空间负荷预测方法

空间负荷预测方法（精选7篇）

空间负荷预测方法 篇1

0 引言

对指定区域内未来电力负荷时空分布的预测称为空间电力负荷预测,简称空间负荷预测(spatial load forecasting,SLF)。SLF是城市电网规划的基础,已经成为一个重要的热点研究课题。

现有的SLF方法可分为4类:直观法、多变量法、用地仿真法和趋势法[1,2,3,4,5,6,7,8,9]。其中,直观法和多变量法已经基本不被采用,趋势法和用地仿真法是当前研究SLF的2类主要方法。

基于时序的SLF方法是2类主要的SLF方法之一,其前提条件是掌握各子分区上负荷的历史数据,从而将全空间的负荷预测分解为各子空间的负荷预测。这类预测方法可以利用时间序列的分析成果,通过对目标时点各子区域负荷的预测,来把握负荷未来的时空分布。当子区域按馈线的供电区域划分时,可以方便地获取历史数据,并便于运用预测结果指导城市电网的扩展规划。与用地仿真法相比,基于时序的方法可得到与电网拓扑结构相匹配的预测结果,预测精度可检测,可以免受不准确的用地信息影响,能够运用到不同电压等级电网的发展规划。

SLF研究的实践表明,影响基于时序的SLF精度的一个主要因素是,由于城市电网结构属性而带来的区域间负荷转带(又称负荷转移)改变了所讨论的区域负荷自身变化的规律性,从而影响预测结果的精度。因此,即使有了各子区域负荷的时序数据,也不一定能取得好的预测结果,必须对电网运行中影响子区域负荷时序规律性的因素进行识别和处理,才能得到便于预测、反映子区域负荷本征变化规律的时序数据,从而提高SLF的精度。

本文研究了一类处理城市电网负荷转移的时序消差方法,主要目标是减小或消除子区域间负荷转移对负荷时序本征规律性的影响,从而提高用于城市电网规划方案修订的短期(1年)SLF精度。

1 负荷转移的分类

SLF中,子区域的划分可以有多种方法,本文以城市电网10 kV馈线的供电区域作为元胞,这样所得到的负荷空间分布与电网的拓扑结构相匹配,并可通过负荷汇聚,方便地得到上一电压等级负荷的空间分布[10,11,12,13,14],为城市电网发展规划提供依据。元胞之间不同形式的负荷转移如图1所示[15],其共同特点是负荷转移量随时间而变化,一般在实际中并没有记录相关负荷转移的量值,通常只知道存在负荷转移的某些馈线的名称及对应时间。因此,寻找并修正这类情况所导致误差的方法很困难。

图1中,若SLF中所用数据的单位时间是1年,且负荷转移的时间超过1年,则称之为跨单位时间型的负荷转移。

2 跨单位时间型负荷转移的消差方法

对跨单位时间型负荷转移给SLF带来的不利影响,通常采用负荷转移耦合(LTC)法来克服[8,9]。但LTC法中通过远景年(例如未来的第20年)负荷强行修正元胞负荷的外推趋势,在本质上基于负荷密度分析,并且所用远景年负荷的估计值与实际值偏差可能较大,使得远景年负荷对LTC法的有效性难以保证,所以LTC法的效果并不理想。为此,本文对LTC法进行了改进,不使用远景年负荷,具体如下。

采用如式(1)所示的三阶多项式对任意元胞负荷历史数据进行曲线拟合:

l(t)=a+bt+ct2+dt3=

T (1)

式中:t为历史负荷的年份。

定义1 负荷矩阵F7×1,其中向量Fi表示为:

Fi=T (2)

式中:i=1,2,…,I;I为元胞总数;li(j)为元胞i第j年的负荷值;j=1,2,…,7。

矩阵F7×1的含义为:某个元胞过去7年的负荷历史值所构成的7行1列的矩阵。

定义2 三次多项式系数矩阵C4×1,其中向量Ci表示为:

$\mathit{C}{}_i=[a{}_{i}b{}_{i}c{}_{i}d{}_i]{}^{\text{Τ}}(3)$

定义3 参数矩阵P7×4为:

$\mathit{{\rm P}}{}_{7\times 4}=\left[\begin{array}{cccc}1& 1& 1& 1\\ 1& 2& 4& 8\\ 1& 3& 9& 27\\ 1& 4& 16& 64\\ 1& 5& 25& 125\\ 1& 6& 36& 216\\ 1& 7& 49& 343\end{array}\right](4)$

式中:P中元素可用Pij表示(i=1,2,…,7;j=1,2,3,4),且有Pij=ij-1。

此时,式(1)可化为:

$\mathit{F}{}_i=\mathit{{\rm P}}{}_i\mathit{C}{}_i(5)$

式(5)中的Fi和Pi均为已知,求Ci。

根据最小二乘法原理,有

$\mathit{C}{}_i=(\mathit{{\rm P}}{}_i^{\text{Τ}}\mathit{{\rm P}}{}_i){}^{-1}\mathit{{\rm P}}{}_i^{\text{Τ}}\mathit{F}{}_i(6)$

求出Ci后,将其代入式(1),可求出l(t),若取t=8,9,…,即可求出未来几年的负荷值。

若出现跨单位时间型负荷转移的情况,如图2所示,则采用Markov回归法同时外推2个元胞的负荷历史数据。

按照式(2)定义Fi和Fj,合并成F2,即

$\mathit{F}{}_2=[\mathit{F}{}_i^{\text{Τ}}\mathit{F}{}_j^{\text{Τ}}]{}^{\text{Τ}}(7)$

同理,式(3)所示的系数矩阵变为:

C2=CTiCTjT=

T (8)

式(4)所示的参数矩阵就变为:

$\mathit{{\rm P}}{}_2=\left[\begin{array}{cc}\mathit{{\rm P}}{}_{7\times 4}& 0\\ 0& \mathit{{\rm P}}{}_{7\times 4}\end{array}\right](9)$

则式(6)修改为:

$\mathit{C}{}_2=(\mathit{{\rm P}}{}_2^{\text{Τ}}\mathit{{\rm P}}{}_2){}^{-1}\mathit{{\rm P}}{}_2^{\text{Τ}}\mathit{F}{}_2(10)$

式(10)中C2包括8个系数,其中前4个为元胞i的三阶多项式系数,后4个为元胞j的系数。

经过式(2)~式(10)的分析后可以知道,通过式(10)中C2得到的8个系数与采用式(6)分别求出的元胞i和j的系数相等。

推广后可得k个元胞间负荷转移时的Ck为:

$\mathit{C}{}_k=(\mathit{{\rm P}}{}_k^{\text{Τ}}\mathit{R}{}_k\mathit{{\rm P}}{}_k){}^{-1}\mathit{{\rm P}}{}_k^{\text{Τ}}\mathit{F}{}_k(11)$

由于曲线拟合并不能消除负荷转移引起的误差,所以这里利用方阵Rk来解决。

定义4 方阵Rk的对角线元素均为1,在非对角线位置上,存在负荷转移的k条馈线的年份处为1,其他均为0。

式(11)中矩阵Rk的维数及各元素的数值与实际使用的负荷历史数据有关,如果负荷转移只发生在2条馈线之间,且每条馈线有7年的负荷数据,则此时Rk为R2,是一个14×14的方阵,即

$\begin{array}{l}\mathit{R}{}_2=\\ \left[\begin{array}{cccccccccccccc}1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1\end{array}\right](12)\end{array}$

例如,对于图2所示元胞i和j在第5年存在负荷转移,则矩阵R2中除了对角线元素和非对角线的r5,12和r12,5为1,其余元素均为0。

可见,式(11)利用矩阵Rk非对角元素建立的曲线回归等式,由元胞i和j在第5年的负荷值来共同决定2个元胞的系数,即在2个元胞第5年负荷值耦合的条件下求取相关系数,从而降低了负荷转移给趋势预测法带来的误差。正因如此,该方法被称为LTC法。

所以,改进的LTC法能在已知发生负荷转移的元胞名称及年份的情况下,无需确定元胞之间负荷转移的方向和大小,便可有效地消除跨单位时间型负荷转移给SLF带来的不利影响。值得注意的是,该方法具有消差和预测2项功能,并可同时实现。

3 非跨单位时间型负荷转移的消差方法

对于存在非跨单位时间型负荷转移的2个元胞,可能出现一个元胞的年最大负荷没有受到负荷转移量的影响,而另一个元胞的年最大负荷却受到负荷转移量的影响。此时,LTC法就无能为力了。

但是,根据联络开关的动作记录可以知道负荷转移发生的日期(即时点的个数可知)和发生在哪些元胞之间,所以能够确定出元胞各自的累积负荷曲线中包含负荷转移量的相关时点并予以剔除,从而达到补偿该元胞年最大负荷中的负荷转移量的目的。

持续型负荷转移可能持续数天,甚至数月,因此需要使用该元胞的所有负荷历史数据来分析。例如,图3给出了元胞1在最近5年内的日最大负荷曲线,该元胞在第4年内转带了其他元胞的负荷,并持续了29 d。

与图3对应的累积负荷曲线见图4。如果去除存在负荷转移的29个日最大负荷值之后,日最大负荷中的最大者为Pmax′,则可把Pmax′用做元胞1第4年的年最大负荷值P4max。在此基础上,结合其他年最大负荷,通过趋势外推即可得到预测结果。这种处理方法的实质是利用不包含负荷转移量的其他年份的元胞年最大负荷,来替换包含负荷转移量的元胞年最大负荷。

对于间断型负荷转移,如果可以认为在1年内,有多个日最大负荷值与年最大负荷值相差不大,而且出现的日期邻近,那么就能够使用按年分段累积负荷曲线来分析。例如,图5给出了元胞2在最近5年内的日最大负荷曲线,该元胞分别在第3年和第5年内转带了其他元胞的负荷。

元胞2的按年分段累积负荷曲线见图6。去除存在负荷转移的日最大负荷后,P3max′与P5max′可分别用做第3年和第4年的年最大负荷。在此基础上,结合其他年最大负荷,经趋势外推即可实现预测。

这种处理方法的实质是首先假定了1年内元胞存在某些日最大负荷值与该元胞年最大负荷值大小接近,而且这些日期也相邻,然后根据间断型负荷转移的特点,认为去除该年中包含负荷转移量的日最大负荷值之后,剩余的各日最大负荷值中的最大者可以被视为年最大负荷值。

4 实例分析

在城市电网负荷规律性分析[15]的基础上,针对不同形式的负荷转移,采取前述相应的时序消差策略,并通过优选法确定各元胞应采用的时序外推算法实现SLF,简称时序消差SLF法。

以某城市中的一个供电分局为例,该分局的28条10 kV 馈线各自供电区域见附录A图A1。按本文约定,取28条馈线供电区域作为元胞。已知2004年至2008年上半年的负荷历史数据。若以半年为一个时点,则每个元胞有9个历史数据。根据上述已知条件分别单独使用灰色理论法、指数平滑法、线性回归法和时序消差SLF法预测2008年下半年各元胞的负荷(外推一个时点)。预测结果及其误差对比分析见表1。

4种方法的预测结果误差的绝对平均值分别为0.852 MW,0.690 MW,0.902 MW,0.489 MW;预测结果误差的方均根(RMS)分别为1.167 8 MW,0.970 0 MW,1.206 8 MW,0.653 4 MW。可见,时序消差SLF法预测结果误差的绝对平均值和方均根值均小于其他3种方法,说明该方法从整体上具有优势。

为考察具体的误差分布,图7分别给出了不同预测方法所得结果中元胞预测误差的分布。容易看出时序消差SLF法的预测结果中,14个元胞的相对误差小于10%,占全部28个元胞的50%,时序消差SLF法的最大预测误差也小于其他3种方法的最大误差,由此可见时序消差SLF法在精度上的优越性。

综上所述,时序消差SLF法优于其他3种方法。

5 结语

本文提出一种用于识别和校正相邻元胞之间负荷转移的负荷时序消差方法。该方法能有效降低元胞之间负荷转移导致的对元胞本征负荷规律性的影响,从而提高空间电力负荷预测的精度。实例分析表明了时序消差SLF法的实用性和有效性。

附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。

摘要：通过分析影响基于时序的空间负荷预测(SLF)精度的主要因素,提出一种用于识别和校正负荷转移的负荷时序消差方法。将元胞之间经常出现的非永久性负荷转移分为跨单位时间型和非跨单位时间型2种,对前一种采用改进的负荷转移耦合法实现负荷时序消差,对后一种采用基于累积负荷曲线确定元胞负荷最大值的算法实现负荷时序消差,从而降低元胞之间负荷转移对SLF精度的不利影响。通过算例验证了基于负荷时序消差的SLF效果,结果表明该方法实用、有效。

关键词：空间负荷预测,负荷转移,城市电网,时间序列

空间负荷预测方法 篇2

空间负荷预测于20世纪80年代由美国的H.L.Willis提出[1]。其目的在于不仅要求能够预测未来负荷的量,而且还能预测负荷增长的地理分布情况。国内外研究空间负荷预测的方法主要有趋势法、多变量法和用地仿真法[2,3,4,5]。趋势法和多变量法预测精度较差,已逐渐淘汰。用地仿真法以划分的小区为基础,通过预测规划年城市土地利用的情况来进行相应的空间负荷预测,预测精度较高,是目前空间负荷预测使用的主要方法。用地仿真法的核心是土地使用决策[6],通常使用模糊推理法[6,7,8,9,10],然而实际预测中影响小区负荷的因素很多,模糊推理规则的总数随着输入个数的增加呈几何级数“爆炸”,同时对隶属函数的选取带有明显的主观性。文献[11]提出基于空区推论的空间负荷预测方法,避免了同类新老小区基于统一的分类负荷平均密度来确定,但具体预测过程仍采用传统的方法。文献[12]提出电力负荷元胞的概念,制定了考虑多种相关因素的负荷元胞转换规则和相关系数,但是相关参数的选取以及各个小区的历史负荷数据的收集比较困难。文献[13]提出采用粗糙集属性约简动态获取用地转换规则,在一定程度上克服了采用静态的规则预测小区未来的土地使用类型这一缺陷,但其在转换规则迭代过程中仍存在人为因素。

蚁群算法是意大利学者M Dorigo[14]等人提出的一种基于种群的自适应模拟进化算法,其原型是一个寻找最短路径的模型,因此它在路径优化方面有着更好的优势,基于蚁群算法的分类规则挖掘正是一个寻求最优路径的过程。针对配电网的特点,本文提出了基于蚁群算法的配电网空间负荷预测方法,即采用用地仿真法对小区的未来土地使用类型进行模拟,模拟的过程中采用蚁群算法动态地获取用地类型的转换规则。最终结合分类负荷总量预测将小区的用地类型转换为电力负荷,有效地预测未来规划年的负荷空间分布。

1 蚁群算法

1.1 蚁群算法原型

蚂蚁在觅食的过程中,能在其走过的路径上释放一种特有的信息素,该物质随着时间的延续不断挥发。蚂蚁在运动过程中能够根据信息素浓度的大小来指导自己朝着信息素浓度高的方向移动。因此,由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象。蚂蚁个体之间就是通过这种间接的通信机制达到协同搜索蚁巢到食物源的最短路径的目的[15]。图1是蚁群觅食的过程图,能够形象具体地说明蚁群算法的群体智能原理。

1.2 基于蚁群算法的分类规则挖掘简介

数据分类是数据挖掘的一个重要领域,其过程一般可分为两个步骤:第一步是建立分类模型,描述预定的数据类集或者概念集,采用分类规则集的形式来表示。第二步是使用分类规则对新的数据集进行划分。基于蚁群算法的分类规则挖掘最初由巴西学者Parpinelli等[16]于2002年提出,主要是利用蚁群觅食原理在数据库中搜索最优规则,从一条空规则开始重复选择节点加到当前路径上,直到把所有属性搜索完成得到一条路径为止。定义搜索路径为属性节点和类节点的连线,如图2所示。每条路径对应一条分类规则,产生的规则形式为:

IFTHEN(1)其中:条件项termi用<特征属性,操作符,特征值>表示;结论(class)定义了样本的预测类别。在此过程中,若属性值为连续值,需要预先对其进行离散化处理。

搜索的过程中,经历规则构造、规则修剪、信息素浓度更新三个步骤,最终确定分类规则。同时结合启发式函数、概率论等方法引导搜索,加快收敛速度。由于蚁群算法特有的正反馈特性和自适应性,其在数据挖掘中得到了充分的利用和发展,并被应用于其他众多领域。

2 空间负荷预测模型及流程

空间负荷预测方法通常是先将负荷进行分类,再将规划区域细分成若干小区然后以划分的小区为对象,预测各小区的负荷值。预测过程可以用式(2)来表示:

其中:ƒ1表示将小区(x,y)映射成未来的土地利用情况L(x,y);ƒ2将土地利用情况L(x,y)映射成基于土地利用的负荷信息S(x,y);ƒ3将所有(x,y)的负荷S(x,y)映射成总的负荷S。ƒ1就是土地使用决策过程,也是空间负荷预测的核心。

综上所述,本文提出的基于蚁群算法的配电网空间负荷预测方法的总体流程如图3所示。

3 空间负荷预测的详细步骤

3.1 分类负荷总量预测

在空间负荷预测中,需要根据不同的用电特性和用地特性将电力用户分成若干类型,通常简单地分为:工业、商业、居民和市政四类。近年来,国家加强了用户需求侧管理,可以收集到比较齐备的各类用户的负荷数据。根据这些数据,采用线性回归法、指数平滑法、组合预测法等常规的负荷预测方法预测出各类负荷的增长总量。

3.2 小区划分

小区划分是空间负荷预测的必要条件,小区划分得越细,负荷预测的空间分辨率越高,配电网规划就越细致。首先将规划区域数字化后的地图在GIS平台中分成若干图层,同时应用GIS功能在规划区域上产生一个网格划分层,将规划区域按照一定的标准划分为多个规则的小区。本文中将规划区域划分成大小一致的方格,这种划分规则有利于方法的通用性和标准化。

3.3 空间信息提取

利用GIS平台的空间分析功能,从数字化图层中自动获取小区的相关空间信息。用地类型转换的概率往往取决于一系列的空间距离变量、邻近现有用地的数量和小区的自身属性等,本文中需要从GIS平台上提取的空间信息有:

C1:与最近主干道或高速公路的距离;

C2:与市中心的距离;

C3:与最近的商业中心的距离;

C4:与最近的工业区的距离;

C5:与最近的居民区的距离;

C6:与最近的学校的距离;

C7:Moore型邻居中相同用地类型的小区数;

D:小区的用地类型。

3.4 数据预处理及建立样本数据表

通过GIS平台获取各小区的空间分布和相关属性数据,即可生成一个预测样本的数据表。由于基于蚁群算法的分类规则挖掘适用于处理离散属性值,因此还需要把空间信息C1~C6连续的属性值进行离散化。文中根据从GIS平台上收集到的规划区域实际距离样本,采用文献[17]中的分级聚类法对条件属性进行离散化,把样本值模糊离散化为3个定性的属性值(分别用1、2、3代表“很近”、“近”和“远”),土地分类属性D用1、2、3、4分别表示用地类型为工业、商业、居民和市政。

3.5 用地类型动态转换规则的获取

通过蚁群算法对预测样本数据表进行分类规则挖掘,获取小区土地使用的转换规则。在运用蚁群算法挖掘用地类型转换规则时,各空间变量及邻居状态作为蚂蚁路径的属性节点,用地类型作为蚂蚁路径的类节点。通过挖掘所获得的每条路径对应于一条分类规则,从而自动获取城市用地演变的转换规则。

基于蚁群算法挖掘小区用地类型转换规则的过程如下。

3.5.1 规则构造

规则构造过程依次从属性C1~C7和类D的所有节点中随机选择一个节点加入当前的路径。但是完全随机地选择节点需要大量的计算时间作为代价,算法效率太低。故通常将信息素正反馈机制和一个启发式函数相结合,引导蚁群的搜索,缩短收敛时间。

属性节点的选择依照概率进行,对于属性i,其所属节点termij被选择到当前路径的概率为:

式中:τij(t)为节点termij的信息素浓度;ηij(t)为节点termij的启发式函数值;bi为条件项termi中属性值的个数;α为属性个数。

Parpinelli等人提出基于信息熵的方法来构造启发式函数,用以引导蚂蚁搜索[16]。为了减少计算的复杂度,本文采用一种基于密度的启发式函数。定义属性节点termij的启发式函数值ηij为[18]:

式中:|Tij|为满足节点termij的实例数;majority_class Tij为满足节点termij的实例数中,占有最多类型的实例数。

构造路径之前,所有路径节点的信息素浓度需进行初始化:

3.5.2 规则修剪

为了避免路径节点的重复选择导致分类规则对样本的过度拟合,同时剔除那些对分类结果作用不大的属性,在规则构造之后必须进行规则修剪。依次移去使规则有效性得到最大提高的属性节点,直到任何一个属性节点的移除都会降低规则的有效性为止。规则的有效性计算如式(6):

式中:TP表示满足规则条件,并且和规则预测类型相同的样例数;FP表示满足规则条件,并且和规则预测类型不同的样例数;FN表示不满足规则条件,并且和规则预测类型相同的样例数;TN表示不满足规则条件,并且和规则预测类型不同的样例数。

3.5.3 信息素浓度更新

在每一条规则经过修剪之后,所有路径节点的信息素浓度必须重新进行更新。被包含的路径节点的信息素浓度将增加,而没有被包含的路径节点的信息素浓度将减小。为了克服基本蚁群算法收敛过快的缺陷,在此采用一种属性节点的信息素浓度更新方式如式(7):

其中:ρ为信息素的挥发系数;Qk为本次迭代过程中第k只人工蚂蚁找到的分类规则的有效性,而其他不在此规则中出现的条件项信息素仅进行规范化处理(即除以所有条件项总和)。

当连续若干蚂蚁搜索到同一路径,或者当迭代的次数达到指定的次数时就认为搜索收敛,对该规则进行修剪后成为一条最终规则。通过对样本数据表的挖掘,最终获得小区用地类型的转换规则。

3.6 小区负荷预测

将获得的小区用地类型转换规则应用于规划区域进行用地类型预测,即可得到规划区未来规划年各类用地面积总量的预测值Si,然后将预测区域分类负荷总量的预测值wi(i=1、2、3、4为用地类型)除以对应的用地面积总量预测值Si,就得到了用地类型i的负荷密度ρi预测值,即:

最后,根据各用地类型的负荷密度,在GIS平台中生成相应的负荷密度专题图,直观地展示未来负荷的分布情况。

4 实例分析

本文所选样本集为2007年重庆市某供电区数据,然后运用上述空间负荷预测方法对该区进行预测分析。该区规划图及小区划分如图4所示,在GIS软件Super Map平台中编辑研究区域规划图,该区域两面临江,实际占地面积约为11 km2。小区的划分采用规则的正方形网格,共划分为375个200 m×200 m的小区,剔除东、南两面的江面区域,实际划分275个小区。

通过Super Map平台获取小区空间信息,再进行条件属性的离散化,建立预测样本数据表。本文在实际算例中随机选择了100个样本组成样本数据表。如表1所示。

采用蚁群算法对样本数据表进行分类规则挖掘,自动获取小区用地类型的转换规则。表2列出了所获得的部分转换规则。

按照上述预测方法,利用获取的用地类型转换规则对新增负荷小区进行用地类型预测,同时利用传统负荷预测方法进行负荷总量预测,得到各类用电负荷和用地面积的情况如表3、表4所示。

MW

km2

根据上述数据,将分类负荷总量除以各类用地面积,得到各类用地的负荷密度如表5。

MW/km2

图5为2007年小区实际负荷分布,图6为2012年小区负荷分布预测结果。图中小区的灰度代表该地块的负荷密度大小,灰度值越大表明该小区负荷密度越大,反之负荷密度越小。这样规划区域负荷分布的量和位置可以直观地显示在GIS平台上,规划人员可以很容易掌握负荷增长的地理分布,这为配电网的规划提供了依据。

5 结论

空间负荷预测方法 篇3

空间负荷预测的概念最早由Willis提出并完善[1]。它是城市配电网规划的基础,已成为城网规划领域中一个极为重要的研究课题[1,2,3,4,5]。

空间负荷预测方法中的仿真法主要适用于用地规划比较不确定的情况(如中长期负荷预测),能较好地综合考虑不少定性因素(如地理、社会和交通环境),但在国内城网规划中推广应用的成功案例还不多见[6]。目前短期和中期空间负荷预测的主要方法有趋势法、时间序列法、混沌法[7]和分类分区法等。其中,分类分区法[5,8]是一种比较简便实用的方法,适用于土地使用较确定的情况,无需收集太多的历史数据,并已在生产实践中得到了广泛应用。该方法的关键之处在于根据土地使用规划设置各功能小区的负荷饱和密度,进而确定各规划期小区负荷密度。但现有的一般做法是各规划期小区负荷密度基于整个规划区内同一分类负荷平均密度确定[5,8,9]。显然,由于负荷历史或发展阶段不同,即使同类负荷其负荷密度相差甚远,基于统一的分类负荷平均密度预测小区的负荷必然会造成不可忽视的误差[8]。为此,文献[5,8,9]提出了一种误差修正方法,其思路是设定一个阈值λ,当小区内某类负荷实际密度与该类负荷平均密度差异超过λ时,就进行必要的修正。但小区负荷的实际密度难以事先知道。

本文提出一种改进的空间负荷预测分类分区实用方法。基于空区推论[2]概念和目前国内空间负荷预测基础数据收集的实际情况,对有、无历史负荷数据的老城区和新城区采用不同的负荷预测思路。

1 负荷预测的传统趋势法

作为分类分区法的实现,先介绍其基础,即传统趋势法。如果已知负荷的历史数据,可直接用回归曲线拟合外推得到规划期的负荷。通常,回归曲线采用3次函数[2],其他常用的回归曲线还有生长曲线(S形曲线)。它们既可用来拟合小区历史负荷,也可拟合全城区总量或分类负荷总量的历史负荷。

由于城区负荷密度不可能无限增长,城市发展到一定程度后会处于一种比较稳定的饱和状态,对于有限建筑面积的城区,在曲线拟合时应设置远景年负荷饱和值以控制曲线的发展趋势,有助于提高趋势法的预测精度。远景年y的典型值可取为y=T+25,T为现状年[2]。

2 空间负荷预测的分类分区法

分类分区法负荷分布预测的总体思路是:先估算各小区的负荷密度,再结合其面积计算小区负荷。

小区划分一般按功能小区选取边界。功能小区一般是一片用地类型相同的地块或1个到几个负荷类型相同的用户。根据小区用地类型,负荷大致可分为工业、居民生活、商业仓储、公共设施和其他几大类[10]。一般来说,小区负荷密度不可能无限增长,往往经过一段时间快速增长后,速度逐渐放慢,最后趋向饱和[9,10,11]。负荷饱和值基于确定远景分类负荷密度指标得到。根据远景规划用地分析,设定远景年分类饱和负荷密度指标并预测远景年负荷分布情况,进而得到远景分类负荷和分类电量值。

目前使用的分类分区法中,将由分类负荷总量历史值及其饱和值一起拟合的分类负荷曲线回推,得到中间年的分类负荷总量。根据各年的分类负荷总量和分类总面积可求得中间年的分类负荷平均密度。然后,将该类负荷平均密度按各小区“实际密度”修正后作为各小区负荷密度的预测值。最后再结合各小区面积计算得到其负荷值[5,8]。

3 改进的小区负荷预测

为了比较现实地改善预测精度,本文采用空区推论的思想对现有的分类分区法进行了有效的改进:不必所有同类小区负荷全都基于同一分类负荷平均密度确定。空区推论(VAI——vacant area inference)[2]最初是为了预测现状无负荷的空区上的负荷发展而提出的。它是通过预测包含空区的更大区域的负荷来推算其中空区的负荷发展。其基本思路是:外推有历史负荷区域的负荷发展趋势和加上空区后较大区域上的总负荷发展趋势,然后根据两者之差推算空区的负荷,如图1所示。

3.1 老城区负荷分布预测

本文所说的“老城区”是指已有负荷,其用地功能基本不发生大的变化的城区。

3.1.1 已知历史负荷数据的老城区

根据实际城市配电网规划工作经验,通过划分城市配变供区可获得部分小区的年用电量,再由其最大负荷利用小时数可得小区的年最大负荷。对于这些有历史负荷数据的小区,可直接将其负荷历史值及远景年的饱和值用回归曲线拟合,再回推得到规划期的负荷,无需通过分类负荷平均密度来计算。

3.1.2 无历史负荷数据的老城区

除去上述老城区,其余老城区的历史负荷数据不详,其负荷分布可根据其分类负荷平均密度的思路来预测。

首先,确定现状年整个老城区的分类负荷发展曲线,如图2中曲线a所示。根据远景分类负荷饱和密度和现状年老城区的分类总面积,算出现有老城区的远景分类负荷。将该饱和值和分类负荷历史值采用曲线拟合可得到分类负荷发展曲线。

然后,将有历史数据的各老城小区的负荷预测值逐年汇总(考虑同时率),可得有历史负荷的老城区的分类负荷发展曲线,如图2中曲线b所示。

最后,所有无历史数据的同类老城小区的负荷可基于同一分类负荷平均密度计算得到,该分类负荷平均密度可表示为:

$d{}_{th1}=\frac{L{}_{th1}}{S{}_1}=\frac{L{}_{th}´-L{}_{th2}}{S{}_1}(1)$

式中:Lth′为t年在现有老城区面积上预测的h类总负荷,见图2中曲线a;Lth1为t年h类无历史负荷数据的老城区的负荷,如图2中下方阴影所示;Lth2为t年h类有历史负荷数据的老城区的负荷,见图2中曲线b;S1为h类无历史负荷的老城区的面积。

3.2 新城区负荷分布预测

新城区泛指各类成片开发的大型居住区、商业区、工业园区、各类新技术开发区等,通常是全新设计和开发,基本没有历史数据,即使有也无参考价值[12]。故新城区的负荷及负荷分布基本只能依据小区用地开发规划,利用分类负荷密度来预测。与以往采用分类负荷平均密度法不同的是,本文根据空区推论的思想来估算新城区的分类负荷平均密度(不同于老城区的负荷密度),主要思路如下:

1)确定远景年整个规划区面积上的分类负荷发展曲线。随着城市的发展,新城区的出现会使得某类或某几类负荷的总面积增加。从远景城市市政规划图上获得分类负荷的总面积,再结合远景分类负荷饱和密度,可算出在新的规划区域上远景年的分类负荷。然后按前述类似做法,得到分类负荷发展曲线c(见图2)。

2)估算新城区分类负荷平均密度,并据此预测新城区负荷分布。根据新城区的各分类面积及其分类负荷,计算新城区的分类负荷平均密度,计算公式如下:

$d{}_{th,\text{n}\text{e}\text{w}}=\frac{\text{Δ}{\rm P}{}_{th}}{S{}_{th,\text{n}\text{e}\text{w}}}(2)$

式中:dth,new为新城区t年h类负荷平均密度;ΔPth为新城区t年h类负荷,是根据整个规划区面积上的负荷饱和值和仅老城区面积上的负荷饱和值分别预测得到的2个负荷值之差,如图2中的上方阴影所示;Sth,new为新城区t年h类负荷的面积,若每个新小区规划出现的时间不详,可近似采用从现状年至远景年增加的该类新区的总面积。

4 空间负荷预测流程

本文空间负荷预测是基于空区推论的分类分区实用方法,对有、无历史负荷数据的老城区和新城区采用不同的负荷预测思路;并采用自下而上与自上而下首尾相接,计算、校核与修正循环进行的模式,其基本算法流程如图3所示。其中,结果校核可分为以下2项:①各分类电量和负荷之和应与系统总电量和负荷预测值互相校核。②将自下而上由小区电量和负荷汇总得到的分类电量和负荷预测结果与直接由分类电量和负荷预测得到的结果相校核。若校核结果令人满意,则结束计算;否则,按现有电量和负荷的比例,把差值分配到每个小区,或采用专家干预的方法修正小区电量和负荷,此为自上而下的修正方式。

5 算例分析

以某城区空间负荷预测中居民类负荷的预测为例,对本文改进后的方法进行分析和验证。该负荷预测以2005年为现状年,预测2006年—2010年的负荷。

至2005年底,该城区居民生活占地面积约6.15 km2。根据远景城市市政总体规划,至远景年,该城区居民生活占地总面积将达到14.36 km2。规划期有将空地开发为新住宅小区和商住楼的规划,收集到前2年的土地规划资料,如表1所示;在估算2008年—2010年的分类负荷密度时采用的是从2006年至远景年新增的该类小区的总面积。远景年该类负荷密度指标确定为15.5 MW/km2(占地面积指标)。

由于用原有分类分区平均密度法和本文方法进行负荷预测所得结果的差异主要体现在新城区上,故选取了2006年新入住的某居民小区,占地面积1.65 km2(见表1),将其2006年和2007年负荷实际值与本文方法和用原有分类分区平均密度法所得的预测结果相比较,如表2所示。

由表2可见,该居民小区在建成后前2年由于入住未满,用电量低,负荷增长速度较缓慢,本文方法的预测结果与实际值较接近,原有分类分区平均密度法所得结果的相对误差却很大。分析其原因在于,初期新区的负荷密度较小,若所有同类小区基于统一的平均密度确定负荷显然会增大误差;随着该小区负荷的发展,至2010年其负荷密度逐渐向平均密度靠近,故原有分类分区平均密度法的预测结果与本文方法的预测结果差距可能会缩小。可见,本文方法对于新区近期的负荷预测精度较高。

6 结语

本文首先针对有历史负荷数据的老城区,将其历史年和饱和年的负荷值采用回归曲线拟合,并回推规划期的负荷预测值;然后基于空区推论的基本思想,提出了现有面积(不包括新城区)上的分类总负荷减去上述老城区的负荷即得到无历史负荷数据的同类老城区的负荷,再结合面积算得无历史数据的老城区的平均负荷密度,进而预测其负荷分布。该方法虽然增加了划分现有配变供区以获得部分老城区历史负荷数据的工作,但避免了所有同类老区基于统一的分类负荷平均密度来确定,有效改善了预测精度,而附加的数据也易获得。

最后,基于空区推论法可得到新城区负荷分布预测,避免了同类新老小区基于统一的分类负荷平均密度来确定。该方法仅需增加识别新老城区的数据收集工作,但对新城区前几年的负荷预测影响较大,实例说明了其实用性和有效性。

摘要：目前对无历史数据的新老城区空间负荷预测,一般采用分类分区法,所有同类小区基于统一的分类负荷平均密度预测其负荷。针对这一不足,基于空区推论的思想对分类分区法进行了改进,提出现有面积(不含新城区)上的分类总负荷减去有历史负荷数据的老城区的负荷即得到无历史负荷数据的同类老城区的总负荷;同理,规划面积(含新城区)上的分类总负荷减去现有面积上的分类总负荷即得到同类新城区总负荷,再结合面积算得无历史数据的新老城区的平均负荷密度,进而预测其负荷分布。这样使得有、无历史数据的老城区和新城区采用不同的负荷预测思路以提高其预测精度。该方法几乎不增加收集原始数据的工作量或附加的数据较易获得。最后通过实例说明了该方法的实用性和有效性。

关键词：空间负荷预测,分类分区法,空区推论,负荷密度

参考文献

[1]WILLIS H L,NORTHCOTE-GREEN J E D.Spatial electric load forecasting:a tutorial review.Proceedings of the IEEE,1983,71(2):232-253.

[2]WILLIS H L,TRAM H.A cluster based VAImethod for distribution load forecasting.IEEE Trans on Power Apparatus and Systems,1983,102(8):2677-2684.

[3]陶文斌,张粒子,潘弘,等.基于双层贝叶斯分类的空间负荷预测.中国电机工程学报,2007,27(7):13-17.TAO Wenbin,ZHANG Lizi,PAN Hong,et al.Spatial electric load forecasting based on double-level Bayesian classification.Proceedings of the CSEE,2007,27(7):13-17.

[4]肖俊,张晶,朱涛,等.基于关联分析的城市用电负荷研究.电力系统自动化,2007,31(17):103-107.XI AOJun,ZHANGJing,ZHU Tao,et al.Analysis of urban power load based on association rules.Automation of Electric Power Systems,2007,31(17):103-107.

[5]余贻鑫,王成山,肖俊,等.城网规划计算机辅助决策系统.电力系统自动化,2000,24(15):59-62.YU Yixin,WANG Chengshan,XI AO Jun,et al.A computer decision support system of urban power system planning.Automation of Electric Power Systems,2000,24(15):59-62.

[6]王成山,肖峻,罗凤章.多层分区空间负荷预测结果综合调整的区间方法.电力系统自动化,2004,28(12):12-17.WANG Chengshan,XI AO Jun,LUO Fengzhang.Interval-based multi-layer decomposed calibration methodfor spatial load forecasting.Automation of Electric Power Systems,2004,28(12):12-17.

[7]杨正瓴,王渭巍,曹东波,等.短期负荷预测的Ensemble混沌预测方法.电力系统自动化,2007,31(23):34-37.YANG Zhengling,WANG Wei wei,CAO Dongbo,et al.Ensemble chaotic forecasting method in short term load forecasting.Automation of Electric Power Systems,2007,31(23):34-37.

[8]王成山,黄纯华,葛少云,等.一个实用的城市电力负荷密度预测系统.电力系统自动化,1992,16(6):41-46.WANG Chengshan,HUANG Chunhua,GE Shaoyun,et al.A practical forecasting system for urban electric load density.Automation of Electric Power Systems,1992,16(6):41-46.

[9]段新军.空间电力负荷预测系统研究[D].天津:天津大学,2001.

[10]王晓东.城网综合负荷预测方法的研究与工程应用[D].天津:天津大学,2004.

[11]WILLIS H L,ENGEL M V,BURI M J.Spatial load forecasting.IEEE Trans on Computer Applications in Power,1995,8(2):40-43.

空间负荷预测方法 篇4

“十三五”期间,我国经济社会发展已进入新常态。随着电网规划建设逐步由粗放型向集约型转变,电网资产利用效率越来越受到关注,配电网规划建设对电网投入产出的效率也愈加重视。由于我国在“十一五”、“十二五”期间经济增速较快,电网建设存在适度超前的现象,其在满足经济社会发展整体需求的基础上,也造成了部分电网设备利用效率较低的浪费情况。以居民小区为例,由于小区供电设施一般根据饱和负荷预测结果一次建成,然而受入住率影响,小区负荷一般具有显著的成长周期,因此往往导致居民小区供电设施在相当长的负荷成长期内利用率较低。

负荷预测是供电设施规划的重要基础工作[1,2],也是配电网规划领域的重要研究方向。目前在配电网饱和负荷预测方面已经形成较为成熟的技术方法[3,4,5,6],并有相关文献对不同的预测技术进行了全面的比较分析[7]。然而现有研究仍然主要集中于饱和年或单一规划年的负荷预测,由于没有考虑负荷成长周期的规律,因此不能实现对规划期分年度负荷的精确预测[8]。本文针对居民小区负荷预测问题,首先建立了负荷成长周期影响因素体系及其构建模型,在此基础上提出了基于居民小区负荷成长周期的负荷预测方法,实现了对居民小区分年度负荷的精准预测。

1 负荷成长周期及其影响因素体系

成长周期曲线是描述单一种群空间约束的成长周期过程,形状一般见图1,其数学表达式为[9]:

该曲线的特点是成长初期(0~t0)速度相对较缓慢,称为初建期,起点值为a/(1+b);随着某些影响因素的变化,t0后进入增长期,增长速度较快,从拐点1增长至拐点2;t2时间后进入成熟期,成长速度趋于缓慢,最后达到饱和。点((lnb)/c,a/2)是成长曲线的拐点和中心对称点;当b、c值确定,a值越大时,曲线在t0到t2之间的走势越陡;当a、c值确定,b值越大时,曲线增长速度越慢。

负荷成长周期是反映用户负荷增长阶段性规律的重要参考,居民负荷的成长周期同样包括初建期、增长期、成熟期3个阶段,而不同小区对应的各个阶段长短各不相同。

居民小区的负荷成长周期曲线主要受住宅需求类型与周边配套设施影响。住宅需求类型(x)影响整个负荷成长周期的长短,其主要分为刚性需求(回迁、新居住)与改善型需求两类,刚性需求负荷增长周期较短,改善型需求负荷增长周期较长。周边配套设施(y)又可以细分为二级变量教育(y1)、交通(y2)、生活设施(y3)、文化娱乐(y4)、医疗卫生(y5)等的影响;教育、交通主要影响初建期的时段;生活设施、文化娱乐、医疗卫生主要影响增长期的时段。

居民小区负荷成长周期的影响因素体系见表1。

2 基于居民小区负荷成长周期的负荷预测方法

2.1 负荷预测方法流程

基于居民小区负荷成长周期的负荷预测流程见图2。

负荷预测具体步骤如下:

1)收集预测小区的基础数据。收集获取居民用户点负荷、电能量数据、用户档案信息、住宅需求类型、周边配套设施条件等基础数据。小区基本信息必须包含但不限于以上数据。

2)预测居民小区的饱和负荷。根据步骤1得到的小区基础数据,采用空间负荷预测法预测小区的饱和年负荷。

3)基于历史数据确定成长曲线的形状参数与影响因素之间的关系。根据上一节结果,负荷成长周期曲线形状受到多种因素的影响,因此构建成长曲线形状参数与影响因素之间的关系模型,如式(2):

首先收集大量的居民小区负荷历史数据,对每个小区的负荷历史数据根据饱和负荷进行标幺处理,得到完整的历史数据集,其中每个小区的数据集{a、b、c、x、y1、y2、y3、y4、y5}包括3个形状参数与6个影响指标参数。接着利用神经网络方法对历史数据集进行训练学习,得到具体的关系模型。神经网络的具体算法见2.3。

4)预测小区分年度负荷。影响因素按照表1给出的标准进行取值,计算出形状参数,预测居民小区的分年度负荷。

根据步骤1得到的小区基础数据,得到该小区的影响指标集{x、y1、y2、y3、y4、y5};将其引入步骤3得到的关系模型,即可得到该小区负荷成长周期曲线的形状参数a、b、c,从而确定小区负荷成长的S形曲线;最后结合步骤4预测得到的饱和负荷,即可回推得到小区的分年度负荷预测结果。

2.2 成长周期模型求解算法

本文采用BP神经网络方法对居民小区的成长周期模型(见式2)进行求解。

BP神经网络属于多层前馈神经网络,其基本结构见图3,分为输入层、隐含层、输出层。对于成长曲线模型,输入值X为负荷成长周期影响因素,输出值Y为成长曲线形状参数值。在传递过程中,误差会平均分配给该层的各个单元,并以此为依据来调整和修改各单元的权值和阈值。BP神经网络的学习过程即是权值和阈值不断调整和修改的过程,此过程一直持续到完成设定学习次数或输出结果逼近可接受范围。

训练过程需要输入大量的历史数据,以使网络能够记忆各个不同类型数据的权值和阈值分布,从而在未来输入新的影响因素值时,能够找到相似权值和阈值分布进行预测。BP神经网络的训练过程包括以下步骤:

1)初始化。根据系统输入序列X以及输出序列Y来确定网络输入层节点数n,隐含层节点数l以及输出层节点数m。给定输入层和隐含层神经元之间的的连接权值ωij以及隐含层与输出层神经元之间的连接权值vjk的初始值。给定隐含层阈值a,输出层阈值b的初始值。给定网络的学习速率以及神经元激励函数。

2)隐含层输出计算。根据输入序列X,在隐含层内运用输入层和隐含层间连接权值ωij和隐含层阈值a计算出隐含层的输出O。

3)输出层输出计算。得到隐含层传来的输出O后,在输出层内运用隐含层与输出层的连接权值vjk以及输出层的阈值b,计算出BP神经网络的预测值Y。

4)误差计算。根据网络输出Y和预期输出D,计算网络预测误差δ。

5)修改权值。根据计算的网络预测误差δ来修改网络中输入层和隐含层之间的连接权值ωij以及隐含层和输出层之间的连接权值vjk。

6)修改阈值。根据计算的网络预测误差δ来修改网络中隐含层节点阈值a以及输出层的节点阈值b。

7)判断输出结果是否可接受。如可接受,则迭代结束;如不可接受,则返回步骤2。

3 负荷预测方法应用与实例分析

3.1 方法应用

居民小区负荷增长一般具有显著的成长周期,然而居民小区的电源建设往往按饱和负荷一次性建设完成,变压器等供电设施的建设过于超前,造成了负荷初建期和增长期供电变压器负载率过低,造成电网资源浪费。

利用上文提出的基于居民小区负荷成长周期的负荷预测方法,配电网规划人员将能够从时间与规模上综合考虑用户负荷的发展情况,有序安排电网建设与投资时序,大幅提升电网建设的经济效益。

以居民小区供电变压器规划为例,通过掌握小区负荷成长周期曲线,预测得到小区分年度负荷,便可以基于分年度负荷规划供电变压器容量,确定供电变压器的投运时序,从而充分利用供电设施资源,提升电网资产的利用效率。

3.2 实例分析

以某大型成熟小区为例,该小区入住居民6000户,小区现已达到成熟期,饱和负荷为10964k W。小区住宅需求为刚性需求,且周边配套有省重点学区,已建成轨道交通,生活配套设施距离小区3km,文化娱乐设施距离小区12km,且距离小区8km处有医疗设施。首先,基于本文方法重新预测所该小区的历史年分年度负荷,以验证方法的合理性;接着,将结合负荷预测结果对2套不同的电网建设方案进行经济效益分析。

根据表1,该小区负荷成长周期影响因素取值见表2。

基于收集的大量历史数据与神经网络方法,得到居民小区负荷成长周期模型,将以上影响因素取值代入模型,即得到小区负荷成长周期曲线的形状参数结果a0.9863,b6.3365,c0.0505。

小区负荷成长周期曲线见式(3):

结合饱和负荷预测结果,得到小区的分年度负荷预测结果。该居民小区负荷成长曲线见图4。

该小区实际负荷与利用本文方法的预测数据对比见表3。

通过上述对比结果可见,利用本文方法得到的分年度负荷预测值与实际值偏差均小于5%,表明了预测方法的合理性。

基于预测结果提出供电变压器分批投运的优化规划方案,并与原有的一次投运方案进行经济性对比。

方案一:一次性投运。即在小区初建期,按饱和负荷投入供电设备。投资6317万元。

方案二:分批投运。即根据小区负荷成长周期,分批次投入供电变压器。第一台变压器于小区建设初期投运,投资2595万元;第二台变压器于小区处在增长期的第4年投运,投资3820万元。

方案对比:

1)设备利用率方面:方案一变压器负载率在负荷成长周期的前2年长周期影响因素体系,并利用神经网络方法构建了负荷成长周期模型,提出了基于居民小区负荷成长周期的负荷预测方法,实现了对居民小区分年度负荷的精准预测。以某大型小区为实例验证了方法的合理性,应用结果表明,根据居民小区负荷成长周期特性指导负荷预测与电网建设,可以实现供电设施的有序建设与合理投资,减少电网资源的闲置浪费,全面提升电网建设的经济效益。均低于20%,处于轻载运行状态;方案二在负荷成长周期内均无变压器轻载情况,设备利用率高于方案一。

2)经济性方面:按照内部收益率8%测算,方案一的税后回收期为16.66年,方案二的税后回收期为14.98年。方案二税后回收期较短,经济效益整体优于方案一。

4 结语

本文建立了考虑住宅需求类型与周边配套设施的居民小区负荷成

参考文献

[1]蓝毓俊.现代城市电网规划设计与建设改造[M].北京:中国电力出版社,2004.

[2]赵明欣,刘伟,陈海,等.《配电网规划设计技术导则》解读[J].供用电,2016,33(2):2-7.Z HAO Mingxin,LIU Wei,CHEN Hai,et al.Interpretation of The guide for planning and design of distribution network[J].Distribution and Utilization,2016,33(2):2-7.

[3]李健,张植华,林毓,等.配电网负荷预测应用研究[J].电网与清洁能源,2014(4):31-35.LI Jian,ZHANG Zhihua,LIN Yu,et al.Distribution network load forecasting application research[J].Power grid and clean energy,2014(4):31-35.

[4]安建强,马林峰,纪斌,等.北京电网网格化空间负荷预测方法[J].供用电,2015,32(8):58-63.AN Jianqiang,MA Linfeng,JI Bin,et al.Grid-based spatial load forecasting method in beijing power grid[J].Distribution and Utilization,2015,32(8):58-63.

[5]向铁元,文闪闪,胡导福,等.类比在电力负荷预测中的应用[J].电力建设,2009(1):99,101.XIANG Tieyuan,WEN Shanshan,HU Daofu,et al.The application of analogy in power load forecasting[J].Electric power construction,2009(1):99,101.

[6]朱凤娟,王主丁,陆俭,等.考虑小区发展不均衡的空间负荷预测分类分区法[J].电力系统自动化,2012,36(12):41-48.FENG Fengjuan,WANG Zhuding,LU Jian,et al.Consider the classification of community development is not balanced spatial load forecasting partition method[J].Automation of electric power systems,2012,36(12):41-48.

[7]杨晨燕,李润沁,周瑜.适用于地区电网的几种负荷预测方法探讨[J].华东电力,2013(12):2655-2657.YANG Chenyan,LI Runqin,ZHOU Yu.Several kinds of load forecasting method is suitable for the regional power grid[J].Journal of east China electric power,2013(12):2655-2657.

[8]李露莹.考虑新用户负荷发展的中短期负荷预测方法[J].供用电,2012,29(4):37-39.LI Luying.A medium and short term load forecasting method considering development of new customer load[J].Distribution and Utilization,2012,29(4):37-39.

浅析电网负荷预测方法及其实现 篇5

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.

配网中期负荷预测方法研究 篇6

负荷预测包括对未来需求量(功率)的预测和对未来用电量(能量)的预测[1]。中期负荷预测是指1年以上5年以下的负荷预测,是编制电网运行方式的基础,对电网的安全经济运行具有重要的意义[2]。目前已有多种中期负荷预测方法,如灰色预测法、指数平滑法、生长曲线法等[3,4]。

变压器是电网中的重要设备,配变作为电力系统的终端变压器,把供电网络的电压转换为用电设备直接使用的电压,在电力输送、分配和使用过程中发挥着重要作用。在配网中,负荷的增长与配变容量密切相关。配变具有容量小、数量大的特点,造成其实际测量数据不够详细,致使关于负荷增长与配变容量间关系的研究较少[5]。

高压配网变电站最大负荷预测和中压配网线路最大负荷电流预测对变电站和线路是否需要扩建和改造具有重要的指导作用。为此本文提出基于配变容量的配网中期负荷预测方法,根据中、高压配网的特点,建立了负荷和配变容量的数学模型。

1 中压配网的中期负荷预测

中压配网一般是指10kV电网。中压配网线路所带配变数量较多,每台配变的供电范围较小,用户负荷多样且功率因数差异较大,同样的有功功率在不同的功率因数下对应的负荷电流相差很大,加之中压配网线路所承载的负荷的波动较大,瞬时最大有功负荷并不能反映线路负荷的真实情况,因此在对中压配网进行中期负荷预测时需要对中压配网线路最大负荷电流进行预测。

研究发现,中压配网线路的最大负荷电流不仅与线路所接配变的容量有直接关系,还与配变运行时间有密切联系,且运行时间对配变所带负荷的影响具有明显的饱和效应,即新装配变经过若干年后其所带负荷增幅很小。设饱和年限为N,则中压配网线路的最大电流为:

式中,Si为已运行i年的配变容量;为n年后该条线路的最大负荷电流;ki为权重系数。

2 高压配网的中期负荷预测

高压配网主要是指35kV电网,在部分经济发达地区,110kV电网也视为高压配网。高压配网的高压侧接入输电网,低压侧接入中压配网,高压配网在整个输电过程中起着承上启下的作用。配电变电站对于高压配网的安全与稳定起着决定性作用,高压配网的变电站内装有无功补偿装置,能够保证功率因数稳定。变电站有功负荷决定了变电站的主变容量和主变数量,变电站的改造和扩建取决于供电区域的最大有功负荷。

与中压配网中期负荷预测类似,将配电变电站所带配变按运行时间分为若干类,则高压配网的配电变电站的有功功率为:

式中,为n年后配电变电站的最大负荷;Sij为变电站第j条出线上运行i年的配变容量;mij为权重系数;N为饱和年限;M为出线条数。

3 参数计算

根据式(1)、式(2)可得线路、配电变电站与配变容量间的数学关系,权重系数可通过历史数据来获取。计算权重系数的方法较多,为方便起见,本文选用最小二乘法来计算。

式中,f1(ki)和f2(mij)是由最小二乘法得到的残差函数。

4 实例分析

以南方某地110kV变电站和一条10kV线路为例进行分析。根据当地经济发展情况取饱和年限为3年,则由式(1)～(4)得到的该变站最大负荷预测结果见表1。

表2是某地10kV线路所装配变情况,按式(1)～(4)即可预测该线路最大电流。

5 结束语

负荷的增长与配变容量密切相关。本文讨论了配变运行时间对负荷增长的饱和效应,提出了基于配变容量的配网中期负荷预测方法。根据运行时间将配变分成若干类,并依据中、高压配电网的特点,建立了负荷和各类配变间的数学模型。算例表明,本文方法具有较好的预测效果。

参考文献

[1]牛东晓.电力负荷预测技术及其应用[M].北京:中国电力出版社,1998

[2]顾洁,中刚,徐光虎.改进的电力系统中长期负荷预测方法研究[J].电力自动化设备,2002,22(6):1-4

[3]徐光虎.运用遗传规划法进行电力系统中长期负荷预测[J].继电器,2004,32(12):21-25

[4]鞠平,李靖霞,陆晓涛.电力负荷预测的遗传规划方法[J].电力系统自动化,2000,24(11):35-38

电力系统短期负荷预测方法综述 篇7

1 基于短期负荷的预测特点

对于短期电力负荷来讲其预测便是基于在电力负荷以及相关的历史数据对模型进行全面的建立，从而使得新世纪型的电力负荷更具备科学性和全面性。对于短期负荷所面临的事件不确定性以及其随机性，包含了各种特点： (1) 在预测的结果上其短期的负荷存在着一定的不确定性。 (2) 不同的负荷预测方法存在相应的条件性。 (3) 短期负荷预测在时间上各有不同。 (4) 预测的结果包含多方案性。

短期负荷预测精度的影响因素： (1) 以往历史数据。 (2) 自然天气情况。 (3) 其日期类型。 (4) 负荷预测模型。 (5) 相关社会事件等。

2 简述短期负荷预测方法

短期负荷由于受到来自不同方向的因素影响，面临时间序列问题上其随机的过程表现的很不平稳，就算面临的影响因素包罗万象，不过在这些因素中都存在一个特点那就是有规律性。能够为实际预测打下基础，其短期负荷预测的方法大致分为四类。

2.1 经典性负荷预测法

2.1.1 回归类分析法。

将相关的历史数据在变化上的规律同负荷在影响上的相关变化因素，来对自变量还有因变量在二者之间所出现的共同的关系作一个寻找还有它回归的方式。从而对其模型参数作一个确定，能够推测出在未来时刻的相关负荷值。对于该方法存在着计算原理和结构形式简单其预测的速度较快的优点，在缺点上存在着针对历史数据要求高，其复杂的问题是通过线性的方法来进行描述，所以其精度低结构简单。就这些缺点来看，对于在负荷在预测中的影响是做不了详细的描述的，而且在描述的过程中，只有基于丰富的经验以及技巧下其难度才不会很高。

2.1.2 时间序列法。

利用不同时间段之间的间隔来对电力负荷进行历史数据的采集上，对于这个方法将其叫做时间序列。在现代电力系统的短期负荷预测来讲，其时间序列法在算法中与其它方法相比较要成熟的多。在这个方法下可以对电力负荷的历史数据来进行电力负荷数学模型建立，其特点是可以随时间变化。这个模型主要是预测未来负荷的。这个方法的优点在于在历史数据的需求量上较少，其工作量比较小而且在计算的速度是比较快的，能够将在近期里负荷的变化连续性反映出来。不过对于建模的过程中其程序的建设是极为复杂的，在过程中需要高的知识理论进行模型的建设。而且就原始时间序列来说，在其平衡性上必须具备高性能。综上所述，针对时间序列法就只能在那种各方面来讲都比较均匀的短期负荷中进行预测。可是在对负荷的考虑因素中没有考虑的很合理的以及自然天气变化等不确定的因素下，就会导致其预测的误差会很大。

2.2 传统方法

2.2.1 负荷求导法。其负荷序列为P (i） (i=1, 2, 3…），其负荷求导法的预测公式为：

其中Δp (i) fore里i点对于负荷变化率的预测值是：

就这个方法的优点来讲，在对原理的表达上清楚且又方便。在电力的负荷变化率上必须达到规律及稳定性的高要求，在预测的误差上具有累计的效应。

2.2.2 类似日法。

对于类似日法而言，是把即将预测的日类似的负荷进行一个修改，然后得到预测日的负荷。这个方法用的是某种差异的评价函数，也就是在进行与预测日负荷最为类似的类似日的寻找时，则即将预测的负荷日的参数所进行的修正。

2.2.3 卡尔曼滤法。

在电力负荷中又把它叫作状态空间法，是一个把负荷分解成能够确定的分量以及随机分量的原理。在反映未来系统的状态上可以利用对于预报的方法来获得新的相关数据，在组合的过程中就会得到新的预测模型信息，提升预测值的准确性。

2.2.4 指数平滑法。

指数平滑法是利用电力系统负荷趋势外推测技术。为了达到平均的效果可以对其利用加权的形式，再加计算过程里的新数据其相关的权系数进行加大，也可以将陈旧的数据的权系数进行减小。在时变性的体现过程上，能够将近期的数据反映到影响未来负荷的程度值上，这个方法的作用主要是采用其平滑来对存在序列里的随机波动进行消除。

2.2.5 灰色预测方法。

灰色预测这个方法主要是对系统中存在着不确定的因素进行的一个专门预测，是利用灰色模型里的微分方程中的单一指标来对电力系统进行预测。可以根据模型预测未来的负荷，这种方法适合在贫信息的条件下进行分析与预测。

2.3 智能型预测法

2.3.1 专家型系统法。

基于对知识程序的设计来建立计算机系统，而且还拥有了相关领域里的专家知识以及经验，通过推理来对未来进行预测。

2.3.2 人工神经网络法。

神经网络能够处理大量随机性以及非线性关系因素的问题，是建立在过去某时间的负荷上作为训练的样本，进行网络结构的构建。

2.3.3 模糊类预测法。

主要用到了模糊预测法中的模糊数学理论所包含的负荷预测这一现代新技术来进行的建立，对于电力系统中发生的模糊现象可以通过对其概念来进行描述。

2.3.4 综合模型预测法。

在实际运作里，就历史负荷数据所具有的复杂性与随机性，来对单一模型进行预测，是难以达到一个准确可靠的效果的，需要联系实际中各种算法的优缺点，将它们进行有效的结合，才能够提高其预测的精度。

2.3.5 小波分析法。

因为电力负荷具有特殊的周期性，它能够将各类组合为一体频率再由对组合的发展形式演化成一种全新的所谓的混合型信号，这个信号能够把不同的频带块信号进行有序的分解，将其产生的负荷序列来进行小波变换的过程，把小波分析方法运用到电力系统短期负荷预测中。

2.4 短期负荷预测新方法

2.4.1 混沌理论。

混沌时间的序列预测方法是才兴起的负荷预测计算方法。对于系统状态下的变量，将所需要的相关动力学的信息涵盖到系统里的任何一个变量在时间的序列上去。然后对于单变量进行时间序列重组到重构相的空间中去，但是其空间状态的轨迹所进行的是数据保留更改。

2.4.2 支持向量机。

它是一种在统计学习的相关理论上所进行的一种预测的方法，是一个将经典进行二次规划的一个问题所在，这样的方法可以快速的避免局部进行最优解同时也是唯一一个全局最优解。

2.4.3 数据挖掘。

对于数据隐含或未知的含义，我们可以采取挖掘的形式来处理，同时在其具体的决策中我们能根据知识的一定规则来进行知识的提取，而这种挖掘主要以概念及规则等形式来表现知识的提取。

3 结语

通过对短期负荷预测方法所进行的综合性的比较与分析，能够更好的将各种短期负荷预模型上所存在的优缺点指出来。在实际的操作中，可以把短期负荷所具有的特征和影响因素进行一个灵活地选用预测模型。

摘要：本文主要是针对电力系统的短期负荷预测的概念和意义进行综述, 就短期负荷预测的一些特点及其影响预测精度的各方面原因进行总体的分析。在目前的预测方法里, 主要有经典的预测方法和传统的预测方法以及智能预测方法和预测新方法。从这些预测方法入手进行综合的应用原理分析, 比较其不同预测方法的优点及不足的地方。并且提出了短期负荷预测的精度提升了, 不仅在历史的数据上重视了其积累, 还应重视在预测的模型选择上要合适, 综合型预测模型在未来电力负荷预测方法的必然性。

关键词：电力系统,短期负荷预测

参考文献

[1]廖旎焕, 胡智宏, 马莹莹等.电力系统短期负荷预测方法综述[J].电力系统保护与控制, 2011, 39 (1) :147-152.

[2]路轶, 王民昆.基于短期负荷预测的超短期负荷预测曲线外推法[J].电力系统自动化, 2006, 30 (16) :102-104.

[3]马瑞, 姜飞, Garng M huang等.基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测[J].电力自动化设备, 2012, 32 (2) :81-84.