基于向量自回歸的氣溫與新型電力系統(tǒng)負(fù)荷相關(guān)性模型

鄒鑫，鄒愛孟

基于向量自回歸的氣溫與新型電力系統(tǒng)負(fù)荷相關(guān)性模型

鄒鑫，鄒愛孟

（華北電力大學(xué) 經(jīng)濟(jì)管理系，河北 保定 071003）

針對氣溫引起的電力負(fù)荷變化給新型電力系統(tǒng)穩(wěn)定帶來的影響，提出了一種用于分析氣溫與電力負(fù)荷相關(guān)性的模型。首先，為避免偽回歸現(xiàn)象發(fā)生，利用Savitzky-Golay濾波去除負(fù)荷中的非氣溫趨勢項(xiàng)，得到氣溫敏感負(fù)荷。其次，為有效提高模型擬合精度，利用皮爾遜相關(guān)性分析和Vector auto-regression模型，獲取氣溫和氣溫敏感負(fù)荷的相關(guān)關(guān)系和潛在的動(dòng)態(tài)關(guān)系。以某省電網(wǎng)2016—2021年的數(shù)據(jù)為算例，對模型的可靠性和先進(jìn)性進(jìn)行驗(yàn)證。結(jié)果表明，模型擬合誤差均小于4%。利用模型對氣溫與負(fù)荷數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)在夏季和冬季，溫度對負(fù)荷的影響較大；在春季和秋季，溫度對負(fù)荷的影響十分微小。

新型電力系統(tǒng)；電力負(fù)荷；氣溫；相關(guān)性分析；向量自回歸

0 引言

電力負(fù)荷變化是影響新型電力系統(tǒng)穩(wěn)定運(yùn)行的重要因素之一[1]，其受節(jié)假日[2]、經(jīng)濟(jì)發(fā)展[3]、產(chǎn)業(yè)結(jié)構(gòu)[4]、氣象條件[5,6]等多種因素的影響。在全球氣候變暖的背景下，新型電力系統(tǒng)的負(fù)荷與氣象條件緊密相連，氣溫成為負(fù)荷變化的重要影響因素[7-10]。因此，為了更好地構(gòu)建安全穩(wěn)定的新型電力系統(tǒng)，有必要進(jìn)一步探究氣溫與電力負(fù)荷相關(guān)性。

當(dāng)前，諸多負(fù)荷預(yù)測方法在模型中都使用氣溫作為變量，這說明氣溫對預(yù)測的準(zhǔn)確性至關(guān)重要。文獻(xiàn)[11]基于氣象和電力負(fù)荷數(shù)據(jù)，用雙隱含層BP神經(jīng)網(wǎng)絡(luò)及逐步回歸算法預(yù)測了某市夏季最大電力負(fù)荷。文獻(xiàn)[12]采用Mann-Kendall檢驗(yàn)和聚類分析構(gòu)建了分檔位溫變負(fù)荷預(yù)測模型。文獻(xiàn)[13,14]研究結(jié)果表明，考慮夏季氣溫累積效應(yīng)能夠提高電力負(fù)荷預(yù)測模型精度。上述研究雖然沒有直接分析氣溫與負(fù)荷間的關(guān)系，但證明了氣溫是影響負(fù)荷的關(guān)鍵性因素。除此之外，部分學(xué)者也對氣溫和負(fù)荷的相關(guān)性進(jìn)行了研究。文獻(xiàn)[15]采用爬蟲技術(shù)與趨勢分析的方法，對溫度與氣象敏感負(fù)荷進(jìn)行了相關(guān)性分析。文獻(xiàn)[16]運(yùn)用趨勢擬合的方法，提出了用溫度–調(diào)溫負(fù)荷靈敏度來量化溫度對調(diào)溫負(fù)荷的影響程度。文獻(xiàn)[17]提出運(yùn)用回歸算法計(jì)算溫度與負(fù)荷的相關(guān)性。

上述研究存在3方面問題：一是大多研究只分析了溫度對夏季負(fù)荷的影響，忽略了冬季的采暖負(fù)荷，以及春、秋季出現(xiàn)的氣溫反常情況（如春季的倒春寒現(xiàn)象）對電網(wǎng)負(fù)荷產(chǎn)生的影響[18]；二是研究中未能剔除非氣溫因素對負(fù)荷的影響，這可能會(huì)產(chǎn)生偽回歸現(xiàn)象；三是研究多結(jié)合物理意義和相關(guān)系數(shù)獲取氣溫和負(fù)荷間的線性相關(guān)緊密程度，但無法獲取多個(gè)變量潛在的動(dòng)態(tài)關(guān)系。

鑒于此，為研究氣溫和負(fù)荷特性指標(biāo)間的相關(guān)性和潛在的動(dòng)態(tài)關(guān)系，本文建立一種基于Savitzky-Golay濾波法（Savitzky-Golay filtering，SG）和向量自回歸（Vector auto-regression，VAR）的分析模型。模型的優(yōu)勢在于，通過剔除負(fù)荷特征序列中非氣溫因素的趨勢項(xiàng)，實(shí)現(xiàn)氣溫敏感負(fù)荷提取，進(jìn)而實(shí)現(xiàn)負(fù)荷與氣溫關(guān)系的準(zhǔn)確分析。

1 氣溫與負(fù)荷相關(guān)性模型

1.1 氣溫、負(fù)荷特性指標(biāo)的相關(guān)性分析方法

1.1.1 SG濾波方法

SG濾波常用于提取時(shí)間序列趨勢項(xiàng)，在計(jì)算上具有簡單、可操作性強(qiáng)的特點(diǎn)。

SG濾波屬于基于曲線局部特征的多項(xiàng)式擬合方法，是一種應(yīng)用最小二乘法確定加權(quán)系數(shù)進(jìn)行移動(dòng)窗口加權(quán)平均的濾波方法，其優(yōu)勢在于所重構(gòu)的數(shù)據(jù)能夠較好地保留局部特征。

采用–1次多項(xiàng)式對窗口內(nèi)的數(shù)據(jù)點(diǎn)進(jìn)行擬合：

式中：為待擬合的數(shù)據(jù)；為擬合后的輸出數(shù)據(jù)；為待求解的參數(shù)。

1.1.2 皮爾遜相關(guān)系數(shù)

皮爾遜相關(guān)系數(shù)定量描述了兩個(gè)因素之間的線性相關(guān)的緊密程度，可實(shí)現(xiàn)在[–1,1]區(qū)間上對因素相關(guān)系數(shù)進(jìn)行強(qiáng)弱區(qū)間劃分：絕對值大表示相關(guān)性強(qiáng)；若為正數(shù)，表示兩個(gè)因素是正相關(guān)；若為負(fù)數(shù)，表示兩個(gè)因素是負(fù)相關(guān)。

1.2 氣溫、負(fù)荷特性指標(biāo)的相關(guān)性建模

1.2.1 平穩(wěn)性檢驗(yàn)

為避免產(chǎn)生偽回歸，VAR模型要求在建模之前對觀測值的時(shí)間序列數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)。平穩(wěn)性檢驗(yàn)的常見方法有Dickey-Fuller檢驗(yàn)（DF檢驗(yàn)）與增廣的DF檢驗(yàn)（Augmented Dickey-Fuller test，ADF檢驗(yàn)）。

將一階自相關(guān)模型f表示為：

在進(jìn)行DF檢驗(yàn)時(shí)，比較統(tǒng)計(jì)量的值與DF檢驗(yàn)臨界值，可表示為在某個(gè)顯著水平上拒絕或接受原假設(shè)。在實(shí)際應(yīng)用中，按照如下檢驗(yàn)步驟進(jìn)行。

1）根據(jù)觀察的數(shù)據(jù)序列，用最小二乘法估計(jì)一階自相關(guān)模型

得到回歸系數(shù)1的最小二乘法估計(jì)：

2）提出假設(shè)H：1=1，檢驗(yàn)用統(tǒng)計(jì)量為常規(guī)統(tǒng)計(jì)量。

3）計(jì)算在原假設(shè)成立的條件下統(tǒng)計(jì)量的值，查DF檢驗(yàn)臨值表得臨界值，然后將統(tǒng)計(jì)值與DF檢驗(yàn)臨界值進(jìn)行比較。若統(tǒng)計(jì)值小于DF檢驗(yàn)臨界值，則拒絕原假設(shè)，說明序列不存在單位根；若統(tǒng)計(jì)值大于或等于DF檢驗(yàn)臨界值，則接受原假設(shè)，說明序列存在單位根。

運(yùn)用DF檢驗(yàn)時(shí)，通常假設(shè)v不存在自相關(guān)的問題；但是，大多數(shù)的經(jīng)濟(jì)數(shù)據(jù)序列是不能滿足此項(xiàng)假設(shè)的。當(dāng)v存在自相關(guān)時(shí)，直接使用DF檢驗(yàn)法會(huì)出現(xiàn)偏差。因此，為了保證單位根檢驗(yàn)的有效性，需要對DF檢驗(yàn)進(jìn)行拓展，形成ADF檢驗(yàn)。ADF檢驗(yàn)?zāi)Ｐ蜑椋?/p>

式中：為常數(shù)截距項(xiàng)；是滯后階數(shù)。

1.2.2 VAR模型的建立

VAR模型是一種基于數(shù)據(jù)的統(tǒng)計(jì)性質(zhì)建立的模型，其把系統(tǒng)中的每一個(gè)內(nèi)生變量作為系統(tǒng)中所有內(nèi)生變量滯后值的函數(shù)來構(gòu)造方程，從而實(shí)現(xiàn)了將單變量VAR推廣到由多元時(shí)間序列變量組成的VAR模型。同時(shí)，通過ADF檢驗(yàn)的變化量指標(biāo)可構(gòu)建VAR模型。如果原始序列未通過平穩(wěn)性檢驗(yàn)，則對其進(jìn)行一階（或二階）差分后再行判斷。

以氣溫作為外生變量，VAR模型表達(dá)式如下：

式中：為外生變量回歸系數(shù)。

2 模型驗(yàn)證及實(shí)例分析

為探尋氣溫與負(fù)荷特性指標(biāo)的相關(guān)性和動(dòng)態(tài)關(guān)聯(lián)性，以某省電網(wǎng)公司2016—2021年日負(fù)荷數(shù)據(jù)為算例。選取2個(gè)氣溫指標(biāo)，分別為最高氣溫和最低氣溫；取2個(gè)日負(fù)荷特性指標(biāo)，分別為日用電量和日最大負(fù)荷。

2.1 氣溫、日負(fù)荷特性指標(biāo)相關(guān)性

2.1.1 日負(fù)荷特性指標(biāo)分析

算例的日用電量和日最大負(fù)荷曲線如圖1所示。由圖可知，該省2016—2021年日用電量和電力負(fù)荷呈逐年遞增趨勢，每年的日用電量和日最大負(fù)荷呈現(xiàn)明顯的季節(jié)變化特征：負(fù)荷峰值出現(xiàn)在夏季，次峰值出現(xiàn)在冬季，而春季和秋季的日用電量和日最大負(fù)荷則為谷值。

算例的日最高溫度和日最低溫度曲線如圖2所示。由圖可知，每年的日最高氣溫均出現(xiàn)在夏季，日最低氣溫除2017年外均出現(xiàn)在冬季，與日用電量、日最大負(fù)荷的峰值和次峰值的變化趨勢相同——這充分說明氣溫對用電量和最大負(fù)荷具有較大的影響。

圖1 日用電量和日最大負(fù)荷曲線

圖2 日最高溫度和日最低溫度曲線

2.1.2 趨勢項(xiàng)的提取與消除

濾波器的階數(shù)設(shè)為1，濾波窗口設(shè)為365（即，一整年）。利用SG濾波器分別提取日用電量和日最大負(fù)荷序列的非氣溫趨勢項(xiàng)；然后將原始序列減去趨勢項(xiàng)序列，即得到氣溫敏感負(fù)荷。

圖3示出了剔除非氣溫趨勢項(xiàng)的日用電量和日最大負(fù)荷序列。

圖3 日用電量、日最大負(fù)荷曲線及其去趨勢線

2.1.3 相關(guān)性分析

根據(jù)日用電量、日最大負(fù)荷和氣溫的季節(jié)變化特征，針對圖3中去趨勢的日用電量（Daily electricity consumption，DEC）、去趨勢的日最大負(fù)荷（Daily maximum load，DML）、日最高溫度（Daily maximum temperature，DMAT）和日最低溫度（Daily minimum temperature，DMIT）這4個(gè)時(shí)間序列，分別按照春季、夏季、秋季和冬季進(jìn)行相關(guān)性分析。

1）夏季氣溫、日負(fù)荷特性指標(biāo)相關(guān)性分析。

夏季DEC、DML、DMAT和DMIT的相關(guān)性結(jié)果見表1。由表可知，DMAT和DEC、DML之間的相關(guān)系數(shù)分別為0.591 0、0.617 8，并且在10%水平下顯著——這說明DMAT和DEC、DML之間有著顯著的正相關(guān)關(guān)系。

表1 夏季氣溫與負(fù)荷特性指標(biāo)的相關(guān)性

注：**表示在10%水平下顯著。

同理可知，DMIT和DEC、DML之間也存在顯著的正相關(guān)關(guān)系。夏季DMAT與DEC、DML曲線對比結(jié)果如圖4所示。由圖可知，由于正相關(guān)性較強(qiáng)，夏季氣溫曲線和DEC、DML曲線具有明顯的同步變化趨勢。

圖4 夏季DMAT與DEC、DML曲線對比

2）冬季氣溫、日負(fù)荷特性指標(biāo)與相關(guān)性。

冬季DEC、DML與DMAT、DMIT的相關(guān)性計(jì)算結(jié)果見表2。由表可知，DMAT和DEC、DML之間的相關(guān)系數(shù)分別為–0.615 3、–0.653 9，并且在10%水平下顯著——這說明冬季DMAT和DEC、DML之間有著顯著的負(fù)相關(guān)關(guān)系。同理可知，DMIT和DEC、DML之間也存在顯著的負(fù)相關(guān)關(guān)系。冬季DMIT與DEC、DML曲線對比結(jié)果如圖5所示。由圖可知，由于負(fù)相關(guān)性較強(qiáng)，冬季DMIT和DEC、DML曲線具有明顯的反向變化趨勢。

表2 冬季氣溫與負(fù)荷特性指標(biāo)的相關(guān)性

注：**表示在10%水平下顯著。

圖5 冬季DMIT與DEC、DML曲線對比

3）春季氣溫、日負(fù)荷特性指標(biāo)相關(guān)性。

春季DEC、DML與DMAT、DMIT的相關(guān)性計(jì)算結(jié)果見表3。春季DMIT和DEC、DML曲線如圖6所示。由表3、圖6可知，DMAT、DMIT和DML之間的相關(guān)系數(shù)分別為–0.108 6、–0.116 9，并且分別在5%、10%水平下顯著——這說明DMAT、DMIT和DML之間有著一定的負(fù)相關(guān)關(guān)系。DMAT、DMIT和DEC之間的相關(guān)系數(shù)分別為–0.001 8、0.002 9，均接近于0，并且顯著性水平大于10%，說明三者間沒有相關(guān)關(guān)系。

表3 春季氣溫與負(fù)荷特性指標(biāo)的相關(guān)性

注：*、**分別表示在5%和10%水平下顯著。

圖6 春季DMIT與DEC、DML曲線對比

4）秋季氣溫、日負(fù)荷特性指標(biāo)相關(guān)性。

秋季DEC、DML與DMAT、DMIT的相關(guān)性計(jì)算結(jié)果見表4。由表可知，DMAT和DEC、DML之間的相關(guān)系數(shù)分別為–0.233 6、–0.267 6，并且在10%水平下顯著——這說明DMAT和DEC、DML之間有著較為顯著的負(fù)相關(guān)關(guān)系。同理可知，DMIT和DEC、DML之間也存在較為顯著的負(fù)相關(guān)關(guān)系。秋季DMAT和DEC、DML曲線如圖7所示。由圖可知，由于負(fù)相關(guān)性較強(qiáng)，DMAT和DEC、DML曲線具有較為明顯的反向變化趨勢。

表4 秋季氣溫與負(fù)荷特性指標(biāo)的相關(guān)性

注：**表示在10%水平下顯著。

圖7 秋季DMAT與DEC、DML曲線對比

2.2 氣溫、日負(fù)荷特性指標(biāo)的動(dòng)態(tài)關(guān)聯(lián)性

2.2.1 指標(biāo)的平穩(wěn)性檢驗(yàn)

用ADF檢驗(yàn)方法對各季節(jié)的DEC、DML、DMAT和DMIT序列進(jìn)行平穩(wěn)性檢驗(yàn)，結(jié)果如表5所示。由表可知，所有季節(jié)的4種序列均為平穩(wěn)序列。其中，DMAT、DMIT序列均為含截距平穩(wěn)；春季、秋季和冬季的DEC、DML序列均為含截距和趨勢平穩(wěn)，而夏季的DEC、DML序列分別為含截距平穩(wěn)、含截距和趨勢平穩(wěn)。

表5 平穩(wěn)性檢驗(yàn)結(jié)果

注：臨界值（5%）表示在5%水平上拒絕原假設(shè)。

所有序列均通過了平穩(wěn)性檢驗(yàn)，因此可直接構(gòu)建負(fù)荷特性指標(biāo)與氣溫的VAR模型，其內(nèi)生變量為DEC、DML，外生變量為DMAT、DMIT，滯后階數(shù)為1階。

2.2.2 動(dòng)態(tài)關(guān)聯(lián)性分析

1）夏季氣溫、負(fù)荷特性指標(biāo)的動(dòng)態(tài)關(guān)聯(lián)性分析。

夏季日負(fù)荷特性指標(biāo)對應(yīng)的VAR模型為：

式中：下標(biāo)和–1分別表示當(dāng)期值和上期值；括號中的數(shù)字表示對應(yīng)系數(shù)標(biāo)準(zhǔn)差。

夏季DML和DEC的VAR模型預(yù)測曲線與實(shí)際曲線對比分別如圖8和圖9所示，其歷史數(shù)據(jù)擬合的平均誤差分別為3.94%和3.39%。與文獻(xiàn)[14]相比，DML的擬合精度提高了1.46%，因此模型能夠用于解釋夏季負(fù)荷特性指標(biāo)與氣溫之間的相互關(guān)系。

圖8 夏季DML擬合結(jié)果

圖9 夏季DEC擬合結(jié)果

計(jì)算結(jié)果表明，夏季的日最高氣溫每升高1 ℃，將導(dǎo)致DML和DEC分別增加約3.027×108W（標(biāo)準(zhǔn)差為3.1）和5.300×109W·h（標(biāo)準(zhǔn)差為0.006）。相比之下，在DML和DEC的VAR模型中，DMIT對應(yīng)的系數(shù)均遠(yuǎn)小于DMAT（分別為2.43和0.005），并且都具有較大的標(biāo)準(zhǔn)差（分別為5.66和0.009），因此可認(rèn)為夏季DMIT變化對DML、DEC并無直接影響或影響微小。該結(jié)論與相關(guān)性分析中的“夏季DMIT與DML、DEC存在顯著的正相關(guān)關(guān)系”這一結(jié)果并不矛盾，因?yàn)镈MAT和DMIT這2個(gè)序列具有很強(qiáng)的相關(guān)性，導(dǎo)致DMIT序列通過DMAT序列建立起了與負(fù)荷特性指標(biāo)的相關(guān)性。

2）冬季氣溫、負(fù)荷特性指標(biāo)的動(dòng)態(tài)關(guān)聯(lián)性分析。

冬季日負(fù)荷特性指標(biāo)對應(yīng)的VAR模型為：

在冬季DML的VAR模型中，DMAT和DMIT的系數(shù)分別為–12.91（標(biāo)準(zhǔn)差為2.44）和6.69（標(biāo)準(zhǔn)差為2.9），意味著DMAT與DML有較強(qiáng)的負(fù)相關(guān)關(guān)系；而DMIT與DML有較強(qiáng)的正相關(guān)關(guān)系，與相關(guān)性分析結(jié)果相矛盾。類似的情況也出現(xiàn)在DEC的VAR模型中。原因分析：相關(guān)性分析只能衡量兩個(gè)因素之間的緊密程度，而VAR模型涉及因素較多且變量間有多重共線性，最終導(dǎo)致系數(shù)符號發(fā)生改變。為此，將冬季的2項(xiàng)氣溫指標(biāo)合并為日平均氣溫（Daily average temperature，DAT）。重新計(jì)算后得到的冬季VAR模型描述如下：

冬季DML、DEC的VAR模型的預(yù)測曲線與實(shí)際曲線對比結(jié)果分別如圖10和11所示。圖10、圖11的擬合平均誤差分別為2.71%和2.37%。與文獻(xiàn)[12]相比，DML的擬合精度提高了2.25%，因此能夠用于解釋冬季負(fù)荷特性指標(biāo)與氣溫之間的相互關(guān)系。

計(jì)算結(jié)果表明，冬季DAT每降低1 ℃，將導(dǎo)致DML和DEC分別增加約8.407×107W（標(biāo)準(zhǔn)差為2.607）和8.000×108W·h（標(biāo)準(zhǔn)差為0.005）。

圖10 冬季DML擬合結(jié)果

圖11 冬季DEC擬合結(jié)果

3）春季氣溫、負(fù)荷特性指標(biāo)的動(dòng)態(tài)關(guān)聯(lián)性分析。

春季DMAT、DMIT和DML、DEC的相關(guān)性較弱。為了避免變量間的多重共線性造成偽回歸，將春季的2項(xiàng)氣溫指標(biāo)合并為DAT。春季日負(fù)荷特性指標(biāo)對應(yīng)的VAR模型為：

春季DML的VAR模型的預(yù)測曲線與實(shí)際曲線對比結(jié)果如圖12所示。圖中，歷史數(shù)據(jù)擬合的平均誤差為2.21%，具有較高的精度，因此模型能夠用于解釋春季DML與DAT之間的相互關(guān)系。

計(jì)算結(jié)果表明，春季的DAT每降低1 ℃，將導(dǎo)致DML增加約–0.725×107W（標(biāo)準(zhǔn)差為1.007），即春季DAT對DML的影響不大。春季DEC的VAR模型中DAT的系數(shù)只有0.002，接近于0；因此可以認(rèn)為春季DAT對DEC的影響十分微小。

圖12 春季DML擬合結(jié)果

4）秋季氣溫、負(fù)荷特性指標(biāo)的動(dòng)態(tài)關(guān)聯(lián)性分析。

與春季類似，秋季DMAT、DMIT和DEC、DML的相關(guān)性較弱。同樣，為了避免變量間的多重共線性造成偽回歸問題，將秋季的2項(xiàng)氣溫指標(biāo)合并為DAT。秋季日負(fù)荷特性指標(biāo)對應(yīng)的VAR模型為：

秋季DML的VAR模型的預(yù)測曲線與實(shí)際曲線對比結(jié)果如圖13所示。圖中，歷史數(shù)據(jù)擬合的平均誤差為1.63%，具有較高的精度，因此模型能夠用于解釋秋季DML與DAT之間的相互關(guān)系。

計(jì)算結(jié)果表明，秋季的DAT每降低1 ℃，將導(dǎo)致DML增加約–1.704×107W（標(biāo)準(zhǔn)差為0.964），即秋季DAT對DML的影響不大。在秋季DEC的VAR模型中，DAT的系數(shù)只有0.002（標(biāo)準(zhǔn)差為0.002），接近于0；因此可以認(rèn)為秋季DAT對DEC的影響十分微小。

3 結(jié)論

本文用基于SG和VAR模型分析氣溫和電力負(fù)荷的相關(guān)性及動(dòng)態(tài)關(guān)聯(lián)性。經(jīng)算例驗(yàn)證及分析，結(jié)論如下：

1）夏季氣溫和日用電量、日最大負(fù)荷之間存在顯著的正相關(guān)關(guān)系；冬季氣溫和日用電量、日最大負(fù)荷之間存在顯著的負(fù)相關(guān)關(guān)系；春季和秋季氣溫和日用電量、日最大負(fù)荷之間的相關(guān)性不明顯。

2）對于算例對象，夏季日最高氣溫每升高1 ℃，將導(dǎo)致日最大負(fù)荷和日用電量分別增加約3.027×108W和5.300×109W·h；冬季日平均氣溫每降低1 ℃，將導(dǎo)致日最大負(fù)荷和日用電量分別增加約8.407×107W和8.000×108W·h；春季和秋季的日平均氣溫對日用電量、日最大負(fù)荷的影響十分微小。

3）所提模型擬合誤差均小于4%，誤差水平較低。

[1] 孔祥玉, 馬玉瑩, 艾芊, 等. 新型電力系統(tǒng)多元用戶的用電特征建模與用電負(fù)荷預(yù)測綜述[J]. 電力系統(tǒng)自動(dòng)化, 2023, 47(13): 2-17. KONG XIANGYU, MA YUYING, AI QIAN, et al. Review on electricity consumption characteristic modeling and load forecasting for diverse users in new power system[J]. Automation of Electric Power Systems, 2023, 47(13): 2-17(in Chinese).

[2] 曾鳴, 劉洋, 王蕾, 等. 電力市場環(huán)境下的典型產(chǎn)業(yè)月用電負(fù)荷預(yù)測分析[J]. 科技和產(chǎn)業(yè), 2012, 12(5): 66-68. ZENG MING, LIU YANG, WANG LEI, et al. Analysis of monthly load forecasting for typical industries in power market environment[J]. Science Technology and Industry, 2012, 12(5): 66-68(in Chinese).

[3] 朱平芳, 謝婼青, 劉盼盼. 最大用電負(fù)荷與經(jīng)濟(jì)變量的關(guān)聯(lián)研究[J]. 學(xué)術(shù)月刊, 2020, 52(2): 44-57. ZHU PINGFANG, XIE RUOQING, LIU PANPAN. A study on the relationship between maximum power load and economic variables[J]. Academic Monthly, 2020, 52(2): 44-57(in Chinese).

[4] 衛(wèi)鵬杰, 王海濱, 邊江. 基于趨勢類推的實(shí)用化節(jié)假日負(fù)荷預(yù)測方法研究[J]. 山西電力, 2018(5): 11-14. WEI PENGJIE, WANG HAIBIN, BIAN JIANG. Research on forecasting method for power load in festivals and holidays based on trend analogy[J]. Shanxi Electric Power, 2018(5): 11-14(in Chinese).

[5] 李闖, 孔祥玉, 朱石劍, 等. 能源互聯(lián)環(huán)境下考慮需求響應(yīng)的區(qū)域電網(wǎng)短期負(fù)荷預(yù)測[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(1): 71-78. LI CHUANG, KONG XIANGYU, ZHU SHIJIAN, et al. Short-term load forecasting of regional power grid considering demand response in energy interconnection environment[J]. Automation of Electric Power Systems, 2021, 45(1): 71-78(in Chinese).

[6] 李濱, 陸明珍. 考慮實(shí)時(shí)氣象耦合作用的地區(qū)電網(wǎng)短期負(fù)荷預(yù)測建模[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(17): 60-68. LI BIN, LU MINGZHEN. Short-term load forecasting modeling of regional power grid considering real-time meteorological coupling effect[J]. Automation of Electric Power Systems, 2020, 44(17): 60-68(in Chinese).

[7] 王麗娟, 任永建, 陳正洪, 等. 基于氣溫累積效應(yīng)和炎熱指數(shù)的夏季日最大電力負(fù)荷預(yù)測研究[J]. 氣象與環(huán)境科學(xué), 2021, 44(2): 106-111. WANG LIJUAN, REN YONGJIAN, CHEN ZHENGHONG, et al. Study on maximum power load prediction in summer based on temperature cumulative effect and heat index[J]. Meteorological and Environmental Sciences, 2021, 44(2): 106-111(in Chinese).

[8] 李艷, 俞劍蔚, 蔡薌寧, 等. 南京市電力負(fù)荷特征及夏季極端負(fù)荷與氣象條件關(guān)系[J]. 氣象科技, 2021, 49(4): 637-646. LI YAN, YU JIANWEI, CAI XIANGNING, et al. Characteristics of electric loads in Nanjing and relationship between extreme loads and meteorological conditions in summer[J]. Meteorological Science and Technology, 2021, 49(4): 637-646(in Chinese).

[9] 袁斌. 陜西電網(wǎng)夏季降溫負(fù)荷與溫度相關(guān)性研究[J]. 電網(wǎng)與清潔能源, 2020, 36(6): 19-24. YUAN BIN. Correlation analysis of cooling load and temperature in Shaanxi power grid in summer[J]. Power System and Clean Energy, 2020, 36(6): 19-24(in Chinese).

[10] SOBHANI M, HONG T, MARTIN C. Temperature anomaly detection for electric load forecasting[J]. International Journal of Forecasting, 2020, 36(2): 324-333.

[11] 任永建, 熊守權(quán), 洪國平, 等. 氣象因子對夏季最大電力負(fù)荷的敏感性分析[J]. 氣象, 2020, 46(9): 1245-1253. REN YONGJIAN, XIONG SHOUQUAN, HONG GUOPING, et al. Sensitivity analysis of meteorological factors to summer maximum power load[J]. Meteorological Monthly, 2020, 46(9): 1245-1253(in Chinese).

[12] 李明節(jié), 梁志峰, 許濤, 等. 基于敏感氣溫空間分布的度夏度冬日最大負(fù)荷預(yù)測與應(yīng)用研究[J]. 電網(wǎng)技術(shù), 2023, 47(3): 1088-1098. LI MINGJIE, LIANG ZHIFENG, XU TAO, et al. Prediction and application of maximum daily load in summer and winter based on spatial distribution of sensitive temperatures[J]. Power System Technology, 2023, 47(3): 1088-1098(in Chinese).

[13] 成丹, 劉靜, 郭淳薇, 等. 基于積溫效應(yīng)的華中電網(wǎng)電力負(fù)荷預(yù)測[J]. 氣象科技, 2018, 46(4): 814-821. CHENG DAN, LIU JING, GUO CHUNWEI, et al. Prediction of electric loads over central China based on accumulated temperature effect[J]. Meteorological Science and Technology, 2018, 46(4): 814-821(in Chinese).

[14] 李艷, 徐衛(wèi)立, 裴順強(qiáng), 等. 基于逐步回歸和SVR方法的上海夏季日最大電力負(fù)荷的模擬研究[J]. 氣象與環(huán)境科學(xué), 2021, 44(4): 1-7. LI YAN, XU WEILI, PEI SHUNQIANG, et al. Simulation study on the summer daily maximum electric load in Shanghai based on stepwise regression analysis and SVR method[J]. Meteorological and Environmental Sciences, 2021, 44(4): 1-7(in Chinese).

[15] 劉文嬌, 沈春明, 郭軍紅, 等. 夏季氣象電力負(fù)荷相關(guān)性分析模型修正方法—以北京為例[J/OL]. 電力科學(xué)與技術(shù)學(xué)報(bào): 1-16[2023-10-06]. http://kns.cnki.net/ kcms/detail/43.1475.TM.20230619.1349.002.html.LIU WENJIAO, SHEN CHUNMING, GUO JUNHONG, et al. A revision method for the summer meteorological power load correlation analysis model: a case study of Beijing[J/OL]. Journal of Electric Power Science and Technology: 1-16[2023-10-06].http://kns.cnki.net/kcms/ detail/43.1475.TM.20230619.1349.002.html(in Chinese).

[16] 劉文霞, 胡江, 吳方權(quán), 等. 考慮溫度-負(fù)荷相關(guān)性的調(diào)溫負(fù)荷曲線擬合方法研究[J]. 電網(wǎng)與清潔能源, 2021, 37(4): 8-14. LIU WENXIA, HU JIANG, WU FANGQUAN, et al. A study on the fitting method of temperature-adjusting load curve considering the temperature-load correlation[J]. Power System and Clean Energy, 2021, 37(4): 8-14(in Chinese).

[17] WANG R, LIAO Z, LI C, et al. Calculating the winter base load and AC load in Chongqing considering the correlation of temperature and power system load[J]. IOP Conference Series: Materials Science and Engineering, 2020, 853: 012014.

[18] 王瑞妙, 姚欣愚, 趙小娟, 等. 考慮溫度和負(fù)荷相關(guān)性的重慶冬季空調(diào)負(fù)荷計(jì)算[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2021, 36(6): 157-163. WANG RUIMIAO, YAO XINYU, ZHAO XIAOJUAN, et al. Calculation of Chongqing winter air conditioning load considering the correlation between temperature and load[J]. Journal of Electric Power Science and Technology, 2021, 36(6): 157-163(in Chinese).

A Vector Autoregressive Model for the Correlation Between Temperature and Load in a New Power System

ZOU Xin, ZOU Aimeng

(Department of Economic Management, North China Electric Power University, Baoding 071003, China)

A model for analyzing the correlation between temperature and power load is proposed to analyze the influence of power load variation caused by temperature on the stability of new power system. Firstly, in order to avoid pseudo-regression, the Savitzky-Golay filter is used to remove the non-temperature trend term in the load and get the temperature-sensitive load. Secondly, in order to improve the accuracy of the model, Pearson correlation analysis and Vector auto-regression model were used to obtain the correlation and potential dynamic relationship between temperature and temperature-sensitive load. Taking the data of a provincial power grid from 2016 to 2021 as an example, the reliability and advancement of the model are verified. The results show that the model fitting errors are less than 4%. By using the model to analyze the data of air temperature and load, it is found that temperature has a great influence on load in summer and winter, but little influence on load in spring and autumn.

new power system; power load; air temperature; correlation analysis; vector autoregression

10.3969/j.ISSN.1672-0792.2024.02.002

TM715

A

1672-0792(2024)02-0009-10

國家自然科學(xué)基金資助項(xiàng)目（72171081）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目（2023MS153）。

2023-10-09

鄒鑫（1988—），男，副教授，研究方向?yàn)榧夹g(shù)經(jīng)濟(jì)及管理、項(xiàng)目調(diào)度、組合優(yōu)化；

鄒愛孟（1998—），女，碩士研究生，研究方向?yàn)榧夹g(shù)經(jīng)濟(jì)及管理、電力系統(tǒng)運(yùn)行與控制。

鄒愛孟