冷 華，陳鴻琳，李欣然，唐海國，朱吉然

(1.國網(wǎng)湖南省電力公司電力科學研究院，湖南 長沙 410007；2.湖南大學電氣與信息工程學院，湖南 長沙410082)

基于功率或電量預測的智能配電網(wǎng)統(tǒng)計線損同期化方法

冷 華1，陳鴻琳2，李欣然2，唐海國1，朱吉然1

(1.國網(wǎng)湖南省電力公司電力科學研究院，湖南 長沙 410007；2.湖南大學電氣與信息工程學院，湖南 長沙410082)

智能配電網(wǎng)中電量采集數(shù)據(jù)缺失、遺漏導致按月線損統(tǒng)計不是嚴格意義上的自然月。為解決線損統(tǒng)計不同期問題，提出基于功率或電量預測的方法來改善配網(wǎng)線損統(tǒng)計。通過挖掘售電量數(shù)據(jù)，提出了一種基于年度售電量的灰色預測結果。再根據(jù)季度、月度層級占比得到月售電量的預測方法，與實際值的平均相對誤差僅為 1.94%，證明此方法簡單有效適合電力各部門的廣泛應用。將月售電量預測結果應用于線損統(tǒng)計，結合供電比例系數(shù)法，改善表計供、售電量不對應的問題，使得同期化，對按月實時分析網(wǎng)損有實際意義。

電量預測；灰色模型；大數(shù)據(jù)；層級比例；同期線損

0 引言

線損中的統(tǒng)計線損是指供電量與售電量的電度表讀數(shù)之差，線損率為線損除以供電量得到的比率。線損不僅可以反映電網(wǎng)架構的合理性、設備的老化程度，還能反映企業(yè)的經(jīng)營管理水平，分析偷用電情況。以前我國電力部門的自動化水平有限，一部分營銷數(shù)據(jù)還有賴于人工抄表完成，區(qū)域較大時會存在提前抄表以及分期抄表的現(xiàn)實，這種抄表方式[1]導致了供電量、售電量統(tǒng)計的時間尺度不同期的問題。但是目前隨著配網(wǎng)自動化水平的提高，這種線損不同期問題已不復存在，問題有了新的定義，新的線損不同期問題由自動抄表系統(tǒng)中表故障、數(shù)據(jù)缺失導致，且供、售電量表計故障隨機，使得月末統(tǒng)計的電量不一定是自然月的電量。本文提出結合功率預測或電量預測，基于“多減少補”的思想，來同期化統(tǒng)計線損。

功率預測即負荷預測，電量數(shù)據(jù)可由功率積分或離散累加得到，運用在同期統(tǒng)計線損中，指短期負荷預測。而根據(jù)實際算例情況，湖南省配網(wǎng)低壓用戶側目前沒有記錄日負荷功率，且有的電量表計數(shù)據(jù)采集缺失情況嚴重，多的一個月達到 27天，故本文主要論述月電量預測在同期線損中的應用。售電量預測是電力規(guī)劃的基礎，售電量直接關系到電力公司的收益，也是很多考核指標的組成部分。隨著電力市場的開放，電量預測對企業(yè)計劃發(fā)電、提高經(jīng)濟效益等都有重要意義。

售電量預測通常分為年度、季度和月度電量預測，傳統(tǒng)的預測方法有回歸法、動平均法、指數(shù)平滑法、自回歸動平均法等[2]，隨著研究的深入，灰色模型預測法被廣泛應用于長期電力預測中，也有學者將人工神經(jīng)網(wǎng)絡、智能優(yōu)化算法運用其中。在對月售電量預測模型的優(yōu)化中，文獻[3]建立了基于偏最小二重回歸的預測模型，但是要求輸入國民生產總值、社會固定資產投資、人口預測等數(shù)據(jù)，模型比較繁雜；文獻[4]采用了季節(jié)指數(shù)和灰色模型對月電量數(shù)據(jù)進行了擬合；文獻[5]從季度電量組合預測出發(fā)，通過加和求得年度電量，通過比例分配求得月度電量，但組合預測中包含的單一預測算法達到了 5 種和 8 種，建模復雜；文獻[6]分析了歷年各月電量占當年所在季度電量的比例，得出該比例基本維持平穩(wěn)的結論，并采用溫斯特法先對季度電量進行預測；而文獻[7]通過比較移動平均模型、Winters 和灰色馬爾科夫模型預測地區(qū)電網(wǎng)售電量得出了灰色馬爾科夫模型精度更高的結論。

灰色預測方法要求的樣本數(shù)據(jù)少，通過自身數(shù)據(jù)挖掘便可提取模型，對呈指數(shù)增加規(guī)律的數(shù)據(jù)有極佳的適應性，而年售電量正是呈遞增趨勢。因此，本文提出的月售電量預測方法基于年售電量的灰色預測結果，運用大數(shù)據(jù)思想，再通過季度比例和月度比例分別得到季度售電量和月度售電量，取得了良好的預測精度。進一步地，將預測結果應用于同期線損統(tǒng)計中，為電力部門分析運營情況、加強管理水平提供依據(jù)。

1 灰色預測模型 GM(1,1)

累加使得任意非負數(shù)列轉化為非減的或遞增的數(shù)列，具有近似指數(shù)規(guī)律。

2) 建立白化微分方程

3) 將求得的參數(shù) a?,u?代入微分方程，求解方程有

4) 將方程的解累減還原得到預測模型

受到政治、經(jīng)濟事件的影響，年售電量的增長會有波動，可能電量序列不是嚴格的遞增的趨勢，因此，對灰色預測模型有所改進，如對時間序列的殘差修正，運用馬爾科夫的殘差修正，以及使用灰色 Verhulst模型等。由于本文研究側重點的不同，在此選用常規(guī)的 GM(1,1)模型，但仍可用改進的灰色預測模型結合層級比例分析來預測月電量。

2 月電量預測

2.1 層級比例

所謂層級比例是指“年-季-月”三個層級中，四個季度電量分別占年總電量的比例“季占年比”，一個季度中每月電量占季度電量的比例“月占季比”，以及每月電量占年總電量的比例“月占年比”。

通過統(tǒng)計分析可知，各年的月占年比波動較大，而季度電量變化規(guī)律穩(wěn)定，有較強的周期性，即每年的季度電量曲線都有相似的變化規(guī)律，如圖1 所示。原始數(shù)據(jù)為南京市某供電公司 2000-2004年的各月售電量，見表1。

進一步分析原始數(shù)據(jù)可得，季占年比相對固定，月占季比也呈現(xiàn)出較強的穩(wěn)定性，表2列出了各年的月占年比和季占年比。各月(每一行)的月占年比的相對標準偏差最大值為 0.1016，各季(每一行)的季占年比的相對標準偏差最大值為 0.0437，這說明月占年比數(shù)據(jù)波動較大，離散程度高，不穩(wěn)定，而季占年比有平穩(wěn)的比例值。

圖1 2000-2004 年季度電量Fig. 1 Quarterly electricity consumption of 2000-2004

相對標準偏差(RSD，relative standard deviation)是指標準偏差與測量結果算術平均值的比值，反映了數(shù)據(jù)的離散波動程度，用公式表示如下

式中：SD 為序列的標準方差，即方差的平方根；ave為數(shù)列的平均數(shù)。

通過計算各層級比例的相對標準偏差，有其平均值“月占年比>月占季比>季占年比”，說明季占年比的平穩(wěn)性最強可靠性最高，月占季比次之，月占年比最差。故本文根據(jù)得到的年電量預測數(shù)據(jù)，通過層級分析，先由季占年比計算季度電量，再由月占季比計算得到月度電量，而不是由年電量預測結果直接由月占年比得出月電量數(shù)據(jù)。

表1 2000-2004 年的各月售電量Table 1 Monthly electricity consumption of 2000-2004

表2 2000-2004 年層級比例Table 2 Hierarchic proportion of 2000-2004

2.2 預測步驟

綜上所述，月電量預測的具體步驟如下。

1) 基于年售電量數(shù)據(jù)序列，運用灰色模型預測年售電量。

2) 基于大數(shù)據(jù)進行數(shù)據(jù)挖掘，分析近來歷史各年的售電量季占年比、月占季比，分別得到平均值作為待預測年月的層級比例。

3) 基于層級比例和年售電量預測值，由年電量和平均季占年比得到季度電量預測值，由季度電量和月占季比得到月電量預測值，分析相對誤差a

3 月電量預測的同期線損應用

電量數(shù)據(jù)系統(tǒng)中每天一抄，電量的月統(tǒng)計是在每月末，用當前表計數(shù)據(jù)減去上月末保存的數(shù)據(jù)。實際情況中會出現(xiàn)表計故障導致數(shù)據(jù)缺失的問題，如圖2所示，而一般工程實際情況中，對數(shù)據(jù)缺失的自動補抄方式為向前查詢，記錄前一次有效數(shù)據(jù)作為當前數(shù)據(jù)，故基本情況可分為以下三類。

1) 當月末幾天的數(shù)據(jù)缺失時，系統(tǒng)采用最近一次保存的讀數(shù)作為月末讀數(shù)，從而抄表天數(shù)少于當月天數(shù)，抄表電量比實際電量少。

圖2 線損統(tǒng)計的不同期Fig. 2 Asynchronous line loss

2) 當月初有數(shù)據(jù)缺失時，系統(tǒng)采用上個月中最接近本月1號保存的數(shù)據(jù)，從而抄表天數(shù)多于當月天數(shù)，抄表電量比實際電量多。

3) 當月初月末同時有數(shù)據(jù)缺失時，需結合實際情況綜合考慮。

這些情況在供電量、售電量抄表中均有可能發(fā)生，且具體是何種故障是隨機的，從而出現(xiàn)線損統(tǒng)計不同期的問題。

本文提出供電比例系數(shù)結合月電量預測的方法，做到當前配電系統(tǒng)中對同期線損的按月實時統(tǒng)計。且由圖2(c)可知，當月初月末數(shù)據(jù)均缺失時，需要同時預測兩個月的電量數(shù)據(jù)，本文提供的預測方法正好能便捷的得到各月的預測結果，非常適用于線損分析。統(tǒng)計線損同期化流程圖見圖3，其方法如下：

1) 分析供電量、售電量數(shù)據(jù)是否為標準的月初1號至月末的時間尺度，查詢有無數(shù)據(jù)缺失。

2) 當線損統(tǒng)計不同期時，進行電量預測(在此不討論功率預測，功率預測也可用電量預測代替，但功率預測對于缺失數(shù)據(jù)天數(shù)少的情況有更佳的適用性)，得到月電量預測結果，這時可能需要使用兩個月的預測結果。

3) 由于供、售電量具有強相關性，用日供電量比例(每日供電量/當月供電量)代替日售電量比例，結合具體不同期情況對月售電量進行多減少補，減去由于自動補錄月初數(shù)據(jù)(實際為上月末)而多統(tǒng)計的售電量，補全由于月末數(shù)據(jù)缺失少統(tǒng)計的售電量。

4) 進行同期線損、線損率分析。

具體地，以 23 號至月末售電抄表數(shù)據(jù)缺失為例，示意圖如圖4，對應流程圖如圖5。

2) 由于供、售電量具有強相關性，用日供電量比例替代日售電量比例表示售電。

圖3 同期線損統(tǒng)計步驟流程圖Fig. 3 Flow chart of synchronous line loss

圖4 同期統(tǒng)計具體舉例Fig. 4 An example of synchronous line loss statistics

圖5 線損統(tǒng)計詳細流程圖Fig. 5 Detailed flow chart of synchronous line loss

3) 采用前文所述方法預測該月售電量 Ys，繼而根據(jù)售電比例計算缺失的 23-30 日的預測售電量 Y1。

4) 結合已有的實際售電數(shù)據(jù)，求得同期后的售電量Y。

5) 按自然月求和，計算歸算到當月(自然月)的同期線損，即月供電量與月售電量之差。

4 算例分析

4.1 月電量預測

為了比較本文所提層級比例預測方法的有效性，利用前文提到的南京市某供電公司2000至2003年的各月售電量，來預測 2004 年的月售電量，并驗證其精確度。統(tǒng)計分析可知，2000-2003 年的售電量平均季占年比以及平均月占季比情況如表3所列。

表3 2000-2003 年平均層級比例Table 3 Average hierarchic proportion of 2000-2003

1、2月份售電量受春節(jié)影響，歷史數(shù)據(jù)表明該地區(qū) 1、2月中，春節(jié)月的占季比小于非春節(jié)月，查閱日歷可知 2004 年的春節(jié)月是 1 月，故預測時要進行調整，1 月的占季比為 0.34，2 月的占季比為 0.35。

1) 利用灰色模型進行年售電量預測，結果如表4所示，可見灰色模型對年售電量的預測十分精確。

表4 灰色模型下的年售電量預測Table 4 Annual electricity consumption forecasting based on grey model

2) 根據(jù)層級比例計算季度售電量、月度售電量，2004 年各月的月售電量預測結果示于表5。

表5 2004 年月售電量預測結果Table 5 Monthly electricity consumption forecasting

由表中結果可知，通過“年-季-月”的層級比例預測得到的預測值與實際值的平均相對誤差為1.94%，有較高的預測精度。同樣原始數(shù)據(jù)下，有學者通過提高曲線平滑度和設置季節(jié)補償系數(shù)進行月售電量預測，其平均相對誤差絕對值為3.66%，對比可見，本文所提方法大大提高了預測的精確度，且方法簡單，適用于工程實際操作。供電量的預測同理可得。

4.2 線損同期化

利用月電量預測結果，按照前文所述方法步驟“多減少補”進行同期線損分析，實例中統(tǒng)計常德市某線路 2015 年 8 月份的線損，列出表計數(shù)據(jù)缺失情況如表6。供電量為出口變壓器的電量數(shù)據(jù)，售電量為臺區(qū)變壓器的電量數(shù)據(jù)。

表6 合口變 302 合鎮(zhèn) II線表計缺失情況Table 6 Data lost statistics

由表6可見，該線路“群豐村 2”售電數(shù)據(jù)缺失極為嚴重，一個月達到 27天之多，若不進行線損的同期化，是不能合理評價網(wǎng)絡的線損水平的。通過分析歷史數(shù)據(jù)得到該線路平均三季度用電量占年比例為 0.32，8 月份占季比為 0.4，進一步得到如下表7所示電量修正結果。其中客戶1代表“群豐村2”，客戶 2 代表“湖南新合豐木業(yè)有限公司”。

經(jīng)過計算補全缺失數(shù)據(jù)得到修正后的同期售電量，再進行線損統(tǒng)計。該線路的統(tǒng)計線損率由 7.68%同期為 5.75%，下降了 1.93%，同期修正后更為準確、公正地評價了線損水平。

5 結語

[1]高衛(wèi)東, 宋斌. 月度實際線損率定量計算方法[J]. 電力系統(tǒng)自動化, 2012, 36(2): 86-90. GAO Weidong, SONG Bin. A quantitative calculation method for actual monthly line loss rate[J]. Automation of Electric Power Systems, 2012, 36(2): 86-90.

[2]唐巍, 高春成. 并行自適應混沌優(yōu)化方法在中長期電量預測中的應用[J]. 電網(wǎng)技術, 2005, 29(11): 30-35. TANG Wei, GAO Chuncheng. Application of parallel adaptive chaotic optimization in middle and long term electricity consumption forecasting[J]. Power System Technology, 2005, 29(11): 30-35.

[3]吳杰, 宋國堂, 盧志剛, 等. 基于偏最小二乘回歸與比重法的月售電量預測[J]. 電力系統(tǒng)及其自動化學報, 2008, 20(3): 66-69. WU Jie, SONG Guotang, LU Zhigang, et al. Forecasting for monthly electricity consumption using partial leastsquare regressive and proportion model[J]. Proceedings of the CSU-EPSA, 2008, 20(3): 66-69.

[4]劉秋華. 基于季節(jié)指數(shù)和灰色預測的月電量預測模型[J]. 南京工程學院學報(自然科學版), 2006, 4(1): 1-6. LIU Qiuhua. A forecasting model of monthly electricity power demand based on season exponent and grey forecast[J]. Journal of Nanjing Institute of Technology (Natural Science Edition), 2006, 4(1): 1-6.

[5]羅毅初, 馮天瑞, 李達凱, 等. 基于加和比例分配算法的 中長期電 量預測改進方 法 [J]. 電力 需求側 管理, 2014, 16(4): 11-15. LUO Yichu, FENG Tianrui, LI Dakai, et al. Improved medium and long-term electricity forecasting method based on summation-apportionment algorithm[J]. Power DSM, 2014, 16(4): 11-15.

[6]潘小輝, 劉麗萍, 李揚. 提高月度售電量預測精度的一種新方法[J]. 電力需求側管理, 2013, 15(3): 11-15. PAN Xiaohui, LIU Liping, LI Yang. A new method to promote the forecasting accuracy of monthly electricity consumption[J]. Power DSM, 2013, 15(3): 11-15.

[7]汪滔, 張偉, 呂萌萌, 等. 基于時間序列的地區(qū)電網(wǎng)售電量預測方法研究[J]. 電氣技術, 2010(11): 9-12. WANG Tao, ZHANG Wei, Lü Mengmeng, et al. Study on electricity sales forecasting method of regional power grid based on time series[J]. Electric Technology, 2010(11): 9-12.

[8]鄧聚龍. 灰色系統(tǒng)[M]. 北京: 國防工業(yè)出版社, 1985.

[9]孫仲民, 何正友, 戴銘. 基于灰色預測的電力電纜老化過程預警仿真研究[J]. 電力系統(tǒng)保護與控制, 2012, 40(13): 55-60. SUN Zhongmin, HE Zhengyou, DAI Ming. Simulation study on pre-alarm of power cable aging process based on grey prediction[J]. Power System Protection and Control, 2012, 40(13): 55-60.

[10]BOX G P, JENKINS G M. Time series analysis: forecasting and control[M]. Holden-day Inc., 1976.

[11]王翠茹, 孫辰軍, 楊靜, 等. 改進殘差灰色預測模型在負 荷預測中 的應用 [J]. 電力 系統(tǒng)及其 自動化學報 , 2006, 18(1): 86-89. WANG Cuiru, SUN Chenjun, YANG Jing, et al. Application of modified residual error gray prediction model in power load forecasting[J]. Proceedings of the CSU-EPSA, 2006, 18(1): 86-89.

[12]趙飛, 眭歡然, 戴巖, 等. 基于隨機模糊理論和改進馬爾科夫法的變壓器壽命評估[J]. 電力系統(tǒng)保護與控制, 2014, 42(15): 39-44. ZHAO Fei, SUI Huanran, DAI Yan, et al. Power transformers life assessment based on random fuzzy theory and improved Markov method[J]. Power System Protection and Control, 2014, 42(15): 39-44.

[13]黃銀華, 彭建春, 李常春, 等. 馬爾科夫理論在中長期負 荷預測中 的應用 [J]. 電力 系統(tǒng)及其 自動化學報 , 2011, 23(5): 131-136. HUANG Yinhua, PENG Jianchun, LI Changchun, et al. Application of Markov theory in mid-long term load forecasting[J]. Proceedings of the CSU-EPSA, 2011, 23(5): 131-136.

[14]KAYACAN E, ULUTAS B, KAYNAK O. Grey system theory-based models in time series prediction[J]. Expert Systems with Applications, 2010(37): 1784-1789.

[15]何健, 沈百強, 池峰. 線損管理中供售電量不對應分析方法的研究[J]. 浙江電力, 2005(3): 13-16. HE Jian, SHEN Baiqiang, CHI Feng. The research for the unmatched between supply and distribution in line loss management[J]. Zhejiang Electric Power, 2005(3): 13-16.

[16]宋宏彪. 配電網(wǎng)線損分析與研究[D]. 北京: 華北電力大學, 2002. SONG Hongbiao. Analysis and study on the line losses of distribution network[D]. Beijing: North China Electric Power University, 2002.

[17]朱國華, 呂華珍, 王林. 一種改進的月電量灰色預測模型[J]. 湖北電力, 2007, 31(2): 4-6, 21. ZHU Guohua, Lü Huazhen, WANG Lin. Improved grey prediction model for monthly electric power demand[J]. Hubei Electric Power, 2007, 31(2): 4-6, 21.

[18]陳芳, 張利, 韓學山, 等. 配電網(wǎng)線損概率評估及應用[J]. 電力系統(tǒng)保護與控制, 2014, 42(13): 39-44. CHEN Fang, ZHANG Li, HAN Xueshan, et al. Line loss evaluation and application in distribution network[J]. Power System Protection and Control, 2014, 42(13): 39-44.

(編輯 張愛琴)

A method for synchronous line loss statistics of distribution network based on load or electricity consumption forecasting

LENG Hua1, CHEN Honglin2, LI Xinran2, TANG Haiguo1, ZHU Jiran1
(1. Electrical Research Institute of State Grid Hunan Electric Power Company, Changsha 410007, China; 2. College of Electrical and Information Engineering, Hunan University, Changsha 410082, China)

Asynchronous line loss statistics of smart distribution network due to automatic meter failure and data missing are confusing. To solve this problem, a new method for synchronous line loss statistics based on power load or electricity consumption forecasting is put forward. Through data mining, this paper presents a monthly electricity forecasting method based on the result of annual electricity by grey model and quarterly and monthly hierarchic proportion. The average relative forecasting error is only 1.94% which indicates that this method is simple and effective and can be widely applied in electric department. And the forecasting results coupled with daily power supply ratio are applied in synchronous line loss statistic, which improves the inconsistency of power supply and electricity consumption and makes them synchronous. It has actual meaning for monthly line loss analysis.

electricity consumption forecasting; grey model; big data; hierarchic proportion; synchronous line loss

10.7667/PSPC151689

：2015-11-03

冷 華(1982-)，男，碩士，高級工程師，研究方向為智能配電網(wǎng)相關技術、繼電保護；E-mail: lh1435@163.com

陳鴻琳(1992-)，女，碩士研究生，研究方向為電力系統(tǒng) 分 析 與 控 制 、 電 力 系 統(tǒng) 優(yōu) 化 、 負 荷 預 測 ； E-mail: lin_xiuxian@yeah.net

李欣然(1957-)，男，教授，研究方向為電力系統(tǒng)負荷建模、儲能系統(tǒng)建模、優(yōu)化與控制。

國家電網(wǎng)公司總部科技項目(5216A514001K)