基于風險預警的銀川市用電負荷氣象服務指標

肖云清 ，程瑤 ，馬少軍 ，?，任柏帆 ，趙騰

（1.中國氣象局旱區特色農業氣象災害監測預警與風險管理重點實驗室,寧夏 銀川 750002；2.銀川市氣象局,寧夏 銀川 750002；3.中國電信股份有限公司寧夏分公司,寧夏 銀川 750002）

0 引言

電力能源是銀川市用量最高的清潔能源之一。隨著經濟的飛速發展，城鄉居民生活水平的提高，用電量節節攀升，而氣象條件在用電安全方面的影響也越來越大[1]，特別是近年來我國因雨雪冰凍、高溫干旱、雷電、霧霾以及臺風等災害性天氣對用電安全造成的損失約占70%[2]。電力負荷分析及用電氣象風險區劃是氣象為電力服務的技術準備，關系到電力工業的規劃和建設。因此，對于銀川市用電氣象風險的研究具有重要的現實意義。

目前，國內外學者已對用電負荷與氣象因素之間的關系及其預測方面開展了相關研究。徐亮亮等[3]、杜彩月等[4]、陳瀟瀟等[5]均發現城區溫度是影響用電量的主要氣象因子，特別是夏季用電量對氣溫變化的反應更加敏感，而呂錕等[6]發現除了溫度，相對濕度和日照時數對用電量的影響也較為顯著，胡江林等[7]更是指出在25～28 ℃時氣溫對用電負荷變化最敏感。呂錕等[6]發現日最大用電負荷出現在上午，而徐亮亮等[3]和盧山等[8]發現日最大用電負荷出現在11 時和20 時左右。任文義等[9]發現與城市不同，農村地區降水是影響用電量的主要因子。在用電負荷預測方面，郭崇蘭等[10]和趙娜等[11]分別采用灰色關聯度和溫濕指數來研究用電量的變化情況；陳海燕等[12]采用以氣溫為基礎的降溫負荷評估方程來預測用電情況，陳正洪等[13]建立了最大用電負荷氣象預測模型，李艷等[14]基于逐步回歸和SVR 方法建立了日最大電力負荷預測模型，李丹等[15]基于分時分區精細化氣象數據，研發一套地區電網短期負荷智能預測系統，汪付華等[16]運用相關分析、多元回歸分析和曲線擬合等方法，建立了基于經濟指標的趨勢負荷預測模型，薛陽等[17]更是提出了一種新型熱氣候指數-最大信息系數(UTCI-MIC)與振幅壓縮灰色模型，其準確率可達96.91%。田心如等[18]基于機器學習隨機森林算法對用電和氣象因素之間的關系擬合較好，武輝芹等[19]發現廣義相加模型在日最大電力負荷的預測上優于逐步回歸和多元線性回歸。吳旭等[20]利用氣象指標與氣象負荷建立了疫情期間南京市負荷預測模型。

以上研究發現，各地氣象因子與用電量或用電負荷均有相關關系，但各地的氣候特點不同，用電方式不同，相關關系各有其特點。銀川市用電負荷逐年增加，但有關氣象因子對用電負荷影響的研究較少，故本文基于風險預警的方法對銀川用電負荷氣象服務指標進行分析研究和界定，通過分析銀川市用電負荷與氣象因子的相關關系，找到銀川市用電負荷氣象風險的關鍵因子，分析各致災因子對電力指標的影響，以風險預警指標為依據，對銀川市用電負荷氣象服務指標進行研究分析，以期為電力部門提供更精細化、專業化、基于氣象風險的服務產品，為銀川市電力調度、運行安排等提供科學的依據。

1 資料與方法

1.1 資料說明

本文所用資料：（1）氣象數據：銀川市區域內2014～2020 年1 個國家氣象觀測站和22 個具有代表性的區域氣象自動站經過地面數據質量控制標準規范修訂后的氣象數據（降水、氣溫、極大風速、天氣現象等），數據來源于寧夏氣象綜合數據庫管理系統；（2）基礎地理信息資料：1∶25 萬縣界圖來自國家基礎地理信息中心。地形數據來源于美國國家航空航天局（NASA）發布的30 m 和90 m 空間分辨率的NAS-0A ASTER GDEM2 數據集；（3）災情資料：銀川市2014～2020 年各災種的災情資料，來源于銀川市氣象局、銀川市供電局、銀川市市政管理局等災情統計；（4）用電負荷資料，來源于銀川市供電局。

1.2 技術方法

1.2.1 災害風險模型

根據學者研究，由氣象災害發生的危險性、災害發生區域的敏感性、災害發生區域的易損性、災害發生區域的防災抗災能力4 個因子構成氣象災害風險模型。氣象災害風險指數定義為[21]：

其中 FDRI為氣象災害風險指數，其數值越大，發生災害風險程度越高；Ve、Vh、Vs、Vr分別為敏感性、危險性、易損性和防災抗災能力；We、Wh、Ws、Wr分別為4 個評價因子的權重。

1.2.2 層次分析法

層次分析法（AHP）將與決策有關的元素分解成目標、準則、方案等層次，在此基礎之上進行定性及定量分析。按總目標、各層次目標、評估指標順序分解為不同層次結構，每個層次結構中都有若干影響因素，根據劃分的評估指標，計算每個影響因素的風險隸屬度，進一步構建用于計算各因素權重，最后再加權計算各元素對總目標的最終權重。經歸一化后便得到同一層次相應因素對于上一層次某因素相對重要性的權值。完成權重向量的計算后，必須進行一致性檢驗。一致性指標為[21]：

當 CI=0，有完全的一致性；CI接近于0，有滿意的一致性；CI越大，不一致性越嚴重。

1.2.3 加權評價法

根據各指標的重要性，賦予其不同的權重，以指標乘以權重后相加，獲得評價得分。[21]

式中：

Wi——不同評價因子的權重；

Xi——不同評價因子；

Y ——評價指數。

1.2.4 百分位法

如果將一組數據從小到大排序，并計算相應的累計百分位，則某一百分位所對應數據的值就稱為這一百分位的百分位數?？杀硎緸椋阂唤M n個觀測值按數值大小排列。如，處于 p %位置的值稱第 p百分位數。計算步驟為[21]：

1）以遞增順序排列原始數據（從小到大排列）。

2）計算指數 i=n·p%。

3）若 i不是整數，將 i 向上取整。大于 i的毗鄰整數即第 p 百分位數的位置；若 i 是整數，則第 p百分位數是第 i 項與第（i+1）項數據的平均值。

1.2.5 歸一化計算方法

為消除各影響指標因子間的量綱及數量級差異，對每個評價因子進行歸一化處理[21]，即：

式中：

y ——指標因子的歸一化值；

x ——指標因子的原值；

max x ——指標因子的最大值；

min x ——指標因子的最小值。

1.2.6 GIS 空間分析方法

本項目使用ArcGIS 空間分析模塊中的內插分析、柵格計算、掩膜提取、自然斷點分級等方法完成銀川市用電災害風險評估計算及風險區劃圖繪制。其中內插分析采用反距離加權插值法（IDW）進行[21]。

1.2.7 相關系數分析法

相關分析是統計兩個或兩個以上的隨機變量間的相關程度的分析方法。本文采用Jarque-Bera 檢驗[22]（Jarque and Bera,1987）方法，對統計數據是否符合正態分布的偏度和峰度的擬合優度進行檢驗，結果發現僅氣溫三要素服從正態分布，故本文采用斯皮爾曼相關系數 (Spearman)[23]來確定氣象因子對用電負荷的影響程度。

1.2.8 線性回歸方程建立

一元回歸方程如下[21]：

式中：

k——斜率；

b——截距。

2 電力負荷與氣象要素的相關性分析

分析了電力負荷的變化特征，電力負荷與氣溫、濕度、蒸發量、風速等相關關系，發現溫度為影響銀川用電的主要氣象因子，特別是夏季用電負荷對氣溫變化的相關性較為明顯。

2.1 電力負荷的變化特征

1）用電負荷年變化

影響用電量長期變化的因素很多，主要貢獻有3 個方面：社會經濟的發展（經濟負荷）、環境因素項（主要為氣象要素）和隨機項[7]。近年來，銀川市經濟增長速度加快，如圖1 所示，2017 年1 月1 日至2020年7 月20 日，銀川市的日平均用電負荷隨時間的變化，呈增長趨勢，平均用電負荷每日增加147.1 kW。2）用電負荷月變化

圖1 2017 年1 月1 日至2020 年7 月20 日銀川市日平均用電負荷Fig.1 Daily average electricity load in Yinchuan City from January 1,2017 to July 20,2020

如圖2 所示，通過分析銀川市平均用電負荷、最大用電負荷和最小用電負荷的月變化，可以看出用電負荷在全年波動變化總體有3 次達到峰值，其中高峰出現在11～12 月，次峰值出現在1 月、3 月、6～7 月和10 月。相關研究表明，銀川市近60 a 來實際供暖期基本上統一從每年11 月1 日開始，至次年3 月31 日結束[24]，而1 月、3 月、11～12 月均處于供暖期，10 月處于供暖期的過渡月，這些月份用電負荷的增加可能與居民用電取暖有關；6～7 月為夏季月，此時銀川市最高氣溫在29～30 ℃，用電負荷的增加可能與居民使用空調降溫有關。用電低谷出現在4 月和9 月，是春夏季和夏秋季過渡月，氣溫適宜，不需要空調降溫或取暖，用電負荷較低（與汪付華[16]、程瀟瀟[5]和田心如等[18]研究結果基本一致）。

圖2 2017～2019 年銀川市最大、最小和平均用電負荷月變化Fig.2 Monthly changes in maximum,minimum,and average electricity loads in Yinchuan City from 2017 to 2019

2.2 電力負荷與氣溫的相關性分析

為深入研究氣象因子對用電負荷的影響，計算2017～2019 年最大、最小和平均用電負荷與不同氣象因子（氣溫、濕度、蒸發量、風速等）之間的Spearman相關系數，并選取相關性較好的因子（最高氣溫、最低氣溫和平均氣溫）進一步分析。如圖3 所示，平均用電負荷與氣溫要素相關性最好的月份在7～9 月，呈顯著的正相關，相關系數在大部分年月大于0.5。其中，平均用電負荷與最高氣溫、平均氣溫的相關性在7～8 月較好，甚至在2017 年8 月相關系數大于0.9，與最低氣溫的相關性在7～9 月較好。而在氣溫較低的月份：1 月、3 月、10～12 月，氣溫與平均用電負荷呈負相關關系，但相關性并不顯著，表明供暖期氣溫對于用電負荷的影響相對較小。進一步分析7～9 月的最大、最小和平均用電負荷與氣溫的相關性發現，最大、最小用電負荷與不同氣溫因子的相關性與平均用電負荷類似，7～8 月總體上與氣溫的相關性最好，如表1 所示，呈顯著的正相關。

表1 2017～2019 年7～9 月用電負荷與氣溫相關系數分布Tab.1 Distribution of correlation coefficients between electricity load and temperature from July to September 2017 to 2019

圖3 2017～2019 年平均用電負荷與氣溫的Spearman相關系數Fig.3 Monthly average electricity load and correlation coefficient variation curve with different temperature factors from 2017 to 2019

由此可知，氣溫與用電負荷在7～9 月有著較好的正相關關系，且氣溫越高，用電負荷也越大，氣溫與用電負荷的相關性也越好。比如在7～8 月，氣溫總體偏高，月均最高氣溫在30～31℃，用電負荷也明顯偏大，最大用電負荷達到了2～2.03 MW。故本文選擇高溫天氣（最高氣溫≥35 ℃）為用電氣象風險因子。另外，最高氣溫越高時，高溫出現頻率也會越高，高溫強度越強，在選取危險性指標時，重點考慮高溫強度和頻率做為二級風險因子。

3 用電氣象災害風險模型的確定

3.1 氣象災害風險指數分析

通過相關性分析等方法分析出氣象風險因子為最高氣溫≥35 ℃的高溫天氣，將日最高氣溫≥35 ℃，稱為一次高溫災害。通過收集整理，篩選出銀川市高溫災害天氣過程2014～2019 年銀川市高溫災害天氣共計16 次，2020 年共計4 次。選取國家氣象觀測站和區域自動站共22 站，用于分析計算銀川城區高溫頻率和高溫強度。其他風險因子如：用電氣象風險指數的危險性、脆弱性和易損性指標，是通過數據統計分析結合實地調研走訪、調查問卷、專家打分、網絡查詢等方法確定。

3.2 危險性指標

通過相關性分析及專家問卷調查，確定用電氣象風險的危險性一級指標是日最高氣溫≥35 ℃，危險性二級指標為高溫≥35 ℃強度、高溫≥35 ℃頻率。

3.3 敏感性指標

通過調研走訪、調查問卷、專家打分、網絡查詢等確定用電風險敏感性的一級指標為生活用電、工業用電，二級指標為日用電量、用電負荷。

3.4 易損性指標

通過實地調研、調查問卷、專家打分、網絡查詢等，確定了用電氣象風險易損性一級指標為小區概況，包括小區的人口、綠化面積、新舊等情況，易損性的二級指標為人口密度、小區用電設施等情況。用電氣象風險指標如表2 所示。

表2 用電災害風險指標Tab.2 Risk indicators for power supply disasters

3.5 氣象災害風險指標權重

根據表2 中各指標的重要性，利用專家問卷打分、調查、網絡查詢等方法，賦予表2 中各指標不同的權重，以指標乘以權重后相加，獲得評價得分。各因子權重的確定：設計了高溫對用電的調查問卷模型（問卷內容如圖4 所示），根據相關行業100 名專家問卷調查，每份問卷5 頁內容，通過相關專家選擇回答問卷內容，再根據問卷的結果和統計，確定了主要影響因子及權重，其中權重小于0.01 時，按0 計算，權重為0 的因子省略，得到用電災害風險各指標權重，如表3 所示。

表3 用電災害風險指標權重Tab.3 Weighting of power supply disaster risk indicators

圖4 高溫對用電的影響調查問卷模型Fig.4 Questionnaire model on the Impact of high temperature on power supply

3.6 用電氣象災害風險評價模型的建立

為消除各影響指標因子間的量綱及數量級差異，對每個評價因子進行歸一化處理。利用銀川城區用電致災因子危險性、孕災環境敏感性、承災體脆弱性（易損性）等因子構建銀川市用電氣象風險評估模型，利用層次分析法結合專家打分情況，得出了風險評估模型：

其中F 為用電氣象災害風險指數，其數值越大，發生災害風險程度越高；I1、I4、I3分別為致災因子的危險性、敏感性、易損性，a、b、c 分別為敏感性、危險性、易損性評價因子的權重；危險性因子為高溫強度和高溫頻率兩項，因此評價模型可寫為：

用電氣象災害風險評價模型如下式所示：

式中：

F ——用電氣象風險指數；

I11——高溫強度；

I12——高溫頻率；

I4——日供水量；

I3——人口密度。

按照百分位法確定銀川城區用電氣象風險區劃指數等級劃分標準。計算臨界百分位數（98%、95%、90%、80%、60%），根據不同百分位數臨界值將用電氣象風險致災因子的危險性、敏感性、易損性劃分為5 個等級，如表4 所示，按百分位數，分別計算銀川城區用電氣象風險區劃指數等級，如表5 所示。

表4 用電氣象風險致災因子指數等級Tab.4 Index level of meteorological risk factors causing disasters in power supply

表5 銀川城區用電氣象風險區劃指數等級標準Tab.5 Index level standard for meteorological risk zoning of power supply in Yinchuan urban area

利用 GIS 中的空間分析方法，按銀川城區用電氣象風險區劃指數等級區間，將致災因子危險性、敏感性、易損性圖層按照公式（11）進行圖層計算，并根據表5 所示風險指數等級區間劃分標準，得到銀川城區用電氣象災害風險區劃圖和風險級別，如圖5 所示。

圖5 用電風險區劃圖Fig.5 Power supply risk zoning map

由圖5 可知，銀川市用電氣象風險區劃的高風險區和較高風險區主要在金鳳區，興慶區主要處于中風險地區，西夏區以較低風險和低風險為主。

根據用電風險區劃圖，劃分了風險級別、風險預警顏色、風險指數區間，并根據風險級別的高低提出相應的建議及措施，如表6 所示。

表6 用電氣象風險產品指標Tab.6 Meteorological risk product indicators for power supply

4 結論

1）用電負荷峰值出現在供暖期及過渡期（1 月、3 月、10～12 月）和夏季（6～7 月），低谷出現在4 月和9 月。

2）高溫與用電負荷有很好的正相關關系，7～9月用電負荷與氣溫相關性最好，為顯著的正相關關系。日平均氣溫、最高氣溫、最低氣溫是影響用電負荷的主要的氣象因子，且氣溫越高，氣溫與用電負荷相關性越好。

3）通過實地調研、調查問卷、專家打分、網絡查詢等方法，確定銀川用電氣象風險指數的危險性指標為高溫（≥35 ℃）強度和高溫頻率，脆弱性指標主要為日用電量，易損性指標主要為人口密度。

4）銀川市用電氣象風險區劃中，高風險區和較高風險區主要在金鳳區，而在興慶區主要處于中風險地區，西夏區主要以較低風險和低風險為主。

5）依照用電氣象風險產品指標，并結合用電部門的需求，經過實際調研試用，最后確定用電需采取的合理電力調度和供給策略，用電系統的絕緣、低壓配電裝置、低壓電器檢查等方面給出了用電氣象風險預警（共4 個級別及顏色）防御指南。

項目簡介中國氣象局旱區特色農業氣象災害監測預警與風險管理重點實驗室、寧夏氣象局指令性項目，項目完成銀川市供水、供電、供暖、交通、旅游等基于風險預警的災害災害風險區劃和基于風險預警的服務產品指標，完成銀川市供暖期精細化供暖指數預報，對銀川市區城市內澇風險預警指標進行訂正的優化，并將5 類指標與銀川市城市氣象服務平臺和銀川市葡萄服務平臺進行對接。形成銀川市旅游、銀川市交通、銀川市城市運行保障（供水、供電、供暖）、銀川市城市內澇、釀酒葡萄等五大氣象風險指標并業務化、流程化，利用智能化3級平臺預報預警產品與各類氣象風險預警指標相比對形成檢驗評估機制，自動生成銀川市城市氣象服務平臺相應模塊的預報預警產品，為各行業聯動及決策提供氣象服務產品參考。

項目名稱中國氣象局旱區特色農業氣象災害監測預警與風險管理重點實驗室指令性基金資助項目（CAMP-201918）

承擔單位中國氣象局旱區特色農業氣象災害監測預警與風險管理重點實驗室

項目概述該項目為中國氣象局旱區特色農業氣象災害監測預警與風險管理重點實驗室、寧夏氣象局指令性項目，基于風險預警的銀川市氣象災害風險模型建設，建立氣象災害風險評估模型并完成風險區劃，構建和更新基于風險預警的銀川市氣象服務指標體系。項目完成銀川市供水、供電、供暖、交通、旅游等基于風險預警的災害災害風險區劃和基于風險預警的服務產品指標，完成銀川市供暖期精細化供暖指數預報，對銀川市區城市內澇風險預警指標進行訂正的優化，并將5 類指標與銀川市城市氣象服務平臺和銀川市葡萄服務平臺進行對接。

主要創新點（1）完成了供水、供電、供暖氣象風險模型和風險區劃，完成基于風險的氣象服務指標，自動發布滾動發布銀川市供暖期精細化供暖指數預報及供水、供電、供暖基于風險的氣象服務產品；（2）建立銀川市主要旅游景點氣象風險模型，研發銀川市旅游氣象風險指標，自動發布銀川市旅游景點基于風險預警的氣象服務產品；（3）更新和優化銀川市城市內澇原有氣象風險指標；（4）在天氣預警的基礎上研發對交通有影響的災害性天氣氣象風險預警指標，確定了災害性天氣對交通影響的臨界風險指標，自動生成預警產品。