空间负荷分布范文（精选5篇）
空间负荷分布 第1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:
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。
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:
累计贡献率
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
其中
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
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:
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:
其中
最终函数(6)可以写成如下形式:
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
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.
空间负荷分布 第2篇
电力网络对供电可靠性具有重要影响, 网络传输能力的限制、网架的薄弱以及线路的随机故障都可能带来可靠性损失, 所以在可靠性相关的评价中, 网络是值得考虑的重要因素, 而在电网规划过程中, 网络影响更是不可避免的内容。系统可靠性指标评价是电力系统随机生产模拟的主要内容之一[1], 在随机生产模拟计算中考虑网络的影响, 对其组合电力系统相关评价结果的合理性以及在电力系统运行、规划等方面的应用具有重要意义。
文献[2-5]通过仿真方法实现了组合电力系统的可靠性评价。通过仿真法可以方便地处理网络影响, 但是可能会带来较高的计算负担。对于随机生产模拟解析算法, 已提出基于负荷持续曲线[6,7,8]、序列运算[9]、时序负荷曲线[10]、负荷频率曲线[11,12]的众多理论和算法, 现有方法多仅考虑发电机侧和负荷侧因素的影响, 较少考虑网络因素。
利用关于负荷节点的组合电力系统有效负荷持续曲线 (CMELDC) 进行评价的随机生产模拟解析法[13,14,15], 可以对网络因素进行有效考虑, 从而对发输电系统进行整体评价, 但是由于该方法忽视了各负荷点具体负荷水平的变化对系统供电能力分配方式的影响, 得到的可靠性评价结果可能存在较大偏差。本文针对CMELDC法中的这一不足, 采用基于负荷比例分布的聚类方法和相关因子数据对各负荷之间的相互关系进行描述, 并结合灵敏度方法获得各个负荷在其不同负荷区间内的等效发电机容量值分布, 从而获得更加准确的评价结果。为便于表述, 首先简介了CMELDC法的相关理论和方法, 然后对该方法的不足和改进方法进行了讨论分析, 最后基于所提方法对MRBTS系统和IEEE-RTS 79系统进行随机生产模拟计算, 证明了所提方法的有效性。
1 CMELDC法
与其他随机生产模拟解析法相比, CMELDC法不仅考虑了发电机侧的影响, 而且将输电线路的影响纳入了考虑范围。其核心思想是通过求取不同发电机和线路可用状态组合下的负荷点最大可达功率AP (Arrival Power) 值, 将发电机侧和网络侧的不同可用状态组合影响等效为连接在各个负荷点上的一组等效多状态机组, 由这些等效多状态机组结合各负荷点的负荷持续曲线对系统的可靠性和经济性进行评价。其基本步骤如下。
a.形成系统状态集。
系统状态集反映了发电机的随机故障以及线路的随机断线影响, 其中的每个状态对应一个发电机、线路可用状态组合。假设系统内有Nl条线路, 形成的系统状态数量为NS, 则对于加载i台机组后的某个状态j, 其状态概率为:
其中, pg、pl分别为发电机g和线路l发生故障的概率; 分别为加载i台机组后的系统状态j对应的发电机g和线路l的可用状态。
当发电机和线路数量较多时, 状态数将会急剧增加, 考虑到多元件同时发生故障的概率极小, 可以据此对状态集进行精简, 以减少状态数量。
b.计算系统状态集对应的最大AP值。
AP值反映了在一定的调度原则下, 系统可用的发电机和线路对负荷侧的供电能力, 其求解模型的目标函数如式 (2) 所示[13]:
其中, PAPk为负荷节点k的AP值;Lpk为负荷节点k的峰值负荷;NL为负荷点数。可以看出, 式 (2) 表示的目标函数体现了在平等对待各个负荷点的前提下尽量发挥系统供电能力的原则。
结合直流潮流方程和发电机出力约束、线路有功潮流约束, AP值的求解模型可以表示为:
其中, PgG为发电机g的出力; 为发电机g的出力上限;Plline为线路l传输的有功功率; 为线路l传输有功功率上限;T Gg, l、TLk, l分别为发电机g和负荷k对线路l有功功率的传递系数, T Gg, l、TLk, l可由直流潮流计算获得;Nl为线路数;NL为负荷数;λ为无单位变量, 表示 (Lpk-PAPk) /Lpk的上界。
对于系统状态集中的每一个状态, 都可以得到对应于所有负荷点的AP值, 如此就在每个负荷点上形成了一个以AP值集合为输出容量的等效多状态发电机, 其每个状态对应的概率为相应的系统状态概率, 由等效多状态发电机容量可进一步得到等效发电机最大容量以及等效故障容量序列。
c.可靠性评价计算。
加载完所有发电机后, 通过卷积得到负荷点k的等效负荷持续曲线为:
其中, “*”表示卷积运算;Ng为发电机总台数;f 0k (x) 为负荷点k的初始负荷持续曲线;x为该负荷点的负荷水平;PFPk为加载完所有发电机后负荷点k对应的等效故障容量序列;psNg (PFPk) 为PFPk对应的概率。由fkNg (x) 可进一步计算得到各个负荷点及整个系统的可靠性等评价指标[13]。
2 基于聚类和灵敏度法的CMELDC改进算法
从式 (2) 、 (3) 可以看到, 在CMELDC法中, 对于同样的网络和发电机可用状态, AP值实际上主要受到各负荷点的峰值负荷比例影响。依据各负荷点的峰值负荷计算AP值, 在一定程度上反映了供电能力的分配方式, 但是由于各个负荷点的负荷存在着随机性, 当负荷比例发生变化时, 对应的供电能力分配方式会发生相应的变化, 虽然这与负荷预测[16]、发电调度过程[17]等诸多因素相关, 但仍可通过负荷比例来评估。以图1为例, 设某个系统状态下由式 (3) 计算得到负荷点13 (峰值负荷为Lp1、Lp2、Lp3) 的AP值为PAP1、PAP2、PAP3, 当负荷点3的实际负荷值为L′p3时, 按峰值负荷比例计算的PAP3大于该负荷, 系统出现冗余的供电能力, 所以, 此时按各点实际负荷比例计算, 负荷1、2的PAP1、PAP2可以提高至P′AP1、P′AP2, PAP3变为P′AP3, 可靠性水平与由PAP1PAP3得到的相比, 负荷1、2可靠性有所提高, 而负荷3可靠性有所降低, 系统整体可靠性有所提高。所以, 仅通过峰值负荷比例得到的AP值无法反映各点负荷水平变化时系统供电能力分配发生改变带来的影响, 由其得到的可靠性评价结果可能存在较大偏差, AP值计算应该考虑以实际的负荷比例为依据。
2.1 基于聚类的改进
由于实际运行中可能发生的负荷比例状态数量庞大, 不可能对其逐个进行AP值计算和可靠性评价。考虑到各个负荷点的负荷比例会在一定范围内随机分布, 采用聚类方法对CMELDC法进行改进, 通过获取负荷比例分布的一定数量的聚类中心, 使其能考虑负荷变化的影响, 具体方法如下。
设各负荷点的负荷样本集为S0, s0为S0中的一个采样, 且s0=[P1LP2LPLNL], PkL表示负荷点k在采样s0中的负荷值。为了确保同样比例的负荷只有一种表达方式, 通过 将S0转化为比例形式, 可得到比例形式的样本集S′0, S′0与S0一一对应。通过聚类方式进一步得到S′0规模为NS1的聚类中心集S1, 对于每一个s′0S′0, 都有其对应的聚类中心s1S1, 通过S1可以在一定程度上反映负荷比例的分布。
显然, 越大, 所能体现的负荷比例分布就越精确, 但是相应的计算代价也会增加, 所以需要选取一个合适的聚类中心规模。这里给出了一种获得 的方法:加载i台发电机后, 如果s′0发生变化Δs′0并且忽略网络约束的作用, 则按照负荷比例分配的系统供电能力变化量为 如果设置容忍的AP值误差上界为 则可以通过聚类平均误差 的条件来得到 其中, NS0为S0的样本数, s1w为第w个聚类中心, nw为s1w对应的样本数, s′0w, y为s′0中sw1对应的第y个样本, ‖‖∞表示求向量的∞范数。文中聚类算法皆采用k-均值法, 具体方法及步骤可见文献[18]。
因为一个负荷在处于不同负荷水平时可能面临不同的负荷比例分布, 所以考虑采用相关因子概念来进一步描述各个负荷在不同负荷水平区域与S1中聚类中心的关联。
设负荷点k的负荷水平分为Nk段, 其第m段的负荷区间为[PkL, m-1, PkL, m) , 定义其与S1中第n个聚类中心s1n的相关度为:
其中, NS0为S0的样本数;P Lk, h为负荷点k在S0第h个采样中的值;FS′0 (h) 表示S′0中第h个采样对应的S1中聚类中心序号;ηnk, m体现了负荷点的某一负荷区间所相关的负荷比例样本在s1n处的聚类归属情况, ηnk, m越大, 说明该负荷区间的相关样本与s1n关系越密切。
进一步定义负荷点k第m个负荷段对S1中第n个聚类中心的相关因子为 则对负荷点k的所有负荷段和S1中的所有聚类中心进行上述计算, 可以得到各个负荷段对S1的相关因子为:
在CMELDC法中加入上述聚类中心集和相关因子概念, 可以对负荷比例变化的影响进行反映, 同时建立具体负荷水平与负荷比例分布之间的关联。由此, 原算法需要进行以下调整。
a.首先, 对每一个系统状态, 求得S1中各个聚类中心对应的AP值, 而不是仅仅求得峰值负荷对应的AP值。在第j个系统状态下, 对于第n个聚类中心, 其AP值求解模型 (3) 中相应约束变为:
其中, Pnk为S1中第n个聚类中心对应第k个负荷的负荷水平 (比例形式) ;PAPkj, n为负荷点k对应第j个系统状态、第n个聚类中心的AP值。
b.其次, 在等效多状态机组形成过程中, 将系统状态概率和相关因子概念结合, 具体如下。
负荷点k连接的等效多状态发电机容量为:
对于负荷点k的第m个负荷段, 上述等效多状态发电机容量对应的概率为:
其中, pSi, j为加载i台机组后的系统状态j的状态概率。
c.最后, 各负荷点的可靠性评价指标需要逐个负荷段进行计算, 其具体计算方法如下。
容量为PAPkj, n的等效发电机对应的负荷点k第m个负荷段的可靠性损失, 即电量不足期望值EENS (Expected Energy Not Served) 和失负荷期望值LOLE (Loss Of Load Expected) 分别为:
其中, g (x) =f0k (x) -f0k (PkL, m) 。
各负荷点的可靠性评价指标为:
其中, δELC k为负荷切除期望值ELC (Expected Load Curtailed) 。
系统整体的可靠性指标为[15]:
由于聚类中心的分布受到负荷样本分布的影响, 当各个负荷点的负荷相关度较大时, 其负荷样本 (比例形式) 分布会较为密集, 需要的聚类中心数量也会较少;反之, 则分布相对分散, 可能需要更多的聚类中心。并且对于前一种情况, 其实际负荷比例与负荷峰值比例差距可能相对较小, 所以改进方法与原方法评价结果差距也会相对较小。
2.2 基于灵敏度的估算方法
当NS1较大时, S1对应的AP值计算造成的计算负担会明显增加, 所以采用一种基于灵敏度的估算方法来获得S1对应的AP值解。
对于线性规划问题及其对偶规划问题
根据其最优条件, 在其最优解 (y*, v*, s*, z*) 处对各变量求微分, 可以得到[19]:
行、列数;α为由A的各列元素组成的列向量;su、yv分别为s、y的第u、v个元素。
其中, 分别为A的将约束改进后的式 (3) 写成式 (16) 中的标准形式, 其各负荷点负荷水平的变化只对应于A中相应元素的变化, 所以只需考虑y相对于A中元素的灵敏度, 其求解如下:
其中, IN0对应于N0, 表示等式约束dyv=0, vN0={v sv>0, yv=0};I为单位矩阵, 其维数等于矩阵A的行数;“塥”表示矩阵的Kronecker积。
对聚类中心集S1采用灵敏度估算时, 首先对S1进行再聚类, 求得S1的规模为NS2的聚类中心集S2, 显然, S2的规模比S1小很多;然后求出S2中各个聚类中心对应的AP值, 以及AP值对应于各负荷点负荷水平的灵敏度;最后通过上述AP值和灵敏度对S1中聚类中心对应的AP值进行估算。NS2是一个较小的数值, 可在1~20间取值, NS1越大, NS2取值也相应较大。
2.3 改进后的算法流程
当以可靠性评价为计算目标时, 改进后的CMELDC法计算流程如图2所示。
3 算例
分别采用MRBTS系统和IEEE-RTS 79系统进行计算和分析。
3.1 MRBTS系统算例
采用文献[13]中的MRBTS系统, 系统网络结构和发电机、负荷分布如图3所示 (图中括号内数据表示强迫停运率) , 发电机优先顺序从高到低依次为G5、G6G9、G10与G11、G1与G2、G3、G4, 系统具体线路参数见文献[20]。分别基于2个不同的负荷样本进行计算, 负荷样本1中系统各负荷节点的负荷根据图3中节点负荷峰值和文献[21]中年典型负荷数据调整得到, 具体方法为对年典型负荷数据的24 h分布、周分布、年分布进行参数调整, 形成各负荷节点有所差别的典型负荷数据, 以避免采用同样的典型负荷数据导致各负荷节点负荷水平比例固定, 结合各负荷节点的典型负荷数据和负荷峰值得到一年中各负荷节点小时负荷组合的时序样本 (8736个) , 其部分负荷时序曲线如图4所示。负荷样本2中各负荷点负荷服从独立正态分布, 分布参数如表1所示, 参照正态分布的3σ (σ为负荷标准差) 准则, 设负荷标准差约为负荷峰值与期望值之差的1/3, 通过随机采样获得各负荷节点负荷组合的10 000个非时序样本。与负荷样本1相比, 负荷样本2的各负荷之间具有更低的相关度, 其负荷水平比例分布也更加分散。
分别用CMELDC原算法、改进CMELDC法和蒙特卡罗模拟法进行试算, 比较其可靠性评价结果。系统状态只考虑线路的单回故障, 并且只考虑概率高于10-6的状态, 总状态数为483。聚类参数负荷样本1取 NS1=50, NS2=2;负荷样本2取 NS1=1 000, NS2=5。各负荷点负荷水平分段步长为1 MW。在CPU2.8 GHz, 内存2 G的PC机上采用MATLAB编程计算。
图5给出了负荷样本1的改进CMELDC法计算过程中, 某一系统状态下节点2在负荷10 MW处以及15 MW处对应的AP值-相关因子分布, 可以看到AP值在区间[14.5, 15.5]MW内呈离散分布, 并对应不同的相关因子值。由于图中AP值对应的是聚类中心集S1, 其原始负荷样本集计算得到的AP值分布区间将更大。可以看到, 15 MW处 (浅色) 的AP值-相关因子分布与10 MW处 (深色) 有明显的不同, 对于相同的AP值水平 (通常对应同一个聚类中心) , 两者的相关因子值具有明显的差别, 以图中AP值15.04 MW对应的某个聚类中心为例, 其在15 MW处对应的相关因子为0.023 71, 而在10 MW处对应的相关因子为0.01517, 这反映了在不同的负荷水平下, 可能实现的负荷水平比例分布的差别。同时, 对某一负荷水平而言, 由AP值-相关因子分布得到的可靠性指标应为一系列值的加权 (对应相关因子) 和。对于该负荷水平, 不同的AP值可能意味着不同的可靠性损失情况, 由此得到的可靠性指标是这些信息的综合, 而如果采用单一的AP值进行评价, 则无法反映其中的差别, 可能导致较大的误差。
表2给出了对负荷样本1由3种方法得到的可靠性评价结果, 相对于负荷样本2, 负荷样本1各负荷的相关度较高。改进前后的CMELDC法在各项指标数值大小上各有参差, 改进CMELDC法虽然在系统整体指标上较改进前有明显减小, 但其得到的其余可靠性指标并未出现一致的减小, 这是因为在更多地考虑系统供电能力分配调整后, 一些节点的可靠性水平可能会有所提高, 另一些则有所下降。与蒙特卡罗法结果比较, 对于负荷样本1, 改进前后的CMELDC法在各项指标上与其接近程度同样各有参差, 虽然改进后可靠性指标值总体上更加接近, 但并不显著。
注:EENS指标单位为MWh/d, LOLE指标单位为h/d;后同。
表3给出了负荷样本2的相关可靠性评价结果。显然, 负荷服从独立正态分布时, 各负荷之间的相关度有明显降低, 通过比较表2、表3可以看到, 在负荷相关度降低的情况下, 改进CMELDC法在计算结果准确度方面表现出了更明显的优势, 其得到的结果更加接近蒙特卡罗法。
此外, 与蒙特卡罗法结果比较, 上述2个负荷样本均出现了节点可靠性指标计算结果偏差很大的现象, 在后面的IEEE-RTS 79系统算例中亦如此。这主要由两方面因素导致:一方面是因为所用算例在蒙特卡罗法计算过程中, 相同效果下切负荷选择存在一定的优先顺序;另一方面是因为虽然考虑了负荷水平变化对系统供电能力分配的影响, 但仍有许多影响可靠性结果的细节被忽视, 这同时也是系统总体指标存在偏差的主要原因。
对负荷样本1采用不同的ΔPAP得到不同的NS1, 并改变NS2值进行计算, 得到结果如表4所示。ΔPAP的减小与相应的S1规模的增大有助于更加准确地反映AP值分布, 但达到一定规模以后影响就不再显著, 结合表1中结果可以看到, 对于上述算例, NS1达到50以上其造成的影响已较小。同时, 通过比较NS1为10与100时, NS2=2与NS2=NS1 (S2=S1) 2种情况下的计算结果, 可以看到灵敏度估算方法下的可靠性评价结果可以达到较为满意的精度。
以线路4-5断开一回、G9停运的系统状态为例, 进一步对灵敏度法估算AP值的准确性进行分析, 聚类参数取ΔPAP=0.5 MW, NS1=50, NS2=2。对于S2中的一个聚类中心s2=[0.106 0.485 0.199 0.210] (比例形式) , 其各负荷点AP值为[0.250 1.139 0.468 0.493] (标幺值, 基准为100 MW) , 由2.2节方法得到灵敏度矩阵为:
从而可以对S1中相关的聚类中心s1=[0.1050.479 0.197 0.219]估算各负荷点AP值如下:
将S1中所有聚类中心的AP值估算结果与精确计算结果进行比较, 得到各负荷点的AP值平均绝对百分误差分别为0.201%、0.065%、0.098%、0.233%, 可见AP值估算结果具有较高精度。
在计算耗时方面, 对于负荷样本1, CMELDC法为10 s, 改进CMELDC法在NS1=50、NS2=2情况下为92 s, 蒙特卡罗法采样次数为105时耗时215 s。可见由于需要考虑更多的负荷比例分布状态, 即使采用了灵敏度估算的方法, 计算耗时还是较原方法有较大增加, 但是当系统较小时, 相比蒙特卡罗法, 改进CMELDC法的计算速度仍有一定优势。
3.2 IEEE-RTS 79系统算例
采用IEEE-RTS 79系统进行计算, 该系统包含24个节点、34条支路、32台发电机和17个负荷点, 其中支路7-8采用双回线路以防止N-1解列, 各节点负荷服从独立正态分布, 同样参照正态分布的3σ准则, 设定各负荷点的负荷期望值为该点负荷峰值的3/4, 标准差为该点负荷峰值的1/12, 通过随机采样获得各负荷节点负荷组合的10000个非时序样本, 包括负荷峰值在内的系统具体参数见文献[21]。为减小状态集规模, 系统状态同样只考虑线路的单回故障, 且只考虑概率高于10-6的状态, 总状态数为16 132, 聚类参数取ΔPAP=26 MW, NS1=1 000, NS2=2, 各负荷点负荷水平分段步长为1 MW。采用3种方法得到计算结果如表5所示。
由表5结果可以看到, 在系统规模有所增大的情况下, 与CMELDC原算法相比, 改进CMELDC法仍然表现出计算结果准确度方面的优势, 其所得结果更加接近蒙特卡罗法结果, 尤其是在系统总体指标计算方面。同时, 由于系统规模的增大, 需考虑的系统状态显著增多, 这使得改进CMELDC法的计算耗时达到了570 s, 而蒙特卡罗法采样次数为2105时耗时约600 s, 可以推断, 随着系统规模的增大, 改进CMELDC法速度方面的优势有逐渐丧失的可能, 因此, 该方法更加适用于规模在一定范围内的系统, 而系统状态的优选将进一步改善该方法的效率和适用性。
4 结论
本文在CMELDC法基础上, 采用基于聚类的方法对各负荷点负荷水平之间的相互关系进行描述, 形成了反映不同负荷比例分布的聚类中心, 并结合灵敏度方法对聚类中心处的AP值进行估算, 从而形成连接于负荷处的等效多状态发电机, 采用相关因子概念反映节点负荷水平与负荷比例分布间的关联, 进而对系统的可靠性指标进行评价。算例表明, 与原算法相比, 改进后的算法在计算结果准确性方面有所提高, 在负荷相关度较低的情况下其效果更加明显;同时, 在一定的系统规模内, 其在计算速度方面相比蒙特卡罗法具有较明显的优势, 可应用于组合电力系统的可靠性评价计算及电网规划过程。
由于可靠性损失多发生于负荷较高的情况下, 所以对高负荷区段内的负荷分布情况有针对性地加强描述, 可有望进一步提高可靠性指标计算的准确性, 并降低计算负担。同时, 采用有效的系统状态优选方法, 可有望减小涉及的系统状态集规模, 从而提高计算效率和适用性。
摘要：针对组合电力系统等效负荷持续曲线法中忽视负荷水平变化的影响而导致的可靠性评价偏差, 采用基于负荷比例分布的聚类方法对负荷水平的变化进行描述, 依据聚类中心集并借助于灵敏度方法进行负荷点最大可达功率值计算, 采用相关因子概念反映节点负荷水平与负荷比例分布之间的关联, 形成改进的组合电力系统等效负荷持续曲线法。MRBTS系统和IEEE-RTS 79系统算例结果表明, 改进后的算法在可靠性指标评价的准确性方面有所提高, 在系统各负荷相关度较低的情况下效果明显。
空间负荷分布 第3篇
分布式电源DG(Distributed Generation)是指规模不大(几千瓦到几十千瓦)、安装在用户处或其附近的小型发电机组,用于支持已有配电网的经济运行,保证负荷的供电可靠性,提高电能质量。大电网与DG相互补充、协调已被国内外电力专家公认为是节省投资、降低能耗、提高供电可靠性和灵活性的最佳运行方式,是21世纪电力工业的发展方向[1,2]。
DG接入配电网以后,对配电网有较大的影响,包括电压水平、线损、故障水平、供电可靠性等方面,其影响程度不仅与DG的安装位置和容量有关,还与网络拓扑结构和负荷分布密切相关。因此,如何优化配置DG,减小DG对配电网的不良影响,同时减少线损并提高供电可靠性,是DG优化配置的首要问题。国内外学者已开展了相关研究。文献[4]认为小容量的DG宜配置在线路末端,大容量的DG应配置在线路的中部。该结论比较模糊,没有明确DG容量与负荷大小的比例关系,以及DG容量与最佳安装位置之间的关系。文献[5]以最小化网损为目标,重点分析了离散负荷情况下,电压分布上、下限对DG安装位置的影响。文献[6]中提出了一种用于放射型和网状配电网结构的DG最优布置策略,用于减小系统的有功损耗;但是,该算法只适用于连续模型,且没有考虑沿线电压分布的限制。文献[7]采用双层优化理论,考虑电压调整约束提出了至少准入功率的计算模型并分析了DG启停对系统的影响。文献[8]考虑DG对降低线损和调节电压的作用,提出一种图解方法求解DG的最佳位置,但该算法没有考虑配电网拓扑结构的影响,且局限于链式配电网络。还有一些学者采用遗传算法、禁忌搜索算法、粒子群算法等启发式算法来解决相关问题[10,11,12,13]。但这类启发式方法收敛速度一般较慢,对模型的建立、参数的变化有很大的依赖性,而且最终结果只是局部优化解或拟全局优化解,为避免陷入局部优化解的可能,需要以增加计算时间为代价。
本文提出了一种基于“负荷质心”的DG优化配置方法。该方法简单有效,避免了传统启发式优化方法的繁琐过程和过多假设条件。
1 DG接入对配电网有功损耗的影响
配电网的拓扑结构类型较多,我国城乡配电系统以放射状链式结构为主,馈线中不同位置分布若干负荷。一个含DG的链式配电网络如图1所示,沿线等距离分布有20个负荷点,网络节点编号依次为0,1,2,,20。为便于研究,馈线首端采用恒电压输出模型,节点电压U0=U0ej0,负荷采用恒功率模型,同时假设负荷三相对称,因电压等级较低、配电线路较短,三相线路间的互感也不予考虑。分析DG接入位置和容量对配电网有功损耗的影响。
1.1 DG接入容量对配电网有功损耗的影响
图1所示配电网络中,负荷均匀分布(每个负荷大小相等,均为175+j 178.5 k VA),未接入DG时,网络的有功损耗为30.239 2 k W。现在节点14接入一DG,DG的有功容量PDG与配电网有功损耗Ploss之间的关系如图2所示。
由图2可见,接入DG后,配电网的有功损耗减小,且随着DG有功容量增大而逐步减小;但是当DG的有功容量继续增大超过某个定值后,网络的有功损耗反而会增大。可见,DG并入配电网后可以降低网络有功损耗,但DG的有功容量应该取一个适当的值,并不是越大越好。
考虑配电网节点电压约束,DG的容量也不宜过大,如果DG容量过大、超过总负荷时,馈线上就有可能出现部分节点电压越限。DG容量SDG及其与总负荷的比值η如表1所示,其对配电网电压分布的影响如图3所示(图中,节点电压ui为标幺值)。可见,当DG的容量与总负荷的比值较小(<50%)时,馈线上的电压是持续递减的;当DG的容量超过总负荷的50%时,馈线上的电压分布就会出现峰谷变化。因此,DG容量一般不宜超过总负荷的50%。
1.2 DG接入位置对配电网有功损耗的影响
仍采用图1所示的配电网络,负荷均匀分布。DG的类型和有功容量考虑表2所示的6种情况,在不同节点分别接入这6个DG,得出DG的接入位置与配电网有功损耗之间的关系如图4所示。
由图4可见,DG接入的位置位于线路首端时,配电网的有功损耗最大;其接入位置靠近线路末端时,配电网有功损耗较小。但是当DG处于线路最末端时,配电网的有功损耗并不一定最小。以降低有功损耗为目标时,DG的接入位置与DG容量和线路上负荷的分布有关。
图1所示配电网络,负荷分布考虑均匀分布、递增分布和递减分布3种情况。现有一DG,其功率因数为0.9,将其接入配电网用以减小线路上的有功损耗,则DG的容量及对应的最佳接入位置如表3所示。
由表3可见,DG的容量越小,其最佳接入的位置越靠近线路末端;同时负荷的分布情况对DG的接入位置影响很大。当负荷递增分布时,DG的最佳接入位置较负荷均匀分布时更加靠近线路末端;而负荷递减分布时,DG最佳接入位置则较负荷均匀分布时远离线路末端。可以得出结论,DG的接入位置越靠近负荷的中心,配电网有功损耗越小。
2“负荷质心”原理
2.1“负荷质心”基本概念
为了分析DG的接入位置对配电网有功损耗的影响,本文引入了“功率圆”和“负荷质心”的概念。所谓“功率圆”即DG能够供电的范围,DG的容量越大,功率圆的半径也就越大。线路上的有功损耗不仅与线路上流过的有功和无功功率的大小有关,还与线路上的电阻有关。借鉴物理上的“质心”概念,将DG的供电范围看成一个不规则形状的“负荷块”,节点负荷的大小看成该处的质量。负荷块中各负荷节点距离负荷质心的负荷平方矩Si2zi相等,则由有功损耗计算公式可知,若将DG安装在“负荷质心”,则DG的供电半径最小,可以有效降低网络有功损耗。
由物理知识可知,若将负荷块悬挂于空中,则其“质心”必处于“垂线”上。因此,“负荷质心”的确定就转化为垂线的搜索和质心与根节点距离的求解,具体步骤分为以下3步。
a.根据DG容量,由线路末端向首端搜索,确定DG的功率圆。对DG功率圆内的节点重新进行编号,并且令由系统向功率圆内注入功率的节点为功率圆的根节点,编号为0。
b.计算各条支路的权值,并根据支路的权值搜索负荷块的垂线。
c.计算负荷质心距离DG功率圆根节点的阻抗。
2.2“垂线”的搜索方法
首先计算各负荷节点的负荷平方矩,即节点负荷视在功率的平方乘以该负荷流过的路径阻抗之和,即
其中,Mi为节点i上负荷平方矩;Si为节点i上负荷视在功率;zi为节点i上负荷流过的路径阻抗之和。
支路的权值W就等于流过该支路的所有负荷的平方矩之和,即
其中,m为负荷功率流过支路k的节点数;Mi为节点i的负荷平方矩,且节点i的负荷功率流过支路k。
由根节点出发,以支路的权值作为优先级进行搜索,直至末节点,则搜索得到的路径即为该负荷块的垂线。
2.3“负荷质心”的确定
负荷质心的搜索方法分为以下4步。
a.由线路末端开始向首端搜索,确定DG功率圆的大小,令功率圆内所有节点的负荷之和等于DG容量,即
其中,n为功率圆内负荷节点总数。
实际配电系统中,很可能出现这样一种情况:将节点n+1划入DG功率圆内,则;若不将节点n+1划入功率圆内,,往往DG容量不等于功率圆内节点负荷之和。对此,可采用在功率圆根节点增加一个等效负荷的方法来处理。首先确定功率圆的范围,节点n+1不在功率圆内,然后在功率圆根节点增加一个等效负荷ΔS,其大小为
b.计算功率圆中各负荷节点平方矩之和Msum。
c.从功率圆根节点出发,沿垂线搜索负荷质心。若某条支路的权值大于Msum/2,即Wi>Msum/2,则沿该支路继续搜索;若Wi
d.假设负荷质心距离该支路首节点的阻抗为z,计算各节点包括功率圆首节点至负荷质心的阻抗,并重新计算各负荷点相对于负荷质心的负荷平方矩M′。由负荷质心的定义可知,负荷质心上游节点负荷平方矩之和与下游节点负荷平方矩之和相等,即
其中,m为负荷质心上游的节点数,即功率圆根节点与负荷质心之间的节点数;n为功率圆中节点总数。
根据式(5)可以求得负荷质心距离支路首端节点的阻抗z。如果DG必须接在现有节点上,则选取距离负荷质心最近的节点作为DG的接入位置即可。
2.4 支路功率约束条件的处理
DG接入配电网以后,对配电网潮流的分布产生较大影响,因此DG接入位置的优化应当考虑网络支路传输功率的限制。由配电网辐射式结构的特点可知,未接入DG时,支路潮流等于该支路下游所有节点负荷功率之和;DG接入后,DG接入点下游的支路潮流并未改变,因此不会发生支路功率越限。只有当功率圆内“负荷质心”上游节点负荷功率之和大于“负荷质心”及其下游节点负荷功率之和,“负荷质心”上游支路才可能会出现功率越限,此时应当校验支路的功率上限。如果有支路功率越限,则应当将DG安装位置由“负荷质心”沿“垂线”向上游节点移动,直到满足功率约束条件或者到达功率圆的根节点。
3 负荷可靠性与不确定性的影响
3.1 负荷可靠性的影响
DG接入配电网除了能够有效降低系统有功损耗、改善电压分布以外,在大系统故障时,DG还可以主动与外部大电网断开,带部分负荷独立运行,从而保证重要负荷的连续可靠性供电。一般情况下,用于保证负荷供电的DG应尽可能安装在重要负荷的附近。为此,必须对“垂线”和“负荷质心”的求解方法进行修正。在式(5)负荷平方矩的计算公式中引入负荷权重ωi,如式(6)所示。
权重ωi由负荷对供电可靠性的要求决定,负荷对供电可靠性要求越高,其权重值越大,如表4所示。负荷的权重确定以后,按照式(6)计算出各负荷节点修正后的负荷平方矩,再按照式(1)~(5)所述方法搜索“垂线”并确定“负荷质心”即可。此时根据负荷质心确定的DG接入位置既能满足降损的要求,又邻近重要负荷,有利于提高供电可靠性。
3.2 负荷不确定性的影响
近、中长期负荷预测是配电网架规划的重要依据,而负荷预测结果不可避免地存在不确定性。一般可将预测负荷看作是一个围绕某个均值的正态分布的随机变量。
其中,μ和δ2分别为该预测负荷的均值和方差。
Si2的均值即为Si的二阶原点矩:
将负荷平方的均值代入式(1),可得节点的负荷平方矩均值:
一般可认为各节点负荷相互独立,将节点负荷平方矩均值代入式(2)计算出支路的权值,然后再按照式(3)~(5)所述方法搜索“垂线”即可确定考虑负荷不确定性情况下的“负荷质心”。
4 算例分析
在改进的IEEE 13节点的配电线路中接入一容量为1 000 k VA、功率因数为0.9的DG,其功率圆和负荷块的垂线如图5所示(图中,虚线为垂线,标有下划线的数字为支路的权值)。
由垂线搜索的方法可知,DG应当接在支路3、7。设负荷质心距离节点3的阻抗为z,则有
解得该负荷块的质心距离节点3的阻抗为0.028Ω。距离负荷质心最近的节点为节点3,因此将该DG安装在节点3,配电系统的有功损耗最小。这与表5中的潮流计算结果完全吻合。可以证明本文提出的基于“负荷质心”的DG接入位置优化方法是正确有效的,并且不需要随机优化方法的复杂建模计算过程。
考虑负荷对供电可靠性的要求,DG功率圆内各节点的权重如表6所示,则负荷修正以后重新搜索得到的垂线如图6所示,由此确定的负荷质心距离节点3的阻抗为0.12Ω,即DG的最佳接入位置为节点8。由此可见,考虑负荷对供电可靠性的要求以后求得的DG最佳接入位置更加靠近大容量重要负荷,从而保证了重要负荷的可靠供电。
考虑负荷的不确定性,设负荷9和10具有正态随机特性,其均方差分别为相应均值的3%。按照式(8)(9)计算负荷平方矩均值和支路权值(是不考虑负荷随机性时的1.000 9倍),然后再搜索“垂线”并确定“负荷质心”,仍为节点3。可见负荷预测均方差较小时,对“负荷质心”的求取影响不大。
5 结论
本文在分析了DG接入位置和容量对配电网有功损耗和电压分布的影响的基础上,提出了基于“负荷质心”的DG优化配置方法,DG接入位置处于其功率圆的负荷质心时,可以有效缩短DG的供电半径,从而减小配电网有功损耗。该方法原理简单,避免传统优化算法的繁琐求解过程。针对负荷对供电可靠性要求的不同,提出了“负荷质心”的修正求解方法,使得DG接入不仅可以降低有功损耗,还能保证重要负荷的可靠供电。考虑负荷的不确定性,对“负荷质心”的求解方法进行了修正,并得出结论,如果负荷预测结果的均方差较小,对“负荷质心”的求解影响较小。算例分析验证了此方法在解决DG优化配置问题的有效性。
摘要：分布式电源(DG)对配电网网损和电压的影响主要与其位置和容量以及负荷分布有关。提出一种基于“负荷质心”的DG优化配置新方法,将DG的供电范围看成一个不规则形状的“负荷块”,节点负荷的大小看成该处的质量,DG安装在负荷块的“质心”时,配电网有功损耗最小。为保证重要负荷连续可靠供电,根据负荷对供电可靠性要求不同引入了负荷权重系数。该方法简单易行,避免传统优化算法的繁琐过程。仿真算例证明了所提方法的有效性和准确性。
空间负荷分布 第4篇
关键词：电动汽车,停车生成率模型,蒙特卡洛模拟,充电负荷,时空分布
0 引言
随着能源短缺日益严重，环保呼声高涨，电动汽车(electric vehicle,EV)作为一种低碳、清洁的交通工具，受到世界各国政府的高度关注[1,2,3,4]。
电动汽车的产业发展主要受价格、续航里程、充电设施建设3个因素制约。预测电动汽车充电负荷时空分布，将为电动汽车额定续航里程设计、充电设施规划提供重要依据，对推动电动汽车产业发展具有重要意义。同时，电动汽车大规模接入电网充电，将对电力系统的运行与规划产生不可忽视的影响;作为一种分布式储能系统，若有效利用，也可以为电网提供削峰填谷、调频等服务[1,2,3,4]。预测电动汽车充电负荷的时空分布是研究电动汽车大规模发展对电网的影响、参与电网互动能力、充放电控制策略等的基础。
电动汽车充电负荷受多种因素影响，其时间、空间分布具有较大的随机性，预测难度较大[2]。近年来各国学者在电动汽车充电负荷预测方面做了大量工作。文献[5,6,7,8,9]等根据私家车一天的驾驶统计数据，分析了其充电负荷的时间分布。文献[10]提出了综合考虑私家车、公交车、出租车等不同类型汽车充电负荷时间分布的计算方法。文献[11]分析了通勤车、非通勤车不同的充电需求和负荷时间分布。文献[12]引入交通出行需求预测中的重力模型法，分析了电动汽车充电峰荷的空间分布。文献[13]基于人口及交通信息统计数据，分析了居民区和商业区充电负荷曲线的差异。文献[14]采用多主体仿真的方法，建立了电动汽车充电负荷的时空分布模型。文献[15]使用汽车驾驶统计数据分析了电动汽车的驾驶特性，得到了电动汽车到达不同空间停放时荷电状态(SOC)的分布情况。
随着电动汽车充电负荷预测研究的进一步深入，综合考虑时空分布将是未来研究的趋势。但是目前电动汽车负荷时空分布预测的建模方法仍然比较粗糙，对电动汽车的出行分布预测、充电场所多样性等考虑并不细致，预测方法尚不成熟。
本文提出了一种基于电动汽车驾驶、停放特性的考虑时空分布的电动汽车充电负荷预测方法，并以深圳市为算例进行了分析验证。
1 考虑时空分布的电动汽车充电负荷预测思路
本文预测电动汽车充电负荷时空分布的整体思路如图1所示。
首先，预测待预测地区未来电动汽车的总保有量，将该地区分成不同的区域，依据各区域不同类型用地使用情况及其停车特性，采用改进停车生成率模型计算各区域的停车需求，得到预测地区停车需求的时空分布。然后，根据待预测地区电动汽车驾驶特性，建立其充电需求模型，使用蒙特卡洛方法模拟各区域电动汽车的驾驶、停放、充电等行为，得到各区域电动汽车充电负荷的时间分布。
各区域电动汽车充电负荷的时间分布的集合也就是待预测地区总的电动汽车充电负荷的时空分布。
2 停车生成率模型
2.1 传统停车生成率模型
传统的停车生成率模型是停车需求预测的重要方法。不同类型用地具有不同的停车生成率(即单位建设用地所产生的停车需求)，某区域某类建设用地的停车生成率乘以其建设面积即得到该区域该类用地的停车需求，不同类型建设用地停车需求汇总可得到该区域总停车需求[16,17,18,19]，其表达式如下：
式中：Pi为第i区高峰时间的停车需求量(泊位数);Rij为第i区第j类用地的停车需求生成率;Lij为第i区第j类用地使用量(建筑面积);fij为不同地区与土地所属城市区位、经济状况、人口密度等有关的停车生成率修正系数。
2.2 考虑时间分布的改进停车生成率模型
传统的停车生成率模型只考虑高峰时段的停车需求，不能反映汽车停放的时间分布特性，难以应用于电动汽车负荷预测。因而本文对传统停车生成率模型进行了改进。
相同类型建设用地由于其功能相同，因而也具有相似的停车特性。停车特性包括两个方面：停车时间长度分布特性和停车需求随时间的变化特性。
假设第i区第j类用地停车需求随时间变化的标幺值曲线为P*ij(t)，相应的停车需求生成率为Rij，则整个第i区t时刻的停车需求为：
式(2)就是改进的停车生成率模型，其与不同建设用地停车时间长度的分布特性结合，就可以描述某一地区总的汽车停放时空分布特性。
2.3 由停车生成率模型计算实际停车需求
一方面，停车生成率模型调研得到的结果可能与当地未来实际机动车预测数据等有一定的差异。另一方面，如果目前尚未掌握详细的停车生成率调研数据，则可以使用当地建设用地泊位配建标准进行估计，而通常泊位建设标准与实际停车需求可能会存在偏差。因此，为提高预测的准确性，需要对停车生成率模型计算的停车需求进行必要的修正。
本文对停车需求进行了两步修正。
1)居民区、工商业区停车相对数量修正
行政办公、商业金融、工业、仓储、医疗卫生、教育科研、文体等用地可归类为工商业区。若以私家车为研究对象，则以居民区停车需求为基准，对工商业区停车需求进行修正。居民区停车需求峰谷差应略高于工商业区停车需求峰谷差。
假设居住用地编号j=1，居民区停车需求为：
工商业区停车需求为：
修正系数为：
式中：η1为考虑在途车辆的修正系数;t1为居住用地停车高峰时间;t2为其他类型用地停车高峰时间。
修正后工商业区停车需求为：
总停车需求为：
2)预测停车需求与预测机动车保有量修正
以未来汽车保有量的预测值K为基准，对总停车需求P′(t)进行修正。总停车需求的最大值应低于汽车保有量。
修正系数为：
式中：η2为考虑在途车辆的修正系数;Pmax′(t)为总停车需求最大值。
经过修正，各区域及总停车需求分别为：
3 电动汽车驾驶与停放特性
3.1 日行驶里程
由电动汽车日行驶里程及每100km电耗数据，可以得到电动汽车运行一天结束时的SOC分布。
考虑到目前电动汽车发展规模不大，相关数据较为缺乏，一般以传统燃油车入手分析电动汽车的驾驶特性。汽车日行驶里程一般采用全球定位系统(GPS)定位[5,15]或出行调查获取[6,7,8,9,10,12]。GPS定位受成本限制，获取样本的数据一般较少，代表性差;而国内外汽车出行调查统计数据经过多年的调查与积累已经较为完善，其中最具代表性的数据来自美国家庭旅行调查(HNTS)[20]。
文献[8,9]分析HNTS数据，得到汽车日行驶里程d满足对数正态分布，其概率密度函数为：
式中：μD=3.7;σD=0.9;d的单位为km。
3.2 典型居民区工作日停车需求
居民区汽车一般在上午外出时离开居民区，迎来居民区汽车的驶离高峰;在下午或夜晚返回，迎来停车高峰[21,22,23]。
式(12)是文献[17]统计得到的一个典型居民区工作日停车需求函数拟合结果，拟合效果如图2所示，可见居民区白天一次停车时间在2h左右[22,24]。
3.3 典型工商业区工作日停车需求
白天随着工厂上班、商场、办公场所等开始营业，大量汽车驶入该类区域，工商业区迎来停车高峰;傍晚，随着工厂下班、商场、办公场所等关门，工人或消费者等驾车离开工商业区，迎来驶离高峰[21,22,23]。
式(13)是文献[17]调研得到的一个典型工商业区工作日停车需求拟合结果，拟合效果如图3所示。
工商业区的停放行为按停车目的可以分为通勤车和非通勤车。通勤车白天一次停放时间一般在3～8h，其停车的高峰时间为上午07:0010:00，下午12:0014:00;非通勤车白天一次停车时间在1.5h左右，白天没有明显的停放高峰[22,25,26]。
4 电动汽车充电需求模型与负荷预测方法
4.1 电动汽车充电需求模型
在不考虑充电的情况下，电动汽车从一天出行开始至出行结束，SOC以速率vSOC(t)下降。则在t时刻第k辆电动汽车的SOC可以表示为：
式中：tmin为一天中SOC开始下降的时刻;Sk,max为tmin时刻的SOC;ΔSk,t为t时刻之前因充电所导致的SOC增加值。
由于SOC的下降与汽车的行驶直接相关，假设研究区域所有汽车行驶的平均速度为，则第k辆汽车SOC平均下降速度可由下式计算得到：
式中：Psig为停车标志，停车时其值为1，驾驶时其值为0;dk和tk分别为第k辆汽车的日行驶里程和日停放时间;W100,k和Qk分别为第k辆汽车的每100km电耗和电池容量。
随着SOC的下降，电动汽车在以下3种情况下会产生充电需求：(1)电动汽车到达目的地停车，并且SOC下降到一定的阈值，电动汽车会选择在停车目的地充电;(2)电动汽车在行驶过程中，但是SOC下降到警戒值以下，电动汽车会选择到充电站补电;(3)电动汽车在一天最后一次停车之后选择充电。
4.2 基于蒙特卡洛模拟的电动汽车负荷预测
根据电动汽车日行驶里程分布、各区域土地使用情况、停车生成率、停车分布特性等数据，采用蒙特卡洛模拟抽取不同地区不同建设用地汽车的日行驶里程、型号、停放与驾驶行为、停放汽车的停放时间等来预测电动汽车负荷时空分布，其流程如图4所示。
以总停车需求最高时刻t0作为仿真的起始时间，抽取所有汽车的日行驶里程、电池容量、每100km电耗等数据;根据电动汽车第一次出行的时间分布情况，抽取各类停车场所停放车辆的停车时间。
此后，每隔15min更新每辆汽车的停放、充电状态，若汽车到达停放结束时间则驶离停车场，到达充电结束时间则结束充电，产生充电需求则根据需求类型进行充电。
计算各类停车场当前实际停放车辆数与由停车生成率模型所计算得到的停车需求的差值Pnew。若Pnew>0，则随机抽取在途车辆停放到该停车场，并根据停放地点、停放目的、当前时刻抽取停放时间;若Pnew<0，则随机抽取目前停放在该停车场的汽车驶离。
电动汽车日行驶里程越长，相应的日停车时间越短。抽样程序根据不同类型停车场所、停车目的的停车时间分布抽样得到停车时间，再根据该辆车的日行驶里程进行修正。假设抽样得到的第k辆汽车在某时刻t停车，停车时长是Tpark,k(t)，则修正后的停车时间为：
式中：dmean为所有汽车平均行驶里程。
驾驶中的电动汽车SOC以速率vSOC下降，充电中的电动汽车SOC以充电速率上升，停放但未充电的电动汽车SOC保持不变。
5 算例分析
采用本文提出的方法对深圳市2020年的私家电动汽车工作日充电负荷进行预测，并对深圳市各区的充电负荷作了进一步的对比分析。
5.1 深圳市停车需求
根据《深圳市城市总体规划(20102020)》计算深圳市2020年各类用地占地面积。参考《深圳市法定图则编制容积率确定技术指引(试行)》和《深圳市城市规划标准与准则(2012)》等，估计深圳市各类用地平均容积率、平均泊位建设标准，以泊位建设标准代替停车需求生成率，计算深圳市各类用地总泊位建设需求。因所掌握算例数据有限，算例计算中暂不考虑式(1)中fij的影响。计算结果如表1所示。
5.2 电动汽车保有量
目前市场销售的电动汽车主要分两类：小型车每100 km电耗为10 kWh左右，电池容量为18kWh左右;普通车型每100 km电耗为21kWh左右，电池容量为30kWh左右。
根据深圳市电动汽车示范推广计划，假设2020年深圳市私家电动汽车保有量24万辆[27]。其中小型汽车比例为30%，普通类型汽车比例为70%。根据电动汽车保有量数据，使用2.3节介绍的方法对实际停车需求进行修正。其中，考虑在途车辆的修正系数η1=0.911 5，η2=1.000 1。
5.3 预测参数设置
假设2020年深圳市工作日私家电动汽车日行驶里程分布符合式(11);居民区(居民用地)停车需求分布符合式(12);工商业区(其他类型用地)停车需求分布符合式(13)。
以02:00作为仿真的起始时间，假设大部分汽车在07:00左右开始出行，则初始化所有在02:00停放的汽车的停放时间符合正态分布N(5,32)。
工商业区上午07:0010:00有95%的停放汽车为通勤车，通勤车中有70%停放至下午下班，平均停放时间为8h,30%停放至中午下班，平均停放时间为4h;中午11:0015:00有50%的停放汽车为通勤车，一直停放至下午下班，平均停放时间为4h。各时段非通勤车的平均停放时间为1.5h。
夜晚20:0024:00到达工商业区停放的汽车，以一定的比例(由10%随时间线性上升至100%)认为其为一天中最后一次停车，24:00之后停放的汽车均为最后一次停车。
居民区白天平均停放时间为2h，夜晚17:0022:00到达居民区的汽车，以一定的比例(由10%随时间线性上升至100%)认为是最后一次停车，22:00之后停放的汽车均为最后一次停车。
假设电动汽车每天开始行驶时电池处于充满状态。电动汽车行驶过程中选择快速充电的剩余SOC警戒值为20%，在不同目的地停放时选择充电的剩余SOC阈值在仿真过程中可调。
根据国家标准《电动汽车传导充电用连接装置》(GB/T 20234.22011)规定，电动汽车可以使用交流、直流两种充电接口充电，两种接口参数如表2所示。
假设居民区、通勤车工作单位以额定电压250V的交流充电接口充电;工商业区非通勤车以额定电压440V的交流充电接口充电;快速充电站以直流充电接口充电。
5.4 预测结果与分析
5.4.1 驾驶者充电行为对充电负荷的影响
假设居民区、工商业区均100%配建充电设施，电动汽车充电前剩余SOC阈值分别为99%,80%,50%,30%时，工作日各类场所私家电动汽车充电负荷曲线如图5所示。
由图5可以看出，工作日居民区负荷一般高于工商业区负荷，两者均具有中午和夜晚两个负荷高峰;充电站负荷最低，且基本上集中在夜晚。随着充电选择SOC阈值的降低，居民区负荷、工商业区负荷均将由中午向夜晚转移，导致总负荷中午高峰降低，晚高峰升高，快速充电站负荷显著增加。当电动汽车充电选择SOC阈值低于50%时，中午负荷高峰几乎消失，充电负荷将主要以夜晚居民区充电为主。
5.4.2 充电基础设施建设对充电负荷的影响
假设居民区停车场、通勤车工作单位停车场均配建充电设施。30%的汽车在SOC小于30%时充电，40%的汽车在SOC小于50%时充电，30%的汽车随到随充。仿真分析工商业区公共停车场不同充电设施配建比例下工作日各类场所私家电动汽车充电负荷变化情况，如图6所示。
由图6可以看出，工商业区公共停车场充电设置配建比例的提高，将吸引一部分电动汽车选择白天充电，降低夜晚充电负荷高峰，同时会降低快速充电站的充电负荷。
5.4.3 不同区域充电负荷的差异
深圳市南山、福田、罗湖3个区经济发展较好，是深圳市的中心区域。深圳市2012年各项统计数据显示，虽然3个区占地面积之和仅占深圳市的17.4%，但人口占深圳市的32.0%，国内生产总值(GDP)占深圳市的50.7%。三区中，南山区占地面积最大，人口密度最小，但工业发达，人均GDP最高;福田区人口密度最大;罗湖区紧邻香港，占地面积最小，商贸发达。
假设2020年南山区、福田区、罗湖区土地容积率、停车需求生成率均与深圳市平均值相同，预测3个区工作日各类场所私家电动汽车充电负荷如图7所示。单位公顷占地面积充电负荷如图8所示。可以看出，在工作日，南山区私家电动汽车各类场所充电负荷均高于福田区和罗湖区，而福田区居民区负荷高于罗湖区，工商业区负荷与罗湖区相近。从各单位公顷占地面积充电负荷看，南山、福田、罗湖3个区总充电负荷明显高于其他区域;而其中福田区居民区负荷要高于南山区和罗湖区，而工商业区充电负荷却略低于罗湖区。
由式(1)可知，停车生成率与城市区位、人口密度、经济发展水平等有密切关系，一般越靠近市中心，人口密度越大，经济发展越好，则停车需求越大。本算例若考虑式(1)修正系数fij的影响，图7、图8中各片区充电负荷的差异将更大。
6 结语
本文通过停车生成率模型进行停车需求预测，基于电动汽车驾驶、停放特性，提出了考虑时空分布的电动汽车充电负荷蒙特卡洛模拟预测方法。
以深圳市为算例，验证表明，该方法能够方便、有效地预测电动汽车充电负荷的时空分布特性，为分析其对电网的影响及充电设施规划等提供依据。通过分析深圳市工作日私家电动汽车充电负荷预测结果，得到以下结论。
1)充电行为选择SOC阈值、工商业区公共停车场充电设施配建比例的不同将显著影响私家电动汽车的充电需求，鼓励电动汽车用户尽可能地将电动汽车接入电网，提高工商业区公共停车场充电设施配建比例，将会有效减轻夜晚负荷高峰对居民区配电网造成的负担，并降低快速充电站配建需求。
2)在电动汽车每天出行前电池充满的假设下，其电池容量能够满足大部分私家车用户一天的驾驶需求;快速充电站充电负荷在总负荷中占比较小。
北京电网网格化空间负荷预测方法 第5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。
