研究与开发
|
夏季空调负荷特性研究与预测建模
肖明伟, 夏民, 崔椿洪, 杨乐新, 李佩
国网安徽省电力公司芜湖供电公司,安徽 芜湖 241000
The Research and Predication Model on the Summer Air-conditioning Load’s Characteristic
Xiao Mingwei, Xia Min, Cui Chunhong, Yang Lexin, Li Pei
State Grid Anhui Electric Power Company Wuhu Power Supply Company, Wuhu, Anhui 241000
摘要 夏季空调负荷在总用电负荷中所占的比重越来越大,是产生峰谷差的重要因素本。该负荷主要由行政事业、商业以及居民负荷等三部分组成。本研究统计分析大量行政事业、商业电量、负荷等基础数据,统计分析得出芜湖地区夏季空调负荷、行业空调负荷占比以及最大负荷利用小时数等参数,进而得出夏季居民空调负荷;基于SPSS软件,通过人口、人均可支配收入、修正温度与夏季空调负荷的数学关系建立三元一次线性回归模型,可准确预测未来1~5年夏季空调负荷。
关键词 :
空调负荷 ,
预测 ,
空调占比 ,
最大负荷利用小时数
Abstract :The summer air-conditioning load becomes larger and larger in the proportion of all power load, what is the most important part of the difference between peak and valley. It consists of administrative institutions, commercial and resident load. The research statistically analyzed lots of related basic data, so the summer resident air conditioning load was got. Based on the SPSS software, the model of the three elements linear regression was built by the relationship between the population, the per capita disposable income, the modified temperature and the summer air conditioning load, what can forecast exactly the future summer air conditioning load in one to five years.
Key words :
air conditioning load
forecast
proportion of air conditioning load
maximum load utilization hours
出版日期: 2015-07-20
作者简介 : 肖明伟(1985-),男,工程师、专业师,研究方向为电网规划。
引用本文:
肖明伟, 夏民, 崔椿洪, 杨乐新, 李佩. 夏季空调负荷特性研究与预测建模[J]. 电气技术, 2015, 16(07): 35-39.
Xiao Mingwei, Xia Min, Cui Chunhong, Yang Lexin, Li Pei. The Research and Predication Model on the Summer Air-conditioning Load’s Characteristic. Electrical Engineering, 2015, 16(07): 35-39.
链接本文:
https://dqjs.cesmedia.cn/CN/Y2015/V16/I07/35
[1] 陈谦, 陆杨文, 孙建波, 等. 含有空调的综合电力负荷建模研究[J]. 高电压技术, 2008, 34(4): 759-762. [2] 王治华, 李扬, 赵翠宇, 等. 南京市夏季气温敏感负荷研究[J]. 电力系统自动化, 2002, 26(3): 60-63. [3] 贺春光, 段晓波, 张晶. 电网空调负荷计算及预测[J]. 河北电力技术, 2011, 30(2): 21-23. [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. [5] 施旭军, 金备, 刘文博, 等. 合肥市夏季居民空调降温负荷调查分析[J]. 电力需求侧管理, 2008, 10(4): 27-29, 34. [6] Ruchti T L, Drees K H, Decious G M. Near optimal ice storage controller[J]. EPRI International Conference on Sustainable Thermal Energy Storage.Bloomington: EPRI, 1996: 7-9. [7] Macarthur JW. On-line recursive estimation for load profile prediction[J]. ASHRAE Transactions, 1989, 95(1): 621-628. [8] Simmonds P. A comparison of energy consumption for storage priority and chiller priority for ice-based thermal storage system[J].ASHRAE Transactions, 1994, 100(1): 1746-1753. [9] Ferrano FJ, Wong KV. Prediction of thermal storage loads use a neural network[J]. ASHRAE Trans-actions, 1990, 96(2): 723-726. [10] 邓胡滨, 刘小东, 周洁, 等. 冰蓄冷空调系统运行优化控制[J]. 仪器仪表学报, 2006, 27(7): 743-747. [11] 赵波峰, 文远高, 侯志坚. 一种改进的多元线性回归空调负荷预测模型[J]. 制冷空调与电力机械, 2011, 32(4): 49-51. [12] 张利民, 付红军, 李育燕, 等. 空调降温负荷比例估计及其对电压稳定的影响[J]. 继电器, 2005, 33(22): 33-36, 44.
[1]
刘伟, 杨凯宁. 基于数值天气预报因子扩充和改进集成学习的高寒地区短期光伏功率预测 [J]. 电气技术, 2024, 25(8): 1-10.
[2]
于林鑫, 袁昕, 丁国华, 盛肖炜, 费连越. 基于模型预测锁相环的永磁同步电机转子位置估计方法 [J]. 电气技术, 2024, 25(8): 18-26.
[3]
李智轩, 李嘉丰, 叶晓华, 熊显智, 李天泽. 基于Copula函数与多目标进化算法的负荷区间预测 [J]. 电气技术, 2024, 25(6): 24-30.
[4]
严璐晗, 林培杰, 程树英, 陈志聪, 卢箫扬. 基于增量学习的CNN-LSTM光伏功率预测 [J]. 电气技术, 2024, 25(5): 31-40.
[5]
万庆祝, 于佳松, 佟庆彬, 闵现娟. 基于Bo-BiLSTM网络的IGBT老化失效预测方法 [J]. 电气技术, 2024, 25(3): 1-10.
[6]
马君, 万俊杰. 基于健康特征筛选与GWO-LSSVM的锂电池健康状态预测 [J]. 电气技术, 2024, 25(2): 37-44.
[7]
罗强, 黄玉磊, 颜俊, 自越华, 徐天奇. 基于变分模态分解和极限学习机的换流站直流极线光学电流测量装置误差预测 [J]. 电气技术, 2024, 25(11): 1-9.
[8]
刘伟, 王洪志. 基于改进注意力机制的时间卷积网络-长短期记忆网络短期电力负荷预测 [J]. 电气技术, 2024, 25(10): 8-14.
[9]
肖海峰, 许宇豪, 李文真, 宁大龙, 马昭. 五相永磁同步电机串级模型预测电流控制 [J]. 电气技术, 2023, 24(8): 1-11.
[10]
林旗斌. 基于模型预测控制的含压缩空气储能微能网多时间尺度优化调度方法 [J]. 电气技术, 2023, 24(7): 11-19.
[11]
刘伟, 刘磊. 基于电流预测及谐波抑制的双三相永磁同步电动机容错控制研究 [J]. 电气技术, 2023, 24(7): 20-25.
[12]
刘伟, 刘浩民. 改进的脉振高频注入永磁同步电动机无传感器控制 [J]. 电气技术, 2023, 24(6): 6-12.
[13]
杨戈辉, 赵桐浠, 姚鑫, 张万起, 孟令宇. 基于健康指数和非等间隔灰色预测的重载铁路牵引变压器状态评估方法 [J]. 电气技术, 2023, 24(11): 10-17.
[14]
龚丹丹. 基于VMD-ICOA-BiLSTM混合模型的日前电价预测 [J]. 电气技术, 2023, 24(11): 28-34.
[15]
李华取, 和珮珊, 吴滇宁, 周娜. 基于日前电价预测的梯级水电厂报价策略 [J]. 电气技术, 2022, 23(9): 40-47.