技术领域
[0001] 本发明属于电网技术领域，具体涉及一种电网高负荷事件天气过程判定及预警方法。
相关背景技术
[0002] 电力负荷是工农业、企业、交通运输、科学研究机构、文化娱乐和人民生活等各种电力用户用电设备在某一时刻或一段时间内向电力系统取用的电功率总和。气温、湿度、气压、降雨等气象条件变化会影响用电负荷及电量需求，尤其是夏季制冷、冬季取暖时期，对电网电力电量平衡有重要影响。冬季气温越低，取暖负荷逐渐增加，夏季气温越高，制冷负荷增加，以气温为主的气象要素是影响用电需求的重要气象因子。以最高气温为例，从28℃到35℃，随着温度的升高，负荷急剧增长，灵敏度超过400万千瓦/℃，负荷预测精准度严重影响电力调度决策。电网高负荷事件主要指在发生持续高温天气条件下，电网用电负荷明显增加并可能破历史纪录的情况，目前对于电网高负荷事件无明确判定方法，无法准确的对高负荷事件进行预警因此如何克服现有技术的不足是目前电网技术领域亟需解决的问题。
具体实施方式
[0021] 下面结合实施例对本发明作进一步的详细描述。
[0022] 本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。实施例1
[0023] 一种电网高负荷事件天气过程判定及预警方法，包括如下步骤：第一步，采集历史待判定地区电网各地市逐小时负荷数据及对应时间的气象数据，形成样本；
第二步，考虑高温在负荷中的重要影响，初步筛选最高气温在25℃以上的样本，形成负荷‑气象要素数据库；
第三步，从第一步采集的数据中获取每日的日最大负荷，然后分别计算待判定地区电网各地市每年的日最大负荷的平均值，设定4个阈值区间进行判定：
0＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值20%；
该年该地市的日最大负荷的平均值20%＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值40%；
该年该地市的日最大负荷的平均值40%＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值60%；
日最大负荷‑该年该地市的日最大负荷的平均值＞该年该地市的日最大负荷的平均值60%；
4个阈值区间代表不同高负荷事件级别，依次为一级高负荷事件、二级高负荷事件、三级高负荷事件、四级高负荷事件；
依据4个阈值区间对负荷‑气象要素数据库中的样本进行筛选，筛选符合各个阈值区间判定条件的样本，并对该样本进行标注，标注上对应的高负荷事件级别；
第四步，以第三步筛选得到的样本的气象数据作为输入，以对应的高负荷事件级别作为输出，对XGBoost模型进行训练；在进行训练时，会得到所有气象数据类型的重要性排序，选取重要性排序前K的气象数据类型；以选取的气象数据类型对应的气象数据重新作为输入，以对应的高负荷事件级别作为输出，对XGBoost模型进行训练，得到各地市高负荷事件预测模型；
第五步，采集的待预测日期的各地市气象数据输入到第四步所获得的对应模型中，得到各地市的当前的高负荷事件级别；
对于待判定地区电网，假设某省共n个地市，当至少⌊n/2⌋+1个地市出现一级高负荷事件，同时二级及以上的地市个数少于一级的地市个数，则待判定地区电网为一级高负荷事件；
当至少⌊n/2⌋+1个地市出现二级高负荷事件，同时三级及以上的地市个数少于二级的地市个数，则待判定地区电网为二级高负荷事件；
当至少⌊n/2⌋+1个地市出现三级及以上高负荷事件，同时四级地市个数少于三级的地市个数，则待判定地区电网为三级高负荷事件；
当至少⌊n/2⌋+1个地市出现四级高负荷事件时，则待判定地区电网为四级高负荷事件；
第六步，对于待判定地区电网，根据相应的高负荷事件等级进行预警并给出应对措施，然后依据应对措施进行相应的控制。
实施例2
[0024] 一种电网高负荷事件天气过程判定及预警方法，包括如下步骤：第一步，采集历史待判定地区电网各地市逐小时负荷数据及对应时间的气象数据，形成样本；
第二步，考虑高温在负荷中的重要影响，初步筛选最高气温在25℃以上的样本，形成负荷‑气象要素数据库；
第三步，从第一步采集的数据中获取每日的日最大负荷，然后分别计算待判定地区电网各地市每年的日最大负荷的平均值，设定4个阈值区间进行判定：
0＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值20%；
该年该地市的日最大负荷的平均值20%＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值40%；
该年该地市的日最大负荷的平均值40%＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值60%；
日最大负荷‑该年该地市的日最大负荷的平均值＞该年该地市的日最大负荷的平均值60%；
4个阈值区间代表不同高负荷事件级别，依次为一级高负荷事件、二级高负荷事件、三级高负荷事件、四级高负荷事件；
依据4个阈值区间对负荷‑气象要素数据库中的样本进行筛选，筛选符合各个阈值区间判定条件的样本，并对该样本进行标注，标注上对应的高负荷事件级别；
第四步，以第三步筛选得到的样本的气象数据作为输入，以对应的高负荷事件级别作为输出，对XGBoost模型进行训练；在进行训练时，会得到所有气象数据类型的重要性排序，选取重要性排序前K的气象数据类型；以选取的气象数据类型对应的气象数据重新作为输入，以对应的高负荷事件级别作为输出，对XGBoost模型进行训练，得到各地市高负荷事件预测模型；
第五步，采集的待预测日期的各地市气象数据输入到第四步所获得的对应模型中，得到各地市的当前的高负荷事件级别；
对于待判定地区电网，假设某省共n个地市，当至少⌊n/2⌋+1个地市出现一级高负荷事件，同时二级及以上的地市个数少于一级的地市个数，则待判定地区电网为一级高负荷事件；
当至少⌊n/2⌋+1个地市出现二级高负荷事件，同时三级及以上的地市个数少于二级的地市个数，则待判定地区电网为二级高负荷事件；
当至少⌊n/2⌋+1个地市出现三级及以上高负荷事件，同时四级地市个数少于三级的地市个数，则待判定地区电网为三级高负荷事件；
当至少⌊n/2⌋+1个地市出现四级高负荷事件时，则待判定地区电网为四级高负荷事件；
第六步，对于待判定地区电网，根据相应的高负荷事件等级进行预警并给出应对措施，然后依据应对措施进行相应的控制。
[0025] 第一步中，采集近5年待判定地区电网各地市逐小时负荷数据及对应时间的气象数据。
[0026] 第一步中，所述的气象数据包括逐小时气温、气压、湿度、风速、降水和辐照度数据。
[0027] 第四步中，K=5。
[0028] 第四步中，训练时，训练集与测试集的比例为7:3，采用训练集进行训练，并采用测试集进行测试。
[0029] 第五步中，各地市通过预测得到的各自高负荷事件级别进行相应级别预警。实施例3
[0030] 一种电网高负荷事件天气过程判定及预警方法，包括如下步骤：第一步，采集历史待判定地区电网各地市逐小时负荷数据及对应时间的气象数据，形成样本；
第二步，考虑高温在负荷中的重要影响，初步筛选最高气温在25℃以上的样本，形成负荷‑气象要素数据库；
第三步，从第一步采集的数据中获取每日的日最大负荷，然后分别计算待判定地区电网各地市每年的日最大负荷的平均值，设定4个阈值区间进行判定：
0＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值20%；
该年该地市的日最大负荷的平均值20%＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值40%；
该年该地市的日最大负荷的平均值40%＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值60%；
日最大负荷‑该年该地市的日最大负荷的平均值＞该年该地市的日最大负荷的平均值60%；
4个阈值区间代表不同高负荷事件级别，依次为一级高负荷事件、二级高负荷事件、三级高负荷事件、四级高负荷事件；
依据4个阈值区间对负荷‑气象要素数据库中的样本进行筛选，筛选符合各个阈值区间判定条件的样本，并对该样本进行标注，标注上对应的高负荷事件级别；
第四步，以第三步筛选得到的样本的气象数据作为输入，以对应的高负荷事件级别作为输出，对XGBoost模型进行训练；在进行训练时，会得到所有气象数据类型的重要性排序，选取重要性排序前K的气象数据类型；以选取的气象数据类型对应的气象数据重新作为输入，以对应的高负荷事件级别作为输出，对XGBoost模型进行训练，得到各地市高负荷事件预测模型；
第五步，采集的待预测日期的各地市气象数据输入到第四步所获得的对应模型中，得到各地市的当前的高负荷事件级别；
对于待判定地区电网，假设某省共n个地市，当至少⌊n/2⌋+1个地市出现一级高负荷事件，同时二级及以上的地市个数少于一级的地市个数，则待判定地区电网为一级高负荷事件；
当至少⌊n/2⌋+1个地市出现二级高负荷事件，同时三级及以上的地市个数少于二级的地市个数，则待判定地区电网为二级高负荷事件；
当至少⌊n/2⌋+1个地市出现三级及以上高负荷事件，同时四级地市个数少于三级的地市个数，则待判定地区电网为三级高负荷事件；
当至少⌊n/2⌋+1个地市出现四级高负荷事件时，则待判定地区电网为四级高负荷事件；
第六步，对于待判定地区电网，根据相应的高负荷事件等级进行预警并给出应对措施，然后依据应对措施进行相应的控制。
[0031] 第一步中，采集近5年待判定地区电网各地市逐小时负荷数据及对应时间的气象数据。
[0032] 第一步中，所述的气象数据包括逐小时气温、气压、湿度、风速、降水和辐照度数据。
[0033] 第四步中，K=5。
[0034] 第四步中，训练时，训练集与测试集的比例为7:3，采用训练集进行训练，并采用测试集进行测试。
[0035] 第五步中，各地市通过预测得到的各自高负荷事件级别进行相应级别预警。
[0036] 第六步中，当待判定地区电网为一级高负荷事件时，则进行一级高负荷事件预警，应对措施为持续关注负荷和天气变化，做好值班跟踪。
[0037] 第六步中，当待判定地区电网为二级高负荷事件时，则进行二级高负荷事件预警，应对措施为加强对变电站运行状态的巡视检查，做好高温天气下的安全风险防控和应急响应工作。
[0038] 第六步中，当待判定地区电网为三级高负荷事件时，则进行三级高负荷事件预警，应对措施为调整发电安排，确保高峰用电；所述的发电安排包括水电、风电、光电的发电安排。
[0039] 第六步中，当待判定地区电网为四级高负荷事件时，则进行四级高负荷事件预警，应对措施为采取企业错峰、空调负荷调节措施，引导用户科学用电，降低高峰负荷需求。
[0040] 应用实例
[0041] 如图1和图2所示，一种电网高负荷事件天气过程判定及预警方法，包括如下步骤：第一步，采集历史待判定地区电网各地市逐小时负荷数据及对应时间的气象数据，形成样本；其中，待判定地区为广东省；具体地，采集近5年（2019年‑2023年）待判定地区电网各地市逐小时负荷数据及对应时间的气象数据。
[0042] 第二步，考虑高温在负荷中的重要影响，初步筛选最高气温在25℃以上的样本，形成负荷‑气象要素数据库；第三步，从第一步采集的数据中获取每日的日最大负荷，然后分别计算待判定地区电网各地市每年的日最大负荷的平均值，设定4个阈值区间进行判定：
0＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值20%；
该年该地市的日最大负荷的平均值20%＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值40%；
该年该地市的日最大负荷的平均值40%＜日最大负荷‑该年该地市的日最大负荷的平均值≤该年该地市的日最大负荷的平均值60%；
日最大负荷‑该年该地市的日最大负荷的平均值＞该年该地市的日最大负荷的平均值60%；
4个阈值区间代表不同高负荷事件级别，依次为一级高负荷事件、二级高负荷事件、三级高负荷事件、四级高负荷事件；
依据4个阈值区间对负荷‑气象要素数据库中的样本进行筛选，筛选符合各个阈值区间判定条件的样本，并对该样本进行标注，标注上对应的高负荷事件级别；
第四步，以第三步筛选得到的样本的气象数据作为输入，以对应的高负荷事件级别作为输出，对XGBoost模型进行训练；在进行训练时，会得到所有气象数据类型的重要性排序，选取重要性排序前K的气象数据类型；以选取的气象数据类型对应的气象数据重新作为输入，以对应的高负荷事件级别作为输出，对XGBoost模型进行训练，得到各地市高负荷事件预测模型；
第五步，采集的待预测日期的各地市气象数据输入到第四步所获得的对应模型中，得到各地市的当前的高负荷事件级别；
对于待判定地区电网，假设某省共n个地市，当至少⌊n/2⌋+1个地市出现一级高负荷事件，同时二级及以上的地市个数少于一级的地市个数，则待判定地区电网为一级高负荷事件；
当至少⌊n/2⌋+1个地市出现二级高负荷事件，同时三级及以上的地市个数少于二级的地市个数，则待判定地区电网为二级高负荷事件；
当至少⌊n/2⌋+1个地市出现三级及以上高负荷事件，同时四级地市个数少于三级的地市个数，则待判定地区电网为三级高负荷事件；
当至少⌊n/2⌋+1个地市出现四级高负荷事件时，则待判定地区电网为四级高负荷事件；
第六步，对于待判定地区电网，根据相应的高负荷事件等级进行预警并给出应对措施，然后依据应对措施进行相应的控制。
[0043] 第一步中，所述的气象数据包括逐小时气温、气压、湿度、风速、降水和辐照度数据。
[0044] 第四步中，K=5。
[0045] 第四步中，训练时，训练集与测试集的比例为7:3，采用训练集进行训练，并采用测试集进行测试。
[0046] 第五步中，各地市通过预测得到的各自高负荷事件级别进行相应级别预警。
[0047] 第六步中，当待判定地区电网为一级高负荷事件时，则进行一级高负荷事件预警，应对措施为持续关注负荷和天气变化，做好值班跟踪。
[0048] 第六步中，当待判定地区电网为二级高负荷事件时，则进行二级高负荷事件预警，应对措施为加强对变电站运行状态的巡视检查，做好高温天气下的安全风险防控和应急响应工作。
[0049] 第六步中，当待判定地区电网为三级高负荷事件时，则进行三级高负荷事件预警，应对措施为调整发电安排，确保高峰用电；所述的发电安排包括水电、风电、光电的发电安排。
[0050] 第六步中，当待判定地区电网为四级高负荷事件时，则进行四级高负荷事件预警，应对措施为采取企业错峰、空调负荷调节措施，引导用户科学用电，降低高峰负荷需求。
[0051] 2023年7月5日‑7月16日广东出现持续性、大范围高温天气，具有“高温范围广、持续发展、极端程度强”等特点，7月15日广东93%国家站出现35℃以上高温，广州最高气温达到38.9℃，广东7月15日最高负荷创新高。在本发明高负荷事件预测模型中输入7月14日预报的未来24小时各气象变量预报数据，计算得到广东省7月15日出现三级高负荷事件预警。即本发明预测出了7月15日可能出现较高级别的高负荷事件，与实际7月15日广东负荷创新高情况一致。同时，采用本发明方法在其他省份，例如云南省等进行实验，预测结果与实际情况均一致，这说明本发明方法能很好的对电网高负荷事件天气过程进行判定及预警，并能指导安全风险防控工作、应急响应工作、发电安排工作等。
[0052] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
