陳宇鳴

摘 要：大用戶負(fù)荷是構(gòu)成城市負(fù)荷的主要部分，本文提出了一種基于大用戶報(bào)裝的中長(zhǎng)期城市負(fù)荷預(yù)測(cè)方法。通過(guò)將城市負(fù)荷分解為大用戶負(fù)荷和中小負(fù)荷的兩部分，分別采用階段分析法和自然增長(zhǎng)率法對(duì)這兩步進(jìn)行建模，從而實(shí)現(xiàn)中長(zhǎng)期城市負(fù)荷預(yù)測(cè)。

關(guān)鍵詞：大用戶；城市負(fù)荷預(yù)測(cè)；中長(zhǎng)期負(fù)荷預(yù)測(cè)

中圖分類號(hào)：TM714 文獻(xiàn)標(biāo)識(shí)碼：A

1 引言

電網(wǎng)規(guī)劃是電網(wǎng)建設(shè)的依托和先決條件，規(guī)劃的質(zhì)量將嚴(yán)重影響到電網(wǎng)的建設(shè)投資費(fèi)用和電網(wǎng)的安全運(yùn)行。而電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)是電網(wǎng)規(guī)劃的理論基礎(chǔ)，預(yù)測(cè)算法的精度直接影響到規(guī)劃方案的可信度，這是長(zhǎng)期以來(lái)困擾電力系統(tǒng)規(guī)劃的重要問(wèn)題。因此，電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)方法的研究受到了廣大學(xué)者的關(guān)注，針對(duì)不同的應(yīng)用環(huán)境提出了多種負(fù)荷預(yù)測(cè)方法，取得了較豐碩的成果。

中長(zhǎng)期負(fù)荷預(yù)測(cè)算法從模型數(shù)量上可以分為單模型負(fù)荷預(yù)測(cè)算法和多模型組合預(yù)測(cè)算法。其中單模型由于負(fù)荷預(yù)測(cè)方法由于模型的局限性，因而不同的模型適用不同規(guī)模和發(fā)展?fàn)顩r的城市，但是簡(jiǎn)單易用。典型的單模型預(yù)測(cè)方法有彈性系數(shù)發(fā)、回歸分析法、指數(shù)平滑法、多項(xiàng)式法、灰色預(yù)測(cè)方法等。多模型組合預(yù)測(cè)算法是由多個(gè)單模型預(yù)測(cè)方法通過(guò)一定的比重加權(quán)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(jìn)行加權(quán)組合，復(fù)雜度遠(yuǎn)高于單模型預(yù)測(cè)方法。

隨著計(jì)算機(jī)技術(shù)和數(shù)據(jù)挖掘技術(shù)的發(fā)展，為了提高預(yù)測(cè)算法的適應(yīng)能力，在最近的負(fù)荷預(yù)測(cè)新理論和新方法中提出了許多具有學(xué)習(xí)能力的人工智能預(yù)測(cè)方法。這些人工智能方法能夠通過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行特征挖掘并學(xué)習(xí)，從而構(gòu)成新的具有普遍適應(yīng)能力的預(yù)測(cè)方法，并且可以通過(guò)對(duì)不同數(shù)據(jù)的在線學(xué)習(xí)，從而可以實(shí)現(xiàn)一個(gè)算法應(yīng)用于多個(gè)場(chǎng)景中。如人工神經(jīng)網(wǎng)絡(luò)算法和粒子群算法等。文獻(xiàn)[4]將誤差序列的均方值作為網(wǎng)絡(luò)性能的評(píng)價(jià)指標(biāo)并采用最小誤差對(duì)應(yīng)的平滑參數(shù)，在廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）基本算法、網(wǎng)絡(luò)結(jié)構(gòu)及平滑參數(shù)確定方法的基礎(chǔ)上建立了GRNN的預(yù)測(cè)模型。提出了確定輸入神經(jīng)元數(shù)目的方法，并將模型應(yīng)用于某地中長(zhǎng)期電力網(wǎng)負(fù)荷預(yù)測(cè)，分別進(jìn)行了單步預(yù)測(cè)和多步預(yù)測(cè)。文獻(xiàn)[5]針對(duì)實(shí)時(shí)電價(jià)對(duì)短期負(fù)荷的影響，建立了徑向基（RBF）神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)（ANFIS）相結(jié)合的短期負(fù)荷預(yù)測(cè)模型。該模型利用了RBF神經(jīng)網(wǎng)絡(luò)的非線性逼近能力，應(yīng)用ANFIS系統(tǒng)對(duì)RBF神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)結(jié)果進(jìn)行修正，以使固定電價(jià)時(shí)代的預(yù)測(cè)方法在電價(jià)敏感環(huán)境下也能達(dá)到較好的預(yù)測(cè)精度。文獻(xiàn)[6]提出了一種將粒子群優(yōu)化算法與非線性灰色Bernoulli模型結(jié)合中長(zhǎng)期負(fù)荷預(yù)測(cè)方法。

上述的單模型預(yù)測(cè)方法、組合預(yù)測(cè)方法和人工智能預(yù)測(cè)方法都是基于城市負(fù)荷的歷史數(shù)據(jù)搭建模型，并未考慮到城市未來(lái)的產(chǎn)業(yè)結(jié)構(gòu)和發(fā)展規(guī)劃。因此，本文提出一種基于大用戶報(bào)裝的中長(zhǎng)期城市負(fù)荷預(yù)測(cè)方法，該方法將城市用電負(fù)荷按特性劃分為住宅用戶、工業(yè)用戶、商業(yè)用戶和其他用戶四類，對(duì)四種類型的大用戶從報(bào)裝、建設(shè)及投產(chǎn)等方面進(jìn)行階段性分析，得出發(fā)展規(guī)律，從而實(shí)現(xiàn)城市中長(zhǎng)期用電負(fù)荷的預(yù)測(cè)。

2 基于大用戶報(bào)裝的負(fù)荷預(yù)測(cè)方法

2.1 大用戶特性分析

按電網(wǎng)運(yùn)行規(guī)定，當(dāng)負(fù)荷容量超過(guò)一定范圍的大用戶在建設(shè)之前需要向有關(guān)部門進(jìn)行計(jì)劃報(bào)裝，而這些各行各業(yè)的大用戶是電力系統(tǒng)中長(zhǎng)期負(fù)荷增長(zhǎng)的主要組成部分。因此，可以通過(guò)對(duì)大用戶的報(bào)裝、建設(shè)及投產(chǎn)等多個(gè)階段進(jìn)行有效的數(shù)據(jù)分析，得到四種類型大用戶在不同階段的負(fù)荷增長(zhǎng)特性，從而可以得到每種類型的負(fù)荷增長(zhǎng)規(guī)律。

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

（1）

式中：k為用戶分類數(shù)；i為大用戶編號(hào)；j為階段數(shù)；αk為第k類大用戶的調(diào)整系數(shù)；βjk 為第k類大用戶在第j個(gè)階段的階段系數(shù)；lik 為第k類大用戶中第i個(gè)大用戶的報(bào)裝量；n為第k類大用戶的數(shù)量；Ljk 為第k類大用戶在第j個(gè)階段的負(fù)荷增長(zhǎng)量；

（2）

式中：BLj為城市大用戶負(fù)荷第j個(gè)階段的增長(zhǎng)量。

由式（1）和式（2）可知，要得出城市電網(wǎng)負(fù)荷在每個(gè)階段的主要增長(zhǎng)量，需要對(duì)大用戶的負(fù)荷階段劃分情況、負(fù)荷階段系數(shù)、負(fù)荷調(diào)整系數(shù)和大用戶報(bào)裝容量四個(gè)方面進(jìn)行分析。具體方法如下：

（1）需要收集大用戶報(bào)裝數(shù)據(jù)，并進(jìn)行分類。供電局需要對(duì)每年的大用戶報(bào)裝情況進(jìn)行統(tǒng)計(jì)、分類和匯總工作。

（2）對(duì)各種類型大用戶的歷史報(bào)裝情況和用電數(shù)據(jù)進(jìn)行分析，得到各類型大用戶的投產(chǎn)規(guī)律數(shù)據(jù)，從而劃分各類型大用戶的投產(chǎn)階段數(shù)，一年為一個(gè)階段。

（3）根據(jù)各類型大用戶的投產(chǎn)規(guī)律，采用數(shù)據(jù)擬合方法得到各類型大用戶的階段系數(shù)和調(diào)整系數(shù)。

2.2 中長(zhǎng)期城市負(fù)荷預(yù)測(cè)模型

城市電網(wǎng)負(fù)荷增長(zhǎng)量由大用戶負(fù)荷增長(zhǎng)量和其他中小負(fù)荷增長(zhǎng)量共同組成。因此，除大用戶之外，還需對(duì)中小負(fù)荷的增長(zhǎng)規(guī)律進(jìn)行分析建模。由于中小負(fù)荷數(shù)量非常龐大，增長(zhǎng)規(guī)律雜亂，無(wú)法進(jìn)行單項(xiàng)數(shù)據(jù)統(tǒng)計(jì)和分析。因此，本文采用自然增長(zhǎng)率的方法，從總體上對(duì)中小負(fù)荷增長(zhǎng)量建模，如式（3）所示。

MLi=λ·Di-1 （3）

式中：MLi為未來(lái)第i年城市中小負(fù)荷增長(zhǎng)量；λ為城市中小負(fù)荷自然增長(zhǎng)系數(shù)；Di為第i-1年城市負(fù)荷總量。

根據(jù)式（1）～（3）可以建立起基于大用戶報(bào)裝的中長(zhǎng)期城市負(fù)荷預(yù)測(cè)模型如式（4）所示。

Di=BLi+MLi （4）

式中：i為需要預(yù)測(cè)的未來(lái)第i年。

3 實(shí)例分析

本文根據(jù)某地區(qū)供電局統(tǒng)計(jì)的大用戶報(bào)裝數(shù)據(jù)，從住宅、商業(yè)、工業(yè)和其它四種類型出發(fā)，將投產(chǎn)階段統(tǒng)一劃分為3個(gè)階段，分別為投產(chǎn)第一年、投產(chǎn)第二年、投產(chǎn)第三年。經(jīng)數(shù)據(jù)分析與擬合之后，得到每類大用戶的調(diào)整系數(shù)和階段系數(shù)見(jiàn)表1。

采用本文提出的負(fù)荷預(yù)測(cè)方法對(duì)該地區(qū)2011年、2012年和2013年的負(fù)荷進(jìn)行了預(yù)測(cè)，結(jié)果見(jiàn)表2。

從表2中可以看到，由于采用比較精確的大用戶報(bào)裝統(tǒng)計(jì)數(shù)據(jù)能較準(zhǔn)確地預(yù)測(cè)城市電網(wǎng)負(fù)荷的主要增長(zhǎng)部分，因此，采用本文提出的中長(zhǎng)期負(fù)荷預(yù)測(cè)方法能取得較好的預(yù)測(cè)效果。

結(jié)論

本文提出了一種基于大用戶報(bào)裝的中長(zhǎng)期負(fù)荷預(yù)測(cè)方法，將城市負(fù)荷分為大用戶負(fù)荷和中小負(fù)荷兩部分，對(duì)大用戶負(fù)荷采用分階段增量方法，結(jié)合中小負(fù)荷采用自然增長(zhǎng)率方法，建立了中長(zhǎng)期城市負(fù)荷預(yù)測(cè)模型。通過(guò)測(cè)試結(jié)果表明該方法能取得較好的預(yù)測(cè)效果。

參考文獻(xiàn)

[1]陳章潮.城市電網(wǎng)規(guī)劃與改造[M].北京：中國(guó)電力出版社，2007：1-4.

[2]梁錦照.城市電網(wǎng)規(guī)劃方法研究[M].北京：中國(guó)電力出版社，2010：1-8.

[3]康重慶，夏清，張伯明.電力系統(tǒng)負(fù)荷預(yù)測(cè)研究綜述與發(fā)展方向探討[J].電力系統(tǒng)自動(dòng)化，2004，28（17）：1-11.

[4]姚李孝，劉學(xué)琴，伍利，等.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)[J].電力自動(dòng)化設(shè)備，2007，27（08）：26-29.

[5]雷紹蘭，孫才新，周湶，等.基于徑向基神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊系統(tǒng)的電力短期負(fù)荷預(yù)測(cè)方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（22）：78-82.

[6]方仍存，周建中，張勇傳，等.基于粒子群優(yōu)化的非線性灰色Bernoulli模型在中長(zhǎng)期負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電網(wǎng)技術(shù)，2008，32（12）：60-63.