有关电力负荷的短期预测

摘 要：所谓的电力负荷短期预测指对一年以内用户需求用电量的预测,其包括小时预测、日预测、周预测以及月预测.通常短期预测是预测电功率.在短期内用户需求电量呈现一种随机起伏的状态,其以过去负荷为基础,用户负荷变动、系统内部设备检修以及重大事件与气候变化等因素均会对其产生影响.所以对电力负荷进行短期预测可以为经济调度、发电机组的停启、错峰避峰用电等有着重要的现实意义.

关 键 词：电力负荷；短期预测

中图分类号：TM71文献标识码：A

一、电力负荷的主要构成

按照各用电部门的属性可以将电力负荷划分为工业负荷、农业负荷、市政民用负荷、交通运输负荷以及其它负荷等等.由于各个部门的行业性质不同,其电力负荷的特点也各不相同.其中工业电力负荷的显著特点就是用电量大,但是比较稳定,工业用电占全社会用电量的六成以上.工业用户的生产工艺、生产班次不同,相应的电力负荷也有差异,通常全日制流水线连续生产企业的用电量最大,且有较高的负荷率,三班制企业次之,两班制企业次次之,用电量最小且负荷率最低的要数一班制企业.农村用电负荷相对来说用电量最小,比重只占全社会的百分之五,农村用电表现出明显的季节性特点,即月度、季度变化比较大,单日内则无太大变化,通常农村用电夏季的负荷率最大,这是受到农业排灌的影响.市政民用用电负荷的显著特点就是用电量每年都不断升高,比重大概占全社会用电量的百分之十五.在夏天日间的负荷率有较大起伏,而冬天则相对较小.造成市政用电日间负荷变化大的主要原因是居民照明、空调、电视机以及电饮具等,且功率也比较高；各商业负荷集中出现在营业时间,主要是照明、空调、动力用电以及霓虹灯等用电负荷；市政排水用电量比较稳定,不过负荷率比较高.交通运输的用电负荷相对最小,只占全社会用量总量的百分之二,电车、地铁的负荷比较平稳,不过在上下班时间会出现一个较大的峰值.其它用电负荷主要是电厂用电以及电网自身的损耗.用户的用电量与电网的损耗功率及损耗电量是成正比关系的.要做出准确的用电负荷,就要经过多方面的调查,收集更全面的内部资料与外部资料,主要包括预测地区历年的国民经济与社会发展情况；电力系统的运行状态、用电结构以及用电量；预测地区的经济增长情况；大型用户的用电计划以及动力资源与自然资源情况；各主要变电站日常运行记录；无功设备安装容量、电压以及频率等参数的统计分析等.

二、导致电力负荷发生变化的主要原因

造成电力负荷发生变化的主要原因包括以下几个方面：第一,工业生产,通常连续性生产的企业有着稳定的电力负荷,而二、三班制企业在交接班时的电力负荷比较小,其它的时间相对稳定,而一班制的企业用电负荷白天比较大,而晚上比较小,所以日负荷起伏较大.第二,作息时间的影响,通常白天上班时间有较高的用电负荷,从傍晚到凌晨的负荷是最大的,深夜为最低点,白天中午休息时间的负荷也比较低.第三,季节因素的影响,通常由于居民用电的习惯、用电设备的增长与大修、农业排灌等因素会造成一年中每个季度的用电负荷存在明显差异,且在年内呈现出一定的规律性.第四,气候的原因,电力负荷受气候因素的影响十分明显,比如日间光线不足会增大照明负荷,而高温天气则会提高空调设备的负荷.第五,节检测日的影响,一些法定节检测日、学校的寒暑检测、重大的政治事件等等均会明显的影响到某一地区的电力负荷变化规律.由此可见,对电网负荷进行短期预测最显著的特点即为周期性、非平稳性,大周期包含了小周期,而且负荷序列取值不同会直接影响到负荷的波动幅度.

三、短期负荷预测的预处理

电力短期负荷尽管呈现出一定的规律性,但是其随机性也很明显.分析预处理所收集的资料,就是对历史资料中的突变值的平稳化与缺失数据进行补遗,如果出现异常数据,可以采取水平处理与垂直处理的方法.所谓的数据水平处理就是在数据分析过程中,以前后两个时间的负荷数据为基础,将待处理数据的最大变动范围设定出来,如果待处理数据超出了设定范围则为不良数据,利用平均值将其变化进行平稳.而数据的垂直处理则是指在预处理负荷数据时,将二十四小时内的小周期,即在不同日期的同一时刻的负荷具有相似性,则该时刻的负荷值要保持在相应的范围内,如果超出该范围则要进行修政,使其为待处理数据近几天该时刻的负荷平均值.

四、负荷预测的方法

负荷预测模型概括了统计资料的所有轨迹,模型的种类也各不相同,所以资料不同所选择的预测模型也应该有所不同.在建立预测模型时的注意事项包括以下几点：第一,要能够将电力负荷在季度、周、日等小周期内的波动特点反映出来；第二,可以将负荷的自然增长规律反映出来；第三,可以将气象因素,比如气温或者日照等反映出来；第四,节检测日的负荷变化不同于正常日期,所以要另外建立针对性强的负荷模性,提前对节检测日的用电负荷做出预测.

(一)神经网络预测方法

随着人工智能的不断发展,短期负荷预测中也开始应用人工神经网络,其优势主要体现在其具有模拟多变量,对于输入的变量无需做过多、复杂的相关检测定.仅仅利用所观察的数据就能够从训练过程中通过学习来抽取与逼近隐含的输入与输出非线性关系,而无需凭借专家经验.神经网络的代表模型为误差反传网络,即BP网络,其属于带有隐层的前馈型神经网络,具备结构简单、算法完整且清晰的特点,所以电力负荷的短期预测大多数应用这种模型.在进行短期负荷预测时采用人工神经网络的方法,可以使得短期、平稳、随机过程的预测问题得到有效的解决,而且一些针对样本数据与参数以及神经网络级联的改进方法,使得神经网络预测法的精度在一定程度上得到了明显的提高.不过神经网络预测法也有一定的不足,比如较慢的收敛速度,可能收敛到局部最小点；且对训练样本要求比较高,要求训练样本数据的数量比较多,训练时间也相对较长,如果样本中存在不良数据或者坏数据,则神经网络对这些数据无法适应,造成其学习产生偏差,最终对预测的精确性产生影响；此外神经网络表达知识比较困难,无法将调度人员经验中的模糊知识充分的调用起来.