迎峰度夏！如何科学高效实现调温负荷解耦 提升用电精准预测能力？

温度与用电之间的强关联性，正使电网安全面临严峻考验。

调温用电在夏、冬两季用电高峰中的占比持续攀升，导致电网峰谷波动加剧，其安全高效运行因此面临挑战。本文依托 GAMs 模型对气象等负荷特征进行分解，通过温度-负荷弹性计算实现调温负荷解耦，旨在提升温度与负荷的精准感知能力，为电力电量的科学预测提供支撑。

业务现状及背景

中电联数据显示，2025年上半年全国全社会用电量4.84万亿千瓦时，一季度受华东、华北等区域气温偏暖影响，负荷峰值相对较低，二季度气温显著高于常年同期，用电负荷在6月中下旬开始快速增长。7月16日，全国最大电力负荷首次突破15亿千瓦时，16个省级电网负荷也创下历史新高，用电需求呈现出显著的温敏波动特征。

为深入量化温度因素对电力负荷的影响，当前普遍采取基线法或时序分解方法进行调温负荷分解。基线法是通过建立非温度敏感负荷基准值，以实际负荷与基准负荷的差值表征温度敏感负荷。时序分解法是基于时间序列分解理论，对负荷曲线进行多层分解。如通过STL模型，提取周期分量或组合其他分量，获得与温度强关联成分，作为调温负荷。

然而，现有两种方法由于温度累积效应建模缺失，静态基准值做差灵活性差、误差大，调温与季节性生产等效应混合、混杂多源噪声等问题，存在显著局限。无法满足日益精确的调温负荷分解预测要求，亟需构建更科学高效的调温负荷解耦方法。

整体设计思路

本文在已有研究提出通过广义加性模型（GAMs）进行调温负荷分解的基础之上，针对其用前一日负荷惯性传导表征累积影响、转折温度确定无明确方法等进行探索性迭代优化：

一是拓展优化负荷分解输入变量，海选气象与社会因素指标，基于相关系数方法优选输入变量，并考虑历史负荷本身受多因素共同作用，无法准确表征温度对负荷的累积影响，对历史负荷指标进行删除；

二是基于Granger因果方法确定积温阈值和累计天数等，合理确定积温数值，有效量化积温因素对用电负荷的非线性影响；

三是引入贝叶斯变点检测算法，科学确定转折温度，有效提高调温负荷弹性解耦的效率效果。

研究框架大体分为以下四阶段：

1、输入变量优选：

广泛搜集气温、降水/雪、风速、湿度、天气、云量等气象数据与节假日、时点、是否工作日等社会因素，基于相关系数法优选输入变量。

2、多因素负荷分解：

基于各气象-社会指标与负荷关联分析结果，优选气象-社会因子作为输入变量，构建负荷分解GAMs模型，进行各负荷分量分解：

式中，y为因变量；xi为第i个特征变量，i=1,2，····，n，n为特征总数；ε为误差项；fi(xi)为与第i个特征相关的非线性函数，常用多个B-样条基叠加而成的B-样条函数，量化特征xi与因变量y的关系。

3、负荷弹性计算：

基于分解结果，计算气温分量对温度变化的敏感度、积温分量对积温变化的敏感度。若第i日的活动时间气温处于转折温度之外，则气温弹性部分Ti=f0(Ti)-f0(0)1；否则，没有气温弹性。第i日气温弹性负荷计算为：

式中，I(Ti≠0)为指示函数2，积温弹性同上。

注：1f0(0)即转折温度时的负荷，下同。

2数学中用于表示某个条件是否满足的二值函数，下同。

4、调温负荷解耦：

基于转折温度、当期温度与气温-气温负荷弹性、积温-积温负荷弹性数据，计算气温弹性负荷与积温弹性负荷后，加总得到调温负荷。

图1  调温负荷解耦研究思路

整体设计思路

（一）影响因子优选

1、影响因素

用电负荷受诸多因素影响，呈现显著的非线性和时变特征，影响因素大体可分为气象、社会、经济3类。

（1）气温、湿度、积温等影响降温或取暖用电需求。

（2）生产、生活方式使负荷呈现周期性，如国庆等长假期影响用电需求。

（3）经济景气（经济信息公布较晚且属于低频变量，通常用于后分析，研究中暂不考虑），则企业开工及产能利用率高，用电负荷增加，反之用电下降。以某省数据为例，基于各指标与负荷关联分析结果，剔除湿度、是否工作日等不相关指标，优选得到如下调温负荷分解设定变量，将负荷分解为各影响分量。

表1  调温负荷分解设定变量

2、积温因子

通过划分不同温度区间，进行分温度区间的Granger因果效应推断，以95%的置信区间为标准，优选确定积热和积寒阈值温度分别为26℃和5℃，积温阶数为2天，并根据已有研究成果确定积温日衰减系数为0.64。据此计算积热温度和积寒温度指标，进行积温因子的量化。

表2  格兰杰因果检验结果

（二）多因素模型负荷分解

1、模型构建

以24h各时刻点负荷为响应变量，以加权气温Ti、积热温度HTi、积寒温度CTi、加权降水Ri、加权降雪Si、加权风速Wi、节假日Hi、时间TPi为输入变量，构建GAMs负荷预测模型，拟合得到气温负荷、积温负荷、降水/雪负荷、社会负荷。

式中，fi(xi)为时点负荷与各因素相关的非线性函数，量化各因素与时点负荷之间的关系。fi(xi)的构成形式为：

2、模型检验

基于测试集对训练后的模型进行测试，展现出良好的拟合效果，平均绝对百分比误差（MAPE）为4.40%，平均绝对误差（MAE）为127.84万千瓦，均方根误差（RMSE）为129.93万千瓦，联合表明模型预测值与实际值之间相差较小，模型准确性较好。

表3  GAMs日前负荷预测模型参数选择与误差统计

注：4样条数:时间、降水/雪、风速的样条数为10；加权温度、积热温度和积寒温度的样条数为15。

5惩罚系数:时间的惩罚系数为0.6；降水/雪、风速的惩罚系数为1.0；加权温度、积热温度和积寒温度的惩罚系数为1.2。

图2  某省电力负荷特征效应分析（GAMs）

（三）调温负荷解耦测算

1、调温负荷解耦

根据GAMs拟合得到的各分量数据，计算气温-气温负荷弹性、积温-积温负荷弹性，基于上述弹性、历史气温数据，计算得到调温负荷。

步骤1：计算气温弹性部分。f0(Ti)是负荷中仅与气温相关的部分，气温负荷拟合曲线如图4所示，显示气温对气温负荷的影响。基于贝叶斯变点检测算法确定转折温度，若气温低于取暖负荷转折温度，将出现取暖需求；若气温高于降温负荷转折温度，则出现降温需求。kTi为气温弹性系数，等于曲线在Ti处切线的斜率，表示气温Ti下的气温负荷变化速率，即第i时刻的气温从Ti增加1℃，负荷增加kTi万千瓦，其中kTi1为取暖气温弹性系数（负值），kTi2为制冷气温弹性系数（正值）。

图3  某省气温负荷弹性解耦

若第i日的活动时间气温处于转折温度之外，则气温弹性部分Ti=f0(Ti)-f0(0)6；否则，没有气温弹性。第i日气温弹性负荷计算为：

式中，I(Ti≠0)为指示函数7

注：6即转折温度时的负荷，下同。

7数学中用于表示某个条件是否满足的二值函数，下同。

步骤2：计算积热和积寒温度影响部分。f1(HTi)和f2(CT2)是负荷中仅与积热、积寒负荷相关的部分，

为积温弹性系数，等于曲线在Ti处切线的斜率，表示积温Ti下的积温负荷变化速率，即第i时刻的积温从Ti增加1℃，负荷增加

万千瓦，其中

为取暖气温弹性系数，

为制冷气温弹性系数。

图4  某省积温负荷弹性解耦

积温指标与积温负荷之间存在高度非线性关系，根据积温-积温负荷弹性解耦积温负荷。

式中，

为指示函数。

步骤3：计算调温负荷。将测算得到的气温弹性负荷、积热弹性负荷与积寒弹性负荷加总得到调温负荷。

2、调温负荷对比

与典型日基线分解法8、聚类负荷分解法9计算得到的调温负荷对比，GAMs解耦调温负荷方法显著提升了负荷数据与温度变化之间的相关性及其波动的相关性，积温因子的加入能够捕捉更多调温负荷波动，显著增强模型在连续高温/寒冷天气下的负荷分解准确性。

注：8选取4月中旬各时点负荷平均值作为基准负荷，用总负荷减去基准负荷到调温负荷。

9基于聚类方法确定各时点负荷典型曲线，用总负荷减去基准负荷得到调温负荷。

图5  调温负荷分解对比

表4  多种分解方法效果指标对比

注：10Pearson相关系数仅可表征相关程度，在温度与负荷的非线性关系中不适用，故此处为采用spearman相关系数。

并以2024-2025年最大负荷日为例，进行调温负荷分解对比。基于GAMs分解得到的调温负荷夜间保持高位，午间有所降低，与温度高度相关，基准负荷8点开始波动上升，18点后陆续下滑，夜间整体处于相对低谷，与实际生产生活经验较为吻合，分解质量较好。

图6  2024-2025年最大负荷日调温负荷分解对比

（四）价值应用场景探索

本文通过弹性解耦方法得到负荷与各特征之间的关系，量化考虑积温效应的调温负荷，通过与气象部门做好协调联动，可有效助力电网科学精细管理。

1、支撑用电高峰期间科学调度预测

基于温度-负荷弹性系数量化极端天气（如持续高温、寒潮）对负荷曲线的非线性冲击，解决传统方法对极端天气突变负荷的“盲区”问题，提升迎峰度冬（夏）期间的用电、调度预测准确性。

2、用户侧需求响应潜力挖掘

通过弹性解耦方法分离温敏负荷，量化空调、电采暖等设备的动态响应潜力，设计差异化响应策略，结合分时电价机制引导用户调整温控设备运行模式，从而提升需求响应效率与用户参与度，降低电网峰谷差压力。

3、新能源高比例消纳协同

基于温敏负荷的时空波动特征与新能源出力曲线的关联关系，构建负荷弹性系数与风光预测的动态耦合模型。在新能源大发时段，通过调节温控设备运行参数柔性引导负荷曲线匹配新能源出力，缓解源荷时序错配矛盾，提升新能源渗透率下的系统消纳能力。

结语

本研究突破传统调温负荷分解方法在多因素耦合与突变负荷辨识中的固有局限。一方面，引入温度累积效应与转折温度阈值，精准量化极端天气下负荷非线性跃升的机理贡献；另一方面，设计弹性系数动态修正机制，消除非温度因子（如节假日、生产周期）对温敏分量的混杂干扰。从而为需求响应潜力识别、新能源协同调度及用电精准预测提供有效支持。