配電網饋線負荷特征及短期預測分析

趙丹++李雪剛

摘 要：饋線負荷由于其重要性受到了各方關注。在分析饋線負荷特征的基礎上，對影響配電網饋線短期負荷預測的因素和饋線短期負荷預測方法進行了分析。

關鍵詞：配電網 饋線負荷 預測

中圖分類號：TM76 文獻標識碼：A 文章編號：1672-3791（2015）04（c）-0039-01

根據最新統計數據，2014年我國全社會用電量高達55233億kW時，同比2013年增長3.8%；全國發電裝機容量13.6億kW，比上年增長8.7%，創新歷史新高。準確的電力負荷預測為電力系統運行、規劃提供了重要的基礎資料。不同時間的負荷預測對電力系統分析的作用和目的不盡相同，本文以配電系統饋線負荷預測為研究對象，在分析饋線負荷特征的基礎上，對饋線負荷預測需考慮的因素和預測方法的選用進行了分析。

1 配電網饋線負荷特征

從負荷預測的時間來看，負荷預測可分為短期、中期和長期三類，其中，短期負荷預測的時間從一天到數周，短期負荷預測可用于經濟調度、機組協調運行、備用容量評估、電力潮流計算、短期運行規劃和近期設備維修，通過準確的短期負荷預測可降低在電力系統短期規劃期間電力運行與規劃的風險，減少不必要的成本浪費。從負荷預測的研究現狀來看，當前研究大都集中于系統負荷預測，而對于饋線負荷的預測關注較少。但是，饋線負荷對于配電系統規劃、安全運行、設備維護、負荷分析等極為重要，準確的饋線負荷預測與系統負荷預測類似，亦可有效地降低配電系統的運行成本，減少用戶停電次數，提高配電系統的供電可靠性。

與電網負荷不同的是，由于配電網饋線負荷的增長變化不平滑，通常在短期內，如幾年就達到負載飽和，即配電網饋線負荷將呈現出S型，如圖1所示[1]。

因此，雖然不同饋線實際的負荷增長曲線有較大差異，但綜合而言，整個電力系統負荷可能呈現平滑、連續增長特征，則是由不同饋線的S型增長綜合作用的結果。從圖1還可以看出，若根據往年饋線負荷數據利用外推方法所得的虛線是很難表示這種S型增長趨勢的。為此，有學者提出，可采用聚類分析、或者h年負荷估計等方法進行預測，其目的在于消除圖中不同時刻外推的影響，而非提高長期負荷預測的精度[2]。基于經驗估計h年的負荷，這種方法雖然簡單方便，但精度難以保證，并且沒有充分利用饋線本身的信息。

2 配電網饋線短期負荷預測

2.1 影響配電網饋線短期負荷預測的因素

其實，導致饋線負荷規劃及預測精度較低的最大原因在于饋線負荷的變數多且大，這些因素主要包括饋線負荷歷史資料，饋線所在地的歷史溫度、風速等氣候資料，尤其是在短期負荷預測中，對于國民經濟增長率、城市規劃等影響長期負荷的因素則可以少考慮。因此，當前饋線負荷預測面臨的困難主要有三個方面的內容。

（1）歷史資料收集困難。

對電力系統而言，對于電網負荷的重視度更高，而饋線負荷的歷史數據相對較少，并且，一部分供電區域的負荷資料還需依靠人工方式進行資料的抄錄和轉換，無論在資料收集上，還是在模型建立所需要的訓練樣本上都極為不易。

（2）饋線負荷波動大。

電網負荷預測，由于范圍大，區域廣，由于用戶用電行為的差異性和互補性使之精度更高，但饋線負荷相對電網負荷波動性更大，其原因在于饋線負荷下用戶數有限，一般萬戶數居多，且饋線供電區域有限，在區域內部用戶用電行為可能出現突增或突減，從而降低了預測的準確度。克服這種現象的方法之一就是將資料取對數（正規化）來降低突變的數值，一方面可以使曲線相對平滑以提高預測的準確度，另一方面也可以降低歐幾里得距離判定模式系數的錯誤幾率。

（3）資料的丟失和補充。

資料丟失是各類負荷預測中必然面對的問題，可能是由于各種因素導致預測序列資料丟失，致使距離計算結果出現偏差造成負荷分類結果的錯誤，因此，需對錯誤的數據進行修補。

2.2 配電網饋線短期負荷預測方法

對于饋線短期負荷預測，方法主要是先對歷史時間序列進行負荷分類，然后基于某種特性對分類后的負荷進行預測。

（1）饋線負荷分類方法。

正如上面所提到的，應用最多的饋線負荷分類方法就是聚類理論，具體而言，主要涉及四種算法：分割式算法，階層式算法，密度式算法和網格式算法。如[3]使用樹狀的階層式算法分析負荷曲線資料。

就聚類的方法而言，一般有兩類，①從小聚集到大聚集，即資料從小聚集形成大聚集，最后形成一個單一的聚集；②從大聚集到小聚集，與前一方法正好相反，將所有資料當成一個聚集，再慢慢地分成小的聚集，最后再形成一個單一聚集。

（2）時間序列預測分析。

基于聚集后的數據，需對時間序列進行分析。短期時間序列分析就是以過去饋線負荷資料為基礎，預測饋線負荷短期未來趨勢，以多元回歸模型構建負荷預測，構建的模型需負荷相關檢測準則，若檢測結果不符合相關假設，則需對模型進行誤差修正，以構建出最佳化的回歸模型。

時間序列分析中使用最多的就是時間序列模型，如自回歸模型、移動平均模型和結合前面兩種方法的自回歸移動平均模型等。最小平方法作為一種常用的統計方法，通過尋找一條回歸線使回歸殘差的平方和為最小，在進行回歸預測時應用也較多。而單根檢定主要是檢定變數值是否具有單根，該方法可對序列是否穩定進行判斷。

此外，基于神經網絡在電網負荷預測中的經常性應用，已有學者將類神經網絡方法引入到饋線短期負荷預測鐘來。

無論哪種預測方法，都需要計及饋線負荷的歷史數據、饋線所在地的溫度、風速等氣候數據，然后引入合理的模型系數予以擬合。相對而言，短期負荷預測由于時間較短，對于季節因素可以少考慮，而對于歷史數據、晝夜溫差、風速等可賦予更大的權重。

參考文獻

[1] 孫才新.電力地理信息系統及其在配電網中的應用[M].北京：科學出版社， 2003.

[2] 萬國成，王漢華.最小二乘法在配網饋線年度負荷預測中的應用[J].電氣應用，2008，27（9）：32-34.

[3] Ke YL.Distribution feeder reconfiguration for load balancing and service restoration by using G-nets inference mechanism[J].IEEE Transactions on Power delivery，2004（19）：1426-1433.