最大空调负荷曲线。
[0083]
s62、使用步骤s5得到的夏季负荷气温灵敏性分析结果对求得的历年最大空调负荷进行基于气温灵敏性的温度修正，统一修正为同一气温(如36℃)下的负荷值。
[0084]
s63、然后通过曲线拟合的方式预测得到本年度11月份最大日负荷数据，进而可以得到历年空调负荷及其发展趋势。
[0085]
如图6所示，图6为2017年至2020年夏季最大空调负荷曲线及2021年夏季最大空调负荷预测曲线。通过图5的夏季最大空调负荷预测曲线得到的历年空调负荷及其发展趋势，历年空调负荷及其发展趋势如表5所示，
[0086]
表5 2017年至2021年空调负荷及发展趋势
[0087][0088]
综上，本发明一种夏季空调负荷容量及其气温灵敏性分析方法，能够通过当年的数据及时对本年度夏季最大空调负荷进行预测以及空调容量进行分析，为电网的供电提供数据支撑，对夏季用电进行分析和规划。
[0089]
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。