摘 要：随着经济的快速发展和人民生活水平的不断提高，电力负荷也保持较快的增长，特别是空调使用量的增加对供电可靠性的要求越来越高。本文通过对电力负荷与温度的大数据运用，找出其内在相关性，从而进一步认识和掌握电力负荷的变化规律，更加有针对性的预测夏冬两季电力负荷走势，为居民安全可靠用电提供理论参考。
关键词：空调负荷;负荷特性;可靠用电;电力大数据;负荷预测
暑假，在参加社会实践活动时，我们几个同学奔波在街头热汗淋漓，等好不容易忙完冲回家，却突然发现停电了。我一问其它同学发现他们对家里空调时而因停电带来的生活不便，也都充满了苦恼。于是我产生了对生活用电方面情况进行研究的一个想法。我把想法告诉父亲后，父亲很支持我，说道：知识来源于生活。在他的带领下，通过走访电力用户、收集用电负荷及相关气温数据，分析原因，找出规律，并经过指导科学测算，让我既学到了新的知识，又对数理化学科的书本知识领悟了许多。
夏冬两季是空调运行的高峰期，安全可靠供电对每一个居民来说尤为重要，特别在夏季夜晚更为明显，这就给电力企业安全稳定供电带来了一定的压力。目前，故障跳闸停电、拉闸限电事件时有发生，这样的停电事件哪怕经过短时间的抢修都能恢复，但仍然对居民正常生产生活造成了不可估量的损失。通过此次调查研究结果，方便居民用户及时了解不同季节的电力供需情况，也为电力企业在安全稳定高效规划电力供应方面提供一点参考。
一、分析相关性的方法
为了准确确定温度对电力负荷的影响，有必要分析它们之间的相关性，这主要分为两部分，一部分是温度不敏感负荷，一部分是温度敏感负荷。工业负荷和城乡基本电力负荷是温度不敏感负荷，也就是生产和生活的基本负荷，这部分不受季节天气的影响;温度敏感负荷是冷热负荷，这部分负荷受季节天气的影响很大。相关分析主要基于温度敏感负荷。在描述最大负荷与温度的关系时，分别采用Y、TMAX和Tmin，三者的相关系数用B表示。具体计算如下：
y=a+b（tmax- tmin）
Y是最大负荷，A是温度不敏感的负荷（常数），B是温度敏感系数（常数），Tmax是一天中最高的温度，Tmin是一天中最低的温度;B（Tmax- Tmin）构成温度敏感负荷。计算后，对计算结果B进行了分析，计算值是正的，表明两者正相关，反之亦然。载荷的绝对值越小，预测精度越高。
二、分析过程
（一） 处理数据
因涉及电力企业保密相关要求，本文以湖北省宜昌地区为例，分析了2016年电力负荷和气温资料它们之间的相关性。宜昌电网日负荷曲线可分为峰、平、谷三个部分。夏天峰段通常是7：30-9：30，20：00-22：30，谷段为3：00-6：30，17：00-18：00，其余时间为平段;冬天峰段为8：00-10：00，18：00-21：00，谷段为2：00-7：30，12：00-14：00，其余的时间为平段。
2016年，四季中夏季是用电负荷最大的。宜昌的天气从7月中旬开始，就特别的热，7月25日这天的最高气温达到37.9度，电力负荷持续上升。当日最大电力负荷275.93万千瓦，26日，最大功率负荷为276.64万千瓦，日用电量为5923万度。最大的用电负荷和日用电量已达到历史最高水平。最小的用电负荷与往年是一样的，都出现在二月，因为都赶上春节期间。
本文选择了春夏秋冬四季的典型用电情况，并根据相关负荷和温度绘制曲线如下：
从以上的两幅图以及电力负荷大数据可以总结出，宜昌电力平均负荷约180万千瓦。冬季和夏季的平均负荷较高。春秋季平均负荷相对较小，主要受冷热负荷影响。温度和平均负荷在变化规律上表现出相同的趋势。根据春秋季的平均气温，夏季气温上升最多，平均负荷最大;冬季气温仅在夏季之后下降，所以平均用电负荷要比夏季低，但冬季和夏季的用电负荷明显要高于春季和秋季两个季节。因为它们曲线的形状比较相似，为了判定的准确性，因此需要对它们相关的系数计算出来。
（二） 计算系数
12.5℃是春季和秋季的平均温度，以这个温度作为标准，春季和秋季的平均负荷接近四季180万千瓦的平均负荷（春季173万千瓦，秋季182万千瓦）。计算结果列于下表。
根据上表，可以看出夏季（7月）和冬季（1月）的平均负荷和平均温度相关最大，即当夏季和冬季的平均温度超过12.5摄氏度或低于12.5摄氏度时，平均负荷在180万千瓦的基础上增加2.56万千瓦。对比分析2014年和2015年的结果来保证结果的准确性。对比计算出来的结果跟2016年的结果是一样的。由此可以看出，季节的平均温度是影响平均功率负荷的主要因素。
三、夏季气温变化与电力最大负荷的关系
（一）模型拟合
把最大载荷分为两部分：一种是温度不敏感负荷，一种是温度敏感负荷。以此来更加地确定上述的两种变化，具体的公式如下：
y= a+b（tmax- tmin）
最大负荷是y，温度不敏感负荷是a，温度敏感系数是b，一天中的最高温度是Tmax，一天中的最低温度是Tmin，B（Tmax-Tmin）是温度敏感负荷，是总负荷的关键。
（二）灵敏度分析
根据上述公式，2016年7月和8月温度高于34度的平均当天用电负荷为210万千瓦，即温度不敏感负荷A是常数210。可以计算出最大电力负荷的增加，即灵敏度。具体如下表所示：
单位：负荷/万千瓦，温度/℃
通过大量的数据分析和计算，发现当温度敏感系数B为5.4时，计算得到的最大载荷与实际最大载荷的绝对偏差最小，不超过3，说明该公式符合实际预测情况，即
y=210+5.4 *（tmax -Tmin）
四、结语
由于夏季处于用电高峰期，为了保证供电的可靠性，可以采用数学模型对其进行模拟，有效预测并提前采取相应措施。确保居民用电量最大化。为了保证分析结果的准确性，下一步应继续探索分析判断的方法，优化和改进原有的方法，结合2017年的最新数据，继续利用大数据的优势解决实际问题。
参考文献
[1] 葛斐，荣秀婷，石雪梅，杨欣，李周.基于经济、气象因素的安徽省年最大负荷预测方法研究[J].中国电力，2015（48）.
[2] 赵娜，石玉恒，李乃杰，沈建红.温湿变化对北京城区气象敏感电力负荷的影响分析[J]. 中国电力，2017（50）.
[3] 王德文，孙志伟.电力用户侧大数据分析与并行负荷预测[J].中国电机工程学报，2015（35）.
[4]马瑞，周谢，彭舟，刘道新，徐慧明，王军，王熙亮.考虑气温因素的负荷特性统计指标关联特征数据挖掘[J].中国电机工程学报，2015（35）.
[5] 全思平，吴浩.基于数据挖掘技术的短期电力负荷预测[J]. 电力信息与通信技术，2014（12）.
[6] 江樱，王志强，戴波.基于大数据的居民用电消费习惯研究与分析[J].电力信息与通信技术，2015（13）.
[7] 唐学用，万会江，叶航超，李庆生，钟以林.贵州统调电网典型日负荷特性分析与预测[J].中国电力，2015，48（9）：24-30.
[8] 张玲玲，杨明玉，梁武.微网用户短期負荷预测相似日选择算法[J].中国电力，2015，48（4）：156-160.
[9] 赵慧材，陈跃辉，陈瑞先，彭子扬.结合模糊粗糙集和支持向量机的电力负荷短期预测方法[J].中国电力，2015，48（2）：45-48.
[10] 肖欣，周渝慧，张宁，韩新阳，薛万磊，唐鑫，尹立.城镇化进程与电力需求增长的关系研究[J].中国电力，2015，48（2）：145-149.
[11] 张宇航，邱才明，贺兴，凌泽南，石鑫.一种基于LSTM神经网络的短期用电负荷预测方法[J].电力信息与通信技术，2017，15（9）：19-25.
