配電網空間負荷預測方法的應用研究

彭玉芹

（江蘇省電力公司 海安縣供電公司，江蘇 南通 226600）

配電網空間負荷預測方法的應用研究

彭玉芹

（江蘇省電力公司 海安縣供電公司，江蘇 南通 226600）

針對配電網空間負荷預測方法進行了研究，將總量負荷預測與空間負荷預測相結合。在總量負荷預測上，采用基于人工神經網絡的組合預測方法，盡可能消除不確定性因素的影響。在空間負荷預測上，采用基于模糊貼近度的負荷密度法，建立了相應的負荷密度選取指標。根據總量負荷預測結果對空間負荷預測結果進行校核和修正，為規劃區配電網的網架規劃、變電布點、容量和建設時間提供了依據。

配電網；負荷預測；空間負荷預測；人工神經網絡；模糊貼近度

中低壓配電網是電力系統重要的組成部分，主要負責小微企業、第三產業和居民生活用電，電力用戶大量集中。作為城鎮主要基礎設施的中低壓配電網，其建設步伐不但需要與城鎮建設和經濟發展同步，更需要適當超前。配電網的建設是否科學、合理，很大程度上取決于建設前期的配電網規劃工作。負荷預測，尤其是中長期負荷預測結果的準確度，直接影響到配電網規劃結果的質量。

本文以江蘇南通市曲塘鎮配電網示范項目建設為背景，一方面采用負荷密度法對分區負荷的空間分布進行預測，然后由下而上計算出總負荷；另一方面采用基于歷史數據的數學模型求取出總負荷。對2種方法求取出的負荷進行校核和修正，從而得到更為準確的預測結論。

1 配電網規劃特點

政府規劃部門提供了相對比較詳細的用地規劃，從而使得負荷預測工作可以比較具體的進行。

在國家城鎮化政策帶動下，規劃區內部各區域人口、經濟結構等變化較大，但規劃區從整體上來講又有一定的歷史發展趨勢，因此對整個規劃區的負荷預測可以建立在基于歷史數據數學模型上。

配電網規劃對配電線路通道、導線線徑、公用變臺區、點負荷分布等方面均提出了較高的要求，因此相應的空間負荷預測的深度要求也較高。

配電網雖然體量較小、但數量較多，因此要求采用的負荷預測方法應簡易可行，在保證預測質量的同時盡量減少預測工作量，提高工作效率。

2 空間負荷預測

常用空間負荷預測方法主要包括多變量法、趨勢法、用地仿真法和負荷密度法等。本文采用負荷密度法進行空間負荷預測。應用負荷密度法的關鍵有2點:一是功能區的劃分要合理，有代表性；二是各功能區負荷密度指標的選取要合理，能反映預測期的實際情況和用電水平。本文中，由于預測地

區的用地已經規劃完成，未來土地的使用性質已經基本確定，因此本文對功能區的劃分與政府總體規劃相一致。

根據曲塘鎮總體規劃，示范區發展的進度不一，因此將示范區分為A—I共九大分區，區域的劃分主要是依據示范區主干道路、河流等自然形成的區塊進行，使分區的劃分與地理條件基本一致［1］。每個分區再進一步細分為小區，使得每一個小區只含有一種功能性質的地塊，且只屬于一個分區。對每一個小區都進行詳細編號。例如:對D分區，進一步細分為21個小區，編號為D01—D21。細分圖如圖1所示。

圖1 D分區細分圖

對曲塘配電網示范區內的負荷分類后，基于模糊貼近度理論求取分類負荷密度指標［2］。該方法需要收集大量的樣本進行整理分析，從而形成參考樣本集。本文選取曲塘周邊發展較成熟的海安、如城2個城鎮作為主要參考樣本，根據樣本的密度指標范圍，將樣本分為5類，取每類樣本的評價因素幾何平均值構造5級標準樣本指標集，如表1所示。

表1 5級標準樣本指標集

以商業負荷為例，表中F1、F2、F3為影響商業負荷密度指標的3個主要影響因素:地區最高氣溫、人均GDP和商業定位。

?地區最高氣溫F1:根據歷年氣象記錄統計，曲塘鎮近年的最高氣溫為39.8℃，所以F1的量化數據為39.8。

?人均GDP F2:曲塘鎮2012年被列為江蘇省重點城鎮。按照政府規劃，曲塘鎮將轉變發展模式，促進工業向園區集中、人口向鎮區集中、居住向社區集中，形成相對集中的鎮區綜合服務中心，強化鎮區居住功能和服務功能，改善鎮區環境，吸引就業、居住向鎮區集中，充分體現城鄉統籌中鎮區的主導作用。曲塘鎮規劃成為海安地區僅次于海安縣城的第二大鎮。目前，人均GDP達到53 174元。F2的量化數據為70。

?商業定位F3:本次規劃區內商城的商業定位主要為中高檔，還有少量大型超市等商業設施，因此F3的量化數據為70。

本文采用偏大型拋物線模糊分布對每個影響因素構造對高水平樣本（I級）的隸屬函數

當樣本為中水平負荷密度指標類型（Ⅲ級）時，由 μFi( )

xⅢ=0.5可以求出系數

則各影響因素Fi{ } i=1,2,3對高水平樣本（Ⅰ級）的隸屬度分別為:0.793 9，0.613 6和0.679 5。權重系數計算結果如表2所示。

表2 影響因素權重分析

待測樣本B對高水平樣本的貼近度為

同樣，可以計算出各級標準樣本對高水平樣本的貼近度，并依此數據劃分商業負荷密度指標范圍，結果如表3所示。

表3 商業負荷密度指標范圍

對比樣本B在表3中的范圍，表明該商業負荷密度屬于等級Ⅱ，通過線性插值的方法得到待測區參考負荷密度指標值為90.05 W/m2，與調查所得的實際負荷密度88.6 W/m2誤差為2.15%。

采用上述方法計算出各分類負荷密度指標值，考慮各分區負荷同時率后，求取結果如表4所示。由于曲塘鎮區規模較小，同時率的選取采用的是傳統簡單類比方法:對主要參考樣本即海安縣城區選取典型臺區，通過海安縣供電公司負控系統采樣數據計算而得。當規劃區規模較大或情況復雜時，還可以采用智能預測方法來獲得同時率。

表4 曲塘配電網示范區分類負荷預測結果（部分）

3 總負荷預測

負荷總量預測方法大致可以分為4類:第一類是基于規劃經驗的經驗預測方法，例如:專家預測法和類比法等；第二類是傳統的經典預測方法，例如:彈性系數法、人均電量指標法、負荷密度法和單耗法；第三類是基于數值解析分析的常規預測方法，例如:外推法、時間序列法、回歸分析法和相關分析法等；第四類是基于人工智能的智能預測方法，例如:專家系統、遺傳算法、人工神經網絡法、模糊理論、灰色理論和混沌理論等。

單一預測模型由于只考慮了一種變化趨勢，很難準確描述電力負荷預測的實際復雜變化規律，特別是在中長期負荷預測中，一旦這種單一預測模型不能反映負荷的真實內部規律，或者當負荷變化規律后來又發生改變后，單一預測模型就會產生較大誤差。因此，為了考慮多種因素對電力負荷的影響，產生了組合預測模型。本文單一預測模型分別采用灰色系統法、邏輯斯蒂增長曲線法和回歸預測法進行預測。綜合預測模型采用BP神經網絡法［3］。

基于BP算法的人工神經網絡包括一個輸入層、一個輸出層和若干層隱層。圖2是基于BP算法的人工神經網絡的結構圖，其中x1,x2,…,xn是輸入單元，y是輸出單元，Z1,Z2,…,Zm是隱層單元。矩陣W是輸入層與隱層的權值矩陣，矩陣V是隱層與輸出層的權值矩陣,隱層單元的數目由具體計算過程決定。

圖2 基于BP算法的人工神經網絡的結構圖

在人工神經網絡綜合模型中，將用其他單一模型擬合結果作為模型輸入單元，實際負荷歷史數據作為輸出單元，模型通過自學習調整確定最終權值，然后將各種單一模型的預測年預測值作為輸入單元，其輸出即為綜合模型的預測結果。BP網絡的激勵函數采用Sigmoid函數。選取預測年最大負荷利用小時數為5 000，推導出總負荷預測結果如表5所示。

表5 總負荷預測結果MW

對總量負荷預測結果進行分析:①邏輯斯蒂增長曲線法最大的缺點就是其需要較多的歷史數據才能擬合出理想的“S”曲線。但本文由于實際情況的限制，很難得到足夠多的歷史數據，但因為輯斯蒂增長曲線法能較好的反映負荷的增長情況，并最終收斂于飽和負荷值，所以本文采用了一部分其他方法預測出的結果作為已知條件；②回歸分析預測方法是要通過對歷史數據的分析研究，探索經濟、社會各有關因素與電力負荷的內在聯系和發展變化規律，并根據對規劃地區經濟、社會發展情況的預測來推算未來的負荷。可見該方法不僅依賴于模型的準確性，更依賴于影響因子本身預測值的準確度。

4 負荷預測結果校核

（1）負荷總量預測與空間負荷預測的比較

根據空間負荷預測結果可知遠景年總負荷為250.38 MW，考慮地區同時率0.70，則負荷峰值為175.266 MW，而負荷總量預測結果為182.8 MW，誤差為4.12%，可見預測結果具有較高的可信度。

（2）人均負荷指標

根據《海安縣曲塘鎮總體規劃》指定的目標，在遠景年規劃人口為8萬人，人均負荷為2 285 W/人。該預測人均負荷指標與規劃區的最終發展規模是相適應的，具有較高的可信度。

5 負荷預測結果修正

本文應用于曲塘鎮區負荷預測時，總量預測與空間預測結果基本一致，但在實際應用時，也會出現兩者不一致的情況，此時應對預測結果進行修正，使總量預測與空間預測協調一致。

在進行遠景年負荷預測時，由于各分區負荷達到飽和的時間不一致［4］，會出現兩者不一致的情況，特別是當規劃區遠景供電范圍與現狀差別較大時，兩者的差異會更大。此時由于遠景負荷對歷史和現狀的依賴性小，因此應用空間預測結果修正總量預測結果。

在近期年負荷預測時，由于各分區負荷往往未達到飽和，對歷史和現狀依賴性較大，應引用總量負荷來修正空間負荷。當預測區負荷基數較小時，重點項目落點和負荷較大的客戶可能會導致負荷突變，因此分年度負荷預測結果受影響較大，在配電網規劃年度滾動修訂時應對此加以注意。

6 結論

為提高配電網空間負荷預測的精度，本文提出了將總量負荷預測方法與空間負荷預測方法相結合的預測方法。在進行總量負荷預測時把神經網絡方法引入組合負荷預測中，從而盡可能地消除不確定性因素對負荷預測結果的影響。在進行空間負荷預測時，基于模糊貼近度理論進行負荷密度指標選取，提高了密度指標的準確性和可靠性。將2種形式的負荷預測結果進行校核，提出了基于負荷總量預測結果的協調修正方法。將研究內容應用于江蘇省南通地區小城鎮建設（曲塘）配電網示范區，取得的成果科學、合理、可信。D

［1］ 馬曉東，莊敏輝，史林軍.空間負荷預測在蘇州工業園區電網規劃中的應用［J］.江蘇電機工程.2006，25（3）: 24-26.

［2］ 符楊，朱蘭，曹家麟.基于模糊貼近度理論的負荷密度指標求取新方法［J］.電力系統自動化.2007，31（19）: 46-49.

［3］ 朱繼萍.長期電力負荷預測及相關因素不確定性的影響［D］.西安:西安科技大學，2005.

［4］ 肖峻.城市電網規劃計算機輔助決策新技術的研究與實現［D］.天津:天津大學，2003.

（本欄責任編輯 管永麗）

The research and application of spatial load forecasting in distribution network

PENG Yu?qin

（Haian County Electric Power Supply Company,Nantong 226600,China）

This paper focuses on the research of load forecast?ing in distribution network planning.One comprehensive approach based on artificial neural network is applied to forecast load by us?ing the forecasting results of various forecasting methods,in which the experience of the planners are fully drawn and the actual situa?tion of planning zone is fully taken into account,so as to eliminate the influence of uncertainty factors on load forecasting results.The forecasting model and the zone partition method for spatial load fore?casting,and the load characteristics of the regional power grid are analyzed in detail;the average classification load density approach and the based on fuzzy similarity?dgree load density approach is used respectively to build the corresponding load density selection index system aiming to old and new planning areas;the check and correction methods for the forecasting results of spatial load are dis?cussed.The results provide a planning foundation for determining high?voltage substation placement and capacity,planning distribu?tion network layout and timing distribution equipment commission.

distribution network;load forecast;spatial load forecast;artificial neural network;fuzzy similarity degree

10.3969/j.issn.1009-1831.2016.05.005

TM715.1

A

2016-04-15；

2016-07-05

彭玉芹（1975），女，江蘇海安人，高級工程師，工程碩士，主要從事配電網規劃及運行管理工作。