綜合流域管理與氣象管理的智能負荷預測方法

韓繼承，李云飛，陳仕明，周永漢，嚴 熠

（國網浙江江山市供電公司，浙江 江山 324100）

電力負荷的變化從根本上來說取決于人們的生產和生活的規律性，同時也會受到其他相關因素，如天氣條件、溫度等隨機因素的影響。負荷預測的任務是要根據負荷過去的歷史資料，在負荷的規律性與隨機性間尋找到平衡點，找出解釋歷史負荷變化的規律，從而建立恰當的數學模型來對未來的負荷進行預測。由于負荷變化中隨機因素存在的客觀性，任何負荷預測方法都會不可避免的存在誤差，而不同地區、不同時段負荷規律性的差異都會對負荷預測結果產生支配性的影響。因此，在對多小水電和光伏地區進行短期負荷預測時，應重視負荷本身內在的變化規律，同時兼顧各種外在因素對其的影響，只有通過對相關因素影響程度定性或定量的研究，才可以更好的設計預測模型，對負荷做出正確的預測。

1 負荷預測存在的問題

非統調負荷給負荷預測工作帶來了不確定因素，因為供電部門所需要上報的是網供負荷，即上級電網供電計量點處的需求。而從負荷發生的角度來說，真正具有規律的是全社會用電負荷，非統調負荷作為發電負荷，會平衡掉部分上級電網的供電需求。非統調負荷中，火電和庫容水電基本按計劃執行發電計劃，其發電負荷可視為已知，不影響負荷預測準確率。而徑流電站和分布式光伏電站的非計劃性開停機或發電上網的不確定性，會造成直接預測網供負荷時規律性的難以把握，從而給預測網供負荷造成很大的困難。

2 實施意義

當前，配網總體供電可靠性較高，但局部區域在檢修方式下仍存在供電能力不足的問題，同時配電網中廣泛分布的小水電、小光伏等分布式電源的微調節能力卻未被有效利用。小水電、小光伏等分布式電源的微調節能力的利用前提是對這些分布式電源負荷的精準預測。江山市供電公司根據“網供負荷=全社會用電負荷-非統調負荷”的關系式，分別研究非統調負荷與全社會用電負荷的規律性，各自采取相應的預測方法進行預測，則可有效提高預測的精度。結合自身梯級水電站多、光伏電站分布廣的電網特點，通過按流域管理和對比特性分析法，挖掘梯級電站和光伏電站的微調能力，作為局部電網檢修方式下的電源支撐。

3 技術方案

3.1 按流域管理，提高小水電負荷預測方法

徑流電站主要以庫容電站為源頭，呈梯級分布態勢。境內有碗窯、峽口兩大水庫，水資源豐富，境內徑流電站也基本形成以水庫為中心的五大流域現狀，如圖1 所示。梳理出五大流域下小水電的分布圖，為提高小水電的調度管理水平以及提高小水電的負荷預測準確率打下堅實的基礎。

圖1 江山庫容電站流域層級圖

江山縣調管轄小水電均是接入10 kV 電網，接入35 kV 電網的小水電均為地調調度，在同一流域內有部分所接梯級電站上級電站為地調調度，下級電站為縣調調度。如35 kV 峽口電站為地調調度，10 kV 峽里湖電站為縣調調度，兩個電站屬于梯級電站，這造成運行方式安排、電廠生產安排配合有誤差，不利于資源利用最大化。為此，通過與地調相互配合，通過廠網協調會和上報發電計劃，實時知曉上游水庫的發電計劃，合理調度下游水庫發電機組開停機，達到發電效益最優化，促進廠網和諧，提升梯級電站調度管理水平。

為了進一步研究各梯級之間的聯系，對同一流域下各電站歷史報電量數據進行整理和處理，測算梯級電站與庫容電站發電功率以及時間的相關性，形成上下級電站發電功率和發電時間對應表，示意圖如圖2所示：（以峽口-英岸流域為例）。

圖2 上下級電站發電功率對應表示意圖

通過大量歷史數據對比，找到各流域下梯級電站之間的關聯，通過對上級庫容電站的計劃管控，即可實現對全流域下的其他電站的發電時間和功率進行準確預測。

3.2 引入氣象管理，提高氣象敏感負荷（含光伏電站）發電量預測方法

在電力系統中，造成短期負荷特性改變的影響因素較多，主要有：降雨量、環境溫度、風速、濕度、日期類型、輸電線路故障、設備檢修以及其他特殊事件，其變化波動性比中長期負荷特性更為明顯。眾多不確定性因素使短期負荷預測變得復雜，導致負荷隨時間的變化呈現出一定的隨機波動過程，因此短期負荷預測是一項十分復雜的工作，在進行負荷特性分析時，需要注意以下方面。

近些年來，氣象敏感負荷在總負荷中所占比例越來越大，而影響氣象敏感負荷的最主要因素就是天氣狀況，所以，提高負荷預測的手段之一就是提高氣象預報的準確性，為短期負荷預測提供更加精確的信息，同時應該將天氣因素對負荷的影響進行量化處理，使其影響力更加直觀。

負荷數據是有一定數學規律的數據，但是在負荷預測的過程中，如果把負荷數據僅僅當做一組單純的數據來對待，只站在數學的角度來處理，就會脫離負荷預測的前提，因此在進行負荷預測時，需要從負荷的特性和規律出發，將數學工作作為輔助，重視負荷的規律性。

在用電信息系統廣泛應用的大環境下，獲取歷史負荷數據更加方便快捷，可以用于負荷特性分析的數據急劇增多，這就導致如何從大量的數據中提取負荷的變化規律變得至關重要。

根據負荷特性分析將負荷分解為基礎負荷與氣象敏感負荷?；A負荷的增長與中長期負荷相似，本文采用灰色模型GM（1，1）對其進行預測；氣象敏感負荷的變化受氣象因素的影響比較大，本文采用K均值聚類算法先對相似日進行選擇，然后利用聚類得到的相似日樣本作為PSO-SVR 的訓練樣本，克服單純SVR模型數據量大且樣本特征不明顯的缺點，采用K均值聚類與PSO-SVR相結合的方法對氣象敏感負荷進行預測；將基礎負荷和氣象敏感負荷相加就得到了預測時刻的負荷值，即采用基于負荷分解和組合模型的預測方法進行預測。該組合預測模型如圖3所示。

圖3 基于負荷分解和組合模型的負荷預測流程圖

4 系統實施效果及應用前景

通過分和特性分析尋找到影響負荷預測準確率的關鍵因素后，針對不同的影響原因采取針對性的技術手段，以此形成完整的預測模型。預測模型中采用了支持向量機的數據算法，該算法的精度受到訓練樣本的影響，樣本越多越詳細，訓練的效果就越好，因此在建立模型之后，還需要利用大量的歷史數據對模型進行訓練，直到訓練的精度達到要求后才能投入實際應用。

對江山電網2020 年負荷預測準確率進行統計，負荷預測準確率平均值為94.23% ，相比2019 年提高了2.97%。

5 結束語

綜合流域管理與氣象管理的智能負荷預測方法，通過將負荷預測中最難預測的小水電和受天氣影響較大的分布式光伏和氣象敏感負荷單獨拎出分析，提出切合實際的庫容電站下梯級電站的流域管理方法和融入智能算法的氣象管理方法，實現提升負荷預測準確率，為挖掘梯級電站和光伏電站的微調能力提供數據支撐。