母線負荷預測的實用算法

陳小平

(四川電力送變電建設公司，四川成都 610051)

隨著調度自動化系統與母線負荷量預測裝置的不斷完善，母線負荷預測能更好地實現分散式的負荷管理，對電網動態狀態估計、安全穩定分析、無功優化、廠站局部控制等方面都有重要意義。母線負荷是電網各母線節點負荷，包括有功負荷和無功負荷。實際所指的母線負荷一般是有功負荷［1］。母線負荷具有基數小、穩定性不強、負荷變化的趨勢不明顯、有壞數據、母線間的差異較大等特點，所以母線負荷的預測難點是提高精度［2］。

目前，母線負荷預測主要有兩大類方法:一類是基于母線負荷自身變化規律的預測方法［3］。這類方法認為:與全網負荷的分析過程類似，母線負荷自身具有特定的變化規律，可以用全網預測的某些方法來進行母線負荷預測。但由于母線負荷容易發生突變，穩定性比系統負荷差，因此如果簡單借鑒系統負荷預測方法可能產生較大的誤差;另外一類是基于系統負荷分配的預測方法，即分布因子法［4］。該類方法的思路是:首先由全網負荷預測取得某一時刻全網的負荷值，然后按照一定的比例因子將其分配到每一條母線上。國內外集成于能量管理系統(EMS)中的母線負荷預測功能大多是采用這種預測方法，其特點為便捷易用，準確性較高。但缺少獨立的母線負荷規律性分析和預測手段，在精細化預測及可擴展性方面還有待提高。

在傳統的基于母線負荷分配系數的基礎上，提出一種考慮天氣、節假日、企業生產變化、母線負荷轉供等因素的母線負荷預測實用算法，利用該算法對某地區進行母線負荷預測，具有很高的準確率，分析其結果完全能夠滿足母線負荷考核的需求。

1 母線負荷建模與指標

1.1 母線負荷模型

結合調度一體化網絡，所提的母線負荷結構采用分層樹狀結構，如圖1所示。在圖1母線負荷結構中，形成的負荷對象是區域、廠站的層次關系，第一層為系統負荷，第二層為區域負荷，第三層是變電站負荷，第四層是母線負荷。在實際的電網中，母線上的各種負荷交雜，且影響母線負荷的外在因素也不同，如天氣、節假日、企業生產變化、母線負荷的轉供等，所以靜態模型的負荷成分比重是不同的。母線負荷預測中，要提高預測精度，需合理地確定母線的負荷成份比重。

圖1 母線負荷預測樹型結構

1.2 母線負荷的預測指標

預測精度根據國家電網《電網母線負荷預測功能技術規范》中規定的準確率指標進行計算。采用每日96點負荷數據(每天00:15～24:00，每15 min一點)，其主要考核指標如下。

(1)單母線負荷i每時段j的相對誤差

(2)母線負荷預測準確率(%)

式中，Ai為時段k的區域統計誤差

(3)母線負荷預測合格率

其中，M為區域內考核的母線負荷總數;N為日預報總時段數。

2 算法的主要思想

該算法的主要思路如下:確定需要使用的母線負荷模型后，通過對最近的D天歷史樣本數據進行模式匹配分析，計算所有歷史日與待預測日的相似度，并對所有歷史日的相似度進行排序，選擇前面的n天作為相似日，在此基礎上對預測日的母線負荷進行預測。下面以母線負荷的有功為例，其詳細步驟如下。

1)相似日的選擇

選擇星期類型，天氣類型，日最高氣溫，最低氣溫作為影響負荷變化的主要因素，根據文獻［5］提供的思想和方法將相應的影響因素映射到特征量映射表中。根據映射以后的標準特征值確定日特征量的差異度、相似度，選取相似日。設預測日的標準特征向量為x0，歷史各日的特征向量為 xi，其中 i=1，2，…，m，且

則定x0和xi在第k點的關聯系數為ζi(k)。

綜合各點的關聯系數可以得到整日的相似度si為

在相似日的選擇中相似度Si越大，說明歷史日與預測日在日類型上相似日度越大。另外，在相似日的選擇中，將一年分為春夏秋冬四季，相似日只在同一個季節中選擇。

2)對選取的D天的樣本集，有相似度Si(i=1，2，…，D)，進行歸一化處理，如式(9)所示。

3)對其排序，選擇其中相似度較大的n(n＜D)天的樣本數據作為相似日樣本備用數據。假設一共有母線負荷N個，一天有T(T一般等于96)個點，則待預測日的母線負荷數據是這n天樣本母線負荷的加權平均值，如式(10)所示，其中P0jt表示待預測日的第j(j=1，2，…，N)個母線負荷在一天的第t(t=1，2，…，T)個點母線有功負荷值，si為歸一化后的第i天相似度。

4)根據式(10)得到每點的所有的母線負荷數據求取其母線負荷分配系數，如式(11)所示。

5)接入待預測日的所有T點的系統負荷預測值Lt(t=1，2，3…，T)，則可以得到待預測日的所有母線負荷值。如式(12)所示。

3 關鍵技術

3.1 預測樣本

在實際的電網中，母線負荷時間序列比系統的總負荷更具有分散性、波動性、非線性，母線負荷預測比系統的預測更為復雜，更具有不確定性。當前母線負荷預測的數據來源主要是15分鐘的狀態估計結果，在狀態估計出現連續不收斂或廠站排除等情況下，母線負荷預測可能會出現某些時段樣本數據缺失。可采用提高采樣頻率、增加SCADA數據源交叉驗證等方式，來獲取相對穩定可靠的樣本數據。

3.2 數據預處理

母線負荷數據量大面廣，屬于海量數據管理的范疇。在面對海量數據的同時，母線負荷中出現不良數據的情形比較常見，對預測準確率有很大的影響。對于不良數據的處理，如完全依賴手工修正的方式幾乎是不可能的，因此需要一種壞數據自動修補技術進行預處理。在該方法中，主要利用狀態估計和SCADA數據雙源熱備機制來維護數據的完整性。一方面，利用特征分析等方法，通過符合數據的橫、縱向的對比來分析、辨識和記錄不良數據;另一方面，利用插值、虛擬預測和特征值提取等方法來修補壞數據。

3.3 預測結果校驗

母線負荷對象都經過具體的設備進行傳輸，并實現等值負荷建模，如主變壓器高壓側、線路等值，這些設備傳輸功率都可定義功率上下限，在預測結束后，對預測結果進行基本的合理性檢驗，可以避免預測結果中由于總負荷功率分配方式而出現越限的不合理現象。除了通過上述的靜態限值方式，進行校驗外，還需要根據負荷的歷史變化規律，動態分析分析負荷的典型曲線和變化曲線，找出可疑的預測結果，并按照可疑程度進行分級顯示，簡化使用人員工作量。

4 仿真分析

為便于分析，算例以一周連續7日負荷預測的結果為例。為避免預測樣本數據和待預測樣本數據時間重疊，采用某省2010年9月10日至2010年10月10日期間某條220 kV母線負荷的歷史數據，對2010年10月20日至2010年10月26日的負荷進行預測，每日預測點數為96點。

仿真過程中，結合前述關鍵技術，按照“提取樣本數據—數據預處理—母線負荷預測算法—預測結果校驗”等步驟，用MATLAB程序實現上述算法。選取平均日母線負荷預報準確率和平均日母線負荷預測合格率作為分析和評判的依據。結果如表1。

從表1分析可知。

1)從選取的7天的結果分析可知，所提的實用算法平均預測準確率達到了91.41%，平均合格率達到了89.68%，完全滿足母線負荷預測考核的要求;

表1 平均日母線負荷預測準確率和合格率分析表

2)2010月22日的平均準確率相對較高，但其平均合格率卻相對較低，10月26日則正好相反;可以說明平均合格率和平均準確率沒有必然的聯系;

3)由于天氣預報提供的信息不準確等原因，可能造成某天準確率較低。所以算法在對天氣等因素的考慮上仍需較多改進。

5 結論

在傳統的基于母線負荷分配系數的基礎上，提出了一種考慮多種不確定因素的母線負荷預測實用算法，該算法借鑒短期負荷預報中的成功應用經驗，從歷史樣本數據中依照天氣、節假日、企業生產變化等不同情況的負荷特性，選擇相似日匹配，最后依照與待預測日模式的距離函數值的大小確定其間的權重關系。通過對某地區母線負荷進行實例仿真，分析發現該方法具有較高的精度和較強的工程實用價值。對外部因素考慮的還不夠全面，今后當進一步加強這方面的信息，更大地提高母線負荷預測精度。

［1］辛麗虹.電力系統母線負荷預測研究［D］.成都:四川大學，2000.

［2］康重慶，夏清，劉梅.電力系統負荷預測［M］.北京:中國電力出版社，2007.

［3］Espinoza M，Joye C，Belmans R，et al.Short－term Ioad Forecasting，Profile Identification and Customer Segmentation:A Methodology Based on Periodic Time Series［J］.IEEE Trans on Power Systems，2005，20(3):1622 －1630.

［4］鞠平，馬大強.電力負荷系統建模［M］.北京:中國電力出版社，2008.

［5］牛東曉，曹樹華，盧建昌，等.電力負荷預測技術及其應用(第二版)［M］.北京:中國電力出版社，2009.