本发明涉及一种分析气象环境对电网负荷的影响因素的方法，属于电力领域。
背景技术：
电网负荷预测和负荷特性分析是电力管理部门的重要工作，是电力规划和运行控制的基础，为坚强智能电网的建设提供保障，直接关系到电网运行的经济效益和社会效益。电力负荷特性受到多种随机因素的影响，具有一定的不确定性，气象因素对电力负荷的影响尤为显著。基于对大量历史数据的分析，找到数据中包含的潜在的关联性，归纳出气象环境对电网负荷的影响规律，以尽可能的在负荷预测时计及气象因素等不确定因素的影响，对准确预测电网负荷变化具有重要意义。
文献考虑夏季气象因素的短期负荷预测方法研究、综合气象指数对电力负荷的影响分析和关于夏季单位温升负荷效应回归模型的研究，通过对历史数据进行分析，通过关联分析和回归分析分别建立了夏季气象敏感负荷与温度、湿度、风速等气象因素的关系模型。但由于仅考虑了日特征气象因素，未对日内气象因素对负荷变化的影响进行研究，无法得到更加精细化的分析结果。
文献基于经验模式分解与因素影响的负荷分析方法采用经验模式分解方法，将目标负荷序列分解为若干个独立的构成分量，通过各分量与各影响因素的相关分析，深入挖掘各因素对各分量的影响情况。但仅定性的归纳出负荷的构成成分，并描述了各成分的特性，并未对气象因素对负荷的影响程度进行量化分析。
文献基于负荷分解和实时气象因素的短期负荷预测在对实时气象因素、日特征气象因素与气象敏感负荷相关性分析的基础上，重点把握某些气象因素与气象敏感负荷之间的联系，通过合理选择神经网络的输入变量，实现了基于实时气象因素的短期负荷预测，但是该方法只考虑到待预测时段温度对负荷的影响，没有考虑到温度累积效应的影响，所建模型对高温负荷的预测能力不足。
文献负荷预测中的温度热累积效应分析模型及处理方法剖析了夏季温度与负荷之间的相关性，讨论了热累积效应对负荷的影响，提出了基于模糊理论的温度热累积效应与负荷的关系模型及处理方法。但并未给出准确的修正公式，对数据处理的可操作性较差。
技术实现要素：
：
发明目的：本发明所要解决的技术问题是解决现有气象因素对电力负荷影响的模型建立预测能力不足、数据可操作性差的问题。
技术方案：本发明为实现上述目的，采用如下技术方案：
一种分析气象环境对电网负荷的影响因素的方法，包括以下步骤：
1)应用灰色关联度分析方法，确定系统特性序列以及系统相关影响因素序列，设系统特性序列X0为所要研究的主行为因素，即电力系统负荷特性序列；相关影响因素序列Xi为本发明所关注的对电力系统负荷产生影响的气象因素序列，X0，Xi均按照时间序列形式进行表示：
X0＝(x0(1),x0(2),…,x0(k),…,x0(n))
Xi＝(xi(1),xi(2),…,xi(k),…,xi(n))
其中，k＝1,2,…,n，n为样本的时间点数；i＝1,2,…,m，m为影响因素的数量；
其次，根据建立好的研究对象及影响因素序列，求影响因素同研究对象之间的灰色关联度，
A)将各序列进行标幺化，得到标幺化后的时间序列X′i，如下式：
其中，i＝0,1,2,…,m；
B)建立差序列Δi，如下式：
Δi(k)＝|x′0(k)-x′i(k)|(2)
Δi＝(Δi(1),Δi(2),…,Δi(k),…,Δi(n))
其中，i＝1,2,…,m；
C)求两极最大差M与两极最小差m，如下式：
D)求Xi与X0的关联度，如下式：
最后，分析各影响因素与负荷之间的关联度，根据上面的公式求出系统特性序列X0与各相关影响因素序列Xi的大小，关联度的大小表示此相关影响因素序列对系统特性序列影响的大小。
2)为了量化分析主要气象因素对负荷影响的程度，采用支持向量回归的方法建立日特征气象因素、实时气象因素对负荷变化的灵敏度模型，并通过建立的模型直观分析日特征气象因素、实时气象因素对负荷变化的影响。
作为优化，步骤2)结束后考虑到温度的累积效应对负荷特性变化的重要影响，研究温度累积效应对负荷的影响规律，通过温度累积效应修正公式对步骤2)得到的结果进行修正，公式如下：
式中，Ti'为温度累积效应后的待修正日的最高温度修正值，kj为权重，即待修正日的前j日的温度对待修正日的影响权重大小，q为温度累积效应的有效天数。
作为优化，所述步骤1)中对电力系统负荷产生影响的气象因素序列包括温度、湿度、风速。
作为优化，所述步骤2)中日特征气象因素包括日平均温度和大气湿度。
作为优化，所述步骤2)中实时气象因素包括温度和湿度。
作为优化，所述累积效应系数kj的求解包括以下步骤：
A、根据待修正日的最高温度，对kj进行离散处理；
B、利用历史负荷和温度数据进行曲线拟合，建立拟合函数L＝f(T)，将公式(7)代入L＝f(T)中，形成Li＝f(k0,n,k1,n,…,kj,n,…,kq,n)；
C、使用最小二乘法求解累积系数kj,n。
有益效果：本发明与现有技术相比：
采用本发明的方法，基于计算得到的累积系数对温度数据进行修正，日最高温度与电网负荷量的关联度得到了明显的提高，说明考虑气温的累积效应后所得到的修正温度能够更精确的对负荷数据进行预测，提高负荷预测的准确性。
电网负荷变化受到多种气象因素综合作用，由于目前温度敏感负荷在总负荷中所占的比例越来越大，气象因素对负荷的影响能力也逐渐加强，因此，深入分析气象因素与负荷之间的关系对于提高预测准确性具有十分重要的意义。
本发明在分析了各气象因素与负荷变化之间的关联度的基础上，得到影响负荷变化的主导气象因素，并利用支持向量回归的方法，构建了日特征气象因素及实时气象因素对负荷变化的灵敏度模型。并对温度累积效应对负荷的影响规律进行了归纳，得到了得到温度累积效应修正公式，并实例证明了采用本发明得到的温度修正公式对温度数据进行修正，能够在一定程度上提高负荷预测所需历史数据的有效性，进而提高预测的准确性。
附图说明：
图1为本发明温度对电网夏季负荷变化的灵敏度拟合曲线示意图；
图2为本发明湿度对电网夏季负荷变化的灵敏度拟合曲线示意图；
图3为本发明上午1点电网负荷随实时温度变化的曲线图；
图4为本发明上午5点电网负荷随实时温度变化的曲线图；
图5为本发明上午9点电网负荷随实时温度变化的曲线图；
图6为本发明上午13点电网负荷随实时温度变化的曲线图；
图7为本发明上午17点电网负荷随实时温度变化的曲线图；
图8为本发明上午21点电网负荷随实时温度变化的曲线图；
图9为本发明上午1点电网负荷随实时湿度变化的曲线图；
图10为本发明上午5点电网负荷随实时湿度变化的曲线图；
图11为本发明上午9点电网负荷随实时湿度变化的曲线图；
图12为本发明上午13点电网负荷随实时湿度变化的曲线图；
图13为本发明上午17点电网负荷随实时湿度变化的曲线图；
图14为本发明上午21点电网负荷随实时湿度变化的曲线图；
图15为本发明典型日温度及湿度变化曲线示意图；
图16为本发明典型日拟合曲线和实际负荷曲线对比示意图；
图17为本发明典型日拟合和实际负荷相对误差示意图图。
具体实施方式：
下面结合附图对本发明进行详细说明：
实施例
1、气象因素与负荷特性曲线的关联度分析
1.1灰色关联度分析方法
邓聚龙教授在1982年创立了灰色系统理论，而灰色关联度分析方法则是灰色系统理论的重要组成部分。灰色关联分析自创立以来，已大量应用于聚类、决策、评估、模式识别、指标权重确定等方面。关联度是事物或因素之间关联性的量度，通过从序列中找到关联性，为因素分析、预测的精度提供依据，为主要因素的判断提供依据。本发明采用灰色关联分析方法，在具有灰色特性的电力负荷预测系统中，分析各气象因素对电力负荷变化的影响，有助于对影响因素的大小进行量化，使之能够更为准确的对电力系统负荷进行预测。
下面给出灰色关联分析方法的分析步骤：
首先，确定系统特性序列以及系统相关影响因素序列。系统特性序列X0为本发明所要研究的主行为因素，即电力系统负荷特性序列；相关影响因素序列Xi为本发明所关注的对电力系统负荷产生影响的气象因素序列，包括温度、湿度、风速等。X0，Xi均按照时间序列形式进行表示：
X0＝(x0(1),x0(2),…,x0(k),…,x0(n))
Xi＝(xi(1),xi(2),…,xi(k),…,xi(n))
其中，k＝1,2,…,n，n为样本的时间点数；i＝1,2,…,m，m为影响因素的数量。
其次，根据建立好的研究对象及影响因素序列，求影响因素同研究对象之间的灰色关联度。
(1)将各序列进行标幺化，得到标幺化后的时间序列X′i。
其中，i＝0,1,2,…,m。
(2)建立差序列Δi。
Δi(k)＝|x′0(k)-x′i(k)|(2)
Δi＝(Δi(1),Δi(2),…,Δi(k),…,Δi(n))
其中，i＝1,2,…,m。
(3)求两极最大差M与两极最小差m。
(4)求Xi与X0的关联度为：
最后，分析各影响因素与负荷之间的关联度。根据上面的公式求出系统特性序列X0与各相关影响因素序列Xi的大小，关联度的大小表示此相关影响因素序列对系统特性序列影响的大小。
1.2气象因素与负荷特性曲线的关联度分析
温度影响方面，本发明选取日最高温度、最低温度和平均温度与最大气象负荷进行灰色关联分析，在表1中Tmax-Lmax，Tmin-Lmax，Tavg-Lmax分别表示日最高温度、最低温度、平均温度与最大负荷的关联度。
表12013年A地区气温与负荷的关联度分析
从表1可以看出，日平均温度与日最大负荷的相关系数最大，也即说明日平均温度对最大负荷的影响最大；因此，日平均温度是影响日最大负荷的主要因素。
湿度影响方面，选取日最大湿度、最小湿度和平均湿度与日最大负荷进行灰色关联分析，表2中Hmax-Lmax，Hmin-Lmax，Havg-Lmax分别表示最大湿度、最小湿度和平均湿度与日最大负荷的关联度。
表22013年A地区大气湿度与负荷相关性分析
从表2可以看出，日最大湿度与日最大负荷的关联度均为最大，也即说明日最大湿度曲线对最大负荷曲线最为相似。由上分析，可确定日最大湿度为影响负荷的重要因素。
风速影响方面，选取日最大风速、最小风速和平均风速与日最大负荷进行灰色关联分析，表3中Wmax-Lmax，Wmin-Lmax，Wavg-Lmax分别表示最大风速、最小风速和平均风速与日最大负荷的关联度。
表32013年A地区风速与负荷关联度分析
由表3可以看出，日平均风速与日最大气象负荷的关联度最大，说明日平均风速对日最大气象负荷的影响最大。
2、日特征气象因素对负荷变化的影响分析
前面得到了夏季电网负荷与各主要影响电网负荷的气象因素的关联度，为了更为直观的得到单位影响因数变化引起的负荷变化量，本节研究日特征气象因素变化对电力负荷影响的灵敏度进行分析。
2.1大气温度与电网负荷之间的关系
建立电网负荷与日平均温度的散点图，并采用支持向量回归的方法对其进行回归拟合，得到电网负荷随温度变化的灵敏度曲线图，如图1所示，由图可见，温度与气象负荷的拟合关系较好，呈现明显的上升趋势。
表4温度对电网夏季负荷变化的灵敏度
灵敏度分析结果如表4所示，其中的灵敏度值是通过计算单位温度的变化导致电网负荷的变化值而得出的。从表中可以看出，在环境温度较低时，电网负荷对温度变化的灵敏度较低，随着温度的升高，电网负荷变化对温度变化的灵敏度逐渐加强，但当温度达到较高阶段时，负荷的变化幅度逐渐减小，这是由于在温度达到一定阶段后，空调负荷大部分开启，因此当温度继续升高后，负荷增加量较小。
2.2大气湿度与电网负荷之间的关系
同样的，采用支持向量回归的方法对电网负荷与日最大湿度的散点图进行回归拟合，得到电网负荷随湿度变化的灵敏度曲线图，如图2所示，由图可见，随着湿度的增大，电网负荷呈现明显的下降趋势。
表5湿度对电网夏季负荷变化的灵敏度
电网负荷随湿度变化的灵敏度如表5所示，其中的灵敏度值是通过计算单位湿度的变化导致电网负荷的变化值而得出的。当相对湿度处于40-66％范围内时，为负荷随湿度变化的弱敏感区。电网负荷对湿度变化的灵敏度较低，随着湿度的增加，负荷的改变量不是很大。当湿度达到70％以上时，为负荷随湿度变化的强敏感区。随着湿度增大，负荷量随之显著减小，电网负荷随湿度变化的灵敏度快速升高，这是由于此时空气中湿度较大，大气中产生了降水等情况，使人体对环境的舒适度提高，减少了空调等降温负荷的使用。3实时气象因素对负荷变化的影响分析
上节分析了日特征气象因素对负荷变化的影响，由于各种气象因素都是实时变化的，为了更加精确研究气象因素改变对负荷的影响，以更好的为日内负荷预测提供指导，下面分析实时气象因素对负荷变化的影响。
根据2012-2013年A地区电网日内24点负荷数据及日内24点温度、湿度数据，建立日内负荷与实时气象因素的散点图。同样的，采用支持向量回归的方法，分别得到各时刻的负荷值随实时温度、湿度变化的灵敏度曲线图。本发明仅列出日内6个时刻负荷随实时气象因素变化的曲线图。
日内各时刻负荷量随温度变化的曲线如图3至图8所示。从图中可以看出，负荷与实时温度的变化呈现典型的非线性正相关关系，各时刻负荷量均随温度的升高而增加。通过比较各时刻的负荷随温度变化的灵敏度曲线图可知，各时刻负荷对温度的变化均存在弱敏感区和强敏感区，且这两个区间的边界划分在各时刻下不尽相同。如9:00时负荷随温度变化的弱敏感区为22-25℃，强敏感区为26-30℃；而在13:00时，负荷随温度变化的弱敏感区为24-28℃，强敏感区为29-34℃。
日内各时刻负荷量随湿度变化的曲线如图9至图14所示。从图中可以看出，负荷与实时湿度的变化呈现典型的非线性负相关关系，在湿度为40-90％的敏感区内，负荷随实时湿度的变化显著，各时刻负荷量均随湿度的升高而减少。
在建立了日内电网负荷随实时气象因素变化的灵敏度曲线后，接下来以典型日的实例来说明其对日内负荷预测的指导作用。选取2014年7月13日作为典型日，当日实时温度、湿度数据如图15所示。
基于建立的各时刻负荷量随实时气象因素变化的灵敏度曲线模型，根据典型日各时刻实时温湿度值对应的得到日内各时刻的负荷量，绘制出典型日的日内负荷拟合曲线，并与典型日的实际日内负荷曲线相比较，结果如图16所示。
由图16可以看出，拟合曲线与实际负荷曲线的拟合度较好。计算各点相对误差后，相对误差值均控制在0.09以内，日内平均绝对相对误差(MAPE)等于2.5％，精度较高，说明利用建立的各时刻负荷量随实时气象因素变化的灵敏度曲线模型来拟合负荷曲线对日内负荷预测具有很好的指导意义。
3考虑累积效应的温度对电网负荷的影响
3.1温度累积效应对负荷的影响
单一的考虑由温度引起的负荷变化还不能够准确的预测未来电网负荷的变化。由于人体对环境变化的感知存在惯性，使得由环境改变而引起的负荷变化具有一定的滞后性。在外界环境持续高温的情况下，由于温度的累积效应，会造成降温负荷持续增加。
待预测日之前的高温时段的持续时间，高温时段持续时间内的各日最高温度，以及待预测日当天的最高温度是影响温度累积效应的重要因素。
以A地区2013年7月20日至23日的气温与负荷数据为例，如表6所示，在这连续的几天中，日最高温度的波动性很小，但用电负荷量却持续增加。因此，负荷特性分析与负荷预测中应考虑温度的累积效应。
表6累积效应示例
由前面的分析得出，温度对负荷的影响在各温度区间的灵敏度不同，分为敏感区和不敏感区，因此，不同温度区间的温度累积效应的强度不相同。
高温时段持续时间对温度累积效应的强度有一定的影响，一般认为，高温时段持续3天以上时，温度累积效应的强度对高温持续时间将不再敏感。
3.2温度累积效应修正公式
考虑温度累积效应，就是要利用前几日的温度进行加权来修正待修正日的温度，温度修正公式为：
式中，T′i为温度累积效应后的待修正日的最高温度修正值。kj为权重，即待修正日的前j日的温度对待修正日的影响权重大小。q为温度累积效应的有效天数。
基于对历史数据的分析，累积效应系数kj的求解方案如下：
(1)根据待修正日的最高温度，对kj进行离散处理。离散化处理见表7所示。
表7累积系数kj的离散化
(2)利用历史负荷和温度数据进行曲线拟合，建立拟合函数L＝f(T)。将公式(7)代入L＝f(T)中，形成Li＝f(k0,n,k1,n,…,kj,n,…,kq,n)。
(3)使用最小二乘法求解累积系数kj,n。
通过对A地区2013年6-8月的日最高温度与电网负荷数据进行分析，计算得到累积系数kj的结果如表8所示。
表8各温度区间kj的值
以A地区2013年7月的温度及电网负荷数据为例，将计算得到的表8中的数据代入公式(7)中，对日最高温度进行修正，利用修正过后的日最高温度与日最大负荷进行灰色关联分析，求取灰色关联系数rc，与前面求得的关联度r进行对比，结果如表9所示。
表9日最高温度修正前后关联度对比
从结果可以看出，基于计算得到的累积系数对温度数据进行修正，日最高温度与电网负荷量的关联度得到了明显的提高，说明考虑气温的累积效应后所得到的修正温度能够更精确的对负荷数据进行预测，提高负荷预测的准确性。
电网负荷变化受到多种气象因素综合作用，由于目前温度敏感负荷在总负荷中所占的比例越来越大，气象因素对负荷的影响能力也逐渐加强，因此，深入分析气象因素与负荷之间的关系对于提高预测准确性具有十分重要的意义。
本发明在分析了各气象因素与负荷变化之间的关联度的基础上，得到影响负荷变化的主导气象因素，并利用支持向量回归的方法，构建了日特征气象因素及实时气象因素对负荷变化的灵敏度模型。并对温度累积效应对负荷的影响规律进行了归纳，得到了得到温度累积效应修正公式，并实例证明了采用本发明得到的温度修正公式对温度数据进行修正，能够在一定程度上提高负荷预测所需历史数据的有效性，进而提高预测的准确性。