基于電力負荷預測的高壓配電網變電站規劃研究

羅恩博， 蘇適， 張旭東， 李耀華， 陸海

(1.云南電網有限責任公司電力科學研究院，云南 昆明 650217；2云南電網有限責任公司大理供電局，云南 大理 671000)

0 引 言

現有技術中高壓配電網絡的結構復雜，在電力系統中起到分配電能的重要作用。配電網絡的結構龐大，通常采用開環運行方式避免由于故障引起電網大面積癱瘓。近年來電網智能化水平逐漸提高，其安全性能也有了一定程度的保障[1]。

在電網規劃中主要考慮的指標是容載比，它是滿足電力電量平衡條件的基本指標。若容載比的水平過高，則會使電力系統的可靠性增高，但投資過大，經濟性差；而容載比的水平過低時，雖然成本有所降低，但電網系統的可靠性得不到保障。相關學者對此進行了相關研究。任泓宇等[2]以工程應用為目標，結合相關規劃導則，提出了基于供電分區優化的高壓配電網目標網架規劃優化模型和方法。考慮到高壓聯絡線路費用的最小化，在全局范圍內進行供電分區的優化劃分，實現配電網分區規模的由大變小和相應規劃方法的由繁變簡，但是成本較高。韓華春等[3]以中壓配電網為控制對象，提出了基于模型預測控制(MPC)的主動配電網多級電壓控制方法，計及中低壓配電網間的不確定性交換功率及其相互影響，構建中低壓關聯模型，實現中壓配電網對低壓配電網的規劃，但是該方法規劃效果不理想。張漫等[4]考慮到高壓配電網一般存在多個但個數有限的切負荷率的實際情況，提出了具有4N+2M個參數的高壓配電網等值電源，指出了電力變電站規劃的適用范圍，能有效避免2參數等值電源可能導致的計算誤差，但該方法規劃成本較高。

1 高壓配電網規劃優化模型

1.1 電力負荷預測

配電網的規劃要參考電力負荷的預測結果，根據預測結果決定發動機組的安裝情況[5]以及裝機容量等，但電力負荷具有不確定性。為此要在滿足一定條件后開展預測工作，收集并整理電網歷史用電數據[6]以及周邊建設發展情況，在確定了社會發展程度與國民經濟對電網用電量的影響程度后，掌握負荷變化規律，根據實際發展情況，綜合得出最符合實際的預測結果[7-9]。負荷預測分為電力需求預測與電量需求預測兩個方面，電力需求采用年最大負荷表示，電量需求采用年用電量表示。年發電量與年用電量之間的關系如式(1)所示。

Wi=Qi+αi+Ei

(1)

式中:Wi為年發電量；Qi為年用電量；αi為年網損電量；Ei為年廠用電量。

年用電量與年最大負荷利用小時數的關系如式(2)所示。

(2)

式中：Rmax為年最大負荷；Tmax為年最大負荷利用小時數。

將國民生產總值與電量需求的年度增長情況相結合，能夠直觀地體現出國民經濟發展情況，電量的使用情況與我國經濟產業結構有著密切聯系，如式(3)所示。

(3)

式中：Y0為基準年國內生產總值；Yi為第i年末的國內生產總值;Q0為基準年用電量；Qi為第i年末的電需求量;kβ為電力彈性系數；βY為國內生產總值；βU為用電量的增長率。

BP神經網絡是一種模擬人類大腦的結構和功能的算法，它由輸入層、隱含層和輸出層組成。BP神經網絡主要通過兩個過程進行工作，即負荷數據正向傳播和誤差反向傳播。在負荷正向傳播階段，輸入數據通過輸入層輸入，然后經過隱含層處理，最終達到輸出層，輸出結果。這時計算輸出結果與期望輸出的誤差值，判斷誤差值是否小于設定的閾值:若小于，說明輸出的結果為理想結果;若大于，則進入誤差反向傳播階段。在誤差反向傳播階段，經誤差以某種形式向輸入層傳播，根據誤差不斷調整連接權值。經過反復訓練，使得輸出結果不斷逼近期望結果。利用BP神經網絡，確定樣本集以及變量參數，將負荷數據歸一化處理，從而避免神經元飽和的現象出現，建立適合的神經網絡拓撲結構，通過對歷史負荷數據的分析，確定神經網絡的輸入值與輸出值。尋找歷史負荷數據間的關聯與規律時，若神經網絡隱含層節點數量過少，則難以獲取有效信息；若隱含層節點數過多，則會導致訓練時間增加，泛化能力大幅降低。為此選用不同的隱含層節點數網格，得到最佳訓練樣本個數，需確定合適的節點數值，即可應用BP神經網絡，采集電力負荷數據節點數，如式(4)所示。

(4)

式中：h為神經網絡采集的電力負荷數據節點數；x為神經網絡輸入層節點數；c為神經網絡輸出層節點數；?為0～10之間的常數。

通過BP神經網絡采集電力負荷數據節點數，以及電力彈性系數。電力負荷預測過程為：

(5)

由式(5)可知，電力彈性系數與電力負荷預測結果成正比，電力彈性越大，電力負荷預測結果越大。分析國民經濟發展與電力工業之間的關系可知，由重工業化時期開始，電力彈性系數通常大于1，而進入高加工度時期后，受經濟結構調整與產業結構升級的影響，單位國民生產總值電耗水平逐步降低[10]。用電量的增長速度明顯低于國民生產總值的增長速度，電力彈性系數逐漸減小，在步入工業化后期以后，其數值通常小于1。我國歷年的電力彈性系數如表1所示。

表1列出了我國25年的用電情況。通過表1可以看出，用電量和國民生產總值增長速度越來越快。

表1 歷年電力彈性系數表

按照負荷預測周期的差異，將其劃分為長期負荷預測、中期負荷預測、短期負荷預測以及超短期負荷預測。在政府部門實際給出的國民生產總值增長率預測通常是多年平均數值，多用于長期及中期的負荷預測。而短期內的負荷預測則需要分析近年來的歷史數據，獲得多個歷史時段內的平均增長率。將歷史增長情況與未來的社會經濟發展趨勢相結合，假設歷史時段I的末年用電量為QI，則有：

QI=I(1+βI)O

(6)

式中：QI為歷史時段I的基準年用電量；βI為歷史時段I的平均增長率；O為用電量增長速度。

經過上述計算則可以得到平均增長率，根據其具體數值得出預測結果如式(7)所示。

(7)

式中：Qi為第i年末的電需求量;h′為第i年末采用的神經網絡采集的電力負荷數據節點數;β為第i年末的平均增長率。

該預測方法在中長期的負荷預測中存在一定誤差，但能夠將誤差值控制在一定的范圍內。

1.2 變電站平衡規劃

小城市高壓電網規劃過程中，可以僅考慮電力平衡；而在較大城市或地方電廠出力占總負荷比例過高的城市，則需要同時考慮電力平衡與電量平衡問題。在此基礎上，構建高壓配電網規劃優化模型。

根據新增主變的數量，經過適當的調整，即可構建：

(8)

(9)

在調整過程中需要注意額定容量，并確定該地區標準變電站的主變壓器數量，如圖1所示。

圖1 標準變電站變壓器數量統計

若想達到真正的電力平衡，則要消除變電站所帶來的偏差。使全區電力平衡與分區電力平衡滿足適應平衡準則后，進一步實現高壓配電網的規劃優化。

2 仿真試驗

為了驗證所提出的高壓配電網規劃優化方法，以某開發區 110 kV 變電站選址規劃為例，全區占地面積約為45 m2，規劃基礎年為2013年，目標實現時間為2020年。

為驗證四種方法之間的差異性，利用某地區2014年—2016年的負荷總量歷史數據，預測之后2017年—2019年的電力負荷情況。準確的負荷預測能夠使電網規劃更加經濟合理，在降低發電成本的同時，提高電網運行的穩定性與安全性。

將傳統方法與利用神經網絡實現優化后的負荷預測結果相比較，得到試驗結果。將上述四種方法的試驗結果加以整合，得到如表2所示的對照結果。

表2 預測結果對比 kW

由表2可知，在四種方法的電力負荷預測結果中，本文所提出的優化方法是各預測方法中精度最高的。移動平滑法具有較強的滯后性，導致預測結果過于保守。指數平滑法雖然合理考慮了不同歷史數據對于預測結果的貢獻程度，但仍有部分不足，難以為實際應用提供有效參考。灰色系統預測法受數據類型的影響較大，其預測結果并不穩定。而本文所提出的優化方法擬合效果較好，與其他方法相比，對電力負荷預測的精度最高，能夠較好地預測出未來負荷變化，為電網規劃提供實質性幫助。

在小區負荷預測完成的基礎上，設計仿真對照試驗，將優化后的規劃方法與原有規劃方法相對比，分析其兩者之間的差異性，完成仿真試驗。高壓配電網規劃方案如圖2所示。

圖2 高壓配電網規劃方案

如圖2所示，規劃區變電站候選站址的確定由規劃人員根據負荷發展情況、地理環境情況以及規劃工作經驗等因素確定，并給出了該城市規劃區內的候選站址。圖2中，候選站址用大圓點表示；小圓點為電力負荷預測量，其中原始方案為6個變電站，改進方案為8個變電站。對比原有方案，改進后方案對于電量負荷密集區域，增設變電站，增加方案的合理性。

在此基礎上，對高壓配電網供電區域進行劃分，劃分結果如圖3所示。

圖3 高壓配電網供電區域劃分對比圖

如圖3所示，綜合電力負荷預測結果，改進方案將BP神經網絡技術應用到電力負荷預測過程后，訓練樣本數據，增強其泛化能力，由此提高了高壓配電網供電區域合理性。

在此基礎上，以電網規劃獲得的效益為測試指標，進行對比分析，驗證使用BP神經網絡方法后供電區域劃分的合理性。不同方法效益對比如圖4所示。

圖4 不同方法效益對比圖

由圖4可知，本文所提方法對電網進行規劃所獲得效益更高，具有較為明顯的優勢。充分證明，所提方法引用BP神經網絡后對供電區域劃分具有較高合理性，大幅度節省了電力成本。

3 結束語

本文從電力負荷預測與電力電量平衡兩方面入手，有層次地規劃了高壓配電網的建設方案。為了測試上述研究在實際應用時的具體效果，針對電網負荷預測問題設計了對照試驗。試驗表明本文所提出的規劃方法明顯優于常規方法。但由于研究過程時間較短，仍有部分不足，需要在后續研究中加以完善。