电网负荷预测方法

电网负荷预测方法（共10篇）

电网负荷预测方法 篇1

随着经济的发展, 我国发电厂产权多元化使得电力供需问题不断突出。而电网负荷预测关系到电力企业调度部门如何制定发电计划及其预备方案, 进而保证获得最大的经济效益。区域经济、产业结构与人口等因素都会对电网负荷预测产生影响, 因而在电网负荷预测过程中, 除了尽可能选用准确的预测方法外, 还应使预测值具有丰富的处理实际环境的能力。电网负荷预测是一项重要的基础性工作, 在我国经济发展过程中, 电网负荷预测的重视程度也经历了一个认识的过程。在缺电时期, 由于控制用电、控制报装等客观原因, 造成负荷预测的准确度不高, 对新方法的应用力度不够。随着我国电力市场供需矛盾缓解, 局部地区供大于求, 甚至出现了供电负增长, 电力发展由资源约束转向了需求约束。在市场机制下, 对电网负荷预测的迫切性及重要性提到了新的高度, 同时对其精度也提出了更高的要求。

1 电网负荷预测的重要性及种类

1.1 电网负荷预测的重要性

电网负荷预测的结果关系到电力企业的决策与行动。对于电力建设公司和发电厂来说, 电网负荷预测是检修计划、发电计划和电价制定的依据, 也是电力调度公司及供电公司购电计划的依据, 也需要根据电网负荷预测值对地区电网进行整合规划, 协调计划, 从未确保供电范围的电网能够安全、经济、可靠地运行。

1.2 电网负荷预测的种类

根据负荷预测的周期, 可分为两类:一种可分为长期负荷预测、中期负荷预测、短期负荷预测、超短期负荷预测。另一种可以分为长期负荷预测、年负荷预测、月负荷预测、日负荷预测、周负荷预测、短期负荷预测、超短期负荷预测。1) 按被预测负荷的特性可以分为负荷率预测、平均负荷预测、高峰负荷平均预测、最小负荷预测、最大负荷预测、峰谷差预测、低谷负荷平均预测等。2) 按全社会用电或行业类别可分为工业负荷预测、城市民用负荷预测、农村负荷预测及商业负荷预测等。3) 负荷预测主要基于可能性原理、可知性原理、相似性原理、系统性原理、连续性原理和反馈性原理。负荷预测具有不完全准确性、时间性、条件性等几个明显的特点。

2 负荷预测的步骤

1) 明确负荷预测的要求与内容。根据不同时期、不同地区的具体情况, 确定合理的预测指标及预测指标。2) 调查并搜集资料。应尽可能细致、全面地收集所需要的资料, 避免用臆想的数据区填补负荷预测数学模型中所缺少的资料。3) 基础资料分析。对收集到的大量信息去伪存真, 从而提高关键数据的可信度。4) 经济发展预测。掌握经济发展对电力需求的影响。通常, 经济增长必然会带动电力需求的增长。在这方面要重点关注国家增加投入、结构调整、扩大内需、通货紧缩、深化改革及企业经营状况等因素。5) 选取预测模型、确定模型的参数。6) 负荷预测。用预测模型进行负荷预测, 给出几个可能的、较为可靠的预测方案。7) 结果审核。结合专家经验对预测精度、预测结果及可信度做出评价, 用历史数据样本进行检验, 并进行自适应修正。8) 准备滚动负荷预测。积累资料, 为下个年度的滚动负荷预测做好准备。

3 负荷预测的方法

3.1 常规单一的负荷预测方法

1) 专家预测法。专家小组预测法, 分为准备阶段、第一轮预测、反复预测和确定结论等几个步骤。该方法简单, 但盲目性较大。2) 类比法。对具有相似研究特征的事件进行预测及对比分析, 如新开发区的建设, 无历史经验可以借鉴, 此时可以用类比法预测负荷的发展。3) 主观概率预测法。对不能做实验或实验成本太高的方案, 请专家估计特定事件发生的主观概率, 然后综合得出该事件的概率。4) 单耗法。单耗法需要做大量细致的调研工作, 对短期负荷预测效果较好。5) 比例系数增长法。假定负荷按过去比例增长, 预测未来的发展。6) 负荷密度法。已知某地区的总人口, 按每人平均用电量计算该地区的年用电量。这些方法都是将电力需求作为一个整体, 根据某个单一的指标进行预测, 方法虽然简单, 但比较笼统, 且很难反映现代政治、经济、气候等条件的影响。因而, 应采用先进的计量经济模型, 投入产出模型、数学规划模型等进行预测。

3.2 负荷预测新技术

1) 趋势外推预测技术。电力负荷虽有随机、不确定的一面, 但却有明显的变化和发展趋势。根据各行业负荷变化的规律, 运用趋势外推技术进行负荷预测能够得到较为理想的结果。外推法有线性趋势预测、对数趋势预测、二次曲线趋势预测、多项式趋势预测、季节型预测和累计预测等方法。外推法的优点是只需要历史数据、所需的数据量较少。缺点是如果负荷出现变动, 会引起较大的误差。2) 负荷回归模型预测技术。根据以往负荷的历史资料, 用数理统计中的回归分析方法对变量的观测数据统计分析, 确定变量之间的相关关系, 从而实现负荷预测的目的。回归模型有一元线性回归、多元线性回归、非线性回归等回归预测模型。其中, 线性回归可用于中期负荷预测。

4 负荷预测技术的发展动态

1) 优选组合预测技术。优选组合预测技术有两层含义:一是从几种预测方法得到的结果中选取适当的权重加权平均;另一层含义是, 可在几种方法中比较, 选择标准偏差最小或拟合度最佳的一种方法。

2) 专家系统预测技术。专家系统是基于知识建立起来的计算机系统, 它拥有某个领域内专家们的知识和经验, 能象专家们那样运用这些知识, 通过推理做出决策。实践证明, 精确的负荷预测不仅需要高新技术的支撑, 同时也需要融合人类自身的经验和智慧。因此, 就会需要专家系统这样的技术。专家系统预测技术适用于中长期负荷预测。

3) 模糊预测技术。建立在模糊数学理论上的一种负荷预测新技术, 有模糊聚类预测方法、模糊相似优先比方法和模糊最大贴近度方法等。

5 结语

负荷预测的准确度对任何电力公司都有较大的影响。预测值太低, 可能会导致切负荷或减少向相临供电区域售电的收益;预测值太高, 会导致新增发电容量甚至现有发电容量不能充分利用, 即有些电厂的容量系数太小, 造成投资浪费和资金效益低下。

摘要：电网负荷预测对于电力市场各方的正常运作均具有重要的作用, 本文在讨论了其重要性的基础上, 探讨了负荷预测的种类及预测的步骤, 详细地介绍了负荷预测的传统方法及新技术, 及负荷预测技术的发展动态。

关键词：负荷预测,供电,电网

参考文献

[1]林雄.神经网络在电网负荷预测上的应用研究[J].信息技术, 2008.

[2]凌艳.地区电网负荷预测分析及解决措施[J].大众用电, 2009.

[3]李宏, 于菲菲, 方世辉.基于小波神经网络的电网负荷预测[J].现代计算机, 2008.

[4]吉培荣.电网负荷预测的无偏灰色预测模型[J].三峡大学学报, 2001.

浅析城市电网负荷预测 篇2

关键词:城市电网;负荷预测;电网规划

中图分类号:TM714 文献标识码:A 文章编号:1674-7712 (2012) 12-0035-01

一、负荷预测概述

负荷预测主要是指通过观察负荷本身的变化情况以及经济气象等因素的影响,对有效的历史数据进行精密的分析与研究,从中寻找出一定的规律,掌握其间存在的内在联系,逐渐的熟悉其发展变化的规律,这样我们就可以很好的掌握电力的需求量,并根据此做出事先的预测估计,减少用电恐慌。经过充分的、慎重的考虑,这些重要的电力系统的运行特点、增加用电容量的决策以及存在的一些的自然因素和社会因素的前提下,能够完美的研究出并加以利用的一套方法,使其能够很好的系统地处理过去与未来负荷的问题。

二、重庆地区负荷现状

近几年来,重庆市的电网用电量以及用电负荷持续的快速增长,其主要的原因是多方面的,首先是高温干旱造成的全网重点水库缺水,加上上游来水量偏少、汛末蓄水不足等种种原因,于此同时,还有火电厂的电煤供应量逐渐的日趋紧张,再加上这个区域内的六省(市)以及相邻华北、西北的电网中均存在着严重的电力供应不足的缺口,跨省区的电量调剂的电力资源是非常的有限。2011年在确保用电网内机组满发的前提下,重庆市电力公司投入大笔资金增加临时的外购电力。在外购计划中,外购电在达到306万kw这一基础上的同时,又临时的从江西增加了购买电量35万kw,这才保证了当日最大可调集电量勉强达到1133万kW。在全国其他的省市逐渐的陆续出现了用电负荷高涨这一情况之后,重庆市电力公司从湖北购得20万kW,这才解决了用电的燃眉之急。重庆市的电网最高用电量负荷打破了历年来的历史纪录——主电网负荷高达到900万kW。这一新纪录比去年最高负荷886万kw高出14万kw,增长15.7%。

三、重庆市电网负荷预测的主要方法

(一)单耗法

我们在进行具体的预测时,我们依据重庆市自身的经济发展状况,切实的制定符合重庆市本身的规划目标,经过对规划期内每年的工、农业的综合产值的综合指标进行分析,主要针对工业的用电规划指标以及统计往年的国民经济产品在生产过程中所产生的单位耗电量、亿元产值耗电量等等相关的条件,结合产业结构调整的节本规律,最终分析出每种产品以及产值的综合单耗;接下来再根据国民经济相关部门所编制的产量指标、经济指标预测出单耗。

(二)电力弹性系数法、平均增长率法

电力弹性系数E是指重庆市总用电量的平均年增长率以及工、农业总产值平均年增长率之比。平均增长率法是以时间T(年)为自变量,用电量A(kWh或万kwh)为因变量,根据历史规律和国民经济发展规划,估算出今后电量的平均增长率K,若计算选用基准年实际用电量为A0(kWh或万kwh)则n年后用电量为:A=A0(1+K)?。

(三)负荷密度法

负荷密度法主要是指对负荷密度的确定,通过数据的统计分析找出重庆市的各分区以及小区目前所存在的用电负荷密度,然后根据重庆市的电网的用电总体规划和分区规划的相关的部分,依据这些现有的条件确定出各区的负荷密度的现有预测值。各区负荷总值是将各区的负荷密度预测值乘以各区面积。将各区负荷总值乘以同时系数(或除以分散系数)就可以计算出总的用电负荷量。即 ,式中Pi是各区计算负荷;KT是同时系数;P2为总计算负荷。

(四)回归分析法

按照重庆市现有的历史资料,从而建立起的与用电负荷相关的数学模型,再对该模型作数学分析。我们主要采用的手段就是利用统计学中回归分析法分析变量、观测数据,最终预测出未来的负荷值。在进行预测中期负荷的时候一般采用线性回归法,再这一时期采用这一方法主要是由于预测的精度而言是相对较高的,但不可否定它也存在一定的不足。

四、结语

传统规划负荷预测的软件只是一个桌面形式的负荷预测工具,他是单一的,甚至于是无效的,它完全没有整个供电公司以及整个工作电压序列电网负荷的采集、整理和管理维护基本的能力,其预测的原始数据还仅仅是人工输入,不能满足用电负荷规划的日常需要。我国城市电网建设需求正在与日俱增的不断扩大,重庆市依据自身的电网负荷特点以及负荷预测的现有条件,研究符合重庆市发展方向的城市电网负荷预测方法十分必要的。

参考文献:

[1]侯磊.城市电网规划总量负荷预测系统的开发与应用[D].天津大学电气与自动化工程学院研究生论文,2008,5

[2]宋宝利.电力系统负荷预测[D].西安理工大学硕士学位论文,2003,10

[3]刘志瀚.电力系统负荷预测的应用分析[J].电气时空,2011,11

[4]刘思远.城市电网的负荷预测和计算[J].内蒙古石油化工,2009,5

电网节点负荷的立体化预测方法 篇3

关键词：负荷预测,能量流拓扑,立体化预测,基本预测单元,组合预测

0 引言

负荷预测是电力系统规划与运行调度、控制的基础,其研究随着电网发展而不断深入[1]。在电网制约不是主要因素时,人们关注的焦点是发电与负荷的平衡,因而往往侧重于电力系统总负荷的预测。当电网存在各种制约因素时,电力系统运行调度与控制必须知晓各节点负荷的变化规律,从而使总负荷预测扩展到节点负荷预测。按预测周期的不同,节点负荷通常包含短期和超短期2类预测,分别用于机组组合、动态优化调度,以及超前调度、在线控制等。

然而,以往的研究大都针对单一负荷(如某系统总负荷、某节点负荷)时间序列自身规律性的挖掘,以达到预测的目的[2,3,4,5,6,7,8]。因此,当该单一负荷数量小且散布程度强时,必将导致预测精度降低,甚至预测结果不可信。对此,文献[9,10]提出多变量时间序列分析和状态空间法等多节点负荷预测模型,并论证了该多节点模型的预测效果要优于每个节点单独预测的效果,其原因在于利用了节点间负荷变化规律的关联关系。在此基础上,文献[11]构建了基于系统总负荷分配的多节点负荷预测,其优点在于充分利用总量变化规律性强、各节点间及节点与总量间所具有的牵制作用,实现多节点负荷有功和无功功率的关联预报,虽仅针对单层电网,但在提高节点负荷预测精度上取得了有益进展。

事实上,电网是一个多层、多区的广域网络结构,如输电网、地区电网、配电网等,现有的节点负荷预测都是针对其中某一层或某一区域进行相关的研究,对层间、区间,以及上下级间的关联关系尚未展开深入的研究,因而不符合当今电网发展的要求[12,13],主要体现在:可耗竭资源日益枯竭、生态环境不断恶化、节能减排势在必行。由此,为大规模消纳可再生资源发电,实现主干电网、分布式电网以及微电网共存,输、配电网间的清晰逻辑将逐渐被打破,即大电网运行必须统筹分析与决策。同时,随着电网数字化水平不断提高,有功及无功功率、电压、电流等电气信息日益丰富,且在可信度上不断提高。可见,对电网各节点的功率(有功和无功功率,简称节点负荷)规律必须进行全方位的立体化预测,且目前也已具备了这一立体化预测的条件。

所谓节点负荷的立体化预测,是将原本独立的节点负荷预测融入到全网能量流的网络拓扑当中,从整体上把握任一节点负荷变化的规律,利用电网负荷总量与各层节点间,以及层内、层间节点间的关联关系,使得自身规律性差的节点负荷(如含有风电等强波动性电源的节点、小负荷节点等)的预测受到负荷总量及其他规律性强的节点的牵制,以达到提高节点负荷预测精度的目的。可见,立体化负荷预测,可实现节点负荷自身规律和层内、层间牵制规律的有机结合,在提高预测精度的基础上,满足电网统筹安全分析与决策的要求。对这一问题,文献[14]借鉴电力系统状态估计思想来解决具有直接加和特性的多级负荷预测结果间不均衡的问题,对总需求与子需求预测结果进行协调,已显现出多级(层)负荷间牵制规律的处理,但与本文的立体化预测在概念上有质的不同。

本文以超短期节点负荷预测为研究对象,在建立电网能量流拓扑的基础上,提出节点负荷的立体化预测体系,以及对应该体系的数学模型和方法,在有效提高精度的前提下,实现电网任一节点负荷的预测。

1 节点负荷的立体化预测体系

1.1 电网能量流拓扑

电力系统中所指的负荷是一个抽象的概念,即电网中能量流入与流出的相对表达方式。对一个电网而言,其能量流是多层、多区的平衡体系。该平衡体系体现在,对同一电压等级电网,其各节点流入与各节点流出构成平衡关系,其流出就是各节点对应的负荷,而针对每一节点的负荷又是下一级电网的流入,对应下一级电网的流出又出现节点对应的负荷,依此类推,整个电网就是一个以电压等级为划分依据的多层的平衡体系。

文献[11]针对的是上述多层体系中的一层,能否将这一研究延续到多层是本文研究的核心。就一层节点负荷预测而言,总可以构成总量与对应节点负荷间的关系,实现负荷总量和节点负荷(节点有功分配因子和功率因数)的同时预测(有功和无功功率)。图1为包括3层的能量流按节点对应的示意图,其中第1层由电网总负荷与节点A1,A2,…,AN构成,第2层分别由A1与B11,B12,以及A2与B21,B22,B23等构成类似第1层的N个单元,其中的A1,A2,…,AN可看做第2层中N个单元的“总量”,且第2层所有节点负荷的加和与总负荷也是相等的。第3层结构可类比第2层。

按此思路,只要是统一电网,一定存在这样一个多层、多区的能量流拓扑结构。若能计及总量的牵制以及层内和层间节点负荷的关联,并结合节点自身变化规律的把握,使各节点全方位统一地进行预测,则有可能提高预测的精度,同时避免底层预测不可行的困扰。

1.2 节点与总量间以及节点间的牵制规律分析

总体而言,电网负荷总量的变化规律要强于其中任一节点的变化规律,若能将这一规律有机渗透于各层的节点预测之中,对节点负荷预测将产生有效的牵制作用。如何实现这一牵制,是建立本文立体化节点负荷预测体系的核心。

然而,并非所有的总量与节点之间都具有很强的牵制作用,各级总量对节点负荷的牵制规律强弱并不相同,可通过相关性分析进行评价。相关系数是衡量2个随机变量之间线性相关程度的指标,其绝对值的大小可反映二者关联程度的强弱。由于同一层或相邻层中总量与相对应节点之间往往具有相似的变化规律,因此,可采用相关系数来表征总量对于节点负荷牵制作用的强弱。节点与总量之间的相关性分析实质上体现了各层节点预测之间的纵向关联。

基于此,可通过节点与总量之间相关系数的大小,判断二者之间牵制规律的强弱,从而实现电网中任一节点预测方式的选择。

1)当相关系数小于某一数值(本文取0.4)时,认为节点与总量间弱关联,可不考虑总量对该节点预测的影响,仅通过其自身变化的规律性分析来独立预测节点负荷。

2)当相关系数大于某一数值(本文取0.8)时,二者之间具有很强的相关性,由于总量相对节点具有更高的预测精度,节点自身规律性的挖掘对于预测精度的贡献较小,故可采用总量预测结合节点分配因子的方法来得到节点负荷的预测值,简称为“总量—分配”方式。

3)当相关系数在某一区间(本文取大于0.4而小于0.8)时,则可将节点独立预测与相邻总量的牵制作用结合起来,实现节点负荷的组合预测。

实践表明,与节点负荷相关性强、对其预测起直接牵制作用的总量为与其直接关联的上层以及上上层总量负荷。例如:C111的预测一般直接受到总量B11以及A1的牵制,而电网的总负荷对其直接牵制作用较弱,其影响可通过B11或A1的预测结果来体现,原因在于当节点与总量之间跨越多层(如C111与总负荷)时,即使总量负荷变化规律性很强,预测精度很高,但由于节点在总量中所占比重非常小,因而总量变化对于节点变化规律的直接影响并不明显。因此,立体化方法有间接传递作用。

同样,电网中同一层各节点之间的关联关系则主要通过预测单元中分配因子的相互作用,以及各节点负荷之和与总量相等来实现,形成了节点负荷预测之间的横向关联。

1.3 立体化预测体系的形成

依据上文分析,电网中任一节点的预测被放置于整个能量流拓扑中,节点与总量的牵制体现了纵向关联,而节点间的制约则主要体现了横向的联系。由此,各种牵制纵横交错,形成了节点的立体化预测体系。其主要包括如下几个方面:①依据各级电网能量流的平衡关系,形成电网能量流拓扑;②把握节点与总量之间以及节点间的牵制规律,通过相关性分析选择电网中各节点的预测方式;③结合相应预测方法实现任一节点的预测。

本文中的预测方法主要包括:采用最小二乘支持向量机(LSSVM)实现总负荷预测及其他节点的单独预测;基于卡尔曼滤波的节点分配因子预测;基于加权递推最小二乘的节点的组合预测。

2 预测方法的实现

2.1 总负荷及各节点的单独预测方法

能否有效把握负荷自身变化的规律性是进行电网总负荷及其他节点单独预测的关键之一。尤其对于电网总负荷来说,能否提高其预测精度对于确保总负荷对节点负荷预测牵制作用的有效性至关重要。同时,单独预测的效果还将直接影响到组合预测的效果。LSSVM是Suykens等提出的一种改进的支持向量机(SVM)算法[15],在保证优秀的非线性拟合能力的同时提高了计算速度,符合超短期负荷预测的要求。

给定n组训练样本{xi,yi},其中xi∈Rm×1,yi∈R。采用非线性回归函数y=wTφ(x)+b来对样本进行拟合,φ(x)为输入变量的非线性映射函数;w为m维权重系数列向量;b为偏移量。在超短期预测中,由于时间间隔较短,气象因素等外生变量的影响已融入到负荷总量的历史数据当中,不必单独考虑。因此,仅采用负荷的历史数据作为输入向量的构成元素,xt=[pt-1,pt-2,…,pt-m]T,输出变量yt=pt,其中,pt为t时刻总负荷的测量值。

依据结构风险最小化原则,该非线性回归问题可以描述为如下二次规划问题:

$\{\begin{array}{l}\min \frac{1}{2}\mathit{w}{}^{\text{Τ}}\mathit{w}+\frac{1}{2}\gamma {\displaystyle \sum _{i=1}^{n}e}{}_i^2\\ \text{s}.\text{t}.\mathit{w}{}^{\text{Τ}}\mathit{\phi }(\mathit{x}{}_i)+b+e{}_i=y{}_{i}i=1,2,\cdots ,n\end{array}(1)$

式中:ei为n维拟合误差向量元素;γ为正则化参数,用以平衡拟合误差与模型复杂度。

对优化模型的表达式(1),按优化数学理论,经整理,(最优解)KKT条件为:

$\left[\begin{array}{cc}0& 1{}^{\text{Τ}}\\ 1& \mathit{Q}+\gamma {}^{-1}\mathit{{\rm I}}\end{array}\right]\left[\begin{array}{c}b\\ \mathit{\lambda }\end{array}\right]=\left[\begin{array}{c}0\\ \mathit{y}\end{array}\right](2)$

式中:$\mathit{\lambda }=[\lambda {}_1,\lambda {}_2,\cdots ,\lambda {}_n]{}^{\text{Τ}},1=[1,1,\cdots ,1]{}^{\text{Τ}},\mathit{y}=[y{}_1,y{}_2,\cdots ,y{}_n]{}^{\text{Τ}}$,为n维列向量;I为单位阵;Q为n×n阶矩阵,其中Qi,j=(φ(xi))Tφ(xj)=K(xi,xj),K为满足Mercer条件的核函数。

由此得到最终的回归函数表达为:

$y={\displaystyle \sum _{i=1}^n\lambda }{}_i{\rm K}(\mathit{x},\mathit{x}{}_i)+b(3)$

考虑到当缺少过程的先验知识时,选择高斯核函数要优于其他核函数[16],因此,本文选择高斯函数作为核函数。同时,为了保证模型的实时跟踪能力,采用定窗宽的样本集进行模型的训练,且每前进一步都伴随着新样本加入与旧样本移出,因此,可建立式(2)中系数矩阵递推求逆公式[17],以提高计算速度。

2.2 节点分配因子预测模型与方法

通过总量实现节点负荷间接预测,必须对节点有功分配因子和节点功率因数进行预测。对节点有功负荷来说,其变化规律并不与负荷总量的变化完全一致,其自身特有的规律就体现在分配因子的变化上。向量卡尔曼滤波算法能够计及各分配因子间的关联关系,把握节点参量的动态变化规律,其离散化的状态空间模型描述如下[18]:

$\{\begin{array}{l}\mathit{X}{}_{k+1}=\mathit{\Phi }{}_k\mathit{X}{}_k+\mathit{\omega }{}_k\\ \mathit{Y}{}_k=\mathit{{\rm H}}{}_k\mathit{X}{}_k+\mathit{\xi }{}_k\end{array}(4)$

式中:Xk为状态列向量;Φk为状态转移矩阵;观测矩阵Hk为单位矩阵;Yk为Xk的观测向量;ωk为过程噪声向量,ξk为测量噪声向量,且假设ωk和ξk不相关,其协方差矩阵分别为Sk和Rk。

依据卡尔曼滤波技术,可以得到其预测的递推公式为:

$\stackrel{\sim }{{\displaystyle \mathit{X}}}{}_{k+1}=\mathit{\Phi }{}_k\widehat{\mathit{X}}{}_k(5)$

$\{\begin{array}{l}\widehat{\mathit{X}}{}_k=\stackrel{\sim }{{\displaystyle \mathit{X}}}{}_k+\mathit{{\rm K}}{}_k(\mathit{Y}{}_k-\mathit{{\rm H}}{}_k\stackrel{\sim }{{\displaystyle \mathit{X}}}{}_k)\\ \mathit{{\rm K}}{}_k=\mathit{{\rm M}}{}_k\mathit{{\rm H}}{}_k^{\text{Τ}}\mathit{{\rm P}}{}_k^{-1}\\ \mathit{{\rm P}}{}_k=\mathit{{\rm H}}{}_k\mathit{{\rm M}}{}_k\mathit{{\rm H}}{}_k^{\text{Τ}}+\mathit{R}{}_k\\ \mathit{W}{}_k=(\mathit{{\rm I}}-\mathit{{\rm K}}{}_k\mathit{{\rm H}}{}_k)\mathit{{\rm M}}{}_k\\ \mathit{{\rm M}}{}_{k+1}=\mathit{\Phi }{}_k\mathit{W}{}_k\mathit{\Phi }{}_k^{\text{Τ}}+\mathit{S}{}_k\end{array}(6)$

式中:Kk为卡尔曼增益矩阵;Mk为预测误差的协方差矩阵;Wk为估计误差的协方差矩阵。分别将Xk=dk和Xk=θk代入上述递推方程,即可获得关于节点有功分配因子和功率因数的一步预测值$\tilde{\mathit{d}}$k+1和$\tilde{\mathit{\theta }}$k+1。

2.3 节点负荷的组合预测方法

对于待预测节点,一方面可依据自身的变化规律,利用上述的LSSVM得到一个预测值p0,另一方面,可依据其临近的上层节点(相应预测单元中的总量)以及相应节点分配因子的预测获得间接预测值p1。采用上述2种预测结果的线性组合,作为节点负荷最终的预测结果,具体表达式为:

p(k)=(φ(k))Tβ(k)+ε(k) (7)

式中:k=1,2,…,t;p(k)为k时刻节点负荷的真实值;φ(k)=[p0(k),p1(k)]T为2维列向量;β(t)为2维权重系数列向量;ε(k)为拟合误差白噪声。

将t个等式合并写成向量形式:

P(t)=(Φ(t))Tβ(t)+Σ(t) (8)

其中

P(t)=[p(1),p(2),…,p(t)]T

Φ(t)=[(φ(1))T,(φ(2))T,…,(φ(t))T]T

Σ(t)=[ε(1),ε(2),…,ε(t)]T

采用加权递推最小二乘法进行权重向量β(t)的滚动预测,其递推公式为:

$\begin{array}{l}\widehat{\mathit{\beta }}(t+1)=\widehat{\mathit{\beta }}(t)+\\ \frac{S(t)\mathit{\phi }(t+1)(p(t+1)-(\mathit{\phi }(t+1)){}^{\text{Τ}}\widehat{\mathit{\beta }}(t))}{\lambda +(\mathit{\phi }(t+1)){}^{\text{Τ}}S(t)\mathit{\phi }(t+1)}(9)\end{array}$

$\begin{array}{l}S(t+1)=\frac{1}{\lambda }[S(t)-\\ \frac{(S(t)\mathit{\phi }(t+1))(S(t)\mathit{\phi }(t+1)){}^{\text{Τ}}}{\lambda +(\mathit{\phi }(t+1)){}^{\text{Τ}}S(t)\mathit{\phi }(t+1)}\end{array}$

(10)

式中:λ为遗忘因子,且满足0<λ≤1,用于强调新数据的作用,而逐渐弱化旧数据的作用,体现预测中“近大远小”的原则,以提高模型的实时跟踪能力。

3 算例分析

以山东某地区电网为例,验证本文方法的有效性。该地区有一个500 kV变电站(莱阳),古柳、桃村、海发3个220 kV变电站,以及12个110 kV变电站,其电气接线图如图2所示。每个变电站都有量测设备,能够获取相应的有功和无功功率历史数据。选取2011年8月8日至21日共计14 d,每天48个采样点数据来进行预测分析。

可以将图2所示的电气接线图,按能量流平衡,表达成图3所示的2层能量流拓扑结构。

在图3所示的能量流拓扑结构中,顶端500 kV莱阳站是整个地区电网负荷的“源头”,该地区电网共存在220 kV和110 kV的2层共15个节点负荷。表1给出了各层节点与总量之间的相关性分析结果,其中非直接关联的节点与总量之间以及各节点之间的相关系数未标出。

依据相关性分析的结果,将15个节点的负荷预测分为3类,分别采用3种预测方式。其中梁好泊节点与2级总量之间的关联较弱,采用LSSVM单独预测;古柳、和平、城南、松山4个节点采用组合预测;其余各节点采用“总量—分配”方法进行预测。由表1可知,在多个节点存在与2级总量都具有较强相关性的情况下,可分别采用“总量—分配”的方法得到2个预测值,取其平均值作为最终预测结果。

表2、表3分别给出了220 kV层和110 kV层节点参量及有功、无功功率预测的平均相对误差,其中单独预测采用LSSVM方法。

由上述计算结果可知,随着电压等级的降低,节点的有功、无功功率以及有功分配因子的预测误差呈明显逐渐增大的趋势,即节点有功功率的变化规律逐渐变弱。然而,节点功率因数的预测精度与电压等级的关联则相对要弱一些,即不同电压等级负荷功率因数的规律性强弱相差不大,其原因在于各级电网在节点处大都装有无功补偿设备,能够在一定程度上抑制功率因数的大范围波动。

相比节点负荷单独预测,本文方法的预测精度有明显提高,尤其对于节点本身规律性较差的节点,预测误差更有显著降低,如和平、东村等节点。由此可见,将节点负荷的预测融入到电网的能量流拓扑逻辑当中,考虑各级总量与待预测节点间的关联和牵制规律,建立立体化预测方法,能够显著提高节点负荷预测精度,实现任一节点的有效预测。

4 结论

电网各级的节点负荷规律是不同的,但在统一电网中却有着充分的牵制和关联规律,由此,本文提出节点负荷的立体化预测体系和解决方法,并通过实例予以验证。主要结论可总结如下。

1)对统一电网,按层、区划分能量流拓扑,可以充分显现负荷规律变动过程中的牵制和关联,进一步挖掘对预测精度提高有贡献的信息。

2)立体化预测体系中的基本单元适应不同电网的能量流拓扑结构,可灵活化使用,对传统负荷预测方法具有兼容性。

3)面对任一节点的负荷预测,可通过多元化预测信息予以组合,实现立体化预测功能。

4)立体化预测的概念,适应未来电网在规划、检修、调度与控制等决策中的统筹考虑。

电力负荷预测方法探究 篇4

关键词：电力系统；负荷预测方法；电力负荷

中图分类号：TM714 文献标识码：A 文章编号：1009-2374（2013）32-0114-02

1 电力负荷预测综述

负荷预测的前提是充分考虑关键系统参数、自然环境、社会政策和增容决策等条件，探索出一套能够科学处理过往数据、有效预测未来数据的数学算法，并保证预测结果只在小范围内波动，确定某些特殊时刻的负荷值。根据预测期限，负荷预测分为超短期预测、短期预测、中期预测和长期预测。

2 电力负荷预测方法综述

2.1 人工神经网络

人工神经网络属于高度非线性系统，它模仿人脑神经系统进行自主学习和问题处理。人工神经网络有很多神经元节点，它们具有并行运算功能，互相之间由相应权值连接以构成网络，借助激励函数，实现输入变量序列到输出变量序列之间的非线性映射。人工神经网络对非线性、非结构性、模糊性规律的适应性很强，具有良好的记忆功能、鲁棒性、映射精度以及完备的自学习能力，这也使得该技术成为近年来负荷预测领域的研究重点。有学者采用地柜人工神经网络系统预测某地区电力负荷短期情况，借助梯度下降算法，大大提高收敛速度，仿真结果表明，该方法收敛速度和运算结果相比传统方法有很大提升。但是，典型人工神经网络也存在学习参数设置不便、收敛缓慢、运算量大、网络结构模糊等弊端。有研究在相关论文中针对BP算法陷入局部极小的问题进行了讨论，并提出了相应的解决方案。另外，神经网络如能结合遗传算法增强全局搜索能力，加强局部寻优能力构成遗传神经网络，则能进一步加快运算速度，提高结果准确性。采用神经网络进行电力系统负荷预测时，网络输入变量的选择是一个关键点，为了优化变量甄选，有人提出使用模糊粗糙集理论先对信息进行预处理；以此算法结果作为BP网络的预设变量开展训练。该方法将历史时间序列、外部气象条件等各种因素都考虑在内，为寻找神经网络输入变量提供了一种新思路。同时，规避了因为输入变量规模过于庞大而引起的网络拓扑结构复杂、收敛速度慢等缺陷。相关的实验表明，该方法行之有效。

2.2 模糊预测法

该方法基于模糊理论，先行分析过往的工作经验、历史数据，以一种规则的形式呈现出来，并抽象出可在计算机上运行的机读代码，进而展开各种计算工作。模糊预测法能够很明确地描述专家意图，对电力系统中不规则现象进行描述，很适用于中长期电力负荷预测；但模糊预测法学习能力差，极易受到人工干扰。模糊理论应用于电力负荷预测时，有三种常见数学模型，即：指数平滑过渡法、线性回归法、聚类预测法，三种数学模型各有千秋，它们的预测精度都很高，相比传统算法测量误差也小得多。有研究表明，基于最佳聚类F选优法的改进型模糊聚类电力负荷预测算法，在计算年度用电量时，预测结果很准确。有部门基于该算法对增城地区2005年和2010年的年度用电量进行预测，结果与实际测量相差不大。神经网络与模糊逻辑算法组合使用，相比单一神经网络算法，充分利用了神经网络强大的学习功能，又洗去了模糊逻辑主观经验方面的劣势，考虑了温度变化和节假期对系统负荷的影响，能够提高负荷预测结果准确度，特别是对周末和节假期负荷预测很有效。也有学者通过RBF试图寻找负荷变化的一般规律，结合模糊理论计算负荷尖峰值和低估值，一定程度上解决了负荷影响因素不明确的问题。该方法充分利用了神经网络和模糊推理理论在处理不确定参数方面的独到之处，很好地改善了预测精度。

2.3 数据挖掘

顾名思义，数据挖掘就是从浩如烟海的数据中挖掘出隐含信息，并尽力将其表述为直观易懂的形式。在处理大数据、剔除冗余信息方面优势很大。决策树、神经网络、关联规则、聚类分析、统计学模糊集、粗糙集在各领域的数据挖掘工作中得到了重要应用。有人根据数据挖掘过程中时间序列的相似性原理，研究电力负荷预测方法，获得了很好的应用效果。基于最优区间划分和单调递减阈值函数聚类法，结合KOHONEN网绘制负荷变化曲线，修正死区数据。也有学者利用数据挖掘技术的结果作为向量机训练样本，减少了数据处理规模，提高了预测速度和运算精度。

2.4 专家系统

专家系统加入了人类探索自然过程中的知识经验，模拟人类思维决策过程，求解问题的过程类似于人类专家的思维模式。专家系统比模糊预测法优越的一点是，给出相当于专家水平的量化计算机语言，转化了人类难以量化的经验数据，透明性和交互性极佳，并能给出结论的对应缘由，方便工程人员检查推理过程是否存在错误，并及时更正。由于算法相对复杂，运行速度较慢，学习能力也一般，无法较好地处理模糊数据，对规则很依赖，普适性较差，不能推广到所有系统。有文献分析认为，专家系统可以准确预测中长期负荷，要考虑原始数据预处理、冲击负荷影响、负荷周期等因素，保证负荷预测精度，并尽量贴近生产实际需要。专家系统的模糊推理规则形式决定了规则数目，合理的推理规则能够简化运输，也为人工总结专家经验并优化规则提供了可能性，提高了算法速度。有学者在普通专家系统的基础上研发了基于案例推理的经验导向型专家系统，相关实验结果证明该方法获取知识较为简洁、记忆能力好、用户界面友好，在实用性方面优于规则专家系统和人工神经网络技术。也有工程人员结合径向基神经网络专家系统，并基于该模型开发出数学运算软件，在西北电网得到了应用，该方法比BP神经网络的预测精度更高、实用性更好。

2.5 支持向量机

SVW基于统计学理论，在有限样本前提下，提出满足VC维理论和结构风险最小化原则的机器学习规律，通用性好、全局最优、计算速度快。但要依赖经验确定初值和核心运算函数，受人为因素影响较大。而且，对模糊现象的描述能力一般，模型误差会导致收敛值与实际值相去甚远。蚁群优化算法能够对其进行优化，在短期负荷预测中效果甚佳。经过大量实践，最小二乘支持向量机回归算法，很适用于短期负荷预测，借助不同时刻的样本训练，以最优线性回归函数为算法依据，在尽可能减小负荷样本点漂移的基础上，又缩小了泛化误差上限，具有较好的前瞻性。还有人将模糊回归法植入支持向量机模型，不仅提升了预测精度，而且提供了更多运行信息。

3 结语

本文对常见的智能预测技术进行了全面分析。我们不难看出，单一负荷预测法很难满足实际要求，应该结合地区状况选择方法组合，唯有如此才能取得更好的电力预测效果，这也意味着组合预测将势必成为以后的研究热点。

参考文献

[1] 段玉波，曲薇薇，周群，张彦辉.应用递归人工神经网络预测电力短期负荷[J].佳木斯大学学报（自然科学版），2010，（3）.

[2] 陈灿，刘新东.一种新的电力系统短期负荷预测方法[J].软件导刊，2010，（7）.

电网负荷预测方法 篇5

一、电网规划负荷预测

1电网规划负荷预测的概念

电力负荷预测主要是以电力负荷作为具体的对象在电网企业中进行预测, 在规划负荷预测中, 主要预测的方向是对未来电力需求量的预测、对未来用电量的预测以及对符合曲线的预测。在城市电网规划中, 通过对未来电力负荷的时间分布和空间分布, 在电力系统的应用中为电力的规划以及运行提供了科学的决策依据。

2电网规划负荷预测的分类

通常在电网规划负荷预测中主要是按照时间的顺序进行分类的。 (1) 长期负荷预测, 一般是在10年以上并且以单位为预测进行分类的, 它主要应用于制定电力系统的建设规划, 在城乡电网工作中能够带动电网的发展、能源平衡、电力盈余调剂并且提供更可靠的依据。在长期电网规划负荷预测中, 主要是根据5年规划进行同步实施, 主要的目的是带动经济的发展, 推测电网负荷预期的结果。 (2) 中期负荷预测:一般是5年左右为一个单位进行规划负荷预测。 (3) 短期负荷预测:是指在1年以内, 主要是以月、周、以及天为单位进行的负荷预测, 并且做好调度计划。 (4) 超短期负荷预测:主要针对1h或者是若干min的负荷, 在电网用于安全监视、预防控制以及紧急状态的电力系统处理。

二、电网规划负荷预测方法

1电力弹性系数法

在电网规划负荷预测方法中, 电力弹性系数法是指用电量的年增长率与国内生产总值平均年均增长率的比值, 在弹性系数中预测未来年份的弹性系数, 以及国民生产总值的增长率, 最终使得电力需求的增长率得到提高。在电力弹性系数中, 重要的是调整经济结构以及产品的结构, 最终使电力单位产值的电耗不断的增加甚至减少, 但是在电力弹性系数中由于预测的机构可信度不够高, 这就造成远期规划粗线条的负荷预测不够合理。

2用电单耗法

在电网企业中, 用电量=产品产量×产品的单位耗电量。但是在使用单耗法中需要进行大量的细致统计工作, 由于在实际应用中很难遇到比较准确的用电单耗, 这就增强了工作量。通常在电力负荷预测中主要针对第一产业、第二产业以及第三产业进行用电量的消耗。在规划中使用产值单耗法, 使得远期预测和长期预测可以同时进行, 在预测中主要是准确的地确定产值单耗指标。另外需要对国民生产总值的增长目标以及人口的发展政策进行预测。在产值单耗中, 一般是根据历史的数据统计, 并且结合相关的因素, 综合的分析预测之后的用电量变化。但是在用电单耗法中, 由于受到科技进步、产业结构调整以及单位产品电耗的不断下降, 最终影响了规划预测的结果, 因此在该方法的使用中需要进一步提高。

3回归分析法

在电网规划负荷预测方法中, 采用回归分析法, 这就需要根据历史数据的变化给IU率寻找自变量以及因变量之间的回归方程式, 最终确定模型参数, 并作出预测。在回归直线方程中, 按照回归方程的类型可以分为线性回归以及非线性回归, 在回归分析法中一般是用于中期预测, 将电网系统中的负荷以及各种社会经济因素相连接, 最终确保电网负荷增长趋势以及其他相关的测量因素。但是在电网系统负荷预测中, 由于采用的是地区总体规划, 这就造成了预测的困难, 并且在方法的使用中不能保证预测在理论上的结果精度, 这种预测规划不能符合量化结果和定性分析结果, 在方程的应用中比较困难, 因此, 该方法不常用。

4 GIS技术在配电网规划中的方法

在GIS系统中, 使用该技术主要是通过分析每一个变电站的每一条线路的架空和电缆的长度将最长的一条支线作为该线路的供电半径进行具体的预测计算, 其计算的结果显示在列表的表框中, 最终使用户选择一条线路时, 能够将预测的结果显示在该线路中, 以便做好线路的在电网中的具体规划, 其主要的流程如图1所示。

但是在供电半径计算中, 只是将大概的范围进行选定, 因此在使用中, 存在着缺陷, 这种城市电网规划负荷预测方法需要进一步研究。

5最大负荷利用小时法

在城市电网规划负荷预测中, 通过对已知某一项规划进行电量的预测, 采用的方法是最大负荷利用小时来实行具体的规划, 并且根据某一特定历史发展在惯性分析中确定详细的变化, 最终预测出具体的变化趋势, 在P=A/T中, P:一年中最大负荷, A:年需电量;T:一年最大负荷利用小时数, 在观察年最大负荷利用数的变化中, 结合相关历史数据对未来店结构的变化进行预测分析, 在随着第三产业的增长中, T会出现递减的趋势。

6负荷密度法

在电网规划负荷预测方法中, 主要根据城市各个产业的负荷密度, 并且结合城市规划预期的经济发展状况, 对各个区域的电量负荷密度进行预期值的测定, 算出的结果, 乘以各个区域的面积, 最终得出了负荷电网的预测值。在负荷密度法中, 对建筑的面积测量以及用电性质评定是预测的最关键因素, 提供比较可靠的数据分析。在预测中结合相关的不确定因素, 做好城市规划的用电量规划, 按照城市的发展状况测定用电水平, 提高用电的技术保障。

三、城市电网规划负荷预测方法的具体应用

在城市电网规划负荷预测中, 根据“十二五”规划对电网进行综合预测, 其采用的方法是:回归法、时间顺序发、弹性系数法以及分区预测法, 并且结合历史的统计数据, 做好规划的增长率。对城市的用电量进行预测, 调节全社会各个产业以及统调负荷。在预测中, 表现的结果见表1。

因此从表1中可以看出, 在“十二五”规划中, 用电量在逐年的增长, 在此期间, 最大负荷利用小时数有所下降, 但是在2020年中, 由于产业结构的调整, 城市居民的用电量在快速的上涨。

结语

在分析了城市电网规划负荷预测中, 结合当地的经济因素, 采用具体的电网规划负荷预测方法, 最终为提高我国电网规划的质量水平以及城市经济的发展有着重要的作用, 科学有效的控制了城市电网规划, 在比较准确的精度中, 提高了用电的质量, 推动我国电力事业的发展以及科学技术的进步。

摘要：本文介绍了电网规划负荷预测, 讨论了电网规划负荷预测方法, 研究了城市电网规划负荷预测方法的具体应用。

关键词：城市电网规划,负荷预测,应用

参考文献

[1]王刚, 赵剑锋.城市电网规划的负荷预测方法研究[J].电子世界, 2013 (28) .

电网负荷预测方法 篇6

关键词：城市电网,规划,负荷预测,新方法

1 做好城市电网规划工作的意义所在

作为区域电力系统重要组成部分的城市电网具有负荷密度大、电能质量要求高、供电可靠性要求高等特点。城市电力安全与国家的安全、社会的稳定以及国民经济的健康发展息息相关,为此,相关部门必须对城市电网的安全性给予高度的重视,全面做好城市电网的规划工作。城市电网规划工作具有重大的社会意义,首先,只有做好城市电网规划工作,才能对城市电网的建设工作进行有效的指导,加强和改造城市电网,使城市电网的结构更加合理,更加安全可靠,更加经济灵活,减少停电现象的发生,降低线损,进一步提高供电的质量;其次,城市电网是电力市场得以形成和发展的前提和基础,只有做好城市电网规划工作,才能确保电力市场的正常运营,才能确保电力这一特殊商品的正常流通。最后,城市电网的规划和发展是影响电源布局的重要因素,只有做好城市电网规划工作,才能进一步引导城市电源建设,促进资源的优化配置,并为发电领域竞争机制的引入提供良好的条件。

2 城市电网规划应坚持的主要技术原则

总的来说,城市电网规划的主要技术原则如表1所示。

具体来说,在进行城市电网规划时,主要应坚持上述六项技术原则。①就电压等级的选择而言,在进行城市电网规划工作时,应尽最大程度将电压等级、重复变电的容量以及线损降至最低。才外,还要对各级电压进行合理的匹配,拉大相邻两级电压之间的差距,协调变压容量的大小,避免上一级变电站容量过大或者国小等现象的发生。②就电网接线方式而言,在规划电网结构时,要做好长远打算,使电网结构更加科学合理。在进行电网接线工作时,应从全网出发,确保布局的合理性,增强电网接线抗事故干扰的能力。此外,电网接线工作还应坚持“分层分区、强化两头、简化中间”的原则,从而确保供电的质量。③就保证电能质量和供电可靠性而言,应做到以下两点:a.城市电网供电必须满足“N-1”的安全供电标准;b.城市电网供电还应具有连续性。城市电网规划工作应始终与城市电源同步配套规划建设保持高度的一致性,以确保电网结构的合理性、安全可靠性以及经济性。在城市电网规划中,应按照一定的变电容载比对各电压等级容量之间进行科学合理的配置,而容载比的选取以及其所依据的估算公式则必须符合现行《城市电力网规划设计导则》的相关规定。容载比按电压分层计算,既不易过大,也不易过小。在电压调整和无功补偿阶段,应严格坚持“按分层分区、就地平衡”的原则,将无功功率传输引起的有功损失降至最低。④就供电设备的选择而言,城市电网在规划建设以及改造的过程中,供电设备的选择必须符合城市规划布局以及道路综合管线布置的要求,进行统筹安排。选取得供电设备应满足电网规划设计的要求,同时,还应该很好的适应电力负荷的发展,跟随潮流的变化,并不断的引进新技术、新设备,早日实现标准化的要求。

3 当前城市电网负荷预测的新方法

在整个城市电网规划工作中,负荷预测可谓是最为关键的环节。一般而言,电网规划的目标以及内容直接决定了负荷预测的内容。①只有合理预测供电区作与规划年相应的负荷总量,才能最终确定规划年输配电系统所需的设备容量;②只有合理预测供电区域内的分块负荷,才能最终确定变电所设备的分布。在供电区域内部,之所以进行分块,目的在于使配电设备在布局时具有一定的分辨度,从而确保规划设计的系统布局与实际的负荷需要尽可能一致。而每一块分块面积的大小不仅与电网电压的等级有关,而且还与供电区的负荷密度有关。就前者而言,电压越高,则分块的密度就会越大。

负荷预测主要包括短期、近期、中期、长期负荷预测,且这几类预测通常适用于安排电网安全经济运行以及电网近期、中期、远景规划中。负荷预测的特点主要表现为不确定性、条件性、时间性、多方案性等,正是因为如此,传统负荷预测方法多种多样。近些年来,随着我国科学技术的飞速发展以及数学工具的广泛应用,负荷预测出现了许多新的方法,下面以表格的方式对新旧负荷预测方法进行列举,并对新的负荷预测方法进行详细的介绍。

3.1 灰色预测法

灰色负荷预测法主要适用于短期的负荷预测。在灰色数学理论看来,负荷序列是多种影响因素综合作用的结果。而这些多种影响因素所具有的未知性以及不确定性,最终决定了系统的灰色特性。灰色系统理论通过生成变化这一途径,将原本毫无规律可循的负荷序列变为有规律的生成数列。而灰色负荷预测法正是以灰色系统理论为理论支撑,并在此基础上对系统中所含有的不确定性因素进行预测,进而在数据不多的状况下找到在某个时期、某个阶段发挥作用的规律,建立起负荷预测模型,进而为负荷预测工作的开展提供科学的出路。

3.2 神经网络预测法

神经网络预测法既可以适用于短期负荷预测,也可以适用于中长期负荷预测,但适用于前者时效果更为显著。神经网络预测法以神经网络理论为理论支撑,其主要通过神经网络的学习功能,使计算机对包含在历史负荷数据中的映射关系进行系统的学习,然后利用这种映射关系对未来负荷进行有效的预测。该负荷预测法对于大量非结构性、非确定性的规律具有很强的适应功能。之所以说神经网络预测法更加适用于短期预测,是因为短期负荷变化较为平稳随机,而相比之下,中长期负荷预测,尤其是长期负荷预测模型的数学基础可能因政治、经济等因素的变化而遭到破坏。神经网络预测法具有很强的鲁棒性以及记忆能力,才外,其非线性映射能力以及自学能力也比较强大,以此被广泛的使用,具有较为理想的市场前景。然而,神经网络预测法也具有一定的缺陷性,主要表现为其学习收敛的速度较慢,不能很好的应对突发事件,容易陷入局部极小的状态。

3.3 小波分析预测法

具有良好的时频局部化特性是小波变换分析法的优点所在,小波变换分析法通过调整聚焦过程的尺度参数,可以聚焦于信号的局部结构,最终成功捕捉到突变信号并将其进行放大。通常情况下,负荷信号的变化周期包括日、周以及年,且各分量的频率特性也各不相同。负荷信号不同时刻的随机负荷分量可以被看做是随机时间序列,反映到周期性上,则可以通过各种高低频信号加以表示。负荷信号的整个变化过程具有连续频谱的特性,正是以此为理论基础,小波分析预测法可以通过小波变换这一途径,使得各个序列的分量投影到不同的尺度上去,并采用相应的模型对不同的子负荷序列进行科学的预测,最后再对序列进行有效的重构,进而得到较为完整的负荷预测结果。

3.4 卡尔曼滤波的负荷预测法

卡尔曼滤波的负荷预测法既可以同时适用于短期的负荷预测以及超短期的负荷预测。该负荷预测方法成功引进了状态空间这一概念,并将信号看作是一个在白噪声作用下的线性系统的输出。对于这种输出关系,可以成功的通过一个状态方程加以描述。此外,该预测方法还进一步提出了一种全新的线性递推滤波方法,该方法的提出得益于对概率论与数理统计领域新成果的成功利用。在这种新方法中,计算依据为有限时间的数据,同时对于统计资料的数量的要求也比较低。在线性递推滤波方法中,观测到新数据之后,就可以以前一刻的估计量以及新观测到的数据为依据,并借助过程本身的状态移动方程以及递推公式,进而得出新的估算量。该计算方式比较适合于计算机的在线估算。卡尔曼滤波的负荷预测法在整个递推过程中,不断的利用新信息修正状态估计,从而使得卡尔曼滤波模型也能够不断地堆状态信息进行更新,最终获得准确度较高的估计值。

3.5 模糊负荷预测法

模糊负荷预测法是近些年来备受关注的负荷预测方法,许多科学家致力于对其的研究。模糊负荷预测法以模糊原理为理论支撑,而模糊原理的描述对象具有广泛性和不确定性,与此同时,模糊原理还具有非常强大的非线性映射能力。对于任意一个非线性连续函数而言,模糊系统通常所作的工作就是找出一类隶属函数、一种推理的规则、一个解模糊方法,从而设计出一个任意逼近于该任意非线性连续函数的模糊系统。模糊预测法没有学习能力,其在将数据和语言形成模糊规则的过程中,需要借助模糊逻辑以及预报人员的专业知识。由于欠缺学习能力,单纯依靠模糊预测法得出的结果的准确度很低,因此,模糊预测法一般不会单独使用,而是与神经网络等符合预测法结合起来进行使用。

4 结语

总得来说,城市电网是区域电力系统的重要组成部分,做好城市电网规划工作以及负荷预测工作意义重大。以此为出发点,本文深入分析了做好电网规划工作应坚持的技术原则以及负荷预测的新方法,以期对做好我国当前城市电网规划工作以及负荷预测工作带来一些参考。

参考文献

[1]刘志瀚.电力系统负荷预测的应用分析[J].大众用电,20lO(11).

[2]乔松珊,张建军.基于灰色周期组合模型的电力月度负荷预测方法[J].华电技术,2012(08).

[3]袁铁江,袁建党,晁勤,郭立,张龙音,孔飞飞.电力系统中长期负荷预测综合模型研究[J].电力系统保护与控制,2012(14).

城市区域电网负荷预测的实践 篇7

一个地区的负荷发展水平与该地区的经济现状和发展密切相关。城市规划部门制定的城市发展规划是负荷预测的主要依据。所以在进行负荷预测工作前应首先对供电区域经济现状及发展规划进行调查和分析。本文以泉州市泉港区电网负荷预测的实践,探讨城市区域电网负荷预测的方法和思路。

1 泉港区概况

泉州市泉港区位于福建省沿海中部的湄洲湾南岸,20世纪中期起步建设。目前,随着炼油化工一体化项目(炼化一体化)的入驻泉港区,泉港将对泉州未来经济发展产生深远的影响。

1.1 泉港区负荷历史数据统计及特性分析

据统计,泉港区在2001～2004年间供电量年均增长率为27.32%,最大负荷年均增长率为18.9%,10 kV总售电量年均增长率为22.64%,其中商业年均增长率最高。

2000～2004年,泉港区电网最大负荷利用小时数始终保持在5 000 h的水平,这主要是由泉港区经济结构决定的。10 kV工业负荷用电占10 kV总电量的60%以上,总的工业负荷用电占总电量的80%以上,并且在相当长一段时间内这种局面不会有所改变。近期随着炼化一体化项目的人驻,工业将有更大发展。因此到2010年负荷利用小时数将维持在5 500 h左右的高水平。在规划远期随着第三产业的快速发展,第二产业将趋于稳定,最大利用小时数将会有所降低。

1.2 泉港区历史总电量与GDP增长的分析

为准确对电力发展情况进行预测,有必要分析一下电力和国民经济之间的关系,即电力消费弹性系数[2],以便根据经济发展形式制定电网发展计划。

据统计,2001～2004年弹性系数均值为2.21。电力消费弹性系数大于1,电力消费增长快于经济增长,是一些国家和地区工业化进程中普遍经历过的现象。

从未来一个时期泉港发展的趋势看,无论是推进工业化、城市化、现代化,还是加快产业结构升级、增长方式转变、生态环境建设,都会推动电力消费增长超前于经济增长。根据泉州市总体规划,预计泉港区未来5～7年电力弹性系数为1.3左右水平,2010～2020年略有降低在1.1左右。

从能源供需来看,2001～2004年耗电指标由0.055 93 kWh/元上升到0.079 5 kWh/元,年均增长.12.44%,2002～2004年耗电指标年均增长1.94%。随着泉港将重工业(炼化一体化)作为重要发展方向,这种趋势还会继续。

2 负荷预测模型选择与预测思路

2.1 负荷预测模型选择

负荷预测的模型有许多种[2],但因所需数据难以得到或预测模型的适应性不足,对某一具体规划区域而言,可供选择的预测模型并不很多。

针对泉港区的规划实践,泉港区规划部门提供了相对比较详细的用地规划,而且炼化一体化工业的发展具有非常规性,则类似时间序列等完全依靠历史数据进行远景预测的模型并不适用,必须考虑其他模型或者采用综合的方法进行。

通过对多种模型的理论分析并结合实际情况,最终确定泉港区的负荷预测以区域负荷密度指标法为主、并结合其他多种预测方法来进行。

不同地区、不同功能的区域,负荷密度是不同的。利用负荷密度法,一般要将预测区域分成若干功能区,然后根据区域的经济发展规划、人口规划、居民收入水平增长情况等,参照本地区或国内外类似地区的用电水平,选择一个合适的负荷密度指标,推算功能区和整个预测区的用电负荷。

2.2 负荷预测思路

为使负荷分布结果更加精确,对泉港区进行了细致的用地划分,将用地分为5个大区、57个中区和545个小区3个层次。同时确定了2004年为规划基准年,2008年和2010年为负荷预测近期年,2020年为负荷预测远期年。负荷预测的预测思路如下。

1)根据远期城市规划方案,确定相应行业的饱和负荷密度指标,进行远期年负荷分布预测,对炼化一体化等超常规发展工业负荷进行调整后,统计总负荷及分类负荷,计算总电量及分类电量。

2)中间年负荷电量预测分为:10 kV电量负荷预测和110 kV大用户电量负荷预测两部分。以远期年的负荷及电量预测结果为饱和值,结合历史数据采用相应的数学模型外推,得到近期的10 kV总负荷、总电量、分类负荷及分类电量预测值。根据110 kV大用户规划确定110 kV大用户电量负荷预测。然后把两者加权求和即得到中间年全区总电量总负荷预测结果。

3)结合近期分类负荷预测结果,对远期各地块负荷指标进行干预,然后根据干预后的结果进行负荷分布计算,得到近期负荷分布预测结果。

3 负荷预测结果

3.1 远期年负荷密度指标的确定

利用负荷密度指标法进行远期年负荷预测,必须要确定远期年每一类负荷的用电负荷密度指标,具体可从以下原则考虑。

1)可以参考已经经过了充分发展的大中型城市的同类型负荷的负荷密度情况,作为指标设置的依据。

2)对于地区特点明显的一些分类,如居住和工业等,再结合本地的实际情况进行修正。

3)考虑相同负荷分类内部的负荷指标要结合市政规划的具体情况,如不同规模的工业区、商业区,不同等级的居住区等。

4)对于无法区分等级的负荷分类,应该考虑城市中心区域与外围区域在负荷密度上的差异,对负荷密度指标进行适当调整。

通过对上海、广东、天津及青岛等城市同类型负荷的负荷密度的调查,并经过上述原则调整后,最终得到泉港区各类性质用地负荷密度指标如表1所示,其中需用系统取自《建筑电气设计手册》(中国建筑工业出版社1991年出版)。

3.2 远期年负荷预测结果

根据以上确定的负荷密度指标值,结合泉港区用地规划的实际情况,应用小区负荷密度指标法,可以得到2020年泉港区分区和分类的负荷预测结果。具体数值参见后述内容中的表4、表5。

经计算远期2020年总负荷为1 947.04MW,取最大负荷利用小时数为5 100 h,总电量为99.3亿kWh,平均负荷密度为6.07 MW/km2,扣除道路、公共绿地、风景区和部分水域地块后的平均负荷密度为24.85 MW/km2。

完成远期负荷预测之后,采用弹性系数、GDP单耗、人均居民生活用电量和负荷密度等4个指标进行校核。弹性系数和GDP单耗校核的结果,见表2。从表2中可以看到,预测结果2020年弹性系数为1.26,GDP增长率为15.61%,与国家规划中泉港区电力弹性系数为2010～2020年在1.1左右、GDP增长率2015～2020年趋于稳定为14%的预测接近;2004～2020年均电量增长率19.63%,比经济发展稍快,这是符合泉港区经济发展趋势的。

3.3 中间年负荷预测结果

总负荷及总电量的增长规律,可大致分为以下3种类型。

注:其中2020年的为预测值。

1)城市处于发展初、中级阶段的中小型城市,在预测期内,电量以近似指数规律增长,其年增长率比较大,简称为E型电量。

2)发展成熟的大型城市,其电量己经历过指数规律发展的阶段,在预测期内进入了一种具有饱和特性的发展阶段,简称G型电量。

3)对一些初期用电量低,而发展又十分快的城市,在预测期内,负荷按一种S型曲线趋势增长,简称S型电量。

结合泉港区的实际情况,经过调研分析,在远期,该规划区的负荷增长曲线应与S型电量增长曲线相近。但在近几年中,由于负荷增长水平较快,可以视作E型电量增长曲线。

泉港区2010年的10 kV总电量和总负荷的发展情况,是根据历史电量和最大负荷数据,采用各种数学模型外推。在外推过程中,将远期年负荷预测值设置为饱和情况,从而拟合负荷发展曲线,进行预测。

采用包络模型(下限)、等增长率、等维新息、指数平滑(线性)、指数平滑(二次曲线)、线性回归法(S曲线)、移动平均1、移动平均2等模型进行预测,2010年泉港区10 kV电量预测结果为5.878～8.2亿kWh,通过数据分析和专家干预,确定未来泉港区电量发展的高、中、低方案,然后采用S曲线回推得到各中间年结果。

采用包络模型(下限)、等维新息、等增长率、三段估计(逻辑斯缔曲线)、指数平滑(二次曲线)、三段估计(龚帕兹曲线)、指数平滑(线性)、多项式等模型进行预测,2010年10 kV负荷预测结果数据在17.127～13.238万kW。通过对原始负荷和负荷构成的分析,结合专家意见,然后采用S曲线回推得到各中间年结果。

通过综合比较并结合专家意见最终确定电量和负荷预测的中方案为本次规划10 kV最终电量负荷预测结果。

根据《福建省泉州市泉港石油化工区总体规划》和《泉州市泉港区城市总体规划》,110 kV炼化一体化项目负荷增长率以40%左右的水平来进行预测泉港区110 kV负荷电量。

从10 kV负荷、电量的预测结果与110 kV负荷、电量的预测结果,两者相加可得到2004～2010年泉港区总负荷电量的预测结果,如表3所示。

对于中间年而言,各行业负荷水平与2020年相比较仍有一定差距,各地块的负荷密度指标与远期年也应不同,但考虑到引起负荷密度差异的主要因素是土地利用率的差异,而各地块之间的负荷密度比例不会有较大区别,基于以上分析,确定2008年、2010年各性质用地的负荷密度指标仍采用2020年的值,从而得到2008年、2010年分区和分类负荷预测的结果,如表4和表5所示。

4 结语

本文通过对福建泉港地区原始资料的分析,确定了泉港区负荷预测的方法和思路。预测结果经过校核分析,证明是符合泉港经济发展趋势的,为下一步开展配电网规划工作奠定了基础。所提出的用于城网负荷预测的方法和思路对类似地区开展负荷预测工作有一定的借鉴意义。

参考文献

[1]程浩忠,张焰.电力网络规划的方法与应用[M].上海:上海科学技术出版社,2002.

电网负荷预测方法 篇8

关键词：母线负荷预测,负荷特性

随着我国国民经济的稳步发展, 人们对电力的需求量日益增强, 社会对电力发展也提出了更高的要求, 使得如今我国电力系统负荷呈现逐年增长的态势。然而, 母线负荷还存在很多的缺点和不足, 如母线负荷量大面广、缺少历史信息和研究经验、各母线之间差异较大等, 都是当前研究急待解决的问题。因此, 如何建立并完善科学的母线负荷预测管理体系, 已成为当前电力工作者们所要研究的首要课题。这不仅对母线负荷技术的发展具有很大影响, 对消除负荷特性中的的不良因素也具有非常重要的意义。

1 母线负荷预测的研究方法

1.1 短期负荷预测

所谓母线负荷, 即是由主变电站变压器的母线发出, 为其供应的所有供电区域提供的终端负荷之和。短期母线负荷预测的预测对象一般是母线下网负荷。从时间上划分来看, 短期负荷预测方法可分为传统预测方法和现代的预测方法。传统的负荷预测方法主要有回归分析法和时间序列法。回归分析法, 就是通过对观察出来的数据进行统计处理, 找出母线负荷与影响因素之间对应的线性关系, 从而得到数据之间的回归模型, 并以此为依据进行预测的方法;时间序列法则是把时间序列看作主要研究对象, 通过对时间与数据之间关系的分析, 进而产生结论的方法。时间序列法的原理是:对出现的问题进行假设分析, 找出时间序列与对应随机数据间的关系, 然后建立一个用时间序列描述数据变化过程的模型, 以模型为依据来估计参数, 从而在对已知的时间序列的观测值的研究中, 求得未来时间序列的预测值。传统的负荷预测方法比较直观, 便于理解, 应用广泛。现代的负荷预测方法则更为多样, 每种方法也都各具特点, 在实际研究过程中, 需根据实际情况, 选择合适的研究方案。

1.2 母线负荷预测

母线负荷预测中的一大难点就是坏数据的处理。因为母线负荷预测是一种信息不完备、不容易精确掌握和解决的问题, 在研究过程中会时常产生不精确的历史数据和坏数据, 这些误差会严重破坏绝大部分已有的研究方法。因此在母线节点历史数据库中, 要经常对历史负荷数据和已知信息进行预处理, 掌握每个节点历史数据与准确时序数据的关系, 以确保数据的准确性。在此方面, 各国科学家采用不同方法, 为得到准确的历史数据做出了不懈的努力。我国焦建林学者就曾提出了由时间序列的方法改进而来的母线负荷预测技术, 效果非常显著。

2 母线负荷预测系统的研究与实现

2.1 母线负荷预测坏数据的处理

在研究过程中, 要想得到真实可靠的负荷预测数据样本, 就需要采用合适的方法, 处理好已得到的原始数据以及历史数据, 及时对缺损数据进行弥补, 处理好异常的数据, 从而使预测的精度得到有效提高。处理时首先要对明显的缺失数据和数据的极大、极小值进行粗辨识与调整。以正常的极值时刻的平均值为标准制作数据的走向曲线, 找出曲线上在非负荷峰、谷时刻超出当日负荷的峰值或低于谷值的极大极小值。辨识完成后, 填补缺失数据, 修正极大极小值。想要修补已经缺损的数据, 可以利用由时间序列得到的正常数据拟合出一条曲线, 通过与实际数据曲线进行对比, 估计出缺损点的值, 进而对数据进行填补。

2.2 母线负荷水平方面的研究

母线负荷水平反映的是日负荷曲线走向, 其数据受季节、气象以及特殊事件等因素的影响。如果在研究过程中出现相关因素, 要对这些因素进行确定, 并分析各因素对负荷水平的影响程度, 根据它们的重要性和影响性的不同, 选择合理的研究方案, 找到对负荷水平的数据起到决定性作用的影响因素, 令人们更加合理的选择出相似日。对负荷水平进行单独预测时, 应尽量使用相似样本。目前一般利用SVM和LS-SVM算法进行短期负荷水平预测, 并已取得了较为明显的成果。其中, LS-SVM主要解决在短期负荷预测工作中的内外部优化问题。

3 电力负荷特性对电网的影响及对策

3.1 负荷特性对电网的影响

负荷的电能质量特性是母线工作过程中的表现出的独有特性, 指的是电能质量随接入电网的负荷因素变化而变化的特性。在负荷特性的影响下, 电力系统的电能质量会受到不同程度的影响, 而这类影响大多是负面且危险的。一般来说, 负荷特性对电网影响主要体现在以下几点方面:当电压水平过低时, 系统稳定性也会变差, 若在一定程度上, 电网缺乏无功功率, 又不进行及时的调整, 容易造成系统电压崩溃, 导致大面积停电甚至系统瓦解事故;当电力系统出现频率过高的情况时, 会使输电线路以及电气设备的电抗压降增大, 导致电压的调整效率变低。一旦出现这种情况, 将使电力系统运行变得非常危险, 若不对此进行及时的处理, 将可能引发一系列严重问题的发生, 甚至会使电力系统崩溃, 对电网的安全运行产生严重的威胁;当电力系统中的一些单相大容量设备出现超负荷运作等情况时, 会造成电网的三相电压不平衡, 由于系统中的多种保护和自动装置都是以电力系统的负序分量为起动元件的, 因此当出现三相电压不平衡时, 可能会产生较大的负序电流, 从而引起继电保护和自动装置的拒动或误动, 使装置的准确度降低, 通信也会受到不同程度的干扰。

3.2 掌控负荷特性对电网影响的措施

首先, 电网经营者、管理者要认真研究, 经常对电力负荷特性进行有效的分析评估, 从而解决当前的实际问题, 制定出最佳的供用电方案, 促进并加强电网供电的可靠性, 掌握负荷特性的变化规律, 使人们在电力系统不断发展的今天, 能够及时对负荷特性为电网安全运行带来的影响进行处理;其次, 研究人员要尽早建立出专用于负荷特性的分析系统, 统计出对电力系统有影响的各负荷数据, 对每个数据进行处理, 构建起直观的分析模型, 并以此为依据, 对电网中的负荷特性做出准确的分析;此外, 了解供电厂母线所供应的每个供电区域的负荷相关特征, 提供精准的技术辅助决策, 并依照相关的分析结果, 建立电网负荷安全评估系统, 制定电网技术改造措施, 依据科学的数据, 进而确保电力系统的安全、稳定运行。

4 结语

本研究充分认识到在目前电网发展的新形势下对于母线负荷预测研究的重要性和紧迫性, 同时对比当前国内外关于母线负荷预测方面的研究现状, 分析了出现在我国母线负荷研究中的一些问题, 并为母线负荷预测及负荷的特性对电网影响的研究提供了一些方法和思路。

参考文献

电网负荷预测方法 篇9

关键词：配电网；电力需求；负荷预测；常规负荷；点负荷；饱和负荷

中图分类号：TM715 文献标识码：A 文章编号：1009-2374（2013）08-0132-02

1 概述

南宁供电局近期开展了《“十二五”配电网规划细化》、《南宁市城市电网饱和网架规划》、《南宁-东盟经济开发区电力专项规划》等工作。配电网规划的基础是负荷预测，以历年的负荷数据及社会经济发展的相关资料或未来国民经济发展、城市规划等资料进行负荷预测。目前近期配网规划负荷预测方法多采用常规负荷加大用户法进行预测，而远期规划负荷预测尚未有共识，我局远期规划采用的是饱和负荷预测法，通过抽样调查饱和负荷区域负荷密度为参考指标，从而推算出全市负荷，为配网远期建设规模提供数据支持。

2 负荷预测方法介绍

2.1 常规负荷加大用户预测法

2.1.1 常规负荷预测方法。通过对南宁市各区的历史和现状资料进行充分收集、整理，分析历史发展规律和负荷增长情况，以时间为自变量，按历年用电负荷和电量的增长率推算规划期内的用电负荷。以南宁市为例，历年常规用电负荷如表1所示。

通过计算，得知2009～2011年年均常规负荷增长率为8.19%。结合南宁市经济社会发展情况和“十二五”期间第一、二、三产业政府提供的GDP值预测，最终规划采用的年均增长率值有所调整，为8.46%。

2.1.2 大用户预测法。该方法主要是单独对点负荷进行预测，用于解决常规负荷预测方法无法预测小范围内突增负荷的问题。结合我市实际情况，我们定义的大用户是指已有或规划的工厂、采矿厂等负荷超过1万千瓦的用户。通过与南宁市相关政府部门对接，搜集相关资料，得出大用户负荷情况如表2所示。

通过常规负荷预测加大用户法，2011～2015年最终负荷预测结果如表3所示。

2.1.3 预测方法浅析。该负荷预测方法的优点：较为简单直观，将负荷分为两块进行统计，排除了点负荷对常规负荷自然增长的影响，总的负荷预测结果较为理想。缺点：该负荷预测方法需要搜集的基础数据较大，仅适用于近期负荷预测。

2.2 饱和负荷预测法

饱和预测负荷法是对城市发展终期饱和负荷进行预测，从而规划出城市发展饱和后所需变电站数量、容量规模，规划相应站点、输电线路走廊，为地区电网发展提供依据及参考。

目前我局《南宁市城市电网饱和网架规划》是与南宁市规划局合作共同出资开展。饱和负荷预测最核心的是用地负荷密度计算及城市发展详细规划资料，从而根据饱和成熟区负荷计算出其他相同用地性质的负荷。大致负荷预测过程如下：

2.2.1 负荷密度抽样调查。抽取南宁市6个城区不同供电区分类的小区、商业楼、大型市场等负荷进行抽样调查，抽样样本为南宁市内发展成熟、人口密集的各类用地（A、B类地区）。根据《南宁市“十二五”配电网规划细化》报告内容，南宁市城市级别为一级主要城市，供电区共划分为A、B、C、D、E5类负荷，负荷分类原则如表4

所示。

以南宁市青秀区为例子，我们抽取了A、B类供电区的商业、住宅小区、办公、大型酒店等最大负荷，并根据地块面积、容积率等计算出负荷密度。抽样样本如表5所示。

根据抽样样本综合统计，采用求平均值的方法，计算出部分地块性质的饱和负荷密度如表6所示：

2.2.2 结合南宁市总体规划，分片区计算全市总负荷。根据饱和负荷预测的数学模型：

式中：P表示城市总饱和负荷；Kp表示负荷同时率；i表示城市的某个片区；n表示城市片区个数；m表示土地使用类的个数；Sij表示第i片土地第j类土地使用面积；Kij为第i片区第j类地块的建筑容积率；Ckij表示第i片区第j类土地使用负荷密度。

再结合南宁市城市总体规划，计算出青秀区各个地块的终期负荷密度并求和，可得出如表7所示的结果。

2.2.3 根据预测出的中压负荷数据，推算110千伏、220千伏负荷，提出规划变电站容量及布点。通过对现状220千伏、110千伏变电站典型日与10千伏负荷的关系抽样调查，得出的各级电网最大负荷同时率：110千伏主变负荷与10千伏配变总负荷之比约为0.65～0.70，220千伏主变和110千伏主变负荷之比约为0.92～0.95。计算出各层及负荷后，根据容载比要求（110千伏：1.8～2.1；220千伏：1.6～1.9），推算出各供电区所需的变电容量，进而规划变电站布点。

2.2.4 预测方法浅析。饱和电力需求负荷预测是一种基于饱和负荷密度的城市远景饱和负荷预测的方法。通过收集城市各分区经济发展规划信息，把各分区按功能地块统计建筑面积，分析得出各功能地块的饱和负荷密度，建立城市空间饱和负荷模型，预测出城市远景饱和负荷。该预测方法不仅能对负荷总量进行预测，还可以知道分区负荷的空间分布，可以为城市合理安排电网建设提供依据。

3 结语

随着电力市场的发展，负荷预测的重要性日益显现，并且对负荷预测精度的要求越来越高。传统的预测方法比较成熟，预测结果具有一定的参考价值，但要进一步提高预测精度，就需要对传统方法进行一些改进。南宁市配网负荷预测方法就是在传统方法的基础上，结合南宁实际国民经济发展、城市规划情况而形成的。我相信，随着负荷预测的理论研究与实际情况结合越来越紧密，负荷预测的精度亦将越来越高。

参考文献

[1]中国南方电网公司“十二五”110千伏及以下配电网规划编制技术规定[S].

[2]中国南方电网公司220千伏及以上规划技术原则系统一次部分[S] .

[3]牛东晓，曹树华，等.电力负荷预测技术及其应用[M].北京：中国电力出版社，2006.

提高电网日负荷预测准确率的措施 篇10

1 影响电网日负荷预测的因素

1.1 电网基础数据不准确

电网基础数据是开展日负荷预测的前提条件,基础数据的正确率是影响日负荷预测准确率的关键因素。其中,基础数据不准确包括历史数据不准确、自动化系数不准确、外部信息缺失等。

1.2 负荷预测管理系统不准确

负荷预测管理系统不准确包括负荷预测软件预测精度低、硬件设备不可靠等。表1所示为造成负荷预测管理系统准确率低的各项因素、原因和确认措施。

2 提高许昌电网日负荷预测准确率的措施

许昌地处中原地区,西部禹州山地较多,其余大部分面积属平原,夏季闷热天气较多,湿度不大,具有典型的“热岛效应”。近年来,随着国民经济的发展和人民生活水平的提高,降温及取暖电器的拥有率及使用率逐年上升,而且这种增长趋势还会加快。降温及取暖负荷一般构成用电峰荷,气温已成为影响电力负荷的一个敏感因素。

2.1 提高日负荷预测算法准确率

通过改进原来的负荷计算算法,建立新的算法体系,建立更加合理的负荷指标,加强对许昌电网负荷特性分析。通过建立多种负荷模型,特别是节假日和夏季负荷模型,从而提高日负荷预测算法准确率。日负荷预测算法准确率是指天气预报等基础数据无误差且无人工干预情况下,使用负荷预测算法时能够达到的准确率。许昌供电公司以往负荷预测是以合格率为考核指标,允许一定的偏差。目前,负荷预测考核指标已修改为准确率,精度要求更高,难度更大。但负荷预测软件未做相应修改,仍影响预测精度。我们以准确率指标为最优进行日负荷预测模型优化后,已有效提高了预测精度。

2.2 增加天气预报数据

天气信息是影响日负荷预测的基础数据之一,能否准时接收天气预报直接影响着日负荷预测工作的时间,也影响着日负荷预测的精度。为保证气象信息准确快速传达,许昌供电公司通过与许昌气象台深入合作,建设了气象网站,同时协助许昌气象台提供更加丰富的气象数据,建立专门的网络传输通道,将气象信息及时上传到气象网站,并传输到负荷预测管理系统。许昌供电公司还多次与河南省气象台就气象预报的数据量展开深入讨论研究,最终与省气象台达成协议,使气象台提供的信息在达到负荷预测管理系统精度要求的同时,还增加了气象预报的种类和分析报告。信息内容涵盖温度、湿度、风速、日照、降雨、降雪等数据,还包括气象趋势预测和气象综合评价。另外,过去气象信息都是由预测人员手动输入负荷预测管理系统,输入效率低且容易发生错误。为使气象信息能够及时上传到气象网站,并自动传输到负荷预测管理系统,许昌供电公司调动自动化、通信专业人员设计了专用网络传输通道,使得气象数据传输更加安全可靠。