多小水電地區網供負荷預測研究

劉艷紅，倪秋龍，黃民翔

（1.中國電建集團華東勘測設計研究院有限公司，杭州 310014；2.國網浙江省電力公司，杭州 310007；3.浙江大學，杭州 310027）

多小水電地區網供負荷預測研究

劉艷紅1，倪秋龍2，黃民翔3

（1.中國電建集團華東勘測設計研究院有限公司，杭州 310014；2.國網浙江省電力公司，杭州 310007；3.浙江大學，杭州 310027）

分析了多水電地區網供負荷的特點，利用相關性分析方法及人工神經網絡對多小水電地區的網供負荷短期預測進行研究，并對某多小水電地區開展網供負荷預測實例模擬，預測結果驗證了方法的有效性和實用性。

短期負荷預測；網供負荷；小水電負荷；人工神經網絡；BP算法；Matlab程序

0 引言

我國具有極為豐富的小水電資源[1]，在小水電技術迅速發展和廣泛應用的同時，小水電等分布式電源對地方電網的影響也越來越顯著。在一些小水電資源豐富的地區，小水電發出的電力在平衡本地區負荷后剩余部分還倒送大電網，給電網帶來一定的負面影響，特別是給小水電占比大的地區網供負荷的準確預測帶來了很大困難，導致多小水電地區的負荷預測精度難以提高。然而，短期負荷預測又是電網能量管理系統的關鍵輸入量之一，是電網經濟運行和安全控制必不可少的基礎，提高多小水電地區短期負荷預測精度對電網安全運行和經濟運行具有重大意義[2]。

根據我國現行的電力管理體制，地市電力公司需要預測網供負荷并上報給省級電網公司。對地區電網而言，網供負荷就是指由省級電網調度關口供給該地區的電力負荷。對小水電豐富地區，大量由地級或縣級調度的小水電出力給網供負荷帶來顯著影響，在網供負荷預測中需充分考慮這些因素。目前，一般采用對地區口徑負荷、小水電負荷分別進行預測，并在此基礎上還原出網供負荷，這種方法一般稱為兩階段還原預測方法[3-5]。

本文以某多小水電地區的網供負荷為研究對象開展預測研究。該地區2011年網供最高負荷為1 347 MW，地區調度水電裝機容量達772 MW，一般為無庫容徑流式電站或小庫容日調節或月調節電站；縣級調度的小水電共797 MW，均為無庫容徑流式電站。

1 多小水電地區負荷特征分析

首先從統計指標入手，分析多小水電地區負荷主要特征，重點分析每日96個時刻點的負荷在全年365天中的分布特征和統計規律。為便于比對，同時選取了小水電容量占比很小的非小水電地區進行分析。

1.1 日負荷年平均標幺曲線

日負荷年平均標幺曲線是對歷史日負荷曲線中每個時刻點（一般分為96點）的年平均值進行標幺化而得，如圖1所示。

從圖1可見，非小水電地區地調負荷受人們作息規律的影響，呈現明顯的峰谷特征；小水電地區小水電出力在峰電價和谷電價時段具有明顯的上升和下降特征，除此之外在各時段內較為穩定，基本不受人們作息規律的影響。這主要是因為小水電機組在峰電價和谷電價時段具有不同的開停機方式，在正常峰谷時段呈現了特殊的“倒峰谷”特性，即：在一般負荷低谷時段，小水電因谷電價而大量停機后網供負荷值較高；在一般負荷高峰時段，小水電因峰電價而大量開機后網供負荷值較低；在峰谷電價交替時段，小水電地區網供負荷變化幅度大。

圖1 日負荷年平均標幺曲線

1.2 日負荷年離散系數曲線

離散系數主要用于比較不同水平的變量數列的離散程度，用標準差系數CV表示如下：

式中：σ和μ分別為均方差和均值。

所研究地區的日負荷年離散系數曲線詳見圖2。由圖可見，小水電地區地調負荷在不同時刻點的離散程度明顯比非小水電地區高，且在不同時段存在較為明顯的波動。而小水電地區小水電出力偏離自己平均值的程度比地調負荷大得多，且在谷電價時段小水電負荷的波動性更強，這和小水電站的發電特性有關：只有在已經無法儲存來水，不得不發電的時候，小水電站才會在谷電價時段發電，因此在谷電價時段，小水電負荷在旱季和雨季有較大的不同，反映在離散程度上，也比峰電價時段更高。另外，小水電出力在峰電價、谷電價交替時段有劇烈的離散度變化。

圖2 日負荷年離散系數曲線

1.3 日負荷年度差分曲線

為量化日負荷在相鄰日之間的波動特性，計算負荷標幺曲線的日差分絕對平均值，如式（2）：

式中：r為差分間隔；Xt（i）為各歷史日觀測點負荷的年標幺值。標幺值的日差分絕對平均值向量Xd可以反映一個地區負荷的日變化程度。例如，當某時刻Xd（i）值為0.02，則意味著該時刻負荷在樣本年與前一天同時刻負荷的平均偏差為當年負荷最大值的2%。本文分別取r=1和r=2。

地區的日負荷年度差分曲線詳見圖3。從圖3中可以發現，非小水電地區地調負荷的每時刻平均日變化量大都在3%以下，全天96點時刻的一日差分均值為2.55%；即使采用間隔兩日的差分值，這一改變量除個別時刻外，也都小于5%，全天96點時刻的二日差分均值為3.75%。

圖3 日負荷年度差分曲線

小水電地區小水電出力每時刻差分量明顯高于非小水電地區負荷，小水電地區小水電出力平均一日差分量的均值為5.33%，如果采用間隔兩日的差分值，則高達7.25%。需要指出的是，這里標幺曲線的基值為全年的最大負荷，而如前所述，小水電負荷的年波動極大，因此當采用實際日負荷作為基值時，小水電的每時刻平均日改變的比例還要更大。小水電地區統調負荷差分量介于小水電出力和非小水電地區地調負荷之間，其中一日差分均值為3.42%，二日差分均值為4.77%。

綜上所述，小水電地區負荷預測中需要重點考慮的特征是：

（1）小水電地區地調負荷曲線、小水電地區小水電出力曲線的年波動范圍以及相鄰日差異性都比非小水電地區地調負荷波動量大，僅考慮負荷序列趨勢外推的預測方法將無法得到良好結果。

（2）在峰電價和谷電價時段，小水電負荷的波動程度不同，即從全年來看，小水電負荷的日負荷曲線形狀在谷電價時段變化程度更大。預測模型應能夠適應這2個時段負荷變化的區別。

2 多水電地區負荷相關性分析

對電力系統負荷預測而言，相關性分析一般考慮的輸入量為歷史負荷數據、歷史氣象數據（降雨量、日最高氣溫等）。

2.1 負荷自相關性分析

負荷自相關特性的分析對短期負荷預測輸入量中歷史數據的選擇具有指導作用。

負荷自相關性分析一般分為負荷日曲線相關性（平行相關性）和同時刻多日相關性（垂直相關性）2類[4]。平行相關性一般可用7日（周）平均相關系數向量S表征，垂直相關性可用96點平均相關系數向量H表征。對某小水電地區的平行相關性和垂直相關性分析表明：無論是小水電出力曲線還是負荷曲線的年平均S值隨著天數間隔的增大，平均相關系數基本上呈現單調減小。非小水電地區地調口徑負荷日相關性和周相關性均比小水電地區地調口徑負荷明顯要高。垂直相關系數H值先隨著時刻距離考察點遠離而減小，當間隔時間超過12 h后，又逐漸上升至上一日同時刻點為止，如圖4所示。

2.2 負荷與氣象相關性分析

在氣象相關性方面，多小水電地區負荷主要與氣溫相關，地區小水電發電出力主要與降雨量相關。

由于地表熱容量的存在，單日極高氣溫對負荷影響往往不如連續多日高溫天氣的影響，對目標地區多日平均最高氣溫與最高負荷的相關特性分析結果如圖5所示。由圖5可見，對目標地區而言，在研究日最高氣溫對日最高負荷的影響時，為計及氣溫累積效應，采用3日平均最高氣溫向量最優。

圖4 日負荷曲線垂直相關性分析結果

圖5 負荷與多日平均最高氣溫有關特性

降雨對小水電出力的影響往往具有積累效應：隨著降水積累日的增加，日最大負荷與降水特征量的相關性越來越好。對目標地區多日累計降雨量與小水電出力的相關特性分析結果如圖6所示。由圖6可見，對目標地區而言，隨著降水積累日的增加，日最大負荷與降水特征量的相關性越來越好，到28日降水量之和時達到最佳。

圖6 小水電出力與多日平均最高氣溫相關特性

3 基于人工神經網絡的小水電地區網供負荷預測

ANN（人工神經網絡）是一種“采用物理可實現的系統來模仿人腦神經細胞的結構和功能的系統”[6-7]。BP神經網絡是目前應用最為廣泛的神經網絡模型之一，它是由輸入層、中間層、輸出層組成的階層型神經網絡，中間層可擴展為多層。相鄰層之間各神經元進行全連接，而每層各神經元之間無連接。目前許多商用軟件（如MatLab）中都包含了成熟的BP神經網絡軟件包可供方便地調用[8]。

本文基于Matlab人工神經網絡對某多小水電地區的網供負荷進行預測。預測采用兩階段還原方法[3-5]，即分別預測該地區的地區負荷和小水電出力，并最終合成該地區的網供負荷。在神經網絡輸入量選擇方面，依據前文分析結論，選取如下：

（1）進行地區負荷預測時，選擇預測日前一天（相同日類型）的96點地調口徑負荷數據、與預測相同日類型的前5日最高負荷值、預測日最高氣溫和日最低氣溫、預測日前3日最高氣溫平均值和最低氣溫平均值（根據前文結論，對于待預測地區地調口徑最高負荷與3日平均最高/最低氣溫相關性最強）作為輸入向量。

（2）進行小水電出力預測時，選擇預測日前一天的96點出力數據、預測日當日降雨量、預測日前28日累計降雨量總值（根據前文結論，對于待預測地區小水電日最大出力與28日累計降雨量相關性最強）作為輸入向量。

在Matlab中搭建人工神經網絡，利用多年歷史樣本數據進行神經元訓練，并對4個典型月份進行模擬預測，其結果如表1所示。由表1可見，基于人工神經網絡的網供負荷預測相比以計算機輔助預測為基礎的人工修正預測方法準確度提高了1%～2%。另外，由于地區小水電出力除受天氣狀況影響外，還受調度員人為因素的影響，其規律性比負荷規律性差，因此對地區小水電出力的預測準確度比網供負荷和地調口徑負荷低。

4 結語

當前，我國經濟高速發展，對能源的需求不斷增加，但化石能源緊缺，節能減排任務艱巨。作為有效的低碳能源生產途徑，小水電在今后一個時期仍將具有廣闊的發展前景。根據實際情況研究適合多小水電地區負荷預測方法，具有重要的現實意義。本文對多小水電地區的負荷特征進行深入分析，對多水電地區網供負荷短期預測進行研究，提出了針對多小水電地區的網供負荷預測方法，實例預測表明本文提出的方法能夠提高小水電地區網供負荷的預測準確率，具有較高的實用價值。

表1 模擬預測準確度結果

[1]秦曉軍．小水電的分布式電源屬性[J]．小水電，2008(3)：67-71.

[2]康重慶，夏清，劉梅．電力系統負荷預測[M]．北京：中國電力出版社，2007．

[3]徐瑋，羅欣，劉梅，等．用于小水電地區負荷預測的兩階段還原法[J]．電網技術，2009，33（8）∶87-92．

[4]全戈.多小水電地區發電短期負荷預測研究[D]．杭州：浙江大學，2011．

[5]金義雄，段建民，楊俊強，等．含有山區小水電負荷的氣象回歸短期負荷預測技術[J]．繼電器，2007，35（14）∶54-58.

[6]蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2001.

[7]胡守仁，沈清，胡德文，等．神經網絡應用技術[M]．長沙：國防科技大學出版社，1993.

[8]董長虹.Matlab神經網絡與應用[M].北京：國防工業出版社，2007.

（本文編輯：方明霞）

Research on Connected Load Forecast in Regions with Plenty of Small Hydropower Stations

LIU Yanhong1，NI Qiulong2，HUANG Minxiang3
（1.Power China Huadong Engineering Corporation Limited，Hangzhou 310014，China；2.State Grid Zhejiang Electric Power Company，Hangzhou 310007，China；3.Zhejiang University，Hangzhou 310027，China）

This paper analyzes main characteristics of connected load in regions with plenty of small hydropower stations and investigates short-term forecast of the connected load by correlation analysis and artificial neural network.In addition，the paper simulates connected load in regions with plenty of small hydropower stations.The forecast result demonstrates the effectiveness and practicality of the method.

short-term load forecast；connected load；load of small hydropower stations；artificial neural networks；back propagation algorithm；matlab program

TM715+.1

B

1007-1881（2015）12-0007-04

2015-07-29

劉艷紅（1976），女，高級工程師，主要從事水電勘測、設計和咨詢工作。