新冠肺炎疫情對電網運行的影響分析

董靚媛，于騰凱，胡文平，李鐵成，李曉明，張 蕊

(國網河北省電力有限公司電力科學研究院，石家莊 050021)

新冠肺炎疫情蔓延對社會產生重大影響。電力行業作為國計民生的基礎行業，其運行數據直接反映社會發展狀態，對電力調度和電力系統規劃具有重要意義。高峰負荷可能導致電網出現電力供應缺口、局部設備重載或過載問題。應用長短期記憶網絡(Long Short-Ter m Me mor y，LST M)建立高峰負荷預測模型，采用Ada m算法優化網絡權重參數，提出高精度負荷預測結果，對電力平衡、系統調峰、合理安排檢修計劃、降低電網運行風險具有重要意義。

1 疫情前后電力供需影響分析

新冠肺炎于春節前夕在全國廣泛傳播，在春節前10天左右電網負荷逐步降低，春節出現負荷低谷，節后隨著企業逐步開工，負荷逐漸恢復，負荷曲線呈現“U”型。以某省級電網2018—2020年春節前后61 d電網運行數據為例，分析疫情對電網產生的影響。

1.1 新冠肺炎疫情對電網每日最大負荷影響

2018—2020年春節前后某省級電網每日最大負荷曲線如圖1所示，其中，時間t為正月初一。

圖1 春節前后某省級電網每日最大負荷數據

以春節前后10天為節點將數據分為3段進行分析，春節前，2019年、2020年每日最大負荷分別同比去年平均增長4.44%、9.47%。春節后，2018年、2019年負荷均有逐步恢復趨勢，2020年受疫情影響，負荷持續低谷，2019年每日最大負荷同比2018年增長6.38%，2020年每日最大負荷同比2019年降低17.18%。2018年、2019年春節后每日最大負荷平均恢復至春節前每日最大負荷的87.6%、88.98%，2020年受疫情影響，春節后負荷恢復至春節前的67.31%，影響23.51%負荷恢復。

1.2 新冠肺炎疫情對各地市每日最大負荷影響

新冠疫情對各地市負荷影響變化與全網基本一致。以A市為例，2018—2020年春節前后每日最大負荷曲線如圖2所示，其中，時間t為正月初一。

圖2 春節前后A市每日最大負荷數據示意

春節前，2019年、2020年A市每日最大負荷分別同比前一年平均增長1.55%、8.08%。春節后，2018年、2019年A市負荷均有逐步恢復趨勢，2020年受疫情影響，負荷持續低谷，2019年A市每日最大負荷同比去年增長5.41%，2020年A市每日最大負荷同比去年降低15.95%。2018年、2019年春節后A市每日最大負荷平均恢復至春節前每日最大負荷的85.7%、88.44%，2020年受疫情影響，春節后負荷恢復至春節前的68.7%，影響21.03%負荷恢復。

1.3 新冠肺炎疫情對日負荷影響

2020年疫情期間平均時點負荷、2019年同期平均時點負荷如圖3所示，2020年夜間平均最大負荷較2019年降低15%左右，日間最大負荷降幅最高達到25%。疫情期間，白天工作時段企業、工商業受影響較大。

圖3 臘月二十八至二月初二期間平均時點負荷示意

1.4 新冠肺炎疫情期間新能源發電情況

春節前后光伏電站、風電場平均每日最大出力數據如圖4、5所示。

圖4 春節前后光伏每日最大出力數據示意

圖5 春節前后風電每日最大出力數據示意

光伏電站、風電場出力主要受新增投產容量及天氣變化因素影響。疫情期間負荷持續較低，光伏、風電出力并未降低，為維持發供平衡，勢必會減少火電機組出力，機組調峰難度增大。

2 基于LSTM的2020年電網高峰負荷預測

LST M神經網絡由記憶塊循環子網構成，每個記憶塊包括輸入門、遺忘門以及輸出門，LST M神經網絡結構示意如圖6所示。

圖6 LST M神經網絡結構示意

輸入門i t、遺忘門f t、輸出門o t均由t時刻輸入值x t和t-1時刻隱藏層輸出h t-1共同決定。輸入門i t、遺忘門f t、輸出門o t計算公式如下:

式(1)-(3)中:w i為t時刻輸入門i t的權值矩陣;w f為t時刻遺忘門f t的權值矩陣;wo為t時刻輸出門o t的權值矩陣;b i、b f、bo為偏置量;σ采用Sig moid激活函數。

LST M通過對歷史數據深度學習，根據歷史狀態不斷更新調節輸出。因此在處理時間序列數據方面，LST M具有較好的效果。

電力作為國民經濟的重要基礎產業，負荷大小與GDP變化存在相對的一致性，歷年GDP與負荷變化趨勢如表1所示，其中負荷(n-1)為上年度負荷，增速(n)為本年度較上年度GDP增速。據相關機構測算，受疫情影響，該地區4個季度的累計產值分別降低4%、2%、1.5%與1%左右，該地區4個季度累計生產總值增速分別為2.8%、4.7%、5.5%、6%。

表1 歷年GDP與電網統調高峰負荷

所建LST M預測模型考慮歷史負荷數據、GDP增速、時間等變量，根據n-1時刻負荷、n時刻GDP增長率分季度構建數據集，預測n時刻高峰負荷。在訓練樣本過程中采用Adam算法優化權重，每個數據集選取前70%的數據作為訓練樣本，后30%的數據作為檢驗樣本。

選取均方根誤差(RMSE)監視計算過程中預測值與真實值之間的誤差關系變化，計算公式見(4)

式中:m為預測的個數;x為真實值;x?為預測值。各季度負荷預測誤差如表2所示。

表2 各季度負荷預測誤差

2020年電網各季度高峰負荷預測結果如表3所示。

表3 2020各季度統調高峰負荷預測結果

由此，考慮1 000 MW小火電后，地區全年全口徑高峰負荷43 610 MW，較2019年增長3 480 MW左右。

3 結論

受新冠肺炎疫情影響，截至2020年3月1日，企業、工商業并未全面復工，某省級電網負荷持續春節較低水平，同比降低17.18%。新冠疫情對各地市電網負荷影響變化與全網基本一致。新能源發電受疫情影響不大，同比出力增加，某省級電網調峰壓力增大。根據所建LST M預測模型，預測2020年電網全口徑高峰負荷43 610 M W，較2019年增長約3 480 MW。