城市電網負荷特性分析方法研究

孫　曉，曾浩宇，梁　維，楊丹青

（1. 湖南工業大學 機械工程學院，湖南 株洲 412007； 2. 湖南工業大學 電氣與信息工程學院，湖南 株洲 412007）

城市電網負荷特性分析方法研究

孫曉1，曾浩宇2，梁維2，楊丹青2

（1. 湖南工業大學 機械工程學院，湖南 株洲 412007； 2. 湖南工業大學 電氣與信息工程學院，湖南 株洲 412007）

針對累積式自回歸-移動平均模型在現代城市降溫負荷預測中準確性不高的問題，提出一種雙因子累積式自回歸-移動平均模型，并用兩種模型進行預測。經對比后發現，新模型通過引入平均溫度算子，有效提高了城市降溫負荷預測的準確性，并對現代城市有較好的普適性。

電網；負荷分析；負荷預測；ARIMA模型

0　引言

城市電網負荷特性，是電力公司對城市電網發展趨勢研究以及電網建設方案制定的重要參考依據［1］。近年來，工業發展模式從粗放型轉變成資源節約型，高能耗工業增長緩慢甚至萎縮，城市居民生活用電比例明顯增加，景觀用電量持續增長，現代城市電網的負荷特性變得更加復雜。如何進行新形勢下的城市電網負荷特性分析成為了行業難題。

在“十二五”期間，某市地區經濟呈現較大持續增長勢頭，產業結構優化明顯，居民的生活水平和生活質量顯著提高，居民用電量持續增加。隨著空調的普及，降溫負荷呈現增大的趨勢，這對日負荷曲線的影響增大。因此，對該市降溫負荷的分析變得越來越重要［2］，也對降溫負荷預測模型的準確性提出了更高的要求。

1　負荷特性分析

1.1年負荷特性分析

2011—2014年，該市的供電量、最大負荷以及增長率見表1，本文所用電力數據、圖片均來源于該市國家電網公司。由表1可知，該市2012年與2011年相比，售電量基本持平，最大負荷增加6.51%；2013年相對2012年售電量與最大負荷增加明顯，增長率分別為8.52%和11.62%；2014年相對2013年兩項數據略有回落。

表1　2011—2014年城市年供電量及最大負荷Table 1　Annual urban power supply and its maximum load in years 2011—2014

該市國家電網公司2011—2014年的售電構成見表2。由表2可知，該市大工業售電量接近總售電量的60%，為典型的工業城市；居民用電量近年來持續增長。

省統計局公布的該市2011—2014年的年度經濟數據見表3。由表3可知，GDP年增長約200億元；第二產業對經濟增長貢獻率從70.8%降為62.7%；第三產業對經濟增長貢獻率從26.3%增加至34.0%。2014年比2013年的GDP增加了212.5億元，但年用電量基本持平，第二產業對經濟增長貢獻率降低了3.7%，可見該城市的產業結構良好。產業結構一定程度上決定宏觀經濟水平，宏觀經濟水平一定程度上決定了年供電量［3］。可預見未來幾年經濟依舊能保持持續增長，售電量將會突破100 TW·h，年最大負荷將突破2 000 MW。

表2　2011—2014年的售電構成Table 2　Composition of power sales in years 2011—2014

表3　2011—2014年的年度經濟數據Table 3　Annual economic data in years 2011—2014

1.2月負荷特性分析

該市電網2011—2014年奇數月的月最大日負荷見表4。

表4　2011—2014年奇數月的月最大日負荷Table 4　Maximum daily load of odd months in years 2011—2014　MW

由表4可知，通常1月、7月的最大日負荷高于其他月份，且增加量遠大于其他月份；5月、11月的最大日負荷較小。因為隨著居民生活水平的提高，居民越來越愿意在高溫高濕或天氣寒冷的月份使用空調［4］，使得這類月份的最大日負荷高于氣溫適宜的月份。

1.3日負荷特性分析

該市的典型日負荷曲線如圖1所示。由圖1可知，日負荷曲線較為平穩，但在8時、11時、15時、22時左右存在突變；曲線上存在較多毛刺。

工業城市的工業用電方式很大程度上影響著地區負荷曲線的走向［5］。該地區某大型冶煉集團2014年鉛鋅總產量 64.84 萬t，實現營業收入 151.02 億元，用電量常年占該地區用電量的30%左右，為該地區的工業用電大戶，該集團典型日負荷曲線見圖2。 該冶煉集團的負荷曲線類似矩形波，高、低用電量過渡時間短、差值大。

參考所在省份峰谷分時電價辦法，8時至11時，15時至19時為高峰時段，19時至22時為尖峰時段。顯然企業出于節約成本的考慮，避開高峰，尖峰時段的高電價，主動減產，選在電價低的時間段進行生產。工業企業的錯峰用電，對地區負荷曲線起到了削峰填谷的作用。

該地區為鐵路交通樞紐，鐵路車次密集。高速鐵路和普通鐵路負荷具有負荷峰谷差值大，沖擊時間短的特點。能量管理系統（element management system，EMS）顯示，某日鐵路總加負荷最大值為102.53 MW，最小值為2.95 MW，負荷率為0.41，當日鐵路負荷總加曲線見圖3。無規律的鐵路負荷容易造成地區負荷總加值突然增大，日負荷曲線峰谷值增大，局部母線電能質量下降等問題，對地區電網造成不利影響。

圖1　地區典型日負荷曲線Fig. 1　A curve graph of a regional average daily power load

圖2　冶煉集團典型日負荷曲線Fig. 2　A curve graph of the average daily power load of metallurgic groups

圖3　某日鐵路負荷總加曲線Fig. 3　A curve graph of the power load of a railway station on a single day

2　降溫負荷特性分析

2.1降溫負荷計算

因該市地處亞熱帶季風區，年平均氣溫為16～18℃，四季分明，有降溫采暖需要。隨著年售電量的持續增加，以及居民用電比率的提高，尤其是在降溫需求高的夏季，降溫負荷對日負荷曲線的影響更加明顯，因此對降溫負荷規律的研究以及預測變得日趨重要。

本文采用基準負荷比較法確定降溫負荷曲線，測算過程如下［6］。

1）確定基準日：一般選取天氣涼爽，降水量少的月份的某幾個工作日，這樣的月份幾乎沒有降溫負荷。

2）確定高溫日：一般選取一年中平均氣溫最高的月份為高溫月份，在高溫月份中選取連續幾日溫度都在高溫范圍內的日期作為高溫日。

3）確定降溫負荷：比較該月中高溫日負荷曲線與基準日的負荷曲線，差值即為該日的降溫負荷曲線。該月降溫曲線的最大值為該年的最大降溫的負荷值。

2015年月氣溫走勢見圖4。選擇7月份作為高溫月份，4月作為無采暖無降溫的月份，該年中4月與7月的每日氣溫如圖5所示。

圖4　全年氣溫走勢圖Fig. 4　Chart patterns for the yearly temperatures

圖5　月份日氣溫Fig. 5　Chart patterns for daily temperatures in April and July

參考月平均氣溫，選擇4月9日，4月15日，4月22日為基準負荷日。本文將最低溫不低于24 ℃，最高溫不低于34 ℃的日期定為高溫日，7月份高溫日為：12、13、14、15、28、29、30、31日。考慮該市電網數據采集與監視控制 （supervisory control and data acquisition，SCADA）系統對負荷的記錄水平，本文將能量管理系統（element management system，EMS）的歷史日負荷數據導出后，按1分鐘采樣1次，1天選取1 440點進行計算。選取7月15日為高溫負荷日，4月15日為基準日，日負荷曲線如圖6所示。

圖6　日負荷曲線圖Fig. 6　A curve graph of daily power load

對數據進行預處理時，采用一種基于橢圓圖形的異常查找方式，同時引入偏最小二乘回歸法對歷史數據進行提取。從n個歷史數據中提取出m個成分，定義為樣本i對第h個成分th的貢獻率，則

n為樣本數。

計算出樣本i對成分t1， t2， …， tm的累積貢獻率，即

利用統計量

可評估樣本對主成分的貢獻率。

通常選取2個成分構建函數，判斷樣本i是否為異常數據，也就是m=2，判別條件為

式（4）即為橢圓圖形。如果樣本點落在橢圓內且遠離邊界，則認為不是異常數據，落在橢圓外或者靠近邊界，則為異常數據。對于異常數據采用三點平滑處理，即

式中：x（n）為異常數據點的數值；

x（n-1）為異常數據點前一點的數值；

x（n+1）為異常數據點后一點的數值；

用MATLAB進行數據處理后，將兩日負荷對應時間點的值相減，得出降溫負荷曲線，如圖7所示。曲線自上而下分別為7月15日負荷曲線、4月15日負荷曲線、降溫負荷曲線。

圖7　降溫負荷曲線Fig. 7　A curve graph of cooling loads

7月份各高溫日相對基準日降溫負荷最大值見表5，最大降溫負荷為513 MW。

表5　最大降溫負荷Table 5　Maximum cooling loads MW

以圖7中降溫負荷曲線為例，分析多日的降溫負荷曲線可知， 8時至11時、15時至23時都存在較高的降溫負荷，負荷最高峰出現在16時左右；20時至23時是居民降溫負荷高峰時間段，20時至23時降溫負荷約為最高降溫負荷的85%～92%。這說明居民降溫負荷是降溫負荷的主要來源。23時至次日8時降溫負荷呈下降趨勢。參考當地居民生活工作作息時間，以及氣溫變化規律，23時至次日8時對降溫需求不強烈，降溫負荷隨氣溫降低而減少。

2.2降溫負荷預測

由2.1節的分析可知，降溫負荷隨時間呈周期性的變化。因此在進行降溫負荷預測時，可基于隨機序列平穩性的自回歸-移動平均（auto-regressive moving average，ARMA）模型理論，假設時間序列是隨機產生的，用時間序列的歷史數據，進行參數估計后，建立ARMA模型［7］。但在受到如天氣突變、設備事故、設備檢修等突變因素的影響時，負荷時間序列會出現非平穩的隨機過程。因此在ARMA模型基礎上用差分計算，將非平穩過程轉換為平穩過程，建立累積式自回歸-移動平均（auto-regressive integrated moving average，ARIMA）模型，ARIMA模型可適用于非平穩隨機時間序列。

ARMA模型結構為

式中：xt為負荷現在值；

xt-1， xt-2， …， xt-p為負荷過去值；

引入延遲算子B，xt-1=Bxt，xt-2=B2xt，…，xt-p=Bpxt，則ARMA模型表示為

引入xt的一階差分算子

因此，ARIMA模型表示為

因該模型只考慮了時間序列的變化，對溫度變化不敏感。因此，通過改進算法，建立雙因子的ARIMA模型，以提高預測精度。

單日氣溫數據通常包括平均溫度、最高溫度和最低溫度［8］。為分析單日氣溫數據對降溫負荷的影響，建立1個三變量的回歸方程

式中：Yt表示最大降溫負荷；

t表示日期；

Xt，ave，Xt，max，Xt，min分別表示t日的平均溫度、最高溫度和最低溫度；

b1，b2，b3分別表示平均溫度、最高溫度和最低溫度的回歸系數；

b0為常數。

利用MATLAB中的rstool函數，結合表5、圖5中的數據進行多元回歸擬合。取基準日為4月9日的最大降溫負荷值95%的置信區間，通過計算得方程

由式（12）可知，平均溫度的回歸系數的絕對值最大。引入基于平均溫度的差分算子T來加強平穩化處理。平均溫度的一階差分算子為

因此，得雙因子ARIMA模型

用2015年7月份數據分別擬合ARIMA模型、雙因子ARIMA模型，并對8月12日降溫負荷進行96個點的預測。采用2種方法預測，得降溫負荷曲線如圖8所示。由圖可知，ARIMA模型在降溫負荷拐點處的預測精度不高。用MATLAB軟件對2條預測曲線相對實際降溫負荷曲線的預測準確度的分析結果為：ARIMA模型預測準確度為92.5%，雙因子ARIMA模型預測準確度為97.8%。由此可見，雙因子ARIMA模型比ARIMA模型預測準確度更高，對溫度影響的處理能力更強。因此雙因子ARIMA模型在降溫負荷預測方面具有更好的預測效果。

圖8　降溫負荷預測曲線Fig. 8　A forecasting curve graph of cooling loads

3　結語

本文結合多組數據對某市進行了年、月、日的負荷特性分析，并著重分析了該市的降溫負荷。針對采用ARIMA模型預測時，對溫度造成的降溫負荷影響反應不準確的問題，建立了雙因子ARIMA模型，并將2個模型的預測曲線與實際計算得出的降溫曲線進行了比較。結果表明，雙因子ARIMA模型的預測精度高于ARIMA模型，在降溫負荷預測上具有更好的可用性。

［1］蘭宇，譚劍中，李軒，等. 地區電網負荷特性研究［J］. 能源技術經濟，2010，22（7）：30-35. LAN Yu，TAN Jianzhong，LI Xuan，et al. Study on Regional Power Load Characteristics［J］. Energy Technology and Economics，2010，22（7）：30-35.

［2］薛萬磊，溫權，單葆國. 降溫負荷分析方法研究［J］. 能源技術經濟，2011，23（11）：37-40. XUE Wanlei，WEN Quan，SHAN Baoguo. Study on the Analytical Method of Power Load for Cooling［J］. Energy Technology and Economics，2011，23（11）：37-40.

［3］楚成博，劉繼東，張利，等. 山東電網夏季降溫負荷特性及影響因素分析［J］. 電力需求側管理. 2013，15（1）：20-24. CHU Chengbo，LIU Jidong，ZHANG Li，et al. Studies on Temperature Lowering Load Regional Characteristics of Shandong Power Network［J］. Power Demand Side Management，2013，15（1）：20-24.

［4］雷錚，張振高，周進，等. 天津電網空調負荷分析與研究［J］. 華北電力技術，2013（2）：12-15. LEI Zheng，ZHANG Zhengao，ZHOU Jin，et al. Analysis and Study on the Air-Conditioning Load of Tianjin Gird［J］. North China Electric Power，2013（2）：12-15.

［5］廖峰，徐聰穎，姚建剛，等. 常德地區負荷特性及其影響因素分析［J］. 電網技術，2012，36（7）：117-125. LIAO Feng，XU Congying，YAO Jiangang，et al. Load Characteristics of Changde Region and Analysis on Its Influencing Factors［J］. Power System Technology，2012，36（7）：117-125.

［6］何曉峰，黃媚，農植貴，等. 地區電網降溫負荷與氣溫的敏感性分析［J］. 電力需求側管理，2013，15（5）：17-22. HE Xiaofeng，HUANG Mei，NONG Zhigui，et al. Analysis of Cooling Load and Temperature Sensitivity on Regional Grid［J］. Power Demand Side Management，2013，15（5）：17-22.

［7］張素香，趙丙鎮，王風雨，等. 海量數據下的電力負荷短期預測［J］. 中國電機工程學報，2015，35（1）：37-42. ZHANG Suxiang，ZHAO Bingzhen，WANG Fengyu，et al. Short-Term Power Load Forecasting Based on Big Data［J］. Proceedings of the CSEE，2015，35（1）：37-42.

［8］任志超，杜新偉，王海燕，等. 調溫負荷的估算方法及影響因素研究［J］. 現代電力，2014，31（3）：80-85. REN Zhichao，DU Xinwei，WANG Haiyan，et al. Research on Estimation Method of Temperature Adjusting Load and Its Influence Factor［J］. Modern Electric Power，2014，31（3）：80-85.

（責任編輯：鄧光輝）

On an Analytical Approach to Load Characteristics of Urban Power Grids

SUN Xiao1，ZENG Haoyu2，LIANG Wei2，YANG Danqing2
（1. School of Mechanical Engineering，Hunan University of Technology，Zhuzhou Hunan 412007， China；2. School of Electrical and Information Engineering，Hunan University of Technology，Zhuzhou Hunan 412007， China）

A dual-factor auto-regressive integrated moving average model （ARIMA model） has been established to tentatively improve the low accuracy of the ARIMA model in forecasting modern urban cooling loads， followed by a simultaneous predication testing by these two models. A final comparison between the two prediction results shows that the new model， by introducing an average temperature operator to the forecasting process， has effectively improved the urban cooling load forecasting accuracy with a universal applicability on its former basis of an ARIMA model.

power grid；load analysis；load forecasting；ARIMA model

TM714

A

1673-9833（2016）03-0043-06

10.3969/j.issn.1673-9833.2016.03.008

2016-01-05

孫曉（1972-），男，湖南株洲人，湖南工業大學教授，碩士生導師，主要從事機電控制與計算機應用技術方面的教學與研究，E-mail：sxbug@163.com