气候变化对沈阳冬季供暖期的影响

利用1961-2010年沈阳市的年平均气温和供暖期及供暖期前一个月、供暖期后一个月的逐日平均气温资料,采用线性趋势分析方法及度日法,分析近50 a沈阳市年平均气温和供暖期平均气温变化的总体趋势,并对供暖初日、供暖终日和供暖期长度及供暖强度的变化特征进行分析。结果表明：近50 a沈阳市年平均气温与供暖期平均气温均呈上升趋势,近50 a年平均气温上升明显,通过了显著性检验;气候变暖使得供暖初日推迟;供暖终日提前;供暖期长度缩短;气候变暖使实际供暖强度逐渐减弱。     

鄂温克旗干旱、洪涝灾害期评定及预测方法

根据鄂温克旗1959—2008年气象历史资料,统一归类,并采用统计预报方法,简要评定预测出鄂温克旗50年来主要气象灾害之一的干旱、洪涝灾害期,为鄂温克旗防范旱涝灾害做参考。     

杭州市燃气负荷与气象条件的响应关系及其预测模型

利用杭州市2008—2011年逐日燃气负荷和气象要素资料,分析了燃气负荷的变化规律及气象条件对燃气负荷的影响,在此基础上,利用Elman神经网络建立燃气负荷预测模型。结果表明,研究时段内,杭州市燃气负荷逐年显著增长且具有显著的季节变化特征,春节假日期间会出现明显的燃气负荷谷值,年燃气负荷峰值点通常出现在春节前1个月。平均气温与平均气压是影响燃气负荷波动最主要的气象因子,且均在冬季相关最显著。平均气温与燃气负荷在各个季节呈一致负相关,平均气压成正相关,燃气负荷对平均气温的响应敏感区间为6~15℃。在考虑春节假期影响的基础上,筛选相关气象因子,利用Elman神经网络建立杭州市冬半年燃气负荷预测模型。预测结果表明,一般情况下,模型精度较高,但当燃气负荷出现大的波动时,模拟结果呈现一定程度的滞后性。     

基于BP神经网络的北京夏季日最大电力负荷预测方法

利用2006~2017年北京夏季（6~8月）逐日最大电力负荷和同期气象资料,分析最大电力负荷与各种气象因子的相关性,基于BP（Back Propagation）神经网络算法,建立了两种夏季日最大电力负荷预测模型并对比。结果表明:北京夏季周末基础负荷远小于工作日,剔除时应加以区分;气象因子对气象负荷的影响具有累积效应,累积2 d时两者的相关性最强;结合实际,根据自变量的不同分别建立了两种日最大电力负荷预测模型;经实际预测检验,两种预测模型均取得了较好的预测效果,能够满足电力部门的实际需求,其中自变量中加入前一日气象负荷的模型效果更优。     

桂林电网日负荷与气象因素的关系及其预测

日负荷预测作为能量管理系统(EMS)的重要组成部分,是电力系统安全、经济运行的保证.为更好地了解气象因素对电网负荷的影响,利用桂林地区2005年和2006年逐日的负荷与气象资料分离出了气象负荷.通过研究气象负荷与各气象因素之间的相关关系表明:利用气象负荷可以更好地分析气象因素对日负荷的影响,从而为电力部门的负荷预测工作提供重要的参考依据.最后采用一种基于相似日的方法计算气象负荷,进而预测整个电力负荷,通过实际的算例验证,取得了比较满意的预测效果.     

汉中春茶开采期预测方法探索

采用2014—2021年1—3月汉中种茶县区国家气象站和茶园区域气象站的观测资料、种茶区茶园春茶开采时间资料,分析2014—2021年汉中春茶开采期特点、春茶开采期前1—3月的气候特点;并采用数理统计方法,对不同阶段气温、降水、日照、活动积温与开采期进行相关性分析,建立预测模型。结果表明：汉中春茶开采期早晚存在明显的年份差异和地理差异,最早2021年3月11日,最晚2014年3月24日;地理位置靠南的低海拔丘陵茶区春茶开采较早,地理位置靠北的中高山区茶园开采时间较晚。开采期与2月平均气温、≥10℃活动积温、≥7℃活动积温,2月上旬—3月上旬平均气温、≥7℃活动积温之间存在0.01及以上水平显著的负相关,与2月降水量、2月上旬—3月上旬降水量呈0.05及以上水平显著的负相关,与日照时数相关性不明显。选用相关性较高的平均气温、活动积温、降水量因子建立开采期预测模型。预测模型具有一定的参考性,在实际应用和气象服务中,可结合当年气候背景、中短期天气预报和茶园管理措施等进行综合修正。     

河南夏季日最大电力负荷预测模型

利用2005—2009年河南逐日最大电力负荷和气象资料,分析了河南日最大电力负荷的变化特征及其与气象因子的关系。河南日最大电力负荷季节变化呈双峰型,最大的峰值出现在夏季,次峰值在冬季。夏季电力负荷与气温和炎热指数有密切的关系。用逐步回归方法,针对夏季(方案1,不区分工作日和休息日)以及周一至周日(方案2,区分工作日和休息日)分别建立日最大电力负荷预测模型,并对2010年夏季逐日最大电力负荷进行预测,两种预测方案对2010年夏季日最大电力负荷预测的平均相对误差均小于3%,相关系数均达到0.90,两方案在工作日预测结果都较好,但休息日预测误差相对较大。     

决策树技术分析气象因子对电力负荷预测的影响

基于决策树技术,对气象因子和日电力负荷的最高、最低值、平均值进行联合建模,量化气象因子对电力负荷的影响,从而确立一种有效的基于气象因子的短期电力负荷预测方法,用以生成日特征负荷决策树预测模型.通过该模型,结合预测日的气象、属性(日期、节日等)等信息,可进行日特征负荷的预测.预测结果表明,该模型具有自动化程度高、预测结果准确率高的特性.以河北省保定市气象数据和电力负荷数据为例进行了训练和预测,研究结果证明这种方法能较大地提高日电力负荷预测的精度.     

引入积温效应预测夏季西安市电力气象负荷

利用2010—2012年6—8月西安市逐日电力负荷资料及对应时段地面观测站数据,分析了高温天气过程中日最大电力负荷的变化特征。结果发现,3年间西安地区共发生晴热天气过程5次,闷热天气过程4次,其中晴热天气过程发生在6月,闷热天气过程发生在7、8月,且闷热天气过程的电力负荷增长更加明显;利用日最高气温变化跟踪气象负荷的变化发现,日最高气温33℃为西安市气象负荷初始气温敏感点,35℃为强气温敏感点,38℃为极强气温敏感点;引入积温累积效应,建立了多元回归的电力气象负荷预测模型,经2013年夏季模型应用检验表明,日最大电力负荷预测平均误差为6.0%,能较好的模拟电力负荷的实际变化,对西安市夏季电力气象服务工作有指导意义。     

基于气象因子的华中电网负荷预测方法研究

在分析各种节假日负荷变化规律的基础上, 利用气象因子作预报变量, 使用动态的综合线性回归和自回归相结合的混合线性回归方法及非线性的人工神经网络方法来进行华中电网日负荷和日最大负荷及日最小负荷的预测。对12个月共365天的独立样本试预报表明, 该客观方案对华中电网负荷的预测精度可满足业务调度的需要。     

神经网络在电力系统负荷预测中的应用

选用2006年3月28日—2006年4月8日呼和浩特市供电局每日0—23时整点电力负荷资料，结合呼和浩特市电力负荷预測日的最高气温、最低气温和天气特征等气象因子的变化，采用将一周的7天每天都看作一种电力负荷类型，尝试应用BP神经网络预测呼和浩特市2006年4月9日的电力负荷值，预测值与实际值基本一致。这次尝试取得的成果，对专业气象服务实际工作中电力负荷预测具有较高的实用价气象因子电力负荷     

气象要素在电力负荷预测中的应用

综合应用人工神经网络、模糊理论等智能技术,着重考虑天气因素对电力负荷的影响,确定了一种有效的电力系统短期负荷预测方法。并应用陕西省9个地市1998-2001年的逐日8个气象要素以及对应的逐日电力负荷值,对陕西省电力负荷进行训练和预测。研究结果证明这种方法能较大地提高日负荷预测的精度。     

春灌期气象条件对河北南网日用电负荷峰值的影响

采用2007-2010年河北省南部电网日用电负荷峰值数据和逐日气象观测资料,分析了河北省南部电网日用电负荷峰值的年分布特征和春灌期逐日变化特征。结果表明：河北南网日用电负荷峰值全年呈现出“三高峰,两低谷”的特征,高峰分别对应河北省春灌、夏季高温和冬季采暖前后,低谷出现在春节和国庆假期。冬小麦的返青水和棉花白地浇灌对用电负荷影响显著。区域性强风和降雨会造成用电负荷峰值明显下降。将春灌期日用电负荷峰值的变化幅度进行等级划分。运用相关分析法和多元回归方法,分析了春灌期日用电负荷峰值变化幅度与气象因子的相关关系,建立了基于气象条件的河北南网全区日用电负荷峰值变化幅度的预报模型,经检验,该模型在日常电力调度业务中具有一定的应用价值。     

气象条件对电力负荷的影响分析

利用河北省南电网提供的2000～2006年逐日最大电力负荷资料.分析了日最大电力负荷的变化规律.以石家庄市为例,采用相关分析方法,分年逐月分析了日最大电力负荷与对应6个气象因子的相关性,得出不同时段电力负荷的主要气象影响因子;分析了6～9月和11月受气温影响显著月电力负荷的1℃效应量、3～8月10 mm以上降水量对电力负荷的影响变化率;采用多元回归的方法分时间段建立了最大电力负荷的气象预测方程,加上逐年电力负荷变化趋势项即可做电力负荷预测预报.     

基于年际增量方法的云南省普洱雨季开始期气候预测

基于普洱雨季开始期年际增量变化规律和影响雨季开始期的环流形势及物理过程,采用年际增量方法和多元线性回归分析方法,选取5个具有物理意义的预测因子(包括前期1月南半球绕极环流、前期2月南太平洋高压、前期4月孟加拉湾至南海海平面气压、前期冬季加拿大北部海冰和前期冬季伊朗高原积雪深度),建立了普洱雨季开始期的预测模型,并对预测模型进行1967—2017年的交叉检验和1998—2017年的逐年独立样本检验。交叉检验中,雨季开始期预测值和观测值年际增量的相关系数为0.84,相对均方根误差为24%;独立样本检验中,雨季开始期年际增量的相对均方根误差为15%,模型对雨季开始期异常年份的预测误差小于7 d,表明该预测模型能很好再现1967—2017年雨季开始期的变化趋势。     

1998年四川讯期旱涝预测方法评述

对１９９８ 年汛期（６－ ８ 月）旱涝趋势预测方法进行了回顾,并结合１９９８ 年汛期旱涝成因对方法中考虑的物理因子作了分析。     

1998年四川讯期旱涝预测方法评述

对1998年汛期(6-8月)旱涝趋势预测方法进行了回顾,并结合1998年汛期旱涝成因对方法中考虑的物理因子作了分析.     

基于逐步回归和SVR方法的上海夏季日最大电力负荷的模拟研究

利用2013-2017年上海夏季(6-9月)逐日最大电力负荷和同期气象资料,对上海夏季的气温、炎热累积效应等气象因子与用电负荷进行相关分析,筛选建模自变量.基于逐步回归及SVR支持向量回归方法,分别建立了夏季日最大电力负荷预测模型并进行模拟误差对比.其中,以气象要素为 自变量构建了逐步回归模型"方案1",在方案1基础上...     

北京夏季日最大电力负荷预报模型建立方法探讨

为了探索夏季(6～8月)日气象负荷的最佳分离方式和引起日最大电力负荷波动的主要因子,以及建立预报模型最佳个数,基于北京市2005～2010年逐日最大电力负荷和同期的气象资料,分析了北京地区日最大电力负荷的变化规律,采用不同方法将气象负荷从夏季日最大电力负荷中分离出来,分析北京夏季气象负荷与气温、相对湿度、降水及炎热指数、高温持续日数、炎热日数持续时间、前一日气象负荷等因子之间的关系,并基于2005～2009年夏季逐日气象负荷和其主要影响因子采用逐步回归方法建立日最大电力负荷的预报模型,将2010年夏季北京日最大电力负荷作为预报效果的独立样本检验。结果显示:2005～2010年,北京逐日最大电力负荷具有明显的线性增长趋势,夏季日最大电力负荷具有显著的星期效应;与去掉逐年夏季日最大电力负荷趋势和夏季平均日最大电力负荷趋势相比,去掉全年逐日最大电力负荷变化趋势的夏季日气象负荷预报模型的拟合能力更优;北京夏季日气象负荷与当日气温的相关系数最高,与前一日气象负荷也关系密切;利用前一日相对气象负荷和当日气象要素一周逐日分别建立预报模型的拟合和预测效果较好。     

T213预报产品在电力负荷预测中的应用

用2005—2006年4—9月准东电网负荷资料和T213预报产品资料,建立日平均有效时间序列数据,对电力负荷与T213主要预报因子的相关性进行了分析,筛选出影响该地区负荷变化的重要预报因子为700 hPa水汽通量、850 hPa水汽通量和降水量,建立日平均电力负荷变化的预报方程。对2007年进行试报,负荷变化趋势与实际一致,但对负荷发生明显波动的预报有时出现偏差,原因是T213对降雨天气预报有误所致。提出改进方案,采用模式与预报员经验相结合,从气象观测要素中再筛选出新的降雨因子,与T213重要预报因子重建预报方程,再次试报结果更接近实况。对2007年4—9月预报误差进行分析得到,计划负荷平均误差为11.5%,T213建模平均误差为8.2%,通过改进后重新建模的平均误差为6.4%。在降雨天气条件下,计划负荷误差22.3%,T213建模误差13.4%,而改进后的预测误差降低到8.9%。