基于特征構建的區域電力負荷增長歸因及量化分析方法

編者按

電力負荷分析是電力系統規劃、運行和管理中不可或缺的一環，能夠為電力系統高效、可靠和可持續運行提供關鍵信息。2023年4月25日，國家發改委向國家電網公司、南方電網公司、內蒙古電力公司下發《關于進一步加強用電監測分析工作的函》，要求加強重點行業用電監測分析，加強對夏季降溫負荷、冬季采暖負荷等重要負荷監測分析。因此，如何分析負荷波動變化原因，實現負荷變化量化歸因是一個具有實踐應用價值的工作。

來源：《中國電力》2024年第8期

引文：邱敏, 周穎, 趙偉博, 等. 基于特征構建的區域電力負荷增長歸因及量化分析方法[J]. 中國電力, 2024, 57(8): 190-205.

《中國電力》2024年第8期刊發了邱敏等撰寫的《基于特征構建的區域電力負荷增長歸因及量化分析方法》一文。文章基于區域級電力電量數據，從特征構建的角度，提出了一種區域電力負荷增長歸因及量化分析方法。首先，利用魚骨圖定性分析影響電力負荷增長的各種因素，確定負荷增長歸因及量化分析方法的研究思路；其次，從數據驅動的角度，構建能夠表征氣象因素、經濟因素和特殊事件的相關指標；然后，對負荷進行分解，提取氣象負荷、自然經濟負荷、業擴負荷、隨機負荷，利用不同負荷增長對總負荷增長的貢獻率來定量表征其對負荷增長的影響程度；最后，基于上述電力負荷增長歸因及量化分析方法構建負荷增長分析模型，并利用西北某2省的電力營銷數據進行算例分析，驗證該分析模型的有效性。

摘要

電力負荷由于受到氣溫、經濟、特殊事件等多種因素及多因素耦合影響，增長成因量化分析困難。同時，目前對于電力負荷研究多集中于預測方面，對負荷增長原因分析較少。通過研究電力負荷數據特征構建方法，提出一種電力負荷增長歸因分析方法。首先，構建氣象相關性指標、基于經濟發展的自然負荷增長指標、基于電力電量修正的產業結構變化指標以及事件趨勢一致性評價指標；在此基礎上，分別提取氣象負荷、自然經濟負荷、業擴負荷、隨機負荷，利用貢獻率量化各因素對負荷增長的影響程度。最后，利用西北某2省的電力電量數據進行驗證，結果顯示所提方法能夠很好地量化負荷增長的原因。

01

負荷增長歸因及量化分析研究思路

電力負荷一般可分為受氣象影響的氣象負荷、受社會經濟發展的基礎負荷和受休息日或特殊事件影響的隨機負荷，即

式中：L為總用電負荷；Lm為受氣象因素影響的季節性波動負荷，主要指夏季由空調等降溫設備產生的降溫負荷和冬季的電采暖負荷；Lt為基礎負荷，受社會經濟發展等因素影響，也稱為趨勢負荷、經濟負荷；A為受休息日或特殊事件影響的隨機負荷。氣溫因素、經濟因素與特殊事件對總負荷變化影響如圖1所示。

圖1  總負荷變化影響因素

Fig.1  Influencing factors of total load change

在圖1中，氣溫主要考慮最高溫度、最低溫度與平均溫度。經濟因素主要考慮產業結構調整、三次產業的增加值與人均消費支出，后兩者均可在政府官網中查詢，特殊事件主要考慮疫情、重要節假日以及常見的周末休息等。

本文提出了負荷增長的量化分析方法，基于氣象負荷、基礎負荷和隨機負荷，分別構建相應的數據指標，定量表征氣溫、經濟、特殊事件3種因素對于負荷變化的影響程度。該負荷增長量化分析研究思路如圖2所示。基于負荷增長原因定性分析，從數據驅動的角度，構建能夠表征這些影響因素的數據指標，主要包括氣象相關性指標、基于經濟發展的自然負荷增長指標、基于電力電量修正的產業結構變化指標、事件趨勢一致性評價指標；基于這些指標對總負荷進行分解后，利用分負荷對總負荷的貢獻率來定量表征其對負荷增長的影響程度。

圖2  基于特征構建的負荷增長量化分析研究思路

Fig.2  Research frame for quantitative analysis of load growth based on feature construction

02

基于特征構建的負荷增長量化分析

基于上述負荷增長歸因及量化分析方法的研究思路，構建負荷增長量化分析模型。該模型量化分析氣象、經濟、特殊事件3種因素對負荷增長的影響，通過貢獻率指標反映每種因素的影響程度。

由式（1）可知，負荷增長變化量可表示為

圖3  負荷增長量化分析模型架構

Fig.3  Architecture of load growth quantitative analysis model

2.1  負荷增長特征構建

2.1.1  特征構建

特征構建需要從原始數據中人為地構建新的特征，這需要大量時間去研究真實的數據樣本，思考負荷增長這一問題在電力大數據中的潛在形式，并將其更好地應用于負荷增長分析模型中。通過洞察和分析，對原始電力大數據進行精細特征構建，提取一系列具有物理意義的相關特征指標，輔助負荷增長分析模型獲得更好的效果。

2.1.2  氣象相關性指標

氣象因素主要包括氣溫、濕度、降雨量等，一般可通過相關性分析來確定氣象因素與負荷的相關性，從而排除相關性較小的因素，簡化分析過程。常用的相關性方法為皮爾遜相關系數法，通過計算變量直接的皮爾遜相關系數大小，從而確定變量之間的相關性強弱。皮爾遜相關系數r為

式中：Xi為變量1第i個樣本數據；為變量1的樣本平均值；Yi為變量2第i個樣本數據；為變量2的樣本平均值；n為樣本數據個數。

考慮到各氣象因素在不同時間存在著不同特性，具有一定的時域特性，對負荷影響程度會發生改變。如在7、8月份高溫天氣下，空調等降溫設備的大量使用會增加電力系統的負荷峰值；在1、2月份寒冷天氣下，電采暖等采暖設備的使用量巨大，同樣會對電力負荷產生影響；而4、5月份天氣涼爽，降溫、采暖設備使用率低，對負荷影響小。因此，本文以月為單位，將分析時段隔開，分別計算每段時間內負荷與各氣象因素的相關性指標，從而分析各氣象因素時域特性對負荷的影響。

2.1.3  基于經濟發展的自然負荷增長指標

經濟因素是影響電力負荷的另一個重要因素，主要包括國家經濟、工業、交通、商業、農業等領域的發展狀況以及居民生活水平、用電需求等方面，其對于電力負荷的影響主要體現在基礎負荷中。同時，業擴報裝作為經濟因素的重要體現，在負荷分析中不可忽略，這里將基礎負荷分解為自然經濟負荷和業擴負荷，分別研究二者對于負荷變化的影響。

自然經濟負荷主要指除去業擴報裝影響外，受到經濟發展影響的負荷，其增長相對穩定。產業增加值和人均消費支出分別作為反映產業發展情況和生活水平的指標，能夠在一定程度上反映電力電量的需求情況，因而可使用這些指標去擬合自然經濟負荷的變化趨勢。本文提出了一種基于經濟發展的自然經濟負荷變化趨勢分析方法，利用產業增加值和人均消費支出推導而來的增長指標對自然經濟負荷的增長情況進行表征。基于經濟發展的自然負荷增長指標a為

式中：k1、k2、k3、k4分別為第一產業、第二產業、第三產業、城鄉居民的用電量占比；W1、W2、W3分別為第一、二、三產業分析期當季產業增加值；分別為第一、二、三產業基準期季度產業增加值；y為分析期人均消費支出；為基準期人均消費支出。

需要注意的是，當用于分析僅相差1個季度時段時（如2季度與1季度），人均消費支出取人均消費支出季度值；當用于分析相差2個及以上季度的時段時（如3季度和1季度），人均消費支出取人均消費支出累計值。

2.1.4  基于電力電量修正的產業結構變化指標

產業結構是指農業、工業和服務業在一國經濟結構中所占的比重，也是體現發展中國家和發達國家之間經濟發展差距的一個重要指標，合理的產業結構是后發國家趕超先發國家，加快經濟發展的必然要求。改革開放之初，中國東部地區依靠自身地理優勢，憑借著特殊的政策優勢，積極承接發達國家產業轉移，產業結構逐步優化，經濟得到迅速發展。但由于缺少承接產業轉移經驗，這種粗放式的承接產業轉移導致東部沿海地區出現產業過度聚焦和環境污染問題。相對于東部沿海地區，中國中西部地區有著資源與勞動力的比較成本優勢，隨著中西部地區基礎設施完善，中西部地區逐漸成為承接產業轉移的首選地區。因此，在分析區域尤其是中西部地區的電力負荷變化時，需要考慮產業轉移帶來的產業結構變化影響。

傳統的產業結構變化指標為Moore指標，可用于反映產業結構變化快慢，其計算式為

式中：Mt為t期Moore產業結構變化值；Wi,t為t期第i產業所占比重。

在傳統產業結構變化Moore指標的基礎上，本文提出一種基于電力電量修正的產業結構變化指標。將式（4）中經濟數據替換為產業負荷數據，考慮到負荷數據是瞬時值而經濟數據是累積值，進一步引入電量進行修正，對負荷與電量分別給予權值，避免瞬時負荷數據引起較大誤差。基于電力電量修正的產業結構變化指標為

式中：為t期Moore產業結構變化指數；α為電量系數；β為負荷系數，α和β取值受對負荷和電量關注程度的影響，取值范圍為0~1，可結合實際應用場景由專家經驗確定；為t期Moore電量結構變化指數；為t期Moore負荷結構變化指數。計算式為

式中：為t期（基準期）第i產業電量所占比重；為t+1期（分析期）第i產業電量所占比重。計算方法與一致，相應數據改為負荷數據即可。

該指標與傳統的Moore指標類似，均是以向量空間中夾角為基礎，將2個時期內2組向量間的夾角作為表示產業結構變化程度的指標。因此，在表征產業結構變化程度時，須對進行反余弦變換以得到夾角值。

定義產業之間變化的Moore夾角θ為

該Moore夾角越大，說明產業結構變化速率越大。

2.1.5  事件趨勢一致性評價指標

對于一些特殊事件，如疫情、重大活動（如奧運會等）、重要節假日（如國慶、春節等）以及常見的周末休息等事件，對于負荷變化的影響往往不可忽略。這些事件往往是抽象的，難以進行量化，因此其是否對負荷變化產生影響常常是通過專家經驗進行判斷，存在很大的誤差。本文提出一種事件趨勢一致性評價指標，用來分析事件與負荷變化的相關程度，具體方法如下。

以自然日為單位，構建2個時間序列A、B，并進行標幺化處理，即當第i個自然日為事件發生日時Ai置1，否則置0；當第i個自然日總負荷增長時Bi置1，降低時置0。利用式（2）中的皮爾遜相關系數r計算A、B數據之間的相關性，r越大，說明該事件對負荷變化的影響越大。事件趨勢一致性評價指標g為

i的取值視特殊事件持續時間設定，g的取值范圍為[?1,1]。參考皮爾遜相關系數的性質，衡量該事件對負荷變化的影響程度時有：0＜|g|＜0.4為低度線性相關；0.4?|g|＜0.7為顯著線性相關；0.7?|g|＜1為高度線性相關。

2.2  基于特征構建的負荷分解

對負荷增長特征進行構建后，參照圖2對總負荷按照影響因素進行分解，為定量分析不同影響因素對負荷增長的影響程度作數據準備。

2.2.1  基于氣象相關性指標的氣象負荷提取

氣象負荷主要指夏季的空調降溫負荷和冬季的電采暖負荷，該部分負荷常常難以直接計算，一般采用基準負荷比較法進行估算。

通常情況下春季和秋季不存在氣象負荷或者氣象負荷很小，因此可選取春季或秋季氣象因素與負荷相關性低的日期為典型工作日，認定為該地區春季無降溫負荷或秋季無采暖負荷的典型工作日，對典型工作日同一行業同一時刻的負荷數據進行平均，得到相應行業相應時刻下春季工作日基線負荷P1為

式中：Pi,2為第i天工作日的負荷；N為總天數。

同理，休息日基線負荷采用休息日的負荷進行計算即可，并通過分析期的實際負荷減去基線負荷即可得到對應的氣象負荷Lm為

式中：L為總負荷；P為對應的工作日基線負荷或休息日基線負荷。

2.2.2  基于自然負荷增長指標的基礎負荷

基礎負荷可分為受經濟發展影響的自然經濟負荷和業擴報裝所引起的新增負荷2部分。

自然經濟負荷P2可根據基于經濟發展的自然負荷增長指標a得到，即

式中：P3為上一季度平均負荷。

業擴報裝所產生的業擴負荷為已知數據，無須進行計算。

2.2.3  隨機負荷

隨機負荷主要指受休息日或特殊事件影響的負荷，該部分負荷通常被作為隨機誤差項進行處理。然而，實際上該部分負荷在重要節假日、疫情、極端天氣等特殊事件的影響下，有時數值并非很小，因此在進行負荷分析時需要考慮該部分負荷。但由于該部分負荷具有隨機性，需要通過計算發生事件時的總負荷與事件發生前的總負荷的差值進行估算，即

式中：A為事件引起的隨機負荷變化值；L1為事件發生前的負荷；L2為發生該事件時的負荷。

2.3  量化歸因

貢獻率可用于表征在負荷增長過程中，各項分負荷的變化程度，從而體現出各類影響因素對于負荷增長的作用程度。該指標的核心思想為分量變化值/總變化值，可通過該指標的大小反映出氣象、經濟和特殊事件對于負荷增長的影響程度。在對總負荷完成分解之后，根據所得氣象負荷、自然經濟負荷、業擴負荷和隨機負荷的變化值可得到對應的貢獻率，從而定量分析氣象、經濟、特殊事件對于負荷增長的影響，對負荷增長進行量化歸因。各類負荷的貢獻率計算方法如下。

1）氣象負荷貢獻率η1為

式中：L為氣象負荷增加值；L為總負荷增加值。

2）自然經濟負荷貢獻率η2為

式中：P2為自然經濟負荷增加值。

3）業擴負荷貢獻率η3為

式中：P4為業擴負荷增加值。

4）隨機負荷貢獻率η4為

03

算例分析

3.1  數據說明

本文采用西北區域1、區域2實際收集的負荷數據和氣象數據，對所提方法進行驗證。其中，算例1分析時長為1個季度，用于驗證本文所提方法在較短時段內的適用性。該算例負荷數據主要包括2022年區域1、區域2全年負荷數據；氣象數據主要包括負荷數據相對應的日最高溫度、最低溫度、平均溫度、平均風速等。考慮到氣象負荷主要集中在夏季和冬季，而冬季往往存在跨年問題，因此選取4~7月初作為分析區間，以7月最大負荷發生時刻負荷增長歸因為目標展開分析。算例2分析時長為3年，用于驗證本文所提方法在較長時段內的適用性。該算例負荷數據主要包括2020年至2023年7月區域1負荷數據，氣象數據維度與算例1相同，以2023年7月最大負荷發生時刻的負荷增長歸因為目標展開分析。結合實際數據對本文構建的負荷增長特征指標進行算例分析，基于這些指標對總負荷進行分解后，利用貢獻率明確各因素對負荷增長的影響程度。

3.2  算例1

3.2.1  基于氣象相關性指標的氣象負荷計算

不同月份氣象因素與負荷的相關性存在較大差異，這里通過計算最高溫度、最低溫度、平均溫度、平均風速4個氣象因素與負荷的相關性，分析相關性的時域特性，從而確定氣象負荷的基線負荷選取日期，并計算氣象負荷數值。具體流程如圖4所示。

圖4  基于氣象相關性指標的氣象負荷分析流程

Fig.4  Flow chart of meteorological load analysis based on meteorological correlation index

1）區域1氣象負荷計算。區域1最大用電負荷與4個因素的相關性如表1所示。

表1  2022年區域1氣象因素與最大用電負荷相關性

Table 1  Correlation between meteorological factors and maximum electricity load in area 1 in 2022

根據表1，風速與負荷之間相關性弱，可忽略；溫度與負荷相關性存在明顯時域特性。7月和8月相關性較其他月份更加顯著，表明這2個月氣象負荷數值大，對總負荷作用顯著。3月和4月氣象相關系數均偏低，表明這2個月氣象負荷數值小。根據2.2.1節，結合季節因素，選擇4月作為基線負荷選取日期。

根據式（9）可得，2022年區域1工作日全社會用電負荷、第一產業、第二產業、第三產業以及居民用電基線負荷如圖5所示。

圖5  2022年區域1工作日基線負荷曲線

Fig.5  Baseline load curves of working days in area 1 in 2022

2022年區域1休息日全社會用電負荷、第一產業、第二產業、第三產業以及居民用電基線負荷如圖6所示。

圖6  2022年區域1休息日基線負荷曲線

Fig.6  Baseline load curves of holidays in area 1 in 2022

4月份區域1最大負荷時刻為2022-04-02 T19:45，7月份最大負荷時刻為2022-07-09 T16:45，負荷增長萬kW，根據式（10）與圖6可得2022-07-09 T16:45時的氣象負荷增長Lm為820.52萬kW。

2）區域2氣象負荷計算。區域2最大用電負荷與4個氣象因素的相關性如表2所示。

表2  2022年區域2氣象因素與最大用電負荷相關性

Table 2  Correlation between meteorological factors and maximum electricity load in area 2 in 2022

根據表2，區域2風速與負荷之間的相關性同樣較弱，可忽略；溫度與負荷相關性存在明顯的時域特性。3、4、6、7、10和11月等跨季節月份相關性較其他月份更加顯著，表明區域2負荷受氣象因素影響較強。其中，5月氣象相關系數均偏低，表明該月氣象負荷數值小。根據2.2.1節，結合季節因素，選擇5月作為基線負荷選取日期。

根據式（9）可得，2022年區域2工作日全社會用電負荷、第一產業、第二產業、第三產業以及居民用電基線負荷如圖7所示。

圖7  2022年區域2工作日基線負荷曲線

Fig.7  Baseline load curves of working days in area 2 in 2022

2022年休息日區域2全社會用電負荷、第一產業、第二產業、第三產業以及居民用電基線負荷如圖8所示。

圖8  2022年區域2休息日基線負荷曲線

Fig.8  Baseline load curves of holidays in area 2 in 2022

4月份區域2最大負荷時刻為2022-04-01 T20:15，7月份最大負荷時刻為2022-07-01 T16:15，負荷增長610.33萬kW，根據式（10）與圖7可得2022-07-01 T16:15時的氣象負荷增長Lm為504.76萬kW。

3.2.2  自然經濟負荷增長分析

基于省政府及國家統計局公布的經濟指標數據，分別計算區域1和區域2的自然經濟負荷增長指標，并提取總負荷增長量中的自然經濟負荷增長分量。

由于分析區間為4月至7月初，可看作2022年1季度與2季度。2.1.3節中式（3）所用數據如表3所示。

表3  2022年區域1與區域2第1、2季度三次產業的產業增加值與人均消費支出情況

Table 3  Industrial added value and per capita consumption expenditure of the third industry in the first and second quarters of area 1 and area 2 in 2022

1）區域1自然經濟負荷增長量。區域1第一產業用電量占比為0.36%，第二產業用電量占比為63.03%，第三產業用電量占比為22.10%，城鄉居民用電占比為14.51%，可得自然增長指標a為7.75%。因此，區域1自然經濟負荷增長量可由式（11）推導得1804.17×7.75%=139.91萬kW。

2）區域2自然經濟負荷增長量。區域2第一產業用電量占比為2.36%，第二產業用電量占比為52.06%，第三產業用電量占比為30.43%，城鄉居民用電占比為15.15%，可得自然增長指標a為7.86%。因此，區域2自然經濟負荷增長量可由式（11）推導得1317.47×7.86%=103.59萬kW。

3.2.3  產業結構變化分析

考慮到產業結構變化一般時間較長，這里將分析時段選為2022年1月至2022年7月初。以式（5）中α和β均取0.5為例，實際運用時可根據對負荷和電量的重視程度給予合適權重。

1）區域1產業結構變化分析。根據2.1.4節，區域1產業結構變化值夾角θ如圖9所示。可以看出，區域1產業結構夾角值在2左右波動，但在5月份產業結構出現明顯變化，產業結構變化值接近6。

圖9  區域1產業結構變化值夾角變化趨勢

Fig.9  The change trend of the included angle of industrial structure change value in region 1

結合實際數據，區域1各產業的變化情況如圖10所示。5月份該區域第二產業最大負荷占比下降近7%，引起產業結構發生變化。

圖10  2022年1—7月區域1負荷與電量占比變化情況

Fig.10  Changes in the proportion of load and electricity in area 1 from January to July 2022

2）區域2產業結構變化分析。根據2.1.4節，區域2產業結構變化值夾角θ如圖11所示。可以看出，區域2產業結構夾角值在2左右波動，但在3月份和6月份產業結構出現明顯變化。

圖11  區域2產業結構變化值夾角變化趨勢

Fig.11  The change trend of the included angle of industrial structure change value in area 2

結合實際數據，區域2各產業的變化情況如圖12所示。3月該區域第二產業最大負荷占比上升近4%，6月該區域第二產業電量占比下降近7%，引起產業結構發生變化。

圖12  2022年1—7月區域2負荷與電量占比變化情況

Fig.12  Changes in the proportion of load and electricity in area 2 from January to July 2022

由區域1和區域2產業結構變化情況分析可以驗證，本文提出的產業結構變化指標能夠從電量和負荷2方面對產業結構變化進行刻畫，指標對產業結構變化的敏感性較高。

3.2.4  事件趨勢一致性評價分析

分析期與基準期均位于疫情期間，且無重大活動或極端天氣發生，這里僅考慮休息日的影響。通過式（8）獲取表征事件發生和負荷變化的2個時間序列A、B后，計算序列A與序列B的相關系數結果如表4所示。

表4  休息日與日負荷增長g值

Table 4  The correlation value g between holidays and daily load growth

根據表4，區域1用電負荷與休息日相關系數絕對值普遍低于0.4，相關性較弱。但在2月和6月相關系數絕對值大于0.4，呈現出顯著相關性。同樣地，區域2用電負荷與休息日相關系數絕對值普遍低于0.4，相關性較弱，但在1月、3月、6月度冬/度夏期間相關性系數相較于其他月份同樣偏高。結合經驗分析，一般2月份采暖負荷逐漸減少，6月降溫負荷逐漸增長，表明休息日對于氣象負荷存在一定影響。

3.2.5  負荷增長量化歸因

1）區域1負荷增長量化歸因。根據3.2節可知，區域1在所選取的分析區段內最大負荷發生在7月9日，增長量L=1028.31萬kW，氣象負荷增長L=820.52萬kW，自然經濟負荷增長量139.91萬kW。對于業擴負荷，7月與4月區域1業擴負荷差值22.59萬kW。考慮休息日的影響，由于7月9日為周六，根據式（12）可得休息日引起的負荷增長A=50.34萬kW。因此，計算基于貢獻率的區域1負荷增長量化歸因情況如表5所示。

表5  基于貢獻率的區域1負荷增長量化歸因情況

Table 5  Quantitative attribution of load growth in area 1 based on contribution rate

2）區域2負荷增長量化歸因。根據3.2節可知，區域2在所選取的分析區段內最大負荷發生在7月1日，增長量L=610.33萬kW，氣象負荷增長L=504.76萬kW，自然經濟負荷增長量103.59萬kW。對于業擴負荷，7月與4月區域2業擴負荷差值7.77萬kW。考慮休息日的影響，7月1日為周五，無休息日影響，即A=0。因此，計算基于貢獻率的區域2負荷增長量化歸因情況如表6所示。

表6  基于貢獻率的區域2負荷增長量化歸因情況

Table 6  Quantitative attribution of load growth in area 2 based on contribution rate

雖然各類負荷貢獻率之和與理論值100%有所不同，但其差值在可接受范圍之內，該問題主要由于各類負荷解耦不充分，仍存在一定交叉，如業擴報裝產生的負荷與氣象負荷、自然經濟負荷均可能存在重疊部分，自然經濟負荷與氣象負荷也可能存在重疊部分等。

在表5和表6中，區域1和區域2負荷增長的主要原因均是氣象負荷增長顯著，即氣象因素是引起區域1和區域2負荷增長的主要因素。由于分析區段位于夏季，天氣炎熱，空調等氣象負荷增長顯著，該分析結論符合客觀事實，從而驗證了本文所提負荷增長分析模型的有效性。

3.3  算例2

3.3.1  氣象負荷變化分析

不同于算例1，算例2分析周期延伸至3年，從長期負荷分析角度對本文方法進行驗證。本算例分析目標為2020年7月區域1最大負荷（即2020-07-09 T16:15）至2023年7月最大負荷（即2023-07-12 T13:15）增長量化歸因。所選時期均位于夏季，故須分別計算2個時期的氣象負荷。

1）2020年區域1氣象負荷計算。2020年區域1負荷與氣象因素相關性情況如表7所示。

表7  2020年區域1氣象因素與最大用電負荷相關性

Table 7  Correlation between meteorological factors and maximum electricity load in area 1 in 2020

根據表7，2020年5月區域1各氣象指標與負荷相關系數均偏低，表明該月氣象負荷數值小。根據2.2.1節，結合季節因素，可選擇5月作為基線負荷選取日期。

根據式（9）可得，2020年區域1工作日全社會用電負荷、第一產業、第二產業、第三產業以及居民用電基線負荷如圖13所示。

圖13  2020年區域1工作日基線負荷曲線

Fig.13  Baseline load curves of working days in area 1 in 2020

2020年休息日區域1全社會用電負荷、第一產業、第二產業、第三產業以及居民用電基線負荷如圖14所示。

圖14  2020年區域1休息日基線負荷曲線

Fig.14  Baseline load curves of holidays in area 1 in 2020

2020年7月區域1最大負荷時刻為7月9日16:15，根據式（10）與圖13可得7月9日16:15氣象負荷Lm=556.12萬kW。

2）2023年區域1氣象負荷計算。2023年區域1負荷與氣象因素相關性情況如表8所示。

表8  2023年區域1氣象因素與最大用電負荷相關性

Table 8  Correlation between meteorological factors and maximum electricity load in area 1 in 2023

根據表8，2023年4月區域1各氣象指標與負荷相關系數均偏低，表明該月氣象負荷數值小。根據2.2.1節，結合季節因素，可選擇4月作為基線負荷選取日期。

根據式（9）可得，2023年區域1工作日全社會用電負荷、第一產業、第二產業、第三產業以及居民用電基線負荷如圖15所示。

圖15  2023年區域1工作日基線負荷曲線

Fig.15  Baseline load curves of working days in area 1 in 2023

2023年休息日區域1全社會用電負荷、第一產業、第二產業、第三產業以及居民用電基線負荷如圖16所示。

圖16  2023年區域1休息日基線負荷曲線

Fig.16  Baseline load curves of holidays in area 1 in 2023

2023年7月區域1最大負荷時刻為7月12日13:15，根據式（10）與圖14可得7月9日16:15氣象負荷Lm=萬kW。因此，氣象負荷增長L為萬kW。

3.3.2  自然經濟負荷變化分析

算例2經濟數據獲取途徑與算例1相同。由于分析區間為2020年7月初至2023年7月初，可看作2020年2季度與2023年2季度。2.1.3節中式（3）所用數據如表9所示。

表9  2020年與2023年區域1第2季度三次產業的產業增加值與人均消費支出情況

Table 9  Industrial added value and per capita consumption expenditure of the third industries in the second quarters of area 1 in 2020 and 2023

區域1第一產業用電量占比為0.86%，第二產業用電量占比為56.50%，第三產業用電量占比為20.08%，城鄉居民用電占比為22.56%，可得自然增長指標a為28.16%。因此，區域1自然經濟負荷增長量可由式（11）推導得1480.68×28.16%=417.03萬。

3.3.3  長周期產業結構變化分析

由于算例2選取時間較長，這里以季度為組分析產業結構變化，式（5）中α和β均取0.5為例。

根據2.1.4節，區域1產業結構變化值夾角θ如圖17所示。可以看出，區域1產業結構夾角值在2020年4季度至2021年1季度明顯上升，在2021年2季度至3季度顯著下降，而后逐漸趨于穩定。

圖17  區域1產業結構變化值夾角季度變化趨勢

Fig.17  The quarterly change trend of the included angle of the industrial structure change value in the area 1

結合實際數據，區域1各產業的變化情況如圖18所示，2020年4季度至2021年1季度該區域第三產業用電量占比下降超過5%，2021年2季度至2021年3季度該區域第三產業最大負荷占比下降近14%，引起產業結構發生變化。

圖18  2020年7月至2023年7月區域1負荷與電量占比變化情況

Fig.18  Changes in the proportion of load and electricity in area 1 from July 2020 to July 2023

3.3.4  長周期事件趨勢一致性評價分析

分析期與基準期跨度較大，且無重大活動或極端天氣發生，這里考慮以季度為組分析休息日的影響。通過式（8）獲取表征事件發生和負荷變化的2個時間序列A、B后，計算序列A與序列B的相關系數結果如表10所示。

表10  2020年第3季度至2023年第2季度區域1休息日與日負荷增長g值

Table 10  The correlation value g between holidays and daily load growth from the second quarter of 2020 to the second quarter of 2023

根據表10，區域1用電負荷與休息日相關系數絕對值普遍低于0.4，相關性較弱。但在2020年3季度和2023年2季度相關系數明顯高于其他季度，推測可能是由于其他季度新冠疫情防控力度較這2個季度更為強力所導致。

3.3.5  負荷增長量化歸因分析

根據3.2節可知，區域1在所選取的分析區段最大負荷增長量L=1441.58萬kW，氣象負荷增長L=1004.41萬kW，自然經濟負荷增長量417.03萬kW。對于業擴負荷，由于數據限制，未獲取該分析時段內業擴數據，暫取零處理，即0。考慮休息日的影響，由于2020年7月9日和2023年7月12日均為工作日，無休息日影響，即A=0。因此，計算基于貢獻率的區域1負荷增長量化歸因情況如表11所示。

表11 2020年7月至2023年7月區域1負荷變化量化歸因

Table 11  Quantitative attribution of load changes in area 1 from July 2020 to July 2023

雖然各類負荷貢獻率之和與理論值100%有所不同，但其差值在可接受范圍之內。其中，算例1由于各類負荷解耦不充分，仍存在一定交叉，故各類負荷貢獻率之和超過100%；算例2則是受限于數據原因，未考慮業擴影響，故各類負荷貢獻率之和低于100%。

04

結論

本文提出了一種基于電力數據特征構建的電力負荷增長歸因及量化分析方法，利用魚骨圖定性分析影響電力負荷的各種因素，結合實際采集的電力電量數據，構建了能夠表征氣象因素、經濟因素和特殊事件的相關指標。通過對總負荷進行分解，提取氣象負荷、自然經濟負荷、業擴負荷、隨機負荷，利用不同負荷增長對總負荷增長的貢獻率，定量表征其對負荷增長的影響程度，得出如下結論。

1）該負荷增長特征構建方法能夠精細化表征氣象因素、經濟因素和特殊事件對負荷變化產生的影響。

2）從自然經濟增長的角度，提出了一種基于經濟發展的自然負荷增長指標，利用產業增加值和人均消費支出對自然經濟負荷的增長情況進行表征。

3）考慮產業結構對負荷的影響，提出了一種基于電力電量修正的產業結構變化指標，從不同產業電力電量所占比重的角度分析產業結構變化。

4）考慮到特殊事件對負荷的影響，通過構建事件趨勢一致性評價指標來表征事件和負荷波動的關聯關系。

5）利用西北2個區域的電力電量數據分別進行了較短周期和長周期算例驗證。本文的分析思路和方法也適應于其他區域的負荷增長成因分析。

本文提出的負荷增長量化歸因分析方法對于氣象負荷以及隨機負荷均采用了估算方法，后續可進一步探究更為精準的計算方法。同時，對于業擴報裝產生的負荷與基礎負荷、氣象負荷、隨機負荷解耦并不充分，仍存在部分重疊，因此對于該部分的負荷解耦，確保其能夠被有效量化是后續研究需要解決的問題。此外，在不同時間尺度上各影響因素的權重如何分配也是后續研究的重點。