彭懷德，鐘士元，李玉婷，王敏

（國(guó)網(wǎng)江西省電力有限公司經(jīng)濟(jì)技術(shù)研究院，江西 南昌 330096）

0 引言

電力負(fù)荷特性指標(biāo)分析是電力系統(tǒng)負(fù)荷特性預(yù)測(cè)、電網(wǎng)規(guī)劃等主要決策的基礎(chǔ)，準(zhǔn)確把握電網(wǎng)負(fù)荷變動(dòng)規(guī)律，確定影響負(fù)荷特性指標(biāo)的主要因素及挖掘隱藏在負(fù)荷特性指標(biāo)間的內(nèi)在規(guī)律，對(duì)電網(wǎng)的發(fā)展與決策具有重要意義。

1 負(fù)荷特性指標(biāo)與外在因素影響

國(guó)家電網(wǎng)公司2005年下發(fā)的《負(fù)荷特性研究?jī)?nèi)容深度要求及指標(biāo)解釋》中包含了各類負(fù)荷特性指標(biāo)的定義及計(jì)算公式。以時(shí)間為尺度，不同時(shí)限可以以不同的負(fù)荷特性進(jìn)行描述，主要以日、月、年為時(shí)限，定義日、月、年負(fù)荷特性指標(biāo)，共23個(gè)指標(biāo)[1]。目前，日負(fù)荷特性指標(biāo)與年負(fù)荷特性指標(biāo)常在負(fù)荷預(yù)測(cè)中應(yīng)用。

電力負(fù)荷變動(dòng)的影響因素很多，各因素對(duì)電網(wǎng)負(fù)荷的影響程度不同。經(jīng)外在因素調(diào)研，以其對(duì)電力系統(tǒng)負(fù)荷影響程度衡量，確定對(duì)氣候因素、經(jīng)濟(jì)因素與節(jié)假日因素予以分析。下面分析主要影響因素對(duì)負(fù)荷特性變動(dòng)影響。

1.1 氣候因素

近些年，氣候因素對(duì)電網(wǎng)負(fù)荷特性的影響顯得尤為明顯。隨著地球變暖，各地最高氣溫屢創(chuàng)新高，對(duì)應(yīng)的空調(diào)、風(fēng)扇的制冷負(fù)荷增大，夏季成為多數(shù)地區(qū)的年最大負(fù)荷出現(xiàn)的季節(jié)。而冬季由于天氣寒冷，像江西等沒(méi)有單獨(dú)供暖設(shè)備的地區(qū)，空調(diào)、電烤爐等的供暖負(fù)荷也將增大。在晝夜溫差較大的時(shí)節(jié)，日峰谷差將顯著增加，最高溫與最低溫出現(xiàn)的季節(jié)日最大負(fù)荷與日均用電量均會(huì)上升。

1.2 經(jīng)濟(jì)因素

經(jīng)濟(jì)因素是引起電力系統(tǒng)負(fù)荷發(fā)生變動(dòng)的一個(gè)重要因素，隨著經(jīng)濟(jì)的不斷發(fā)展與社會(huì)產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整，電力用戶用電模式和負(fù)荷的構(gòu)成發(fā)生了很大的變化。

1.3 節(jié)假日因素

節(jié)假日主要包括周末、法定及傳統(tǒng)的節(jié)假日。以時(shí)間為順序大致包括以下：元旦、春節(jié)、清明節(jié)、五一勞動(dòng)節(jié)、端午節(jié)、十一國(guó)慶節(jié)、中秋節(jié)。節(jié)假日對(duì)負(fù)荷特性的影響主要集中第二產(chǎn)業(yè)的工業(yè)和建筑業(yè)及第三產(chǎn)業(yè)的商業(yè)、住宿與餐飲業(yè)等。到了節(jié)假日，第二產(chǎn)業(yè)負(fù)荷急劇減少，第三產(chǎn)業(yè)住宿、餐飲業(yè)、居民服務(wù)業(yè)等與工作日相比都明顯的升高。由于節(jié)假日的變動(dòng)都以年為周期，周而復(fù)始的輪回，所以其影響主要體現(xiàn)在日、月負(fù)荷特性指標(biāo)上。

2 影響因素關(guān)聯(lián)分析

通過(guò)上述分析，可以將外部影響因素與負(fù)荷特性指標(biāo)進(jìn)行對(duì)應(yīng)，如圖1所示，發(fā)現(xiàn)外部影響因素與負(fù)荷特性指標(biāo)存在一對(duì)多或多對(duì)多關(guān)系。如年最大負(fù)荷一個(gè)指標(biāo)受年最高氣溫、GDP、人均GDP、人口數(shù)、人均可支配收入五個(gè)因素影響；同樣一個(gè)影響因素也可對(duì)應(yīng)多個(gè)指標(biāo)，如年最高氣溫可影響年最大負(fù)荷、季不均衡系數(shù)、年最大峰谷差、年最大峰谷差率4個(gè)指標(biāo)[2]。因此需要從網(wǎng)狀結(jié)構(gòu)中選出主要影響因素，即相關(guān)性更高的影響因素予以預(yù)測(cè)，以達(dá)到提高準(zhǔn)確率的目的。

圖1 影響因素與負(fù)荷特性指標(biāo)關(guān)系示意圖

2.1 基于多對(duì)多關(guān)聯(lián)關(guān)系解耦的負(fù)荷特性指標(biāo)灰色關(guān)聯(lián)度分析

多變量系統(tǒng)的解耦是把相互耦合的多輸入多輸出系統(tǒng)轉(zhuǎn)換為多個(gè)相互獨(dú)立的單變量系統(tǒng)，從而使整個(gè)測(cè)算過(guò)程可以控制。多對(duì)多關(guān)系解耦的目的，在于測(cè)算某一負(fù)荷特性指標(biāo)的提升、降低需要某幾類影響因素、數(shù)據(jù)分別是多少，以及某一類影響因素?cái)?shù)據(jù)的提升、降低對(duì)某幾個(gè)負(fù)荷特性指標(biāo)的影響分別是多少，即通過(guò)計(jì)算各子影響因素與某一負(fù)荷特性指標(biāo)的關(guān)聯(lián)程度確定各影響因素的權(quán)重。文中運(yùn)用灰色關(guān)聯(lián)度算法，對(duì)上述多對(duì)多關(guān)系進(jìn)行解耦測(cè)算。

設(shè)總目標(biāo)數(shù)據(jù)列X0={X0(t)，t=1，2L，n}，影響因素?cái)?shù)據(jù)列Xi={Xi(t)，i=1，2L，n}。m為影響因素的個(gè)數(shù)，n為時(shí)間變量的個(gè)數(shù)。適應(yīng)于正向指標(biāo)及逆向指標(biāo)的權(quán)重系數(shù)測(cè)算如下：

第一步：對(duì)X0、Xi作累減。

第二步：計(jì)算相對(duì)變化率k。

第三步：計(jì)算X0與Xi之間的關(guān)聯(lián)系數(shù)r0i（t）和關(guān)聯(lián)度r0i。

第四步：將r0i作歸一化處理得到影響權(quán)重。

wi為正號(hào)表示指標(biāo)對(duì)目標(biāo)有正面影響，wi為負(fù)號(hào)表示指標(biāo)對(duì)目標(biāo)有負(fù)面影響，滿足。

如果是一對(duì)多的關(guān)系，則根據(jù)上面的解耦過(guò)程測(cè)算一次得出權(quán)重系數(shù)wi即可。如果是多對(duì)多的關(guān)系，則需要重復(fù)上面的解耦過(guò)程兩次，一次總目標(biāo)數(shù)據(jù)列為某一影響因素，子影響因素?cái)?shù)據(jù)列為受該因素影響的負(fù)荷特性指標(biāo)，得出權(quán)重系數(shù)wi，另一次總目標(biāo)數(shù)據(jù)列為某一負(fù)荷特性指標(biāo)，子影響因素?cái)?shù)據(jù)列為某幾類影響因素，得出權(quán)重系數(shù)w'i。

2.2 影響因素敏感度測(cè)算

在得到wi，w'i的基礎(chǔ)上，若想獲得影響因素每變化1個(gè)單位對(duì)目標(biāo)指標(biāo)的影響程度，需對(duì)影響因素對(duì)于此負(fù)荷特性指標(biāo)敏感度進(jìn)行測(cè)算。假設(shè)E1為日最大負(fù)荷值，日最大負(fù)荷變化由日最高氣溫、日降水量2個(gè)因素影響則形成如下公式：

其中x11為日最高氣溫，v1為最高氣溫對(duì)日最大負(fù)荷的敏感系數(shù)，x12為日降水量，v2為日降水量對(duì)日最大負(fù)荷的敏感系數(shù)，v0為日最大負(fù)荷的基準(zhǔn)系數(shù)。

利用歷史年數(shù)據(jù)可以得到日最大負(fù)荷變化值、日最高氣溫和日降水量，再利用神經(jīng)網(wǎng)絡(luò)法可以得到v1、v2。

2.3 負(fù)荷特性的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

選取關(guān)聯(lián)度較大的影響因子作為BP神經(jīng)網(wǎng)絡(luò)的輸入層，輸出層為負(fù)荷特性指標(biāo)。輸入樣本和輸出樣本數(shù)據(jù)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)算法，設(shè)定算法誤差精度，當(dāng)實(shí)際輸出值與目標(biāo)值間誤差在預(yù)設(shè)精度內(nèi)訓(xùn)練結(jié)束。否則，誤差值將反向傳遞，修正神經(jīng)網(wǎng)絡(luò)的權(quán)值，如此反復(fù)學(xué)習(xí)直至達(dá)到設(shè)定的精度要求，固定此時(shí)網(wǎng)絡(luò)的權(quán)值，明確負(fù)荷特性的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

已知每一個(gè)負(fù)荷特性指標(biāo)的影響敏感度后，依據(jù)負(fù)荷特性指標(biāo)的目標(biāo)，輸入變量為不同類屬性的影響數(shù)據(jù)，分別以v1、v2、v3……表示，w'i為某一指標(biāo)受不同類別屬性項(xiàng)目的影響權(quán)重向量，wi為某一類屬性的規(guī)劃項(xiàng)目對(duì)提升不同指標(biāo)的權(quán)重向量，輸出變量為負(fù)荷特性指標(biāo)變化量，分別為E1、E2、E3……。

建立神經(jīng)網(wǎng)絡(luò)的線性關(guān)系如下式所示：

3 南昌市實(shí)際算例分析

負(fù)荷特性指標(biāo)按日、月、年統(tǒng)計(jì)共計(jì)23個(gè)指標(biāo)，在此進(jìn)行日負(fù)荷指標(biāo)、年負(fù)荷指標(biāo)中常用指標(biāo)測(cè)算。為掌握負(fù)荷指標(biāo)數(shù)據(jù)，調(diào)研南昌市數(shù)據(jù)進(jìn)行負(fù)荷特性指標(biāo)分析。

3.1 年負(fù)荷特性分析

將通過(guò)分析年負(fù)荷曲線，計(jì)算獲得年最大負(fù)荷、年最小負(fù)荷、年平均負(fù)荷、月平均值、季不均衡系數(shù)、年最大峰谷差、年最大峰谷差率幾個(gè)指標(biāo)。

由于江西分布式電源較多，如2019年12月6日全省風(fēng)電發(fā)力187.88萬(wàn)kW，2019年4月1日全省光伏出力95.11萬(wàn)kW對(duì)全省負(fù)荷特性影響較大。調(diào)研南昌市年統(tǒng)調(diào)數(shù)據(jù)，得到負(fù)荷特性指標(biāo)如圖2所示。

圖2 南昌市年負(fù)荷曲線

通過(guò)圖2可以發(fā)現(xiàn)如下規(guī)律：

1）南昌市年最大負(fù)荷均出現(xiàn)在夏季7月、8月份，氣溫成為影響負(fù)荷增長(zhǎng)的主要因素。

2）最小負(fù)荷及月平均值呈逐年增長(zhǎng)趨勢(shì)，季不均衡系數(shù)在0.7-0.9左右，隨著區(qū)域發(fā)展逐漸飽和，區(qū)間逐漸縮小。

3）通過(guò)梳理年日最大峰谷差、年日最大峰谷差率，得到年最大峰谷差日數(shù)據(jù)及年最大峰谷差率，年最大峰谷差率處于54%-60%之間。

4）最大負(fù)荷利用小時(shí)數(shù)

利用全社會(huì)用電量、最大負(fù)荷進(jìn)行最大負(fù)荷利用小時(shí)數(shù)測(cè)算，如圖3所示。

圖3 南昌市年最大負(fù)荷利用小時(shí)數(shù)

南昌市最大負(fù)荷利用小時(shí)數(shù)在4 900-5 600 h間波動(dòng)，2019年為5 317 h。工業(yè)用電量均占總用電量的50%以上，因此均處于較高水平。

3.2 日負(fù)荷特性分析

以南昌市4個(gè)季節(jié)典型日負(fù)荷曲線為基礎(chǔ)數(shù)據(jù)，對(duì)四季典型日負(fù)荷和典型日負(fù)荷進(jìn)行分析。南昌典型日負(fù)荷曲線如圖4所示。

圖4 南昌市四季典型日負(fù)荷曲線

由圖4可知，南昌夏季典型日負(fù)荷曲線呈雙峰型，12點(diǎn)至18點(diǎn)為第一個(gè)峰值形成過(guò)程，21點(diǎn)至23點(diǎn)為第二個(gè)峰值，主要是由于下午氣溫較高，在工業(yè)變化不大的情況下，辦公空調(diào)等第三產(chǎn)業(yè)用電較為集中；晚間居民空調(diào)負(fù)荷集中在21點(diǎn)至23點(diǎn)。凌晨以后負(fù)荷緩慢下降，至黎明6點(diǎn)以后開(kāi)始緩慢上升。負(fù)荷曲線波動(dòng)較大，隨人們的生產(chǎn)生活而變化。

南昌冬季典型日負(fù)荷曲線呈現(xiàn)雙峰的特性，負(fù)荷早高峰在早9點(diǎn)到10點(diǎn)左右，負(fù)荷晚高峰在18點(diǎn)到20點(diǎn)左右。冬季典型日負(fù)荷曲線變化相對(duì)較大，負(fù)荷的波動(dòng)主要是受日常生活及取暖負(fù)荷疊加影響。

南昌春季、秋季典型日負(fù)荷曲線基本相似，較為平緩，總量處于全年較低水平。將2015-2019年四季典型日負(fù)荷特性數(shù)據(jù)進(jìn)行整理，得到圖5，其中1、5、9、13、17為春節(jié)數(shù)據(jù)，2、6、10、14、18為夏季數(shù)據(jù)，3、7、11、15、19為秋季數(shù)據(jù)，剩余為冬季數(shù)據(jù)。

圖5 南昌市典型日負(fù)荷特性指標(biāo)

通過(guò)圖5可以看出，南昌日負(fù)荷率平均在0.8左右，趨勢(shì)較為平緩，日最小負(fù)荷率0.5-0.6之間呈波紋狀分布，呈現(xiàn)春季、冬季低，夏季、秋季高的趨勢(shì)，即在夏秋季，峰谷差更小。日峰谷差率在37%-54%之間。

3.3 氣候變化影響規(guī)律分析

由于南昌城市發(fā)展更加飽和，定位一直沒(méi)有大的變動(dòng)，因此部分以南昌最大負(fù)荷發(fā)生月為例詳細(xì)分析氣候變化影響規(guī)律。

1）年最大負(fù)荷出現(xiàn)的氣候原因

南昌市2016年最大負(fù)荷日發(fā)生于8月25日、2017年最大負(fù)荷日發(fā)生于7月28日，其主要原因是當(dāng)日最高氣溫達(dá)到40℃，且之前幾天持續(xù)高溫中，出現(xiàn)溫度累加效應(yīng)；南昌市2018年最大負(fù)荷出現(xiàn)于7月26日、2019年最大負(fù)荷出現(xiàn)于8月28日，小雨或中雨天氣，氣溫不是很高但濕度高，體感不舒服，需要空調(diào)換氣降低濕度。

通過(guò)上述分析，發(fā)現(xiàn)氣候因素中除氣溫影響最大負(fù)荷明顯外，降雨因素對(duì)最大負(fù)荷也有一定的影響。

2）氣溫對(duì)負(fù)荷的影響分析

刨除陰雨天高濕的影響后，確定將如下數(shù)據(jù)作為分析對(duì)象，時(shí)間跨度為2016年8月、2017年7月、2018年7月和2019年8月。

通過(guò)調(diào)研，計(jì)算出的相關(guān)系數(shù)分別為0.879、0.969、0.962 5、0.952 5、0.835 8。可見(jiàn)日最高氣溫與日最大負(fù)荷存在高度相關(guān)性。且隨溫度增高，最大日負(fù)荷增大。

3.4 經(jīng)濟(jì)變化影響規(guī)律分析

根據(jù)GDP、城鎮(zhèn)化率等數(shù)據(jù)，詳見(jiàn)表1，分析負(fù)荷特性指標(biāo)受經(jīng)濟(jì)變化影響規(guī)律。

表1 南昌市2015-2019年電力彈性系數(shù)分析

通過(guò)分析，發(fā)現(xiàn)2015年-2019年南昌市電力彈性系數(shù)為1.24，電量、負(fù)荷與GDP、人均GDP、城鎮(zhèn)化率以同趨勢(shì)增長(zhǎng)。利用2010-2019年相關(guān)性指標(biāo)及負(fù)荷特性指標(biāo)，對(duì)南昌2020年負(fù)荷特性指標(biāo)進(jìn)行測(cè)算及方法驗(yàn)證。

利用神經(jīng)網(wǎng)絡(luò)測(cè)算得到各指標(biāo)主要影響因素，將關(guān)聯(lián)矩陣數(shù)據(jù)進(jìn)行權(quán)重化加和測(cè)算，可以分別得到以下數(shù)據(jù)，見(jiàn)表2、表3。

表2 南昌2010-2019年外部影響因素對(duì)負(fù)荷特性指標(biāo)權(quán)重

表3 南昌2010-2019年負(fù)荷特性指標(biāo)對(duì)外部影響因素權(quán)重

利用2010-2019年數(shù)據(jù)得到V1、V2、V3、V4、V0，最終得到測(cè)算模型。

年最大負(fù)荷=GDP×0.366 1×0.4348×V11+人均GDP×0.331 0×0.391 2×V12+城鎮(zhèn)人均可支配收入×0.173 1×0.376 1×V13+農(nóng)村人均可支配收入×0.129 7×0.349 5×V14+V10，其中V10=300.718 6，V11=2.849 5，V12=-167 1.424 2，V13=-0.489 7，V14=1.371 2；

季不均衡系數(shù)=第二產(chǎn)業(yè)GDP占比×0.439 7×0311 5×V21+城鎮(zhèn)化率×0.291 8×0.184 3×V22+城鎮(zhèn)人均可支配收入×0.145 9×0.207 1×V23+農(nóng)村人均可支配 收入×0.122 7×0.212 0×V24+V20，其 中V20=-1.943 1，V21=17.511 7，V22=0.276 2，V23=1.71×10-3，V24=-0.003 7；

年最大峰谷差率=第二產(chǎn)業(yè)GDP占比×0.328 3×0.252 9×V31+城鎮(zhèn)化率×0.432 0×0.366 5×V32+城鎮(zhèn)人均可支配收入×0.130 1×0.220 3×V33+農(nóng)村人均可支 配 收 入×0.109 6×0.229 3×V34+V30，其 中V30=0.227 6，V31=-3.360 7，V32=0.054 4，V33=-1.18×10-4，V34=-7.50×10-5；

最大負(fù)荷利用小時(shí)數(shù)=第二產(chǎn)業(yè)GDP占比0.639 7×0.302 1×V41+城鎮(zhèn)人均可支配收入×0.193 4×0.196 5×V42+農(nóng)村人均可支配收入×0.166 9×0.209 2×V43+V40，其中V40=203 0.171 7，V41=354 59.835 0，V42=0.110 1，V43=-0.224 3；

年最大峰谷差由已測(cè)得指標(biāo)利用指標(biāo)計(jì)算公式獲得。

利用上述模型對(duì)2020年負(fù)荷特性指標(biāo)進(jìn)行測(cè)算結(jié)果如表4所示。

表4 南昌2020年負(fù)荷特性指標(biāo)預(yù)測(cè)及對(duì)比

經(jīng)偏差分析，除最大負(fù)荷利用小時(shí)數(shù)偏差量稍高于5%，其他指標(biāo)均在5%以內(nèi)，模型可靠性較高。

3.5 節(jié)假日變化影響規(guī)律分析

根據(jù)收集的節(jié)假日典型日對(duì)比工作日典型日數(shù)據(jù)，分析負(fù)荷特性指標(biāo)受節(jié)假日變化影響規(guī)律，如圖6所示。

圖6 南昌市節(jié)假日負(fù)荷曲線

通過(guò)數(shù)據(jù)發(fā)現(xiàn)，節(jié)假日的日負(fù)荷曲線更加平滑，峰谷差較小。

4 結(jié)語(yǔ)

1）氣候因素中日最高氣溫與區(qū)域年最大負(fù)荷、日最大負(fù)荷存在高度相關(guān)性，隨溫度增高，最大負(fù)荷值呈增大趨勢(shì)。氣候因素中降雨因素對(duì)最高氣溫與最大負(fù)荷產(chǎn)生干擾，高濕將提升最大負(fù)荷數(shù)值。

2）GDP是影響區(qū)域最大負(fù)荷的主要因素，其與最大負(fù)荷相關(guān)性高于人均GDP、城鎮(zhèn)化率，電量、負(fù)荷與GDP、人均GDP、城鎮(zhèn)化率同趨勢(shì)增長(zhǎng)。

3）工作日負(fù)荷值明顯高于節(jié)假日，且節(jié)假日的日負(fù)荷曲線更加平滑，峰谷差較小。