基于大用戶報裝的中長期城市負荷預測方法

陳宇鳴

摘 要：大用戶負荷是構成城市負荷的主要部分，本文提出了一種基于大用戶報裝的中長期城市負荷預測方法。通過將城市負荷分解為大用戶負荷和中小負荷的兩部分，分別采用階段分析法和自然增長率法對這兩步進行建模，從而實現中長期城市負荷預測。

關鍵詞：大用戶；城市負荷預測；中長期負荷預測

中圖分類號：TM714 文獻標識碼：A

1 引言

電網規劃是電網建設的依托和先決條件，規劃的質量將嚴重影響到電網的建設投資費用和電網的安全運行。而電力系統中長期負荷預測是電網規劃的理論基礎，預測算法的精度直接影響到規劃方案的可信度，這是長期以來困擾電力系統規劃的重要問題。因此，電力系統中長期負荷預測方法的研究受到了廣大學者的關注，針對不同的應用環境提出了多種負荷預測方法，取得了較豐碩的成果。

中長期負荷預測算法從模型數量上可以分為單模型負荷預測算法和多模型組合預測算法。其中單模型由于負荷預測方法由于模型的局限性，因而不同的模型適用不同規模和發展狀況的城市，但是簡單易用。典型的單模型預測方法有彈性系數發、回歸分析法、指數平滑法、多項式法、灰色預測方法等。多模型組合預測算法是由多個單模型預測方法通過一定的比重加權得到，在適用范圍上比單模型廣，但是其需要人為挑選出合適的模型進行加權組合，復雜度遠高于單模型預測方法。

隨著計算機技術和數據挖掘技術的發展，為了提高預測算法的適應能力，在最近的負荷預測新理論和新方法中提出了許多具有學習能力的人工智能預測方法。這些人工智能方法能夠通過對歷史數據進行特征挖掘并學習，從而構成新的具有普遍適應能力的預測方法，并且可以通過對不同數據的在線學習，從而可以實現一個算法應用于多個場景中。如人工神經網絡算法和粒子群算法等。文獻[4]將誤差序列的均方值作為網絡性能的評價指標并采用最小誤差對應的平滑參數，在廣義回歸神經網絡（GRNN）基本算法、網絡結構及平滑參數確定方法的基礎上建立了GRNN的預測模型。提出了確定輸入神經元數目的方法，并將模型應用于某地中長期電力網負荷預測，分別進行了單步預測和多步預測。文獻[5]針對實時電價對短期負荷的影響，建立了徑向基（RBF）神經網絡和自適應神經網絡模糊系統（ANFIS）相結合的短期負荷預測模型。該模型利用了RBF神經網絡的非線性逼近能力，應用ANFIS系統對RBF神經網絡的負荷預測結果進行修正，以使固定電價時代的預測方法在電價敏感環境下也能達到較好的預測精度。文獻[6]提出了一種將粒子群優化算法與非線性灰色Bernoulli模型結合中長期負荷預測方法。

上述的單模型預測方法、組合預測方法和人工智能預測方法都是基于城市負荷的歷史數據搭建模型，并未考慮到城市未來的產業結構和發展規劃。因此，本文提出一種基于大用戶報裝的中長期城市負荷預測方法，該方法將城市用電負荷按特性劃分為住宅用戶、工業用戶、商業用戶和其他用戶四類，對四種類型的大用戶從報裝、建設及投產等方面進行階段性分析，得出發展規律，從而實現城市中長期用電負荷的預測。

2 基于大用戶報裝的負荷預測方法

2.1 大用戶特性分析

按電網運行規定，當負荷容量超過一定范圍的大用戶在建設之前需要向有關部門進行計劃報裝，而這些各行各業的大用戶是電力系統中長期負荷增長的主要組成部分。因此，可以通過對大用戶的報裝、建設及投產等多個階段進行有效的數據分析，得到四種類型大用戶在不同階段的負荷增長特性，從而可以得到每種類型的負荷增長規律。

城市電網負荷的主要增長量為大用戶負荷增長量，如式（1）為第k種類型中第j個階段所有大用戶負荷增長量。如式（2）為城市電網中四類大用戶第j個階段的增長量總和。按照（1）和（2）便可以求出城市電網負荷在每個階段的主要增長量。

（1）

式中：k為用戶分類數；i為大用戶編號；j為階段數；αk為第k類大用戶的調整系數；βjk 為第k類大用戶在第j個階段的階段系數；lik 為第k類大用戶中第i個大用戶的報裝量；n為第k類大用戶的數量；Ljk 為第k類大用戶在第j個階段的負荷增長量；

（2）

式中：BLj為城市大用戶負荷第j個階段的增長量。

由式（1）和式（2）可知，要得出城市電網負荷在每個階段的主要增長量，需要對大用戶的負荷階段劃分情況、負荷階段系數、負荷調整系數和大用戶報裝容量四個方面進行分析。具體方法如下：

（1）需要收集大用戶報裝數據，并進行分類。供電局需要對每年的大用戶報裝情況進行統計、分類和匯總工作。

（2）對各種類型大用戶的歷史報裝情況和用電數據進行分析，得到各類型大用戶的投產規律數據，從而劃分各類型大用戶的投產階段數，一年為一個階段。

（3）根據各類型大用戶的投產規律，采用數據擬合方法得到各類型大用戶的階段系數和調整系數。

2.2 中長期城市負荷預測模型

城市電網負荷增長量由大用戶負荷增長量和其他中小負荷增長量共同組成。因此，除大用戶之外，還需對中小負荷的增長規律進行分析建模。由于中小負荷數量非常龐大，增長規律雜亂，無法進行單項數據統計和分析。因此，本文采用自然增長率的方法，從總體上對中小負荷增長量建模，如式（3）所示。

MLi=λ·Di-1 （3）

式中：MLi為未來第i年城市中小負荷增長量；λ為城市中小負荷自然增長系數；Di為第i-1年城市負荷總量。

根據式（1）～（3）可以建立起基于大用戶報裝的中長期城市負荷預測模型如式（4）所示。

Di=BLi+MLi （4）

式中：i為需要預測的未來第i年。

3 實例分析

本文根據某地區供電局統計的大用戶報裝數據，從住宅、商業、工業和其它四種類型出發，將投產階段統一劃分為3個階段，分別為投產第一年、投產第二年、投產第三年。經數據分析與擬合之后，得到每類大用戶的調整系數和階段系數見表1。

采用本文提出的負荷預測方法對該地區2011年、2012年和2013年的負荷進行了預測，結果見表2。

從表2中可以看到，由于采用比較精確的大用戶報裝統計數據能較準確地預測城市電網負荷的主要增長部分，因此，采用本文提出的中長期負荷預測方法能取得較好的預測效果。

結論

本文提出了一種基于大用戶報裝的中長期負荷預測方法，將城市負荷分為大用戶負荷和中小負荷兩部分，對大用戶負荷采用分階段增量方法，結合中小負荷采用自然增長率方法，建立了中長期城市負荷預測模型。通過測試結果表明該方法能取得較好的預測效果。

參考文獻

[1]陳章潮.城市電網規劃與改造[M].北京：中國電力出版社，2007：1-4.

[2]梁錦照.城市電網規劃方法研究[M].北京：中國電力出版社，2010：1-8.

[3]康重慶，夏清，張伯明.電力系統負荷預測研究綜述與發展方向探討[J].電力系統自動化，2004，28（17）：1-11.

[4]姚李孝，劉學琴，伍利，等.基于廣義回歸神經網絡的電力系統中長期負荷預測[J].電力自動化設備，2007，27（08）：26-29.

[5]雷紹蘭，孫才新，周湶，等.基于徑向基神經網絡和自適應神經模糊系統的電力短期負荷預測方法[J].中國電機工程學報，2005，25（22）：78-82.

[6]方仍存，周建中，張勇傳，等.基于粒子群優化的非線性灰色Bernoulli模型在中長期負荷預測中的應用[J].電網技術，2008，32（12）：60-63.