新疆某地區不同類型負荷特性分析

阿衣布拉克汗·吐爾洪 加瑪力汗·庫馬什

摘 要：該文介紹了電力系統負荷及負荷特性指標的概念，確定研究對象，在此基礎上，利用SPSS數據統計軟件聚類分析法來對某地區電網的負荷特性進行了分析計算，主成分分析法來研究氣溫因子與負荷間的影響程度，為做好某地區用電負荷安排，開展計劃用電，保證電能質量和電網安全穩定運行利用時間序列分析法來進行負荷預測，確定負荷特性變化的總體趨勢。

關鍵詞：電力負荷 負荷特性 負荷預測 聚類分析

中圖分類號：TM714 文獻標識碼：A 文章編號：1674-098X（2012）12（a）-00-03

電力負荷是電力系統的重要組成部分，它作為電能的消耗者對電力系統的分析、設計與控制有著重要影響。幾十年來，人們提出了大量的負荷模型，同時，也不斷積累了不少實測參數。建立較為完善的負荷特性數據庫，可以簡單快捷的查詢、調用歷史數據，便于從一個整體、長期的范圍來對負荷特性進行比較、分析、綜合和應用。在負荷特性分析的基礎上進行負荷預測，從已知的用電需求和電力負荷影響因素出發，探索用電負荷與主要影響因素之間的內在聯系，根據其變化規律對未來用電需求做出預測。在電力工業發展中，電力系統負荷預測有著非常重要的作用，而且也影響著國民經濟的發展。

1 負荷特性分析

電力系統的負荷特性又稱電力系統的負荷方式，它每時每刻都在發生變化，通常是用負荷特性曲線來表示。負荷特性分析就是根據負荷電量類、氣象類、行業及產業類、用電器類、經濟類等數據計算有關指標進行不同類數據間相關性的分析[1-4]。

該文所用的負荷特性分析方法：（1）聚類分析。聚類分析就是通過分析所給數據記錄，根據一定的分類規則，合理地劃分記錄集合，確定每個記錄所在類別，它所采用的分類規則是由聚類分析工具決定的。聚類是將數據點集合分成若干類或簇（cluster），使得每個簇中的數據點之間最大程度地相似，而不同簇中的數據點最大程度地不同；從而發現數據集中有效的、新穎的、有用的信息并且可以分析出當前數據的分布情況。（2）主成分分析。主成分分析是在基本保持原變量信息不變的前提下，通過原變量的少數幾個線性組合來代替原變量并揭示原變量之間的關系的一種分析方法[5]。（3）時間序列分析。SPSS提供了強大的時間序列分析的功能。由于電力系統負荷數據是以時間序列形式存儲的，所以很方便采用時間序列分析法進行負荷預測。

2 基于SPSS的負荷特性分析

2.1 聚類分析

SPSS的聚類分析，又稱集群分析，是通過數值特征，來觀察變量之間的親屬關系，這種親屬關系是用變量之間的距離來衡量的，距離定義之后，則把距離近的變量歸為一類。在此利用SPSS軟件對某地區電網2月份的負荷利用聚類分析法進行特性分析。

4張曲線圖表分別表示屬于4個類別的電力用戶日負特性曲線。可見28 d被很好的分為了4類。同類曲線形態相近，而不同類的曲線形態明顯相異。對每一類中的負荷曲線進行平均化操作，就可以得到4個具有代表性的特性曲線，這就是用于表征各自類別的典型負荷曲線。

圖1 屬于第一類的負荷曲線

圖2 屬于第二類的負荷曲線

圖3 屬于第三類的負荷曲線

圖4 屬于第四類的負荷曲線

2.2 主成分分析

為了能用少量的氣象因子來表征一天的天氣狀況，這里將氣象因子作為一個分析集合，進行氣象因子的主成分分析以某地區2010年夏季的相關氣象因素數據作為訓練數據。利用SPSS的因子分析對相關因素作主成分分析，分析結果如下表1、表2所示：

表2是主成分的統計信息，包括特征根由大到小的次序排列，各主成分的貢獻率方差貢獻率：第一主成分的特征根為2.995，它解釋了負荷變化的99.838%；第二主成分的特征根為0.005，它解釋了負荷變化的0.162%，第三主成分的特征根為1.226，它解釋了負荷變化的4.087%。前1個主成分累計貢獻率達到了99.838%，這說明前1個主成分提供了原始數據的足夠信息，因此提取了1個主成分。由第1主成分與原始變量關系，可以寫出主成分與原變量的線性組合，根據表3所示的主成分矩陣，主成分可用下列線性組合

表示：

（1）

通過主成分分析降低了數據維數，去除了數據間的相關性，減少了噪音數據的影響。

2.3 時間序列分析

SPSS提供了強大的時間序列分析的功能。由于電力系統負荷數據是以時間序列形式存儲的，所以很方便采用時間序列分析法進行負荷預測。

（1）模型的識別。計算出樣本自相關系數和偏自相關系數的值之后，要根據它們表現出來的性質，選自適當的ARMA模型擬合觀察值序列。

（2）模型的建立。用SPSS 17.0軟件建立模型，得到參數估計結果如下表3所示：

從而得到模型為：4

（2）

（3）模型的檢驗。判斷殘差序列是否為純隨機，可以利用自相關分析圖進行直觀判斷。

圖5 殘差序列的自相關ACF及PACF圖

可以看出殘差序列的自相關與0無顯著不同。基本落人隨機區間，認為殘差序列為白噪聲序列，模型通過檢驗。

（4）模型的預測與分析。由上述建立的模型可知，某地區電網的總負荷的增長不僅與上一期、上二期的負荷總值有關，而且與上一期、上二期的擾動有關。上一期總產值增長1%、本期會增長0.753%；上二期總產值增長1%，本期會增長0.199%。

預測效果見圖6。

預測結果分析：由此圖可以看出，預測結果與實際值很接近能夠達到98%預測相對誤差為3%，差值非常小，結果令人滿意。說明模型具有良好的預報效果及擬合圖，模型擬合效果良好。

3 結語

（1）在積累和分析大量負荷特性數據的基礎上，第一次較全面、完整地摸清了某地區電網負荷的變化規律及發展趨勢及通過以聚類分析，找出歷史相似日；（2）深入分析了溫度對負荷的影響，計算出某地區降溫負荷的比重，對電力最高負荷的短期預測有較強的指導作用，可以提高錯峰預警的準確性，在保證電網安全的情況下最大限度地減少錯峰對用戶的影響，提高用戶及電網的經濟效益。（3）用SPSS軟件時間序列分析法的ARIMA法重點研究了負荷特性預測總體負荷特性的模型，并經驗證明合理，對電力短期負荷預測有較強的實用意義。根據不同負荷的特性制定相應的措施，可最大限度地達到削峰填谷的作用，提高電網經濟運行效益。

圖6 某地區電網負荷預測圖

圖7 預測結果詳細圖

參考文獻

[1] 李珞新，行業用電分析[M].北京：中國電力出版社，2002.

[2] DSM負荷特性及預測理論及其分析方法的研究[R].南京：東南大學，2003.

[3] 葉剛健，蔣金良.汕頭電網負荷特性分析與預測[J].電力系統及其自動化學報，2004，12（6）：16.

[4] 肖國泉，王春，張福偉.電力負荷預測[M].北京：中國電力出版社，2001.

[5] 王志征，余岳峰，姚國平.主成分分析法在電力負荷預測中的應用[J].電力需求側管理，2003，24（3）：21-24.