電網負荷特性分析與預測

陳茂遷，王海燕，陳仕軍

（1.寧波電業局，浙江 寧波 315800；2.眉山電力公司，四川 眉山 620010）

0 引言

負荷特性[1]曲線的波動性與年最大負荷、日最大負荷出現的時間有關，而影響負荷曲線形狀的主要因素是負荷的季節變化、用電設備的大修情況及負荷在年內的增長情況。

文獻[2-10]分別對廣州、南京、上海等地的負荷特性進行詳細分析和說明，指出了這類地區負荷特性的影響因素和發展趨勢，符合當地的實際情況，但是其分析過程不適宜推廣到其他地區或城市。

負荷特性的預測與分析通常采用統計學原理來進行，但是數據分析相當困難，要從大量的數據中找出各種周期性的規律,得出與預測相關因素的大小與權值,并根據這些數據來預測未來的負荷。本文提出了一種簡化的負荷特性分析與預測的算法，在現狀分析的基礎上，對某一實際地區未來5年和10年的負荷特性進行預測。

1 現狀分析

在對負荷現狀作分析時，要綜合利用多年的數據，但這些數據事先必須進行處理和修正。

1.1 基礎數據

基礎數據是分析的基礎，必須準確地收集多年資料，A代表基礎數據的整體，其中Xn為每組數據的多年值，即：

其中：xn（t）在年負荷特性中為第t年每個月份的負荷最大值，在日負荷特性中為第t年典型日每個時刻點的負荷最大值；t為年份；n在年負荷特性中為12，在日負荷特性中為24。

1.2 基礎數據標幺化

多年數據的數值大小差別很大，可比性較差，因此需要對基礎數據進行標幺化處理。

年度數據的最大值 Xmax（t）：

年度數據的標幺化處理：

1.3 求平均值

綜合多年數據，對每年的標幺值求平均值：

1.4 修正

多年的平均值得出的結果往往沒有標幺值為1的月份或者時刻點，需要對數據進行修正。

式中：k∈（1，2，…，n）

令Ck=1代入公式（7）得：

綜上，數列C即為以現狀數據為基礎得出的多年平均年負荷特性曲線，或者多年平均典型日負荷特性曲線。

1.5 負荷特性指標

在多年平均年負荷特性曲線或者多年平均典型日負荷特性曲線的基礎上，計算下列負荷特性指標。

（1）典型日的年平均日負荷率γav

在工程實際中，要收集全年8760 h的負荷數據較難實現，因而在典型日24 h負荷數據的基礎上計算典型日平均日負荷率，作為年平均日負荷率 γav， 即：

式中： P典型日·av為典型日的日平均負荷； P典型日·max為典型日的日最大負荷。

典型日可以分為豐水期典型日和枯水期典型日，具體劃分要在充分了解當地電網多年運行情況和氣候等因素的基礎上進行。

（2）典型日的年平均日最小負荷率βav

在工程實際中，可用典型日平均日最小負荷率作為年平均日最小負荷率，即：

式中： P典型日·min為典型日的日最小負荷； P典型日·max為典型日的日最大負荷。

（3）年平均月負荷率[1]σav

年平均月負荷率σav又稱月不均衡系數，是指1年中各月平均負荷之和與各月最大負荷日平均負荷之和的比值，即：

（4）季不平衡率 ρav

季不平衡率ρav又稱季不平衡系數，是指1年中各月最大負荷日的最大負荷之和的平均值與年最大負荷的比值，即：

2 負荷特性預測

2.1 年負荷特性

在年負荷特性中，季不平衡率ρav與年負荷曲線的波動性和年最大負荷出現的時間有關，而影響年負荷曲線形狀的主要因素是負荷的季節變化、用電設備的大修及負荷在年內的增長。

年負荷特性預測的具體步驟如下：

（1）由歷史數據求出歷史平均年負荷曲線的季不平衡率ρav。

（2）根據歷史數據，用灰色預測法預測未來第 i年的季不平衡率 ρav， 表示為 ρ預測·i。

（3）將以上預測出的 ρ預測·i和歷史平均年負荷曲線代入下式，求出預測年各月的負荷標幺值。

式中： Pm·ij為預測第 i年第 j月的負荷標幺值； Pav·j為歷史平均年負荷曲線第j月的負荷標幺值。

（4）將預測出的年負荷曲線負荷最大月份的數值修正為1（標幺值），重新計算季不平衡率ρav，并相應計算其他參數。

2.2 日負荷特性

在典型日負荷特性中，年平均日最小負荷率βav與曲線的峰谷差有關，而影響曲線波動峰谷差的主要因素是用電結構比例和氣候變化。

日負荷特性預測的具體步驟如下：

（1）由歷史數據求出歷史平均典型日負荷曲線的最小負荷率βav。

（2）根據歷史數據，用灰色預測法預測出未來第i年典型日的最小負荷率βav，冬季和夏季分別表示為 β預測·夏·i（未來第 i年夏季典型日的最小負荷率）、 β預測·冬·i（未來第 i年冬季典型日的最小負荷率）。

（3）將以上預測出的 β預測·夏·i， β預測·冬·i和歷史平均典型日負荷曲線代入下式，求出預測年份典型日各時刻的負荷標幺值。

式中：Pt·夏·ij為預測第i年夏季典型日第j時刻的負荷標幺值； Pt·av·夏·j為歷史平均夏季典型日負荷曲線第j時刻的負荷標幺值；βav·夏為歷史平均夏季典型日負荷曲線的最小負荷率。

式中：Pt·冬·ij為預測第i年冬季典型日第j時刻的負荷標幺值； Pt·av·冬·j為歷史平均冬季典型日負荷曲線第j時刻的負荷標幺值；βav·冬為歷史平均冬季典型日負荷曲線的最小負荷率。

（4）將預測出的典型日負荷曲線負荷最大時刻的數值修正為1（標幺值），并重新計算最小負荷率βav及相應的其他參數。

3 算法流程

通過以上的分析及數據處理，可以建立相應的算法對現狀數據進行分析，并在此基礎上對未來幾年的負荷特性曲線進行預測，計算結果可用于指導電網年度運行計劃的制定。具體算法流程如圖1所示。

圖1 算法流程

（1）輸入數據：輸入數據為多年的年負荷特性和日負荷特性數據，這些數據來源于某一地區的供電公司和電網規劃報告。

（2）假設條件：用典型日的最小負荷率βav來代替全年的日最小負荷率。

（3）輸出數據：輸出數據為預測出的年負荷特性曲線和日負荷特性曲線。

4 實際應用

針對某實際系統，收集到相關數據后，利用以上算法得到了預測的年負荷特性曲線和日負荷特性曲線。

4.1 年負荷特性預測

該區域電網年負荷特性預測結果見圖2，其中實線、虛線和點劃線分別表示現狀、2015年和2020年的預測曲線。

圖2 年負荷特性

由圖2可知：

（1）季不平衡率ρav由現狀多年平均的0.861提升到2015年的0.874和2020年的0.877，年負荷曲線的波動穩步減小，符合該地區大力發展第二產業的發展方向。

（2）負荷曲線表明最大負荷出現在12月份，這是由于該地區大型工業在年底趕工和居民取暖用電比例提高，符合該地區的現狀。

4.2 夏、冬兩季日負荷特性預測

對該區域電網夏、冬兩季典型日負荷曲線進行預測，結果表明：

（1）夏季典型日的年平均日負荷率γav由現狀的0.872上升到2015年的0.887和2020年的0.890；冬季典型日的年平均日負荷率γav由現狀的0.834上升到2015年的0.841和2020年的0.842。表明日負荷曲線的峰谷差減小，這是因為三班制的重工業用電所占比例進一步增加，第三產業和第一產業用電比例略有降低，符合該區域電網的發展趨勢。

（2）從夏季和冬季典型日平均負荷區域曲線預測看，在18∶00左右有1個高峰，這是由于三班制重工業的持續生產加上18∶00為居民生活用電高峰，符合該區域電網現狀。

5 結語

針對電力負荷特性在實際應用中數據離散性較大的特點，從工程角度出發提出了一種新的負荷特性分析預測方法。采用具有代表性的典型數據并對其進行標幺化和修正處理，強化了數據的一致性，然后計算負荷特性的相關指標，進而對年負荷特性和日負荷特性進行預測。簡化了負荷特性預測算法，提高了算法的可操作性，克服了傳統算法數據需求量大的不足，準確度較高，能夠反映負荷特性的變化規律，可用于電網發展基本成型的城市和地區的負荷特性分析預測，對電網規劃及電力調度等具有一定的參考價值。

通過對某實際電網具體數據進行的測算，證明了該算法的適應性，預測結果符合該地區的現狀和發展趨勢。該算法已經應用于該地區的電網規劃工作，為該地區的負荷特性分析提供了有力的支撐。

[1] 趙希正，周小謙，姜紹俊.中國電力負荷特性分析與預測[M].北京∶中國電力出版社，2002.

[2] 陳健，劉明波，樊亞亮.廣州電網負荷特性分析[J].電力系統及其自動化學報，2009，21（6）∶78-83.

[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，2004，16（6）∶55-59.

[4] 李鵬，任震.廣州電網負荷特性分析及短期預測模型設計[J].電力自動化設備，2002，22（8）∶50-53.

[5] 趙永良，易武，謝開貴.固原電網負荷特性分析[J].電網技術，2007，31（2）∶230-232.

[6] 姜勇.南京市居民夏季用電負荷特性分析[J].繼電器，2003，31（4）∶24-26.

[7] 徐方龍，謝國棟，黃蘇融，等.上海市區供電局電力負荷特性分析[J].上海大學學報（自然科學版），2000，6（3）∶222-226.

[8] 楊宗麟.華東電網負荷特性分析預測[J].華東電力，2008，36（5）∶50-52.

[9] 陳健.廣州電網負荷特性研究[D].華南理工大學電力學院，2007.

[10] 姜勇.南京地區春節負荷特性分析及其預測方法[J].電網技術，2003，27（5）∶72-74.