0 引言

随着“双碳”目标持续推进，可再生能源占比和终端能源消费电气化水平不断提升，能源结构转型给电力系统带来了新的问题。源侧风、光出力不确定性给系统带来的风险已得到广泛关注[1-3]，而随着电能替代不断推进，夏季降温负荷和冬季采暖负荷占比持续增大，负荷对温度变化的敏感性进一步提升[4]。近年来，中国已有多个省级电网夏季降温负荷占最高用电负荷比重超过40%，少数省份降温负荷比重超过50%。因此，有必要在电力系统规划中考虑气温因素不确定性对负荷侧的影响。

场景生成法能够有效描述电力系统中源-荷双侧的不确定性，目前已广泛应用于电力系统中长期规划和优化模型中[5-7]。对于中长期负荷场景生成，现有研究大多先从历史负荷数据中通过人工筛选或聚类等方法得到多条典型日或年负荷序列，再基于中长期电量或负荷峰值预测结果对历史典型负荷场景进行等比放缩，从而得到目标规划年的负荷场景序列。文献[8]基于历史的8760 h年度负荷曲线结合目标规划年的用电量预测结果生成目标规划年的年度负荷曲线；文献[9]采用改进的k-means聚类算法对历史负荷数据进行聚类划分，生成典型时序场景集。近年以生成对抗网络（generative adversarial networks，GAN）和变分自编码器（variational autoencoder，VAE）等为代表的深度学习方法也被引入：文献[10]基于条件时序生成对抗网络（conditional generative adversarial networks，CGAN）生成楼宇空调负荷场景，充分描述了空调负荷的不确定性；文献[11]采用基于Wasserstein距离的深度卷积对抗生成网络生成居民侧负荷需求场景；文献[12]基于改进的GAN模型构建风-光-荷出力场景集，有效建模源-荷双侧的波动性；文献[13]通过构建基于数据驱动的模块化去噪变分自编码器（modular denoising variational autoencode，MDVAE）联合场景生成模型，有效提高了生成场景集与实测历史数据之间概率分布的相似性。

现有研究通常基于概率分布特性、时序特性相关性等指标对负荷场景生成方法进行评价，重点在于衡量生成的有限数量的场景与历史负荷数据之间的相似性[14-16]。然而，随着电能替代发展战略的推进，以电采暖、电制冷以及电动汽车为代表的电力负荷在电力系统中的占比不断增大。系统负荷结构更多元，负荷对温度等外部因素的变化更敏感，负荷波动性和不确定性都呈现显著提升的发展趋势。再叠加未来全球气候变暖导致的持续高温等极端天气事件频发，用电负荷的冬夏双峰特征将更加明显。在此背景下，根据有限的历史数据特征建模生成的场景序列仅能实现对历史负荷特性的重现，难以充分表征面向中长期电力系统规划的未来电力负荷的发展趋势。

针对上述问题，本文提出一种考虑气温因素影响的中长期负荷序列建模和场景生成方法。首先，基于不同季节的负荷特性及其与气温因素的相关性，将全年负荷按照所处季节和节假日状态划分为不同类型的多个负荷序列。随后，对不同类型的负荷序列分别建模，对于与气温因素相关性较强的负荷，采用负荷分解理论将负荷拆分为基准负荷和温变负荷并构建温变负荷和气温因素之间的相关性模型，实现在给定气温序列下的负荷场景生成，如考虑温变负荷占比不断提升的未来发展趋势，则基于地区电气化水平、气温、负荷相关历史数据对模型参数进行合理外推和修正，以充分表征未来气温因素对负荷需求特性的影响；对于受气温因素影响不明显的负荷序列，通过构建日负荷特性指标的联合概率分布模型和日负荷序列优化求解模型对所需的负荷序列场景进行生成。最后，基于中国3个省级电网历史多年的负荷数据，验证了所提方法的有效性。

1 考虑气温因素的负荷场景生成方法框架

1.1 负荷与气象因素相关性分析

区域电力负荷用电规律具有显著季节性。本文首先分析不同季节负荷与气象因素之间的相关性，筛选有效气象因子，并对年负荷序列进行划分。对于面向电力系统中长期规划和运行分析的负荷场景建模，需重点关注气候变化导致的持续高温等极端天气频发对用电负荷峰值的影响，因此本节选取日最大负荷作为负荷特征指标进行后续分析。

以中国某省级电网2017年逐小时的电力负荷数据为例，图1给出了日最大负荷的标幺值曲线。

图1 2017年日最大负荷标幺值曲线
Fig.1 Daily maximum load per unit value in 2017

夏季高温带来的降温负荷需求使用电负荷高峰一般出现在夏季，冬季负荷受采暖需求的影响也有所提升，而春季和秋季的整体负荷需求则相对平稳。结合四季内的日负荷均值、日负荷峰值和日负荷峰谷差等负荷特性指标的统计分析结果，春季和秋季所对应的日负荷曲线特性指标分布相对集中，单个季节内的负荷相似程度高；夏季和冬季日负荷特征指标之间的差异较大。因此考虑将全年负荷序列划分为春/秋和夏/冬两类季节分别处理。需要说明的是，不同区域的气候地理与人文社会差异很大，应根据实际气象季节、而不是日历季节划分负荷曲线。如中国东北地区在11月已产生大量电采暖需求，此时的负荷序列更适宜被划入冬季而非秋季。此外，春节、国庆节等节假日负荷明显降低与气象因素关系不大，在气温-负荷关系建模中也予以剔除。

气象因素是电力负荷的重要影响因素之一，由于不同地区的气候条件、负荷结构和发展水平存在差异，电力负荷与各类气象因素之间的相关性不尽相同[17-18]。表1分析了日最高温度、日平均温度、日最低温度、日均风速（风寒效应）等气象因素与日最大负荷的Pearson相关系数，其中日平均温度具有最大的正/负相关系数，作为夏季和冬季影响负荷的首要气象因素。

表1 不同季节日最大负荷与气象因素之间的Pearson相关系数
Table 1 Pearson correlation coefficients between daily peak load and meteorological factors

季节日最高温度日平均温度日最低温度日平均风速春季-0.453 6-0.432 9-0.387 5-0.177 3夏季0.841 80.885 70.859 3-0.166 9秋季0.139 00.192 60.189 3-0.137 0冬季-0.570 2-0.596 9-0.518 2-0.144 7

1.2 负荷场景生成的基本流程

考虑气温因素影响的中长期负荷场景生成的整体思路是：基于不同季节的日负荷特性差异，将全年负荷划分为气温因素敏感负荷和非气温因素敏感负荷2类，针对不同类型的负荷序列特征分别建模。然后基于历史多年负荷特性的变化趋势，对受电气化水平和负荷结构变化影响较大的参数进行调整，以实现中长期负荷场景生成。负荷场景生成方法的基本框架如图2所示。

图2 负荷场景生成方法基本流程
Fig.2 Framework for load scenario generation method

2 逐小时负荷序列生成

2.1 气温因素敏感负荷模型

2.1.1 负荷分解

现有研究通常将日用电负荷分解为基础负荷、气象因素敏感负荷和随机负荷3个部分，即

式中：L为总负荷；Lb为基础负荷，主要受宏观经济发展、人口增长和产业结构调整等因素影响，可认为在一段时期内保持相对稳定，受气象因素影响小；Lw为气象因素敏感负荷，基于1.1节相关性分析以及现有研究成果，认为气温是气象因素敏感负荷最主要的影响因素（记为温变负荷）；Lr为受多种不确定因素影响的随机负荷，由于随机因素产生的负荷分量影响较小，通常可忽略[19]。

目前，常见的基准负荷曲线选取方法包括最大负荷比较法[20-21]、基准负荷比较法[21]等，但以上方法均未能综合考虑气温因素、节假日因素等对基准负荷产生的影响。同时，由于将季节内的大部分日负荷曲线均纳入基准负荷集，所得基准负荷曲线数值偏高，与总负荷作差后可用于后续分析的非负温变负荷序列较少。因此，基于1.1节分析，本文首先选取一年中春季（3月—5月）和秋季（9月—11月）日平均气温在10 ℃～24 ℃之间的工作日/周末负荷曲线作为备选负荷曲线，削弱气温因素可能对基础负荷产生的影响，并对工作日负荷和周末负荷分类处理。随后，按照日负荷均值对备选曲线重新排序，由于节假日后的1～2天内工作日的负荷通常偏低，曲线形状也与常规工作日之间存在差异，为了提升基础负荷的代表性，从工作日负荷曲线中去除此类负荷，取其余工作日负荷曲线中日平均负荷最低的5条曲线的平均值分别作为春季和秋季的工作日基准负荷，取周末负荷曲线中日平均负荷最低的3条曲线的平均值分别作为春季和秋季的周末基准负荷。以当年春季和秋季基础负荷的平均值作为全年基础负荷Lb。

选定基础负荷Lb后，日负荷曲线与基准负荷曲线的差值即为温变负荷曲线Lw，即

2.1.2 气温累积效应模型

受气温累积效应影响，电力负荷变化可能滞后于气温变化[22]。为了更好地表征负荷对气温的敏感性，采用前几日的温度对目标日温度进行修正，修正模型如式（4）所示：

式中：T'i为考虑气温累积效应后目标日i平均温度的修正值；Ti-j和kj分别为目标日i的前j日的平均温度及其对应累积效应系数；p为最大累积天数。

对最大累积天数和累积效应系数进行迭代求解，基本思想为：依次取每日温变负荷曲线峰值作为日最大温变负荷序列；从1开始逐步增加最大累积天数，依次计算在不同的最大累积天数下使得日最大温变负荷序列与日平均气温修正值序列之间的相关系数最大的累积效应系数序列；对得到的一系列相关系数进行比较，选取其中的最大值所对应的p值作为最大累积天数的最优解，对应的kj( j = 0,1,..., p)作为累积效应系数序列的最优解。

在选定的最大累积天数p下，累积效应系数序列的优化求解模型如下：

式（5）为模型的目标函数，日最大温变负荷Pi序列与日平均气温修正值Ti'序列之间的相关系数最大。Rp为目标函数，Pi为第i天的日最大降温负荷。

式（6）为模型的约束条件，表示修正后的日平均气温是由目标日到目标日前p日温度数据的加权平均，且距离目标日越近，当日气温对负荷的影响越强。

2.1.3 温变负荷-气温回归模型

对初始温度Ti进行修正后，日最大温变负荷和气温之间的相关性显著提升，采用多元线性回归模型依次对历史各年的日最大温变负荷和修正后的日平均温度进行拟合：

式中：y为年份；Py,i为第y年第i日的日最大温变负荷；T' y,i为考虑气温累积效应后第y年第i日的日平均温度修正值；ωy,i为考虑周末因素影响的特征指标，将工作日记为0，周末记为1；βy,0、βy,1和βy,2为基于最小二乘法计算得到的回归系数；εy,i为残差。

βy,1为负荷-温度弹性系数，表征第y年温变负荷对气温变化的敏感性。弹性系数越大，负荷对温度变化越敏感。随着电能替代持续推进和居民生活水平不断提高，负荷对温度的敏感性不断提升，因此有必要对负荷-温度敏感系数与地区发展水平之间的正相关关系进行建模，即

式中：ey为地区第y年的发展水平，本文采用电能占终端能源消费的比重作为衡量指标，表征地区整体电气化水平。

2.1.4 负荷不确定性量化

除了气象因素之外，电力负荷还受到难以准确量化的一系列外部不确定性因素的影响，确定性回归模型难以描述负荷场景的不确定性。因此，采用非参数核密度估计（kernel density estimation，KDE）对回归模型的残差εy,i分布进行概率密度拟合，在确定性回归结果的基础上叠加残差分量的概率分布，表征负荷的波动性和不确定性。

核密度估计利用平滑的峰值函数对数据点进行拟合，残差ε的概率密度函数 f(ε)为

式中：n为样本数量；h为带宽；εi为残差ε的第i个样本值；K(·)为核函数。本文选择Gaussian核函数，公式如式（10）所示。

2.2 全年负荷序列生成

2.2.1 夏冬季节气温因素敏感负荷序列生成

采用2.1节所提方法可得到处于气温因素敏感季节时，给定温度序列下的日最大温变负荷序列，在此基础上生成逐小时的日温变负荷曲线。

由于一个地区同一季节的温变负荷曲线日内趋势相似，在历史日温变负荷曲线族中选取曲线日最大值与目标日最大温变负荷之间差异最小的3条备选负荷曲线，逐24 h取平均值作为目标日的参考负荷曲线，再根据参考负荷曲线峰值与目标日峰值之间的倍数关系对参考曲线进行等比放缩，得到目标日的逐小时温变负荷曲线，即

式中：Lw,n,t(n=1, 2, 3)为三条备选历史日温变负荷曲线上t时刻的负荷值；为逐24 h取平均值得到的参考温变负荷曲线上t时刻的负荷值；Pi为目标日i的最大温变负荷；Lw,i,t为目标日i的逐小时温变负荷曲线。

以夏季为例，某日的逐小时负荷序列生成过程如图3所示，其中图3 （a） 对应从历史温变负荷曲线族中选取3条备选温变负荷曲线，图3 （b） 对应式 （11）和式 （12） 中的目标日温变负荷序列计算过程。日温变负荷序列依次与当年基础负荷曲线叠加即可生成日负荷序列。

图3 2017年夏季日温变负荷曲线
Fig.3 Temperature-related load curves in 2017

2.2.2 春秋季节非气温因素敏感负荷序列生成

由2.1节分析可知，春季和秋季的电力负荷与气象因素的相关性较弱，日负荷曲线整体走势差异不大，且各项负荷特征指标仅在小范围内波动，影响因素难以准确量化。因此，负荷序列生成的重点在于表征季节内部随机因素对负荷的影响以及日特性指标的统计规律。文献[23]所提场景生成方法，基于负荷日特性指标构建优化模型，求解生成负荷场景序列。

1）负荷日特征指标选取。

用于描述电力系统日负荷特征的指标众多，目前并没有统一的指标选取标准。除了描述整体负荷需求水平的大小之外，对用于电力系统规划等领域的负荷特性分析还需要特别关注峰值、峰谷差等指标。因此，本文选取日负荷均值、峰值、峰谷差、峰期负载率和谷期负载率等5个特征指标对日负荷的波动性、高位峰值水平等特征进行描述，各指标的定义及对应时段如表2所示。其中，Pave、Pmax、Pmin、Pave.peak、Pave.val分别对应日负荷功率平均值、最大值、最小值、峰期负荷平均值、谷期负荷平均值。

表2 日负荷特征指标
Table 2 Characteristic indices of daily load

负荷特征指标定义对应时段日负荷均值kP全天日负荷峰值kP=1ave全天日负荷峰谷差kPP=2max=-全天3maxmin峰期负载率k4=Pavepeak ·Pave 10:00—12:00 17:00—21:00谷期负载率k5=P P aveval ave·01:00—05:00 23:00—24:00

2） 负荷指标概率分布拟合及抽样。

采用非参数核密度估计法拟合各负荷特性指标的边缘概率分布。计算日负荷特征指标之间的Pearson相关系数可知，负荷日特性指标之间存在一定的相关性，且不同季节之间存在差异，因此有必要对指标之间的相关性进行建模。采用Vine-Copula函数构建多个日负荷特性指标的联合概率分布模型，之后对该联合分布函数进行随机抽样，得到目标日的多个负荷特性指标。

3）基于日特性指标的负荷序列生成。

基于随机抽样得到的日特性指标，从历史负荷序列中选取与生成的指标之间欧氏距离最小的日负荷序列作为基准负荷序列，构建优化模型对基准负荷序列进行优化调整得到目标负荷曲线。

优化模型的目标函数为生成的日负荷序列与基准负荷序列之间的误差平方和最小，以保证生成序列和基准序列之间的曲线走势最为接近，即

式中：L(t)为生成的日负荷序列；为选取的基准负荷序列。

优化模型约束条件的基本思想为生成序列的日特性指标与抽样得到的日特性指标一致，即

式 （14） —（18） 分别对应日负荷均值约束、日负荷峰值约束、日负荷峰谷差约束、日峰期负载率约束和日谷期负载率约束。其中，tmax和tmin分别代表基准负荷曲线中最大负荷和最小负荷出现的时刻；Tpeak和npeak分别代表负荷峰期时段和负荷峰期时段数目；Tval和nval分别代表负荷谷期时段和负荷谷期时段数目。

上述优化模型为二次规划模型，求解该优化问题，即可得到满足负荷指标要求的最优日负荷序列。

3 算例分析

算例选用中国3个省级电网 （省区1—省区3） 时间跨度为2015年4月1日至2019年12月31日的逐小时负荷数据，气象资料来源于美国国家气候数据中心（National Climatic Data Center，NCDC）提供的中国地面气象站观测数据，基于历史用电量数据对各气象站点的数据加权得到省级气象数据。

3.1 负荷-温度相关性分析

图4给出了2017年和2019年省区1的日最大负荷和日平均温度之间的散点图，二者之间整体呈现U型关系[24-26]，认为日平均气温在10 ℃～24 ℃范围内所对应的用电负荷基本不受气温因素影响；当平均温度升高至24 ℃左右时，电制冷负荷开始出现；当平均气温降低至10 ℃左右时，电采暖负荷开始出现。此外，对比2017年和2019年在图4红色方框之外受气温因素影响明显的数据可知，随夏季空调制冷负荷和冬季电采暖负荷的占比增大，日最大负荷对日平均温度变化的敏感性也有所提升。

图4 2017和2019年日最大负荷和日平均气温散点图
Fig.4 Scatter diagram of daily peak load and daily average temperature in 2017 and 2019

以各省在2015—2019年之间的夏季负荷数据为例，分别计算温度修正前后日最大温变负荷与日平均温度之间的相关系数，计算结果见表3。结果表明所提方法通过对当日及前几日的温度进行加权处理，能够有效考虑积温效应，提升负荷与温度指标之间的相关性。

表3 温度修正前后各年夏季相关系数对比
Table 3 Comparison of correlation coefficients before and after temperature correction

省区1省区2省区3修正前修正后修正前修正后修正前修正后20150.854 40.932 90.872 00.894 00.718 80870 8 20160.891 00.955 00.861 40.920 60.796 00.939 2 20170.865 00.953 50.844 20.895 20.779 80.897 6 20180.840 40.948 30.865 50.885 70.755 50.927 4 20190.873 30.949 00.821 30.865 30.639 60.889 1年份

依次对各省的温度数据进行修正，构建多元线性回归模型拟合日最大温变负荷与日平均温度之间的相关性。各省逐年的夏季负荷-温度弹性系数βy,1电气化水平指标ey的变化趋势如图5所示，随地区电气化水平提升，负荷对温度的敏感性不断增强，二者呈显著的正相关关系。而当该地区的终端电气化水平ey提升到一定水平后，负荷的温度敏感系数βy,1增速有所放缓。在假设地区整体发展战略和趋势不变的前提下，后续可根据预设的地区所处发展阶段对负荷-温度弹性系数进行人为修正，以更好地表征随着未来负荷对温度的敏感性不断增强，气温变化对负荷序列的影响情况。

图5 三个省区夏季温度敏感系数逐年变化趋势
Fig.5 Development trend of temperature sensitivity coefficients in summer

3.2 负荷场景生成效果评价

基于省区1在2015—2018年之间的历史负荷数据对模型参数进行拟合，在此基础上生成该省2019年的负荷场景序列，与2019年实际负荷数据对比，从季节性、概率分布特性和相关性等角度验证所提方法的有效性。

3.2.1 各季节的负荷特性指标

选取日负荷峰值、日负荷峰谷差和日负荷率作为各季节的日负荷特性指标，用于分析中长期负荷分布特征。图6给出了历史数据和所提方法得到的负荷序列在不同季节内的负荷特性指标分布情况，结果表明，所提方法通过对不同季节的负荷分别建模分析，能够很好地捕捉历史负荷序列各项特性指标的变化规律。

图6 负荷特性指标对比
Fig.6 Comparison of daily load characteristic indices

3.2.2 负荷场景概率分布特性

图7分别对比了各季节历史负荷序列与生成负荷序列的概率密度函数（probability density function，PDF）。2种序列的概率分布特性较为一致，说明所提方法能够较好地建模不同季节负荷序列的概率分布特性。

图7 负荷场景概率分布特性对比
Fig.7 Comparison of PDF curves

3.3 气温因素和电气化水平的影响

对负荷的温度敏感系数和温度序列进行调整，以表征未来负荷的发展趋势。负荷的温度敏感系数参考图5的变化趋势进行修正，温度序列通过对历史数十年的温度数据进行拆分和拼接重组得到[27]，设置以下3种发展情景。

1） 极端高温频发情景：地区电气化发展水平不变，夏季新增持续一周日平均温度超过30 ℃的高温天气。

2） 电气化水平提升情景：地区电气化水平提升，夏季降温负荷占最高电力负荷比重可达到80%，采用历史温度序列。

3） 高温叠加电气化提升情景：地区电气化水平提升叠加持续高温天气影响，负荷的温度敏感系数和当地日平均温度序列的参数设置分别与情景2和情景1一致。

由于持续高温天气叠加电气化水平仅影响夏季负荷序列，对比3种发展情景生成的夏季负荷序列的概率密度曲线，如图8所示。极端高温频发情景中新增了为期一周的持续高温天气，叠加积温效应影响，带来1～2周的日负荷峰值提高，对应的概率密度曲线呈现右移趋势。电气化水平提升情景和高温叠加电气化提升情景中，受地区电气化水平提升的影响，温变负荷在总负荷中的占比提高，负荷对气温变化的敏感性增强，因此日负荷峰值的波动范围更广，负荷的不确定性更强。且最后一种情景与电气化水平提升情景相比，日负荷峰值的概率密度分布更偏右，主要原因在于最后一种情景中新增了持续高温天气，引起负荷峰值进一步提升。

图8 不同发展情景下夏季日负荷峰值概率密度曲线
Fig.8 Comparison of PDF corresponding to different scenarios

在历史情景和极端高温频发叠加电气化水平提升情景下，夏季负荷序列特征对比如图9所示，选取的对比指标分别为 （a） 夏季日负荷峰值和 （b） 持续一周高温天气下的逐小时负荷平均值。由于极端高温频发叠加电气化水平提升情景在历史温度序列的基础上增加了持续时间超过一周的高温天气事件，负荷侧在七月初也对应产生了明显的负荷高峰，且受温变负荷占比提高的影响，夏季持续高温天气带来的负荷峰值效应更为凸显。

图9 不同发展情景下夏季负荷序列对比
Fig.9 Load series in summer under different scenarios

3.4 不同负荷场景下的运行方式对比

负荷场景序列的变化同样会对电力系统的运行方式产生影响，本节通过构建运行模拟模型分析该省级电网的电力电量平衡方式，系统中考虑的灵活性资源包括储能和需求侧响应。设置以下2种负荷场景序列：场景1的年度负荷序列基于年度电量预测结果对历史负荷序列进行等比例放大得到；场景2的年度负荷序列采用本文所提方法，考虑区域电气化水平提升和夏季新增持续高温天气的影响。

对于夏季因持续高温天气导致的负荷高峰阶段，系统在给定的电源和储能等灵活性资源的条件下仍能满足场景1中的负荷需求。而对于采用本文所提方法生成的负荷场景2，电力供需之间仍存在缺口。此时如果保持电源结构不变，则需要通过增加对需求侧响应的投资来降低负荷峰值需求，需求响应能力需由初始设置的5%提升至最大电力负荷的8%。

任意时刻负荷需求的变化都可能导致系统总运行成本的变化，仅简单比较运行成本的数值大小难以充分反映电气化水平提升和持续高温天气对系统运行的影响。因此，本文以火电机组的运行方式为例，分析不同负荷场景序列对系统运行方式的影响。由于本文采用[28]所提方法，对具有相似运行参数的火电机组进行聚合以提高运行模拟模型的求解速度，难以精确分析单个机组的启停状态，因此采用夏季火电机组的启停容量之和以及利用小时数作为火电机组在不同启停状态之间切换频次和整体出力水平的指标，计算结果如表4所示。

表4 夏季火电机组运行方式对比
Table 4 Comparison of operation simulation of thermal units in summer

负荷场景场景1场景2夏季火电机组的启停容量之和/GW969.66996.45燃煤机组夏季利用小时数/h1 553.01 593.4燃气机组夏季利用小时数/h1 264.01 659.3

夏季火电机组的启停容量之和在负荷场景2中的计算结果高于负荷1中的计算结果，表明在所提方法得到的负荷场景下系统的运行模式更为多样，需要系统提供更强的灵活调节能力。此外，在负荷场景2中，燃煤机组和燃气机组的夏季利用小时数均有所增加，表明夏季高峰负荷的增加需要火电机组继续承担保障电力供应的任务，同时燃气机组也需要作为灵活性资源为系统提供更强的灵活调节能力，以适应未来更大范围的负荷波动。

图10展示了2种运行场景下夏季火电机组在线容量的累积分布函数（cumulative distribution function，CDF），由图可知，受电气化水平提升和持续高温天气的影响，火电机组的在线容量需要保持在更高的水平，以确保夏季电力的可靠供应。

图10 夏季火电机组在线容量累积分布函数对比
Fig.10 CDF of on-line capacity of thermal units in summer

4 结论

本文提出了一种能够考虑气温因素影响的中长期负荷场景序列生成方法，根据负荷与气象因素的相关性将全年负荷按照所属季节进行划分，对不同季节的负荷序列分别建模生成对应的负荷场景。基于中国3个省级电网的多年负荷数据进行算例分析，结果表明：不考虑负荷特性和气温因素的年际变化时，本文所提方法生成的负荷时间序列场景能够有效模拟历史负荷的概率分布特性和不同季节的分布特征；考虑未来夏季持续高温天气增多以及负荷对气温变化的敏感性增强的发展趋势时，本文所提方法能够基于历史多年的负荷、温度和电气化发展水平相关数据对模型参数进行合理外推和修正，使得生成的负荷场景更充分地表征给定未来发展情景下负荷特性的变化趋势。后续工作将采用概率和区间等方法继续完善所生成负荷场景序列的表现形式，同时考虑气象因素-风-光-荷之间的耦合关系，对中长期源-荷场景序列进行联合生成。