电力系统负荷范文

电力系统负荷范文（精选12篇）

电力系统负荷 第1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′0S′0, 都有其对应的聚类中心s1S1, 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, vN0={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。

电力负荷预测导则 第2篇

(试行)

SD 125—198

4中华人民共和国水利电力部

关于颁发《近期需电量和电力负荷预测

导则(试行)》的通知

(1984)水电计字第368号

现将《近期需电量和电力负荷预测导则(试行)》(SD125—1984)发给你们，希遵照执行，并通知如下：

1.搞好近期需电量和电力负荷预测，对实现电网安全经济运行具有重要意义，也是电网发展规划的基础。各单位要大力加强这方面的工作，这在当前市场经济比重逐步增长、企业自主权进一步扩大的情况下尤为重要。各局要配备必要的专责人员，并建立起从供电局(所)至电管局(电力局)的多级预测网，以便在尽可能短的时间内获取最确切的信息。

2.在导则执行过程中的经验和问题，请及时告部计划司。

一九八四年十月五日

1总则

1.1近期需电量和电力负荷预测是编制电力生产计划的基础。它的主要任务是测算发展国民经济和满足城乡生活所需要的电量和电力，为安排电网发电能力、实行计划用电及进行国民经济计划和电力生产计划之间的相互平衡创造条件。因此，必须重视预测工作，不断提高预测水平。

1.2调查研究是搞好预测工作的基本方法。因此，必须经常了解科学技术进步，社会经济活动，工农业生产发展，社会用电结构，工业产品结构和自然现象等变化对需电量的影响，为搞好预测工作打好基础。

1.3预测工作是科学性很强的工作，一定要坚持实事求是的精神和严格的科学态度，克服主观性和片面性。预测结果应能反映客观实际，使预测数据成为编制电力生产计划的可靠依据。

1.4本导则适用于各级电力部门。电管局和部直属省局可以结合本地区的实际情况，制定补充实施细则。

2预测内容和要求

2.1按照编制电力生产计划的需要，预测内容如下：

a.根据上半年的实际用电量情况和有关资料，预计当年能达到的需电量和电网年最高负荷。

b.按照国家计委编制的产品产量计划以及市场调节产品和其他各类用电的自然增长率、预测次年计划需电量和电网年最高负荷。

c.根据历史统计资料和用电调查，考虑工农业生产可能的超产因素和电网发供电设备能力、燃料供应、水情预报及区外购电等情况，经过综合平衡，预测次年能达到的需电量和电网最高负荷。

2.2预测数值允许偏差范围如下：

a.对当年能达到的需电量预计值的偏差不超过±1%。

b.对次年能达到的需电量预测值的偏差不超过±2%。

注：

偏差=

3需电量预测方法

3.1同期对比法

这是预计当年能达到的需电量的基本方法。在预计时可参照上半年实际用电量和有关历史统计资料，进行分析对比，测算全年能达到的需电量。

3.2产品产量法

这是预测次年计划需电量的主要方法。预测时要按以下方法分别测算各项需电量。a.对国家计划产品的需电量，要按国家计季编制的产品产量计划(或控制指标)乘以产品电耗计算。产品电耗应根据历史资料和产品结构的变化进行推算。

b.对市场调节产品和其他各类用电的需电量，要分行业和类型按自然增长率并结合典型用电调查进行测算。

c.对厂用电和线损，要按电力系统实际发展情况进行推算。

d.对净输出区外(网外)的电量，应按签订的协议规定和上级部门的总见进行安排。计划需电量为上述四项需电量之和。

3.3大用户用电量加一般用户用电量自然增长法

大用户(包括新增大用户)的用电量应逐个调查并核实。测算一般用户用电量自然增长时，已列出的大用户的用电量及用电比重较大的大中型基建项目的基建用电量，应从一般用户用电的历史资料中剔除，然后分析并预测其自然增长率。将上述需电量加厂用电、线损和净输出区外(网外)的电量，即为全部需电量。

3.4回归分析法

如条件合适，也可采用回归分析法测算需电量。此时，要正确选用样本的数学模型，对不正常的样本数据，要做适当调整，特别是用时间序列分析法时，要有近几年的样本数据，使数学模型与样本有较高的拟合程度。

3.5为了提高预测的精确度，同一数据应尽可能采用多种方法(包括本章中没有提到的其他方法)进行测算。利用模型预测时，一些未能计算的其他重要因素和存在的问题，应在提出建议时予以考虑。

4最高负荷预测方法

4.1预测电网年最高负荷，一般有以下三种方法：

a.最高负荷利用小时法： 预测值-实际值×100%实际值

电网年最高负荷(万kW)=

b.负荷率法： 电网年需电量(万kW·h)电网年最高负荷利用小时(h)

电网年最高负荷(万kW)=

式中：月最高负荷日的平均日负荷率 电网年需电量(万kW·h)月最高负荷日的平均日负荷率×月不均衡率×年不均衡率×日历小时(h)

月最高负荷日的平均日负荷率=

日历小时=8760或8784(h)

c.同时率法：电网年最高负荷=最高负荷调整系数×同时率×各行业(或各地区)年最12个月每月最高负荷日的日需电量的累加×100%24×12个月每月最高负荷日的负荷累加 12×年平均日需电量月不均衡率=×100%12个月每月最高负荷日的负荷累加 12个月每月最高负荷日的负荷累加年不均衡率=×100%12×电网年最高负荷

高负荷的累加

式中：最高负荷调整系数-考虑厂用电和线损后的调整系数。

4.2预测季或月最高负荷，可根据历史统计资料和季节性变化因素，采用移动平均法或其他方法进行测算。

5资料积累、整理和分析

5.1为了搞好需电量和电网最高负荷的预测，必须经常注意积累资料，加强分级管理，建立和健全必要的用电卡片或计算机数据库。主要资料包括以下几个方面：

a.农村部分(包括农业产值，各类用电量及其增长率等)；

b.工业部分(包括主要产品产量、生产能力，分行业的用电量、产值，产品和产值电耗，弹性系数等)；

c.大用户部分(包括用电量、用电负荷、负荷率、同时率、产品产量、生产能力、产品和产值电耗、最高负荷利用小时等)，一般掌握全部用电量的百分之五十至六十的大用户资料；

d.市政生活用电部分(包括分类用电量、人均照明用电量等)，要进行各种类型的抽样调查，如家用电器典型抽样调查(包括普及率、用电量、人均居住面积、收入和支出等)，以便能较可靠地掌握生活用电增长规律；

e.交通运输用电部分(包括用电量及其增长率等)；

f.厂用电部分(包括发电、供热厂用电量，各类机组厂用电率等)；

g.线损部分(包括分电压等级线损量、线损率、售电量、供电量等)；

h.分区供电负荷、供电量等。

5.2搞好资料的分析、研究工作。掌握用电增长规律和产品电耗、负荷率等专项指标的变化趋势，了解各类工业用户的生产工艺过程、特点、产品品种与用电的关系。每年要利用对行业、变电所、线路等负荷测资料整理、绘制各类工业的日负荷曲线，分析日负荷率的变化规律，搜集整理分区负荷潮流和各级网络的有功无功负荷分布，为搞好负荷预测打好基础。

5.3加强缺电调查。根据生产能力、国家计划指标分别调查所缺电力电量，对水电比重大的系统，应按丰水期、枯水期分别说明缺电情况。对用电发展潜力做到心中有数，每年六月底前上报当年缺电情况调查报告。

5.4加强用电分析工作。每年三月至四月应根据上国民经济和社会发展情况，分析各类用电变化，缺电情况，对照上一年预测结果，总结经验，写出分析报告，不断地完善预测方法。

6其他

6.1为了搞好预测工作，电管局、省局和地、市级供电局(电业局、电力公局)的计划部门，必须配备若干名专责预测人员，并要保持相对稳定。从电管局到供电局要建立预测联系网，互通信息，每年交流一次预测经验，互相促进，不断提高预测水平。

6.2为了提高预测的准确性和科学性，要不断改善预测手段和技术，充分发挥电子计算机在预测中的作用。

6.3为了提高预测人员的积极性和业务水平，要加强对预测人员的业务培训，不断更新科学技术知识。对预测工作搞得好的单位和个人，应予表扬和奖励。

电力系统负荷预测方法的探讨 第3篇

关键词 负荷预测；电力系统；方法探讨

中图分类号 TM715 文献标识码 A 文章编号 1673-9671-(2012)052-0174-02

1 电力系统负荷预测的特点

电力系统中的负荷一般分为城市的民用负荷、商业的负荷、农村的负荷、工业的负荷和其他的负荷等，不同类型的电力系统负荷会具有不同特点及规律。

城市的民用负荷大多来自城市的居民家用电器的用电负荷，它有年年不断增长的趋势，并且随着季节的变化而变化，但民用的负荷还是和居民日常的生活及工作规律相关较为紧密。

商业的负荷，主要是指商业用电中的用电负荷，它覆盖的面积大，而且用电量增加的速度的平稳，商业的负荷同样也具有根据季节变化的波动特性。即使它在电力的负荷中占的比重不如工业负荷及民用负荷，但是商业负荷中的照明类的负荷占用了电力系统用电高峰时段。除此以外，商业部门因为商业行为会在节假日里会增加营业时间，因此成为节假日里影响电力负荷重要的因素之一。

工业负荷是指用在工业生产的用电负荷，一般的工业负荷比重在用电负荷里构成中居于第一位，它不仅仅由工业里负荷端的使用情况决定（也包括负荷的利用情况、企业工作班制度等），而且它和各个行业的特性及季节里的因素都有非常密切的联系，一般的负荷还是比较稳定的。

农村的负荷是指农村里居民用电及农业里生产的用电。这类负荷和工业里的负荷相比较，受到季节等其他自然环境的影响非常大，它是由于农业生产特点来定性的，农业的用电负荷同时也受到农产品的品种、耕种特点的影响，但是就电网系统而言，因为农业的用电负荷的集中时间和城市的工业的负荷使用高峰时间有很大差别，所以对于提高电网的负荷率很有好处。

从以上的分析可以发现电力的负荷特点是常常变化的，不仅按照小时变化、按日变化，而且还按周变化，按年变化，同时电力负荷又是以小时作为基本单位不断发生变化的，它具有很大的周期性，负荷的变化是个连续发展变化的过程，在正常的情况下，它不会产生大的跳跃，但是电力的负荷对于季节等因素是十分敏感的，在不同的季节，不同的地区的气候和温度的变化都将会对电力负荷造成十分重要的影响。

负荷预测目的是根据电力负荷的发展状况和水平，同时也确定各个供电公司计划的年供用总值，供用最大的电力负荷与规划的地区的总共负荷的发展水平，是由各规划的年用电负荷构成。它将为经济合理准确地安排各个电网内部的机组启停和检修，保持电网的运行安全和稳定性，电网发展的速度，电力的建设规模，电力工业的布局，能源资源的平衡，电力余缺的调剂和电网的资金以及人力资源需求和平衡等各个方面提供十分可靠的依据。

2 电力系统负荷预测的方法

2.1 负荷预测单耗法

第i年，第j企业的产值的单耗是Qi，并且第i年的用电总量是Ki，如果知道第j企业在将来第i年的企业产值是G(i)的时候，那么这个产业在第i年的总的用电量是E(i)=G(i)*Q(i)。同样，如果第i年的总共的人口预测是P(i)时，城乡居民的生活里的用电量E(i)=P(i)*K(i)。

根据计划的产品数量及用电单耗来进行推算年用电量，这比较适用于有关的单耗指标的工业及部分的农业负荷，它是预测有单耗指标的工业及部分农业用电量一种十分直接有效的方法。负荷预测时，可以依据规划的城市的经济社会发展状况来规划负荷预测目标，并且利用规划期中各个年份的工业和农业产值指标及主要的工业产量来规划指标，并通过对过去的国民经济中各个部门在各种商品生产的过程中的单位产品的耗电量、亿元产值的耗电量经过准确的统计，并且根据电力产业结构的调整，找出一定的内在规律，并得出各种商品和商品产值的综合电力单耗。最后按照国民经济中各部门编制的电力发展规划中的产品的产量指标和经济指标，按照单耗的方法进行预测。负荷预测单耗法的优点是：该方法简单，对于短期的负荷预测效果很好。缺点是：需要做大量的细致调研工作，同时也不够准确。

电力负荷性质主要是高耗能、扬水的负荷、电气化铁路的负荷、建材的负荷、造纸负荷及日常工农业用电的负荷组成。采用负荷预测单耗法的行业一般是高耗能企业、建材和造纸业，这种方法推算出来的年用电量基本和该行业实际负荷相吻合。

负荷预测单耗法适用于电力系统的近中期规划的负荷预测，它与经济实际的发展情况非常相似，预测结果也非常精确。

2.2 负荷预测弹性系数法

电力弹性系数是当地总电能用量的平均年增长率和工农业总产值的平均增长率比值，它是反映电力的发展和国民经济发展之间的关系一个宏观的指标。

K=E%/G%；E=e(1+K )

式中K为电力弹性系数，E%为全社会用电量的增长率，G%为国内生产总值增长率，E为当年用电量，e为上年用电量。

一般来讲，电力工业要适度超前经济发展，就是电力弹性的系数应该大于1，但是，因为电力弹性的系数是根据当地的负荷结构、性质来计算的，并且对历史的资料和各类的用电比重发展趋势加以分析后谨慎确定的。所以弹性系数法一般用于校核中长期的宏观负荷预测。

负荷预测弹性系数法适用于电力系统中远期的规划预测，并且其计算的方法十分简单。

2.3 负荷预测趋势外推法

当电力负荷根据时间变化呈现出某种上涨或者下跌的趋势，并没有显著的跟随季节发生，还能找到一个合适的规律来反映这种变化趋势时，那么就可以使用时间t作为自变量，时序数值y作为因变量，建立趋势的模型y=f（t）。我们认为，这种发展变化的趋势可以扩展到未来，赋予变量t所应当具有的值，那么就可以得到未来某个时间点的负荷值。这也是负荷预测趋势的外推法。

负荷预测外推法具有线性趋势的预测法、对数趋势的预测法、二次曲线趋势的预测法、指数曲线趋势的预测法、生长曲线趋势的预测法。负荷预测趋势外推法的优点是：只是需要历史的数据，所需数据量比较少。缺点是：假如负荷出现变动，将引起较大的误差。

负荷预测外推法远期粗略计算， 不适用于近中期规划预测。

2.4 负荷预测负荷密度法

负荷预测负荷密度是在每平方千米的平均的负荷数值。它一般并不是直接预测整个城市的电力负荷密度，而是按照城市区域的功能分区。首先要计算现状及历史分区的负荷密度，然后根据本地区发展规划和对各个分区负荷发展的相关特点，来推算出各个分区的各目标年的负荷密度的预测值；对于分区中的少量集中用电的大的用户，在分析预测时可以另外做点负荷的单独计算。在采用负荷的密度法时，必须要考虑到预测地区经济社会及电力负荷常有的随着某种因素而不是连续（跳跃式）发展特点。因此，负荷的密度法是一种非常直观的方法，在使用时必须谨慎。

负荷密度法一般用于城市用电负荷预测，计算准确，但程序编写较为复杂。

2.5 负荷预测神经网络法

负荷预测神经网络是由大量的简单的神经元组成的非线性的系统，其中每个神经元的结构及功能都十分简单，但大量神经元在组合产生系统行为时却非常的复杂；负荷预测神经网络法具有很强学习的能力、计算的能力、变结构适应的能力、复杂映射的能力、记忆的能力、容错的能力和各种智能的处理能力。当前，研究及应用最多的则是以下四个基本模型及它们的改进模型，即Hopfield 的神经网络、多层的感知器、自组织的神经网络和概率神经的网络。

在电力系统的负荷预报中，使用最多的就是带有隐层的前馈型的神经网络，它常常由输入接口层、输出接口层和若干隐型接口层组成。对多层的感知器，误差反传训练的算法（BP 算法）则是目前最简单、最实用的一种，实质是一种梯度的算法。它将各种有关的负荷数据作为输入项，通过历史的样本进行训练收敛后就可以进行负荷预测了。

它的优点是：1）可以模仿人脑进行智能化处理；2）对于大量非结构性、非精确性的规律具有自适应的功能；3）它具有信息的记忆、自主的学习、知识的推理和优化的计算等特点。它的缺点是：1）初始值确定将无法使用已有的系统信息，容易陷于局部极小的状态；2）神经网络学习过程常常会较慢，这会造成对突发事件的适应性差。

负荷预测神经网络一般应用于大规模的电力系统，可以处理庞大的信息量，程序编写完成后的适用性好。

3 问题的解决及影响的因素

3.1 问题的解决

1）我们在进行相关数据处理的分析和建立负荷预测模型的过程中，必须充分地考虑外界环境因素（经济，政策）的变化，和相关因素的不确定性对于中长期的负荷预测结果造成的影响。

2）要注意负荷模型的参数随着环境和相关因数改变将出现趋势的适应问题，并且在负荷模型使用的过程中，对于预测的专家经验和意见要加以有效利用。

3）对受影响的中长期的负荷变化多方面因数综合考虑，必须运用不同的方法来组合开展研究的工作。

3.2 影响的因素

影响的因素主要有以下几方面。

1）气候的变化及自然灾害影响。

2）国家的政策、工农业等其他宏观产业的结构调整造成的影响。

3）能源市场的经济变化对负荷影响。而且，因为上述负荷预测方法自身就存在着一定的不确定性，所以，我们必须把负荷预测的结果来相互的验证及补充。

4 结束语

电力系统负荷的预测是电网的调度、信息管理等方面的前提，他是一个电力系统调度部门及规划部门必须具备的基本的信息。提高电力系统负荷预测的技术水平，十分有利于计划用电的管理，十分有利于合理的安排电力系统的运行方式及机组的检修计划，十分有利于节约煤、节约油和降低发电的成本，十分有利于制定经济合理的电源的建设规划，十分有利于提高我们电力系统的经济效益及社会效益。所以，电力系统负荷预测将成为实现现代电力系统管理的重要内容。

参考文献

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

[2]吴熳红,杨继旺.几种电力负荷预测方法及其比较[J].广东电力,2004,17(1):

17-21.

电力系统负荷 第4篇

电力系统负荷预测作为能量管理系统(EMS)的重要组成部分,预测结果的准确性对电力系统安全、经济运行及规划起着重要的作用[1,2,3,4]。超短期负荷预测主要应用在自动发电控制(AGC)调频、安全监视以及指导调度员控制联络线交换功率在规定范围内等[5]。短期负荷预测主要预报未来几小时、1天至几天的电力负荷,对于电力调度部门的经济调度、最优潮流等有重要意义[6]。中长期负荷预测的准确性将对未来的发电、配电规划产生巨大的影响。然而,对负荷需求进行准确预测是很困难的,因为负荷所在范围的社会整体行为以及天气状况对预测精准度的影响是显著的。

进行负荷预测首先要具备历史数据、信息的可靠性和预测方法的有效性。目前,常见的用于电力预测的方法及存在的不足为:时间序列分析方法[7-9没有考虑负荷变化因素,只致力于数据的拟合,对规律性把握不够;神经网络及改进算法[10]虽然能够较好地解决天气和温度等因素的影响,但是训练时间过长,容易陷入局部极小值状态;模糊系统建模方法预测精度较高,但学习能力较差,不易实现模糊信息及经验的总结;常用标准GM(1,1)模型在预测非指数增长型曲线中存在较大误差,因此其往往达不到精度的要求[11];基于遗传算法的改进算法和混沌学习算法[12等虽然较以往算法有很多优点,但其预测的程度是与训练负荷样本集空间分布相关的,并不能保证预测精度稳定性得到实质性的改善;基于D-S证据理论负荷预测[13]必须对各负荷预测模型权重的提取和融合进行周全考虑。标准的支持向量机(SVM)方法已在许多领域取得了成功,但SVM存在计算速度过慢、鲁棒性不强的局限性[14]。目前较为流行的最小二乘支持向量机LS-SVM(Least Squares-Support Vector Machines)方法在进行短期负荷预测中取得了较好的进步,但是亟待解决对历史数据的预处理即输入变量的选择问题[15]。

本文将在对历史数据规律把握的基础上,着重考虑结合实时数据并进行修正,对负荷短期变化作出精确的预测,并与LS-SVM方法对比预测效果,同时总结了区域长期负荷变化的规律性。

1 负荷变动特性

电力系统负荷按其性质可分为工业负荷、农业负荷、商业负荷、生活负荷以及其他负荷。不同类型的负荷都有其各自的变化规律,这使得负荷变动在某些点呈现出不确定性。这种负荷变动的不确定性不能用简单的显式数学方程来描述。然而实际数据分析表明:正常情况下,负荷不会发生突变,并具有一定的周期性。

1.1 负荷变化规律

电力系统负荷变化规律可分为正常情况下的负荷变化规律和异常情况下的负荷变化规律。

正常情况下负荷变化从时间上看呈现出一定的周期性,如冬夏两季均出现高峰负荷,而重要节假日出现的低谷均以年为周期呈现。由于人的作息、习惯,电力负荷以日为周期的变化规律尤为显著。故障情况下的负荷变化规律随故障的类型和发展程度变化而不同。一般情况下是故障开始后系统负荷大量失去,且呈现单调减的趋势。本文重点研究的是正常情况下的负荷变化规律。

1.2 负荷变动速率

美国得克萨斯州的ERCOT(Electric Reliability Council Of Texas)电力市场独具特色,运营也比较成功,其中一些经验值得我国借鉴[15]。下面以ERCOT年用电负荷数据为基础进行总结分析。首先给出一种新的负荷增长特性描述概念负荷变动速率RLF(Rates of the Load Fluctuation)。

定义1负荷变动速率是指某一时刻负荷数据Pa与另一时刻负荷数据Pb之差Pd和时间差td的比值:

其中,i=1,2,3,。

使用式(1)作出ERCOT 2006、2007年1 344~1 464 h的速率变化曲线如图1(a)所示。由图1(a)可知2条曲线具有很强的相似性,速率变化趋势基本相同。图1(b)为ERCOT 2006、2007年5 183~5 303 h的速率变化情况,同样表现出很强的相似性。

综合考虑图1(a)、(b)可知:负荷变动速率在短期内呈现出很强的相似性。假设已知一段时期的速率变化趋势,依据现有实时数据和历史数据便可推导出将来某时间段的用电负荷情况。

2 负荷变动速率模型

2.1 模型建立

假设某年一段时期内的系统用电负荷为

其中,i表示这段时间内负荷采集点,xi表示采集点的负荷值,则[a,b]时间段内负荷变动速率为

对式(3)进行变换,得下式:

其中某点的负荷xa已知,预测的时间周期Δtab已知,vab可由统计得出经验值v′ab,对式(4)进行变换可以得到式(5):

本文选用平均相对误差e作为预测效果的判断依据:

2.2 改进模型

由于负荷变化和短期负荷预测的结果都具有连续性,因此二者的误差值也具有连续性。假如在考虑短期负荷预测的同时,利用本时刻值对负荷变动速率进行必要的修正,便可减少依据经验值产生的累积预测误差。

a时刻负荷真实值为xa,b时刻负荷的预测值为x′b,而[a,b]时间段内的经验负荷变动速率为v′ab,对v′ab做出如下修正:

其中,α表示下一时刻预测值x′b和本时刻真实值xa的差在预测值中所占比例对原有经验负荷变动速率的修正,如式(8)所示。此处修正的重要意义在于考虑了预测区间段内现时刻的真实值,进一步提高了预测的准确性。

2.3 用电规律分析

统计历年ERCOT数据发现,该州每年10月中旬开始至第二年3月上旬日负荷呈现2个峰值,其余时间日负荷呈现1个峰值,如图2所示。显然,造成峰值的变化是由于该区域随季节变化用电习惯的改变。

经过对历年ERCOT数据的研究,总结出如表1所示的日负荷变化规律。相同的变化趋势体现出此段时间内的一致相关性,其在速率变化上表现为速率变化的同号性。分析发现,随着季节的推移,“2个峰值月”的日负荷变化规律中“10~18 h”和“18~22 h”2个时间段变化趋势逐渐缩短,并最终消失,表现为1个峰值负荷的变化趋势。

2.4 负荷预测的修正

短期负荷预测对负荷拐点处的预测常常存在误差[16]。经过对ERCOT数据的分析研究得出,负荷拐点产生的原因主要是负荷变动速率的不一致性,即速率变化的异号性。

负荷变动速率的情况较大地影响了负荷预测的精确度。由表1可以得出,负荷预测必须考虑这种变化不一致性,即速率变化的不同号性产生的负荷预测误差。速率变化的不同号性主要体现在对负荷趋势预测的不同。无论是由下降到上升,还是由上升到下降,都是一个连续的变化过程,而非一刻完成,若是简单地依据上一点的负荷对后一点预测,便很容易产生负荷趋势不同带来的误差,这种误差在较大时刻点的预测中尤为严重,因此对其进行准确修正非常必要。

定义2假设vi为某地区一段时间内电力负荷的变动速率,当vi与vi+1异号时,有下式成立:

其中,i=1,2,3,,则称δ为vi与vi+1的速率影响因子IFR(Impact Factor of the Rate)。

根据定义2,对预测负荷做如下修正:

其中,x′i+1为负荷预测值;x″i+1为其预测修正后的值。

3 算例分析

为了验证本文所提出的负荷预测模型的准确性,基于ERCOT历史数据,以比较复杂的2个峰值月为例,进行2010年2月1日至10日的负荷预测。

3.1 v′ab的统计曲线

总结ERCOT 2004年至2009年中的2月1日至3日负荷变化曲线,求取此时段的RLF平均曲线如图3所示,将统计曲线作为负荷预测的经验曲线。

3.2 负荷预测与结果分析

利用式(4)便可求出2010年2月1至3日的负荷预测值,再由式(6)可知,预测值的平均相对误差为2.4332%。此误差值已经能够很好地描述负荷变化情况。

为了能够更好地进行负荷预测,根据改进模型及定义2对预测值进行修正,如图4所示,计算预测值与实际值的平均相对误差为2.354 6%。可见,修正后负荷预测的准确度有所提高。

为了对预测结果进行对比分析,本文选用了LS-SVM方法对此3天的负荷进行逐点预测,2种方法预测结果的相对误差绝对值e曲线如图5所示。LS-SVM模型预测的平均相对误差为4.756%,明显高于本文预测方法。在预测的72点负荷中,采用本文方法预测值中的53点准确性高于LS-SVM模型预测法,占到了总预测点数的73.611%。

4 结论

本文对ERCOT历史数据的研究,不仅总结了得克萨斯州的用电规律,而且通过提出负荷变动速率概念,建立了一种新的负荷预测模型,能够满足负荷的短期预测及中长期的负荷变动规律总结。该方法在对历史数据进行充分分析的基础上,对历史数据及现有实时数据进行综合考虑,使得负荷预测达到了较好的效果。文中提出了速率影响因子概念,能够解决部分负荷拐点处预测问题。本文只以ERCOT日24点负荷为基础进行了3天负荷的较精确短期预测,今后的预测中应该考虑增加采集点以使负荷预测曲线更加平缓、光滑,进一步提高精度。

摘要：基于大量历史负荷数据,研究负荷数据曲线的变化性,并提出了负荷变动速率(RLF)与速率影响因子(IFR)概念。通过对ERCOT数据的分析,总结得出了得克萨斯州用电特点和相同时段内RLF的相似性。依据对RLF的历史数据统计分析,得出经验RLF值,并结合用电负荷的实时数据对短期负荷做出修正与准确预测。该方法可以应用在短期负荷预测系统及对区域中长期用电负荷变化规律的总结上。

城镇电网规划电力负荷预测开题报告 第5篇

城市电网规划是电力系统规划的重要组成部分，其任务是根据规划期间的负荷增长以及电源规划方案确定相应的最佳电网结构，以满足电力可靠、安全地输送到负荷中心的前提下，使电网的建设和运行费用最小。目前城市化发展步伐迅猛，经济发展更为快速，以及居民生活水平的不断提高，必将引起用电负荷的增长，届时现有的电网情况将无法满足经济增长和人民用电量增长的需要。特别是近几年以来，发达城市地区的电力供应频频告急，局部地区出现相当严重的拉闸限电现象，这与电源建设一度停滞、电网规划建设长期滞后的历史问题有关。所以城市电网规划的优劣，不仅直接影响到电力部门的安全运行，同时还关系到国民经济其它各部门的发展，科学地完成城网规划工作具有巨大的社会和经济意义。

负荷预测作为城市电力规划的基础和重要内容，在电力系统规划和运行方面发挥着重要的作用，具有明显的经济效益。负荷预测的目的就是提供负荷发展状况及水平，从已知的用电需求出发，考虑政治、经济、气候等相关因素，对未来的用电需求做出的预测。同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平，确定各规划年用电负荷构成。

（一）负荷预测现状研究

在电力改革进一步深入、电力市场逐步形成的今天，电力负荷预测工作已变得越来越重要。科技发展为电力负荷预测提供了各种理论和方法，如弹性系数法、灰色模型法、回归分析法、趋势分析法和单耗法等。

1、电力弹性系数是反映电力消费的年平均增长率和国民经济的年平均增长率之间的关系的宏观指标。市场经济条件下，电力弹性系数已经变得捉摸不定，并且随着科学技术的迅猛发展，节电技术和电力需求侧管理、新经济（如知识经济、信息经济）的不断产生和发展，以电能替代其它非电能源的范围不断扩大，电力与经济的关系急剧变化，电力需求与经济发展的变化步伐严重失调，使得弹性系数难以捉摸，使用弹性系数法预测电力需求难以得到满意的效果，应逐步淡化。

2、灰色系统理论是反模糊控制的观点和方法延伸到复杂的大系统中，将自动控制与运筹学的数学方法相结合，研究广泛存在于客观世界中具有灰色性的问题。有部分信息已知和未知的系统称为灰色系统。

3、回归分析法是通过对影响因子值(比如国民生产总值、工农业总产值、人口、气候等)和用电的历史资料进行统计分析，确定用电量和影响因子之间的函数关系，从而实现预测。

4、趋势分析法是根据已知的历史资料来拟合一条曲线，使得这条曲线能反映负荷本身的增长趋势，然后按照这个增长趋势曲线，对要求的未来某一点估计出该时刻的负荷预测值。

5、单耗法是根据第一、二、三产业每单位用电量创造的经济价值，从预测经济指标推算用电需求量，加上居民生活用电量，构成全社会用电量。

从以上的分析，我们可以看到各种预测方法从研究的角度、建模的出发点到数据的形式、数据样本大小以及适用条件等都有所不同，因而要想将各种方法摆在同一尺度规范下进行比较是相当困难和不科学的。各种预测方法都具有其各自的优缺点和适用范围，必须根据实际情况，着重从预测目标、期限、精确度和预测耗费等诸多方面作出合理选择，在预测成本允许的范围内，寻求能获取所需精度的预测方法。

从以上几种负荷预测适用的条件看，回归分析和趋势分析致力于统计规律的研究与描述，适用于大样本，且过去、现在和未来发展模式一致的预测；灰色模型法是通过对原始数据的整理来寻求规律，它适用于贫信息条件下的分析和预测。对中、长期预测，回归法、趋势分析法、改进型灰色模型较为合适。

由于电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。因此要想使预测的需电量和最大负荷尽可能地正确和接近实际，就必须进行深入细致的调查工作和采用正确的负荷预测方法。

产值单耗法一般根据历史统计数据，在分析影响产值单耗的诸因素的变化趋势基础上确定单耗指标，然后依据国民经济和社会发展规划指标预测电力需求，单耗法需要做大量细致的统计、分析工作，近期预测效果较佳，对城镇电网的电力负荷预测作短期的研究分析，产值单耗法较为合适。

（二）用电单耗法 用电单耗法是以国民经济的行业划分为基础，分行业进行电力需求预测，再累计相加得到总的电力需求。它是电力公司广泛使用的传统的电力需求预测方法。

各部门以及行业需电量，采用用电单耗法，就是根据预测期的产值(或产品产量)和用电单耗计算需要的用电量。

部门用电量=部门产品产量×用电单耗

或部门用电量=部门产品产值×用电单耗

国民经济行业用电分类将全社会分为国民经济各行业和城乡居民生活两大类，这两大类又分为若干项，具体可划分如下：

第一产业=农林牧渔水利业-水利业-其它

第二产业=工业+建筑业

第三产业=地质普查勘探业+交通运输邮电通讯业+商业饮食物资供销仓储业+其他各类事业+水利业+其他

城乡居民用电量=照明用电+家用电器用电+其它

全社会用电量=国民经济全行业用电+城乡居民生活用电=第一产业用电+第二产业用电+第三产业用电+城乡居民生活用电。

预测步骤：

收集各行业的产品产量及产值计划；

确定用电单耗；

计算各行业的用电量。

此种预测方法是以政府部门同一时期国民经济发展规划的第一、二、三产业的产值为基础，并综合分析近年各产业产值的单耗变化趋势而计算出的，因为国民经济发展规划是政府计划部门在收集多方面的资料，综合多方面的因素而制订的比较权威的规划，因此用该法预测的需电量是比较准确的。关键在于把握好单耗的变化趋势，即要考虑前几年的单耗变化规律，还要考虑电价、技术革新、社会发展和人民生活水平以及国家产业政策多方面因素对各产业产值单耗变化的影响。

第二部分论文内容提纲

一、绪论

（一）引言

（二）负荷预测实现的目的和意义

（三）负荷预测的特点和原理

（四）负荷预测现状的研究

（五）单耗法负荷预测基础资料的收集

（六）单耗法负荷预测算例分析研究

（七）结论

文献综述

参考文献目录

［1］城市电力规划规范GB50293-1999

［2］电力负荷预测［M］.北京：中国电力出版社肖国泉、王春、张福伟主编

[3] 电力负荷预测技术及其应用［M］.北京：中国电力出版社 牛东晓、曹树华、赵磊主编

[4].城市电网规划总量负荷预测系统的开发应用 天津大学出版侯磊主编

[5]现代城市电网规划设计与建设改造[M] 中国电力出版社蓝毓俊主编

[6]城市电网规划与改造中国电力出版社陈章潮、唐德光主编

[7] 初论适合城市电网规划负荷预测方法中国电力出版社代力东主编

[8]农村电网规划中的负荷预测安徽电气工程院出版黄才起主编

[9]农村电网规划中区镇负荷预测究湖南电力出版社方金林主编

[10]电力负荷预测的理论与方法中国电力出版社王承民主编

电力系统负荷 第6篇

[关键词]电力系统；负荷预测；方案分析；解决方案

电力系统负荷预测程序是电力系统中进行负荷预测的一种行之有效的手段，它通过计算程序自动采集、分析历史数据，通过精密计算得到预测数据和曲线，能够使负荷预测准确度有大幅度提高。但是，在程序中提供了多种预测方法中，选取最准确、最恰当的方法呈提高负荷预测准确率的重要的手段之一，这就需要我们不断地进行比较、探索，使预测的负荷更加精确。负荷特性分析是负荷预测的基础，它要对目标区域的负荷性质、结构、分类、现状、及发展趋势进行研究。负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提。其准确度关乎企业计划用电管理、经济效益和社会效益，是企业的一种基础管理考量。

一、负荷预测

1.负荷预测的内容

电力系统负荷预测包括最大负荷功率、负荷电量及负荷曲线的预测。负荷功率预测对于确定电力系统发电设备及输变电设备的容量是非常重要的。

2.预测的基本过程

调查和选择历史负荷数据资料，并对历史资料的进行整理。由于正常情况下地区负荷的峰谷差，最大、最小负荷出现的时间变化不大，所以在选取需要的历史资料时要就近选取。对所收集的与负荷有关的统计资料进行审核和必要的加工整理，并对所用资料进行数据分析和预处理，（即对历史资料中的异常值的平稳化以及缺失数据的补遗）来保证资料的质量，从而为保证预测质量打下基础，即要注意资料的完整无缺，数字准确无误，并对不可靠的资料加以核实调整。进行人工事件设置。查找预测日是否有计划检修和非计划检修，天气状况是否有巨大变化，然后对相应项目进行人工设置。预测程序在进行预测时自动考虑这些事件对预测负荷的影响，可以达到提高预测准确度的目的。运用各种预测方法建立负荷预测模型，对负荷进行科学预测。摸清规律，综合分析。负荷变化在每一个地区都是有规律可循的。有了基础负荷的掌控，加之对不同大用户的生产计划规律、节假日负荷历史变化规律的比对、节令气象变化等规律综合分析，加大对负荷预测的综合考量。

3.预测的基本步骤

在进行负荷预测时可按一下六步进行，“一步”细化全天时区，将日负荷曲线划分为凌晨、早高峰、下午、晚高峰四个时段预测，扩充曲线参考范围；“二步”结合停电计划、量化停电负荷，细致记录特殊事件；“三步”评估天气预报，敏感天气关联负荷，建立天气负荷数据库；“四步”分析假日特性、定性定量分析特殊日曲线，把握特殊曲线规律；“五步”做好日周月年总结，建立负荷数据库；“六步”每日自我评价、跟进负荷预测准确率变化曲线，及时发现近期准确率的异常情况，积极反馈，调整提高。

4.预测的基本原则

因事制宜，对策到位。对各类偶发事件影响因素的对策，电网事故、检修变化等情况，尽量缩短其持续时间，降低负荷变化对预测的影响。对节假日负荷变化较大的情况，分析历史五年节假日负荷曲线，进行统计分析，按不同节假日制定不同的预测对策。对恶劣天气影响因素，与气象部门联系，签订协议，按时获取详细的天气预报信息，及时对预测曲线进行修正。对大用户负荷波动影响因素的对策，建立联系机制，做好生产情况调查，尽量把大用户负荷波动对负荷预测的影响降到最低。

实际加经验，科学研判。发挥经验，准确研判不同时期负荷变化规律，制定对策措施。日常的短期预测遵循“远小近大”的原则，优先参考近几日历史曲线，同时参考同类型历史实测曲线。节假日短期预测遵循“远大近小”的原则，优先参考同类型历史实测曲线，确定预测曲线的基本形状，同时参考近几日历史曲线来确定预测负荷。实时掌握方式安排、“峰谷”点负荷变化等，加以调整，确保工作有的放矢。

三、电力负荷预测的影响因素

1.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。由于天气变化大，负荷大幅波动，造成负荷预测的难度加大。

2.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。在和正常工作日的横向比较中，节假日期间可供研究的负荷数据较少，各种随机波动因素都会干扰符合。不过就同一节假日的纵向比较来说，每年的负荷曲线都呈现出比较相似的变化趋势。这也能为节假日负荷预测提供可借鉴的依据。

3.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。一般情况下，大工业用户连续生产情况下日常用电负荷相对稳定。不过自身的设备原因或外部因素变化的情况下，偏差出现的可能性也是存在的。比如设备发生临时故障或天然气来量不足等现象都可能造成用电负荷突变，影响负荷预测准确率。

4.负荷特性分析和预测方法的影响

目前，由于很多地区在负荷种类结构以及变化因素上的统计分析工作不够深入系统，导致在需要历史数据进行对照时无法展开工作，对于负荷特性和相关变化规律的总结也就无从谈起。而现实当中，不少电网的调度机构预测曲线的制作时仅凭预测人员的经验办事，科学使用的预测软件应用率比较低。而人工经验为主要手段预测由于数据性不强、方式单一，其预测结果也有一定的局限性。

5.管理与政策的影响

负荷预测是一项技术含量很高的工作，然而负荷预测工作在很多地区还没有得到足够的重视，基础工作薄弱，考核标准过于宽松，与大用户的信息沟通不畅，大用户的用电缺乏计划性和有序性；预测人员缺乏良好的综合素质、较高的分析能力和丰富的运行经验，不适应高标准工作的要求。

参考文献：

[1]孙振，路洋.电力系统负荷预测方式综述.黑龙江电力，2005，27（4）：260-262

电力系统负荷预测研究 第7篇

随着社会经济的不断发展,人们生活水平得到了很大提高,但与此同时用电消耗也大大增加,从而使电力系统承受了巨大的压力。因此,电力企业必须采用科学合理的维护方法来预测市场用电负荷。

1 电力系统负荷的特点

根据性质的不同可以将电力系统负荷分为4大类:商业型负荷、工业型负荷、城市民用负荷以及农村负荷。这4种负荷由于类型各不相同,因此在负荷特点方面存在一定的差异,但这不能否认其共性的存在。总体来说,电力系统负荷具有2个鲜明的特点,其一是季节性波动,其二是变化特性。

1.1 季节性波动

城市民用负荷是电力系统负荷中的重要组成部分,其中城市居民负荷在城市民用负荷中占有主导地位,这是因为居民负荷所占比例较大,因此是城市民用负荷的决定性因素。居民日常生活离不开电,在日常工作和生活中都会消耗大量电能,因此导致用电负荷增长过快。城市居民负荷增长表现为多个方面,从目前情况来看,居民电力消耗大部分来源于家用电器,家用电器是用电负荷过高的主要原因,特别是近年来,随着我国经济的快速增长,家用电器造成用电负荷快速增长已成为一个发展趋势,并且这种趋势还将维持下去。城市居民负荷还会随着季节的变化而出现波动,这一点其实仍与家用电器有关。城市居民对于家用电器的依赖性非常强,夏季会使用家用电器降温,如空调和电扇等;冬季则会使用家用电器取暖,例如用取暖器保持屋内的温度。居民在使用家用电器的时候必然会消耗大量电能,这样一来便造成用电负荷增长过快,出现用电负荷的高峰期。由此可以看出,用电负荷随着季节变化出现波动源于居民对家电的使用频率,因此,用电负荷变化与人们的作息规律是息息相关的。在商业负荷中,大部分都是空调和照明产生的高负荷。这种负荷与城市居民负荷有着非常明显的差异,其覆盖面非常大,并且波动性很小。但是商业负荷也具有季节波动性,原因与城市居民负荷类似。

1.2 变化特性

变化特性主要从农业负荷中体现出来。农业负荷不会像居民用电和商业用电那样有高峰期,它不会突然导致用电负荷增长,但其也有着自身的不稳定性。这是因为天气情况和季节气候对于农业影响巨大,特别是在温度方面,随着温度变化农业用电会出现波动,这种波动幅度不会很大,而是一种持续性变化的过程。

在绝大多数用于负荷预测的神经网络中,小波基中含有伸缩因子和平移因子,通过调整其大小就可以改变小波窗口的大小、位置和形态,而这种调整在小波网络的训练过程中是自适应的。因此,短期负荷预测中,气象等不确定因素往往对负荷有重要影响,如难以合理确定网络结构、存在局部最优等,并且随着网络规模的增大这些缺陷会表现得越来越突出。为此,加强又对电力系统负荷预测的研究,是电力系统运行和调度部门的一项重要工作。

2 具体负荷预测方法

2.1 时间序列法

时间序列法是一种使用较为广泛的负荷预测方法,它在负荷预测法中比较常见,一般对短期负荷预测来说比较有效,是一种相对成熟的预测方法。时间序列法的原理并不复杂,它是利用时间顺序数据来预测未来发展的一种方法。这个数据是按照时间顺序排列的,也就是说它不仅可以反映出现在的信息,还可以将这种变化趋势延续到以后。随机过程中时间序列是非常平稳的,它的数据变化是有规律可循的,因此在电力系统负荷预测中利用时间序列法应遵循该原则。在观测序列的过程中,必然会存在着一种规律性,这种规律性在随机过程中无处不在,时间序列法就是要根据这种随机特性来建立一种序列模型,这个模型反映出了序列的随机过程,利用这个模型可以很好地预测电力负荷。时间序列法相对其他预测方法而言优势非常明显,它在预测过程中不需要用到很多历史数据,并且其工作程序并不复杂,甚至可以说非常简便,这对预测人员来说十分重要。因为这样可以减轻他们的工作强度,而且让预测工作更加顺利。除此之外,由于操作简单,时间序列法的计算速度非常快。但是时间序列法同样存在着一定的缺陷,它依赖于时间顺序中的数据,因此忽略了时间序列的规律性,虽然计算速度很快,但是精确度却不高,而且时间序列法只适用于短期预测,对于长期电力负荷预测来说并不适用。

2.2 回归分析法

回归分析法也是电力系统负荷预测中常见的方法,它不受时间限制,在预测原理方面与时间序列法存在很大的差异。回归分析法的原理就是对大量的历史数据进行分析和处理,这些历史数据实际上是过去的统计数据,在观察大量数据之后,可以利用统计方法来确认自变量和因变量之间的关系,并根据这个关系建立一个方程式,这个方程式就是回归方程,利用回归方程可以继续向外推算,从而预算未来的数据情况。同样,在电力系统负荷预测中采用回归分析法也是运用了这个原理。回归分析法就是对电力系统曾经的历史资料进行分析,并且充分掌握用电负荷的影响因素,然后根据所得的信息建立一个数学模型,在用电负荷预测中采用回归分析法,利用数据统计,根据观察模型反映出的数据变量情况来获取相关的信息,达到预测的目的。回归分析法同样存在一定的优点和缺点。优点同时间序列法相似,由于它们都是利用负荷反映的数据进行分析预测,因此预测速度都很快。但是不同之处在于回归分析法适合于短期和中期的预测,也就是说它在时间上的限制较小。另外,回归分析法还有一个明显的优点,它的预测精度比较高,这是时间序列法不具备的,因此,在一些专业的电力系统负荷预测中采用回归分析法比较合适。回归分析法也存在着不足之处,例如它对数据有着严格的要求,并且在数据统计上比较复杂。这是因为回归分析法就是建立在电力系统历史数据基础上的,因此它只能通过数据进行预测,而无法详细说明用电负荷的影响因素。

2.3 趋势外推法

用电负荷受气候、季节、温度的影响较大,因此它是无法确定的,变化和波动较大,再加上受意外事故等影响,因而其在变化趋势上具有一定的随机性。但这些并不能否定用电负荷的规律性,这是因为它受季节、气候等的影响,但是季节、气候有一定的规律性,因此用电负荷在变化趋势上也有一定的规律可循。例如,从季节上来看,用电负荷会随着季节的变化而变化,这种变化是周期性的,也就是说,随着季节的轮转,用电负荷会周期性循环。趋势外推法就是利用了用电负荷的这种周期性特点,因为一旦掌握了这种变化的趋势,预测人员就可以根据趋势的特点推断出未来的用电负荷。趋势外推法非常实用,但是受外界的干扰较大。

3 结语

总之,随着电力系统日益庞大,各个方面因素的影响使得负荷变化的不确定性增加,这也加大了负荷预测的难度。为此,电力系统的运行必须以用电负荷预测为前提条件,因为只有准确地预测用电负荷,才能合理地规划城市电网,节约成本,提高电力系统的经济效益。

参考文献

[1]胡杰.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)

[2]王健.母线负荷预测系统的研究与实现[D].湖南大学,2009

电力系统负荷预测方法综述 第8篇

关键词：电力系统,负荷预测,预测模型

0 引 言

电力系统是由发电厂、输电线路、配电系统及负荷组成的复杂系统。电力系统的经济运行是在满足安全和一定质量要求的条件下尽可能提供运行的经济性,即合理地利用现有的能源和设备,以最少的燃料消耗量(或燃料费用、运行成本)保证对用户可靠而满意地供电。负荷预测作为能量管理系统(EMS))电力市场运行管理的重要组成部分,其预测结果同电力系统的安全、经济运行密切相关[1,2]。

电力负荷预测是指定发电计划和电力系统发展规划的基础。负荷预测根据用于不同目标一般可分为超短期、短期、中期和长期预测[3]。超短期负荷预测指未来一小时内的负荷预测,主要用于电能质量控制、安全监视、预防和紧急控制等;短期负荷预测指未来一天到一周的负荷预测,主要用于机组优化组合、经济潮流控制、水火电协调等;中期负荷预测指提前几个月到一年实施的负荷预测,主要用于水库调度、燃料计划及机组维修等;长期负荷预测指提前若干年实施的负荷预测,主要是对电网的改建、系统的远景规划、新电厂的投建等。

近年来负荷预测的手段已由人工预测方式逐步被计算机预测方式所代替。这使得大量负荷预测方法和预测模型的采用成为可能,为提高负荷预测精度创造了有利条件。负荷预测的核心问题是如何利用现有的历史数据(历史负荷数据和气象数据等),采用适当的预测方法对未来时刻或时间段内的负荷值和电量值进行估计。进行负荷预测要具备两方面的条件:一是历史数据信息的可靠性;二是预测方法的有效性。由于现在电力系统管理信息系统的逐步建立以及气象部门气象预测水平的提高,各种历史数据的获取已不再困难,因此负荷预测的核心问题是预测方法的预测能力水平高低。

1 传统的负荷预测方法

电力负荷的一大特点是其明显受到各种环境因素的影响,如季节更替、天气因素突然变化、设备事故和检修、重大社会活动等,这使得负荷时间序列的变化出现非平稳的随机过程。传统负荷预测方法对于这些因素的处理通常显得不够有效,传统理论和方法主要包括以下几种:

1)趋势外推法[1]:

趋势外推法是根据负荷的变化趋势对未来负荷情况进行预测。电力负荷虽然具有随机性和不确定性,但在一定条件下,仍存在着明显的变化趋势,例如农业用电,在气候条件变化较小的冬季,日用电量相对稳定,表现为较平稳的变化趋势。这种变化趋势可为线性或非线性,周期性或非周期性等等。选择合适的趋势模型是应用趋势外推法的重要环节,图形识别法和差分法是选择趋势模型的两种基本方法。

2)时间序列法[3,4]:

时间序列法把负荷数据看作是一个按季节、按周、按天以及按小时周期性变化的时间序列并将实际负荷和预测负荷之间的差值看作一个平稳的随机过程进行分析和处理。时间序列法又分为确定型时序法和随机型时序法,前者包括时间序列平滑法、时间序列分解法和谱展开法等;后者包括马尔可夫法、Box-Jerkins法(又称ARMA模型法)和状态空间法等。

3)回归分析法[5,6]:

回归分析法是根据负荷过去的历史资料,建立可进行数学分析的数学模型,对未来

的负荷进行预测。其特点是将预测目标的因素作为自变量,将预测目标作为因变量,具有较强的内插能力。回归分析法属于相关法预测,它通过建立某些解释变量与负荷之间的因果关系(用函数表达)而获得负荷预测。由于影响负荷因素的多样性、突发性和随机性,造成传统的负荷预测误差大,在扰动情况下不具备鲁棒性,对节假日等特殊负荷模型的预测效果差,无法满足实用化的精度要求。

4)灰色模型法[7,8]:

灰色系统理论是研究解决灰色系统分析、建模、预测、决策和控制的理论,近年来,它已在气象、农业等领域得到广泛应用。从电力系统的实际情况可知,影响电力负荷的诸多因素中,一些因素是确定的,而另一些因素则是不确定的,故可以把它看作是一个灰色系统。灰色系统具有计算简洁、精度高、实用性好的优点,它在电力负荷预测中已有很多成功的应用。该方法适用于短、中、长三个时期的负荷预测。在建模时不需要计算统计特征量,可以使用于任何非线性变化的负荷指标预测。但其不足之处是其微分方程指数解比较适合于具有指数增长趋势的负荷指标。对于具有其它趋势的指标则有时拟和灰度较大,精度难以提高。

2 人工智能的负荷预测方法

近年来,一些基于新兴的人工智能学科理论的现代预测方法逐渐得到了成功应用。这其中主要有神经网络理论、专家系统、模糊理论预测法等。

2.1 人工神经网络[9,10]

人工神经网络是一门涉及生物、电子、计算机、数学和物理等学科的交叉学科,它从模仿人脑智能的角度出发,来探寻新的信息表示、存储和处理的方式,设计全新的计算处理结构模型,构造一种更接近人类智能的信息处理系统来解决传统计算机难以解决的问题,它必将大大促进科学的进步,并具有非常广泛的应用前景。神经网络具有很强的自主学习、知识推理和优化计算的特点,以及非线性函数拟合能力,很适合于电力负荷预测问题,它是在国际上得到认可的实用预测方法之一。用于负荷预测的人工神经元网络有BP网络、RBF网络、Hopfield网络、Kohonen自组织特征映射等,以及将小波理论结合得到小波神经网络。

2.2 专家系统预测法[11,12]

专家系统是将专家在实际工作中对事物获得的感性认识进行提取,建立知识库,并在系统的实际运行过程中对知识库不断进行更新和维护,以跟随事物的变化轨迹,达到模拟专家的目的。它具有像人类专家一样大量的专门知识,它能够根据具体情况灵活运用这些知识,并根据不确定和不完整的证据得到较好的结论。专家系统用于短期电力负荷基本上达到了令人满意的效果,但把专家知识转换为一系列的数学规则是较难实现。专家系统分析本身就是个耗时的过程,并且某此复杂的因素(如天气因素)即使知道其对负荷的影响,但要准确定量地确定其影响十分困难。

2.3 模糊神经网络法[13]

模糊逻辑和模糊推理是专门用来推导不确定性问题的理论。模糊推理系统用一组模糊if-then规则来表示系统输入输出之间的非线性映射关系,通过对输入输出空间的划分,模糊推理系统可以逼近任意复杂的非线性关系。其规则含义较为清晰直观,规则结构适合描述不同种类变量之间的复杂关系。基于模糊理论的模糊神经网络结合了模糊逻辑和神经网络的优点,补偿各自的不足,有效的定义了模糊理论中的语言变量和规则库,并充分利用了神经网络的自学习能力。

3 时频分析的负荷预测方法

针对电力系统本身具有的负荷以天、周、年为单位发生周期性波动的特点,可以将负荷按变化的频率进行分类,从而在频域中讨论负荷预测方法。

3.1 傅里叶分析法[14]

傅里叶分析是最常用的频谱分析方法,具有快速可靠的分析特性。采用快速傅立叶变换进行负荷数据的预处理,可以利用滤波算法及单位时间负荷曲线的频谱分析对数据进行分析,得出被研究系统负荷的周期特性,继而提取反映被预测系统负荷真实特性的信息。

3.2 小波分析法[15]

小波分析吸取了现代数学中诸如泛函分析、数值分析、傅里叶分析、样条分析、调和分析等众多分支的精华。它在时域、频域同时具有良好的局部化性质。小波变换能将由各种不同频率交织在一起的混合信号分解成不同频带上的块信号。通过对含有周期特性的负荷序列进行小波变换,可以将各子序列分别投影到不同的尺度上,子序列分别代表了原负荷序列中不同“频域”的分量,因而各子序列的周期性更加明显,使用周期自回归模型有选择的对分解序列进行预测,最后对各分量预测信号进行重构得到最终预测结果。

4 动态过程描述的负荷预测方法

4.1 混沌理论[16]

混沌理论是非线性科学的重要组成部分,是确定的非线性动力学系统中出现的随机现象,是不含外加随机因素的完全确定的内在随机行为,产生这一随机现象的本质是系统内部的非线性作用机制,但并非任何非线性系统都会产生混沌。由于非线性电力负荷系统具有混沌特性,便可以将混沌时间序列对负荷进行描述,即对负荷时间序列进行相空间重构,最终在重构相空间中进行预测,预测方法可以选择神经网络法,或卡尔曼滤波法。

4.2 卡尔曼滤波算法[17]

卡尔曼滤波算法(KF)提供了一种高效可计算的方法来估计过程的状态,并得到均方误差最小意义上的最优估计。在负荷预测中把负荷作为状态变量,用卡尔曼滤波算法进行预测。卡尔曼滤波算法是递推进行的,它适用于在线预测。对于负荷预测,精度是关键。预测方法中必须尽可能应用数据的统计信息,并缩短预测时间。应用极大似然估计的卡尔曼滤波方法进行超短期负荷预测,使得参数辨识、偏差处理和负荷预测统一于卡尔曼滤波过程中,可以提高预测精度,并缩短预测处理时间。卡尔曼滤波算法所建的负荷模型是线性的,且过于简单,要用于复杂系统的负荷预测,可以使用扩展卡尔曼滤波算法(EKF)或Sigma-point Kalman滤波(SPKF)[18]。SPKF是一种新的将KF算法应用与非线性系统的方法,相比传统的EKF方法使用泰勒级数将非线性系统离散线性化的做法,SPKF可以将非线性系统对象黑箱方式处理,且其计算量更小,更容易实现。SPKF又根据对非线性系统处理方式的不同分为Unscented Kalman滤波(UKF)和Central Difference Kalman滤波(CDKF)[19]。

5 结束语

无论是传统的负荷预测方法或是先进的智能预测方法,都有缺点和不足之处,所以结合各种预测模型优点的组合方法将会得到越来越多的关注。例如,可以把模糊理论和神经网络结合起来,利用模糊理论的模糊数据处理能力和神经网络的强大的非线性映射能力来进行负荷预测。也可以将灰色预测技术与神经网络方法相结合,综合灰色预测所需原始数据少、方法简单,而神经网络具有非线性的拟合能力的特点,来提高预测精度。今后的负荷预测研究应该在做好多种方法融合的基础上,进一步寻求新的理论和手段。

电力系统负荷的预测方法 第9篇

关键词：电力系统,负荷,预测,方法

1 负荷预测概念

电力负荷预测是实时控制, 运行计划和发展规划的前提是在电力系统中, 负荷指电力需求量或用电量。需求量是能量的时间变化率, 即功率。负荷预测包括两方面的含义:对未来需求量 (功率) 的预测和未来用电量 (能量) 的预测, 对功率的预测用来决定发电设备的容量, 以及相应的输电和配电的容量。对能量的预测决定了应当安装何种类型的发电容量。

2 负荷预测的特点

由于负荷预测是根据电力负荷的过去和现在推测它的未来数值, 所以负荷预测工作研究对象是不肯定时间、随机时间、需要采用适当的预测技术和模型, 推出负荷的发展趋势和可能达到的状况。其特点如下:负荷预测的不准确性, 负荷预测的条件性, 负荷预测的时间性, 负荷预测的地区效应, 负荷预测的多方案性。

3 负荷预测的具体有关方法

3.1 时间序列法:

时间序列法是对给定的一段时间的历史负荷记录, 提取出基本负荷分量、天气敏感负荷分量和特虽事件负荷分量后, 剩余的残差即为各时刻随时负荷分量, 可以盾成是随时时间序列, 目前最有效的方法是BOX-JENKINS的时间序列法。

3.2 卡尔曼滤波分析法:

把负荷作为状态变量建立状态空间模型, 用卡尔曼滤波算法实现负荷预测。这种算法是在假定噪声的统计特性已知的情况下得出, 事实上估计噪声的统计特性是该方法应用的难点所在。此算法适用在线负荷预测。

3.3 回归分析法:

回归预测是根据负荷过去的历史资料, 建立可以进行数学分析的数学模型, 对未来的负荷进行预测。其特点是将预测目标的因素作为自变量, 将预测目标作为因变量。回归分析法中, 自变量是随机变量, 因变量是非随机变量, 根据给定的多组自变量和因变量资料, 研究各种变量之间的定量关系, 预测系统将来的负荷值。

3.4 指数平滑预报法:

用过去数周的同类型日的相同时间的负荷组成一级时间肯序的Y (T) Y (T-1) Y (T-2) 对该数组进行加权平均, 计算时应该加大新近数据的权系数, 减小陈旧数据的权系数, 以体现过程的时变性。

3.5 模糊预测法:

应用模糊逻辑和预报人员的专业知识将数据和语言形成模糊规则训, 然后选用一个线性模型逼近非线性动态的系统负荷。从实际应用来看, 单纯的RUM方法对于负荷预测, 精度往往不尽人意, 这主要是因为RUM, 预测没有学习能力, 这一点对于不断变化的电力系统来说, 是极为不利的。

3.6 人工神经网络方法:

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, 然后构造适意的网络结构。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。一般而言, ANN应用于短期负荷预测要比应用于中长期负荷预测更为适宜。因为短期负荷变化可以认为是一个平稳随机过程, 而长期负荷预测与国家或地区的政治、经济政策等因素密切相关, 通常会有些大的波动, 而并非是一个平稳随机过程。

3.7 优选组合预测法:

优选组合预测有两类概念, 一是指将几种预测方法所得的预测结果, 选取适当地权重进行加权平均;二是指在几种预测方法中进行比较, 选择拟和优良最佳或标准离差最小的的预测模型进行预测。组合预测方法是建立在最大信息利用的基础上, 它最优组合的多种单一模型所包含的信息。在建立模型时有两方面的限制:一个是不可能将所有在未来起作用的因素全包含在模型中, 另一个是很难确定众多参数之间的精确关系。所以其预测精度提高很受限制。

3.8 灰色模型法:

灰色系统理论将一切随机变化量看作是在一定范围内变化的灰色量, 常用累加生成 (AGO) 和累减生成 (LAGO) 的方法, 将杂乱无章的原始数据整理成规律性较强的生成数据列, 用灰色模型 (GM) 的微分方程作为电力系统单一指标 (如负荷) 的预测时, 求解微分方程的时间响应函数表达式即为所求的灰色预测模型。对模型的精度和可信度进行校验并修正后, 即可根据此类模型预测未来的负荷。此法适用于短、中、长三个时期的负荷预测。在建模时不需要计算统计特征量, 从理论上讲, 可以使用于任何非线性变化的负荷指标预测。但其不足之处是其微分方程指数解比较适合于具有指数增长趋势的负荷指标。对于具有其它趋势的指标则有时拟和灰度较大, 精度难以提高。

3.9 专家系统法:

所谓专家系统法, 是对数据库里存放的过去几年的, 每小时的负荷和天气数据进行细致的分析, 从而汇集有经验的负荷预报人员的知识, 提取有关规则, 按照一定的规则推理进行负荷预测。专家系统是对人类的不可量化的经验进行转化的一种较好的方法。若能将它与其他方法有机地结合起来, 构成预测系统, 将可得到满意的结果。但专家系统分析本身就是一个耗时的过程, 并且某些复杂的因素 (如天气因素) 即使知道其对负荷的影响, 但要准确, 定量地确定他们对负荷地影响也常常是很困难的事。

3.1 0 小波分析侦测技术:

小波分析是一种时域频域分析法, 它在时域和频域上同时具有良好的局部化性质, 并且能根据信号频率高低自动调节采样的疏密, 它容易捕捉和分析微弱信号以及信号、图像的任意细小部分。其优点是:能对不同的频率成分采用逐渐精细的采样步长, 从而可以聚集到信号的任意细节, 尤其是对奇异信号很敏感, 能很好地处理微弱或突变的信号, 其目标是将一个信号的信息转化成小波系数, 从而能够方便处理、储存、传递、分析或被用于重建原始信号。这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。

结束语

负荷预测是ANN在电力系统应用中最合适得到一个领域, 也是到目前为止研究的较多的一个课题。初步成果表明, 预测结果可能比其他方法更准确, 具有实用的前景。但这种方法在实施时有很多实际问题需要解决, 且这些问题与具体系统情况有关, 针对不同需要选择最适合的负荷预测方法。

参考文献

[1]牛东晓, 曹树华, 赵磊等.电力负荷预测技术[M].北京:中国电力出版社, 1999.

配网电力负荷管理系统 第10篇

提高电力企业的用电营运管理水平, 建立区域乃至全国统一性的智能化的电力生产管理市场, 已经成为所有电力生产、管理企业的共识。特别是电力管理企业对降低线损减少成本, 提高经济效益、防窃电、防污染, 治理电网污染产品的要求越来越迫切。由此对远程抄表及关口表及配电变压器、大用户负荷点工况监控的产品需求越来越强烈。因此发展远程集中抄表和电力负荷管理终端及配变电计量监测系统终端、谐波治理产品, 为电力生产管理企业的客户服务、用电稽查、防窃电、错峰用电、安全用电、优质供电、缓解用电紧张, 提供可靠的技术保障。

应用电力负荷管理系统是开展电力需求侧管理工作的重要内容, 是实施电力需求侧管理的有效技术手段, 对实现科学、有序供电具有十分重要的作用, 是对国家、社会、电力企业、电力用户均有利的一项重要措施。在电力紧缺时, 电力负荷管理系统的应用是缓解电力供应紧张状况, 提高电力使用效率的重要措施。

2 概况

汉中市区电力局全局直接管辖电力客户13.7万余户, 其中10k V专变用户1182户、容量268793k VA, 城镇客户4.59万余户, 农村客户9.1万余户;2008完成售电量3.7亿千瓦时, 售电收入2.15亿元。

2007年以前, 汉中市区电力局共安装江苏银河公司负荷管理终端60台, 在运行中部分终端出现黑屏, 致使无法正常抄表计费, 影响用户的正常用电和电力部门电费的抄、核、收工作。

目前我局对10k V新增用户变压器 (容量50k VA及以上) 按规定要求安装了用电管理终端。并对以前的专变用户 (50k VA以上用户) 的计量装置安装了用电管理终端, 共安装用电管理终端730台。

3 工作原理及实现的功能

用电管理终端采用高速32位嵌入式处理器+DSP的高性能CPU, 通过高精度AD转换器对二次侧电压进行高速的采集、分析、运算, 并将记录下的各种数据存储在FLASH中;通过先进的GPRS公用无线通信技术, 在远方主站可以召测实时数据、历史数据并可以实现功率控制、电量控制和远方直接控制。

用电管理终端系统功能如下。

(1) 支持多种通讯方式:软件支持串口、红外、GPRS、CDMA和SMS等多种通讯方式。

(2) 终端参数配置:软件支持终端进行本地和远程参数下载, 可配置参数有:标准参数、测量点参数配置、扩展参数、运行参数等。

(3) 终端状态配置:软件支持终端状态量进行本地和远程配置, 可配置状态量有:告警屏蔽字、报警次数限制、调试输出开关等。

(4) 终端测量点数据读取:软件支持读取终端测量点数据, 同时支持DL/T645协议。

(5) 终端命令操作:软件可以执行下列命令, 配置工程方案、软件下载命令、软件自动校准、测试告警点数据、下载清电能、格式化硬盘、禁止异常等。

(6) 终端任务配置:软件支持对终端进行普通任务、异常任务和中继任务等进行配置。

(7) 分析终端告警信息:软件可以进行告警信息召测, 对上报信息 (支持主动上报) 进行实时采集分析处理。

(8) 在线批量下载:软件按照现场需求支持多个终端同时进行下载。

对已安装管理终端的用户实现了以下功能管理。

3.1 用电监测功能

实时采集用户用电的三相电流、三相电压、三相及总的有功功率、无功功率、视在功率、功率因素, 电网周波。

(1) 提供电网状态如过压、欠压、断相、超负荷、失压、电流不平衡等信息。

(2) 提供需量和最大需量及其发生时间。

3.2 用电检查

(1) 能记录失压、断相、三相不平衡、过压、欠压等事件。

(2) 能统计电压越限时间和电压合格率。

(3) 能及时发现计量表计故障如电晕飞走、停走、电池异常等信息。

(4) 所有事件发生时间能记录现场的一些参数, 供分析处理。

3.3 异常信息报警

告警信息实时显示。

3.4 数据存储

除实时数据外所有数据均自动保存, 存储容量为8MB, 保存时间不少于10年。

3.5 抄表功能

以RS485通信的方式实现对用户侧计量用电电子式电能表远程抄表, 最多支持8块电能表。

自动抄表的数据包括:正向有功电量 (总、尖、峰、平谷) 、反向有功电量 (总、尖、峰、平谷) 、正向无功电量 (总、尖、峰、平谷) 、反向无功电量 (总、尖、峰、平谷) 、Ⅰ/Ⅱ/Ⅲ/Ⅳ象限无功电量 (总、尖、峰、平谷) 、最大需量及其发生时间、电流/电压/功率/功率因数等。

4 应用前景

通过对电流、电压直接交流采样, 并通过RS485与计量用电子式电能表进行互联, 并将采集到的数据通过GPRS/CDMA上送给主站, 同时可以接受来自主站的定值、参数设置、直接跳合闸指令, 实现功率控制、电量控制和直接控制功能, 实现了对终端电力用户进行自动抄表、负荷控制和用电检查等功能。其技术主要突破有:集中了多功能电能表、电能量采集器、电压监测仪、谐波分析仪、GPRS/CDMA通信终端、负荷控制终端等6种设备的功能;首次将MSA (嵌入式处理器和DSP合二为一) 结构的高性能CPU应用于用电管理终端, CPU速度高达600MHZ。

用电管理终端利用现代电子技术、无线公网通信和网络通信技术实现了对终端电力用户进行自动抄表、负荷控制和用电检查等功能, 本装置安装在电力终端用户侧, 可以与系统中央主站之间采用GPRS/CDMA通信方式, 该装置是电力企业抄表营业收费、电力负荷调度和用电检查的有力武器, 同时又为电力终端用户节约用电、合理用电提供了科学的依据。通过对电流、电压直接交流采样, 并通过RS485与计量用电子式电能表进行互联, 并将采集到的数据通过GPRS/CDMA上送给主站, 同时可以接受来自主站的定值、参数设置、直接跳合闸指令, 实现功率控制、电量控制和直接控制功能。

随着我局电能计量装置的更新、更换, 我们不但为用户专变安装用电管理终端, 还将在城市和农村综合变压器安装用电管理终端, 在实现对用户进行负荷监控、用电检查、数据采集的同时也要对公用变压器进行负荷监控、用电检查、数据采集, 以便及时了解每台变压器的负荷情况, 防止过负荷烧毁配变设备事故发生。同时还可以进行线损分析、负荷预测等。为电力企业和用户在降损节能、维护管理方面提供重要的科学依据。

5 存在的不足

系统负荷和附加功能也重要 第11篇

2013年年初CHIP对杀毒软件进行过一次测试，现在再次测试杀毒软件，乍一看似乎这些软件并没有太大的变化，大部分软件自上次测试之后并没有什么技术创新，只有一些功能名称和操作界面可以算是新东西。然而事实证明，许多软件更新之后在减轻系统负荷方面都有了很大的进步。

我们的测试表明，所有的杀毒软件对于恶意软件的检出率几乎都是完美的，即使是在检测未知的恶意软件时也是如此。70个可能感染电脑的未知病毒，基本上都能够被检测出来。此次测试中唯一全新的是G Data的病毒扫描引擎，以往，G Data使用BitDefender和Avast两个第三方的扫描引擎，2014版本中Avast的扫描引擎已经被一个新开发的扫描引擎所替代。无论人们对G Data这种使用第三方病毒扫描引擎的杀毒软件是否接受，G Data虽然不是一个技术创新型的杀毒软件，但是在结合了签名检测、试探法、行为检测和云分析等众多技术的情况下，G Data在我们的测试中证明了自己的价值。双引擎的效果也同样得到了肯定，G Data能够检测出每一个未知的恶意程序。

通常，杀毒软件对于恶意软件的检出率高意味着可能误报率也居高不下，不过，在此次测试中并没出现这样的情况。测试中的软件有7个没有产生任何误报，最不如人意的是F-Secure公司的杀毒软件，它出现了4次误报，其中一个误报的文件甚至只是一个备份工具，这导致了该软件在恶意软件防护方面的测试得分受到了影响。不过，虽然此次测试的杀毒软件的检出率和误报率令人满意，但是在为受感染的系统杀毒的效果方面，许多软件仍有改善的余地。杀毒软件无论是实时对系统执行检查和清理病毒，还是通过软件创建光盘或者闪存盘启动电脑进行杀毒，都能够检测出所有测试系统中感染的病毒，但是却没有一个杀毒软件能够完全将系统清理干净。

提高安全性的附加功能

除了恶意软件检测功能之外，杀毒软件的附加功能也可以提高电脑的安全性。此次测试中的3个测试程序（BitDefender、F-Secure、卡巴斯基）提供了一个银行模式，它可以在检测到用户访问网上银行登录页面时自动打开安全浏览器。当然，银行模式的自动化操作是在用户的设置或者许可下执行的，并且用户还可以将需要调用安全浏览器的链接存储在杀毒软件中，需要访问时直接从软件中打开，防止网络钓鱼攻击。所谓安全浏览器是运行在沙箱中的，这意味着其他应用程序无法访问安全浏览器处理的数据。此外，卡巴斯基还为安全浏览器提供了一个用于输入登录信息的虚拟键盘，进一步提高了安全性。

BitDefender、赛门铁克和Trend Micro的杀毒软件集成了密码安全功能，BitDefender除了存储和保护密码之外，还可以保护表单项目。Trend Micro则更进一步，对于用户保存在杀毒软件中的信用卡和电话号码，软件还可以防止用户无意中通过电子邮件或即时通讯工具向外传送这些数据。BitDefender还提供了一个漏洞分析功能，能够扫描系统中安装的软件是否存在相应的安全漏洞。这种特殊的附加功能对于系统的安全非常有帮助，因为应用程序中存在的漏洞有可能会被恶意软件所利用。除了BitDefender，卡巴斯基、McAfee和Avast也提供此功能，不过，在Avast的免费版本中，该功能不支持自动更新应用软件，只有商业版本才支持。ESET没有提供上述这些特殊的附加功能，但却提供了一项类似智能手机等移动设备的防盗保护功能（见本文最后一页）的笔记本电脑跟踪功能。

杀毒软件并不只有优点

此次CHIP测试的各种杀毒软件在系统负荷方面的表现有着非常明显的差异，卡巴斯基的表现遥遥领先于其他杀毒软件，这也是该软件成为此次测试胜利者的主要因素。该软件在一些相关的测试项目中表现非常好，例如在检测下载文件和打开Office文档时的检查项目。最重要的是，卡巴斯基这一杀毒软件在所有的测试项目中都没有出现异常。而此次测试的其他软件，在一些项目中的表现则差强人意，如Trend Micro在扫描时，有时候需要花费很长的一段时间；ESET的扫描引擎有时需要花很多的时间去处理下载某个特定文件的操作；McAfee的扫描引擎需要很长的时间来处理从本地网络上复制过来的文件；G Data则在网站加载方面落后于其他的杀毒软件，虽然差距并不是太大。

越来越多的制造商在杀毒软件中加入了优化系统的工具，以帮助用户提高系统的性能。McAfee、Trend Micro和赛门铁克提供的系统优化工具能够找出并删除多余的文件与注册表；AVG的免费版本能够为系统提供优化分析，但是只有商业版本能够提供优化操作。

G Data、Trend Micro和赛门铁克提供的启动管理器能够为用户带来一些便利，如果系统的启动速度比较慢，启动管理器能够帮助我们找出Windows不应该在启动过程中自动加载的应用程序以及应该延迟启动的程序（也就是启动速度慢且并不需要在系统启动时马上启动的程序）。当然，在Windows中键入“msconfig”打开“设置配置”工具，我们同样也能够通过“启动”选项卡管理这些自动加载项目。但是通过杀毒软件的启动管理器进行管理将更加便利。对于杀毒软件来说，它们倾向于让用户在一个应用程序中完成各种需要的操作，而不是使用各种工具来实现所有的功能。不过，杀毒软件的功能也并不是只带来好处，一些浏览器增强功能甚至有点让人烦恼。例如，AVG的工具栏将改变浏览器默认的搜索引擎并修改浏览器的首页。用户需要在安装过程中特别注意，取消相关的安装选项。同样需要注意的是Avira在安装的过程中会安装Ask工具栏，不过，Avira已经决定很快将使用自己的链接扫描工具代替此工具栏。

电力系统负荷预测方法的探讨 第12篇

(一) 资料的收集整理

负荷预测是依据当地国民经济和电网有关的历史数据, 以及今后国民经济发展规划和城乡总体规划等资料来进行。电网有关负荷预测的资料往往由于管理的原因收集不够完整, 一些数据也不够确切, 需要认真进行整理分析。在收集资料时, 为了获得规划区域的全社会用电量, 需注意收集地方电源发电量和供本区域电量 (含企业自备电源) 、大电网直供电量, 避免出现遗漏或重复情况。

(二) 负荷发展的分析

对于供电负荷增长变化较大的县级电网必须认真分析研究其原因, 有条件时可将一些大用户、主要供电区域及其他负荷的用电情况分别计列, 以便单独进行分析研究。

(三) 规划的协调

在目前形势下, 按照国民经济发展规划, 其国内生产总值 (GDP) 的增长率普遍较高, 一般都在10%左右, 产业结构中第二、三产业增长较快, 工业和城镇建设项目较多。在此情况下, 为了促进县市经济的发展, 需做好电网规划与其经济发展规划及城乡总体规划的协调工作。市、县电网规划是省级电网规划的基础, 但又必须在省级电网规划总的原则和框架指导下进行。因此, 必须做好与省级电网规划的协调工作。

二、负荷预测的方法

(一) 单耗法

根据计划产品数量和用电单耗来推算年用电量, 比较适用于有单耗指标的工业和部分农业负荷, 是预测有单耗指标的工业和部分农业用电量的一种直接有效的方法。

预测时, 可依据规划城市的经济社会发展状况规划目标, 利用规划期各年份的工业农业产值指标和主要工业产量规划指标, 通过对过去国民经济各部门在各种产品生产过程中的单位产品耗电量、亿元产值耗电量经过统计, 并根据产业结构调整, 找出一定的规律, 得出各种产品和产值的综合单耗。然后按国民经济各部门编制的发展规划的产品产量指标及经济指标, 按单耗进行预测。单耗法的优点是:方法简单, 对短期负荷预测效果较好。缺点是:需做大量细致的调研工作, 也不够准确。

负荷性质主要有高耗能、扬水负荷、电气化铁路负荷、建材负荷、造纸及日常的工农业用电负荷组成。而采用单耗法的行业一般有高耗能、建材及造纸业, 这种方法推算出的年用电量基本与该行业的实际负荷相吻合。

(二) 弹性系数法

电力弹性系数是地区总用量平均年增长率与工农业总产值平均增长率的比值, 是反映电力发展与国民经济发展之间关系的一个宏观指标。

k=Vw/V Wh= (1+kv) n Wo

式中:Wo、Wh计算期初、期末用电量;

K电力弹性系数;

V国内生产总值平均增长速度;

Vw用电量平均增长速度;

n规划年限。

一般来说, 电力工业适度超前发展, 就是电力弹性系数应大于1, 但是由于电力弹性系数是根据地区负荷结构、性质, 并对历史资料及各类用电比重发展趋势加以分析后慎重确定的。因此, 弹性系数法一般用于校核中期或远期的宏观负荷预测。

(三) 趋势外推法

当电力负荷依时间变化呈现某种上升或下降的趋势, 并且无明显的季节波动, 又能找到一条合适的函数曲线反映这种变化趋势时, 就可以用时间t为自变量, 时序数值y为因变量, 建立趋势模型y=f (t) 。当有理由相信这种趋势能够延伸到未来时, 赋予变量t所需要的值, 可以得到相应时刻的时间序列未来值。这就是趋势外推法。

外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法、生长曲线趋势预测法。趋势外推法的优点是:只需要历史数据, 所需的数据量较少。缺点是:如果负荷出现变动, 会引起较大的误差。

(四) 负荷密度法

负荷密度是每km2的平均负荷数值。一般并不直接预测整个城市的负荷密度, 而是按城市区域或功能分区。首先计算现状和历史的分区负荷密度, 然后根据地区发展规划对各分区负荷发展的特点, 推算出各分区各目标年的负荷密度预测值;至于分区中的少数集中用电的大用户, 在预测时可另作点负荷单独计算。在使用负荷密度法时, 要考虑到预测地区的经济社会和电力负荷常有随同某种因素而不连续 (跳跃式) 发展的特点。因此, 负荷密度法是一种比较直观的方法, 使用时必须谨慎。

(五) 神经网络法

神经网络是由大量的简单神经元组成的非线性系统, 每个神经元的结构和功能都比较简单, 而大量神经元组合产生的系统行为却非常复杂;它具有较强的学习能力、计算能力、变结构适应能力、复杂映射能力、记忆能力、容错能力及各种智能处理能力。目前, 研究和应用最多的是以下四种基本模型和它们的改进模型, 即Hopfield神经网络、多层感知器、自组织神经网络和概率神经网络。

在电力系统负荷预报中, 应用最多的是带有隐层的前馈型神经网络, 它通常由输入层、输出层和若干隐层组成。对多层感知器, 误差反传训练算法 (BP算法) 是目前最简单、最实用的一种, 实质是一梯度算法。其将各种有关的数据作为输入, 通过历史样本的训练收敛后便可以进行预测了。

优点是: (1) 可以模仿人脑的智能化处理; (2) 对大量非结构性、非精确性规律具有自适应功能; (3) 具有信息记忆、自主学习、知识推理和优化计算的特点。缺点是: (1) 初始值的确定无法利用已有的系统信息, 易陷于局部极小的状态; (2) 神经网络的学习过程通常较慢, 对突发事件的适应性差。

(六) 时间序列法

就是根据负荷的历史资料, 设法建立一个数学模型, 用这个数学模型一方面来描述电力负荷这个随机变量变化过程的统计规律性;另一方面在该数学模型的基础上再确立负荷预测的数学表达式, 对未来的负荷进行预测。时间序列法主要有自回归AR (p) 、滑动平均MA (q) 和自回归与滑动平均ARM (p, q) 等。这些方法的优点是:所需历史数据少、工作量少。缺点是:没有考虑负荷变化的因素, 只致力于数据的拟合, 对规律性的处理不足, 只适用于负荷变化比较均匀的短期预测的情况。

扬水负荷预测适用于此类方法, 扬水一般受季节变化影响比较明显, 而且负荷比较平稳。

(七) 回归分析法

回归预测是根据负荷过去的历史资料, 建立可以进行数学分析的数学模型。用数理统计中的回归分析方法对变量的观测数据统计分析, 从而实现对未来的负荷进行预测。回归模型有一元线性回归、多元线性回归、非线性回归等回归预测模型。

其中, 线性回归用于中期负荷预测。优点是:预测精度较高, 适用于在中、短期预测使用。缺点是: (1) 规划水平年的工农业总产值很难详细统计; (2) 用回归分析法只能测算出综合用电负荷的发展水平, 无法测算出各供电区的负荷发展水平, 也就无法进行具体的电网建设规划。

(八) 人均电量法

主要根据地区人口和每个人口平均年用电量来推算年用电量, 城市生活用电可按每户或每人的平均用电量来推算, 工业和非工业等分类用户的用电量可按每单位设备装接容量的平均用电量来推算。对于现在和历史的综合用电水平可通过资料分析和典型调查取得;对于将来各目标年的人口、户数、设备装接容量的预测值, 可通过城市规划部门和用户的资料信息或用外推法。同时, 各目标年的综合用电水平还可参照国内外同类型城市的数据或用外推测算。目前, 我们对中小用户的负荷多采用此类方法。

三、问题的解决和影响因素

(一) 问题的解决

1. 在进行数据处理分析和建立预测模型的过程中, 要充分考虑外界因素 (经济、政策) 的变化, 以及相关因素的不确定性对中长期负荷预测结果的影响。

2. 注意模型参数随环境和相关因数的改变而出现的趋势适应问题, 并在模型使用过程中, 对预测专家的经验和意见加以有效的利用。

3. 对于影响中长期负荷变化的多方面因数的综合作用, 要运用不同方法的组合来开展研究工作。

(二) 影响因素

主要有: (1) 气候变化和自然灾害的影响; (2) 国家政策、工农业等宏观产业结构调整的影响; (3) 能源市场经济变化带来的影响。同时, 由于上述负荷预测的方法自身存在着某些不确定性;因此, 必须将负荷预测结果进行相互验证和补充。一般而言, 近期规划可用外推法、单耗法预测, 用弹性系数法;远期规划用外推法预测, 用弹性系数法校核。这样才能做到合理、准确、科学地预测负荷。

四、结语