空间负荷预测范文（精选10篇）

空间负荷预测 第1篇

负荷预测 是电网规 划的前提 和基础, 电网负荷 预测的准 确性直接 关系到电 网规划质 量。 由于电网负荷预测受到当地经济社会发 展、 气候变化、 政治活动 等多种因 素的影响, 如何准确 预侧负荷是电力系统专家和学者长期研 究的重要 课题[1,2,3]。 根据负荷 预测周期 的长短, 可分为长 期( 年度)、中期(月度)、短期(日) 和超短期( 小时) 负荷预测。 传统电网规划的主要依据是长期负荷预 测结果。 目前, 对长期负 荷预测的研究主要有趋势外推预测技术、 回归分析 预测技术、 时间序列 预测技术、 灰色模型 和空间负荷预测技术等方法[4,5,6]。其中, 回归分析 预测技术、 时间序列 预测技术、 灰色模型 等方法仅 仅预测了 未来负荷 的大小, 但未给出 未来负荷的空间分布。

和这些方法相比,空间负荷预测法不仅可在时间上预测未来负荷, 而且还可 预测未来 负荷的空 间分布信 息。 空间负荷 预测法在1983年由美国 学者H.L.Willis给出定义[7]:“将负荷预测用地按照一定原则划分为 规则或不 规则小区( 负荷元胞), 通过对负 荷元胞土地使用特征及用地负荷发展规 律的分析, 预测每个 元胞中电 力用户的 数量、 电量产生 的时间”。 现有空间 负荷预测方法多达几十种,按预测原理分,可分为用地仿真类法、负荷密度指标法、 多元变量法及趋势类空间负荷预测方法[8,9,10,11]。各种方法本质上是从不同角度解决空间负荷预测法两个主 要关键因 素: 明确的用 地性质分 类和准确 的分类负 荷密度, 并尝试将先进的人工智能算法和数学建 模方法引 入负荷预 测, 以提高预测结果准确性[12,13,14,15]。此类方法在理论上存在较高的负荷预测准 确度, 但往往由 于理论模 型过于复 杂、 所需数据 样本较大 等因素, 难以实际 应用于电 力系统的负荷预测中。

本文提出一种简洁实用的网格化空间电力负荷预测方法,以地区控制性规划为基础,将全市建设用地细分为44016个网格;并通过对北京地区实际各类负荷指标的大样本实测,建立各类负荷模型,获得准确的负荷密度指标,同时将全市土地根据开发程度划分为建成区、 新建区和发展区三类,结合三类区域开发特点差异化预测负荷增长, 以此获得精确的空间负荷预测结果,为北京地区电网规划提供可靠依据。

1北京市控制性规划分析

根据各区 县的地区 控制性规 划, 全市规划 建设用地 面积约1865km2,占市总面积11.4%;其余山区、绿地、水域、道路等非建设用地面积约14545 km2,占全区面积88.6%。 北京市建设用地主要分为14类,如表1所示。

如表1所示,以居民住宅为例,北京市居民住宅用地面积约589km2, 通州居民住宅用地面积48km2,占全区建设用地面积8%。

2用户负荷指标建模方法

目前,北京地区现有分类用地的负荷指标有《建筑电气常用数据图集》 和《用电咨询项目负荷指标表》两种。其中《建筑电气常用数据图集》是2004年由中国建筑标准设计研究院出版,全国通用,规定了公寓、旅馆、 办公、演播室等12类指标,范围较为宽泛,主要用于建筑内部配套进户线的需求测算。而《用电咨询项目负荷指标表》是北京市电力公司发布的企业标准,适用于北京地区电网建设,针对13类用地性质给出了20类负荷指标值,主要用于北京地区开展配电网规划和用户接入系统方案的负荷测算。但随着社会经济持续发展,原指标体系已难以适应当前负荷发展需求, 主要问题如下。

1)部分负荷指标值偏低。以银行、数据中心为例,原有负荷指标值是58.5W/m2,而2013年大负荷期间,中国人民银行和中金数据中心的实测负荷指标分别为131、102.9 W/m2,高于原指标125% 和76%。

2)负荷指标分类宽泛,分类颗粒度无法体现多种用户负荷特性,其中工业负荷指标仅有一类(15 W/m2)。目前,北京地区工业用户包含电子设备制造、汽车制造、食品加工等多种类型,各类型负荷指标差异明显。

3)负荷指标分类不够科学。《建筑电气常用数据图集》中指标分类未与建设用地结合,且范围较为宽泛, 如演播室为250 ~ 500 W/m2,无法对用户内部负荷进行准确测算。

为获得分类更科学,指标更精确的分类用地负荷模型,本文对北京市各类用地负荷指标数据进行了大样本数据收集,并结合数据实测与校核,建立新的用户负荷指标体系,具体步骤如下:

1) 样本数据收集。 在14类用地的基础上,将用电客户群细分为44类,选取现有客户样本32620个。 收集每个样本2008~2012年每小时电量数据作为测算基础,总数据量超过1.5亿条。

2)计算负荷指标。选取饱和样本为有效样本,利用样本历史最大负荷和建筑面积,计算该样本负荷指标,综合同一类用电性质样本, 确定指标取值区间:

式中:D为负荷指标,W/m2;A为最大负荷(最大单位小时电量); S为建筑面积,m2。

3)实测负荷指标。在有效样本中分类选取1940个用户,于2013年7月开展负荷实测,进一步核实指标区间准确性,初步确定14类用地性质、44类用户负荷推荐指标。

4)校验负荷指标。额外选取当代商城、崇光百货等65个典型客户, 于2013年8月开展最大负荷实测, 进一步交叉校验各类负荷指标。

3负荷建模实例

参照上文所述负荷建模方法, 依次对44类用户负荷进行建模工作,下文以居民住宅负荷和大型购物中心为例阐述负荷建模过程。

1)居民住宅负荷指标。选取典型个人住宅样本2500个,其中饱和样本2000个。以顺义区某个人住宅为例,该户住宅建于1990年,总建筑面积120m2,历史最大负荷5k W (2012年7月23日19:30), 根据公式(1)计算该住户负荷指标为41W/m2。7月实测结 果计算个 人住宅负 荷指标为40W/m2;8月实测交叉校验结果计算个人住宅负荷指标为44W/m2。按照200户以上同时率0.3计算,推荐指标为13W/m2。

2) 大型购物中心负荷指标。 选取典型用户16个,其中饱和样本14个,如图1所示。以某购物中心为例,其总建筑面积3.9万m2,历史最大负荷2750k W(2009年8月14日12时),根据公式(1)计算,该客户负荷指标为70.5 W/m2。7月实测结果购物中心负荷指标为65W/m2;8月交叉校验结果购物中心负荷指标为68W/m2。推荐指标为70W/m2。

通过上述大样本数据分析和实测建模方法,最终给出44类用户和14类用地的推荐负荷指标,具体如表2所示,表中14类用地推荐负荷指标,适用于明确用地性质的土地一级开发阶段配电网规划负荷预测。44类用户推荐负荷指标,适用于已明确用户类别的二级开发阶段负荷预测。

4网格划分

以地区控制性规划为依据, 按照单一功能最小化原则,将居住、工业、商业、行政办公等14类不同用地性质划分为44016个网格, 平均每个网格面积约42000m2,其中:最大网格面积为96000m2,最小网格面积约2000 m2。网格划分步骤如下。

1)大区划分 。如图2( a ) 所示,先将全市地块以乡镇行政区划 为基础, 划分为126个大区, 便于将每 个大区的电网规划 与当地政府规划对接,如图2(b)所示, 朝阳区共 划分了6个大区。

2) 小区划分。 如图2(c) 所示, 将朝阳04地块划分11个小区,划分小区的目的是依据每个小区的负荷密度的不同, 差异化规划各小区的目标网架结构,将网格化负荷预测与该地区配电网规划紧密结合。全市共划分了566个小区。

3)网格划分 。 如图2 ( d ) 所示 , 以用地功 能最小化为原则,将朝阳04-05地块细化 分为1 5 4个小网格 , 依据每个网格的负荷类型开展空 间负荷预测。全市共细分为44016个网格,如表3所示。

5网格化空间负荷预测

针对地区控制性规划目标是远景目标年结果,不能体现现状地块发展程度的情况,本文将全市建设用地的地块按照建设程度划分为建成区(建筑体量按照控制性规划基本实现)、发展区(建筑体量按照控制性规划部分实现,或建筑体量基本实现但建设标准尚未到位)和新建区(现状空地或待拆迁地区) 三类网格。

第一类为 建成区域 网格, 共16238个, 面积514km2( 占比27%),主要分布在城区、朝阳、海淀、 丰台等五环以内地区;第二类为发展区域 网格, 共14931个, 面积782km2(占比42%),主要分布在昌平、大兴等五、六环之间地区; 第三类为新建区域网格,共12847个,面积569km2(占比31%),主要分布在海淀山后、丰台河西、通州、 顺义、大兴新城等地区。

文中根据实测负荷模型及网格开发深度,按照不同原则进行差异化负荷预测:1对于建成区网格, 以历史最大负荷为基准,考虑北京地区2% 的负荷自然增长率预测负荷。2对于新建区网格,依据控制性规划中14类用地性质的开发规模,开展空间负荷预测。3对于发展区网格,其现状负荷按照2% 的增长率进行预测,对于新建负荷按照开发规模开展空间负荷预测。按此方法,如式(2)所示,以各网格负荷为基础,可计算各小区负荷Pk、大区负荷Pi及全市负荷PALL。

式中:N为大区地块中对应的小区地块数量;M为小区地块中对应的网格数 量,Pλ为各网格 的负荷预 测值。

以朝阳区为例,如图3所示, 2020年预测负 荷为525万k W, 其中CBD功能分区 负荷为224万k W, 图3(b) 给出了不同网格的空间负荷分布,图中网格颜色愈深代表负荷密度愈大。按照网格化空间负荷预测方法,将全市44016个网格负荷叠加,可算得2020年北京全市负荷为2846万k W。

6结语

本文提出的网格化空间负荷预测方法,以区域控制性规划为基础, 以用地功能最小化为原则,将北京市建设用地细分为小网格,并依据大样本实测数据建立的各类用地负荷指标模型,同时结合地块开发程度,进行差异化区域用电负荷预测, 可准确预测规划目标年饱和负荷的大小和负荷的空间分布,为配电网目标网架规划提供科学的数据支撑。网格化配电网空间负荷预测与电网规划方法已入选国家电网公司电网规划类典型经验项目库,并已在国家电网公司推广应用。

摘要：电网负荷预测是电网规划的基础,负荷预测的准确性直接关系到电网规划质量与效果。相比于其他负荷预测方法,空间负荷预测法不仅可在时间上预测未来负荷,而且还可预测未来负荷的空间分布信息,为电网规划提供科学依据。网格化空间负荷预测方法以区域控制性规划为基础,以用地功能最小化为原则,将北京全市建设用地细分为44016个网格,并依据大样本实测数据建立的各类负荷指标模型,同时结合地块开发程度,进行差异化区域用电负荷预测,可准确预测出规划目标年饱和负荷大小及其空间布局,为电网规划提供科学的数据支撑。

浅析城市电网负荷预测 第2篇

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

空间负荷预测 第3篇

电力负荷空间分布预测是对负荷时空特性的预测,是电网发展规划以及网络分析的重要基础数据之一。目前空间负荷预测方法主要分为解析法和非解析法两大类。解析法是运用小区的各项原始数据预测小区负荷的发展趋势;非解析法主要是以专家经验为依据决定负荷的大小和分布。

本文在电力地理信息系统的普遍应用[1]的基础上,提出了对各类电力负荷和负荷密度分别建模预测,运用支持向量机计算待预测区域小区的属性值并排序,最终完成空间负荷预测的新方法。

2 空间负荷预测模型

本文假定土地使用的变化主要受市场经济的影响并考虑政府的宏观干预,暂不考虑其他跳跃性因素。图1为本文所采用的空间负荷预测模型的基本流程图。

3 负荷细分及其预测

本文将负荷分为居民类用电、工业类用电、商业类用电、市政与学校类用电。而后,对各负荷序列分别建立适当的预测模型。

3.1 居民类用电[2]2]

居民收入、生活用电的价格以及人口数量是影响生活用电负荷的主要因素。同时,前期的消费量,也会对当前的生活用电负荷产生影响。据此建立计量方程如下:

式中:ct为居民用电负荷;it为城镇居民实际人均收入;pt为居民水电价格指数和社会零售物价指数之比;popt为城镇人口数量。而后,运用协整技术进行误差修正。

3.2 工业类用电[3]3]

工业类用电负荷主要受经济因素的影响。据此建立计量方程如下:

${\rm I}{}_{\text{t}}=f(gdp{}_{\text{t}},{\rm I}{}_{\text{t}-1})+\epsilon {}_{\text{t}}(2)$

式中:It为工业用电负荷;gdpt为国民生产总值;It-1为前一年工业用电负荷。运用协整技术进行误差修正。

3.3 商业类用电

商业用电与人口数量、居民消费水平、历史数据有很大的关系。据此建立计量方程如下:

式中:bt为商业用电负荷;popt为城镇人口数量;ict为居民可支配收入;bt-1为前一年商业用电负荷。误差处理方法同上。

3.4 市政与学校用电

人口增长速度是市政与学校用电的重要影响因素。

式中:st为市政与学校用电负荷;popt为人口数量;st-1为前一年市政与学校用电负荷。误差处理方法同上。

4 小区划分及信息处理

4.1 小区划分及属性确定

小区和土地使用类的划分及总量预测是空间负荷预测的必要条件。小区划分得越细,越有利于科学地进行配电网规划[4]。本文中将供电区域划分成大小一致的方格;依据以往研究惯例和现实情况将土地使用类型划分为工业、商业、居民、市政和学校四类,用U(i)表示,其中i=1,2,3,4,分别与上述用电类型相对应。

在GIS平台上进行空间信息提取:首先对划分的每个小区计算下面的c1～c11值,并分析划分小区各土地使用类现有的使用面积,以及未来可用于发展的空地面积。

从GIS平台上直接提取的空间信息为:

c1:与最近主干道或高速公路的距离;c2与最近的铁路的距离;c3:与最近的商业中心的距离;c4:与最近的学校的距离;c5:与最近的居民区的距离;c6:与最近的工业区的距离;c7:与最近的河流的距离;c8:与其相邻的周围2个小区半径内的居民用户的密度因素;c9:与其相邻的周围8个小区半径内的居民用户的密度因素;c10:与其相邻的周围4个小区半径内的商业用户的密度因素;c11:与其相邻的周围6个小区半径内的工业用户的密度因素。

密度计算公式为

式中,D表示相应密度;∑Nuser(j)表示相对应的用户数目总和;∑A表示相对应的小区面积总和。

4.2 运用主成分分析法进行数据处理

主成分分析法[5]是研究多个数值变量间相关性的一种多元统计方法。主成分分析的基本步骤如下:

第一步,将原变量数据进行标准化处理,标准化的目的是使原本不同量纲的指标具有可比性。

第二步,计算指标向量间(即为原变量数据矩阵中的列向量)的相关系数矩阵R。$R{}_{ij}=\frac{Cov(X{}_i,X{}_j)}{\sqrt{DX{}_{i}DX{}_j}}‚R=XX{}^{\text{Τ}}/(n-1)$。

第三步,计算相关系数矩阵R的特征值λ与特征向量U,将所得特征值从大到小排列:λ1>λ2>>λk≥0,对应得特征向量为U=(U1,U2,,Uk)T, (i=1,2,,k)。

第四步生成主成分,由线性方程组求解可得k个主成分:F1 = XU1; F2 = XU2; ; Fk = XUk,其中主成分Fi的贡献率可以表示为:

${\rm H}{}_i=\lambda {}_i/\left({\displaystyle \sum _{m=1}^k\lambda }{}_m\right)$

累计贡献率${\displaystyle \sum _{i=1}^d\lambda }{}_i/{\displaystyle \sum _{i=1}^k\lambda }{}_i$≥85%时,就得到了最终的d个主成分,实现了对小区属性的化简。

5 支持向量机算法与应用介绍

基于统计学习理论、稳健回归理论和对偶规划理论,贝尔实验室的Vapnik等人提出一种被称为支持向量机的学习算法(SVM)[6]。

给定样本集$\{(\stackrel{\sim }{{\displaystyle X}}{}_i,y{}_i)\}{}_{i=1}^{{\rm N}}$,其中$\stackrel{\sim }{{\displaystyle X}}{}_i$是第i个输入向量;yi是对应的期望值;N是训练样本个数。支持向量机的估计函数如下:

$y=f(\stackrel{\sim }{{\displaystyle X}})=\langle \stackrel{\sim }{{\displaystyle W}},\phi (\stackrel{\sim }{{\displaystyle X}})\rangle +b(6)$

其中$\stackrel{\sim }{{\displaystyle W}}$是权重向量;b是阈值;$\phi (\stackrel{\sim }{{\displaystyle X}})$是输入空间到高维特征空间的非线性映射;〈,〉表示特征空间中的点积。

根据统计学习理论,支持向量机通过极小化目标函数(7)达到训练$\stackrel{\sim }{{\displaystyle W}}$和b的效果,从而确定回归函数。

$R{}_{\text{S}\text{V}\text{Μ}}=c\frac{1}{{\rm N}}{\displaystyle \sum _{i=1}^{{\rm N}}L}{}_{\text{ε}}(y{}_i,f(\stackrel{\sim }{{\displaystyle X}}{}_i))+\frac{1}{2}\parallel \stackrel{\sim }{{\displaystyle W}}\parallel {}^2(7)$

其中c是正常数,它决定着经验风险和正则化部分之间的平衡;Lε是ε不敏感损失函数,其表现形式如下:

$L{}_{\text{ε}}=\{\begin{array}{cc}0& |y{}_i-f(\overline{X}{}_i)|\epsilon \\ |y{}_i-f(\overline{X}{}_i)|-\epsilon & \text{其}\text{它}\end{array}(8)$

通过引入松弛变量和拉格朗日乘子,函数(7)等同于如下的一个标准线性规划问题:

$\begin{array}{l}\begin{array}{l}\underset{\alpha ,\alpha {}^{*}}{{\displaystyle \min }}\frac{1}{2}{\displaystyle \sum _{i=1}^{{\rm N}}{\displaystyle \sum _{j=1}^{{\rm N}}Q}}{}_{ij}(\alpha {}_i-\alpha {}_i^{*})(\alpha {}_j-\alpha {}_j^{*})+\\ \epsilon {\displaystyle \sum _{i=1}^{{\rm N}}(}\alpha {}_i+\alpha {}_i^{*})-{\displaystyle \sum _{i=1}^{{\rm N}}y}{}_i(\alpha {}_i-\alpha {}_i^{*})\end{array}(9)\\ \text{s}.\text{t}.\{\begin{array}{l}0\alpha {}_i,\alpha {}_i^{*}C\\ {\displaystyle \sum _{i=1}^{{\rm N}}(}\alpha {}_i-\alpha {}_i^{*})=0\end{array},i=1,2,\cdots ‚{\rm N}\end{array}$

其中$Q{}_{ij}={\rm K}(\stackrel{\sim }{{\displaystyle X}}{}_i‚\stackrel{\sim }{{\displaystyle X}}{}_j)$是核函数,αi和α*i是拉格朗日乘子,也是对偶参数。

最终函数(6)可以写成如下形式:

$f(\stackrel{\sim }{{\displaystyle X}})={\displaystyle \sum _{i=1}^{{\rm N}}(}\alpha {}_i-\alpha {}_i^{*}){\rm K}(\stackrel{\sim }{{\displaystyle X}}{}_i,\stackrel{\sim }{{\displaystyle X}}{}_j)+b(10)$

根据支持向量机稀疏性的特点,只有一部分αi和α*i的值不为零。不为零的参数对应的向量就是支持向量,并最终决定了回归函数$f(\stackrel{\sim }{{\displaystyle X}})$。

6 算例及结果

本文选取某市为研究对象,将整个市区划分为等面积的电力小区。选取市区当中发展成熟的市区进行小区属性提取,经主成份分析法处理后形成SVM的训练样本集。

选定区域面积2.958(km)2,其中空地面积2.32(km)2。分成400个电力小区,每个小区面积为0.007395(km)2,其中空地小区313个。

运用该市19842006年的用电量及相关历史数据对4类负荷进行预测。结合该市发展规划,至2010年,分别有60%的居民小区,90%的工业小区,50%的商业小区,70%的市政与学校在此区域发展。预测结果如下:

各类负荷负荷密度如下:

居民用电负荷密度:40W/m2;

工业用电负荷密度:60W/m2;

商业用电负荷密度:55W/m2;

市政与学校用电负荷密度:65W/m2;

待预测区域各类用电量增加为:

居民生活用电负荷增加19999.8kW;

工业用电负荷增加87000.3kW;

商业用电负荷增加6600kW;

市政与学校用电负荷增加7150.5kW。

通过以上计算,预测发展用地中有居民用地0.5(km)2,工业用地1.45(km)2,商业用地0.12(km)2,市政与学校用地0.11(km)2。

运用训练好的SVM计算313个电力小区的属性值,并进行排序,举例如下。

同过以上计算得出到2010年,将有16个商业小区,196个工业小区,68个居民小区,15个市政与学校小区在此区域发展起来。

预测区域的空间负荷预测结果如图3所示。

7 结论

(1) 本文将负荷细分思想应用到四类负荷的预测当中,提高了预测的精度;

(2) 在计算待预测区域的负荷增加总量时考虑了政府关于此地区的宏观规划,提高了本方法的实用性;

(3) 运用支持向量机对小区属性值进行计算,提高了评价结果的客观公正性。

该方法理论清晰,易于操作,是一种新颖的空间负荷预测方法,对于实际工作具有一定的指导意义。

摘要：提出了一种新颖的电力空间负荷分布预测模型,该方法首先对各类负荷的影响因素进行分析并分别建模预测;而后将选定区域划分成等面积小区,利用主成分分析法对小区空间信息进行处理,从而形成支持向量机的训练样本集;在此基础上用训练好的支持向量机计算待预测区域小区的属性值,并按照各类用地类型排序。根据预测结果,结合待预测区域的整体发展规划,给出待预测区域各类负荷增量;最后,结合各类负荷密度预测值、各类用地发展总量、各类用地发展排序,给出空间负荷预测值。实例验证了本文方法的有效性。

关键词：空间负荷预测,负荷细分,主成分分析法,支持向量机

参考文献

[1]苏琳,康积涛(Su Lin,Kang Jitao).地理信息系统在配电网规划与设计中的应用(Application of geographicalinformation system to planning and design of distributionnetwork)[J].华东电力(East China Electric Power),2006,34(1):64-66.

[2]宋炜,顾阿伦,吴宗鑫(Song Wei,Gu Alun,Wu Zongxin).城镇居民生活用电需求预测模型(Urban residentialelectricity consumption forecast model)[J].中国电力(Electric Power),2006,39(9):67-70.

[3]袁张伟,杜秀华(Yuan Zhangwei,Du Xiuhua).工业企业用户短期负荷预测的仿真研究(Short-term load forecastfor industry enterprise s customer)[J].计算机仿真(Computer Simulation),2005,22(9):192-200.

[4]程其云,张晓星,周等(Cheng Qiyun,Zhang Xiaoxing,Zhou Quan,et al.).基于粗糙集数据挖掘的配电网小区空间负荷预测方法研究(Spatial load forecasting method fordistribution net based on rough set data mining approach)[J].电工技术学报(Trans.China Electrotechnical Society),2005,20(5):98-102.

[5]缪奇剑(Miao Qijian).用数理统计方法建立用电量需求模型(Establishment of power demand models by usingmathematical statistical analysis)[J].华东电力(East ChinaElectric Power),2006,34(5):44-47.

电力系统负荷预测的研究 第4篇

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

空间负荷预测 第5篇

电力负荷预测是电力系统的一项基本工作,中、长期电力负荷预测结果用于确定是否安装新机组及装机容量的大小,电网的增容和扩建以及电网的发展趋势,因此其准确程度将直接影响到投资、网络布局和运行的合理性。几十年来,人们对电力系统负荷预测方法的研究取得了很大的进展。目前,解决电力系统负荷预测的问题,人们常用的方法有回归分析、时间序列、专家系统、神经网络、模糊理论、小波分析、灰色理论等。这些方法的优势在于它们能从多个角度综合分析负荷预测中的问题,并得到了相对令人满意的结果,然而,对于大型电力系统,这些方法常常具有一定的局限性,因为它们只是通过不同手段根据已获得数据的变换趋势来分析电力负荷,而没有从本质上分析电力系统固有的混沌特性。这里提供了一个解决电力系统负荷预测问题的新思路,即在相空间重构的基础上结合支持向量机回归基础上,既考虑电力系统的混沌特性,又结合了支持向量机非线性回归的优点。通过对深圳市1990-2001年的发展和用电情况进行分析预测取得了满意的结果。

二、相空间重构原理

延时嵌入的相空间重构方法是非线性时间序列处理的基础,其原理是从一维时间序列重构得到系统在相空间的吸引子,从而利用重构吸引子分析系统的动力学特性。Takens理论认为,任何一个系统状态的全部动力学信息包含于该系统任一变量的时间序列之中,把单变量时间序列嵌入到一个新的坐标系中所得到的状态轨迹保留了原相空间状态轨迹的最主要的特征。

具体思路如下:

假定时间序列{x(n),n=1,2,...,N}为系统中某一状态输出,给定整m>1,τ>0可以得到一个m维相量

式中:i=1,2,,Nm,Nm=N-(m-1)τ为重构向量的个数,m为嵌入维数;τ为延时常数,它是一个正整数,可表示为相邻两次采样间隔的倍数.这种从时间序列{x(n),n=1,2...,N}中获得状态向量Y1的方法称为延时嵌入法。

在重构相空间中时间延迟τ和嵌入维数m的选取十分重要,其精度直接关系着相空间重构后描述奇异吸引子特征的不变量的准确度,要从实验或被测系统的测量信号中通过延时嵌入方法真正体现系统的动力学特性,必须仔细选择嵌入维数和延时常数。

Takens原理认为嵌入维数只要满足m≥2d+1(d为系统的分形维数),则重构相空间和系统的相空间微分同胚,即拓扑等价,它们的动力学特性在定性意义上是完全相同的。由此可得,即使无法判断系统独立变量的数量和性质,只要嵌入空间的维数足够大(即大于独立变量的数目),此重构空间与原始状态空间具有相同的行为,可在其中研究吸引子的性质。

选择一个好的时间延迟也非常重要,因为它可以有效降低所需的重构嵌入维数,从而使问题相对简化,对于单变量序列选择时间延迟的方法很多,比如平均位移法,互信息法,自相关函数法等,这些方法在许多文献中都有介绍。

三、基于相空间重构与支持向量机的电力负荷预测

根据电力负荷的不适定性,采用相空间重构技术对电力负荷时间序列数据进行相空间重构,再将重构后的数据作为SVM[4]的训练数据输入,通过机器自学习挖掘出电力负荷变化规律。其中SVM参数采用网格法优化调整。

设电力负荷时间序列为{x(n)},将其嵌入m维相空间,嵌入时间为τ,得:

以此重构状态矢量对电力负荷进行预测,构造映射即回归函数f:RmR得:

设当前数据时刻为n,重构后训练数据容量为N,则训练数据表示为:

采用SVM方法构造回归估计函数f,将m维输入空间变换到另一个高维特征空间,并在该特征空间中根据结构风险最小化原理,求取最优回归曲线。该最优问题描述如下:

其中c>0是惩罚因子,c(ξi),c(ξi*)表示损失函数,这里取ε不敏感损失函数适合电力负荷回归,同时算法适用于其他损失函数,所以这里选用ε不敏感损失函数。

采用Lagrange乘子法和核方法,求得原规划的Wolfe对偶规划:

在matlab中求解最优Lagrange乘子αi.αi*,由此得SVM的回归估计为:

这里K(XR(i),XR(j))为核函数,常用核函数有多项式核函数、高斯核函数、多层感知机核函数。本方法取高斯核函数。

四、实例分析

采用表4.1中深圳1990到2001的年负荷数据为实验数据,通过m取3,4,5时重构训练预测的误差对比,取训练和预测误差最优的组合为m=4,τ=1。通过上节的重构公式把1990-1999的负荷数据进行重构,通过重构数据进行模型训练。利用2000到2001的全年社会用电负荷为模型检验。

模型训练结果如图4.1所示,训练的均方误差MSE=0.00282165相关系数R=97.8395%。

用此模型对2000年和2001年作为输出数据,1996年到2001年的数据用相应重构方法进行重构作为预测的输入数据,进行预测检验结果如图4.2所示,预测均方误差MSE=0.00324792相关系数R=100%。

在表3.2可以看出训练误差对比发现基本SVM的训练误差比经过相空间重构后的支持向量机的训练误差小很多,但二者的预测误差看后者的误差小于前者,说明具有很好的泛化能力。

五、结论

本文汲取了混沌理论思想,对电力负荷进行相空间重构,减小电力负荷中的不稳定因数对电力负荷预测的影响。提出了基于电力负荷相空间重构在支持向量机回归预测中应用。通过实际分析取得了很好的预测效果,同时与简单支持向量机预测效果进行了对比,证实其优于简单支持向量机预测效果。但由于原始数据收集量比较少,有待进一步收集数据进行研究。

参考文献

[1]黄桂华.中长期电力负荷预测方法的简述[J].农村电气化.2002,(8):8-8

[2]Kandil.M.S.,EI-Debeiky.S.M.,Hasanien.N.E..Overview and Comparison of long-term Forecasting Techniques for a Fast Developing Utility:partI[J].Electric Power Systems Research,2001,58(1):11-17

[3]吕金虎,陆军安,陈士华.混沌时间序列分析及应用[M].武汉:武汉大学出版社,2002

[4]Suykens J A K,Vandewalle J.Least squares support vectormachines classifiers[J].Neural Network Letters,1999,19(3): 293-300

[5]Smola A,Scholkopf B.A tutorial on support vector regression[R].London:Royal Holloway Coll.,Univ.,1998

空间负荷预测 第6篇

关键词：城网规划,空间负荷密度法,分层分区,解析度

0 引言

随着城市化进程不断加快,城网规划建设已成为电力部门一项迫切任务,而负荷预测准确性与否则直接影响着电网建设科学性[1]。由于城市功能综合化的发展趋势,城区负荷的发展和变化规律较以往变得更加复杂,这使得在预测城区负荷的分布和规模上沿用传统的预测方法难以达到理想的效果。但是基于多层分区的空间负荷预测方法(Spatial Load Forecasting简称SLF)通过收集空间信息,确定土地未来使用决策权,然后根据城市发展定位通过分类处理各种用地得到相应的负荷密度能克服这一缺点。它不仅可以预测负荷的变化规律,还可以揭示负荷空间分布,从而为准确进行变电站选址和输电线路走廊规划的提前控制提供先进的方法。

基于多层分区空间负荷预测的基本思想是将规划区划分成若干个大区,然后将大区从地理位置和主要负荷构成上划分为多个中区和小区。小区划分的解析度对预测结果和负荷分布有着至关重要的影响。解析度又称分辨率(Resolution),表示预测区域的划分精度。在进行城网规划工作时,不同的土地分区方式存在着明显的矛盾:一方面,从满足电网规划要求的角度则需要供电区域划分具有较高的解析度;另一方面,数据收集积累及预测准确性倾向于在较低解析度下按功能区进行小区划分。解析度越高,划分小区数量就越多,负荷数据收集维护的工作量就越大,解析度过低将对电力规划的精度产生负面的影响[2]。小区负荷发展历史规律表明,如果对按照较低解析度对土地划分时,小区负荷则呈现为较平缓S型曲线发展,受不确定性因素的影响小,规律性强。国外学者通过研究表明当小区面积大于10.356平方千米(4平方英里)时,其增长趋势与整个系统负荷增长状况相似[3]。这表明低解析度下较粗糙分区可对总体的预测结果有一定的参考作用。我国目前数据收集还处于起步阶段,更应该控制数据收集和维护的工作量,特别是按照城市功能分区时,将具有更加稳定的负荷发展规律。在数据逐渐积累较丰富的基础上利用趋势法得到的预测结果,具有较高可信度。

在制定城市电网长期发展规划时,城区负荷发展至饱和的具体时间存在不确定性,无法利用时间序列法和其他传统预测方法预测。另外,第三产业的快速增长及高新技术影响下用电单耗的持续下降,因此负荷达到饱和时,国民生产总值却还在增长,国民生产总值和饱和负荷时的弹性系数之间关联度无法准确确定,用以上其他方法无法对规划区域进行饱和负荷预测。

为解决传统规划中出现的问题,本文在传统空间负荷预测预测方法基础上提出了多层分区的思路和方法,并在河源城网远景规划中进行了验证,结果表明所提方案的可行性与正确性。

1 多层分区空间负荷预测法

空间负荷预测的根本任务是对预测区域内负荷的数值大小和负荷特性、地理位置等进行的预测,是整个规划的最为基础性工作之一,主要分为仿真法(Simulation)和趋势法(Trending)两类[2]。首先对预测区域负荷特性相同或相近的用户归并成同一负荷类别用户,假定这些用户的负荷特性具有相同,据此这些负荷一并进行分析和处理。

多层分区将规划区由上至下分为三层,然后根据地理位置将中区划分成许多小区,当划分的小区数目足够多时预测结果将逼近负荷分布的真实状况。主要的分区方法有按则网格状和不规则多边形。一般来说按照街道和负荷性质划分计算量则较小。

空间负荷预测是将系统负荷总量预测首先分配到中区,然后再由中区分配到小区的过程,过程主要分为以下三个阶段[4]。

(1)空间信息收集。

规划区域地理、交通、社区、市政和城市规划方面信息可利用地理信息系统(GIS)平台对预测区域的空间信息进行处理来完成。

(2)土地使用决策。

根据城市用地总体规划和城市预设发展规模,对预测区域内准备开发的各类负荷用地进行适应度评价,在整个决策过程中,土地的使用要满足总量、分类负荷预测以及新增用地总面积等约束。

(3)负荷增长预测。

按照城市适度发展规划,对城市发展程度给与适当定位,选取各类用地适宜负荷密度,就可以得到该区域负荷增长情况。空间负荷预测流程如图1所示。

2 多层分区空间负荷预测法结构模型

2.1 多层分区结构建立

分层是在规划区土地划分时综合小区形状和解析度,建立三个划分层次,包括总量层、数据收集层和仿真层。

(1)总量层。

负荷总量预测结果是预测的最顶层(简称总量层),包括分类负荷、总负荷等预测结果。在中小规模的城网规划中,大区一般按照行政区域划分,数目一般5～10个左右为宜,大区划分的平均面积一般在10～20平方公里左右。尽管大区的划分是以地理为标准进行的,但仍认为大区负荷与系统总量负荷都属于同一范畴即总量预测的范畴。

(2)数据收集层。

在总量层之下建立空间负荷数据收集层(即中区),中区一般按照城市规划功能块或主要街道划分,按负荷性质主要分为工业园区、住宅区或者中心商务区(CBD)等。一个功能地块包括主要负荷用地及其与配套的用地类型。中区是负荷数据收集积累主干渠道,中区划分应在大区边界内进行,不能跨越所属的大区范围,中区编码以城市规划为依据,应该严格按照用地规划进行,并保持土地划分边界相对稳定,为了减少工作量,较小规模城市中中区的数目建议控制在50～100个左右。

(3)仿真层。

在最底层采用以小区为基本单元进行负荷预测。小区具有较高的解析度,负荷性质较为单一,预测的数据较为精确。采用仿真法预测小区负荷时,往往还需要类似小区的历史和现状负荷数据,再通过与GIS系统的地理空间数据衔接,提供对仿真的数据支持来预测其负荷发展模式。为尽量准确的预测小区的负荷发展状况,需要在每个中区内部按负荷类别和位置确定少量的“支撑点小区”作为负荷调查的对象。研究表明,小区负荷历史发展规律受附近小区的影响较大。因此结合“支撑点小区”负荷数据就比较容易估计“支撑点”周边小区的负荷。

对于规划区域中空地和已开发土地,可分为正常发展、重建和置换3种情况[5]。为简化问题,本文仅考虑正常发展模式,小区的负荷按一定的规律增长直到饱和。已开发的土地则按照现有的增长模式进行预测;对于空地,则需要确定当前年份最大负荷值及其初次增长比例。应用重力模型[2]、“钟形”模型[5]和模糊近似推理方法[6,7]等方法都可得到新开发负荷发展的优先性评价。

2.2 多层分区空间负荷预测法数学模型

在根据城市规划中明确的各分区各类用地性质,根据区域的产业规划、用地规划等经济指标,功能区选择负荷密度时可参照国内外类似地区的负荷水平,从数学角度来讲,计算规划区域内的空间负荷分布存在如下三种映射:

式(1)中f1将分区(x,y)的特征F(x,y)映射为土地使用面积S(x,y),f2将土地使用面积映射成分区负荷L(x,y)

式(2)中m为规划区域的负荷分类,第i类负荷密度为SCi,分区的(x,y)中的第i类土地使用面积和负荷分别表示Si(x,y)和Li(x,y)

3 多层分区空间负荷预测法计算流程

空间负荷预测方法分为自上而下和自下而上两种。自下而上的空间负荷分布算法多用于规划区域进行远景饱和预测或各种原始数据缺乏的新区负荷预测。在多层分区结构中应用自下而上方法,首先应用仿真法预测仿真层的小区负荷,然后再把用仿真法预测得到的小区预测汇总,最后通过计算得出收集层和总量层的负荷数据。

3.1 计算流程

在实际的计算中仅已知仿真层负荷,而收集层和总量层负荷未知,中区和大区负荷上下各层负荷根据小区负荷计算得到,具体计算步骤及计算方法如下[8,9]:

(1)中区记作MA(m),m∈{1,2,n},中区内所有小区SA的集合为:

SAMA(m)中第t类负荷小区数目为SAMA(m),t.Cnt,构成的集合为:

中区内第t类小区负荷相加时的同时率:sa-MA(m),tMA(m),t2MA()

(2)MA(m)中第t类小区负荷之和记为∑SA-MA(m),t.L,计算方法如下:

(3)按上式对中区内每类小区求和得到{∑SAMA(m),1.L,∑SAMA(m),2.L,∑SAMA(m),T.L},记为{∑SAMA(m),t.L},然后对中区内的每个小区负荷求和。

3.2 负荷密度指标的获取途径

为保证空间负荷密度法预测的准确性,首先要保证功能块的划分层次性、合理性,其次不同功能块的负荷密度数据选取要有代表性和可信性。小区负荷密度和小区的性质关联度较大,主要通过按分类平均负荷密度设置、参考经验数据、通过现状供电区域以上三种方式获得。规划小区水平年负荷密度指标可以看做是在预测人员对规划水平年小区负荷密度的一个估计值基础上修正得到。

4 应用与分析

以河源部分城区作为案例论证分层分区空间负荷预测方法在实际中的应用。依据河源市城市远景规划,按照用地性质划分:居住用地、公共服务设施用地、工业工地、仓储用地、对外交通用地、道路广场用地、市政公用设施用地、绿地和其他9大类,分别编号为01、02、03、04、05、06、07、08、09,如表1所示。

所选取研究区域为河源城区南部古竹镇,在文中多层处理时作为总量层。古竹镇总体规划面积为11.5 km2,规划区域内包括以上所有9类用地,各类规划用地的面积和规划详细情况见表2。

古竹镇作为总量层即一个大区,以《河源市城市总体规划纲要》为依据,分析城市定位,空间布局,产业模式、发展规模,将古竹镇划分为16个中区MA(m),m=16,分别进行编号为D1、D2、D3D16,各个中区之间以主干道为边界线,每个中区内都规划有完整的基本生活设施,负荷性质较为多样,中区的划分如图2所示。

依据负荷性质将每个中区划分为若干个负荷类型单一的小区。选取中区D11作为此次仿真应用的代表,首先将其划分为12个小区,小区集合为sa,根据小区负荷性质对小区编码为D1101、D1102、D1103等,D代表大区标号、11代表D区的11号中区,01、02、03为小区的负荷性质。根据各个行业的特点选取合适的负荷密度,中区D11内的小区划分如图3所示。

古竹镇的“划分地块数量”和“地块面积”按照实际规划中的分区数据,其中总量层1个、收集层MA(m),m=16个、仿真层147个,具体分层情况见表3。

根据《河源高新技术开发区电网专项规划修编》,各个分区的产业性质、用地类型和建设规模,对不同地区的负荷密度折算系数及用地开发强度进行相应地调整和测算,得出不同类型用地负荷指标和各个分区的负荷密度。

综合计算过程:根据城市远景规划中城市发展定位选取各类用地的饱和负荷密度,在实际预测中往往根据负荷密度的取值分为高、中、低三种方案。为了准确反映未来负荷发展,本文通过综合处理得到仿真区的远景负荷的中方案饱和值为120 MW。

5 结论

本文通过基于多层分区结构的空间负荷预测方法在河源城区的应用研究。首先给出了空间负荷预测数学模型,建立了多层分区的空间负荷预测结构,通过此方法将城区总量负荷预测归结为不同负荷特性的单元小区负荷的预测。验证表明应用文中所提方法的合理性和实用性。值得注意的是远景负荷总量的实现没有明确时间,仅是对城区用电规模的一个衡量,以预测结果为输入逆推预测目标年前逐年的负荷状况的情况[3]。在向远景网架目标发展的过程中引导规划工作者如何安排过渡年份的项目最优、最科学的向远景目标网架过渡。

参考文献

[1]中华人民共和国能源部、建设部.城市电力网规划设计导则[M].北京:中国电力出版社,1993.

[2]H.L.Willis.Spatial Electric Load Forecasting[M].New York:Marcel Dekker,1996.

[3]Alam S.S,Ghosh S.Ranking by AHP:a rough approach[A].Proceedings of the Fifth International Conference on Information Fusion[C],2002,vol.1:185-190.

[4]程浩忠,张焰,严正.电力系统规划[M].北京:中国电力出版社,2008.

[5]张崇见.基于模糊集理论的空间电力负荷预测及中压配电变压器优化规划[D].天津:天津大学,1998.

[6]C.L.Brooks,J.E.D.Northcote-Green.Astochastic-prefer ence technique for allocation of customer growth using small area modeling[A].Proc.9th American Power Conference.University of Illinois[C],Chicago,IL,April1978:175-179.

[7]余贻鑫,张崇见,张弘鹏.基于模糊逻辑的近似推理方法及其在空间电力负荷预测小区用地分析中应用的研究——第一部分:推理算法和预测原理[J].电力系统自动化,2001,25(6):23-26.

[8]余贻鑫,张崇见,张弘鹏.基于模糊逻辑的近似推理方法及其在空间电力负荷预测小区用地分析中应用的研究——第二部分:应用研究和算例分析[J].电力系统自动化,2001,25(7):28-31.

空间负荷预测 第7篇

短期负荷预测是指一年之内以月、周、天、小时为单位的负荷预测。它是能量管理系统的组成部分,也是电力生产部门、调度部门的重要工具,其预测结果的准确性直接关系到系统的燃料供应计划、调度计划、发电计划、机组检修计划等[1]。因此,短期负荷预测对电网的安全运行起着举足轻重的作用。

鉴于短期负荷预测的重要性,国内外很多专家和学者对其做了大量的研究,提出了很多有效的预测方法。目前,短期负荷预测方法大致可分为包括回归分析和时间序列等的经典方法、包括指数平滑和灰色预测等的传统方法、包括人工神经网络和专家系统等的智能预测方法[2,3]。经典方法和传统方法的原理和预测模型普遍较简单,难以描绘影响负荷的各种相关因数,预测精度不高。以神经网络为代表的智能预测方法能很好地处理电力负荷的非线性映射关系,在负荷预测中得到了广泛的运用。由于电力系统负荷是非线性系统,存在混沌特性[4,5],有学者便提出将混沌理论和神经网络结合起来引入到电力短期负荷的确定性预测中。文献[6-10]便分别构建了基于混沌理论和BP、RBF、模糊神经网络、最小二乘支持向量机、小波支持向量机的短期负荷预测模型,且取得了良好的预测效果。

本文采用Chebyshev正交多项式作为神经网络隐层的激励函数,并将该神经网络与混沌理论中的相空间重构相结合,设计了多输入Chebyshev正交基神经网络动态预测模型。运用该预测模型预测了一天24个小时的负荷值,预测结果表明该模型用于短期负荷预测的效果很好。

1 相空间重构

设混沌时间序列{xi,i=1,2,,n}的延迟时间和嵌入维数分别为τ和m,根据Takens提出的嵌入定理可知,重构后的相空间为

其中:n为时间序列的长度;M为相空间中相点的个数,且满足M=n-(m-1)τ;Xi为第i个相点。从重构后的相空间可看出,τ和m直接决定了相空间的形式和所逼近的吸引子的可靠性和真实性。

1.1 延迟时间的求取

从相空间可以看出,相点中各分量的间隔直接由延迟时间τ确定。τ过大会使相点中相邻坐标的关联性变弱,导致相轨迹的演化信息变得稀疏,产生不相关现象;τ过小又会使相点中相邻坐标的关联性变得较强,导致相轨迹向相空间的主方向压缩,产生冗余重合现象。

在实际操作中,确定延迟时间的方法主要有互信息法、真实矢量场法、信息熵、波动积法等,本文采用应用普遍的自相关法求取延迟时间。对时间序列{xi,i=1,2,,n},它的自相关函数为

其中:。

做自相关函数Tτ随τ变化的函数曲线,取自相关函数曲线下降到第一个极小值所对应的时间为最佳延迟时间。以2001年美国PJM电力公司公布的1~7月份小时负荷数据(以后均采用此数据)为负荷时间序列,其自相关函数的曲线如图1所示,从中可知最佳延迟时间τ为13。

1.2 嵌入维数的求取

在相空间中,嵌入维数m直接决定了相点中分量的个数。m过大时会增加计算工作量及预测误差;m过小时则无法显露系统全部的演化信息。

为此,有学者便提出了关联指数饱和法、伪邻近点法、奇异值分解法、映像距离法等来求取最佳的嵌入维数。本文采用在伪邻近点法的基础上改进而来的Cao氏方法来求取嵌入维数。

首先定义

式中,║□║为欧式距离。则a(i,m)的平均值为

设嵌入维数从m变到m+1时,有

当D(m)随嵌入维数的增大而趋于饱和时,m+1的值即为最佳嵌入维数。利用Cao氏方法对上述负荷时间序列进行处理,如图2所示。从图中可看出,该负荷时间序列的最佳嵌入维数为12。

2 Chebyshev正交基神经网络

正交多项式具有独特的性质,在现实问题中有着广泛应用。Chebyshev正交基神经网络作为一种以Chebyshev正交多项式为激励函数的神经网络,在函数逼近、预测等领域具有优越的性能。

2.1 Chebyshev正交基函数

Chebyshev正交基函数有两种类型[11],且都为L次多项式。第一类为:gL(t)=cos(Larccost),第二类为:,-1t1。运用余弦和积公式可得到第二类的递推公式为

本文采用的是Chebyshev的第二类L次多项式的递推公式作为神经网络隐层的激励函数。

2.2 预测模型的构建

在以具有混沌特性的短期负荷作为模型的输入时,假设经过Chebyshev正交基神经网络预测模型后得到的预测结果满足非线性函数y。根据最佳逼近理论,可以用广义多项式(6)做最佳均方逼近,使误差y和Tn(t)的误差值最小。误差值的大小则取决于式(6)中多项式系数wi的取值情况,利用神经网络学习算法可以解决wi取值问题。式(6)中,gi(t)为正交多项式。

为此,可以构建一个单输入三层的Chebyshev正交基神经网络,并设定输入层到隐层的权值恒为1,隐层神经元的激励函数为第二类Chebyshev正交基函数,隐层和输出层各神经元的激励函数全为恒等映射,且网络中所有神经元的阈值均为0,如图3所示。该网络输出为

式中,Q为隐层神经元的个数。显然,式(7)和式(6)相吻合,这就从理论上说明了三层正交基网络可逼近任意的非线性函数。

混沌时间序列进行相空间重构后,相点中分量个数均不止一个,这致使网络必须满足多输入的要求。此外,在进行短期负荷预测时,需要把预测得到的结果反馈到网络输入端,以便为下一时刻的预测提供输入数据。上述单输入模型已不能满足预测所要求的多输入、含反馈的要求。为此,可以利用一组单输入模型来构建一个多输入动态模型,如图4所示。从图4可以看出,将预测值y反馈到输入层,可以实现动态多步负荷预测。需要注意的是,运用该网络模型做预测时,网络学习阶段不加反馈,训练好w和r这两个权值后,采用有反馈的网络模型进行预测。

在该网络模型中,其网络特性如下:

相空间重构后,以欧式距离作为选择训练样本的标准,选取相空间中离第M个相点欧式距离最近的d个相点作为训练样本中网络的输入部分,即Xk={xk+iτ},k=1,2,,d;i=0,1,,m-1;dM-1。网络的目标输出为输入相点在相空间中对应位置(行数)的下一相点的最后一个分量。为了文中描述方便,设训练样本中第k个相点为,且设该相点对应的目标输出为tk,tk=xq+1+(m-1)τ,q为训练样本中第k个相点在相空间中对应的位置,则训练样本对可表示为(Xk,tk)。

因为输入层神经元的激励函数为恒等映射,故隐层神经元的输入为

隐层神经元的激励函数采用的是第二类Chebyshev正交多项式,第j个神经元的输出可表示为gj(netj),j=1,2,,Q。

输出层神经元的激励函数采用的也是恒等映射,其输出为

训练网络时,采用BP学习算法[12]来对权值w和r进行修正,使输出期望值和神经网络实际输出值的均方误差趋于最小。

设误差ek=tk–yk,作为训练指标的均方误差。通过求偏导数可得权值修正公式为

其中:

wij、rj和为修正前和修正后的权值;N为训练次数;η为学习率。

该Chebyshev正交基神经网络的预测过程可用图5所示流程图表示,其中Emax和Nmax分别为训练精度和最大学习次数。

3 实例分析

以美国PJM电力公司公布的2001年全年小时负荷数据中1月1日1:00到7月19日24:00的4 800个负荷作为时间序列,采用多输入Chebyshev正交基神经网络动态预测模型来预测7月20日1:00~24:00的24个小时的负荷值。

网络初始化时,设定τ=13,m=12,Q=5,η=0.2,Emax=2x10-4,Nmax=500,d=100。将负荷时间序列归一化并重构后,选取相空间中与第M个相点欧氏距离最近的d个相点作为网络的训练样本数据。当网络训练完成后,将相空间中除第M个相点的所有相点作为网络的输入,将此时网络的预测结果组成一时间序列,将其与实际的时间序列对比,如图6所示。从图6中可看出,除极少数峰值点外,其他各点预测的效果都很好,这也说明了网络的预测性能较好。

以相空间中第M个相点作为网络的初始输入,采用动态预测模型预测7月20日全天的小时负荷值,如图7所示。从图7(a)“24小时的预测结果和实际负荷”曲线可以看出,预测结果十分贴近实际负荷。从图7(b)“预测结果和实际负荷的相对误差”柱状图可以看出,预测得到的这24个小时的相对误差百分数均在5%以内,3%以内(黑线所夹区域)的占66.7%,2%以内(灰线所夹区域)的占41.7%。从图6和图7都可以看出,Chebyshev正交基神经网络动态预测模型的预测性能优越。

4 结论

本文将具有混沌特性的电力短期负荷数据、混沌理论中的相空间重构、Chebyshev正交基神经网络三者结合,设计了一种多输入Chebyshev正交基神经网络动态预测模型,并以Matlab为工具进行了实例分析。实例预测结果表明:在短期负荷预测中,基于相空间重构和Chebyshev正交基神经网络的多输入动态预测模型的预测精度高,预测效果较好。

参考文献

[1]康重庆,夏清,刘梅.电力系统负荷预测[M].北京:中国电力出版社,2007.KANG Chong-qing,XIA Qing,LIU Mei.Power system load forecasting[M].Beijing:China Electric Power Press,2007.

[2]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.LIAO Ni-huan,HU Zhi-hong,MA Ying-ying,et al.Review of the short-term load forecasting methods of electric power system[J].Power System Protection and Control,2011,39(1):147-152.

[3]彭显刚,胡松峰,吕大勇.基于RBF神经网络的短期负荷预测方法综述[J].电力系统保护与控制,2011,39(17):144-148.PENG Xian-gang,HU Song-feng,LüDa-yong.Review on grid short-term load forecasting methods based on RBF neural network[J].Power System Protection and Control,2011,39(17):144-148.

[4]李天云,刘自发.电力系统负荷的混沌特性及预测[J].中国电机工程学报,2000,20(11):36-40.LI Tian-yun,LIU Zi-fa.The chaotic property of power load and its forecasting[J].Proceedings of the CSEE,2000,20(11):36-40.

[5]温权,张勇传,程时杰.负荷预报的混沌时间序列分析方法[J].电网技术,2001,25(10):13-16.WEN Quan,ZHANG Yong-chuan,CHENG Shi-jie.Chaotic time series analysis to load prediction[J].PowerSystem Technology,2001,25(10):13-16.

[6]宋振宇,谭勖,刘宇,等.基于混沌理论和BP神经网络的某基地电力短期负荷预测[J].兵工自动化,2011,30(11):43-46.SONG Zhen-yu,TAN Xu,LIU Yu,et al.Short-term load forecasting of navy certain base based on chaotic time series and artificial neural networks[J].Ordnance Industry Automation,2011,30(11):43-46.

[7]李冬梅,王正欧.基于RBF神经网络的混沌时间序列预测[J].模式识别与人工网络,2001,14(2):231-234.LI Dong-mei,WANG Zheng-ou.Prediction of chaotic time series based on RBF neural networks[J].PR&AI,2001,14(2):231-234.

[8]曾鸣,刘宝华,徐志勇,等.基于混沌模糊神经网络方法的短期负荷预测[J].湖南大学学报:自然科学版,2008,35(1):58-61.ZENG Ming,LIU Bao-hua,XU Zhi-yong,et al.Short-term load forecasting based on artificial neural network and fuzzy theory[J].Journal of Hunan University:Natural Sciences,2008,35(1):58-61.

[9]王德意,杨卓,杨国清.基于负荷混沌特性和最小二乘支持向量机的短期负荷预测[J].电网技术,2008,32(7):66-71.WANG De-yi,YANG Zhuo,YANG Guo-qing.Short-term load forecasting based on chaotic characteristic of loads and least squares support vector machines[J].Power System Technology,2008,32(7):66-71.

[10]郑永康,陈维荣,戴朝华.小波支持向量机与相空间重构结合的短期负荷预测研究[J].继电器,2008,36(7):29-33.ZHENG Yong-kang,CHEN Wei-rong,DAI Chao-hua.Short-term load forecasting based on wavelet support vector machine and phase space reconstruction[J].Relay,2008,36(7):29-33.

[11]张雨浓,李巍,蔡炳煌,等.切比雪夫正交基神经网络的权值直接确定法[J].计算机仿真,2009,26(1):157-161.ZHANG Yu-nong,LI Wei,CAI Bing-huang,et al.A Chebyshev orthogonal basis neural network with direct weight determination[J].Computer Simulation,2009,26(1):157-161.

泰州电网负荷特性分析及负荷预测 第8篇

1 泰州电网的负荷特性分析

自1996年泰州市由县级市升级地级市以来,泰州电网进入了一个高速发展阶段,全市最高负荷从1998年的588.9 MW增长到2009年的2 446.2MW,年平均增长率13.8%,供电量从1998年的29.5亿k Wh增长到2009年的142.08亿k Wh,平均年增长率为15.4%。一方面作为一个工业化程度较高的城市,工业用电量占到80%以上,并且拥有较多大型、特大型企业,负荷在100 MW左右的企业就有3家,占到全市负荷的10%~15%,这些企业的开停对负荷有着举足轻重的影响;另一方面是戴南、张郭地区的不锈钢产业群利用谷期炼钢造成0:00~8:00的负荷较高,造成泰州电网负荷倒峰谷现象严重,如图1所示。

2 影响负荷预测准确率的主要因素

2.1 季节和气象因素的影响

研究表明,负荷与季节和气象条件密切相关。夏季与冬季的温度偏低和偏高时,人们必须通过电器来恒温;天气阴暗时,人们得通过照明设备来照明;湿度较大时,对湿度条件要求较高的部门就须通过减湿设备来改变局部的湿度条件等,这些措施必然增加用电负荷。

除春节所在的月份外,泰州地区夏季、冬季负荷明显高于春、秋季,这说明季节变化是影响泰州电网负荷预测的一大因素。泰州电网2009年全年的负荷预测准确率在6,7,8的3个月的准确率明显偏低,如图2所示。显然与这期间的气温变化剧烈、恶劣天气频繁有关,说明气象条件对于泰州电网负荷预测的影响十分显著。

2.1.1 气温与负荷的关系

首先将2009年的4,5月份确定为基准月份,2009年的8月份确定为空调月份,取每天日最高负荷、10:20左右峰期、15:00左右、晚21:00左右等4个典型点的负荷数据,剔除节假日等非典型日数据,计算出平均值作为典型日负荷数据。通过与8月份的气温、负荷进行对照,得出2009年全市的空调最高负荷为660 MW左右,并从中得出气温与空调负荷关系曲线,如图3所示。气温在25~32℃区间时负荷平缓上升,33~36℃区间时急剧上升,为近似的指数形态,36℃以上则负荷转为平缓。

2.1.2 雷雨与负荷的关系

高温和雷雨往往是相伴而行的,雷雨视大小可造成50%~80%的空调负荷的损失,另外雷雨也会造成大量的输、配电线路跳闸,因输、配电线路基本上配置了自动重合闸,绝大部分线路会重合成功,负荷逐渐恢复,这一部分可以忽略不计。

图4为2009年7月20日泰州电网负荷曲线,天气晴,36.8~28.2℃(早峰10:30左右负荷为2 250MW,晚峰21:00左右负荷为2 310 MW),图5为2009年7月22日泰州电网负荷曲线,天气阴有雨,28.0~25.1℃(早峰10:30左右负荷为1 880 MW,晚峰21:00左右负荷为1 730 MW)。从2009年7月20日曲线与2009年7月22日曲线对比分析得出:电网负荷在天晴高温时与阴雨低温时有明显的变化,早峰负荷相差380 MW左右,晚峰负荷相差580MW左右,基本在预测的范围以内。

2.2 经济形势的变化对负荷预测的影响

地区经济发展不仅决定着用电负荷的增长速度,而且对用电负荷特性也有较大的影响,主要表现在各产业用电比例的变化引起负荷特性的变化。经济活动对负荷的影响正在逐步增强,在平时的负荷预测工作中要加强应对这一变化的措施。2008年10月爆发的国际金融危机对以工业用电占80%以上的城市来说影响极大,2009年1月份的工业用电下降了21.24%,全市的供电量增长率如图6所示,(2008年与2009年春节分别在2月和1月,则图6中的1月和2月的数据不具实质代表性,应求和平均计算)。2009年8月份起泰州电网供电量呈上升趋势,11月份达到爆发性的增长32.7%,供电量大幅波动对负荷预测工作带来了极大的困难。

2.3 法定节假日的调整对负荷预测的影响

随着长假制度的实行,每年春节、“五一”、国庆对电力负荷的影响明显。尤其是2008年实施新的节假日之后,对负荷的影响更加明显。在长假期间,许多工业负荷停运或降低,其日负荷曲线形状和普通日相比差别较大。2008年我国的传统节日清明节、端午节也被列入法定假日,并取消了五一黄金周,清明节、端午节的负荷预测且带来了新的课题,没有历史经验数据可以借鉴。以2008年清明节为例,作出将峰期负荷下调400 MW的预测,最终实际的负荷曲线与正常工作日下降了450 MW,与预测结果基本相符。如图7、图8所示。

2.4 小火电和大用户对负荷预测的影响

2.4.1 小火电

开展负荷预测工作的初期,小火电曾经严重地影响了负荷预测工作的准确性,泰州地区小火电的上网负荷和电量在2003年时约占供电负荷和电量的20%,由于缺少考核办法,小火电上网负荷忽高忽低,开停机比较随意,增加了负荷预测的难度。

2.4.2 大用户

泰州目前100 MW负荷量级的大用户有3家,大用户也严重地影响了负荷预测工作的准确性,其中负荷最高的是梅兰化工达120 MW,化工设备投切频繁,故具体时间段内其用电负荷难以准确预测。

3 提高负荷预测准确率的主要做法

3.1 针对小火电和大用户方面

针对小火电负荷变化随意性的特点,根据江苏省电力公司《关于印发〈江苏电网地区供电企业受网计划编制与考核办法(试行)〉的通知》,制定了《泰州地区地方、自备电厂上网负荷曲线的考核办法》。通过考核,限制小火电开停及上网负荷高低的随意性,要求小火电参与调整负荷,将小火电纳入有序管理,这一办法的实施使调度部门掌握了主动权。

对于几个大用户,直接或通过县调了解用户的生产情况,对新投运且处于不稳定试运行期的用户进行重点关注。

3.2 加强负荷预测工作的组织措施

领导重视,专职认真负责。加强培训,抓好各个县(市)公司负荷预测工作。电力调度中心各专业积极参与,提高负荷预测准确率。

参考文献

[1]胡杰,文闪闪,胡导福,等.电力负荷预测常用方法的分析比较与应用[J].湖北电力,2008(2).

油田电力系统长期负荷预测方法 第9篇

【关键词】油田电力系统；长期负荷预测；分析；安全运行

引言

在考虑外界的因素和自然条件基础上，进行油田电力系统未来的负荷预测，对整个电力系统中网节点的分布以及油田电力系统的拓展有着巨大的作用，不仅可提高供电的可靠性和安全性，同时能带来巨大的社会效益和经济效益。

一、油田电力系统长期负荷预测特点

（一）不确定性

对于油田电力系统来说，由于系统收到诸多复杂因素的影响，并且各种因素也在不断发生变化，对于电力系统的影响也不是一层不变的。尤其是对于复杂线路来说，不仅仅存在随机因素，也会存在一些突发因素，这些因素对于电力系统的影响是很难确定的，这就带来油田电力系统长期负荷预测的不确定性。

（二）条件性

油田电力系统长期负荷预测是在一定条件下进行的。在进行预测时，结合相关的数据资料，对于不确定的参数进行假设，如假设未来一段时间内油田电力系统用电量不会发生大范围的波动，无大的自然灾害发生，石油行业的整体发展形式良好等，最终根据假设结果对于整体系统进行计算。当然进行假设的前提是必须遵循客观事实，不能够凭空想象，随意假设，要根据调查分结果，利用概率论的相关知识进行假设。

（三）时间性

油田电力系统长期负荷预测具有时效性，即预测结果只能对一定时间范围内油田电力系统起效。这主要是由于油田电力系统负荷的发展规律只存续于特点时间范围内，而不是固定不变的，因此在进行油田电力系统长期负荷预测时选取的历史数据要限制在特定的时间限度内，所预测的对象也只能是在某一时间范围内的。

（四）方案不唯一性

根据可能性原理，油田电力系统负荷在未来存在多种可能性，并且这些可能性之间相互独立，甚至是存在非常大的差距。因为为了保证油田电力系统长期负荷预测的准确性，应该充分考虑在多种条件作用下，油田电力系统负荷可能出现的所有状况，从而得到不同条件下的油田电力系统长期负荷预测方案。

二、油田电力系统长期负荷预测方法

（一）基于MAS的分布协调与自适应控制

信息化技术推动了电力系统长期负荷预测技术的发展，智能Agent技术就是基于这一技术发展起来的。通常将Agent技术定义为一种集成度高、智能化程度高，能够在一定权限范围内进行自动化控制。通过将多个Agent技术个体组合在一起就形成了MAS系统，这样的系统不仅可以实现单个Agent技术个体的功能或者任务，同时多个Agent技术个体进行协作、组合，使得控制系统高度模块化与多元化。MAS系统可以充分发挥出单个控制单元的作用，从而有效解决传统控制系统中存在的故障隐藏、安全性低、抗干扰能力弱等问题。因此基于MAS的分布协调与自适应控制是未来电力系统长期负荷预测发展的重要方向。基于MAS协调的分布协调与自适应控制处理平台的协作关系，能够充分整合各方面的资源，实现数据库和知识库共享，利用多种方法实现长期负荷预测的准确性和可靠性。

（二）大数据技术

随着大数据技术的不断发展，油田电力系统规划业务覆盖范围将会进一步得到拓宽。充分利用大数据技术可以实现以下三面的规划应用价值：①用电量预测。整合分析地区历年用电量变化、规划区域面积、经济发展水平、用电结构变化等数据资料，实现对用电量的有效预测，进而为油田电力系统的优化设计提供参考；②空间负荷预测。从油田电力系统建设面积、用地类型、容积率、占地面积负荷密度，目标年占地面积、总负荷值、行业负荷值等方面入手，收集相关的数据并进行及时有效的分析，可以实现对电力系统空间负荷的有效预测，促进电力网点合理化设置，促进电力资源的高效化利用；③多指标关联分析。通过大数据技術抓取所需数据的时间一致性切片，实现对GIS，PMS，OMS等多个外部指标得联动分析，实现油田电力系统规划设计的合理性与高效性；④未来时刻断面预测。实现电力设备的数据存储、调取，实现迅速快捷的设备状态以及设备使用历史数据查询。在历史时刻查询以及设备数据质量分析的基础上，自动收集涉及设备状态变化的计划类信息，实现智能化演算，推测出未来某段时期内调度操作历程，最终预测电网在某一时刻的设备断面。

（三）参数化方法

参数化方法包括粒子群优化算法、灰色理论等方法。粒子群优化算法用来最小化模型参数的误差，预测电力系统高峰的负荷。通过采用最小二乘误差法，结合实际情况进行相关参数的计算，最终估计的优化模型参数用来预测油田电力系统的高峰负荷需求。根据负荷预测的结果制定规划和运营模式，以保证电力系统良性运行。灰色理论采用指数模型，结合油田电力系统负荷历史数据建立相关的指数预测函数。灰色系统理论提供了一个有效的工具来处理影响负荷的不确定因素，从中找到规律并建立相应的预测模型，旨在找到灰色差分方程中的最优参数。

参考文献

[1]黄文，王磊.油田电力系统中长期负荷预测方法[J].油气田地面工程，2013，32（2）：61-62.

[2]谢传胜，贾晓希，侯文甜.基于方法组合创新思想的电力系统长期负荷预测[J].水电能源科学，2011（10）：207-209.

浅析电力负荷短期预测 第10篇

电力系统负荷预测主要用于电力系统规划和制定发电计划, 从而提高系统运行的经济性和可靠性。准确可靠的负荷预测能保证电力系统运行的安全性, 又可提高电力运行的经济性[1]。

电力系统负荷预测是在充分考虑一些重要因素下, 研究和应用一套处理过去负荷与未来负荷的数学方法, 在满足一定精度要求的前提下, 确定未来某特定时刻的电力负荷值。提高负荷预测技术水平, 其重要意义如下:

1) 准确的短期负荷预测是电网调度机构制定发供电计划、合理安排机组启停和做好电网供需平衡的关键。

2) 在电力市场条件下, 短期负荷预测不再是纯技术性的问题, 也是一个技术性与经济性相结合的问题。

3) 对电力系统来说, 必须对用户提供可靠而经济的电能, 以满足用户的负荷需求, 而另一方面, 在确保系统安全的情况下尽量减少实时发电备用容量。

4) 为用户提供安全、可靠、经济、优质的电能是电网运营企业的首要目标。准确的负荷预测就使得电网运营企业可以在电力市场中以较便宜的电价购电。

1 短期负荷预测的现状

1.1 负荷预测的研究和应用现状

二十世纪七十年代后, 许多数学统计方法被引入到短期负荷预测中, 典型的算法有回归分析法、确定性时间序列分析法、随机时间序列分析法[2]。

二十世纪九十年代初期开始, 人工智能技术逐步应用。文献[3]提出使用模糊神经网络预测方法;在文献[4]中, 列举出人工神经网络ANN和模糊控制相结合的预测方法, 文献[5]提出灰色理论和神经网络的电力系统负荷预测方法。

短期负荷预测技术发展至今己有几十年, 迄今为止, 短期负荷预测方法大致可以分为两类:即传统预测方法和人工智能方法。

1.2 负荷预测的方法

1.2.1 传统预测方法

1) 回归分析法。通过收集负荷的原始资料, 来建立可以数学分析的模型, 进而来预测未来的负荷值[6]。这种方法是研究变量和变量之间依存关系的一种数学方法。

2) 时间序列法。时间序列法就是对历史负荷资料进行整理归类, 设法建立一个数学模型来描述负荷的变化规律, 形成预测模型以后即可利用己知的负荷数据对未来的负荷进行预测[7]。

3) 小波分析理论。小波变换各种各样的交杂混杂在一起的不同频率信号进行分解, 将它们分解成不同的块信号。使用正交二进小波变换来进行小波变换, 这样就可以使负荷序列分别投影到不同的尺度, 这时各个尺度上的子序列则分别代表了原序列中不同的“频域”的分量。根据以上原则, 则可以对不同的负荷序列分别进行预测[8]。

4) 灰色预测法。其显著特征就是用少量的数据做微分方程建立起预测的模型。在将一定范围内变化的历史数据列进行累加, 使其变成具有指数增长规律的上升形状数列, 可以对生成的这个形状数列建立起GM模型[9]。

1.2.2 人工智能方法

1) 人工神经网络法。利用人工神经网络 (ANN) , 选取过去一段时间的负荷作为训练样本, 然后构造适宜的网络结构, 用某种训练算法对网络进行训练, 使其满足精度要求之后, 用ANN作负荷预测[10]。

2) 专家系统方法。专家系统是一种基于知识推理的系统, 它通过获取大量的领域内专家知识并在此基础上进行推理从而得到问题的解答。

3) 模糊控制法。模糊预测法以模糊数学理论为基础, 通过模糊数学的概念理论对电力系统中的一些模糊现象进行描述[11]。

不同的预测方法有各自的优点和缺点, 为了发挥不同方法的优点, 避开其不足, 人们在负荷预测过程中将不同的预测方法加以组合, 形成了许多种组合方法, 在一定条件下能够有效的改善模型的拟合能力和提高预测的精度。

2 电力负荷预测概述

2.1 电力负荷的构成和特点

2.1.1 电力负荷的构成

电力系统负荷一般可分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其它负荷。不同类型的负荷具有不同的特性。

1) 城市民用负荷

城市民用负荷的特点是与居民的日常生活和工作规律紧密相关的。尤其是在夏季和冬季, 空调、冰箱负荷和取暖负荷已经成为影响电力负荷的重要因素。

2) 商业负荷

商业负荷同样具有季节性变动的特性。商业负荷所占的比重不及工业和民用负荷, 但商业负荷对每日负荷晚高峰的出现有明显的影响。

3) 农村负荷

农村负荷是指农村居民用电和农业生产用电。农业生产的特点决定了农村负荷受季节影响大。在用电构成中, 农业用电所占的比重不大。

4) 工业负荷

工业负荷一般都被视为受气候影响较小的基础负荷。除个别地区外, 工业负荷的比重在用电构成中居于首位, 它不仅取决于工业用户的工作方式, 而且与各工业行业的行业特点、季节因素都有紧密的联系。

对工业负荷和商业负荷而言, 它们随季节的波动较小;对民用和农业用电负荷而言, 负荷在系统总负荷的所占比例随季节变化发生显著变化, 具有显著的季节变化特性。

2.1.2 电力负荷的特点

电力系统负荷是一个周期性和随机性都很强的系统, 它与众多的因素有着极为复杂的关系。在进行电力系统负荷预测时, 针对负荷变化的这些特点, 既要充分分析、掌握并利用其规律性, 又要兼顾各种因素的影响。

负荷变化的周周期性是指从以七天为一周期的负荷变化中体现出来的规律性。一般情况下, 公休日的负荷水平较低, 工作日的负荷水平较高;负荷变化的日周期性是指以一天24小时为周期的负荷变化所体现出的规律性。

综上所述, 电力负荷具有周期性的特点, 且负荷变化的大周期中又存在小周期, 形成多个周期相嵌;负荷具有季节性的特点, 四季中典型负荷曲线各不相同;同时不同地区的气候, 以及温度的变化都会对负荷造成一定的影响。

2.2 负荷预测的概念和原理

2.2.1 负荷预测的概念

负荷预测是依据电力系统的运行特点、增容决择、自然因素以及社会影响等多方面因素, 在满足一定精度要求的条件下, 来确定未来某特定时刻的负荷数据, 其中负荷就是指用户的电力需求量 (功率) 或用电量;在电力系统经济调度中, 负荷预测是一项关键的内容, 也是能量管理系统 (EMS) 的一个重要模块[15]。

2.2.2 负荷预测的基本原理

负荷预测工作是根据电力负荷的发展变化规律, 预计或判断其未来发展趋势和状况的活动, 因此必须科学地总结出预测工作的基本原理, 以指导负荷预测工作, 以下介绍几种基本的原理[16]。

1) 可知性原理

就是说待预测对象的发展规律, 其未来的发展趋势和状况是可以为人们所知道的。

2) 可能性原理

事物的发展变化是在内因和外因的共同作用下进行的。内因的变化及外因作用力大小不同, 会使事物发展变化有多种可能性。

3) 连续性原理

连续性原理是指预测对象的发展是一个连续统一的过程, 其未来发展是这个过程的继续。

4) 相似性原理

尽管客观世界中各种事物的发展各不相同, 但是一些事物发展之间还是存在着相似之处, 人们就是利用这种相似性进行预测。

5) 反馈性原理

反馈就是利用输出返回到输入端, 再调节输出结果。预测的反馈性原理实际上是为了不断提高预测的准确性而进行的反馈调节。

6) 系统性原理

预测对象是一个完整的系统, 它本身有内在的系统, 它与外界事物的联系又形成了它的外在系统。这些系统综合成一个完整的总系统, 都要进行考虑[17]。

2.3 负荷预测的步骤

预测可分为定性预测, 不论采用何种预测方法, 都遵循以下基本步骤和原则[15]:

1) 收集和选择历史负荷数据资料

根据负荷预测的内容和要求, 搜集预测时需要用到的各种资料。同时, 对搜集的资料去伪存真, 提高资料的可信度。

2) 历史资料的分析和处理

一般情况下, 由于负荷预测的质量不会超过所用资料的质量, 在对数据的初步整理之后, 还要对所用资料进行数据分析预处理。

3) 建立预测模型

根据所确定的预测内容, 对预测对象进行详细的分析, 根据历史数据的发展情况, 选择建立合理的数学模型。

4) 预测结果评价

对预测结果的可信度进行比较和综合分析, 通过预测人的经验判断预测结果是否合理, 对结果进行适当修正, 得到最终的预测结果。

5) 负荷预测管理

将负荷预测形成报告提交后, 并不等于全部预测工作的结束, 随后仍需根据主客观条件的变化及预测应用的反馈信息进行检验, 必要时进行修正和调整。

2.4 影响负荷预测的因素及误差分析

2.4.1 影响负荷预测的主要因素

系统总负荷是系统中所有节点上所有负荷的总和。尽管单个负荷的变化随机性很大, 但所有单个负荷的总和即系统总负荷一般具有一定的变化规律, 影响这种规律变化的因素主要有以下四种:

1) 负荷构成

系统负荷按其性质可划分为:城市民用负荷、商业负荷、工业负荷、农业负荷及其它负荷等类型, 且不同类型的负荷有着不同的变化规律。

2) 时间因素

时间因素对负荷的影响主要有三点:季节因素的影响、节假日的影响、以日或周为周期的负荷变化。

3) 气象因素

由于许多负荷都与气象因素有关, 所以气象因素也是影响系统负荷大小的重要因素。除了气温, 影响负荷大小的其它天气因素还有阴晴、降水和风速等。

4) 随机因素

所有能引起负荷模式变化, 而又未包括在上面三类中的其它因素均算在此类中。由于系统负荷是由大量分散的单独需求组合而成, 系统负荷不断受随机干扰影响。

2.4.2 负荷预测的误差分析

误差产生的原因很多, 主要表现在以下几个方面[18]:

1) 电力负荷所受影响是千变万化的, 要从许多预测方法中选择一个恰当的预测方法, 如果选择不当, 将随之产生误差。

2) 进行负荷预测用到的数学模型大多只包括所研究现象的某些主要因素, 而省略了很多次要因素。这样的模型只是一种简单化了的反映, 这样进行预测时无可避免的会与实际负荷产生误差。

3) 进行负荷预测要用到大量资料, 而各种资料并不能保证都是准确可靠的, 这就必然会产生预测误差。

4) 某种意外事件的发生或情况的突然变化, 可能产生预测误差。再者, 由于计算或判断上的错误, 也会造成不同程度的误差。

预测误差分析的指标:

计算和分析预测误差的方法和指标很多, 较为常用的有:

1) 绝对误差和相对误差: (Y-Y赞) /Y

设Y表示实际值, 表示预测值。为绝对误差。有时相对误差也用百分数表示这是一种直观的误差表示方法。在电力系统中作为一种考核指标而经常使用。

2) 平均绝对误差和平均相对误差

由于预测误差有正有负, 为了避免正负相抵消, 故取误差的绝对值进行综合并计算其平均数, 这是误差分析的综合指标法之一。

3) 均方误差

式中:MSE——均方差, 其它符号同前。均方误差是预测误差平方和的平均值, 避免了正负误差不能相加的问题, 是误差分析中的综合指标之一。

4) 均方根误差

式中:RMSE——均方根误差, 其它符号同前。

5) 日负荷预测误差

日负荷预测准确率:Ad=1-Ed

本文中采用了比较常用的考核指标:以每个整点的相对误差来进行误差分析。

3 小结