黃靜，陸春良，張俊，吳華華，羅欣，申鴻偉(.國網(wǎng)浙江省電力公司，浙江 杭州　30007； . 北京清軟創(chuàng)新科技股份有限公司，北京　00085)

0　引　言

母線負荷預測是電力系統(tǒng)的一項日?；竟ぷ?準確的預測結(jié)果對于指導電網(wǎng)安全經(jīng)濟調(diào)度具有重要意義[1]4。以母線負荷為主要研究對象的母線負荷預測技術(shù)難度較大。因為電網(wǎng)中母線數(shù)目眾多，且各個母線負荷波動頻繁、變化模式復雜、變化規(guī)律各不相同。

迄今為止已提出了多種各具特點的母線負荷預測方法，其中包括考慮了氣象條件的方法[2-5]，考慮了周末與節(jié)假日效應(yīng)的預測方法[6-7]，以及考慮了小水電的預測方法[8]。文獻[9-12]在考慮分布式電源并網(wǎng)的影響的同時，分別采用了夏季和冬季典型負荷曲線比較、建立等效模型、最小二乘支持向量機和混沌理論等方法進行了相關(guān)研究。以上方法對分布式發(fā)電功率接入后的母線負荷預測方法進行初步的研究和探討，但均為單一方法或模型的應(yīng)用，未能考慮母線負荷的多樣性和含分布式能源發(fā)電功率接入的母線凈負荷剝離。

本文提出了一種結(jié)合了兩階段還原的母線凈負荷預測和自適應(yīng)預測策略的預測思路，從而考慮了分布式能源發(fā)電功率接入后對母線凈負荷的影響。該預測思路可以幫助電力企業(yè)充分了解分布式能源接入對母線凈負荷的影響，從而為發(fā)電計劃的制訂提供更為精確的理論依據(jù)。

1　母線凈負荷預測思路

電力負荷是一個非線性，且與多種因素相關(guān)的動態(tài)復雜研究對象。不同負荷成份變化的相關(guān)影響因素不同且發(fā)展變化的模式也各有特點。本文采用文獻[13]提出兩階段還原法，將母線凈負荷分解為母線負荷需求與風電上網(wǎng)功率分別預測。對于母線負荷需求可利用自適應(yīng)的母線短期負荷預測技術(shù)進行預測；對于風電功率，通過分析風電功率特性，利用特殊方法單獨預測，然后將兩部分預測結(jié)果合成并還原出母線凈負荷，其思路為分解→預測→還原。該方法的總體思路如圖1所示。

圖1　兩階段還原法的總體思想

通過對母線負荷的特性進行分析，發(fā)現(xiàn)母線負荷體量小，不同的母線所載用戶的用電類型不同時，其負荷曲線差異性很大，這是負荷產(chǎn)生機理的外在表現(xiàn)?？紤]以上特點，為了能夠?qū)Σ煌哪妇€負荷類型具有廣泛的適用性，本文采用自適應(yīng)預測技術(shù)對母線負荷進行預測。另外本文只考慮風電作為接入的分布式能源的場景，故針對風電功率時序曲線的非平穩(wěn)性，本文采用ARIMA方法就其時序性和自相關(guān)性建立數(shù)學模型，對風電上網(wǎng)功率進行短期預測。

預測過程的具體步驟為：(1)首先根據(jù)母線凈負荷與分布式能源發(fā)電功率歷史數(shù)據(jù)，分解出母線負荷需求的歷史數(shù)據(jù)；(2)選擇合適的方法預測各種分布式能源發(fā)電功率時序曲線；(3)應(yīng)用自適應(yīng)預測技術(shù)預測母線負荷需求時序曲線；(4)合成以上預測結(jié)果得到該母線的凈負荷，通過綜合最優(yōu)模型預測得到網(wǎng)供負荷。

圖2　計算過程

2　母線負荷的自適應(yīng)預測技術(shù)

該技術(shù)分為自適應(yīng)訓練環(huán)節(jié)和預測環(huán)節(jié)。其中，自適應(yīng)訓練過程是最復雜、耗時最多的環(huán)節(jié)。文獻[14]中以某省220 kV母線為例，200節(jié)點的網(wǎng)絡(luò)每次自適應(yīng)訓練的整體計算次數(shù)達13萬余次。因此，本文采用已建成的軟件平臺每日凌晨進行計算來自適應(yīng)得選擇預測方法及各預測方法的模型參數(shù)。

2.1　自適應(yīng)預測技術(shù)的抽象描述

短期母線負荷預測的精度還與預測方法和模型的選擇緊密相連。目前常用的負荷預測方法有時間序列法、神經(jīng)網(wǎng)絡(luò)法、支持向量機法、組合預測方法等，短期母線負荷由于每個節(jié)點供電的用戶數(shù)較少，節(jié)點負荷易受單個用戶用電模式的影響較大，其負荷變化模式易變，不能用同一方法適用于所有母線，對于同一母線在不同時期也可能需要改變模型參數(shù)或更換模型來適應(yīng)其趨勢變化。

本文根據(jù)預測行為的時間分界特點，將時間區(qū)間作如下定義，如圖3所示。

圖3　預測時間序列關(guān)系圖

(1)

G={i|i∈[d1,d2]}

(2)

V={i|i∈[d3,d4]}

(3)

F={i|i∈[d5,d6]}

(4)

式中：i代表日期；H代表歷史區(qū)間包括歷史模擬區(qū)間G和虛擬預測區(qū)間G，由歷史負荷起始日d1到結(jié)束日d4所形成，包含了預測行為所需的歷史樣本日期；以G為已知對V的預測稱為虛擬預測[1]16-17；F代表未來的預測區(qū)間，由未來負荷起始日d5到結(jié)束日d6所形成的，包含了所有待預測日期。

利用圖3所示的虛擬預測原理，自適應(yīng)預測過程可以抽象表達為:

(5)

(6)

2.2　自適應(yīng)訓練的實現(xiàn)過程

圖4　自適應(yīng)預測技術(shù)的邏輯框圖

3　基于ARIMA的風電功率預測方法

文獻[15]146對風電機組的輸出功率時序曲線進行了自相關(guān)和偏相關(guān)分析，從分析結(jié)果可以看出，各被測風電機組的輸出功率時序曲線均為非平穩(wěn)時間序列，并且在進行了二階差分處理后變?yōu)槠椒€(wěn)時間序列。文獻[15]148是從一個58臺風電機組的風電場中抽選4臺風機的輸出功率時序曲線進行分析。本文選擇某總裝機為97.5 MW的風電場為例進行分析，該風電場包含33臺1.5 MW風機和24臺2.0 MW風機，對其中17臺1.5 MW風機和12臺2.0 MW機組的輸出功率時序曲線進行自相關(guān)和偏相關(guān)分析，經(jīng)過N階差分處理后得出結(jié)論均能與文獻[15]153相同，說明風電機組輸出功率時序曲線若為非平穩(wěn)時間序列，在經(jīng)過N階差分后可變?yōu)槠椒€(wěn)時間序列的特征具有一定的代表性。故本文采用累積式自回歸-移動平均模型對風電功率時序曲線進行預測。

對于非平穩(wěn)性時間序列，Box-Jenkins預測方法的模型為累積式自回歸-移動平均模型( Auto-RegressiveIntegrated Moving Average Model，ARIMA) ?？紤]到風力發(fā)電上網(wǎng)功率的非平穩(wěn)性[15]147，本文應(yīng)用ARIMA模型對其進行預測，預測過程如圖5所示。

圖5　ARIMA預測流程

ARMA(p,q)的模型結(jié)構(gòu)如下：

(7)

式中：xt為隨機變量;p為自回歸模型階數(shù);q為移動平均模型階數(shù);φ1，φ2，…φp為自回歸系數(shù);θ1，θ2，…θq為移動平均系數(shù);εt為隨機干擾項。應(yīng)用AIC準則進行模型定階，選擇p、q值[16]。

4　實例分析

4.1　實例介紹

本文以省含風電接入的某220 kV變電站2#變壓器高壓側(cè)的母線凈負荷為測算實例來進行預測，該風電場的開機總?cè)萘繛?7.5 MW。預測時間段選擇為風資源較豐富的春季一整周的時間進行預測，具體日期為2015年4月13日至2015年4月19日。風電場的開機總?cè)萘繛?7.5 MW，風力發(fā)電功率轉(zhuǎn)入比例為100%。采用北京清軟創(chuàng)新科技股份有限公司的母線負荷預測系統(tǒng)中的自適應(yīng)預測技術(shù)結(jié)合本文風電功率預測算法結(jié)果，應(yīng)用兩階段還原的思想對計及風力發(fā)電影響的母線凈負荷進行了預測。

歷史母線負荷選擇預測日前三個星期的歷史母線負荷需求數(shù)據(jù)，并重點考慮同類型日的歷史數(shù)據(jù)，在虛擬預測時將同類型日的歷史數(shù)據(jù)置前并根據(jù)訓練結(jié)果給予較大權(quán)重。本文風電功率預測則也選擇了前三個星期的歷史數(shù)據(jù)，從而對未來日96點的母線凈負荷進行預測。

4.2　考核指標

在預測結(jié)果考核指標的選擇上，本文針對母線分別采用了國網(wǎng)同業(yè)對標中所應(yīng)用的引用誤差(%)、日母線負荷預測準確率(%)和日母線負荷預測合格率(%)；針對風功率分別采用均方根誤差(RMSE)、平均絕對誤差(MAE)、相關(guān)性系數(shù)(r)和最大預測誤差(δmax)。需要特別說明的是，在最基本的引用誤差計算中，負荷基準值本文采用同狀態(tài)估計誤差統(tǒng)計中的功率基準值，220 kV電壓等級對應(yīng)的負荷基準值為305 MVA。

4.3　結(jié)果分析

本文采用對應(yīng)的省某 220 kV 變電站的歷史數(shù)據(jù)，對2015年4月13日開始的一周進行母線凈負荷預測。通過考核指標對母線預測結(jié)果進行統(tǒng)計分析，得到的母線凈負荷預測準確率和合格率如表1所示。

表1　母線凈負荷預測準確率和合格率

表1的統(tǒng)計結(jié)果來自母線凈負荷預測的引用誤差的計算結(jié)果，引用誤差隨時間的分布情況如圖6所示。2015年4月17日的預測準確率在該周內(nèi)最低。從圖6可以看出，只有25個時刻的預測誤差均小于5%，所以其合格率也較低，具體原因在結(jié)合風電功率預測結(jié)果分析后作進一步說明。

圖6　母線凈負荷預測引用誤差分布

通過4.2節(jié)介紹的考核指標對風功率預測結(jié)果進行統(tǒng)計分析，得到表2。

表2　風功率預測考核指標統(tǒng)計結(jié)果

從表2的數(shù)據(jù)中可以看出，2015年4月15日、16日、18日和19日的風功率預測均方根誤差較大，但結(jié)合表2的統(tǒng)計結(jié)果發(fā)現(xiàn)，應(yīng)用本文預測方法進行的母線凈負荷預測結(jié)果并未受到很大影響，即在風功率預測結(jié)果較為不理想的情況下，仍然能夠?qū)δ妇€凈負荷進行較為精確的預測，證明了本文方法的魯棒性及其應(yīng)對風電上網(wǎng)功率不確定性的能力。

另對2015年4月17日的實際值和預測值進行對比發(fā)現(xiàn)，預測各個時刻的母線凈負荷均比實際值低，這是由于在風功率預測結(jié)果較好的情況下，母線負荷需求的預測結(jié)果比實際低造成的。針對以上情況調(diào)整自適應(yīng)訓練的啟動時間，每日凌晨0:00開始對母線負荷預測算法庫進行自適應(yīng)訓練，及時根據(jù)最新的歷史負荷發(fā)生值更新算法參數(shù)后，再對未來日進行預測，預測結(jié)果準確率會有一定幅度的提升，母線凈負荷預測準確率提升為91.27%，合格率提升為26.04%。

5　結(jié)束語

從本文的分析可以看出，風電等分布式能源的發(fā)電功率接入母線后對母線凈負荷產(chǎn)生了很大的影響。本文基于以上分析提出了一種基于兩階段還原的母線凈負荷預測方法。從而實現(xiàn)對于較為穩(wěn)定的母線負荷需求采用自適應(yīng)預測策略進行精確預測，并且同時結(jié)合了分布式能源發(fā)電功率預測結(jié)果。實例驗證結(jié)果證明，本文方法應(yīng)用于含有風電接入的母線負荷預測，在一定程度上提高了母線凈負荷的預測結(jié)果。下一步可以考慮其他形式分布式能源接入對母線凈負荷的影響。對于風電接入的情況，還可以考慮應(yīng)用氣象情況和地理信息的風功率預測方法和更長時間的歷史數(shù)據(jù)進行訓練，通過提高風功率預測的準確率來進一步提高母線凈負荷預測的準確率。

參考文獻：

[ 1 ] 康重慶,夏清,劉梅.電力系統(tǒng)負荷預測[M].北京:中國電力出版社,2007.

[ 2 ] 康重慶,周安石,王鵬,等.短期負荷預測中實時氣象因素的影響分析及其處理策略[J].電網(wǎng)技術(shù),2006,30(7):5-10.

[ 3 ] 朱陶業(yè),李應(yīng)求,張穎,等.提高時間序列氣象適應(yīng)性的短期電力負荷預測算法[J].中國電機工程學報,2006,26(23):14-19.

[ 4 ] 張凱,姚建剛,李偉,等.基于功率譜分解和實時氣象因素的短期負荷預測[J].電網(wǎng)技術(shù),2007,31(23):47-51.

[ 5 ] 趙德應(yīng),李勝洪,張巧霞.氣溫變化對用電負荷和電網(wǎng)運行的影響初步探討[J].電網(wǎng)技術(shù),2000,24(1):55-58.

[ 6 ] 劉敦楠,何光宇,范旻,等.數(shù)據(jù)挖掘與非正常日的負荷預測[J].電力系統(tǒng)自動化,2004,28(3):53-57.

[ 7 ] 劉皓明,余昆,梁進國,等.特殊節(jié)假日的短期負荷預測新方法[J].電力需求側(cè)管理,2006,8(5):14-16.

[ 8 ] 金義雄,段建民,楊俊強,等.含有山區(qū)小水電負荷的氣象回歸短期負荷預測技術(shù)[J].繼電器,2007,35(14):54-58, 69.

[ 9 ] 趙海洲. 分布式電源并網(wǎng)對電網(wǎng)負荷預測的影響[J]. 設(shè)備管理與維修, 2015,36(S1):32-33.

[10] 馬亞輝.含分布式電源的綜合負荷建模方法研究[D].湖南:湖南大學,2013.

[11] 顏宏文,李欣然.基于差分進化的含分布式電源母線凈負荷預測[J].電網(wǎng)技術(shù),2013,37(6):1602-1606.

[12] 劉熙哲.基于混沌理論的含分布式電源系統(tǒng)負荷預測研究[D].長沙:長沙理工大學, 2011.

[13] 徐瑋,羅欣.用于小水電地區(qū)負荷預測的兩階段還原法[J].電網(wǎng)技術(shù),2009,33(8):87-92.

[14] 趙燃，陳新宇.母線負荷預測中的自適應(yīng)預測技術(shù)及其實現(xiàn)[J].電網(wǎng)技術(shù),2009,33(19):55-59.

[15] 惠小健,王震.基于ARMA的風電功率預測[J],現(xiàn)代電子技術(shù),2016,39(7):145-148.

[16] 李婧嬌,戴長春,王正風,等.基于規(guī)律性分析的超短期負荷預測方法研究[J].計算機仿真,2014,31(7):136-139.