中期电力负荷预测

中期电力负荷预测（精选11篇）

中期电力负荷预测 第1篇

对于工业、商业都较为发达的城市,随着产业结构的不断调整和居民消费水平、消费结构的逐渐改变,工业、商业、居民用电的需求量和需求结构也在不断发生变化,再加上电力市场化运作带来的诸多不确定因素,给准确预测中长期电力负荷带来了新的难度[1,2,3]。

用于预测中长期电力负荷的传统方法有:电力弹性系数法、分区负荷密度法、时间序列法、人均电量指标换算法、回归分析法等。近年来出现了一些新的预测方法:灰色预测法、模糊预测法、专家系统预测法、人工神经网络预测法、优选组合预测法和小波分析法以及上述方法的混合算法[4,5]。

各种预测方法各有所长,因此如何博采众长,以达到较高的中长期负荷预测准确度和预测可信度是目前被广为研究的课题。

本文采用了变权重组合预测法来预测中期电力负荷。变权重组合预测法建立在最大信息利用的基础上,集合了多种单一模型所包含的信息,通过每一时间段对模型权重的不断修正,最大限度地捕捉当地负荷变化的发展趋势,可使中期电力负荷预测的准确性不断提高。本文以上海市某区的电力负荷数据,分别采用4种单一模型预测方法,以及基于这4种方法的变权重组合法对4种预测方法权重值不断修正,以此捕捉所预测电力负荷变化的发展趋势,由此提高了中期电力负荷预测的准确性。

1 变权重组合预测法的基本原理

组合预测法就是组合多种方法进行预测,根据所组合的各种方法的含权量,又可分为定常权重和变权重两种。

对定常权重组合预测法的研究较早,方法也较为成熟,但是当预测对象所在环境发生变化时,采用这种方法就无法反映这些事先无法考虑到的变化,从而影响了实际预测准确度。

对变权重组合预测法的研究起步较晚,目前仍处于探索阶段,但由于对所组合各种方法的权重能及时改变,以跟踪反映实际的变化,能有效地弥补定常权重在这方面的缺陷,因此越来越受到广泛地关注。

1.1 变权重组合预测法的数学模型

若对于同一预测对象(本文中为中期电力负荷)可有n种方法进行预测,每种方法采用各自不同的预测模型[6]。

设i(t)为采用第i种方法模型预测对象的预测值,t=1,2,3,…N,本文算例中N=5,即2001～2005年这5年;yi(t)为预测对象第t年的实际值;ωi(t)为采用第i种方法模型预测第t年时的权重系数,显然此系数应满足:

这样采用变权重组合预测法时,第t年预测对象的预测值t可表示为

1.2 最佳权重系数的确定

组合预测法基于各单种预测法的预测结果,变权重组合预测法的关键问题就归结为最佳权重系数的确定。本文采用基于最小二乘法求解最佳变权重系数ωi(t),令eit为第i种方法模型在第t年的预测误差,St为组合法在第t年预测误差的平方和,即

则ωi(t)应使误差的平方和St达到最小。

根据式(3)可得:

则,eit2=WtTAtWt (5)

式中:Wt=[ω1(t),…,ωn(t)]T;At=[e1t,…,em]T[e1t,…,ent]。

这样式(4)即为

由于权重系数均为非负数,故此问题转化为用线性规划方法求解下列方程的解。

可求得[6,7]:

上两式中:R=(1,…,1)T为N维向量。

基于上述理论体系,可用Matlab软件编制出相应的计算程序,求解第t年各种预测模型的自权重系数,进而求得组合预测负荷值。

2 预测结果的误差分析及关联度分析

2.1 误差分析

本文分析了预测结果的相对误差、最大误差和平均误差,并在此基础上计算了均方根误差,以校验预测方法的可信性。预测结果的均方根误差按下式计算:

式中:MSE为均方根误差。

2.2 关联度分析

误差分析可比较各年负荷预测值与实际值之间的差别,不能反映所有各年的整体差别。因此,需要进一步分析预测值曲线与实际值曲线的相似程度,以确定负荷预测值的精确程度,本文采用了关联度指标进行分析。

关联度分析是根据曲线间相似程度来判断关联程度,即认为曲线间形状越接近,则发展变化态势越接近,关联程度越大。

通过对各种预测方法预测结果的负荷曲线与实际负荷曲线的比较,用关联度指标来表征拟合程度,关联度越大,则说明拟合误差越小,对应预测模型越优[8,9]。

设第t年负荷实际值组成数列:

用方法i预测第t年的负荷预测值组成数列:

则用方法i预测的负荷预测值i(t)与负荷实际值y(t)在t年的关联系数εi(t)表示为

式中:|y(t)-i(t)|为第t年y(t)与i(t)的绝对误差;minit|y(t)-i(t)|是第一级最小差,是在第i(t)曲线上各点与y(t)的最小差;minit|y(t)-i(t)|是第二级最小差,是在各条曲线中找出的最小差的基础上,再按t=1,2,…,N找所有曲线而中的最小差;maxit|y(t)-i(t)|是第二级最大差,定义与minit|y(t)-i(t)|相似;ρ称为分辨系数,一般取0.5。

综合各年的关联系数,可得出用方法i预测i(t)得到的负荷曲线与实际负荷曲线y(t)的关联度ri为

3 算例分析

3.1 各种方法的预测结果对比分析

本文算例以上海市某区2001～2005年每年的平均电力负荷为负荷预测的基础数据(见表1),分别采用时间序列法、人均电量指标换算法、电力弹性系数法、分区负荷密度指标法以及基于这4种方法的变权重组合法来预测该区2006～2010年每年的平均电力负荷。

MW

在此基础上,对变权重组合预测法预测结果与其他4种预测法预测结果同实际值进行了比较,计算了相对误差、最大误差、平均误差和均方根误差这4个误差指标,预测负荷值和误差分析结果如表2所示。

由表2可见,变权重组合预测法负荷预测值与单一模型预测方法负荷预测值相比,4个误差指标总体是较优的,预测精确度得到了很大的提高。这是因为变权重组合预测法并不是简单的选择每一阶段单项预测模型的最优值,而是综合各模型的信息,进行了优化预测。

在负荷预测初期,历史负荷的发展趋势具有延续性,负荷发展规律具有持续性,因此变权重组合预测法充分利用了时间序列法的信息,考虑了中后期负荷增长与经济发展的关系;利用了电力弹性系数法和人均电量指标换算法的捕捉信息充分的特点;还利用了分区负荷密度指标法预测精确的特点。随着负荷预测的精细化开展,分区负荷密度指标法在变权重组合预测中的比例逐渐增大。

可见,变权重组合预测法综合了各种预测法的特点,较单一模型负荷预测法的可信性和可操作性更强。

3.2 各模型预测曲线关联度分析

为进一步分析用各种方法预测的2006～2010年平均电力负荷的整体结果(连成曲线)与实际值曲线的形似拟合度,根据关联度分析方法,按式(12)可计算得到各预测方法的预测曲线关联度,其计算结果如表3所示,关联度曲线如图1所示。

由表3和图1可知,变权重组合预测法的负荷预测曲线与实际负荷曲线的关联度达到0.94,优于单一模型方法,从而也证明了变权重组合预测法的精确度与可信性。

4 结语

1)本文通过建立各样本点的组合预测模型求组合预测权重,对电力系统中长期期负荷预测来说是一种新的思路。

2)本文采用的变权重组合预测方法,在选择有效预测方法方面有一定的参考价值。从对上海市某区2006～2010年的平均电力负荷预测结果可以看到,变权重组合预测法有效地提高了预测精度,增加了负荷预测结论的可信度。

摘要：变权重组合预测法集合了多种单种预测法所包含的信息,可使中期电力负荷预测的准确性不断提高。介绍了变权重组合预测法的基本原理,并进行了预测结果的误差分析及关联度分析。以上海市某区的历史电力负荷数据为实例,计算负荷预测值的误差指标以及预测曲线关联度分析证明,变权重组合负荷预测值与实际值具有很好的拟合度,可有效提高中期电力负荷预测的精度和可信度。

关键词：中期电力负荷预测,组合预测法,变权重系数,模型权重,关联度

参考文献

[1]AL-HAMADI H M,SOLIMAN S A.Long-term/ mid-term electric load forecasting based on shortterm correlation and annual growth[J].Electric PowerSystemsResearch,2005,74(3):353-361.

[2]KANDILM S,DEBEIKY S M,HASANIEN N E. Overview and comparison of long-term forecasting techniques for a fast developing utility[J].Electric PowerSystemsResearch,2001,58(1):11-17.

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

[4]钱卫华,姚建刚,龙立波,等.基于短期相关性和负荷增长的中长期负荷预测[J].电力系统自动化, 2007,31(11):59+64.

[5]余健明,燕飞,杨文字,等.基于模糊多目标多人决策的配电网空间负荷预测[J].电网技术,2006,30 (7):20-25.

[6]周传世,刘永清.变权重组合预测模型的研究[J].预测,1995(4):47-48.

[7]周传世,刘永清,组合模型的筛选[J].预测,1995 (1):56-59.

[8]谢勃.中长期电力负荷预测的不确定性模型研究与应用[D].河海大学,2007.

电力需求预测及负荷特性研究报告 第2篇

（1）目前，我国工业化进程基本过半，已处于建设全面小康社会的关键时期。近年来，我国全社会用电量保持了较快增长态势，其中主要拉动力来自工业用电量的快速增长。分地区来看，华东、华北电网地区用电量比重大、增长快，是我国用电增长的领头者。

（2）“十二五”期间，我国经济仍将保持较快增长，但较“十一五”期间年均增速有所回落。第一产业比重进一步下降，第二产业比重先升后降，2015年回复到目前水平，第三产业稳步提高。全国整体进入工业化后期，华北和华东电网地区工业化进程快于全国。

（3）“十二五”期间，我国电力需求仍将保持较快增长，但较“十一五”期间年均增速有所回落。预计2015年，全国全社会用电量将达到5.97万亿千瓦时，“十二五”期间年均增长8.4%，较“十一五”期间年均增速回落1.6个百分点。人均用电量将稳步提高，2015年达到4260千瓦时/人年。电力消费弹性系数同“十一五”期间基本持平，仍在1以下。2015年产值单耗将达到1300千瓦时/万元，较2010年有所下降。第二产业用电量仍在全社会用电量中占主导地位；发电用能占一次能源比重较快上升，将达到49%左右，电能占终端能源消费比重上升到25%左右；中西部加快发展，东部地区仍为负荷中心。

（4）“十二五”期间，最大用电负荷的增长速度将放缓，负荷率将有所上升。预计2015年，公司经营区的全社会最高用电负荷将达到8.17亿千瓦，年均增长8.3%，略低于同期用电量增速0.2个百分点；预计2015年的平均负荷率和最小负荷率将分别上升到0.895和0.771。

（5）2018年前后，我国将基本完成工业化，逐步进入后工业化阶段。2015～2030年，全国经济增长、电力需求增速进一步回落，电力消费弹性系数继续下降；2020、2030年，全国全社会用电量将分别达到7.67和10.37万亿千瓦时，“十三五”期间和2021～2030年年均增速分别为5.1%和3.1%；第二产业用电量仍在全社会用电量中占主导地位；电气化水平进一步上升；2020、2030年，公司经营区的全社会最高用电负荷将分别达到10.63和14.42亿千瓦，“十三五”期间和2021～2030年年均增速分别为5.4%和3.1%；负荷率基本稳定；中西部地区继续加快发展，东部地区仍为负荷中心。

电力系统负荷预测的研究 第3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

电力大客户负荷用电负荷预测 第4篇

1 负荷预测的方法及特点

常见电荷预测方法有:单耗法、神经网络法、专家系统法、灰色模型法、时间序列法、回归分析法、弹性系数法、趋势外推法、优选组合预测法等[3]。

1.1 单耗法

单耗法利用产品量、用电单耗、产值计划等得出用电需求量。单耗法分为产值单耗法和产品单耗法。在采用单耗法之前, 必须确定合适的产值单耗和产品单耗。一般规律是产值单耗不断下降, 产品单耗不断上升。单耗法具有简单、短期负荷预测时效果好的优点。缺点是:调研工作量大, 且难以反映气候、政治、经济等因素的影响。

1.2 神经网络法

神经网络预测法具有自适应功能, 可对大量非确定性、非结构性规律进行智能化处理。相比中长期的负荷预测, 神经网络法更适合于短期的负荷预测。这是由于短期的负荷变化可以近似为平稳随机过程。而长期负荷预测模型容易因政治、经济等的变化而使其数学基础遭到破坏。神经网络法的优点是其具有自适应性, 能够实现自主学习、智能优化, 智能化处理这些信息。其缺点是不能基于已有的系统信息进行初始值的确定, 容易导致局部最优, 神经网络方法的自主学习过程需要的时间长, 难以应对突发事件[3]。

1.3 趋势外推法

趋势外推法:电力负荷以类似某种函数的变化趋势在相当长一段时间内变化时, 可以利用时间t作为自变量, 电力复合值作为因变量构造数学模型y=f (t) , 以反映电荷负荷值随时间的变化规律。但需要预测未来某一时刻的电力负荷值时, 只需设定时间变量为对应时间值即可。趋势外推法的使用必须满足以下两个条件。

(1) 负荷变化随时间的变化具有一定的规律性; (2) 在预测的时间段内负荷的决定因素基本不变。选择合理的趋势模型的选择是趋势外推法的关键, 选型的基本方法主要有差分法和图形识别法。趋势外推法具有数据采集方便、模型需要的数据量较少的优点。缺点是电力负荷出现突变时误差较大。

1.4 回归分析法

回归分析法主要是基于电力负荷的一些历史数据和资料而建立数学模型, 对所需计算的变量的一些历史数据进行统计分析, 以便预测未来电力负荷的变化趋势。

传统的回归模型主要为一元线性、多元线性、非线性回归等三种方法。回归分析法具有高预测精度, 在中、短期预测中适用的特点。其缺点则是所需的资料难以统计;难以测算出各供电区的负荷发展程度, 也就难以进行详细的规划电网建设。

1.5 时间序列法

时间序列法类似回归分析法需基于电力负荷的历史资料和数据对所需变量建立数学模型, 用来描述变量的一些统计规律性, 并进一步确立电力负荷预测的数学表达式, 以用来实现电力负荷变化的预测。时间序列法中不管是自变量还是因变量都可以看作为随机变量。时间序列法主要有自回归、滑动平均等方法。时间序列法的优点是:历史数据需要少、工作量较小。缺点是这种方法没能充分考虑电力负荷的变化, 只是对数据进行数据拟合, 其体现的数据变化规律只能代表短时间内的负荷变化水平, 因此只适用于短期负荷的预测[3]。

1.6 灰色预测法

灰色系统为一个过度系统, 介于白色系统和黑箱系统之间, 即系统中的信息部分已知、部分未知, 灰色预测法即是对系统中的部分未知、不确定信息进行预测的方法。灰色预测法基于灰色系统理论发展而来, 可基于十分有限的数据而总结出出某个时期内的变化规律, 从而建立相应的数学预测模型。灰色预测系统主要有普通灰色和最优化灰色两种模型。普通灰色值得是指数增长预测模型, 这种方法使用的前提是电力负荷严格按指数规律持续增长, 该方法具有所需数据少、高预测精度、计算简单等优点;其缺点是对于电力负荷波动性变化较大的情况的预测误差较大。而最优化灰色模型能够把具有波动性变化的原始数据转换为成指数增长的规律性较强的数据序列, 从而使得预测精度得到极大提高。

1.7 优选组合预测法

优选组合预测法有两种方式:以给定权重函数对多种预测方法得到的预测结果进行加权平均;比较几种预测方法, 预测模型即这几种预测方法中拟合度对佳、最小标准差的预测模型。但是这种组合预测方法只有在单一预测模型难以正确预测变量的变化规律时起作用。这种方法的优点是能够各方面因素进行全面考虑, 对多种预测模型的预测结果进行优选组合, 确保了预测结果的有效性。其缺点是单一预测方法难以确定得到的预测结果的权重系数;无法全面考虑所有影响电力负荷的因素而限制了该方法的预测精度。

2 负荷预测方法的选取

以上7种预测方法中, 人工神经网络法已经在相关应用中被证实适合应用于电力负荷的预测, 尤其在短期负荷预测中效果显著。灰色预测法主要通过累加来降低随机干扰的影响, 适合于电力负荷的总体变化趋势的预测, 大多应用于中、长期负荷预测。有效组合灰色预测法和神经网络法, 利用灰色预测法建立电力负荷整体增长趋势模型, 再利用人工神经网络的方法对电力负荷的波动部分进行数学建模, 从而实现电力负荷的最优组合预测[3]。该方法相关用电量的算例中表现出组合预测精度较单一的灰色预测方法或人工神经网络方法高。然而, 有关研究表明灰色预测方法目前存在若干理论缺陷, 会使预测结果误差大。而在组合灰色神经网络的方法中, 灰色预测方法和人工神经网络方法对于电力负荷的预测是各自独立进行的, 并不能消除灰色预测方法的缺陷。因此, 灰色预测方法和人工神经网络的这和还有待发展和改进, 让其能互相取长补短, 从而对电力负荷进行更好更精确的预测。

3 结语

电力负荷的预测尤其是电力大客户负荷对电力系统的运行和规划极其重要。很多不同因素对预测结果都会产生不同程度的影响, 预测中需要选择合适的预测方法从而合理的处理各因素的影响。

参考文献

[1]王唤明.大客户营销理念:客户价值重于市场份额[J].电器工业, 2004 (9) :27-30.

[2]基于供电企业大客户用电管理措施[J].企业与管理, 2013.

[3]姜绍俊.电力负荷特性分析与预测[M].北京:中国电力出版社, 2002 (1) .

中期电力负荷预测 第5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6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

电力短期负荷预测的研究 第7篇

电力的短期负荷预测是电力系统的一项重要工作, 是实现供电可靠、经济管理的基础。由于电力负荷受到很多因素的影响, 负荷预测方法发展至今, 虽然已经积累了很多经验, 但是还没有一种可靠的模型实用于不同地区。本文针对某市电力负荷的特点, 提出了模拟退火BP神经网络电力短期负荷预测模型。经验证, 该模型在实现负荷预测方面的可行性。

1 BP神网络

人工神经网络理论的研究始于1890年美国著名心理学家W.James关于人脑结构与功能的研究, 至今已提出过许多网络模型, 其中用于预测的网络主要是BP神经网络。这是因为BP神经网络主要有以下特点: (1) 较强的非线性映射能力; (2) 很好的泛化能力; (3) 很强的容错能力和学习能力。

D.E.Ru melhart和J.L.Mc Cella nd及其研究小组于1986年研究并设计出来BP神经网络 (Back-propagation N eutral N etwork) 是一种基于误差反向传播 (BP算法) 的多层前向神经网络, 采用有导师的训练方式。BP算法的学习过程包括信号的正向传播与误差的反向传播两个过程。三层BP网络是一种应用很普遍的神经网络, 它包括输入层、隐层和输出层, 如图1所示, 输入层神经元的个数为输入信号的维数, 隐含节点的个数视具体情况而定, 输出层神经元的个数为输出信号的维数。BP网络的工作流程见图2所示。

误差的反向传播是BP网络的一大特点, 但是, 该网络也存在以下一些主要缺陷: (1) 训练次数太多, 效率较低; (2) 易于陷入局部极小而不能实现全局最优。针对这些缺点, 本文利用模拟退火算法对BP网络进行改进。

2 模拟退火算法

1953年Metropolis等提出的模拟退火算法 (Simulated Annealing, 简称SA) 能够近似求解具有NP复杂性的问题, 可以避免陷入局部极小的问题。模拟退火算法主要包括状态产生函数、状态接受函数、温度更新函数、内循环终止准则和外循环终止准则。

其工作过程如图3所示。

3 神经网络负荷预测模型

本文设计的预测模型中BP神经网络的输入层共有8个输入端, 分别用来输入待测日前四天对应时刻的负荷, 以及天气因素中的最低温度、最高温度、降雨量和日期类型;因为本模型的输出为对应时刻的负荷, 故输出层只有一个输出端;隐含节点的最佳个数现在没有一个具体的方法或者公式来确定, 通过实验, 本文最终取9个隐含节点。该模型工作流程见图4所示。

4 验证

本文利用该模型及单一的BP神经网络模型来预测某市的负荷。由于预测过程中所用的数据性质不同, 大小差别很大, 因此在使用之前, 需要对数据进行归一化处理, 对预测结果需要进行还原。本文所用的转移函数均为单极性Sigmoid函数。利用历史数据, 进行预测, 预测结果见图5所示。预测误差分布见图6所示。

通过以上预测结果可知, 利用该模型在预测结果的准确性方面, 比单一BP神经网络具有很大的优势, 同时也验证了该模型的可行性。

5 结论

针对单一的BP神经网络的缺点, 本文利用模拟退火算法来优化BP神经网络, 经验证, 该方法是可行的。

参考文献

[1]朱兴统.基于SA-LSSVM的电力短期负荷预测[J].科学技术与工程, 2012, 12 (24) :6171-6173.

[2]师彪, 李郁侠, 于新花, 等.基于改进粒子群模糊神经网络的短期电力负荷预测[J].系统工程理论与实践, 2010, 30 (1) :157-166.

[3]李慧, 王来运.基于混沌蚁群算法的电力短期负荷预测[J].北京信息科技大学学报, 2011, 26 (4) :40-43.

[4]郑永康, 陈维荣, 蒋刚, 等.基于混沌理论的短期负荷局域多步预测法[J].电力系统及其自动化学报, 2007, 19 (4) :76-79.

短期台区电力负荷预测方法探讨 第8篇

1 低压台区负荷预测的作用和要求

低压台区负荷预测对电力系统许多部门和机构都起着非常重要的作用。短期负荷预测是调整运行方式、排布抢修力量的基础。提高负荷预测的精度是电力系统规划和运行的必然要求。国内的不少学者不遗余力地进行负荷预测的研究, 其主要出发点大多是以更为先进的理论来提高预测的准确性, 为低压电网运行的可靠性和安全性提供支撑。

1.1 低压台区负荷预测的分类

按照预测期限的不同, 低压台区的负荷预测可以分为长期预测、中期预测、短期预测、超短期预测, 对应的时间段为年度、月度、日和小时。其中, 周预测、日预测、小时预测归为短期预测, 此为本文介绍的重点。

目前, 由于其负荷发展变化规律趋于稳定的缘故, 国外的学者关于中长期预测的研究远远少于短期预测, 国内则基本上两者并重, 但对于供电低压台区的预测基本属于空白。在各个期限中, 负荷预测的内容一般包括负荷曲线、电量的预测等, 也有对功率因数进行预测的案例。

2 现有短期负荷预测方法及其低压台区适应性简述

2.1 概述

短期负荷预测是负荷预测的重要组成部分, 它主要用于预报未来几小时、1天至几天的电力负荷, 输配电分离的电力市场中的配电端有着重要的意义。负荷预测精度越高, 越有利于提高电网设备的利用率和抢修资源、反窃电工作、降损工作的有效性。

短期负荷预测的研究有着较长的历史。国内外的许多专家、学者在预测理论和方法方面做了大量的研究工作, 取得了很多卓有成效的进展。新的理论和技术的发展一直推动着短期负荷预测的不断发展, 新的预测方法层出不穷。对于低压供电台区而言, 影响负荷的随机因素增多, 非线性极强, 传统方法理论依据尚存在一定的局限性。,

其具有明显的周期性, 是现有短期负荷预测的最大特征, 具体体现在: (1) 不同日之间24 h内整体变化规律的相似性; (2) 不同星期或者同一星期类型日的相似性; (3) 工作日和休息日的相似性和相关性; (4) 不同年度中的相同重大节假日负荷特性的相似性。

低压台区短期负荷的另外一个特点是其受到各种环境因素的影响明显。如季节变换、天气因素突然变化、设备事故和检修、重大社会活动等, 这使得低压台区的负荷时间序列的变化出现非平稳的随机过程。

现主要讨论最为重要的2类短期预测方法:时间序列预测法和A-N-N预测法在低压台区负荷预测中的适用性。

2.2 时间序列预测模型

时间序列模型进行的预测, 是被认为最重要、比较系统、最被广泛采用的一类短期负荷预测方法。常用的时间序列分析模型有以下几种:AR (自回归) 模型、MA (移动平均) 模型、ARMA模型、ARIMA (累积式自回归一动平均) 模型。

2.2.1 自回归 (AR) 法

在低压台区的短期负荷预测研究中, 引起负荷特性变化的因素很多, 如气候、故障、特殊事件等等。预测人员不可能把影响负荷的因素都一一归入模型。通过智能配网的建设和变压器负荷测录仪的普及, 基本可以认定某一时刻的负荷与它过去相关时刻的负荷有关。

自回归AR模型中的基本思想是:因变量是待测的负荷, 而自变量则是负荷自身的过去值。具体过程为:现在值y可由过去值的部分加权, 按照有限线性组合方式及一个干扰量αt来表示。

P阶AR模型M、R (P) 的表达式为:

式中, p为模型的阶;常数系数φ1, φ2, φ3, φ4, …, φp为模型的参数;干扰量αt为噪声序列在t时刻的值。

预测负荷与它过去时刻的负荷有关, 因此称为自回归 (AR) 模型。

2.2.2 移动平均 (MA) 法

在自回归模型中, 理论上, 干扰的影响在无限长的时间内是存在的。一个初始时刻的干扰将会影响到未来无限长时间内的负荷值, 这显然对预测的进度会有所影响。

MA模型的基本思路是, 假设干扰的影响在时间序列中只表现在有限的几个连续时间间隔内, 然后就完全消失, 避免了AR法的相关缺陷。

假设, 初始时刻的干扰仅在前q步内有影响, 那么q阶MA模型MMMA (q) 的表达式为:

式中, q为模型的阶;常数系数θ1、…, θq为模型参数。

2.2.3 ARMA法

ARMA模型是AR法与MA法的结合, 其表达式为:

在低压台区负荷特性中, 许多实际的随机时间序列, 常常同时具有模型MAR (p) 和MMA (q) 的特性, 如分别令p=0, q=0, 得到的MARMA (0, q) 就是MMA (q) , MARMA (p, 0) 就是MAR (p) , 这3种模型之间有着密切的联系。

2.2.4 ARIMA方法

前面几个方法应用的前提条件, 均要求以时间序列为平稳的随机序列, 这些方法对于时间的起始位置是不做要求的, 即不管抽出时间序列哪一段, 其平均值都是不变的。在实际应用的时候, 通常负荷时间序列的变化是一个不平稳的随机变化。ARIMA法能适用于非平稳随机时间序列的模型, 同时, 将部分非平稳随机过程中的某些平稳随机规律, 涵盖在模型之中。

2.2.5 ANN方法

目前ANN预测模型, 主要采用前馈NN模型, 使用的训练方法为BP算法及其各种改进方法, 其预测模型结构 (网络的层数和神经元的个数) 的选取则大多凭借经验。研究的重点大多在于如何构成预测样本、如何构成输入层数据等。

当下, ANN方法用于短期负荷预测的论文报告较多, 是一个国际上得到认可的实用预测方法。ANN方法的优点是对大量非结构性、非精确性的低压台区中的内在规律, 具有较强的适应力。同时, ANN方法具有历史记忆、循环学习、逻辑推理和自我优化的特点。因此, ANN有较强的自我学习和强大的非线性函数拟合能力, 特别适用于低压台区负荷预测。

3 低压台区短期负荷预测的模型选用策略

(1) 在有条件的情况下, 建立预测模型之初, 应该考虑分别对工作日、休息日建立不同的模型。

(2) 在负荷变化规律区域平稳时, 应该考虑基于同类型日分析的预测方法。

(3) 在负荷变化受到气温等因素的影响较大时, 应该考虑ANN方法。

(4) 节假日的负荷预测, 可以参照上年度的相应曲线。

4 低压台区负荷预测的探讨

4.1 近大远小的原则

低压台区负荷预测中, 近大远小预测原则的意义是:负荷未来的变化趋势, 较大地取决于近期的发展规律, 而远期的历史数据对未来发展趋势的相关性较弱。

在考虑重近轻远原则的基础下, 其主要预测思路可以是:区别对待各时段的拟合残差, 近期的发展规律需要得到更好的拟合, 对较远端的数据的拟合程度可以低一些。值得指出的是, 在低压台区负荷预测中, 由于需要体现台区负荷发展的周期特性, 因此, 在实际应用中, 该原则并不容易得以体现, 这方面还需要进一步研究。

4.2 参数估计

低压台区负荷预测中, 一般要通过客观数据的累计和观察及现有的数学模型, 然后按照一定的参数估计方法, 对模型中的待定参数进行求解。

目前, 我们比较常用的方法是最小二乘估计。由于最小二乘估计存在某些不足, 不少学者又提出了一些新的参数估计法, 如加权最小二乘估计等等。在真实情况下, 不同的参数估计方法, 其预测效果可能差别较大。通过选择适当的参数估计方法, 预测人员可以避免一些明显不合理结果的发生, 从而提高预测精度。低压台区参数估计的分析比较, 以及相关估计方法的选择策略, 还需要科研人员做深入研究。

4.3 预测中原始数据的处理

由于供电低压台区负荷具有随机非平稳特征, 同时, 负荷测录仪容易受到数据量测噪声的影响, 因此在预测人员获得的历史数据中, 存在一定的毛刺数据, 会严重影响负荷预测的精度。现主要讨论2种原因: (1) 由于人为因素, 引起了数据发生偏差。例如:通道通信错误、历史数据丢失;数据整理中的手工计算失误。 (2) 数据是真实的, 但是数据还是有异常, 往往是因为一些突发事件或某些特殊的原因, 导致负荷数据出现了非规律性的变化, 比如波形畸变、涌流等等。

这些统计数据被称之为异常数据。异常数据的存在给正常数据带来较大的影响, 影响预测体系的预测精度, 异常数据过大甚至会误导预测体系的预测结果, 为此, 我们采用数据预处理的方法对数据进行筛选, 剔除“不良数据”的影响, 为改善负荷预测的精度提供可靠的保证。排除异常数据的影响可以通过以下途径来达到: (1) 数据修正:适用少见、明确已知事件, 例如台区变压器故障并网运行, 应该对损失、相邻增加的负荷做出估计, 并给予直接修正。 (2) 修补:利用同周天、相邻日等各种曲线的相似性和周期性, 对某些表现出特殊异常的点进行修正。

5 结语

电力系统负荷预测方法综述 第9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。

中期电力负荷预测 第10篇

关键词：配电网；电力需求；负荷预测；常规负荷；点负荷；饱和负荷

中图分类号：TM715 文献标识码：A 文章编号：1009-2374（2013）08-0132-02

1 概述

南宁供电局近期开展了《“十二五”配电网规划细化》、《南宁市城市电网饱和网架规划》、《南宁-东盟经济开发区电力专项规划》等工作。配电网规划的基础是负荷预测，以历年的负荷数据及社会经济发展的相关资料或未来国民经济发展、城市规划等资料进行负荷预测。目前近期配网规划负荷预测方法多采用常规负荷加大用户法进行预测，而远期规划负荷预测尚未有共识，我局远期规划采用的是饱和负荷预测法，通过抽样调查饱和负荷区域负荷密度为参考指标，从而推算出全市负荷，为配网远期建设规模提供数据支持。

2 负荷预测方法介绍

2.1 常规负荷加大用户预测法

2.1.1 常规负荷预测方法。通过对南宁市各区的历史和现状资料进行充分收集、整理，分析历史发展规律和负荷增长情况，以时间为自变量，按历年用电负荷和电量的增长率推算规划期内的用电负荷。以南宁市为例，历年常规用电负荷如表1所示。

通过计算，得知2009～2011年年均常规负荷增长率为8.19%。结合南宁市经济社会发展情况和“十二五”期间第一、二、三产业政府提供的GDP值预测，最终规划采用的年均增长率值有所调整，为8.46%。

2.1.2 大用户预测法。该方法主要是单独对点负荷进行预测，用于解决常规负荷预测方法无法预测小范围内突增负荷的问题。结合我市实际情况，我们定义的大用户是指已有或规划的工厂、采矿厂等负荷超过1万千瓦的用户。通过与南宁市相关政府部门对接，搜集相关资料，得出大用户负荷情况如表2所示。

通过常规负荷预测加大用户法，2011～2015年最终负荷预测结果如表3所示。

2.1.3 预测方法浅析。该负荷预测方法的优点：较为简单直观，将负荷分为两块进行统计，排除了点负荷对常规负荷自然增长的影响，总的负荷预测结果较为理想。缺点：该负荷预测方法需要搜集的基础数据较大，仅适用于近期负荷预测。

2.2 饱和负荷预测法

饱和预测负荷法是对城市发展终期饱和负荷进行预测，从而规划出城市发展饱和后所需变电站数量、容量规模，规划相应站点、输电线路走廊，为地区电网发展提供依据及参考。

目前我局《南宁市城市电网饱和网架规划》是与南宁市规划局合作共同出资开展。饱和负荷预测最核心的是用地负荷密度计算及城市发展详细规划资料，从而根据饱和成熟区负荷计算出其他相同用地性质的负荷。大致负荷预测过程如下：

2.2.1 负荷密度抽样调查。抽取南宁市6个城区不同供电区分类的小区、商业楼、大型市场等负荷进行抽样调查，抽样样本为南宁市内发展成熟、人口密集的各类用地（A、B类地区）。根据《南宁市“十二五”配电网规划细化》报告内容，南宁市城市级别为一级主要城市，供电区共划分为A、B、C、D、E5类负荷，负荷分类原则如表4

所示。

以南宁市青秀区为例子，我们抽取了A、B类供电区的商业、住宅小区、办公、大型酒店等最大负荷，并根据地块面积、容积率等计算出负荷密度。抽样样本如表5所示。

根据抽样样本综合统计，采用求平均值的方法，计算出部分地块性质的饱和负荷密度如表6所示：

2.2.2 结合南宁市总体规划，分片区计算全市总负荷。根据饱和负荷预测的数学模型：

式中：P表示城市总饱和负荷；Kp表示负荷同时率；i表示城市的某个片区；n表示城市片区个数；m表示土地使用类的个数；Sij表示第i片土地第j类土地使用面积；Kij为第i片区第j类地块的建筑容积率；Ckij表示第i片区第j类土地使用负荷密度。

再结合南宁市城市总体规划，计算出青秀区各个地块的终期负荷密度并求和，可得出如表7所示的结果。

2.2.3 根据预测出的中压负荷数据，推算110千伏、220千伏负荷，提出规划变电站容量及布点。通过对现状220千伏、110千伏变电站典型日与10千伏负荷的关系抽样调查，得出的各级电网最大负荷同时率：110千伏主变负荷与10千伏配变总负荷之比约为0.65～0.70，220千伏主变和110千伏主变负荷之比约为0.92～0.95。计算出各层及负荷后，根据容载比要求（110千伏：1.8～2.1；220千伏：1.6～1.9），推算出各供电区所需的变电容量，进而规划变电站布点。

2.2.4 预测方法浅析。饱和电力需求负荷预测是一种基于饱和负荷密度的城市远景饱和负荷预测的方法。通过收集城市各分区经济发展规划信息，把各分区按功能地块统计建筑面积，分析得出各功能地块的饱和负荷密度，建立城市空间饱和负荷模型，预测出城市远景饱和负荷。该预测方法不仅能对负荷总量进行预测，还可以知道分区负荷的空间分布，可以为城市合理安排电网建设提供依据。

3 结语

随着电力市场的发展，负荷预测的重要性日益显现，并且对负荷预测精度的要求越来越高。传统的预测方法比较成熟，预测结果具有一定的参考价值，但要进一步提高预测精度，就需要对传统方法进行一些改进。南宁市配网负荷预测方法就是在传统方法的基础上，结合南宁实际国民经济发展、城市规划情况而形成的。我相信，随着负荷预测的理论研究与实际情况结合越来越紧密，负荷预测的精度亦将越来越高。

参考文献

[1]中国南方电网公司“十二五”110千伏及以下配电网规划编制技术规定[S].

[2]中国南方电网公司220千伏及以上规划技术原则系统一次部分[S] .

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

电力负荷预测准确率探讨 第11篇

1 孝感地区电力负荷的构成特点及其对负荷预测的影响因素

电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等, 不同类型的负荷具有不同的特点和规律。

1.1 孝感电网典型日曲线

(1) 春季典型日 (4月8日) 日负荷曲线。

(2) 夏季典型日 (8月13日) 日负荷曲线。

(3) 秋季典型日 (10月30日) 日负荷曲线。

(4) 冬季典型日 (1月5日) 日负荷曲线。

1.2 孝感电网日负荷曲线规律

(1) 最大负荷日出现在夏季 (7~8月之间) 。

(2) 每日负荷出现两个高峰时间段, 一个是11:00~12:00之间, 一个是20:00~21:00之间。

(3) 每日负荷低谷时间段23:00~第二天6:30之间。

年度最大降温负荷以2010年8月4日 (年度最大负荷) 与6月1日、8月25日、8月27日 (没有降温负荷) 3d的负荷进行比较。

以表1得出结论:当孝感电网最高气温为28℃以下, 没有降温负荷时, 排除大用户负荷影响, 孝感电网2010年迎峰度夏期间最大空调负荷为410MW。

1.3 供电负荷与气温相关特性分析

综合孝感市气象条件与负荷变化的数据及图表, 通过分析得出结论:

夏季日最高气温在27℃以下, 孝感电网负荷基本不随温度变化而变化, 冬季日最低气温在10℃以上, 孝感电网负荷基本不随温度变化而变化。

夏季日最高气温在27~33℃之间, 最高气温每升高1℃, 孝感电网负荷将增加10~15MW左右。冬季日最低气温在4~10℃之间, 最低气温每降低1℃, 孝感电网负荷将增加35~40MW左右。

夏季日最高气温在33~35℃之间, 最高气温每升高1℃, 孝感电网负荷将增加20~25MW左右。冬季日最低气温在1~4℃之间, 最低气温每降低1℃, 孝感电网负荷将增加10~20MW左右。

日最高气温在35℃时, 孝感电网负荷达到1000MW左右。连续5d最高温度超35℃, 最大负荷达到1300MW。日最高气温稳定持续在36℃3d后, 每增一天, 孝感电网负荷将增加30~50MW左右。冬季日最低气温在1℃时, 孝感电网负荷达到1000MW左右。连续3d最低温度低于1℃, 最大负荷达到1080MW。

1.4 商业负荷

主要是指商业部门的照明、空调、动力等用电负荷, 覆盖面积大, 且用电增长平稳, 商业负荷同样具有季节性、时段性波动的特性。大型节假日如春节、五一、十一放假期间全区负荷会因为工厂、政府机关放假, 用电减少而下降。而商业活动会为此增加营业时间, 使商业用电增加增加用电负荷增大。

1.5 工业负荷

一般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 (包括设备利用情况、企业的工作班制等) , 而且与各行业的行业特点、季节因素都有紧密的联系, 一般负荷是比较恒定的。但是京广铁路和汉丹线通过孝感, 冲击负荷多, 随机性大难以把握。

牵引站负荷突变性大, 负荷预测专责需要根据不同的季节、节假日铁路运输情况来预测相关线路的负荷大小, 及时和铁路调度取得联系, 才能提高负荷预测准确率。

孝感地区的大用户还有双环化工、福星科技、大展钢厂、金达钢厂、福星科技等大用户。

大展钢厂是孝感地区第二大用户, 是一家轧钢企业, 每日负荷变化很大且无规律, 在0.5万~10万k W之间上下波动, 5min内负荷差可以达到5万k W。

表2为2011年5月份大展负荷对负荷预测的影响情况。

针对以上情况我到大展钢厂进行调验, 了解其生产工艺和流程, 以及生产人员排班情况及产品销路情况 (产量影响负荷) , 通过30d的统计分析, 找出其基本负荷规律, 绘制出了负荷规律图。

(1) 0~10点:负荷在6万 (+-2万) 之间运行, 10~18点:负荷在4万 (+-1万) 之间运行, 18~20点:负荷在1万左右运行, 20~23点:负荷在8万 (+-2万) 之间运行, 23~24点:负荷在6万 (+-2万) 之间运行。

(2) 大展钢厂最大负荷为20~23点之间出现, 0~8点及23~24点负荷为高峰期, 其余为低谷期。

(3) 该厂负荷受经济形势影响大, 当产销两旺时, 负荷基本为上述规律, 销量下降时, 适时调整。

(4) 该厂全年放假三天 (春节) , 其它节假日不放假。

通过对该用户的负荷规律掌握, 2011年6、7、8三个月对大展钢厂的平均预测准确率达到了98.10%, 有效地解决了大展冲击负荷对负荷预测的影响。

1.6 农村负荷

农村用电负荷受气候、季节等自然条件影响大, 也受农作物种类、耕作习惯的影响, 不同的季节, 不同的气候, 以及温度的变化都会对负荷造成明显的影响, 近几年干旱和强对流天气造成局部排渍的极端天气在夏季常有发生, 对负荷预测准确率的影响特别大。

1.7 检修工作对负荷的影响

各种检修如果无法避免对用户造成停电, 对负荷预测都会造成影响。临时检修, 计划检修的送电时间的不可控性, 是影响负荷预测准确率的关键。

2 负荷预测的基本过程

目前湖北电网省调及其所辖地调用的是北京清软创新科技有限公司开发的负荷预测分析系统, 系统提供了开放的数据接口模块, 实现调度自动化系统、负荷管理系统等软件系统的数据互通。能够提供可供参考的负荷预测数据, 但是仅仅依靠系统做出预测不加人工修改负荷预测准确率不会很高。因为电网的检修、用户设备故障、突变天气、突发事件或某些特殊原因对统计数据带来重大影响, 这些异常数据会误导预测体系的预测结果, 因此必须靠人工排除由于异常数据的存在带来的不良影响。

3 提高日负荷预测准确率的方法

3.1 天气情况对负荷的影响

孝感地区的居民用电负荷、商业用电负荷以及农排负荷所占比重较大。这样的负荷分布格局决定了孝感地区负荷曲线的走势受天气影响巨大。解决方案一是准确掌握气象预报信息, 加强气象预报输入的准确性分析, 每天进行24h分时气象实时记录, 并且与气象预报实时对比, 发现误差后及时更正。加强气候对负荷曲线影响的分析, 多研究气候对负荷的影响, 掌握气象变化与负荷变化的规律, 提高负荷预测准确率。负荷预测专责每天记录孝感地区电网正常和特殊运行情况, 作为今后预测参考依据。

3.2 加强大用户负荷管理

孝感地区除应化是大型的工业外, 绝大多数都是中、小型厂矿, 因此对其生产无法进行有效的统计和管理, 加上钢厂、水泥厂较多, 对用电负荷缺少有力的调控手段, 铁路牵引站是典型的冲击负荷平时和节假日负荷有区别, 预测值需要作相应调整。

大展钢厂2011年4月21日以前平均负荷2.8万千瓦, 负荷在0.5万~4.5万k W波动, 由于生产扩建4月22日年该厂平均负荷达6万k W, 负荷在0.5万~9万k W, 致使孝感地区的负荷预测工作难度较大。解决方案是走访用户了解其生产流程和用电情况, 让他们也了解并且懂得负荷预测工作的重要性, 保证电压和周波在合格范围的重要手段之一。负荷预测专责人每天同大用户加强沟通, 要求其重视负荷上报工作。每日15点前准确掌握其第二天生产用电情况。分阶段恢复负荷的要准确掌握其生产恢复进度。

3.3 节假日负荷预测

国家规定的节假日有春节、国庆节、劳动节等共11d。不同的节假日, 负荷特性不一样, 给预测工作带来很大难度。加强特殊日期的负荷资料统计, 在放假之前加强和重要用户的联系, 了解他们放假期间的生产用电情况, 不犯经验主义错误。

3.4 所辖县市负荷管理

所辖县市负荷没有专职方式运行人员和负荷预测人员, 负荷管理工作需要加强。县调停电检修涉及负荷损失的详细情况应在前一天14时向地调负荷专责汇报。

3.5 检修管理

孝感地调每天由调度员、负荷预测专责、方式专责、生技科长开日分析会, 负荷预测专责人对实时电网运行方式做到心中有数。电网主设备停运, 直接影响负荷计划曲线的准确性, 所以必须加强电网设备检修的计划性, 特别是要加强对大用户的检修管理, 降低设备临修率。及时掌握电网停电检修信息。负荷预测专责及时了解月、周检修计划, 涉及负荷损失的检修工作, 方式专责在每日15时之前告知负荷预测专责。

4 总结

负荷预测是电力系统安全稳定运行不可缺少的一部分, 在市场经济大潮中, 企业经营的最终目的是实现效益的最大化, 同时追求企业效益与社会效益的统一。市场决定效益, 效益又源于市场, 因而负荷预测工作是企业市场化完成后, 决定企业效益的最基础性工作。经过对历年全地区的电量、负荷增长情况进行科学分析、预测, 分解到月, 即可对负荷预测起到指导性作用。

摘要：电力负荷预测是保证良好的电能质量, 提高系统运行的经济性的重要手段之一, 也是电力系统经济运行的基础。影响负荷预测的主要因素有季节、气候、温度、设备检修、大用户负荷波动、节假日负荷变化等。随着电网调度的精益化管理, 分地区负荷预测管理工作变得极为重要。经过近几年的探索和积累, 在负荷预测管理工作方面积累了一些有效经验。在此基础上, 孝感供电公司负荷预测指标得到了稳步提高。