公變負荷預測

公變負荷預測

公變負荷預測是指根據系統的運行特性、增容決策、自然條件與社會影響等諸多因數,在滿足一定精度要求的條件下,確定未來某特定時刻的負荷數據。將城市用地按照一定的原則劃分為相應大小的規則格線狀或不規則形狀的小區,然後預測每個小區中電力用戶負荷的數量和產生的時間。

基本介紹

  • 中文名:公變負荷預測
  • 外文名:Variable load forecasting
  • 目前境況:較難準確預判負荷
  • 現狀:經典預測方法和現代預測方法
  • 原則:延續性、相似性、統計規律性
  • 傳統預測方法:趨勢外推、時間序列、回歸分析法
背景,目前境況詳細介紹,國內外研究現狀,預測方法分析,負荷預測的原則,理論基礎,預測步驟與方法,

背景

居民用電量占總供電量的比例較低,對電力系統運行的影響極小,長久以來未引起足夠重視,但是居民用電關乎民生,供電部門的供電質量影響著千家萬戶的口常生活,優質可靠的電力供應是提升客戶滿意度的一個重要保障。
為居民用戶提供電力且由供電部門負責維護的變壓器叫做公變。公變多分布在人流密集的居住區,供電環境複雜,負荷曲線規律性差。
負荷預測不準會帶來較嚴重的後果。增長率預測過高會導致公變增容工程多,新增的變壓器利用率不足,投資浪費;增長率預測過低會造成公變供電容量不足,重載甚至超載運行,不僅威脅設備安全,而且會導致頻繁停電,嚴重影響居民的生活。因此準確預測負荷至關重要。
目前負荷預測的方法多樣,傳統的負荷預測方法主要有以下幾種:趨勢外推法時間序列法回歸分析法、空間負荷預測法等。但經資料庫檢索發現針對公變開展負荷預測的研究極少。

目前境況詳細介紹

較難準確預判負荷,配變增容投資不準確。居民用電特性有別於工業生產用電,居民用電單相負載占多數,用電時間不確定,隨機性很強,用戶的作息時間、收入水平、用電設備等各不相同,很難找到統一的用電規律。其次在居民聚集區往往有多台公變供電,供電區域相互交叉重疊,不同公變之間不定期進行負荷調整,運行數據突變,數據的連續性和平滑性差,利用歷史運行數據進行負荷預測存在較大困難。再次不同居民聚集區周邊的環境有別,人流分布密度不同,人流密度的差異導致負荷密度不同。第四居民聚集區的發展情況有差別,負荷增長預期不同,老城區經過多年的發展,供電設施配套成熟,負荷穩定,而在新規劃區域發展勢頭強勁,負荷增長快。
目前負荷預測多依靠經驗,主觀性強,缺乏科學性,預測的結果不理想,導致配變增容工程項目的準確率較低(往往出現重過載台區無工程,而有工程的台區負載率不高的情況),寶貴的資金並未解決實際問題。

國內外研究現狀

電力負荷預測通常分為經典預測方法和現代預測方法,但經資料庫檢索發現針對公變開展負荷預測的研究極少。
經典預測方法大致分為如下:
趨勢外推法是依據負荷存在的變化趨勢對未來負荷情況作出預判。電力系統負荷雖具有不確定性和隨機性,但是在一定的條件下,仍然存在著比較明顯的趨勢,比如農業用電,在外界氣候變化較小的冬季,每天用電量相對平穩,表現成較平穩的變化趨勢。此種變化趨勢可以是線性或者非線性,周期性或者非周期性等。
時間序列法是一種較為常見的短期負荷預測法,針對整個觀測序列表現出的某種隨機特性,去估計和建立產生實際序列的隨機過程模型,之後用這些模型進行負荷預測。它利用了電力負荷變動時間上的延續性和慣性特徵,通過對歷史數據時間序列進行分析處理,確定其變化規律和基本特徵,以此來預測未來負荷。
時間序列預測法可分為隨機型和確定型兩類,隨機型時間序列預測模型可看成一個線性濾波器,確定型時間序列作為模型的殘差用於估計預測區間大小。根據線性濾波器的特性,時間序列又可分為動平均(MA)、自回歸(AR) ,累計式自回歸一動平均(ARIMA) ,自回歸一動平均(ARMA)、傳遞函式(Tt)幾類模型,負荷預測過程一般分為模型的識別、模型參數的估計、模型檢驗、負荷預測、精度檢驗預測值修正五個階段。
回歸分析法就是根據負荷歷史資料,建立數學模型,對未來的負荷進行分析預測。利用數理統計中的回歸分析法,通過分析變數的觀測數據,確定各變數之間的相互關係從而實現預測。
4、空間負荷預測法
空間負荷預測按照其研究對象的不同,可以分為負荷總量預測和空間負荷預測。一般的負荷預測方法的預測對象僅是整個供電區域或者主要供電設備的負荷消耗總量,它在滿足規劃要求和提供信息決策等方面顯得無能為力,這種矛盾促進了空間負荷預測的誕生和發展。1983年,來自美國的Willis最早提出了空間負荷預測。
5、趨勢法
趨勢法是基於負荷歷史數據外推負荷未來發展趨勢的方法的總稱。它的主要過程是依據每個小區的歷史負荷數據採用曲線擬合或其它推斷方法外推來預測規劃年的峰值負荷。趨勢法的優點是方法簡便、所需數據量少且相對容易獲得(僅需要小區負荷的歷史數據)。
6、多變數法
多變數法是以小區的負荷最高值歷史數據和其它多個變數為基礎預測未來規劃年的最高負荷。它是通過在時間序列上的一系列疊代來實現未來規劃年的負荷預判,通過探求同一區間的控制數據和待預測數據之間的關係,由歷史年和未來年的一系列控制數據來預測待求數據。在空間負荷預測中,控制數據是對影響負荷變化的相關量,待求數據是小區負荷。多變數法在套用中對數據質量的要求比較高,且預測精度不高,於20世紀80年代已逐步被淘汰。
7、用地仿真法。它是通過預測規劃區用地類型,最終將電力系統負荷預測結果“分攤”到各個小區。用地仿真法是一種自上而下的預測方法。目前該方法在國外已獲得了較多的套用。但是,用地仿真法在套用時需要收集各規劃小區用地的歷史資料,且數據比較繁多,計算量較大,這就成為了阻礙用地仿真法套用的一個頸瓶。為此,國內外學者於1977年利用土地衛星攝影照片來解決這一難題,這為土地資料信息的獲取和仿真方法的套用奠定了基礎。目前,隨著地理信息系統(GIS)的套用和發展,其強大的空間數據管理能力及網路拓撲功能為專家們所青睞,其可以為預測過程所需的大量空間數據進行存儲,為此專家大都一致地選用GIS作為用地仿真法的數據存儲管理平台,故GIS在用地仿真法中的取得廣泛的套用。
8、現代負荷預測方法
上世紀80年代後期,一些基於新興學科理論的現代預測方法逐漸得到了廣泛的套用。這其中主要有神經網路理論、專家系統方法、灰色數學理論、模糊預測理論等。
神經網路理論是利用神經網路的自學習能力,讓計算機先學習包含在負荷歷史數據中的映射關係,然後再利用這種映射關係預測未來的負荷。因該方法具有比較強的記憶能力、魯棒性、非線性映射能力和強大的自學習能力,因此有了很大的套用市場,但是其也存在明顯的缺點,如學習收斂的速度較慢,可能會收斂到局部極小點;並且知識表達困難,很難充分利用調度人員經驗中的模糊知識。

預測方法分析

負荷預測的方法多種多樣,需要對各自的特點進行分析,並以研究目標(即對居民負荷開展預測,既要準確預測出負荷增長量也要預測出增長的具體區域)為導向,選擇最合適的研究方法。
早在20世紀50年代中期西方學者就己認識到負荷的空間分布和城市土地的使用之間可能存在著某種關係。1962年至1965年間美國的A o Lazzari等人發現負荷密度分布和城市用地分布之間呈現鐘形曲線的特徵,首次揭示了負荷分布和變化的空間特性。20世紀80年代美國學者H.L.Willis明確提出了空間電力負荷預測,也稱小區負荷預測的概念。Willis構想的空間負荷預測的工作模式是在未來電力部門的供電範圍內根據城市電網電壓水平的不同,將城市用地按照一定的原則劃分為相應大小的規則格線狀或不規則形狀的小區,然後預測每個小區中電力用戶負荷的數量和產生的時間。對於空間負荷預測方法可以按照以下幾方面因素分類:
1)預測年限:
2)與總量預測的關係:
3)歷史數據:
4)計算方法等。
從與總量預測的關係角度看,空間負荷預測方法可分為自下而上的方法和自上而下的方法。自下而上的方法是先預測負荷分布再將其累加為負荷總量;與之相反自上而下的方法是先預測負荷總量再將其分攤到各小區得到負荷的分布。從歷史數據和計算方法的角度看,H.L.Willis認為目前的空間負荷預測方法主要分為兩大類解析方法analytic和非解析方法nonanalytic methods。解析方法運用數學工具分析小區的各項原始數據,如歷史負荷相關經濟指標和用地數據等。進而預測小區負荷的發展趨勢。解析方法可分為趨勢法、多元變數法、基於土地利用的方法等。非解析方法則更多地是依靠規劃人員的經驗和主觀判斷來決定負荷的大小和分布,這雖然在一定程度上缺乏必要的科學性。但可作為解析方法的輔助手段。

負荷預測的原則

負荷預測中的模型、方法是依據下述基本原則建立起來的完全性原則。即預測量的歷史行為中包含了一切信息。
預測是從歷史的行為預測未來,如果歷史的行為沒有包含全部影響因素,即歷史行為記錄的是局部而不是全部,據此得到的結論是沒有說服力的。完全性原則在電力需求方面是普遍適用的。任何一種因素對電力的影響最終必然體現在電力需求的變動上。基於完全性原則產生了序列預測技術。序列預測技術為電力需求預測提供了一條簡單而可行的途徑。電力需求系統是一個龐雜的大系統。影響因素眾多,關聯關係複雜,如果直接針對系統本身建模是十分困難的,而且要求解的是一個動態非線性多元相關問題,從數學角度是一個不易求解的難題。而序列預測技術依據完全性原則,改變了建模的角度,單純從預測量自身的歷史行為出發,也是有可能找到其內在的隱蔽的規律。
延續性原則。相當於物理學中的“慣性定理”。構想在各種因素沒有改變的情況下。電力需求也不可能隨意變動。否則,電力需求的構想就沒有任何規律性可循,預測理論也就沒有了立根之本。外推預測技術就是基於延續性原則產生的。慣性實際上反映的是系統勢的大小。表現出來的慣性也就越大,預測量的歷史行為對未來的影響越大,套用外推預測技術得到的精度越高。
相似性原則。在相同的背景下,預測量會體現與歷史相同的規律,例如各年春節期間的口負荷曲線表現出彼此相同、但與其它口負荷曲線完全不同。基於相關性原則產生了相關預測技術。
統計規律性原則。預測量的歷史行為中必然包含著一定的隨機因素,即具有某種統計規律性。預測量的這種統計規律性是套用機率論和數理統計的理論和方法進行預測的基礎。

理論基礎

負荷的空間分布和整個供電區域內的電力負荷密度是不同的。在人口稀少的地區,負荷的密度很小,而對於人口集中的區域,負荷密度可能極高。為了適應負荷分布的這種不均衡性,負荷密度大的區域必須要有較大容量的輸配電設備,而密度小的地區只需要較少的輸配電設備就可以了。因此規劃者需要了解未來負荷的位置和數量一一負荷在哪裡和有多大。
負荷在哪裡的問題一般通過把供電區域劃分為許多的小塊,按小塊收集負荷的歷史數據和環境因素的數據,然後分別對每塊進行預測來解決。這樣得到的預測值自然就包括了負荷的地理信息。當然面積的大小要與電壓等級相對應。而一般供電部門的做法是把整個供電範圍按每個設備的供電區域劃分成許多不規則的小塊,然後從歷史數據來預測每個設備的負荷。
這種方法有兩方面的優點:
第一,得到的結果與設備直接相關,電網規劃時馬上就可以知道哪些設備需要擴容。而負荷預測的重要目的之一正是要識別系統中容量不足的設備。所以這一優點是按設備劃分供電區域最重要的一點。
第二,預測時按設備的供電範圍來劃分小塊與按正方形面積來劃分小塊相比,所需的數據量較少。大部分設備都有歷史負荷數據的記錄,所以預測時較容易得到所需的數據。而按正方形面積來劃分供電區域時,可能需要較多的時間和努力來蒐集、處理這些原始數據。但按設備的供電範圍劃分小塊所得到的空間解析度比較低,以按饋線供電範圍來劃分小塊為例,得到的結果中有關負荷在該饋線供電範圍內是如何分配的信息就很少,而這些信息正是合理規劃系統的改造、擴容所必須的。

預測步驟與方法

低壓格線負荷預測基於F(X,y)=L(x,y)的映射關係,找出影響負荷變化的因子x,y與低壓格線負荷z之間的內在關係F,整體思路見如下流程圖。
低壓格線的劃分、數據採集終端的安裝是本課題負荷預測的基礎工作,運行數據的積累、地理數據的提取、外部大事件的收集是進行負荷預測的直接素材。
公變負荷預測
1、低壓格線的劃分
格線化是以主幹道為基礎構架對供電區域進行細分,格線之間供配電彼此獨立。尚未開發的區域或單純的工業區域的格線可能是沒有公變分布的,但對於居民用戶聚集的區域,格線內分布的公變數量較多。格線內部可通過技術改造,提高供電可靠性和可轉供電率,一個低壓格線作為一個管理單元,格線內部的公變和低壓線路可適當調整,均勻的分擔格線內的負荷。
2、負荷數據的採集
一手負荷數據資料的採集質量直接關係負荷預測結果的準確性。負荷數據的採集是負荷預測的基礎,為得到可靠詳細的負荷數據,採用計量自動化系統進行數據採集,直接的採集工具主要是配變終端。本節將簡單介紹計量自動化系統工作原理、採集終端的工作原理、低壓格線中採集終端的配置與安裝等。
3、電量數據的採集
通過ccs行銷系統導出各台區特定抄表周期的供售電量數據。此數據是與用戶進行電費結算的電量數據,能真實反映該台區的用電量。電量數據主要用途是對負荷數據進行補充,使負荷數據預測更精確。
ccs行銷系統的電量數據來源:
1、由終端通過485匯流排採集台區電能總表的數據,經無線網路上傳到伺服器,一般在系統中設定成採集每個抄表周期起點和終點的零點電量,採集準確,精度高。
2、由人工抄錄台區電能總表電量數據,一般較難保證採集時間的一致性,抄錄的電量存在一定偏差。
4、GIS地理信息提取與套用
GlS系統中包含多個圖層,為直觀方便,選取地圖航拍圖層和地圖圖層提取地理信息。提取的信息包括低壓供電格線的分布區域、格線編號、低壓格線面積、格線內部構築物的分布、構築物面積、空地面積等,這些數據是低壓格線負荷預測的一些重要依據。
GlS信息作如下的用途:
1、計算出低壓格線目前的建築占地面積總量;
2、測算出特定格線的負荷密度;
3、與終端負荷數據相結合可計算出同時率;
4、測算出格線建築總量,測算格線中長期發展所需負荷。
5、負荷曲線擬合
提取有效數據。原始負荷數據的處理,首先解決多台公變間最高負荷出現時間不同步的問題。低壓格線往往包含多台公變,需要找出格線最高負荷。單台公變最高負荷出現的時刻存在差異,不能對單台公變的最高荷進行簡單疊加,要解決各公變間最高負載率出現時間不同步的問題。
解決辦法:假設編號為m的格線包含n台公變,在同一時刻t計算n台公變的總負荷得到格線的功率Pt,每15分鐘採集一次負荷數據可得到該時刻格線t時刻的總功率,選取每口96個採集點中的最大值得到m格線的口最高負荷,對格線每口最高負荷進行篩選最大值可得到格線月最大負荷,對格線每月最高負荷進行篩選最大值可得到格線的年最大負荷。
提取的這些格線口最大負荷、月最大負荷、年最大負荷等數據作為負荷曲線擬合的基本數據來源。

相關詞條

熱門詞條

聯絡我們