气候和非气候参数对尼日尔月售电量的影响

抽象

本文采用简单多元线性回归（MLRs）方法，研究了尼日尔四个主要城市的相关因素（气候和非气候）对月用电量（MEC）的影响。GDP/人均、气温等参数(平均)，相对湿度(RH)，风速(WSP)，太阳辐射(SR)，降水，和清晰指数(K)。另外，计算了热指数(HI)和不适指数(DI)两个热指数，考虑了高湿度和高环境温度的影响。因此，三个不同的模型从上述变量。这三个模型已经通过了测试 -折叠交叉验证。结果表明，人均GDP等原始变量模型，平均值、RH、SR和WSP在系数确定的情况下比其他两个模型表现得更好Niamey、Maradi、Zinder、Agadez分别为0.87、0.854、0.833、0.551。根据考虑的月份，平均绝对百分比误差可以给出一个小的误差为特定的气候变量组合。降水量、清晰度指数等变量均无统计学意义。

1.介绍

研究相关因素对电力消费的影响，对于建立气候变化下未来能源消费预测模型具有重要意义。事实上，最容易受到气候变化和变化性影响的部门之一是能源部门，特别是电力需求，这是由于观察到的在炎热时期电力需求与气候变量之间的相关性。因此，要在气候变化的情况下对能源部门进行可持续管理，就需要了解影响电力消耗的因素。例如，产生的电力需要立即消耗，因为它不能储存。因此，了解气候和非气候因素对电力消费的影响将有助于建立一个稳健的模型来应对这一挑战。

能源需求由气候相关因素和社会经济因素共同驱动[一–6个]. 在气候变量中，温度对用电量的影响最大[7个–13]。

以往的研究发现，利用冷度日(CDD)、热度日(HDD)等温度导出参数，解决了用电需求与环境温度之间的非线性问题[14–18]。然而，除了温度变量外，其他原始气候变量如相对湿度、太阳辐射、风速等也会影响用电量。

此外，包括国内生产总值、人口、收入和消费者行为在内的社会经济因素也被发现影响能源需求，但在不同的时间尺度上[5个,19,20.]。

尽管如此，在尼日尔关于气候和非气候因素对每月用电量的影响没有研究。因此，由于这样的事实，气候和非气候因素对消费都的影响取决于具体位置，有必要以帮助在能源领域的政策制定者采取在知情的范围内决定开展这样的研究持续的人口增长和气候变化。

近年来，世界各国纷纷采用多种模型研究气候和社会经济参数对电力的影响。这些模型包括多元线性回归（MLR）模型、人工神经网络（ANN）、主成分分析（PCA）和自回归综合移动平均（ARIMA）[21–25]。在这些模型中，MLR具有优点，因为它易于使用，而且易于控制，因为每个分析的输入都可以调整[17,26]。因此，在这项工作中，将使用MLR模型研究气候变量和人均GDP对尼日尔四个主要城市(Niamey、Maradi、Zinder和Agadez)每月电力消耗的影响。所使用的气候数据包括温度、RH、WSP、SR、HI和DI等变量。

1.1。电量数据

每月用电量（MEC）以kWh，从2003年一至十月2016年在尼日尔的四个城市（尼亚美，马拉迪，津德尔和阿加德兹）的时间序列，在这个研究中使用。从国家机构获得电力（NIGELEC）数据[27]。这些数据包括所有部门(包括住宅、商业和工业部门)的总耗电量，但没有单独部门的分类数据。数字一礼物在2011年在尼日尔不同部门的电力股值得一提的是，住宅（家庭）部门呈现的最大份额（74.98％），尼日尔总用电量的（图一)。

每月的电量是根据这个月的天数来计算的，以消除日历的影响。

在这四个城市的用电量描绘了季节变化和逐年上升的趋势（图2个)。后者可以归因于社会经济的发展，而前者可能是天气波动的结果。用电量的季节变化可由式(一)。 在哪里是一个月的索引值年 , 这个月的能耗是多少年 ,和每年的平均耗电量是多少 。

用电量为四个城市的MSVI如图所示三。从图中可以看出波峰和波谷。例如，根据城市气候学，尼亚美的MSVI在4月至5月和10月出现了两个不同的峰值，与炎热的月份相对应。这几个月的高耗电量是由于冷却和制冷要求高。在12月至2月，所有四个城市的最低消费量都得到了。这相当于冬季，此时太阳辐射较低。

1.2条。天气变数

本研究所使用的天气变数包括环境温度、相对湿度、风速、太阳辐射和晴朗指数的日值。环境温度和相对湿度数据来自尼日尔气象局，太阳辐射数据来自尼亚美国家太阳能中心。除这些变量外，使用以下公式计算清晰指数： 其中GH为水平全球辐射，是大气层顶部的辐射。这个数据来自美国宇航局动力农业气候学网站[28]。

除了由斯特德曼[开发了这些天气变量，二湿度温指数，热指数（HI）29]和不适指数（DI），还使用等式（2个)以及(三)，分别是。 其中HI是热指数，是在华氏温度，是以％的相对湿度，和是常数

除了这些变量，如GDP /人均数据社会经济参数也已考虑。

数字4个显示了在这项研究中考虑的各种气候变量的年度周期。对于所有的城市中，高温值在夏季（三月至五月），较5月份观察到的峰值，而低值在冬季（12月至2月）。关于相对湿度，最高值在八月观察。这是由于该热带间断（ITD）达到8月的最北位置。综观太阳辐射相比，温度变量，得到变化的相同的图案。对于12 - 二月和八月获得低值。在12- 2月的低的值是冬季的结果，而在八月，这是由于高多云条件下阻挡入射的太阳辐射[30.]。

表一总结这些天气变量的相关统计数据。

1.3。方法

1.3.1。多元线性回归模型

多元线性回归（MLR）模型用于研究与气象参数和社会经济因素的月度能源需求之间的相关性。

在此之前，人口数据的影响已经通过考虑人均能源消耗而消除。在此基础上，考虑了各参数对模型的影响。

一般的MLR模型采用以下公式表示： 其中EC是每月能耗; , ,…为由普通最小二乘法(OLS)确定的回归常数; , ,…为自变量;和是误差项。

从这个方程，我们得到三个不同的模型如下。

第一个模型由eq.()给出的所有原始天气变量组成。4个) 其中，Temp、RH、WSP、SR、K、GDP为本研究考虑的自变量。

在这两种模型2和模型3，温度和相对湿度的组合效果已经考虑到通过将DI和HI，分别。

1.3.2。模型验证

通过实例验证了该模型的有效性 -折叠交叉验证。这个 -折叠交叉验证主要用于克服预测建模中的过度拟合问题[31]。这个 -折叠交叉验证是通过将数据分为子集（倍）。然后，在本例中，使用与9个子集合对应的子集来训练模型，剩下最后一个子集进行测试。

利用平均绝对百分误差(MAPE)和确定系数验证了模型的准确性由方程(9个)以及(10)。这些指标已经在一些研究中已经使用（[2个,32–34]。袁等人。[35]

这个检验还用来找出回归模型中每个自变量的显著性。显著性水平设置为0.05。换句话说，所有带有a的变量小于0.05为差异有统计学意义。

2。结果和讨论

2.1。人均用电量和参数之间的相关性

决定系数能耗与本研究所考虑的各项参数之间的关系如表所示2个。从表中可以看出，GDP和温度是对MEC影响最大的参数。然而，他们的相对贡献取决于城市。确实，最高的决定系数( )在MEC和GDP之间的是Maradi市，而最低的是Agadez市。这可能是由于环境温度对MEC的影响比其他城市更大。这可以归因于每个地区的发展水平。事实上，由于空调和冰箱的大量使用，尼亚美的用电量受天气因素的影响要比其他城市大。

2.2。多元线性回归结果

数字5个显示了模型1、模型2和模型3四个城市的实际和预测人均MEC的比较。可以看出，实际MEC值与预测MEC值之间存在密切的对应关系，但Agadez除外，实际MEC值与预测MEC值存在较大的差异。这可能是因为在这个城市，电力受采矿活动的影响更大，这三个模型都没有考虑到。

基于确定系数和平均绝对误差百分比（MAPE），模型1组进行比模型2和3更好的确，对于尼亚美，在MEC变异的87％是由模型1中说明而模式2和3分别说明，85.4％和78％的在MEC的变化。这是由梅普斯，这是证实，分别为7.67％，8.23％和模型1 9.79％，模型2，模型3，分别下降了其他城市。事实上，马拉迪的值分别为85.4％，83.4％，和80％，对于模型1，模型2和模型3。津德尔，所述模型1、模型2和模型3的值分别为83.3%、78%和83.3%。然而，Agadez的值进一步下降，模型1为55.1%，模型2为54.9%，模型3为53.1%。因此，对于所有的城市来说，模型1比其他两个模型表现得更好。

表三–5个显示回归结果模型1，模型2和，分别进行建模3。在等式中定义的不同的回归系数（6个)–(八)及相应的值在这些表中给出。Niamey模型1显示，除降水量和透明度指数外，所有变量在95%置信水平下均有统计学意义。然而，对于Maradi和Zinder来说，除了降水和清晰指数，风速在95%置信水平下也不具有统计显著性。这些值高于前面设置的有效级别。相比之下，只有GDP和温度在95%的置信水平上有统计学意义。其他变量都有值大于0.05。

从拟合回归模型的残余误差是如等式（先前定义的实际和预测的MECs之间的差6个)–(八)。残差图应服从正态分布，符合回归模型的基本假设。四个城市的最佳MLR模型得到的残差曲线如图所示6个. 结果表明，除Agadez外，所有城市都没有显著的曲率，也没有主要的异常值。这证实了残差和观测自变量之间没有特定的模式。因此，我们可以得出结论，这些模型符合多元线性回归假设。

2.3。平均绝对误差百分比的季节性模式（梅普斯）

如前所述，较早的模型1比模型2和模型3表现得更好。然而，当考虑到个别月份的误差估计时，气候变量的影响变得更加明显。数字7个显示了三种型号的月MAPE值。从一般的角度来看，模型1倍的性能比其他两个车型更好。此外，梅普斯从一个月，并认为城市是不同的。例如，对于尼亚美，所有的车型表现良好相较于其他城市。该模型显示了二月，三月，四月，七月，九月，十月和十二月梅普斯（<2％）的极低值。换句话说，在这几个月里，任何变量的组合，可以成功地用于预测在尼亚美的电力消耗。相反，五月，六月，和十一月，该模型描述梅普斯的高值（> 3％）。还值得一提的是，使用HI或DI代替平均值和相对湿度可能在几个月内得到一个很好的估计值。这是5月和8月的情况，在这两个月，热量指数的使用导致了最小的MAPE值平均和RH。

对于其他城市，梅普斯是比尼亚美相对较高，这表明气候变量的影响更加显着尼亚美比其他城市。这可以通过一个事实，即尼亚美是最大的城市在尼日尔占约城市人口的40％来解释。实际上，根据华莱等人。[13]气候通过人们对天气的反应影响用电量。也就是说，根据天气情况，人们会增加或减少使用电热或制冷装置。因此，人口越多，气候对用电量的影响就越大。

3.结论

作为预测气候变化对尼日尔能源部门影响的努力的一部分，本研究使用多元线性回归模型和一组天气参数，研究了天气变量对尼日尔四个主要城市电力消耗的影响。推导出三种不同的气象参数回归模型。最后，利用确定系数对模型的精度进行了评价和平均绝对误差百分比。所得结果总结如下:（一世）尼日尔的用电量随季节和年度而变化。前者是社会经济发展的结果，而后者是由当时的天气条件所决定的(2)气温和人均GDP是影响四个城市用电量的最主要因素（三）模型1是等于0.87，0.854，0.833，0.551和为尼亚美，马拉迪，津德尔和阿加德兹。该梅普斯分别为7.67，9.84，9.63，14.54和（ⅳ）在95%置信水平下，所有城市的降水量和晴朗指数均不具有统计学意义。然而，除了这些变量外，风速和辐射对马拉迪、津德尔和阿加德兹市也不显著

为了改善这种研究的能力，未来的工作可能还包括城市化模型的影响，电价和能源效率。

数据可用性

这些数据将根据要求提供。

的利益冲突

作者声明他没有利益冲突。

参考文献

1. 范丽莲，唐宝杰，于华，侯玉兵，魏玉民，“社会经济因素对中国部门月用电量的影响”，自然灾害，第75卷，第2期，第2039-2047页，2015年。查看在：出版商的网站|谷歌学术
2. 郭，周，张，陆，陈，杨，“居民用电行为:影响因素、相关理论与干预策略”，可再生和可持续能源审查卷。81，第399-412，2018。查看在：出版商的网站|谷歌学术
3. T·S·A。莱和J. L.伍，“分析家庭对新加坡居民用电的社会经济因素的响应，”能源政策，第112卷，no。2016年10月，第415-426页，2018年。查看在：出版商的网站|谷歌学术
4. A、 “温度和季节性对西班牙电力负荷的影响，”能源经济卷。24，没有。1，第55-70，2002。查看在：出版商的网站|谷歌学术
5. 影响希腊雅典和英国伦敦电力需求的因素:比较评估，能源，第34卷，no。11页，1855-1863,2009。查看在：出版商的网站|谷歌学术
6. D.水手，“关于住宅和商业部门的用电负荷climate--评估国家级的敏感性和脆弱性”能源卷。26，没有。7，第645-657，2001。查看在：出版商的网站|谷歌学术
7. “用小时电力需求模型进行季节性高峰特性比较分析，”国际能源与动力工程杂志，第3卷第3期3, pp. 132-138, 2014。查看在：出版商的网站|谷歌学术
8. M. Bessec和J. Fouquau，“欧洲电力消耗和温度之间的非线性联系:阈值面板方法”，能源经济，第30卷，第5期，第2705-2721208页。查看在：出版商的网站|谷歌学术
9. H.町Y.古德，X. Brossat，并问：姚明，“建模和预测每天的用电负荷曲线：一种混合的方法，”美国统计协会杂志卷。108，没有。501，第7-21，2013。查看在：出版商的网站|谷歌学术
10. A. Georgantopoulos和A. Tsamis，“能源消费与GDP之间的关系：在巴尔干国家因果分析，”欧洲科学研究杂志，第61卷第1期3、2011年第372-380页。查看在：谷歌学术
11. S、 乔瓦诺维奇、S.萨维奇、M.博吉奇、Z.乔尔杰维奇和D.尼科利奇，“平均每日气温变化对用电量的影响”能源，第88卷，第604-609页，2015。查看在：出版商的网站|谷歌学术
12. H、 易玲，M.海珍，D.广涛，S.俊，“城市温度对上海用电量的影响”气候变化研究的进展，第5卷第1期2，第74-80页，2014。查看在：出版商的网站|谷歌学术
13. E. Valor, V. Meneu，和V. Caselles， "西班牙的每日气温和电力负荷，"应用气象学报，第40卷，no。8，第1413-1421页，2001。查看在：出版商的网站|谷歌学术
14. M、 A.Brown、M.Cox、B.Staver和P.Baer，“美国建筑能源需求的气候驱动变化建模”气候变化卷。134，没有。1-2，第29-44，2016。查看在：出版商的网站|谷歌学术
15. o . Buyukalaca h . Bulut, t . Yılmaz”分析variable-base加热和冷却温度单位为土耳其”应用能源，第69卷，no。4，页269-283,2001。查看在：出版商的网站|谷歌学术
16. P. Holtedahl和F. L. Joutz，“台湾居民用电需求，”能源经济，第26卷，第2期，第201-224页，2004年。查看在：出版商的网站|谷歌学术
17. C. L.贺，S·J·沃森和S. Majithia“分析每月的电力需求气象变量的影响，”在IEEE交易对电力系统卷。20，没有。4，第2078至2085年，2005年。查看在：出版商的网站|谷歌学术
18. K. P. Moustris，P. T. Nastos，A Bartzokas，一K. Larissi，P. T.迈克尔泽查利和A. G. Paliatsos，“能耗基于加热/雅典，希腊的城市环境中冷却度日，”理论与应用气候学卷。122，没有。3-4，第517-529，2015。查看在：出版商的网站|谷歌学术
19. S. Avdakovic，A. Ademovic，和A. Nuhanovic，“洞察英国功耗的属性使用线性回归和小波变换的方法，” 2013年，http://arxiv.org/abs/1308.5572。查看在：谷歌学术
20. O.奥兰雷瓦，L.蒙达和A. Jimoh，了解国内生产总值和人口的影响在南非的能源消耗EWRM，非洲，2014年。
21. M、 Ali，M.J.Iqbal和M.Sharif，“巴基斯坦极端温度和电力需求之间的关系”国际能源与环境工程学院，第4卷第1期1，P。36，2013。查看在：出版商的网站|谷歌学术
22. J、 A.Azevedo，L.Chapman和C.L.Muller，“对学位日方法的评论和建议修改，以实现长期用电量评估：英国伯明翰的案例研究，”气象应用，第22卷，no。4, pp. 789-796, 2015。查看在：出版商的网站|谷歌学术
23. R. V.琼斯，A.利瓦和K. J.洛马斯，“社会经济，居住和影响国内建筑用电设备相关的因素，”可再生和可持续能源审查，第43卷，第901-917页，2015。查看在：出版商的网站|谷歌学术
24. K. Kandananond，“用人工神经网络方法预测泰国电力需求”，能量，第4卷第1期2011年第1246-1257页。查看在：出版商的网站|谷歌学术
25. A. A. Salehizade，M. Rahmanian，M. Farajzadeh和A.阿尤，“对法尔斯省用电量的温度变化分析，”地中海社会科学杂志， 2015年第6期。查看在：出版商的网站|谷歌学术
26. F. Apadula, A. Bassini, A. Elli，和S. Scapin，“气象变量和每月电力需求之间的关系，”应用能源，第98卷，第346-356页，2012年。查看在：出版商的网站|谷歌学术
27. NIGELEC，NIGELEC， 2016，检索2016，从http://www.nigelec.ne/。
28. 美国航空航天局，NASA电源农业气候学， 2018年，来自NASA/POWER Agroclimatology每日平均数据:http://power.larc.nasa.gov/common/AgroclimatologyMethodology/Agro1d0_Methodology_Content.html。
29. R.斯特德曼，“闷热的评价。第一部分：根据人的生理和服装科学的温度湿度指数”应用气象杂志，第18卷第2期。1979年第861-873页。查看在：出版商的网站|谷歌学术
30. A. Bonkaney，S.马杜古和R.阿达穆，“云罩及防尘的上光伏模块中尼亚美对性能的影响”，可再生能源杂志卷。2017年，文章编号9107502，8页，2017年。查看在：出版商的网站|谷歌学术
31. S、 Arlot和A.Celisse，“模型选择交叉验证程序调查”统计调查，第4卷，第40-79页，2010年。查看在：出版商的网站|谷歌学术
32. 五十、 冯，林，王，秦，龚，“中国太阳散射辐射预测模型的评价”可再生和可持续能源审查，第94卷，第168-182页，2018年。查看在：出版商的网站|谷歌学术
33. 秦，王，林等，“中国太阳辐射估算的确定性模型与数据驱动模型的比较”，可再生和可持续能源审查，第81卷第1期2017年5月，第579-594页，2018年。查看在：出版商的网站|谷歌学术
34. L.王，澳Kisi，M. Zounemat-Kermani，G. A.萨拉萨尔，Z.朱和W宫“太阳辐射预测使用不同的技术：模型评估和比较，”可再生和可持续能源审查，第61卷，第384-397页，2016年。查看在：出版商的网站|谷歌学术
35. a . m .元,l . Wang Lin问:李,z . Liu和曲,“绿色植被每日最低温度的影响下,在黄河流域城市化,中国,“生态指标， 2020年第108卷。查看在：出版商的网站|谷歌学术

版权

版权所有©2020阿卜杜·拉蒂夫Bonkaney。这是下发布的开放式访问文章知识共享署名许可协议，其允许在任何介质无限制地使用，分发和再现时，所提供的原始工作正确的引用。