负荷预测管理

2024-08-29

负荷预测管理（精选10篇）

负荷预测管理篇1

摘要：电网短期负荷预测是电网经济调度的技术保障之一, 也是电力系统安全调度、经济运行的重要依据。电网短期负荷预测管理, 可以通过完善负荷预测管理制度, 结合本地区的用电负荷特点, 充分考虑影响负荷变化的各种因素, 加强大用户负荷管理, 深入分析电网负荷特性和变化规律, 探索出适合县级电网负荷预测的有效途径, 提高了负荷预测管理水平, 达到合理安排调度计划及调整电网运行方式的目的。

关键词：县级电网,预测管理

一、问题诊断

电网短期负荷预测是调度部门的重要工作之一, 提高负荷预测准确率, 能有效提高电网运行的安全性和经济性。由于电网短期负荷预测管理方面的制度不完善, 负荷预测管理经验不足, 县级电网负荷预测准确率一直处于较低水平, 通过深入研究分析, 目前影响县级电网短期负荷预测准确率的主要原因有:

1. 大用户用电负荷影响

大用户生产不稳定, 负荷波动较大且频繁, 设备故障率较高, 故障检修时间的不确定性加大了负荷预测的难度, 大用户负荷变化不能及时告知负荷预测专责人缺少与大用户的沟通交流。

2. 天气变化影响

夏季制冷负荷、冬季取暖负荷受气象因素影响较大, 大风、雷雨等恶劣天气, 更会造成负荷预测误差偏大, 负荷预测专责人不能准确掌握天气变化影响负荷的规律。

3. 农业灌溉负荷影响

农业灌溉负荷分布不均, 且受季节、气象等因素影响, 负荷变化较大, 负荷预测专责人未能及时总结出农业灌溉负荷变化规律。

4. 重大节假日影响

特别是春节期间, 企业停产、居民用电负荷增加等因素都会影响到负荷预测准确率。

二、提升目标

县级公司目前比较重视电网短期负荷预测工作, 通过提高认识、加强管理、确立目标、完善措施, 总结负荷变化规律, 准确掌握县级电网负荷大小及波动情况, 不断提高负荷预测准确率。根据负荷预测资料、预测手段和往年负荷预测准确情况, 确定今后几年负荷预测工作目标:确保年 (月、日) 负荷预测上报率完成100%, 年 (月、日) 负荷预测准确率完成95%及以上, 并保持年递增0.1个百分点以上。

三、主要做法

1. 建立组织机构, 完善负荷预测管理制度

为保证县级电网短期负荷预测工作的顺利开展, 首先成立以生产副经理为组长的工作小组, 并根据各地区《电网短期负荷预测管理办法》, 制定县级《电网短期负荷预测管理办法》, 对各部门职责分工和工作流程进行了规范。电力调控中心为县级电网负荷预测工作的管理部门, 负责县级电网负荷预测工作的管理考核, 并设立负荷预测专责人, 具体负责县级电网短期负荷预测的日常管理和实施。客户服务中心、各乡镇供电所是电网负荷预测工作的配合部门, 各职能部门密切配合, 不断提高短期负荷预测管理水平。

2. 加强大用户负荷管理, 争取大用户的理解和支持

(1) 建立大用户负荷跟踪档案, 健全大用户联系机制。根据用户生产实际, 每个重要用户确定1~2名短期负荷预测联系人。县级公司向大用户下达《关于规范大用户上报负荷的通知》, 要求大用户上报负荷实行日报送制度, 大用户负荷预测联系人每天上午八点上报次日平均负荷, 并于十一点核对是否有变动, 如有较大变化及时联系公司负荷预测专责人, 不断培养大用户的负荷报送意识。

(2) 走访大用户, 加强沟通交流。负荷预测专责人、运方专工等工作人员, 利用周末、节假日等时间到用户现场了解其生产状况、负荷波动规律, 并对用户短期负荷预测联系人进行现场培训、指导, 一方面争取大用户的理解和支持, 另一方面规范、约束大用户严格执行负荷报送制度。

3. 根据大用户用电需求提供必要的帮助, 与大用户建议积极、友好的合作关系

公司不断组织工作人员深入大用户, 了解其用电需求, 根据大用户用电负荷指导用户变电站合理调整运行方式, 改变负荷分配, 提高企业用电可靠性、经济性, 降低生产风险, 与大用户建立互利共赢的关系。

4. 综合研究分析, 总结负荷变化规律

(1) 及时准确掌握天气变化, 总结负荷变化规律

负荷预测专责人每天通过电话、网络等方式了解次日天气变化情况, 包括温湿度、风力、降雨等, 特别关注大风、雷雨等恶劣天气, 及时修正负荷曲线, 减少天气变化对负荷预测准确率的影响;强化季节性负荷研究, 总结气象对负荷影响规律, 为今后负荷预测工作提供依据, 不断提高负荷预测准确率。

(2) 采取积极措施准确掌握农业灌溉负荷

调控员根据农业生产节气加强电网巡视, 监视变电站负荷变化, 当负荷发生较大变化时, 及时汇报负荷预测专责人, 负荷预测专责人与当地供电所联系, 掌握农业灌溉负荷持续时间与负荷变化规律, 以准确预测农业灌溉负荷, 并为今后同期负荷预测提供参考依据。

(3) 突发负荷变化及时与地调联系

遇有电网突发事故、电网有序用电、限负荷、企业突然停产造成负荷突变, 负荷预测专责人及时修改负荷曲线。发现实际负荷与上报预测负荷差额较大时及时向地调负荷预测专责人汇报, 最大限度地减少不可预见因素对负荷预测准确率的影响。

5. 积极做好重大节假日负荷预测工作

负荷预测专责人充分利用“短期负荷预测管理平台”, 重视历史数据的积累与维护, 结合往年负荷变化规律, 提前对清明节、“五一”、“十一”、中秋节、元旦、春节等重要节假日负荷波动进行研究分析, 不断提高重大节假日负荷预测准确率。

6. 总结负荷预测工作情况, 不断提升改进

负荷预测专责人每天统计负荷预测准确率, 对负荷预测工作进行小结, 及时分析原因, 找出问题和不足, 制定提升措施, 负荷预测工作小组有关领导定期对负荷预测工作提出意见和要求。负荷预测专责人每季度向地调上报负荷预测工作总结, 加强与地调负荷预测专责人的沟通协调, 不断提升改进。

四、成效分析

1. 负荷预测准确率明显提高

公司加强短期负荷预测管理工作以来, 负荷预测上报率完成100%, 2014年第三季度负荷预测准确率为94.38%, 第四季度负荷预测准确率为95.45%, 连续两个季度获全市第一名。2015年短期负荷预测管理工作迎来“开门红”, 1月份负荷预测准确率为95.05%, 2月份负荷预测准确率为94.23%, 在全市排名继续保持第一。

2. 为电网安全调度、经济运行提供依据

通过负荷预测, 事先预知电网及设备负荷的变化趋势, 提前制定措施, 避免了过负荷限电等情况发生;电网运行方式、调度运行专业按照负荷预测结果及分析建议, 合理调整供电线路和主变压器运行方式, 修订各项事故预案, 保障电网在最安全、经济方式下运行。

参考文献

[1]邵俊.提高县级供电企业短期负荷预测精度的探究[J].中国新技术新产品, 2011, (6) :241-242.

[2]郑瑞峰.县级电网短期负荷预测方案研究[J].河北电力技术, 2006, 25 (5) :45-46.

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

负荷预测管理篇3

关键词：需求侧管理,负荷,预测方法

一、负荷特性指标

具体而言, 负荷特性指标包括以下几个:

第一, 最大负荷利用小时数, 即报告期内电量与最高负荷的比值, 其表达式为T=W/Pzg, 其中T为最大负荷利用小时数, W为报告期内电量, Pzg为最高负荷。该指标体现的是设备利用的程度以及用户负荷的稳定性。第二, 同时率, 该指标是综合最高负荷与各组成单位绝对最高负荷之和的比值, 其表达式为k=Pzg/ (ΣPzg.i, 其中k为同时率, Pzg.i为各组成单位绝对最高负荷之和, 同时率反映的是多个用户同时出现最大负荷与用户自身最大负荷之和的关系, 用户负荷性质不同, 其负荷组合后体现出的负荷特性也存在差异。第三, 典型日最大或最小负荷, 即典型日中有记录的最大的负荷数值, 通常选择最大负荷日作为典型日, 或者选择最大峰谷差日, 也可以按照实际情况选择不同季节中的某个代表日, 记录时间选择瞬时、十五分钟、半小时或者一小时均可, 典型日最大或最小负荷表达式为Ppj=W/t, 其中Ppj为平均负荷, 是指报告期内瞬时负荷的平均值, 即负荷时间数列时序的平均值。第四, 负荷率, 即平均负荷与最高负荷的比值, 表达式为f=Ppj/Pzg, Ppj为报告期内瞬时负荷的平均值, Pzg为最高负荷。第五, 平均日负荷率, 即报告期每日的负荷率和与日数的比值, 表达式为fpj= (Σfn) /N, 其中fpj为平均日负荷率, fn为报告期内每日负荷率, N为天数。第六, 峰谷差率, 即报告期内峰谷差最大值与当日最高负荷的比, 表达式为r=max (Pf-Pg) /Pzg, 式中r为峰谷差率, max (Pf-Pg) 为报告期内峰谷差最大值, Pzg当日最高负荷。

二、负荷预测的划分与影响因素

(一) 负荷预测的划分

电力系统的负荷预测可以按照预测期限的长短分为长期、中期以及短期三种, 目前具体的划分界限还没有一个统一的说法, 有些观点认为长期预测期可达三十年, 中期预测则为五年, 短期则指几个月、几周甚至几天或者几个小时等。另外一种观点则认为长期预测即为年度预测, 预测内容包括年度电量或者年度电力等指标, 以年作为预测时段;中期预测的主要内容包括月度电量或者月度电力等指标, 以月作为预测时段;相应的短期预测的主要内容即为逐日的负荷曲线, 以小时作为预测时段。不过不管采用哪种划分方法, 制订电力系统的发展计划均离不开一年以上的负荷预测, 而负荷预测也是规划工作必不可少的重要内容。做出准确的年度负荷预测可以为电源的合理安排、电网的科学建设提供宏观决策依据;而对于电力公司的实际情况与要求而言, 月度预测与日度预测也是非常必要的。

根据预测内容不同, 负荷预测可以分为电量预测与电力预测, 其中电量预测包括全社会总电量、网供电量、各行业的电量以及各产业的电量;而电力预测则包括最大电力、最小电力、峰谷差、负荷率以及负荷曲线。

(二) 负荷预测的影响因素

具体而言, 对负荷预测精度产生影响的主要因素包括以下几个方面:第一, 目前并没有一种足够完善的理论方法适用于所有的负荷预测;第二, 负荷预测过程中预测人员自身的判断能力与经验均会对预测结果产生影响。第三, 电力系统体现出复杂性的特点, 因此对其负荷曲线产生影响的因素包括周内不同时间的影响、节日的影响、大型用户生产安排调整影响、天气因素、特殊事件等等, 对于负荷而言, 气候与气温的影响作用最明显, 环境温度发生变化后负荷也会发生变化, 如果以负荷的历史记录作为负荷预测的唯一资料, 其实负荷的历史记录中已经体现出了负荷的影响。

三、基于需求侧管理的负荷预测方法

(一) 模型参数修改负荷预测法

1电量预测法

具体而言, 基于需求侧管理的电量预测法步骤如下:第一, 获取预测年份的最大负荷利用小时数。由于最大负荷利用小时数受二产、三产的影响相对较大, 因此可以利用含二产、三产的回归模型获取预测年份的最大负荷利用小时数;第二, 获取预测年份电量, 可以分析电量与GDP之间的关系获取预测年份的电量;第三, 获取预测年份的负荷还原值;第四, 按照修下系数获取预测年份的负荷值。具体的订算模型表达如下式:

上式中:A0, A1为根据历年数据回归获得的系数;

lnGDP3, lnGDP2为三产增加值与二产增加值的对数值;

W为年度用电量预测值;

T为预测的最大负荷利用小时数;

P’为还原负荷预测值;

P为负荷预测值

µ为修正系数, 即需求侧管理效果率。

2负荷密度预测法

该方法是基于需求侧管理方法对负荷密度特性的影响对正负荷密度预测法的模型做出修改, 修正预测表达如下式:

上式中:k为同时率;

S为预测区域的面积;

D为预测区域的负荷密度。

3业扩量对比法

利用工询与业扩数据对下年度的最大负荷做出预测, 以此为基础利用业扩量对比法通过一个修正系数对需求侧管理的影响进行计算, 表达如下式:

上式中:P’为预测年份忽略需求侧管理影响因素条件下的最大负荷;

P为预测年份考虑需求侧管理影响因素条件下的最大负荷;

4自然增长加大用户法

该方法是以还原负荷数据为基础, 将需求侧管理方法的影响因素考虑进来, 具体的修正模型表达如下式:

上式中:P为负荷预测值;

P″为预测年份前年度的负荷还原值

P1为预测的自然增长负荷;

P2为根据业扩和工询容量数据合理选取的净增负荷值。

(二) 考虑需求侧管理的负荷预测直接法

因为需求侧管理对负荷的发展有着直接的影响, 因此在预测负荷过程中可以将需求侧管理量作为直接输入的变量来进行, 建模求解的方法也有多种, 比如多元线性回归、人工神经网络以及支持向量基等, 在这些方法中建立输入输出的映射关系, 利用这些关系求解负荷预测值。下文以多元线性回归法为例进行介绍。

多元回归预测法需要考虑多种相关因素, 属于电力要预测过程中的基本预测法, 假设有p个可控变量与负荷y有相关关系, p>1, 即x1, x2, …xp, 结合以往的历史资料对变量y与变量x1, x2, …, xp之间的依赖关系:

此外所采用的多元回归预测法中, 需求侧管理对负荷的影响为可控变量, 并将国内生产况值的影响因素考虑进来, 再利用最小二乘法原理做多元回归负荷预测。首先选择某一已知年份相应的参数值, 对下列模型中变量y与变量DSM、GDP做标幺化, 再将标幺值作为输入变量做回归预测:

y=f (DSM, GDP)

y=f (DSM, GDP, GDP2, GDP3)

参考文献

[1]胡兆光.需求侧管理理论体系初探[J].电力需求侧管理, 2008 (3) .

[2]康重庆.电力系统负荷预测[M].北京:中国电力出版社, 2007.

电力系统负荷预测的研究篇4

关键词：电力负荷；负荷预测；电网规划

中图分类号：TM714 文献标识码：A 文章编号：1671-864X（2016）11-0121-01

一、引言

电力负荷预测是电力系统经济运行的基础，其对电力系统规划和运行都极其重要。电力负荷预测包括两方面的含义，即用以指安装在国家机关、企业、居民等用户处的各种用电设备，也可用以描述上述用电设备所消耗的电力电量的数值。

电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据。

二、电力系统负荷预测的分类

电力系统负荷预测可以分为长期的、中期的與短期的。长期与中期之间没有确切的分界线。一般来说，长期预测可达30年，而中期预测通常为几年、几个月，短期预测则是指几天、几小时甚至更短。短期负荷预测是对系统近期未来负荷曲线提出预告，根据预测的结果以便对发电计划、检修计划以及机组起停计划等做出安全、经济的安排，因而它是经济安全调度的基础。总之，为了实现按天、按小时地安排发电和供电计划，就必须在未来24小时甚至更短时期内的负荷要求，进行切实可行的预测工作，这将有助于提高电力系统运行的经济性和安全性。

三、负荷预测的影响因素

影响负荷预测的因素很多，如新设备投产时负荷转移，各种传统节日、双休日、天气情况以及各水电站来水量等负荷波动影响，这些不定因素给负荷预测工作带来重重困难。

（一）气象因素的影响。

很多负荷预测数学模型都引入了气象部门提供的气象预报信息，包括温湿度、雨量等在内的气象因素都会直接影响负荷波动，尤其在居民负荷占据较高比例的地区，这种影响更大。

（二）节假日及特殊条件的影响。

较之正常工作日，一般节假日的负荷都会明显降低，以春节为例，春节期间的负荷曲线一般会出现大幅度的下降变形，而其变化周期也大致与假日周期吻合。

（三）大工业用户突发事件的影响。

对于大工业用户装接容量占用电负荷较高的地区，大工业用户在负荷预测偏差中起到的影响作用也比较大。

四、结束语

负荷预测管理篇5

1 居民小区的燃气负荷规律

我们城市燃气使用负荷分为两大类:常年性负荷、季节性负荷。常年性负荷是指居民、公共、工业等使用的燃气负荷, 居民生活用气占有主要部分, 具有明显的小时不均匀性的特征, 与此同时随着季节的改变、居民生活方式的转变适应的日不均匀性及月不均匀性。例如某市在04年的元旦燃气负荷统计得出, 在1月1日的6:00—9:00是晚用气高峰, 中午的用气量要比平时的多, 燃气高峰系数分别达到2.98和4.56, 这说明了燃气负荷随着节假日、居民的生活方式的变化而变化, 具有不均匀性和周期性, 随着节假日的到来具有明显的增加。

季节性负荷是指有些地区随着季节的不同, 对燃气的使用量不同, 居民的供暖用气占有主要部分。供暖用气主要与室内外的温差、湿度及太阳辐射等外界条件有关系, 季节气候的温差变化就制约着燃气的使用, 温差大燃气使用负荷就越大。一个月或者一个星期的燃气负荷主要有居民的生活习惯及室内外的温差决定的, 但在一个星期内的日气温的变化不规律, 气温低的时候, 燃气负荷就大, 例如某市03年1月的日负荷及日不均匀系数达到1.205。这说明燃气量与季节有较大的关系。

通过研究分析燃气负荷资料, 得出燃气负荷变化的规律。首先, 时负荷具有趋势性、随机性并且以天为周期进行变化的规律。其次, 日负荷具有与时负荷类似的趋势性和随机性的变化规律。最后, 月负荷具有趋势性、并且以年为周期进行周期性的变化规律。因而对于时负荷、日负荷的短期负荷的变化规律是不同的, 时负荷具有明显的周期性。日负荷的趋势性就是指在一年内受到季节的温度的变化的影响, 使得其具有低温用气大, 高温用气少的确定性的负荷变化规律。通过图1可以看出, 日负荷燃气量随着季节的变化较明显, 类似二次曲线变化规律, 每月的日负荷随气温的变化而略有变化。图2是一年内日负荷在12个月的日负荷曲线图, 反映了燃气的负荷变化规律。

2 燃气短期负荷的预测

我国过去对燃气负荷预测的方法主要是基于统计学的回归分析模型和时间序列分析的两种方法。前者主要是通过对历史数据和数据模式进行序列分析进而找出变化规律, 但是要受到用气量不确定、变化激励及因素之间的关系三方面的限制, 不能较好的去分析预测负荷。后者主要是简化外部的影响因素的复杂作用, 分析历史数据及数据模式来概括整个燃气短期负荷的变化规律, 然而建立数学模型具有不确定性, 用这种方法很难精确地分析预测负荷。随着人工神经网络研究的新进展, 使用基于BP网络燃气短期负荷预测的方法具有明显的优势, 能够有效地预测居民燃气短期负荷。

基于BP网络燃气负荷预测的方法, 就要求已知前n天的燃气负荷X (t) (t=1、2、…、n) , 通过构造BP网络的结构形式, 确定输入输出模型, 进而预测到第n+1天的燃气负荷。通过以下几个步骤来警醒分析。

首先, 确定节点数和训练样本。通过实际问题的类型及解决方式的不同来确定输入输出的节点数目。例如预测某天的燃气负荷, 要选择最高温度、最低温度、天气及日期四个输入节点, 燃气负荷最为计算分析的输出接点。输入层把数据源加到网络上进行缓冲存储, 节点数目取决于数据源的维数, 进行设计时首先要分清正确的数据源是什么, 要剔除未经处理的或者不正确的信息数据, 确定数据源的合适的数目。设计者要根据自己的要求来确定输入输出层的维数, 缩小计算系统的规模减少系统的复杂性。筛选历史数据, 分成两部分即训练部分和检验部分。

其次, 确定隐含层及层内节点数目。隐含层在BP网络中进行筛选提取输入数据的特征。隐含层层数越多其处理数据能力就越强。有网络的用途来决定网络中的各层节点数目, 进而制约了BP网络的处理性能。下面是几点处理层数的经验, 隐含层的节点数目是2N+1, 通过估算得出N=logT, 进而得到训练模式数目T, 在进行高维数输入时, 第一层对第二层的最佳节点比例最好是3∶1。通过以上的具体方法确定了隐含层的层数木及层内的节点数目。

最后, 预测计算流程。人工神经网络系统的分析过程要经过初始化、输入参数及建立网络结构、训练网络等操作, 达到实现BP网络算法的流程及最后的数据预测分析功能。下面以实际的例子来说明整个网络的计算分析时显得具体步骤。已知某市的连续21天的日负荷, 要求通过前7天的数据, 来预测第8天的燃气日负荷, 并且由此推算以后的每天日负荷数据。首先确定四个参数即最高温度、最低温度、天气及日期和前7天的燃气负荷数据, 进行统一的归一化处理。通过前7天的四个参数进行辨识燃气负荷网络系统及训练网络模型。进而选出训练好的人工神经网络模型, 然后把第8天的四个参数输入进去, 进而得出第8天的燃气负荷预测值。通过分析每个的预测值误差均小于2%, 满足分析误差的要求。进而表明这种预测分析方法能够有效的预测居民燃气短期负荷。

3 小结

本文系统的阐述了时负荷、日负荷、月负荷、季节性负荷的特征及随外界的变化规律。通过BP网络系统的预测分析居民燃气短期负荷具有一定精确性可靠性, 能够利用历史数据, 建立准确的模型, 这种模型具有通用性和实效性, 进而预测工作日、一般日、节假日的燃气短期负荷。便于有效地对城市燃气管网规划、运行管理及调控, 保证城市的燃气优化运行和可持续发展。

参考文献

[1]焦文玲, 朱宝成, 冯玉刚.基于BP神经网络城市燃气短期负荷预测.煤气与热力.2006.

[2]潘新新, 周伟国, 严铭卿.居民小区燃气负荷规律与短期负荷预测.煤气与热力.2006.

[3]谭羽非, 李持佳, 陈家新等.基于人工神经网络的城市煤气短期负荷预测.煤气与热力.2001.

负荷预测管理篇6

1 石河子地区负荷特性分析

1.1 年负荷曲线与负荷特性指标分析

新疆石河子地区2009～2012年负荷曲线如图1所示。从年负荷曲线中可以看出, 石河子地区负荷从平稳到快速增长。2010年9月是个负荷拐点, 负荷稳步上升到2011年5月进入快速增长期, 2011年7月达到最大值, 由于负荷增长过快, 受发供电设备严重过载的制约及当时负荷占比较大的农灌负荷急剧下降的影响, 8～9两个月负荷有所下降。经过10～11两个月的调整、检修、增容扩建, 到2011年年底负荷进入了高速增长期。

表1是石河子地区2009～2012年的负荷指标, 从季不均衡系数可以看出该地区负荷发展不均衡, 但是从2010年起负荷均衡度有了很大改善, 到2012年由于负荷大幅增加造成数据有所回头。而年平均日负荷率也逐年提高, 年最大峰谷差率先增大后减小, 反映出负荷增长过程中先期冲击性负荷增长快, 后期增长负荷稳定性高、基数大, 从而使年最大峰谷差率迅速降低。最大负荷利用小时数也增幅较大, 这说明该地区负荷发展趋势正向着好的方向发展。

1.2 影响石河子地区负荷的主要因素

石河子地区属于温带大陆性气候, 区内降水少。该地区2011年前用电多为农业灌溉负荷, 用电能量大, 2011年以前农业负荷占全网总负荷的一半以上。农灌负荷占比大但季节性强, 从图1可以看出, 2011年5月中旬负荷急剧上升到7月中旬达到顶峰, 9月又回到正常负荷。季节性负荷变化造成了石河子电网发展不均衡。

此外, 该地区工业负荷发展迅猛, 电解铝、多晶硅等高耗能产业的相继投产导致负荷剧增。2010年工业负荷只占总负荷的20%, 2012年已占总负荷的60%以上, 工业负荷在很大程度上影响着地区负荷走势。

逢节假日, 如“五一”、“十一”、春节等负荷变化也十分明显, 对负荷的均衡发展影响显著。

通过以上的地区负荷特性分析, 可以总结出影响石河子地区负荷变化的主要因素有三个———大用户用电、农灌用电、节假日用电。

2 各主要因素对石河子地区负荷影响分析

2.1 农灌负荷用电影响

石河子地区经济2011年前主要以农业生产为主, 由于采用电力节水滴灌技术, 该地区在春耕农灌时用电能量很大。以2011年为例, 全年最高负荷, 即7月的707.6 MW中, 农灌负荷350 MW占比49.5%。而农业负荷由于受季节影响, 波动较大。如图2是石河子地区2011年度总负荷及农业负荷曲线, 从中不难看出由于农灌负荷在总负荷中占比大, 变化明显, 从而严重影响了该地区负荷特性。

2.2 大用户用电影响

2010年底, 晶鑫硅业、合盛硅业相继建成投产总负荷120 MW, 石河子地区负荷增长超过20%, 大大缓解了该地区冬季用电负荷低发电出力严重过剩的矛盾。但是供电初期也出现了一些问题。图3所示为2011年4月典型日负荷曲线, 从图中可以看出, 新负荷的加入使日负荷曲线波动增大, 总负荷虽然增加了, 但是供电质量有所下降, 峰谷差增大, 日负荷率、不平衡系数均有所下降。经过调查发现这两家硅业工厂每天在0时、6时、10时、18时四个时间点进行停炉交接班, 这对负荷的调整及局部电压造成一定影响。通过与用户的协商, 由电力调度统一指挥协调各厂停炉交接班时间, 从而解决了负荷波动过大的问题。

天山铝业是该地区现如今用电负荷最大的工业大用户, 从2012年年初开始投产试运行, 到10月总负荷已达350 MW, 其用电负荷平稳, 波动小, 月平均峰谷差率只有1%～2%。这对提高地区负荷基数有很大好处。通过图1可以看到由于调配得当, 将天山铝业增加负荷的时间安排在7月下旬, 使往年出现的农灌负荷减少所造成的地区负荷急剧下降没有出现, 地区负荷上升平稳。表2是该地区2012年下半年负荷特性指标, 从中不难看出季不均衡系数、年平均日负荷率、最大负荷利用小时数都达到了一个较高的水平。在这种态势下运行的地区电网, 无论是安全性、经济性、稳定性都很高。

2.3 节假日负荷的影响

该地区节假日负荷与普通日负荷差异较大。经过对多年节假日用户停产负荷统计, 笔者发现, 该地区节假日停产的企业都是纺织、造纸等行业, 总负荷在100MW左右, 且近几年变化不大。在2011年以前由于假日停产负荷在总负荷中占比高达30%以上, 这就造成节假日发电出力严重过剩, 电网无法保证最小运行方式。而在各种节假日中又以春节假期最为突出, 因为这一时期是全年负荷最低点。以2011年春节为例, 为了减小出力, 在过节期间被迫将一座100 MW的热电厂机组全停, 只烧锅炉带热负荷。

该地区节假日停电负荷也有一定规律, 如春节期间停电负荷总是在农历大年三十早上10时整所有负荷降到零, 而在初四早上10时开始逐步恢复。而“五一”、“十一”期间停电负荷总是在头天晚上负荷降到零, 到假日第四天早上10时负荷逐步恢复。在对节假日负荷进行预测时, 准确把握这些时段和变化趋势有助于提高该地区假日负荷预测准确率。

图4是该地区历年来春节前后日负荷曲线, 从中可以看出在2011年前曲线变化很大, 且幅度基本相同。到2012年由于负荷基数大幅提高, 假日负荷变化正在被逐步弱化, 到2012年年底假日停电负荷只占总负荷的10%左右, 这大大提高了假日负荷率, 同时也使假日负荷预测准确率得以提高, 解决了假日期间电力供求矛盾。

3 结论

(1) 大用户天山铝业的用电已逐渐成为地区负荷的基础, 对稳定地区负荷、改善电网特性有重要意义, 也有利于负荷预测的准确性。

(2) 农业灌溉负荷占比还较大, 且季节性强。负荷受温度和降雨影响预测难度较大, 但是随着负荷基数的提高, 农灌负荷在总负荷的占比逐渐减小, 这有利于农灌期负荷的预测。

(3) 节假日期间负荷变化较大, 但变化量历年来不大, 且每年都有较大相似性。

(4) 影响石河子地区负荷特性的因素还有很多, 如用户自备电厂、冬季供暖因素、有序用电等, 但这些并不是影响该地区负荷特性的主要因素, 因此本文不作详细分析。

4 对地区负荷预测的建议

根据前文分析结果知道, 影响石河子地区负荷的重要因素, 具有很强的地域性、季节性。因此, 在对该地团县委组织的“爱心共建青年林”主题活动, 300多名青年志愿者共栽植树苗2 600余棵。区负荷进行预测时, 要充分考虑新负荷的增长因素, 做好信息采集和分析工作, 具体如下。

(1) 及时了解用户负荷增加情况, 特别是针对大用户大负荷, 应提前报备、提前申请按计划进行投产。对于冲击性负荷应在投运的同时投入辅助的补偿及消谐装置, 并协调其班组错开交班时间, 防止人为因素造成负荷波动过大。

(2) 及时了解气象信息, 准确把握农灌负荷的变化, 根据气温及降雨的气象信息及时调整负荷。

负荷预测管理篇7

微网[1,2,3,4]从系统观点看问题,将发电机、负荷、储能装置及控制装置等结合,形成一个单一可控的单元,同时向用户供给电能和热能。微网能够整合分布式发电的优势,协调分布式电源与大电网间的矛盾,充分利用各种分散能源,结合本地负荷、储能装置及相关监控和保护装置,构成具有自我控制、保护和管理能力的新型电力微系统[7]。但是如何实现微网的运行控制、能量管理和调度等方面仍存在诸多的问题。其中,微网的负荷预测也是难点之一。

目前,国内外学者对配电网的负荷预测方法进行大量研究,但对微网负荷预测方法的研究甚少。微网负荷预测是电力系统调度、用电、计划和规划等部门的重要工作之一,对负荷的准确预测是微网规划和建设的首要条件。由于微网的规模小、负荷种类繁多、运行方式不一,因此其进行负荷预测不能直接套用配电网的方法,应选择一套适用于微网的模型。本文提出的改进的负荷密度模型便充分考虑了用户背景、消费水平、区域经济环境及各种其他因素,引入负荷密度的主成分分析和多元回归分析,符合微网异于配电网的特点。

IBM® SPSS® Statistics19是一种用于分析数据的综合系统。本文利用SPSS强大的数据处理功能,对影响负荷密度的众因素和负荷密度进行主成分回归分析,量化负荷密度的选取过程,使预测结果更加精细可靠。

1微网负荷分类与常用负荷预测方法

相对配电网而言,微网的空间有限,负荷特性的不准确评估将导致微网内电力电量的不平衡,同时,微网用户对电能质量和供电可靠性的要求各不相同,因此需要对微网进行有别于配电网的负荷分类[3,4,5,6]。

用于电力系统负荷预测的方法很多且各有其优缺点,梳理常用方法为微网负荷预测方法的选择提供依据。目前配电网常用的负荷预测方法可从以下几方面进行分类[6]:

(1)根据负荷预测的范围分类:负荷总量预测、空间负荷预测。

(2)根据负荷预测时间分类:超短期负荷预测、短期负荷预测、中期负荷预测、长期负荷预测。

(3)根据负荷预测采用的数学方法分类:相关分析法、趋势外推法、回归分析法、负荷密度法、时间序列预测法、人工神经网络。

除上述方法,还有多种方法可用于负荷预测,如灰色模型法、人均电量法、傅里叶分析法、小波分析法、混沌理论、卡尔曼滤波算法、模糊预测法、专家系统预测法、系统动力法以及上述方法的混合算法等。

2改进的负荷密度法

2.1可用于微网的负荷预测方法

传统负荷预测法得到的预测结果只能反映一个区域电网负荷的总体水平,然后把预测的总体负荷水平平均分配至各个功能分区,得到的是负荷总量预测结果,它的预测属于战略预测,受历史和现有负荷数据以及经济因素的影响。由于微网的空间特性,其规划及建设需要将各分布式电源和线路落实到微网内具体位置上,并依据轻重缓急分期实施。

因此需要对常用负荷预测方法改进才可用于微网。结合微网的空间特性,可能适用于微网的负荷预测方法有人均用电量法、人工神经网络法和负荷密度法。

2.2负荷密度法

负荷密度法的主要思想是将微网划分为很多小网格,对各小网格内部进行预测。它根据供电地区内不同功能分区或不同功能用地来分别进行预测,并考虑不同功能用地的最大用电负荷同时率[9]。

微网负荷按终端用户需求的分类,在一定程度上反映了该微网的用地划分。各功能用地具有不同的用电特点、用电方式、年最大负荷利用小时数和用电负荷密度。

微网明确的功能划分适合采用负荷密度法来进行负荷预测。该方法凭借主观经验类比同种用地性质的地块负荷密度来确定规划区的负荷密度值,从而得到规划区的负荷值。此外,对于传统城市配电网而言,根据不同的规模可以有不同的划分,划分的越细,预测精度也会随之越高。微网相较传统的城市电网用地规模小,用地划分可以做得更为精细,因此更适合采用负荷密度法。

负荷密度法预测的总体思路如下:

(1)根据微网规划用地进行负荷分类,并按照用地性质进行用地划分;

(2)通过类比各类用地性质的负荷密度指标调查结果确定单位建筑面积负荷指标Ji,通过容积率FAR确定单位用地面积负荷指标Pi;

(3)得到各种用地类型的建筑负荷密度、容积率、单位用地面积负荷指标等参数资料后,结合各地块的用地面积,可以确定各类用地的分区负荷值,即:

$L_{i} = S_{i} \times Ρ_{i} (1)$

式中:Li为第i类用地的负荷值;Si为第i类用地的用地面积;Ji为第i类用地的单位建筑面积负荷指标;Pi为第i类用地的单位用地面积负荷指标,且Pi=FAR×Ji。

(4)根据分区负荷结果结合同时率进行累加,从而得到整个微网总体的负荷值情况。即:

$Ρ = Κ_{p} \sum_{i = 1}^{Μ} L_{i} (2)$

式中:Kp为负荷同时率。

2.3改进的负荷密度法概述

以上分析的是传统的负荷密度法,它根据该区域内各地块的用地性质,采用与其他地区类比的方法来确定该区域的负荷密度。微网负荷密度受到各种因素的影响,凭借经验判断来估计负荷密度值的传统负荷密度法预测精度并不理想。因此,有必要考虑影响负荷密度的各种因素。结合微网特点,本文提出一种改进的负荷密度法,对影响负荷密度的社会经济因素进行主成分回归分析,更精确地求取微网负荷密度。

影响负荷密度变化的因素有很多,以居民小区为例,它除了与小区内的人口密度、人均收入、人均电量、电煤价格比增长率密切相关外,还与小区所在城市的整体区域经济环境有关。因为一个居民小区的发展状况是所在城市的缩影,在一定程度上能折射出该小区所在城市的区域经济发展水平。因而,即使居住区人口不断增加、设施不断完善,小区本身建设趋于稳定和饱和,其负荷密度仍然会受到当地国民经济发展状况的制约。具体的区域经济环境指标有很多,比如人均GDP、规模以上工业企业总资产、人均社会消费品零售总额、地区金融效率等,这4个指标则是分别从经济基础、工业化程度、经济活跃程度和地区金融发展这四个层面来反映一个地区的区域经济环境状况。

由上分析可考虑采用计及区域经济环境的负荷密度法,结合影响负荷密度的各种因素,包括小区内部因素和小区所在区域的经济环境因素两个方面,在传统定性的选取负荷密度值的基础上,量化负荷密度值的选取过程,从而使预测结果更加精确可靠。可将微网所在城市的区域经济发展水平引入负荷密度的多元回归分析。首先研究负荷密度与各区域经济环境指标的关联性,从中选取相关系数最大的指标来表征区域经济环境因素对小区负荷密度的影响,称该指标为“区域经济环境综合指标”。然后结合小区内部各影响因素对负荷密度进行分析。具体可采用主成分回归分析方法来进行研究。

2.4主成分回归分析法

事物的各个变量之间常常存在着相互联系,这种相关性增加了问题研究的难度。若能从中提取出互不相关的指标变量,来综合表达原始多个变量反映的信息,这样既减少了变量个数和研究的复杂度,又达到了问题研究的实质。主成分分析就是这样一种方法,提取出的互不相关的综合指标又称为主成分或是因子。

降维是主成分分析的核心,通过指标重组和浓缩,变成一组新的综合指标,使得变量个数减少,又不失原有信息。

主成分求解步骤如下:

(1)标准化。标准化的过程避免了数据受到数量级和量纲的影响,达到统一后有利于问题的简化和研究。

$Ζ_{i j} = \frac{X_{i j} - \bar{X}_{j}}{S_{j}} (3)$

其中

$S_{j} = \frac{1}{n - 1} \sum_{i = 1}^{n} (x_{i j} - \bar{x}_{j})^{2} (4)$

(2)求相关系数矩阵R。

$R = (r_{i j}), r_{i j} = \frac{s_{i j}}{\sqrt{s_{i i}} \sqrt{s_{j j}}} (5)$

其中

$S_{j} = \frac{1}{n - 1} \sum_{i = 1}^{n} (x_{1 i} - \bar{x}_{i}) (x_{1 j} - \bar{x}_{j}) (6)$

(3)求特征值、特征向量。特征值可以用来表征解释初始信息能力的大小。特征值越大,表明能较大程度的将原始信息表达出来,反之,则不能较好的表征原始信息数据。

特征根λ1≥λ2≥λp≥0

特征向量为

$A_{i} = (a_{1 i}, a_{2 i}, \dots, a_{p i})^{Τ}, i = 1, 2, \dots, p (7)$

(4)求ak和a(k)。

$\begin{array}{l} a_{k} = \frac{λ_{k}}{\sum_{i = 1}^{p} λ_{i}} (8) \\ a (k) = \frac{\sum_{i = 1}^{k} λ_{i}}{\sum_{i = 1}^{p} λ_{i}} (9) \end{array}$

方差贡献率能综合反映该主成分综合原始信息的能力。如果前几个的累积方差贡献率已经足够大,说明这几个主成分已经足以将原始信息表达出来,则无需进行剩余主成分的研究,这样简化了问题研究的复杂度,提高了研究效率。

(5)主成分个数的确定。理想的情况下时既要使得主成分的个数最小,同时又要最大限度的解释原始信息。一般情况下,常用的方法是首先求取出平均特征值,选择所有满足 $λ_{i} \geq \bar{λ}$ 的λi即可。若对于标准化指标数据,即是选择所有大于1的特征根即可。

$\sum_{i = 1}^{p} λ_{i} = p, \bar{λ} = 1 (10)$

(6)求主成分值。主成分用原始指标X1,X2,…,Xp可表示为:

$f_{i} = a_{1 i} X_{i} + a_{2 i} X_{2} + \dots + a_{p i} X_{p}, i = 1, 2, \dots, k (11)$

3实例研究

以湖北省各主要城市小区为例,介绍改进负荷密度法的实例研究。首先通过对不同地区小区的负荷密度调查结果,分析区域经济环境因素对负荷密度的影响,具体数据见表2(各区域经济环境数据均来自2011年《湖北统计年鉴》[10]。

使用SPSS19.0对以上数据进行相关性分析,得出相关系数矩阵,由该矩阵知金融效率指标与负荷密度指标的相关系数最大,故选其为表征区域经济环境的综合指标,并结合小区内部的各影响因素对负荷密度进行主成分分析[8]。

表3为收集的全国不同地区居民小区负荷密度数据,选取的5个自变量为小区人口密度、人均收入、人均电量、电煤价格比增长率和小区所在城市的区域经济环境综合指标,采用SPSS19.0对其进行主成分回归分析的相关操作。

运用SPSS19.0对表中确定的5个自变量进行主成分分析,得到的各种运算结果见表4。

由成分矩阵可得:

$\begin{array}{l} F_{1} = 0.762 Ζ X_{1} + 0.873 Ζ X_{2} + 0.612 Ζ X_{3} - \\ 0.948 Ζ X_{4} + 0.893 Ζ X_{5} \end{array}$

提取出主成分F1,再运用SPSS19.0对主成分与因变量Y进行线性回归分析,得到F1与Y之间的线性关系,去标准化得到一般线性回归方程:

$\begin{array}{l} Y = - 26.449 + 0.001 X_{1} + 0.010 X_{2} + 0.018 X_{3} - \\ 4.406 X_{4} - 0.007 X_{5} \end{array}$

得到负荷密度与各影响因素之间的数学关系。由具体数据计算出相应的负荷密度,再结合用地面积、容积率、同时率等数据计算出用电量。

3结论

本文对传统的负荷密度法进行改进,实现了改进的负荷密度法用于微网进行负荷预测。改进的负荷密度模型在考虑了用户背景、消费水平、区域经济环境及各种其他因素的前提下,引入负荷密度的主成分分析和多元回归分析,量化了负荷密度的选取过程,使预测结果精确可靠。该模型充分反映了城市规划的意图和远期建设用户的需求,它是建立在城市规划现状和规划预测数据的基础上的,城市规划的实施程度直接影响着模型预测结果的准确度。实例研究结果表明,与配网常用的负荷预测方法相比,改进的负荷密度法提高了负荷预测精度,更适用于微网。

参考文献

[1]袁越,李振杰,冯宇,等.中国发展微网的目的方向前景[J].电力系统自动化,2010,(1):59-63.

[2]丁明,张颖媛,茆美琴.微网研究中的关键技术[J].电网技术,2009,(11).

[3]鲁宗相,王彩霞,闵勇,等.微网研究综述[J].电力系统自动化,2007,(19):100-107.

[4]盛鹍,孔力,齐智平,等.新型电网-微网(Micro-grid)研究综述[J].继电器,2007,35(12):75-79.

[5]杨慢慢,王金凤,李燕青,等.改进的空间负荷预测法及其应用[J].电力科学与工程,2011,27(11):35-38.

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

[7]马力.CCHP及其所构成微网的运行特性研究[D].天津:天津大学电气与自动化工程学院,2008:1-6.

[8]徐东升,杨巍,魏哲,等.基于SPSS的短期负荷特性分析及其预测研究[J].电力系统保护与控制,2009,37(21):147-151.

[9]孙威.基于负荷密度指标法的配电网空间负荷预测方法研究[D].重庆:重庆大学,2010.

负荷预测管理篇8

1 基于BP神经网络电力负荷预测的分析方法

所谓神经网络,就是指通过模仿大脑对信息的认知、加工、处理的过程完成对信息的自适应性质的记忆、学习。这种模仿人类处理问题的方式已经应用于诸多领域,在电力负荷预测中,BP神经网络算法也有一定的应用基础。当人们进行负荷预测时,已知的是既往和实时数据,所求的是未来一段时间的负荷值。BP神经网络算法中,已知数据当作输入量,通过三层网络模型构造的函数,适当改动函数里的权值、阈值,最终会求出所要的输出量,也就是负荷预测量。神经网络的传输过程由正反双向传送通道构成。正向传输就是由已知数据按设计流程得出预测数据;反向传输就是由得出的预测数据反过来与已知数据进行比较,若两者之间存在差值,则需要继续按照正向传输的步骤得出修正后的预测值,这个过程也就是指BP神经网络所具有的记忆性。通过这个过程可以逐步将偏差缩小,在预测值满足期望目标的区间内,得出满足收敛要求的最小误差偏差,完成BP网络的记忆学习过程,得到最终符合精度要求的负荷预测值。

2 朝阳市朝阳市超短期电力负荷预测研究

神经网络主要分为输入层、隐层和输出层三部分。输入层设有3个神经元,隐层设有5个神经元,输出层设有1个神经元,将输入层中检测单元所得到的已知数据作为输入层神经元的输入信号,将信号传递到隐层中的神经元,经过算法的分析处理,传递给输出层的神经元,这样就可以得到我们所需要的负荷预测值,具体的三层结构神经网络如图1所示。

关于三个层级的结构设计按照以下的几点要求:输入层和输出层的节点数要等于选定样本的维数;而隐层的节点数也就是交点数针对连续和不连续函数是不同的,连续函数3个即可,不连续函数时交点数要适中,过多会增加网络运行时间,降低泛化能力,过少则冗余度弱,容错率小。具体的隐层数的公式可按经验得出:

式中,l为隐层交点个数,n为输入点个数,m为输出点个数,a为浮动常数,一般取1~10。利用BP神经网络负荷预测的模型,对朝阳市50余家用电用户总的用电负荷进行短时预测。分析所用的历史数据为2016年4月20日至2016年6月12日的负荷数据,预测的目标是2016年8月5日的负荷曲线。利用BP神经网络模型预测的结果如表1所示。

表1中可以得出实际值和预测值最大误差为12.90%,最小误差为0.19%,平均误差为5.13%。实际的结果较为精确的反应了预测值的准确度。预测结果用负荷特性曲线表达,如图2所示。

3 结论

本文主要对朝阳市的典型用电用户的用电负荷特性进行了负荷特性分析和负荷预测功能。依据负荷特性分析方法和负荷预测的数学模型,通过选取的典型电负荷类型的用电企业,对其具体数据进行了处理,验证了所提方法和模型在解决朝阳市电网企业管理实际问题中所发挥的作用,显示了本文所做的负荷分析和预测工作的准确性和有效性。

参考文献

[1]陈艳.基于遗传神经网络的短期电力负荷预测研究[D].大连:大连理工大学,2006.

[2]林一凡.基于目标管理的电力负荷管理系统研究[D].大连:华北电力大学,2013.

三种电力负荷预测模型的比较篇9

关键词：灰色模型；小波神经网络；随机森林模型

中图分类号：TM715 文献标识码：A 文章编号：1006-8937（2016）27-0053-02

电力系统数字仿真已成为电力系统规划设计、调度运行和试验研究的主要工具，大量研究结果表明，负荷特性对电力系统分析计算结果具有重要影响，不同的负荷模型对电力系统的仿真计算都有不同的结果。因此，准确的负荷预测，既可以保持电网运行的安全稳定性，又能够有效降低发电成本，提高社会效益和经济效益。

负荷预测的核心问题是预测方法的使用，现代科学技术在不断发展和进步，负荷预测建模技术相关理论研究不断深入，有关技术取得很大进步，对建模方法的探索，一直是国内外学者所关注的热点，本文基于用户用电量和电负荷量这两个主要指标，结合天气温度、季节、经济增长和人口变化等因素，利用灰色预测、小波神经网络模型、随机森林模型三种方法，较为合理的预测了用户未来的电量及电负荷量，取得了较好的预测效果。

1 灰色预测模型

3 随机森林模型

随机森林模型是一种组合分类器，它在基于统计学习理论基础上，将决策树算法与bootstrap重抽样方法相结合，首先构造一个集合，基于树型分类器，然后使用该集合通过投票进行分类与预测。

4 仿真预测

根据电网的数据，分别建立灰色GM（1，1）模型，小波神经网络模型和随机森林模型，并对所得结果进行检验。

针对模型1，首先我们通过分析处理了异常数据，再使用累加法生成了累加生成序列，然后建立GM（1.1）灰微分方程模型。最后运用MATLAB求出对应的白微分方程、进行残差检验、并求出预测值，所得结果如图1和图2所示。

针对模型2，首先整理数据，尤其是对神经网络中的输入，输出参数要进行统一的线性变换，这样就可以避免模型失败因为由于数据基准的不同，可能导致学习过程不收敛。再对处理后的数据进行规范化计算，取最小-最大的方法，对计算得到的数据进行标准化数据还原。然后编写MATLAB程序，对处理后的数据进行计算。考虑到主变1和主变2是影响和决定总表的因素，将其作为输入变量；总表是一个连续物理变量，时序性强，因此将其历史数据也作为输入变量。将t时刻主变1、主变2、和主表的前n个历史数据（t-n+1，t-n+2，…，t+1时刻总表数据）作为输入，输出分别为t时刻主变1、主变2和总表。将对总表的数据进行预测，然后再把主变1、主变2的预测结果对总表进行拟合。多次实验，得到当n=4时，结果误差最小。最后生成预测数据与实际数据的散点图，如图3所示。

针对模型3，采取步骤：

第一步：将记录所有数据，看作是一个节点；

第二步：寻找每个变量的各种分割方式，找出最好的分割点；

第三步：运用分割点将记录分割成两个子结点C1和C2；

第四步：对子结点C1和C2重复执行步骤Step2、Step3，直到满足特定条件为止。

将每个时间段看作是一个节点，每隔15分钟，划分一个空间。决策树的分割点就是各种因素，记录子节点C1和C2。重复执行直至结果在可接受误差之内。

5 模型优缺点比较

5.1 灰色预测模型

模型优点：不需要考虑数据的分布规律，变化趋势，同时运算比较方便，若用于短期预测，精度比较高，并且所需要的电力负荷数据少，对结果检验非常方便。

模型缺点：只适用于原始数据具有良好光滑性能的中长期预测，局限性体现在以下方面：①数据离散程度越大时，预测精度就越差；②不太适合对电力负荷进行中长期预测，特别是长期后推若干年的预测[3]。

5.2 小波神经网络模型

模型优点：小波神经网络可以避免MLP神经网络结构设计的盲目性；可以从根本上避免局部最优等非线性优化问题，因为学习目标函数的凸性，网络权系数的线性分布；

模型缺点：随着网络的复杂度增加呈几何级数增长趋势，训练时所需的网络隐含层较多，而且时间和迭代次数较多。

5.3 随机森林模型

模型优点：对于很多种不同数据，可以处理数据量较大的变量输入，并且产生准确度高的分类器。在内部可以产生不偏差的估计对于一般化误差后，在建造森林时。对于数据的挖掘、侦测的偏离和资料视觉化等方面非常有用，在计算亲近度时。在决定类别时，评估变量的重要性。可被继续应用在使用非监督聚类的未标记的资料上。学习过程非常快速，同时在决定类别时，评估变量的重要性。

模型缺点：在搜索中不进行回溯，所以它容易收敛到非全局的局部最优解；在学习中，由于分类器比较复杂，会过于适应噪声，可能会导致过拟合的问题[4]。

6 进一步的讨论

近十几年来，随着科技的发展，预测模型取得了深远的进步。不断涌现出新的模型，为提高预测模型的精准度，需要进一步使用组合预测。

组合预测有两种方法：①对于几种预测模型得到的预测结果，选取适当的权重进行加权平均运算；②在几种预测模型结果中进行比较，选取拟合优度最佳的预测模型作为最优方法进行预测。通过组合预测在大多数情况下，可以达到改善预测结果的目的。

参考文献：

[1] 梅正阳，韩志斌.数学建模教程[M].北京：科学出版社，2012.

[2] 陈哲，冯天瑾，陈刚.一种基BP算法学习的小波神经网络[J].青岛海洋大学学报，2001，31（1）：122-128.

[3] 朱祥和.两种短期电力负荷预测模型的比较[J].黄冈师范学院学报， 2012，（3）.

负荷预测管理篇10

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:

$C_{i} = [a_{i} b_{i} c_{i} d_{i}]^{Τ} (3)$

定义3 参数矩阵P7×4为:

$Ρ_{7 \times 4} = [\begin{matrix} 1 & 1 & 1 & 1 \\ 1 & 2 & 4 & 8 \\ 1 & 3 & 9 & 27 \\ 1 & 4 & 16 & 64 \\ 1 & 5 & 25 & 125 \\ 1 & 6 & 36 & 216 \\ 1 & 7 & 49 & 343 \end{matrix}] (4)$

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:

$F_{i} = Ρ_{i} C_{i} (5)$

式(5)中的Fi和Pi均为已知,求Ci。

根据最小二乘法原理,有

$C_{i} = (Ρ_{i}^{Τ} Ρ_{i})^{- 1} Ρ_{i}^{Τ} F_{i} (6)$

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

$F_{2} = [F_{i}^{Τ} F_{j}^{Τ}]^{Τ} (7)$

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:

$Ρ_{2} = [\begin{matrix} Ρ_{7 \times 4} & 0 \\ 0 & Ρ_{7 \times 4} \end{matrix}] (9)$

则式(6)修改为:

$C_{2} = (Ρ_{2}^{Τ} Ρ_{2})^{- 1} Ρ_{2}^{Τ} F_{2} (10)$

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:

$C_{k} = (Ρ_{k}^{Τ} R_{k} Ρ_{k})^{- 1} Ρ_{k}^{Τ} F_{k} (11)$

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

$\begin{array}{l} R_{2} = \\ [\begin{matrix} 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 \end{matrix}] (12) \end{array}$

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。

【负荷预测管理】推荐阅读：

负荷预测08-08

燃气负荷预测07-02