第３０卷第３期 ２０１６年５月 湖南工业大学学报 Ｖｏｌ－３０ ＮＯ．３ Ｊｏｕｒｎａｌ ｏｆ Ｈｕｎａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ｍａｙ ２０１６ ｄｏｉ：１０．３９６９￣．ｉｓｓｎ．１６７３—９８３３．２０１６．０３．００８ 城市电网负荷特性分析方法研究 孙晓 ，曾浩宇 ，梁维 ，杨丹青 （１．湖南工业大学机械工程学院，湖南株洲４１２００７；２．湖南工业大学电气与信息工程学院，湖南株洲４１２００７） 摘 要：针对累积式自回归一移动平均模型在现代城市降温负荷预测中准确性不高的问题，提出一种 双因子累积式自回归一移动平均模型，并用两种模型进行预测。经对比后发现，新模型通过引入平均温度 算子，有效提高了城市降温负荷预测的准确性，并对现代城市有较好的普适性。 关键词：电网；负荷分析；负荷预测；ＡＲＩＭＡ模型 中图分类号：ＴＭ７１４ 文献标志码：Ａ 文章编号：１６７３—９８３３（２０１６）０３—００４３—０６ Ｏｎ ａｎ Ａｎａｌｙｔｉｃａｌ Ａｐｐｒｏａｃｈ ｔｏ Ｌｏａｄ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ Ｕｒｂａｎ Ｐｏｗｅｒ Ｇｒｉｄｓ ＳＵＮ Ｘｉａｏ ，ＺＥＮＧ Ｈａｏｙｕ ，ＬＩＡＮＧ Ｗｅｉ ，ＹＡＮＧ Ｄａｎｑｉｎｇ （１．Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｕｎａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｚｈｕｚｈｏｕ Ｈｕｎａｎ ４１２００７，Ｃｈｉｎａ； ２．Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｕｎａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｚｈｕｚｈｏｕ Ｈｕｎａｎ ４１２００７，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａ ｄｕａｌ—ｆａｃｔｏｒ ａｕｔｏ—ｒｅｇｒｅｓｓｉｖｅ ｉｎｔｅｇｒａｔｅｄ ｍｏｖｉｎｇ ａｖｅｒａｇｅ ｍｏｄｅｌ（ＡＲＩＭＡ ｍｏｄｅ１）ｈａｓ ｂｅｅｎ ｅｓｔａｂｌｉｓｈｅｄ ｔｏ ｔｅｎｔａｔｉｖｅｌｙ ｉｍｐｒｏｖｅ ｔｈｅ ｌｏｗ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ＡＲＩＭＡ ｍｏｄｅｌ ｉｎ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｍ ｕｒｂａｎ ｃｏｏｌｉｎｇ ｌｏａｄｓ，ｆｏｌｌｏｗｅｄ ｂｙ ａ ｓｉｍｕｌｔａｎｅｏｕｓ ｐｒｅｄｉｃａｔｉｏｎ ｔｅｓｔｉｎｇ ｂｙ ｔｈｅｓｅ ｔｗｏ ｍｏｄｅｌｓ．Ａ ｆｉｎａｌ ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｔｗｏ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗｓ ｔｈａｔ ｈｅ ｎｅｗ ｍｏｄｅｌ，ｂｙ ｉｎｔｒｏｄｕｃｉｎｇ ａｔｎ ａｖｅｒａｇｅ ｔｅｍｐｅｒａｔｕｒｅ ｏｐｅｒａｔｏｒ ｔｏ ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ｐｒｏｃｅｓｓ，ｈａｓ ｅｆｆｅｃｔｉｖｅｌｙ ｉｍｐｒｏｖｅｄ ｔｈｅ ｕｒｂａｎ ｃｏｏｌｉｎｇ ｌ０ａｄ ｆｏｒｅｃａｓｔｉｎｇ ａｃｃｕｒａｃｙ ｗｉｈ ｔａ ｕｎｉｖｅｒｓａｌ ａｐｐｌｉｃａｂｉｌｉｔｙ ｏｎ ｉｔｓ ｆｏｒｍｅｒ ｂａｓｉｓ ｏｆ ａｎ ＡＲＩＭＡ ｍｏｄｅ１． Ｋｅｙｗｏｒｄｓ：ｐｏｗｅｒ ｇｒｉｄ；ｌｏａｄ ａｎａｌｙｓｉｓ；ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ；ＡＲＩＭＡ ｍｏｄｅｌ Ｏ 引言 城市电网负荷特性，是电力公司对城市电网发展 影响增大。因此，对该市降温负荷的分析变得越来 越重要口 ，也对降温负荷预测模型的准确性提出了更 高的要求。 趋势研究以及电网建设方案制定的重要参考依据…。 近年来，工业发展模式从粗放型转变成资源节约型， 高能耗工业增长缓慢甚至萎缩，城市居民生活用电 比例明显增加，景观用电量持续增长，现代城市电网 的负荷特性变得更加复杂。如何进行新形势下的城 市电网负荷特性分析成为了行业难题。 在“十二五”期间，某市地区经济呈现较大持续 １ 负荷特性分析 １．１年负荷特性分析 ２０１１—２０１４年，该市的供电量、最大负荷以及 增长率见表１，本文所用电力数据、图片均来源于 该市国家电网公司。由表１可知，该市２０１２年与２０１１ 年相比，售电量基本持平，最大负荷增加６．５１％； ２０１３年相对２０１２年售电量与最大负荷增加明显，增 长率分别为８．５２％和１１．６２％；２０１４年相对２０１３年两 增长势头，产业结构优化明显，居民的生活水平和生 活质量显著提高，居民用电量持续增加。随着空调的 普及，降温负荷呈现增大的趋势，这对日负荷曲线的 收稿日期：２０１６—０１—０５ 作者简介：孙晓（１９７２－），男，湖南株洲人，湖南工业大学教授，硕士生导师，主要从事机电控制与计算机应用技术方面的教 学与研究，Ｆ＿，－ｉｎａｉｌ：ｓｘｂｕｇ＠１６３．ｃＯｍ． 湖南工业大学学报 ２０１６正 项数据略有回落。 表１ ２０１ １—２０１４年城市年供电量及最大负荷 Ｔａｂｌｅ １ Ａｎｎｕ￣ｕｒｂａｎ ｐｏｗｅｒ ｓｕｐｐｌｙ ａｎｄ 增长。 省统计局公布的该市２０１ １—２０１４年的年度经济 数据见表３。由表３可知，ＧＤＰ年增长约２００亿元；第 二产业对经济增长贡献率从７０．８％降为６２．７％；第三 产业对经济增长贡献率从２６．３％增加至３４．０％。２０１４ 年比２０１３年的ＧＤＰ增加了２１２－５亿元，但年用电量基 本持平，第二产业对经济增长贡献率降低了３．７％，可 见该城市的产业结构良好。产业结构一定程度上决 定宏观经济水平，宏观经济水平一定程度上决定了 ｉｔｓ ｍａｘｉｍｕｍ ｌｏａｄ ｉｎ ｙｅａｒｓ ２０１１‘。——２０１４ 该市国家电网公司２０１ １—２０１４年的售电构成见 表２。由表２可知，该市大工业售电量接近总售电量 的６０％，为典型的工业城市；居民用电量近年来持续 年供电量 。可预见未来几年经济依旧能保持持续增 长，售电量将会突破１００ ＴＷ·ｈ，年最大负荷将突破 ２０００ＭＷ。 表２ ２０１１—２０１４年的售电构成 Ｔａｂｌｅ ２ Ｃｏｍｐｏｓｉｔｉｏｎ ｏｆ ｐｏｗｅｒ ｓａｌｅｓ ｉｎ ｙｅａｒｓ ２０１ １。。——２０１４ 表３ ２０１１—２０１４年的年度经济数据 Ｔａｂｌｅ ３ Ａｎｎｕ￣ｅｃｏｎｏｍｉｃ ｄａｔａ ｉｎ ｙｅａｒｓ ２０１ １’。——２０１４ １．２月负荷特性分析 居民越来越愿意在高温高湿或天气寒冷的月份使用 该市电网２０１１—２０１４年奇数月的月最大日负荷 见表４。 表４ ２０１１—２０１４年奇数月的月最大日负荷 Ｔａｂｌｅ ４ Ｍａｘｉｍｕｍ ｄａｉｌｙ ｌｏａｄ ｏｆ ｏｄｄ ｍｏｎｔｈｓ ｉｎ ｙｅａｒｓ ２０１１ ——２０１４ ＭＷ 空调Ｈ】，使得这类月份的最大日负荷高于气温适宜的 月份。 １．３ 日负荷特性分析 该市的典型日负荷曲线如图１所示。由图１可知， 日负荷曲线较为平稳，但在８时、１１时、１５时、２２时 左右存在突变；曲线上存在较多毛刺。 丁业城市的工业用电方式很大程度上影响着地 区负荷曲线的走向 。该地区某大型冶炼集团２０１４年 铅锌总产量６４．８４万ｔ，实现营业收入１５１．０２亿元，用 电量常年占该地区用电量的３０％左右，为该地区的 由表４可知，通常１月、７月的最大日负荷高于 其他月份，且增加量远大于其他月份；５月、１１月的 最大日负荷较小。因为随着居民生活水平的提高， 工业用电大户，该集团典型日负荷曲线见图２。该冶 炼集团的负荷曲线类似矩形波，高、低用电量过渡 时间短、差值大。 第３期 孙晓，等 城市电网负荷特性分析方法研究 ４５ 参考所在省份峰谷分时电价办法，８时至１ １时， １５时至１９时为高峰时段，ｌ９时至２２时为尖峰时段。 显然企业出于节约成本的考虑，避开高峰，尖峰时 段的高电价，主动减产，选在电价低的时间段进行 生产。工业企业的错峰用电，对地区负荷曲线起到 了削峰填谷的作用。 该地区为铁路交通枢纽，铁路车次密集。高速铁 路和普通铁路负荷具有负荷峰谷差值大，冲击时间短 的特点。能量管理系统（ｅｌｅｍｅｎｔ ｍａｎａｇｅｍｅｎｔ ｓｙｓｔｅｍ， ＥＭＳ）显示，某日铁路总加负荷最大值为１０２．５３ Ｍｗ， 最小值为２．９５ Ｍｗ，负荷率为０．４ｌ，当日铁路负荷总 加曲线见图３。无规律的铁路负荷容易造成地区负荷 总加值突然增大，日负荷曲线峰谷值增大，局部母 线电能质量下降等问题，对地区电网造成不利影响。 时刻 图１地区典型日负荷曲线 Ｆｉｇ．１ Ａ ｃｕｒｖｅ ｇｒａｐｈ ｏｆ ａ ｒｅｇｉｏｎａｌ ａｖｅｒａｇｅ ｄａｉｌｙ ｐｏｗｅｒ ｌｏａｄ ２８０ ２６０ ２４０ ｌ６０ １４Ｏ １２Ｏ 时刻 图２冶炼集团典型日负荷曲线 Ｆｉｇ．２ Ａ ｃｕｒｖｅ ｇｒａｐｈ ｏｆ ｔｈｅ ａｖｅｒａｇｅ ｄａｉｌｙ ｐｏｗｅｒ ｌｏａｄ ｏｆ ｍｅｔａｌｌｕｒｇｉｃ ｇｒｏｕｐｓ 图３某日铁路负荷总加曲线 Ｆｉｇ．３ Ａ ｃｕｒｖｅ ｇｒａｐｈ ｏｆｔｈｅ ｐｏｗｅｒ ｌｏａｄ ｏｆ ａ ｒａｉｌｗａｙ ｓｔａｔｉｏｎ ｏｎ ａ ｓｉｎｇｌｅ ｄａｙ ２ 降温负荷特性分析 ２．１降温负荷计算 因该市地处亚热带季风区，年平均气温为１ ６～１ ８ ｃｃ，四季分明，有降温采暖需要。随着年售电量的 持续增加，以及居民用电比率的提高，尤其是在降 温需求高的夏季，降温负荷对日负荷曲线的影响更 加明显，因此对降温负荷规律的研究以及预测变得 日趋重要。 本文采用基准负荷比较法确定降温负荷曲线， 测算过程如下 。 １）确定基准日：一般选取天气凉爽，降水量少 的月份的某几个工作日，这样的月份几乎没有降温 负荷。 ２）确定高温日：一般选取一年中平均气温最高 的月份为高温月份，在高温月份中选取连续几日温 度都在高温范围内的日期作为高温日。 ３）确定降温负荷：比较该月中高温日负荷曲线 与基准日的负荷曲线，差值即为该日的降温负荷曲 线。该月降温曲线的最大值为该年的最大降温的负 荷值。 ２０１５年月气温走势见图４。选择７月份作为高温 月份，４月作为无采暖无降温的月份，该年中４月与 ７月的每日气温如图５所示。 月份 图４全年气温走势图 日期 最高气温一；最低气温．．－ 日期 最高气温＋；最低气温＋ ｂ）７月 图５月份日气温 Ｆｉｇ．５ Ｃｈａｒｔ ｐａｔｔｅｍｓ ｆｏｒ ｄａｉｌｙ ｔｅｍｐｅｒａｔｕｒｅｓ ｉｎ Ａｐｒｉｌ ａｎｄ Ｊｕｌｙ ４６ 湖南工业大学学报 ２０１６年 参考月平均气温，选择４月９日，４月１５日，４ 月２２日为基准负荷日。本文将最低温不低于２４ ｃＣ， 最高温不低于３４℃的日期定为高温日，７月份高温 日为：１２、ｌ３、１４、１５、２８、２９、３０、３１日。考虑该 市电网数据采集与监视控制（ｓｕｐｅｒｖｉｓｏｒｙ ｃｏｎｔｒｏｌ ａｎｄ ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ，ＳＣＡＤＡ）系统对负荷的记录水平， 本文将能量管理系统（ｅｌｅｍｅｎｔ ｍａｎａｇｅｍｅｎｔ ｓｙｓｔｅｍ， ＥＭＳ）的历史日负荷数据导出后，按１分钟采样１次， 拿＋。 鲁２＝ ｆ，ｚ一 ２ １ 上ｄ ’。‘ ＿２）。（４） 式（４）即为椭圆图形。如果样本点落在椭圆内 且远离边界，则认为不是异常数据，落在椭圆外或 者靠近边界，则为异常数据。对于异常数据采用三 点平滑处理，即 １＿ ！二！！ 、 ４ ± ± ， （５） １天选取１ ４４０点进行计算。选取７月１５日为高温负 式中： （ ）为异常数据点的数值； 荷日，４月１５日为基准Ｅｔ，Ｅｔ负荷曲线如图６所示。 ａ）７月１５日 ≥ 曩 ｂ）４月１５ Ｌｔ 图６日负荷曲线图 Ｆｉｇ．６ Ａ ｃｕｒｖｅ ｇｒａｐｈ ｏｆ ｄａｉｌｙ ｐｏｗｅｒ ｌｏａｄ 对数据进行预处理时，采用一种基于椭圆图形 的异常查找方式，同时引入偏最／ｂ－－乘回归法对历 史数据进行提取。从ｎ个历史数据中提取出ｍ个成 分，定义 为样本ｉ对第ｈ个成分ｔ 的贡献率，则 ２砭 ｌ ｈ ，ｉ， （ ） 式中：ｔ ２为样本ｉ的值与ｔ 值的差值的平方； 为 的方差； ｎ为样本数。 计算出样本ｉ对成分ｔ。，ｔ ，…，ｔ 的累积贡献率 ，即 ｍ专２。 （２） 利用统计量 ＝ 兰 （ｍ，ｎ－ｍ） （３） 可评估样本对主成分的贡献率。 通常选取２个成分构建函数，判断样本ｉ是否为 异常数据，也就是ｍ＝２，判别条件为 ｘ（ｎ一１）为异常数据点前一点的数值； ｘ（ｎ＋１）为异常数据点后一点的数值； ｆ １为平滑后的数据。 用ＭＡＴＬＡＢ进行数据处理后，将两日负荷对应 时间点的值相减，得出降温负荷曲线，如图７所示。 曲线自上而下分别为７月１５日负荷曲线、４月１５日 负荷曲线、降温负荷曲线。 ０ １ ２ ３ ４ ５ ６ ７ ８ ９ １０１ｌｌ２ｌ３１４１５１６ｌ７１８ｌ９ ２Ｏ ２ｌ ２２２３２４ 时刻 图７降温负荷曲线 Ｆｉｇ．７ Ａ ｃｕｒｖｅ ｇｒａｐｈ ｏｆ ｃｏｏｌｉｎｇ ｌｏａｄｓ ７月份各高温日相对基准日降温负荷最大值见表 ５，最大降温负荷为５１３ Ｍｗ。 表５最大降温负荷 Ｔａｂｌｅ ５ Ｍａｘｉｍｕｍｃｏｏｆｉｎｇｌｏａｄｓ ＭＷ 以图７中降温负荷曲线为例，分析多日的降温负 荷曲线可知，８时至１１时、１５时至２３时都存在较高 的降温负荷，负荷最高峰出现在１６时左右；２０时至 ２３时是居民降温负荷高峰时间段，２０时至２３时降温 负荷约为最高降温负荷的８５％～９２％。这说明居民降 温负荷是降温负荷的主要来源。２３时至次日８时降 温负荷呈下降趋势。参考当地居民生活工作作息时 间，以及气温变化规律，２３时至次日８时对降温需 求不强烈，降温负荷随气温降低而减少。 第３期 孙晓，等 城市电网负荷特性分析方法研究 ４７ ２．２降温负荷预测 ｔ表示日期； 由２．１节的分析可知，降温负荷随时间呈周期性 的变化。因此在进行降温负荷预测时，可基于随机 序列平稳性的自回归一移动平均（ａｕｔｏ．ｒｅｇｒｅｓｓｉｖｅ ｍｏｖｉｎｇ ａｖｅｒａｇｅ，ＡＲＭＡ）模型理论，假设时间序列 是随机产生的，用时间序列的历史数据，进行参数 ｘｆ． ， ， ｉ 分别表示ｔ日的平均温度、最 高温度和最低温度； ， 。，ｂ。，ｂＥ，ｂ 分别表示平均温度、最高温度和最低温度的 回归系数； ｂ 为常数。 利用ＭＡＴＬＡＢ中的ｒｓｔｏｏｌ函数，结合表５、图５ 中的数据进行多元回归拟合。取基准日为４月９ Ｅｔ的 估计后，建立ＡＲＭＡ模型口 。但在受到如天气突变、 设备事故、设备检修等突变因素的影响时，负荷时 间序列会出现非平稳的随机过程。因此在ＡＲＭＡ模 型基础上用差分计算，将非平稳过程转换为平稳过 最大降温负荷值９５％的置信区间，通过计算得方程 ｙ １ ０２３．８＋３９．１ ｅ－３２．３墨ｍ￣ｘ－２３．６ｘ，．ＩＩＩｉ 。 （１２） 程，建立累积式自回归一移动平均（ａｕｔｏ．ｒｅｇｒｅｓｓｉｖｅ ｉｎｔｅｇｒａｔｅｄ ｍｏｖｉｎｇ ａｖｅｒａｇｅ，ＡＲＩＭＡ）模型，ＡＲＩＭＡ模 型可适用于非平稳随机时间序列。 ＡＲＭＡ模型结构为 ｆ ‰＋ 一ｔ＋··。＋ 一 ＋ ｛ ｓ，一 …一 ｓ ； （６） ｌ ｐ≠０，Ｏｑ≠０。 式中： ，为负荷现在值； 。，Ｘｔ－２，…，． 为负荷过去值； ，为随机干扰项； ．．， ，…， 均为干扰项的滞后项； 为常数项； ，， ，…， 均为自回归系数； ０。， ２，…， 均为移动平均系数。 引入延迟算子Ｂ， １＝Ｂｘｔ，ｘ，＿２＝Ｂ２ｘ，，…，． ， 则ＡＲＭＡ模型表示为 ＝ ） ， （７） 式中： （ ）＝１ 。伊 Ｂ …· 为ｐ阶自回归多项式； Ｏｑ（Ｂ）＝ｌ一０。Ｂ…一 为留阶移动平均多项式。 引人 的一阶差分算子 Ｖｘｔ＝ｘ；－ｘｒ１。 （８） 差分算子Ｖ与延迟算子 之间的关系为Ｖ＝Ｉ－Ｂ。 以此类推，则有 ，的ｄ阶差分算子 Ｖ ，＝ｖ 一ｖ ， 。 （９） 因此，ＡＲＩＭＡ模型表示为 ）Ｗｘ＝Ｏ￣ ） 。 （１０） 因该模型只考虑了时间序列的变化，对温度变 化不敏感。因此，通过改进算法，建立双因子的 ＡＲＩＭＡ模型，以提高预测精度。 单日气温数据通常包括平均温度、最高温度和 最低温度 】。为分析单日气温数据对降温负荷的影 响，建立１个三变量的回归方程 Ｅ，０柏１ ＋ ＋６３ＸＬＩＩｌｉ ， （１１） 式中：ｙ，表示最大降温负荷； 由式（１２）可知，平均温度的回归系数的绝对值 最大。引入基于平均温度的差分算子Ｖ 来加强平稳 化处理。平均温度的一阶差分算子为 Ｖ ＝ · ｌ。 （１３） 因此，得双因子ＡＲＩＭＡ模型 （ ）啦 ）Ｖ ＝ （ ） （ ） 。 （１４） 式中： （Ｂ ）为平均温度的Ｐ阶自回归系数多项式； （ ）为平均温度的ｑ阶移动平均多相式； 姗枷伽姗Ｖ 为平均温度ｄ阶差分算子。 用２０１５年７月份数据分别拟合ＡＲＩＭＡ模型、双 因子ＡＲＩＭＡ模型，并对８月１２日降温负荷进行９６个 点的预测。采用２种方法预测，得降温负荷曲线如图 ８所示。由图可知，ＡＲＩＭＡ模型在降温负荷拐点处 的预测精度不高。用ＭＡＴＬＡＢ软件对２条预测曲线 相对实际降温负荷曲线的预测准确度的分析结果为： ＡＲＩＭＡ模型预测准确度为９２．５％，双因子ＡＲＩＭＡ模 型预测准确度为９７．８％。由此可见，双因子ＡＲＩＭＡ 模型比ＡＲＩＭＡ模型预测准确度更高，对温度影响的 处理能力更强。因此双因子ＡＲＩＭＡ模型在降温负荷 预测方面具有更好的预测效果。 图８降温负荷预测曲线 Ｆｉｇ．８ Ａ ｆｏｒｅｃａｓｔｉｎｇ ｃｕｒｖｅ ｇｒａｐｈ ｏｆｃｏｏｌｉｎｇ ｌｏａｄｓ ３ 结语 本文结合多组数据对某市进行了年、月、日的负 荷特性分析，并着重分析了该市的降温负荷。针对 每４８ 湖南 业大学学报 ２０１６年 采用ＡＲＩＭＡ模型预测时，对温度造成的降温负荷影 响反应不准确的问题，建立了双因子ＡＲＩＭＡ模型， ＬＥＩ Ｚｈｅｎｇ，ＺＨＡＮＧ Ｚｈｅｎｇａｏ，ＺＨＯＵ Ｊｉｎ，ｅｔ ａ１．Ａｎａｌｙｓｉｓ ｎｄ ａＳｔｕｄｙ ｏｎ ｈｅ ｔＡｉｒ－Ｃｏｎｄｉｉｔｏｎｉｎｇ Ｌｏａｄ ｏｆ Ｔｉｎｊａｉｎ Ｇｉｒｄ［Ｊ］． Ｎｏｒｔｈ Ｃｈｉｎａ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ，２０１３（２）：１２—１５． 【５】 廖并将２个模型的预测曲线与实际计算得出的降温曲 线进行了比较。结果表明，双因子ＡＲＩＭＡ模型的预 峰，徐聪颖，姚建刚，等．常德地区负荷特性及其 测精度高于ＡＲＩＭＡ模型，在降温负荷预测上具有更 影响因素分析【ＪＪＪ电网技术，２０１２，３６（７）：１１７－１２５． 好的可用性。 参考文献： 【１】兰宇，谭剑中，李轩，等．地区电网负荷特『生研究 ［Ｊ］．能源技术经济，２０１０，２２（７）：３０—３５． ＬＡＮ Ｙｕ，ＴＡＮ Ｊｉａｎｚｈｏｎｇ，ＬＩ Ｘｕａｎ，ｅｔ ａ１．Ｓｔｕｄｙ ｏｎ Ｒｅｇｉｏｎａｌ Ｐｏｗｅｒ Ｌｏａｄ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ［Ｊ］．Ｅｎｅｒｇｙ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｃｏｎｏｍｉｃｓ，２０１０，２２（７）：３０—３５． ［２ 薛万磊，温２】权，单葆国．降温负荷分析方法研究［Ｊ］．能 源技术经济，２０１１，２３（１１）：３７－４０． ＸＵＥ Ｗａｎｌｅｉ．ＷＥＮ Ｑｕａｎ。ＳＨＡＮ Ｂａｏｇｕｏ．Ｓｔｕｄｙ ｏｎ ｔｈｅ Ａｎａｌｙｔｉｃａｌ Ｍｅｔｈｏｄ ｏｆ Ｐｏｗｅｒ Ｌｏａｄ ｆｏｒ Ｃｏｏｌｉｎｇ［Ｊ］．Ｅｎｅｒｇｙ Ｔｅｃｈｎｏｌｏｇｙ ｎａｄ Ｅｃｏｎｏｍｉｃｓ，２０１１，２３（１１）：３７—４０． 【３】楚成博，刘继东，张利，等．山东电网夏季降温负荷 特性及影响因素分析［Ｊ］．电力需求侧管理．２０１３，１５（１）： ２０—２４． ＣＨＵ Ｃｈｅｎｇｂｏ，ＬＩＵ Ｊｉｄｏｎｇ，ＺＨＡＮＧ Ｌｉ，ｅｔ ａ１．Ｓｔｕｄｉｅｓ ｏｎ Ｔｅｍｐｅｒａｔｕｒｅ Ｌｏｗｅｒｉｎｇ Ｌｏａｄ Ｒｅｇｉｏｎａｌ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ Ｓｈａｎｄｏｎｇ Ｐｏｗｅｒ Ｎｅｔｗｏｒｋ［Ｊ】．Ｐｏｗｅｒ Ｄｅｍａｎｄ Ｓｉｄｅ Ｍａｎａｇｅｍｅｎｔ，２０１３，１５（１）：２０—２４． 【４】雷、铮，张振高，周进，等．天津电网空调负荷分析 与研究［Ｊ】＿华北电力技术，２０１３（２）：１２～１５． ＬＩＡＯ Ｆｅｎｇ，ＸＵ Ｃｏｎｇｙｉｎｇ，ＹＡＯ Ｊｉａｎｇａｎｇ，ｅｔ ａ１．Ｌｏａｄ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ Ｃｈａｎｇｄｅ Ｒｅｇｉｏｎ ａｎｄ Ａｎａｌｙｓｉｓ ｏｎ Ｉｔｓ Ｉｎｆｌｕｅｎｃｉｎｇ Ｆａｃｔｏｒｓ［Ｊ］．Ｐｏｗｅｒ Ｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｙ，２０１２， ３６（７）：１ １７—１２５． 【６】 何晓峰，黄媚，农植贵，等．地区电网降温负荷与气 温的敏感性分析［Ｊ】．电力需求侧管理，２０１３，１５（５）：１７－ ２２． ＨＥ Ｘｉａｏｆｅｎｇ，ＨＵＡＮＧ Ｍｅｉ，ＮＯＮＧ Ｚｈｉｇｕｉ，ｅｔ ａ１． Ａｎａｌｙｓｉｓ ｏｆ Ｃｏｏｌｉｎｇ Ｌｏａｄ ａｎｄ Ｔｅｍｐｅｒａｔｕｒｅ Ｓｅｎｓｉｔｉｖｉｔｙ ｏｎ Ｒｅｇｉｏｎａｌ Ｇｒｉｄ［Ｊ］．Ｐｏｗｅｒ Ｄｅｍａｎｄ Ｓｉｄｅ Ｍａｎａｇｅｍｅｎｔ，２０１３， １５（５）：１７—２２． 【７】 张素香，赵丙镇，王风雨，等．海量数据下的电力负荷 短期预测［Ｊ】．中国电机丁程学报，２０１５，３５（１）：３７－４２． ＺＨＡＮＧ Ｓｕｘｉａｎｇ，ＺＨＡＯ Ｂｉｎｇｚｈｅｎ，ＷＡＮＧ Ｆｅｎｇｙｕ，ｅｔ １ａ．Ｓｈｏｒｔ—Ｔｅｒｍ Ｐｏｗｅｒ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｂａｓｅｄ ｏｎ Ｂｉｇ Ｄａｔａ 【Ｊ】．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｈｔｅ ＣＳＥＥ，２０１５，３５（１）：３７－４２． 【８】 任志超，杜新伟，王海燕，等．调温负荷的估算方法及 影响因素研究［Ｊ】．现代电力，２０１４，３１（３）：８０～８５． ＲＥＮ Ｚｈｉｃｈａｏ，ＤＵ Ｘｉｎｗｅｉ，ＷＡＮＧ Ｈａｉｙａｎ，ｅｔ ａ１． Ｒｅｓｅａｒｃｈ ｏｎ Ｅｓｉｔｍａｔｉｏｎ Ｍｅｈｔｏｄ ｏｆ Ｔｅｍｐｅｒａｔｕｒｅ Ａｄｊｕｓｉｔｎｇ Ｌｏａｄ ａｎｄ Ｉｔｓ Ｉｎｆｌｕｅｎｃｅ Ｆａｃｔｏｒ［Ｊ］．Ｍｏｄｅｍ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ， ２０１４，３１（３）：８０－８５． （责任编辑：邓光辉）
