负荷因素（精选九篇）
负荷因素 篇1
在电负荷预测中, 很多因素不同程度地影响着电力荷的预测值。有些因素因自然而变化, 比如气象。有些因按地区条件产生差异, 如工农业发展速度;有些因素是无估计的重大事件, 如严重灾害等, 并且各个因素对负荷的响可能是不一样的, 而且同一因素的不同水平对负荷的影也是不同的。
1.1 气象因素
很多负荷预测数学模型都引入了气象部门提供的气象预报信息, 包括温湿度、雨量等在内的气象因素都会直接影响负荷波动, 尤其在居民负荷占据较高比例的地区, 这种影响更大。由于天气变化大, 负荷大幅波动, 造成负荷预测的难度加大。近两年来, 随着大家生活水平的提升, 空调在家庭中的普及让居民家庭的降温负荷日益加剧。所以气温突变很可能导致夏季负荷预测准确率降低。就目前的天气预报内容而言, 其预报信息只能大概呈现次日天气及气温的大概情况, 拿雷雨天气为例, 雷电方位、大小以及时间长短等都无法准备预告, 而这些都会导致地区负荷曲线的突然变化, 复测预测在这方面精度不高的现象也就比较容易发生。与此同时, 部分地区在旱情比较严重的时候, 人工增雨措施的展开也给符合预测带来一定的难度, 由于这方面信息的不同步以及相关作业效果的无法预测, 负荷预测偏差较大也是可能出现的。
1.2 节假日
较之正常工作日, 一般节假日的负荷都会明显降低, 以春节为例, 春节期间的负荷曲线一般会出现大幅度的下降变形, 而其变化周期也大致与假日周期吻合。在和正常工作日的横向比较中, 节假日期间可供研究的负荷数据较少, 各种随机波动因素都会干扰符合。不过就同一节假日的纵向比较来说, 每年的负荷曲线都呈现出比较相似的变化趋势。这也能为节假日负荷预测提供可借鉴的依据。
1.3 大用户突发事件影响
对于大工业用户装接容量占用电负荷较高的地区, 大工业用户在负荷预测偏差中起到的影响作用也比较大。一般情况下, 大工业用户连续生产情况下日常用电负荷相对稳定。不过自身的设备原因或外部因素变化的情况下, 偏差出现的可能性也是存在的。比如设备发生临时故障或天然气来量不足等现象都可能造成用电负荷突变, 影响负荷预测准确率。
1.4 特性分析和预测方法
目前, 由于很多地区在负荷种类结构以及变化因素上的统计分析工作不够深入系统, 导致在需要历史数据进行对照时无法展开工作, 对于负荷特性和相关变化规律的总结也就无从谈起。而现实当中, 不少电网的省调及地调在预测曲线的制作时仅凭预测人员的经验办事, 科学使用的预测软件应用率比较低。而人工经验为主要手段预测由于数据性不强、方式单一, 其预测结果也有一定的局限性。
1.5 管理与政策
负荷预测是一项技术含量很高的工作, 然而负荷预测工作在很多地区还没有得到足够的重视, 基础工作薄弱, 考核标准过于宽松, 与大用户的信息沟通不畅, 大用户的用电缺乏计划性和有序性;预测人员缺乏良好的综合素质、较高的分析能力和丰富的运行经验, 不适应高标准工作的要求。
2 如何提高电负荷预测准确度
2.1 加强气象因素分析
气象因素对电网负荷影响的分析尤为重要。每年不同时期, 气象与负荷的关系均有一些必然的联系。如夏季温度上升、冬季气温下降, 不同季节典型晴天、雨天等, 需要建立气象与负荷变化相关联的档案资料, 加以分析, 逐渐掌握这期间的规律, 提高负荷预测水平。特别是受到雷雨天气影响较大的地区, 还应考虑雷雨天气可能带来的线路故障造成的停电问题, 所以夏冬的负荷预测工作应以气象作为负荷预测的基础, 必须掌握相关规律。
2.2 加强负荷特性的数据积累和分析
负荷预测工作十分精细, 要想做好预测, 必须对负荷进行积分, 时间、季节等都是细分标准。以季节为细分标准可以分为春、夏、秋、冬;月份划分则按照12个月进行细分, 另外以一周为周期, 节假日等都可以进一步细分, 比如周六周日以及各个法定假日可划分进节假日。除了时间为单位的细分之外, 当地的气候以及地理条件的规律性变化也可以作为细分单位。在时间和空间上的多方面细化对于提高负荷预测的准确率有重要意义。近年来, 由于负荷预测工作刚刚开始, 历史数据的残缺让负荷预测人员在对数据进行分析时存在较大难度, 加大了负荷预测工作的难度。为了提高负荷预测的准确率, 要注重加强对负荷历史数据的统计整理工作。具体分析下来, 历史数据涵盖年度曲线和月度曲线。而这些曲线的产生, 都要从每日实际曲线当中提取数据, 电量以及负荷数值的峰值、谷值和平均值是主要统计对象。以这些详实的数据作为支撑分析出的月度和年度曲线才有分析价值, 变化规律乃至变化趋势的预测分析也才更科学。在正常统计分析之外对节假日数据的分析也能得出独特的规律性特征, 方便更为细化的预测。
2.3 加强预测方法选择的科学性
对于负荷预测方法要认真研究, 比如受考虑天气因素影响的神经网络, 需要以丰富详实的历史数据作为支撑, 总结出适合本地区的负荷预测方法。而随着神经网络以及人工智能这些新技术参与到实际应用中, 负荷预测准确率能够显著提升。但是, 目前来说, 还没有一种理论方法可以适用于所有的预测场合, 所以为了最大程度的提高预测精度, 人工经验的作用还是比较重要, 结合完善的预测软件和人工经验来进行预测。
2.4 预测人员素质的加强
负荷预测工作不管是在责任、预测方法还是细致程度上都有要求, 而抓住这三点也是做好预测工作的关键。因此, 预测人员的素质培养很重要。在具体的工作管理上要注重队伍建设, 确保预测人员在事业心, 分析水平和学习能力上有质的飞跃。同时应该通过各种方式的培训来完成队伍优化, 提高相关人员的岗位技能, 在队伍管理方面, 要注意技术和技术人员的配套, 在人员结构上作出优化调整。另外规范制度上明确指出预测人员需要对影响负荷因素进行跟踪, 记录变化情况, 并且不断修正负荷预测结果, 直到完成当天的日计划的编制。
3 结束语
在电力市场发展速度越迅猛的的情况下, 就越能体现出负荷预测不可忽视的地位, 同时负荷预测的精度要求也随之增高。因此, 通过正确方法得到的预测结果才越显得有价值。基于这个趋势, 想要提高负荷预测的精度, 必然要对可能影响预测结果的各种因素进行充分的考虑, 同时伴随着理论研究的进一步深入, 包括灰色理论、模糊数学以及专家系统理论的出现, 都会在理论和技术层面上支持负荷预测的发展, 预测精度也将不断提升。
摘要：负荷预测是从已知的用电市场出发, 对未来的用电市场做出的预测。在电网运行管理当中, 负荷预测是重要工作, 直接关系到电力系统备用容量的科学安排, 电力系统运行的优质安全, 资源配置利用的优化, 乃至电力营销以及市场交易。电力需求量的预测决定发电、输电、配电系统新增容量的大小;电能预测决定发电设备的装机类型。电负荷预测中通常按时间期限分为长期、中期、短期和超短期负荷预测。
关键词：负荷,预测,影响因素
参考文献
[1]于晓英.对电力系统分析课程教学中的几点思考[J].科技创新与应用2012年32期[1]于晓英.对电力系统分析课程教学中的几点思考[J].科技创新与应用2012年32期
[2]黄鹤.吉林地区电网谐波源及谐波治理方法的研究[J].技术与教育2008年02期[2]黄鹤.吉林地区电网谐波源及谐波治理方法的研究[J].技术与教育2008年02期
负荷因素 篇2
洛河流域非点源污染负荷不确定性的影响因素
以黄河流域下游的洛河流域为研究区,利用实测径流量、泥沙负荷和非点源污染资料,对非点源污染模型中的水文模型、土壤侵蚀模型与污染负荷模型进行了参数率定.并以此为基础,针对非点源污染负荷计算的影响因素,采用摩尔斯分类筛选法,分析它们对径流量、泥沙负荷、吸附态氮和溶解态氮模拟计算的.敏感性.结果表明,在湿润、半湿润地区对径流量、泥沙负荷、吸附态氮和溶解态氮影响最大的3个因子分别是土壤可利用水量、土壤蒸发补偿量、SCS曲线系数.其中,土壤可利用水量产生负效应影响.坡度、坡长和作物管理因子对泥沙负荷和吸附态氮影响也比较显著. 吸附态氮与泥沙负荷影响因子一致,说明吸附态氮污染主要与泥沙流失有关.
作 者：郝芳华 任希岩 张雪松 程红光 作者单位：北京师范大学环境学院,北京,100875 刊 名：中国环境科学 ISTIC PKU英文刊名：CHINA ENVIRONMENTAL SCIENCE 年，卷(期)： 24(3) 分类号：X52 关键词：非点源 污染负荷 影响因素 敏感性健美操运动负荷的影响因素分析 篇3
一健美操运动强度对运动负荷的影响因素
运动强度决定着运动时的耗氧量、能量需要和消耗对于提高有氧能力（如：最大摄氧量）是最重要的因素。通常用运动时的心率来衡量运动强度，也可以用诸如耗氧量、热量消耗等指标来衡量，人体运动时的能量消耗与体重有关，体重越大的人，运动时的耗热量就越大。但由于心率是最简单易行的指标，故实际上多用它来衡量运动强度。
运动强度在健美操健身运动中是非常重要的。如果运动强度过低（运动心率不高），机体的血压、心电图、血液、尿液指标均无明显变化，给机体没有带来足够的刺激，健身价值不大。运动负荷使心率接近适宜值时，心脏每搏输出量接近并达到最佳状态，健身效果明显。运动中心率再增高，即运动强度达到个体的最高承受水平时，心脏每搏输出量最大，健身效果也最好。然而，当心率超过个体的最高承受水平时，虽无不良的异常反应，但是也并不能取得更好的健身效果；长时间超强度的运动，不仅达不到健身的效果，相反还会造成机体免疫能力下降，易感染疾病，并易产生疲劳或运动伤病。由此可见，不同体质和体能状况健身者承受运动强度的能力不同，运动强度上有很大的个体差异，不能一概而论。另外，还可以根据呼吸状况判断，在健美操运动期间可以与人交谈，而不是气喘吁吁，确定这样的运动强度要根据自己的体能情况进行，最好是先进行最大摄氧量的测定，然后确定有氧运动的强度，如果无法进行最大摄氧量的测定，则可按大概推算法来估计最大摄氧量，进而确定适宜的运动强度。
运动时，心脏的负荷必须维持在40%～85%的储备心率之间，才能达到提高心肺耐力的效果。当心脏的负荷接近85%的储备心率时，更有利于改善最大耗氧量。也有专家建议运动强度最好在60%～85%之间。运动强度的计算很容易，运动训练时也可以利用心率来监控。为了提高心肺耐力，健美操运动时心率可维持在60%～85%的练习强度，而在重新恢复运动时的6～8周内，运动强度维持在40%～60%即可，以后再慢慢将强度提升到60%～85%。经过几周的练习之后，当安静心率（次/min）下降，此时应重新计算目标心率的范围。为了改善心肺耐力，运动强度不需要超过85%。体能不好学生的练习时强度维持在50%即可，以免因强度过高而造成伤害。
二健美操运动时间对运动负荷的影响因素
健美操运动时间是根据运动强度、运动频度、运动目的、年龄及身体条件等而不同的，不能一概而论。一般来说，从运动开始达到恒常运动所需的时间，轻运动时为5 min左右，强运动时需20 min左右，达到最高运动以后需要继续运动一些时间，所需的时间在10 min左右，再加上准备活动及整理活动至少需要5～10 min。所以，实际所需的时间一般为40～45 min，这是较为客观的最低限度。有研究表明，每周运动热量消耗在2000卡以上，就可减少患心脏病的危险。因此，我们可以此为标准。适当地延长运动时间，有利于促进脂肪的消耗，增加体能，降低血脂。但每次运动的时间也不宜过长，没有数据表明每次运动超过1小时更有利于健康。
健美操运动的持续时间一般以20～60 min为宜，具体运动时间依据运动强度而定。如果运动强度在85%左右，20 min就已足够了；如果运动强度在50%左右，运动时间最好在30～60 min之间。健美操运动时，体能较差的人最好是以较低的运动强度而持续较长的时间。虽然大部分的专家建议每次从事有氧运动时，最好保持在20～30 min之间，但是在一天当中，如果以中等强度从事运动30 min以上，也能达到健身的效果。如果利用健美操运动来控制体重，每天能尽可能地从事60 min中等强度的运动，便可以达到维持健康体重的目的。如果不能保证60 min中等强度的运动，也可以每天以较高强度运动30 min。
健美操运动之前应先做5～10 min的热身运动，运动结束之后也需再做5 min的整理运动。热身运动可以包括一般性的健身操、伸展运动或低强度的有氧运动；如果突然停止运动，会造成血液集中在运动部位的肌肉，使得回流心脏的血液量减少，从而可能导致头昏眼花或昏厥，甚至危及心脏。
三健美操运动频率对运动负荷的影响因素
健美操运动频率的选择也要根据自己体能量力而行，如体能不是很强的人和刚参加健美操锻炼的人应该采取每周三次的锻炼频率，也就是隔天一次，每次20～30 min。然后随着锻炼计划的持续实施和体能的提高，在增加运动强度和时间的同时，也要对运动频率加以调整，并根据自己的恢复状况和运动习惯改变锻炼计划。不管怎么调整锻炼计划，每周至少要有一天休息或进行调整性的运动，不能一周7天都练习，要使机体有充分休息和恢复的过程，以保证锻炼的效果和身体健康。
如果是为了减轻体重而运动，建议每周运动5～6天，每次以低中强度运动45～60 min。如果每次运动时间较长，可增加能量的消耗，加速减轻体重。每周3天（隔天运动），每天20～30 min的运动，只要心率在目标范围内，就可以维持已有的心肺能力。虽然每周运动3天就可以维持良好的心肺能力，但是专家建议应尽量每天都能从事中等强度的活动达30 min，这对健康促进是很有益的。endprint
如果想拥有较佳的健康和体能状况，必须养成有规律进行运动的习惯。有研究指出，因运动而产生的许多效果，一旦减少运动负荷，在两周之内这些效果就会慢慢消失，如果在2～8个月内不运动，这些效果就会完全消失。运动对健康的效果，大多数能持续保留效果的时间都很短，所以我们要把运动作为一种好习惯坚持，持之以恒。
四健美操锻炼方式方法对运动负荷的影响因素
对于以前不曾有规律地参加健美操运动的人来说，一开始运动负荷就达到每周运动5～6次、每次30 min可能会有肌肉酸痛和肌肉僵硬的感觉，甚至还会产生轻微的运动伤害。如果采取渐进式增加运动强度、持续时间和运动频率的方式，就可以避免肌肉酸痛、僵硬和运动伤害的发生。有研究表明，最大限度提高体能的最好组合是以90%VO2max或95%的强度运动35～45 min，每周运动4次。如果以提高健康水平，保持适宜的体重为锻炼目的，运动强度和时间可以减少一些，要根据锻炼的效果，及时对计划加以调整和修订。每次锻炼时都要注意作好准备活动和整理活动，并保证持续以目标强度运动的时间不少于30 min，但每周运动的总能耗最好不要超过2000卡，这样对心脏造成损害的危险性较少。
健美操练习时间表可以以一周为单元，用红笔将运动时间写在每日的行程中，并且要将“运动时间”与日常的重要事务视为同等重要。也可以分开进行运动，每次10 min，一天累积起来保证30 min。这样，避免了因反复练习健美操而感到单调枯燥，轮流替换进行练习，使健美操运动富有变化和新鲜感。运动时按照音乐的节奏练习，可以使练习者更有活力，且运动得更加持久。同时，还要选择好练习健美操的服装和设备，然后找朋友一起运动，朋友间的鼓励和互动会激发运动的激情。如有疼痛或不舒服，请马上停止运动，这可能是运动伤害的警示。一旦受伤，就不要再运动，完全康复后再进行适当的运动。保持做运动记录的习惯，能够了解体能进步情况，并可以进行体质状况比较。
综上所述，客观地了解健美操运动中负荷的各个组成部分，可以使所安排的负荷能按照预定的方向进行，使每一个组成负荷的各个因素直接产生作用。因此，在安排负荷时对运动强度、密度、持续时间及练习方式等因素一定要综合起来考虑，可以更合理地安排负荷，达到最佳健身效果。
参考文献
[1]李中焘.健美操运动负荷的影响因素分析[J].河北体育学院学报，2008（11）.
[2]刘雪兴，等.竞技健美操运动员递增负荷下HRV的影响因素分析[M].首都体育学院学报，2012（3）.
[3]左晶晶，王强.论有氧健美操健身效应[J].体育科技文献通报，2008（6）.
[4]马鸿韬.健美操运动教程[M].北京体育大学出版社，2007.
负荷预测准确率影响因素的分析 篇4
电力系统负荷预测按周期分有:中长期、短期和超短期。短期预测是指一年内按月、按周、按天进行的预测, 按月的预测是用来确定每月负荷 (最大值、均值 ) 、电量的变化;按周、按天的预测是确定次日或次周负荷的变化以及相应的负荷曲线形状。在电网调度部门广泛使用短期预测, 主要用于电力系统运行的安全监视、预防性控制和调度计划安排。
负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提, 是一个电网调度部门和规划部门所必须具有的基本信息。在电力系统规划和运行方面发挥着重要作用, 具有明显的经济效益。负荷预测实质上是对电力市场需求的预测, 要满足这种需求, 不仅要对各类用户未来预期的负荷有一个量的估计, 还必须达到一定的准确精度, 这就是负荷预测准确率。
近几年, 省公司对下属单位的受网负荷计划按《内部市场调度运营管理办法》的要求, 每天取96个考核点对日负荷、最高 (低) 负荷预测准确率进行月度考核, 其计算公式:
(1) 日负荷预测准确率计算公式:
undefined
式中:N—全月日历天数;
B1i—分别为当月日平均负荷预测准确率;
undefined
(2) 最高负荷预测准确率计算公式:
undefined
式中:N—全月日历天数;
B2i—分别为当月日最高负荷预测准确率;
undefined
(3) 最低负荷预测准确率计算公式:
undefined
式中:N—全月日历天数;
B3i—分别为当月日最低负荷预测准确率;
undefined
从式中可见, 考核点的负荷预测偏差率越低, 准确率就越高, 负荷预测准确率直接影响到企业的经营成本。据英国的一项研究成果表明, 短期预测误差每增加1%将导致每年增加运行成本1000万英镑。提高负荷预测技术水平, 有利于计划用电管理, 合理安排电网运行方式和机组检修计划, 有利于制定合理的电源建设规划。因此, 提高负荷预测准确率对提高电网安全、稳定、经济性运行起着极其重要的作用。本文在此主要对赣州电网日负荷预测进行分析。
1 负荷预测准确率指标分析
1.1 赣州电网现状分析
赣州电网地处江西电网的南部, 网内没有大电源支撑, 是一个典型的受端电网, 主要承担赣州18个县 (市) 的供电任务。以一回500kV、四回220kV和一回110kV线路与省网连接, 网内小水电丰富, 装机容量已达80多万千瓦。
从运行上看, 丰水期西部水电外送受到送电线路截面小、线路少的“瓶颈”制约, 小水电站为各自利益充斥上网, 在供大于求的年份, 矛盾更为尖锐, 联网的大量设备和线路空载或者闲置。而枯水期小水电没有出力, 全部电力由远距离 (南昌→赣州) 输送大负荷, 网损大, 电压损失也大, 在用电负荷较重时, 联网线路和变电站都将出现满负荷或过负荷运行的困局, 部分站母线电压偏低, 联络线超稳定极限。
从负荷调节上看, 年度调节将出现发电出力和用电负荷之间的“剪刀差”, 不少县 (市) 出现受、送电端颠倒的现象。日调节受气候变化的影响, 空调负荷波动较大;大用户中钢铁、水泥业开停产负荷变化大;各县 (市) 受小水电上网的冲击, 对负荷预测工作影响极大。
1.2 负荷预测现状分析
根据赣州电网负荷预测工作情况, 对影响用省网负荷预测准确率的因素进行分析, 主要存在以下几方面的问题:
(1) 调度缺乏调节手段。直调水电厂仅有5家, 总装机容量为15.88万kW, 但有库容、可调节的电厂仅有一家龙潭电厂, 其发电出力为4万kW, 其它均属径流式电站, 按来水量发电无法调节。
(2) 小水电无序发电对电网负荷冲击影响较大。近两年新建小水电项目正处投产高峰期, 且多数属径流式电站, 有调节能力的电厂非常有限, 大部分与县网连接。当遇到强对流、雷雨、台风天气时, 各县 (市) 用电负荷受小水电上网的冲击变化无常。根据省网考核负荷公式:K=D-X
式中:K—表示省网考核负荷;
D—表示地区总负荷;
X—表示小水电上网发电出力。
小水电上网发电出力直接影响到省网考核负荷的变化, 以本公司为例, 省网考核负荷平均值为360MW, 按误差5%计算, 负荷变化最大不得超过18MW, 而地区小水电总装机约80万kW, 可见对省网考核负荷的影响不容忽视。主汛期间 (4-6月) 我区已出现低谷时段仅用省网负荷1～2万kW, 甚至倒送, 用电负荷基本就地平衡。因此, 受小水电上网的影响, 减少了省网负荷, 考核通道就变窄, 负荷稍有变化, 对预测准确率的影响也增大。
(3) 大用户监控难以到位。大用户中钢铁企业的用电对负荷影响较大, 其用电总负荷约为18万kW, 受钢材市场供求影响, 企业生产随市场价格波动而开、停变换频繁。该类企业生产、停产和钢材进炉、出炉时负荷变化大, 以致无法调整, 如有30% (两三家) 企业同时生产或停产, 就有4～6万kW负荷冲击, 增加了负荷预测难度。
(4) 远动数据及通讯通道的影响。各县调自动化系统还未能与地调接口, 无法对县公司进行用电负荷实时监控合理调配。通道运行可靠性和准确性得不到保证, 时好时坏, 远动系统运行可靠性有待提高。
(5) 天气预报准确率不能满足要求。天气信息 (如天气状况、气温、降雨量等) 是负荷预测的基础, 其准确率直接影响负荷预测的结果。由于天气预报值与实际值往往相差较大, 尤其在春、夏季节。近几年城市发展迅猛, 城市居民生活用电负荷上升较快, 仅空调负荷约为7～10万kW, 受气候变化的影响空调用电负荷变化也较大。
(6) 预测手段落后, 预测理论有待提高。目前, 负荷预测工作主要采用人工预报的方法, 没有配备合适的负荷预测软件。负荷预测有线性外推法、线性回归法等一些算法, 但各种算法均有一定适用范围, 还没有一种算法适用于各种负荷预测模型且准确率较高的。
(7) 内部协调不够。检修部门在安排设备检修停电时间上估计不准, 偏差较大。为确保不造成延时送电, 往往送电时间提前较多, 造成检修停电时间难以确定。审核检修计划时各部门之间的工作不够协调, 但负荷预测是一个系统性工作, 需要有关部门、班组之间共同协作, 必须做到职责分明, 分工明确, 才能做好这项工作。
2 提高负荷预测准确率的具体措施
由于受负荷特性和电网结构变化等客观因素的影响, 企业购电成本增加, 利润减少, 影响企业经济效益。为提高负荷预测准确率指标, 须采取以下措施和对策:
(1) 相关部门要加强人员培训, 重视协调各部门、班组之间的关系, 明确职责, 充分发挥员工的积极性, 共同做好预测工作。
(2) 电力调度负责当班期间负荷数据的监视, 根据负荷变化情况, 以计划负荷指标为准, 及时调整直调电厂的发电出力。按时做好日负荷预测上报和核对工作;对内部检修停电工作加强了考核力度, 严格控制停电时间, 确保按时送电;按时对各县调下达日用电负荷计划, 并对其实际用电负荷进行预测准确率考核。
(3) 通信自动化专门负责远动数据、通讯通道和自动化系统可靠性和准确性工作。完善对县调自动化系统接入地调工作, 以便实现资源共享, 从而对各县调用电负荷进行实时监控、合理调配, 并对负荷基础数据进行分类统计, 为引进负荷预测软件打下基础。
(4) 市场营销负责协调大用户 (特别是钢铁企业) 和直供用户的关系, 通过走访沟通, 了解用户生产用电和厂内设备检修、开停机情况, 使大用户能自觉地将厂内重大负荷变化情况及时地提前通知地调, 以便修改调整日负荷计划。
(5) 协调与直调电厂的关系, 在保证电网安全运行的前提下, 电厂能积极配合地调调整发电出力。
(6) 加强负荷历史资料的统计分析工作。建立负荷基础数据库, 通过数据积累比较、计算分析, 编制相应的年度、月度曲线。为提高节假日负荷预测准确率, 统计节假日前后一周的历史数据, 找出节假日负荷变化的特点和趋势, 有利于节假日的负荷预测。
(7) 加强小水电上网预测管理, 及时跟踪小水电上网情况, 切实掌握和预测好本地区小水电上网发电, 以提高预测准确率指标。
(8) 加强对气象信息的跟踪, 收集完善资料, 开展天气对负荷影响因素的分析, 结合实际, 配备合适的负荷预测软件, 从提高负荷预测软件的精度。
3 效果分析
通过采取一系列措施, 2007年赣州电网的负荷预测准确率与2006年同期相比有所提高, 2007年用省网日负荷预测准确率为93.36%, 与2006年92.02%相比增长1.34个百分点, 与2005年90.36%相比增长3个百分点, 逐年递增。负荷预测准确率对比见表1:
为进一步加强负荷预测管理工作, 赣州供电公司对各县 (市) 供电公司进行了负荷预测考核。该考核系统于2006年8月份投入使用, 经过一年多的运营, 各县调对负荷预测工作加大了管理力度, 促进各项考核指标全面提高, 2007年县网日负荷预测准确率为78.36%, 比2006年77.11%提高了1.25个百分点;日最高负荷预测准确率为88.90%, 比2006年88.08%提高了0.82个百分点;日最低负荷预测准确率为83.00%, 比2006年81.37%提高1.63个百分点。
4 结束语
随着电力市场的发展, 负荷预测将在电力市场改革中发挥巨大的作用。它是负荷、电量实时交换的依据, 传统的负荷预测方法虽然具有一定的参考价值, 但要进一步提高, 就要对传统的预测方法进行不断改进完善, 同时随着现代科学技术的不断进步, 理论研究的逐步深入, 以专家系统理论、模糊数学等为代表的新兴交叉学科理论的出现, 也为负荷预测提供了坚实的理论依据和数学基础。只要认真细致地做好负荷管理工作, 相信负荷预测的理论会越来越成熟, 负荷预测的精度也会越来越高。
摘要：根据近几年赣州电网负荷预测工作情况, 就影响负荷预测准确率的因素进行了分析, 对提高负荷预测准确率指标提出了具体措施和对策。
影响母线负荷预测的因素及改进措施 篇5
一直以来, 负荷预测作为制定电力系统运方式的重要依据, 是调度环节的主要工作之一。 母线负荷预测是系统负荷预测的微观化, 它将整个电网的负荷预测工作逐节点精细化到各个变电站主变压器, 为电网潮流计算和安全校核提供较准确的节点负荷预测值。母线负荷预测是推动调度计划由定性经验型向定量分析型转变、实现日前发电计划和检修计划安全校核、提高调度精益化管理水平、提升调度机构驾驭大电网能力、推动“坚强智能电网”建设的重要工作。
但是, 母线负荷预测也具备其独有的特点:一是, 电网系统中母线数目众多, 量大面广、负荷基数小, 各条母线的变化规律迥异, 无法人工逐一深入分析其特点;二是, 受供电区域用户行为的影响大, 如相邻母线间的负荷倒供转供、母线检修、母线上挂接小电源出力的变化、需求侧管理等。 这些特点都是影响母线负荷预测准确率的重要因素。
本文主要基于一套负荷区域不一致的模型, 在已知全系统总负荷的前提下, 自上而下计算预测出系统内每条母线的负荷大小。 在计算过程中, 重点对影响各条母线负荷预测准确率的各种因素如负荷转带、网损、天气、相似日、区域负荷特性等进行细致的研究分析, 通过利用负荷转移因子、网损系数、相似日因子、天气修正系数等, 进一步提高母线负荷预测的准确度。
1模型
首先建立一套从系统负荷到母线负荷自上而下的树型系统模型, 然后由系统负荷预测取得的某一时刻负荷值, 将其分配到每一母线上, 其主要解决从系统负荷向母线负荷转化的问题。
该方法进行母线负荷预测的步骤是:
(1) 确定母线负荷预测用的分配模型;
(2) 确定或维护负荷分配模型参数;
3对指定的时间和系统负荷 (预测值) 计算各母线负荷。
在不同负荷区域特性不一致的情况下, 还须对各个不同的区域进行考虑, 即模型结构不仅应含有系统负荷和母线负荷, 还需要具有区域负荷这一层, 我们把它称作为负荷区域不一致模型。 该模型在不同区域之间负荷曲线形状有较大差别时, 在计算母线负荷时, 能有效体现出不同负荷区域的差异性, 从而最终提高母线负荷预测的准确性。
在这一模型中, 最高层为系统负荷PS, 第2层为区域负荷PAi, 第3层为母线负荷PBi。 在PS到PAi之间采用随时间变化的分配系数, 在PAi到PBi之间仍可采用常数型的分配系数。 如图1所示。
由图1可以看出, 系统负荷为各个区域负荷之和, 具体如下:
其中PS为系统负荷, PAi为第i个区域的区域负荷, Di为第i个区域的分配系数, N为区域数目。
由此可得, 第i个区域的区域负荷预测计算公式为:
此外, 由图1还可以看出, 各个区域内的各母线负荷之和, 构成了该区域内的负荷, 具体如下:
其中PAi为第i个区域的区域负荷, PBi为第i条母线的母线负荷, Ti为第i条母线的分配系数, N为该区域内的母线数目。
由此可得, 该区域内第i个母线上的负荷预测计算公式为:
2影响母线负荷预测准确率的因素
2.1负荷转带
运行方式的改变, 造成某些母线由向负荷直供变成由其他母线转供, 或者由向负荷少供变为向负荷多供。运行方式的改变, 会极大的影响母线负荷预测的准确度。
2.2网损
做母线负荷预测时, 母线上网损对预测准确性影响很大, 负荷比较重时, 地区网损较大, 母线线损较大, 负荷较轻时, 地区网损较小, 母线线损较小。 因此在已知系统负荷求系统内各母线负荷的情况下, 网损成为影响母线负荷预测的一个直接因素。
2.3相似日
母线负荷的周期性变化规律明显, 每周之间负荷曲线形状相似。
工作日 (星期一至星期五) 负荷变化规律相同, 电力负荷曲线形状相似;休息日 (星期六、星期天) 工业负荷所占比重下降, 居民生活与商业负荷所占比重上升, 负荷较平常低, 负荷变化也具有相似性;节假日期间, 由于工业负荷减少, 电力负荷会急剧下降, 白天电力负荷相对平稳, 比普通工作日电力负荷要小, 此时负荷表现出不同于工作日和正常休息目的特点。 由此看来, 电力系统母线负荷受时间因素的影响是很明显的。 因此, 在预测时, 为了提高预测精度, 预测模型的输入应考虑使用与预测时刻相关的历史负荷数据和日期类型来建立网络模型。
2.4天气
天气因素对母线负荷大小的影响主要表现为负荷大小的突然变化。天气因素有很多, 如湿度、风速、阴晴、雨、雪、雾、霜等, 不同地区受不同气象因素影响, 且影响的程度也不一样, 而电力系统母线负荷主要受温度和降雨量的影响。因此母线负荷预测的准确性需要考虑天气因素的影响。
3对影响母线负荷预测因素的改进
3.1负荷转带
当机组、线路或主变检修, 或者系统运行方式需要进行调整, 母线负荷发生区域内的负荷转移时, 对母线负荷预测引入母线负荷转移因子 △Pbi来表征母线负荷发生转移的变化量, 最大限度降低在母线负荷预测时由于负荷转带而引起的误差。 具体如下:
3.2网损
由于本文的母线负荷预测主要是从已知的系统总负荷侧向各母线负荷进行折算、预测。 因此需要考虑网损, 而一般在采用此类方法进行母线负荷预测时, 均将网损视作常数, 即忽略网损对不同母线负荷预测结果造成的差异性, 而实际上对于不同的母线负荷, 网损是不一样的, 它与该母线负荷的大小是具有一定相关性的, 本文设定网损 △PQi与母线负荷成二次相关性 (忽略无功负荷对网损的影响) , 具体如下:
3.3相似日
对于工作日、休息日、节假日、重大活动等情况下的母线负荷预测, 需要考虑增设相似日因子, 来提高母线负荷预测的准确性。相似日因子主要是从往年的母线负荷历史数据中提取出并通过计算获得的。 具体因子值算法为往年某相似日该母线的负荷与当月该母线日平均负荷的比值。 具体如下:
3.4天气
针对不同的天气, 引入不同的天气修正系数。 先对不同类型的天气, 如阴晴、风、雨、雪、雾、霜等, 通过对往年不同天气下的用电负荷的经验统计, 确定不同区域、不同天气下母线负荷的修正系数。 然后, 在对天气提前预测的前提下, 将天气修正系数折算进母线负荷预测计算公式中即可。 具体如下:
4结束语
本文主要是基于一套从系统负荷到母线负荷自上而下的树型系统模型, 从系统负荷侧开始, 对各区域内各个母线负荷进行预测。在此模型基础上, 对影响母线负荷预测准确性的几种因素进行了探讨和分析, 并针对各个因素, 结合实际情况, 提出相应的解决办法及改进措施。 使母线负荷预测模型更接近于实际, 对母线负荷预测的真实性和准确性的提高也有着积极和重要的意义, 便于得到一种较为理想的预测结果。
参考文献
[1]李建伟, 赵法起, 刘凤玲.中长期电力负荷的组合预测法[J].电力系统及其自动化学报, 2011, 23 (4) :133-136.
[2]陈辰旭, 杨耿杰, 郭谋发.改进的GM (1, 1) 模型在配电网日负荷预测中的应用[J].电气技术, 2012 (5) :14-17, 21.
[3]赵锡平, 宋岱, 张国庆, 等.山东省气温与最大负荷和用电量的关联性分析[J].电网技术, 2004, 28 (17) :37-40.
[4]康重庆, 程旭, 夏清, 等.一种规范化的处理相关因素的短期负荷预测新策略[J].电力系统自动化, 1999, 23 (18) :32-35.
[5]谢宏, 陈志业, 牛东晓.短期电力负荷预测的数据主成分分析[J].电网技术, 2000, 24 (1) :43-46.
[6]康重庆, 周安石, 王鹏, 等.短期负荷预测中实时气象因素的影响分析及其处理策略[J].电网技术, 2006, 30 (7) :5-10.
负荷因素 篇6
随着国民经济的快速发展和人民生活水平的不断提高,电网负荷水平和结构发生很大变化,特别是各种空调系统的广泛应用,使得降温负荷急剧增长[1],已经成为夏季电网负荷屡创新高和电力紧缺的主要原因之一[2]。同时,由于启动时会对电网造成巨大的冲击,在电网电压稳定分析中也必须对空调群负荷加以重点考虑[1,3]。据测算,我国一些大中城市和经济发达省份的降温负荷已占到夏季最大负荷的30%以上,某些地区甚至超过40%[4,5]。从需求侧管理角度来看,准确把握夏季降温负荷的特性规律,短期内将为制定迎峰度夏措施提供科学依据[6],长期内更是智能电网框架下挖掘需求响应资源、制定有效需求响应措施的必要前提;同时也为电网的安全经济运行及规划设计提供重要参考。
夏季降温负荷是指由于夏季气温升高引起的负荷增长部分,空调类负荷是其重要组成部分,目前对其规律的研究体现在3个方面:一是监测基础上的辨识规律研究,包括侵入式负荷监测和非侵入式负荷监测[7,8],前者是在每个空调降温设备上都安装传感器以得到实时的功率消耗,后者是在假定用电设备正常工作时的稳态电流具有一定统计规律的前提下,应用辨识技术对用户入网点处的实测负荷进行分解,从而确定其中不同类型用电设备的功率比重;二是短期负荷规律预测的研究,通过在预测模型中显现温度对负荷变化规律的影响来提高预测精度[9,10,11,12,13,14];三是从需求侧管理角度开展的研究,试图揭示降温负荷的关键影响因素,从而准确把握其演变规律[4,5,15,16,17]。负荷辨识方法可较准确地得到空调类设备的实时负荷,但对监测装置的数量和性能,以及电网的智能化程度有较高要求,目前尚处于理论研究阶段,难以工程实用化。而后2个方面的研究主要基于电网整体负荷的监测数据进行。其中,负荷预测研究的重点在于准确预测电网整体负荷,降温负荷的具体大小不是其关注焦点,而需求侧管理角度的研究更关注降温负荷本身,目标是把握降温负荷不同于总体负荷的独特规律。
就需求侧管理角度开展的研究而言,一般采用的是各种概率统计学方法,即对历史负荷数据与相关因子的关联关系进行分析,得出降温负荷变化趋势,主要包括:时间序列法,根据采用数据的不同又分为最大负荷比较法和基准负荷比较法[2];回归分析法,研究降温负荷与一个或多个影响因素间是否存在因果关系,目前研究中考虑的主要影响因素是各种以温度为主的气象因素,定义为各种温度因子TF(Temperature Factor),短期研究可建立降温负荷与相关因子的关系表达式,长期研究则可根据历年的数据变化预测发展趋势。如文献[1]在依权重考虑本日、昨日和前日最高气温的基础上定义气候指数,分析了河南电网夏季日峰荷与该气候指数的关系,得到空调降温负荷与气候指数的回归模型;文献[18]在其基础上,进一步探讨了空调负荷在节点负荷中的比例与地理分区的关系;文献[5,16-17]分别针对上海、南京等地区,利用时间序列法详细分析了降温负荷与气温、湿度及温度湿度指数THI(Temperature Humidity Index)等因素间的关联关系。
可见,现有研究大多针对某一地区一段时期内的数据作温度因子的相关分析,因而所建立的模型有明显的地域局限性和时间局限性,普适性不强。实际上,对降温负荷的影响,气温因素的作用固然直观,但非气象因素,如经济增长以及消费观念等,不仅决定着降温设备的容量规模,也影响着人们的使用习惯,在降温负荷规律研究中是不可忽视的因素。山东是经济和人口大省,负荷较高,夏季降温负荷问题也很突出,但全省各地区间的气象条件和社会经济发展水平存在明显的差异,单纯采用现有气温回归模型很难全面准确地把握夏季降温负荷的特性规律。因此,本文突破降温负荷研究仅关注气温因素的局限性,通过对更多非气象因素作地区间的横向对比,在定义经济因子和区位电能消费倾向因子的基础上,进行详实的回归分析,建立新的夏季降温负荷模型。应用所提模型对山东电网夏季降温负荷规律进行分析,得到了满意的结果。
1 气温影响夏季降温负荷的规律
从气温对夏季降温负荷影响角度来看,电网总负荷可分成气温敏感和气温非敏感负荷[9]两部分,表示为:
其中,L为电网总负荷;LB为气温非敏感负荷,也可称为电网基准负荷;LT为气温敏感负荷,即由于夏季气温升高而导致的负荷增长部分。
1.1 分析方法
首先采用基准负荷比较法统计气温敏感负荷数据,然后采用回归分析法研究其与气温的关联关系。
1.1.1 基准负荷比较法
基准负荷比较法实现由电网负荷曲线推算降温负荷。首先,选取恰当的样本日,求取日负荷曲线的平均值为基准负荷曲线:
其中,LB,t为第t小时的基准负荷即气温非敏感负荷;Ld,t为电网第d个样本日、第t小时的负荷;N为样本天数。
在此基础上,将夏季样本日的负荷曲线与基准曲线比较,两者的差值即为当天受温度影响的降温负荷曲线:
其中,LT,t和Lt分别为夏季某日第t小时的降温负荷和系统负荷。选取一定数量的样本日,即可由基准负荷比较法获取足量的降温负荷信息。
1.1.2 回归分析法
气温敏感负荷与温度因素,如日最高气温、日平均气温等之间的关系可通过一元回归分析确定,数学表达式为:
其中,LT,0为降温负荷常量,th为降温负荷开启高温临界值,Kh为气温敏感系数。本文采用统计产品和服务解决方案SPSS(Statistical Product and Service Solutions)软件作为回归分析的工具[19]。
1.2 数据处理
为准确反映气温对降温负荷的影响,需要对待分析的负荷历史数据进行预处理,按照以下原则进行。
a.区分工作日和休息日。虽然居民、商场等用户降温负荷在周末、节假日较高,但由于写字楼、办公楼的降温负荷所占比重更大,因此本文降温负荷统计范围限定于工作日。
b.根据负荷受气象条件影响的规律选择基准负荷和夏季负荷样本日。基准负荷样本日的选取主要考虑以下因素:应避开冬季取暖负荷、春季农灌负荷等的影响,排除11月至次年3月和春季4、5月等日期;山东省天气特点为9月上旬才逐渐凉爽,但在热累积效应下此时仍有部分降温负荷开启,因此,一般可选择9月中下旬至10月上旬的工作日作为基准负荷样本日。夏季负荷样本日取气温最高的日期,一般为7、8月份。淄博市2010、2011年6至10月份气象信息见表1,可见9月下旬至10月上旬天气已较为凉爽。
c.排除干旱天气、削峰措施等随机因素的影响。2011年夏季,山东电力公司多措并举,并积极协调“外电入鲁”,供电能力稳定,没有采取移峰措施,最大限度地满足了全省的电力需求;同时2011年降水充足,因此本文忽略该因素影响。
d.排除夏季连续降雨天气的影响。持续降雨后,居民等高敏感用户的降温负荷将有明显变化,故本文根据气象信息剔除了部分凉爽工作日负荷数据。
1.3 分析结果及讨论
根据可获取数据的完备情况,选定青岛、淄博、济宁、聊城、滨州、菏泽、日照七地市2011年的电网负荷数据进行分析。根据数据处理原则,选取9月15、16、19、20、21、22、23、26、27、28、29、30日和10月10、11、12、13、14日共17天作为基准负荷样本日,夏季负荷样本日取7、8月份的工作日,七地市具体样本日详见表2。由式(2)得七地市基准负荷曲线如图1所示。
由图1可见,各地市基准负荷曲线变化特性和峰荷出现时间均各有差异,这与各地市产业结构比重有关,以淄博市和日照市为例,两地市基准负荷曲线均较平滑,但淄博市峰荷出现在14:00至15:00左右,说明其工、商业负荷所占比重较大,而居民负荷比重相对较小;反之,日照市高峰时段为傍晚19:00,说明其居民负荷比重相对较大。
由式(3)可得山东电网七地市夏季7、8月份样本日最大降温负荷值,详见表2。对夏季各工作日24 h降温负荷求平均值,可得到各地市夏季典型降温负荷曲线,以淄博市为例,如图2所示。
由图2可见,淄博市7、8月份降温负荷的整体趋势是:07:00负荷最低,15:00最高,其余时段随气温及工作周期而变化。
进一步研究降温负荷与温度因子的相关性。为分析影响降温负荷的关键温度因子,首先根据历史气象信息[20]统计七地市2011年7、8月各样本日的多个温度因子的值,包括日最高气温、日最低气温以及02:00、08:00、14:00、20:00的气温,分别以tmax、tmin、t2、t8、t14和t20表示。对七地市2011年7、8月各样本日最大降温负荷与各温度因子进行相关性分析,得相关系数如表3所示。由表3可见,七地市日最大降温负荷LT,max与最高气温tmax的相关系数分布在均值0.678左右,均值最大且方差最小,故可认为日最高气温tmax是影响降温负荷的关键温度因子。
设定式(4)中th=27℃,则式(4)转化为:
对七地市样本日最大降温负荷和日最高气温(详见表4)进行一元线性回归,得各地市回归系数LT,0和Kh如表5所示。由表5可见,各地市回归系数LT,0和Kh有较大差异。显然,气温虽然是影响降温负荷的重要因素,但并不是最本质的,回归系数的差异昭示着更关键因素的存在。不难想象,在分析较大区域电网,如省级电网的降温负荷时,如果区域内气温差异明显,则仅基于温度因子的回归模型必然难以给出准确分析。
注:表中数据空白部分是因数据源的相应内容缺失或根据数据处理原则式(4)处理的结果。
2 考虑非气象因素的电网降温负荷模型
研究表明,影响降温负荷变化规律的主要因素是夏季气候条件、宏观经济水平、居民收入水平及消费观念等,且降温负荷中居民用电所占比重较大[5,17]。在式(4)中,降温负荷包括降温负荷常量LT,0和降温负荷变量Kh(tmax-th)两部分,前者表征夏季降温负荷中不随气温变化的部分;后者反映降温负荷中随温度上升而变化的部分,其变化敏感度由Kh表征。显然,降温负荷常量取决于降温设备的安装容量,应与该地市宏观经济水平和居民收入密切相关;而降温负荷变量取决于降温设备的使用情况,与该地市的电能消费息息相关,即Kh与电能消费倾向应有较大的相关性。为此,本文提出了2个新的相关因子:经济因子EF(Economic Factor)和区位电能消费倾向因子AECHF
(Area Electricity Consuming Habit Factor)。
经济因子定义为:
即以各地市的国民生产总值(GDP)的亿元归算数综合表征其宏观经济发展和居民收入水平。
区位电能消费倾向因子定义为:
其中,α为区位不平衡系数,Pcz和Pnc分别为城镇和农村总人口数,k为城乡人均用电消费支出比。如前所述,降温设备的使用情况与电能消费观念有较大的相关性,但目前城、乡电能消费仍存在明显差异,因此区位电能消费倾向因子以城市人群的消费倾向为基准对地区的消费倾向进行归算处理;同时当考虑各地区消费观念存在较大差异时,以系数α进行平衡。
2.1 降温负荷常量与经济因子相关性分析
山东省七地市2006至2010年GDP[21]增长趋势如图3所示,可以看出:同一地市GDP呈线性增长,故可较精确预测出七地市2011年的GDP值,由式(6)计算得δEF,详见表5。
对七地市降温负荷常量LT,0和经济因子δEF进行回归分析,建立一元回归模型,如图4所示。
七地市夏季降温负荷常量LT,0与经济因子δEF的相关系数为0.969,相关度极高,表明本文前述分析是合理的。同时可见,降温负荷受经济因子作用的规律为:δEF每增长100,LT,0增大7.3 MW。
2.2 降温负荷变量与区位电能消费倾向因子相关性分析
根据山东统计信息数据[21]可知,山东省城乡人均用电消费支出比为k=290.57∶110.04≈2.65∶1,同时认为山东省内各地城市人群的消费观念无较大差异,即取α=1,于是根据式(7)可计算得δAECHF,详见表5。随后对七地市降温负荷敏感系数Kh和区位电能消费倾向因子δAECHF进行回归分析,建立一元回归模型,如图5所示。
七地市夏季降温负荷敏感系数Kh与区位电能消费倾向因子δAECHF的相关系数为0.99,可见相关度极高,呈明显线性关系,表明本文前述分析合理。并且δAECHF每增长100,Kh增大15。
2.3 计及非气象因素的电网降温负荷模型
综上分析,根据表5及式(8)、式(9)回归分析结果,可以得到各地市以日最高气温tmax、经济因子δEF和区位电能消费倾向因子δAECHF为自变量,夏季日最大降温负荷LT,max为因变量的计及非气象因素的多影响因子模型,如式(10)所示:
3 考虑非气象因素的电网降温负荷分析
根据式(10),若已知某地区的日最高气温tmax、经济水平因子δEF和区位电能消费因子δAECHF,则可推算其电网的夏季最大降温负荷。以下针对山东电网进行具体分析。
3.1 模型的时间适用特性
首先,建立山东省全网的温度因子一元回归模型。针对山东电网2005年7、8月份日最大降温负荷数据,同时取山东省17地市日最高气温的平均值作为山东省温度因子,对二者进行相关分析,得全省最大降温负荷关于日最高气温的一元回归模型如式(11)所示,相关系数为0.923。
根据山东省统计年鉴数据及δEF、δAECHF定义可计算得到山东电网2005、2011年的δEF和δAECHF值,如表6所示。
以下进行温度因子一元回归模型与本文所提模型的时间适用特性对比。选取山东电网夏季统调负荷较高的2 d作为样本日(2005年取7月21日和8月12日,2011年取7月28日和8月9日),分别利用基准负荷比较法、一元回归模型式(11)和考虑非气象因素模型式(10)推算最大降温负荷,依次记为LBT,max、LA1T,max、LA3T,max,结果详见表7。
由表7可见,本文所提模型推算出的日最大降温负荷值与基准负荷比较法所得结果相差不超过6%,而仅考虑气温的一元回归模型在2005年情况较为吻合,将其应用于2011年时与基准负荷比较法所得结果相差超过40%。这是因为模型式(10)是由2005年数据回归得到的,显然其中的参数LT,0和Kh随着社会经济发展是增长变化的,不能适用于2011年。可见,本文计及非气象因素的降温负荷模型能够较准确地反映降温负荷的变化规律,模型参数有很好的时间稳定性,扩展了模型适用的时间尺度。
3.2 模型的空间适用特性
本节进行温度因子一元回归模型与本文所提模型的空间适用特性对比。针对市级区域电网,在设定tmax=31℃的前提下,根据表5中各市的一元回归模型参数和2011年的δEF和δAECHF数值,分别由模型式(5)和式(10),推算得各市级电网2011年日最大降温负荷,见表8。
由表8可见,在温度因子一定的情况下,本文模型推算得到的各市级电网日最大降温负荷和一元回归模型结果几乎一致,最大偏差小于2%,即计及非气象因素的降温负荷模型能够表征各地市电网的降温负荷变化,更具一般性,因此完全可以用此模型取代各市级电网的一元回归模型。
综上,本文所提模型能较准确地分析不同地域范围电网在较长时间周期内夏季降温负荷的特性规律,即模型在时间、空间上突破了温度因子一元回归模型的局限性。同时该模型仅需已知气象因素tmax、非气象因素δEF和δAECHF,无需庞大的负荷历史数据,便可方便地得出区域电网的最大降温负荷,因而具有更强的实用性。但也必须看到,表7中2005年分析结果LA3T,max与LBT,max的差异较LA1T,max与LBT,max的偏差大,表明本文模型对随时间变化因素的考虑还欠精确,有待进一步研究。
4 结论
负荷因素 篇7
电力负荷预测是电力系统规划、经济运行和电力市场管理的前提和基础,对电力系统安全经济运行和国民经济发展具有重要意义。电力负荷预测是根据电力负荷的历史和当前的已知信息,利用已掌握的知识和方法,推测负荷未来变化的情况。短期负荷预测一般指一天以上至一年以下的预测,由于其受到各种社会、经济、环境等不确定性因素的影响及电力系统负荷本身具有的不可控性,进行完全准确的负荷预测是十分困难的。本文详细分析了影响因素对短期电力负荷预测产生影响的内在机理和影响效果,提出了修正预测模型的预测策略和模型结构。
1 短期电力负荷预测的影响因素分析
短期负荷的一个特点是其明显受到各种环境因素的影响,如季节更替、天气因素突变、设备事故和检修、重大社会活动等,如果能够找到这些因素对预测对象的影响规律,进而应用于预测过程中,就有可能得到更好的预测效果。从查阅的大量资料来看,可以把影响短期负荷预测精度的主要因素分为以下几种:
1.1 时间因素的影响
季节变化、节假日以及每日或每周的周期性对负荷变化规律具有显著的影响。大量统计资料分析表明,时间因素对电力负荷的影响主要表现出3个特征[1]:
(1)季节对负荷的影响表现为春、夏、秋、冬四个变化周期;
(2)节假日期间电力负荷急剧变化,多为下降,与正常工作日和普通休息日相比,负荷变化明显不同;
(3)电力负荷每周的工作日和休息日的负荷曲线形状分别具有相似的变化规律。
其中,季节变化和气候有一定的关联,周循环和日循环与工作周期有关联,但总体的周期变化特明显,比较容易用数学方法直接进行处理。节假日负荷波动比较大,是时间影响分量中最难预测的部分。
1.2 随机因素的影响
电力系统负荷变化具有随机性,这是因为电力系统中蕴含了各种不确定性的随机因素,导致这种随机性的原因可能是用户用电方式和用电时间的随机性,或者负荷拉闸限电、设备故障检修、某些突发事件等偶然事件。随机因素是导致负荷预测误差的重要原因,但是,这种误差的出现也有一定规律。首先,工业负荷比较集中的地区,白天正常上班时段负荷曲线有明显的规律可循,随机因素影响会比较小,误差也较小;非正常上班时段,偶尔会有临时加班的负荷出现,诸如此类的不确定性因素导致此时段的负荷预测难度增加,预测误差也增大。其次,居民负荷占主导的地区,下班后的晚间时段随机因素影响较为明显,不易预测准确,预测误差较大;凌晨时段为休息时段,随机事件较少,预测误差一般不会很大。第三,夏季天气经常发生骤变的地区,负荷预测的难度比较大,因而预测误差也会相应增大。
随机因素产生的预测误差的这种规律性表现从另一个侧面也反映出该地区相应季节下的负荷波动的剧烈情况,对实际工作中的决策具有很好的参考价值。
1.3 气象因素影响
电力系统中有许多对气象条件敏感的负荷,如冬季的热水器、加湿器、取暖设备,夏季的空调、抗旱、灌溉、排涝等设备,以及现代工业生产装置、现代农业生产的温度、湿度等控制而增加的负荷。因此可以知道,对负荷有影响的气象因素有湿度、温度、风速、阴晴、雨雪、雾霜等等,不同地区受不同因素影响,影响程度也不尽相同。在气象因素中,以温度影响为最大,因为在与气象因素有关的负荷中,主要以加热和制冷的设备最为普遍。气象因素的影响使正常负荷变化产生波动,主要表现在负荷大小的突然变化。
分析气象因素对电力负荷预测的影响效果,应先从单个影响因素入手,逐步增加影响因素,再对有耦合关系的因素的影响效果进行分析,最后还要考虑累积效应[2]。
目前对于气象因素的考虑,还有一种比较成熟的方法,以人体舒适度为综合气象指标来考虑各气象因素的影响。人体舒适度是对人们在自然环境中是否感觉舒适及其达到怎样一种程度,国际上通常采用“人体舒适度指数”来评价气象条件引起的人的舒适感,它是根据人类机体与大气环境之间的热交换而制定的生物气象指标[3]。
1.4 增长趋势产生的负荷增量
随着经济建设的发展,各行各业的用电需求都会不同程度地增加,一般是随着时间变化呈现出一种非线性增长的趋势,增长变化的规律也随着地域经济发展形势而不同。负荷时间序列持续的上升的总变化趋势,其变动幅度可能有时不等,这种总变动趋势可能是线性的,也可能是非线性的。
增长趋势产生的负荷,可以趋势比率法、趋势外推法或非线性的预测模型进行预测。
2 短期负荷预测模型分析
通过对影响负荷预测效果的影响因素分析可以看出,短期负荷预测模型中应包含4个组成部分:负荷自然增长的变化趋势分量,时间因素影响分量,气象因素影响分量,随机因素影响分量。建模时,由于历史数据的周期性变化规律很容易用数学方法表达,预测上也不难实现,因此通常把受时间因素影响的具有周期性变化规律的那部分负荷作为基本负荷分量,而把受气象因素、节假日及特别事件、随机因素影响而产生的分量单独考虑,找出其变化规律并对基本预测模型加以修正。因此,基于负荷影响因素分析的模型结构应为:
y(t)=y1(t)+y2(t)+y3(t)+y4(t) (1)
y1(t)为t时刻不随各影响因素变化的基本负荷分量,具有周期特性;
y2(t)为t时刻气象影响产生的负荷增量;
y3(t)为t时刻增长趋势产生的负荷增量;
y4(t)为t时刻随机性的不确定性影响因素产生的负荷增量。
2.1 具有周期特性的基本负荷分量预测模型
基本负荷分量受季节、周循环、日循环等时间因素影响后具有了周期变化的特性,短期负荷预测中,不考虑其他影响因素,正常情况下负荷变化呈现出以每日24 h为周期的日周期性,或以每周168 h为周期的周周期性,或者以季节为周期的季周期性,这种周期变化特性一般在不受其它影响因素干扰时表现的尤为明显。这种具有周期变化特性的基本负荷分量很容易用数学方法进行预测,常用的预测方法有经验预测法、趋势外推法、回归模型预测法、频域分量预测法等。变化系数法是基于时段相似性原理的一种简单实用的预测方法,其预测步骤为[4]:
(1)求历史各日各时的负荷均值
undefined
(2)求各日平均负荷
undefined
(3)求各时段的周期系数
undefined
(4)待预测日t时刻的负荷预测值
undefined
这样得出的预测结果,相当于模型中的y1(t)分量,即:
undefined
2.2 考虑气象因素影响的负荷预测模型
由气象因素造成的负荷分量y2(t)使只考虑周期特性的负荷基本分量预测模型预测值产生偏差,预测精确度降低。
考虑气象因素是否对负荷预测有显著影响,需先进行气象条件与负荷变化规律的判断比较,如两者之间确实存在相似性,则需要在预测模型中考虑气象因素的修正因子。
2.2.1 气象因素影响分析
计算日最高负荷的标幺值和日最高温度的标幺值,并绘制其变化曲线[5]:
undefined
Pt-t时段(日)最高负荷;
Pmax-整个负荷序列中的负荷最大值。
Tmax-整个温度序列中的温度最大值。
Tt-t时段(日)最高温度;
绘制日最高气温标幺值曲线和日最高负荷标幺值曲线,如果从曲线上可以看出两者存在较为明显的相似性,说明日最高温度对负荷有影响,需要对负荷按气象因素进行修正。否则,认为负荷与温度无关,无需修正。
2.2.2 气象因素修正模型
当负荷与气象因素具有较明显的相似性时,则在公式(6)预测模型基础上加入气象因素修正模型,采用回归预测模型进行修正:
y(t)=at×Tmax+bt+y1(t)+εk(t) (8)
式中:气象影响分量为:
y2(t)=at×Tmax+bt (9)
at—为第t时段的回归系数;
bt—为第t时段的回归常数;
εk(t)—为有其他因素引起的第k星期第t时段负荷的随机波动误差。
参数at、bt可采用最小二乘拟合方法估计得到。
2.3 考虑增长趋势的负荷预测修正模型
公式(8)中的残差 εk(t),即εk(t)分量为采样点等时间间隔,构成等时间间隔的随机时间序列,对此残差分量进行分析:
(1)判断时段t的回归模型残差序列{εk(t)}的平稳性。
计算Eεk(t)、Dεk(t)值,及自相关函数Rt(τ)=E[εk(t) εk+τ(t)],根据计算值判断。
若Eεk(t)、Dεk(t)均为常数,且Rt(τ)=E[εk(t) εk+τ(t)]仅与τ有关,则{εk(t)}为平稳随机时间序列。否则, {εk(t)}为非平稳序列。
(2)若{εk(t)}为平稳时间序列,说明上述模型中不存在周期变化规律的分量和趋势分量,只存在随机分量,即可认为y3(t)=0,y4(t)=εk(t)。
若此时y4(t)=εk(t)分量误差超出允许范围,可继续采用时间序列的线性模型(AR,MA模型),对公式(8)回归预测模型的残差分量进行预测,以修正最后的预测结果。
(3)若{εk(t)}为非平稳时间序列,说明公式(8)的回归预测模型中还存在未知的周期分量或趋势分量,这里认为存在的是趋势分量,因为周期分量已在公式(6)中进行了考虑。继续修改回归模型,增加趋势分量。修正后的回归预测模型为:
y(t)=at×Tmax+bt+ct·t+Pave·ρ(t)+εk(t) (10)
y1(t)=Pave·ρ(t) (11)
y2(t)=at×Tmax+bt (12)
y3(t)=ct·t (13)
y4(t)=εk(t) (14)
2.4 考虑随机因素影响的负荷预测模型
用考虑了周期分量、气象因素、发展趋势分量的负荷预测模型,对过去某段时间的负荷进行预测,再用实际负荷数据减去预测值,所产生的误差即认为是由随机因素产生的随机负荷分量y4(t)=εk(t)。 εk(t)分量若超过误差允许范围,可以采用时间序列预测方法对y4(t)=εk(t)进行预测。
时间序列预测模型有3种形式[5]。
自回归模型AR(p):
yt-φ1yt-1-…-φpyt-p=at (15)
滑动平均模型MA(q):
yt=at-θ1at-1-…-θqat-q (16)
自回归-滑动平均模型ARMA(p,q):
yt-φ1yt-1-…-φpyt-p=at-θ1at-1-…-θqat-q (17)
3 结束语
短期负荷预测方法众多,本文把负荷按影响因素分解为4个组成分量,进而按不同分量的影响效果对预测模型进行逐步修正,按照这样的思路优化选择预测模型,这样一种预测建模策略可以为短期负荷预测工作提供参考,下一步要做的工作就是针对这种预测策略对一个应用实例进行模型优化及仿真。
参考文献
[1]申小玲.电力系统短期负荷预测影响因素分析[J].科技信息,2011,28(5):773-774.
[2]陈根永,史敬天,毛晓波,等.考虑温度积累效应的短期电力负荷预测方法研究[J].电力系统保护与控制,2009,37(16):24-28.
[3]康重庆,夏清,刘梅.电力系统负荷预测[M].北京:中国电力出版社,2007.
[4]万志宏,陈亮,文福拴.计及温度影响的短期负荷预测时间序列预测模型[J].华北电力大学学报,2011,38(3):61-66.
负荷因素 篇8
文献[6]对智能用电系统进行了初探,详细阐述了系统结构和功能,并在实时电价的基础上,将智能用电和传统用电进行对比体现智能用电系统的优势。基于文献[6]的智能用电系统能量管理模块和框架,文献[7]设计出一种家电能量管理系统,该系统对家电的控制有一定的节能和调节负荷运行时间的效果,但该系统将电网侧和需求侧隔离开来,单一考虑电网侧对需求侧家电的控制,缺少双向互动。文献[8]建立包含风光储供电单元的家庭型用户侧微网优化运行模型,结合分时电价,以最小化用户侧购电费用优化目标,采用粒子群算法进行优化求解,但文章缺乏对供电侧削峰填谷的考虑,仅仅惠及用户使得方案显得局限。文献[9]提出α、β、γ的负荷分类形式,同时考虑用户侧与供电侧的利益建立包含用电成本和峰谷差最小的目标函数,结合实时电价对模型进行优化控制,但优化过程中缺乏必要的约束条件,并未考虑家电舒适度等约束。文献[10]提出以家电舒适度指数为指标,对不同类型家电调控优先级进行排序,然后建模优化达到节约电费和削峰填谷的目的,但文中缺乏电价信息,结果显得不准确。
本文以HEC(household energy control)系统为基础提出用户侧负荷优化运行策略。策略基于分时电价政策,考虑不同类家电用电舒适度约束,综合电网削峰填谷效益,对家电负荷的运行进行优化,将峰谷差成本化加入到经济目标函数中,使得优化结果在考虑满足用户侧用电费用最小的同时达到供电侧削峰填谷的目的。对家庭型多种类负荷优化运行研究有一定的指导作用。
1 HEC系统
1.1 系统结构
HEC系统结构图如图1所示。HEC系统由家电能量主控制器(household energy master controller)、智能家电、有线或无线传输设备、本地需求响应中心组成,各组成部件之间使用双向通信通道技术实现互动。本地需求响应中心接收智能电网分时电价信息和需求响应负荷信息,将综合到的信息传输到各HEMC;HEMC通过有线或无线传输设备对家电进行控制和采集家电运行状态,并完成与本地需求响应中心的通信。
1.2 负荷类型
本文中根据家电使用特性将家电分为三类:
(1)第一类为必要负荷。这类家电负荷在运行中断或者转移时会影响用户的生活习惯,例如照明、电视和电脑等。其特点是要保证连续运行,供电侧有持续的电能供给。
(2)第二类为温控负荷。设备具有将电能转化成热能的能力,例如空调、热水器。这类负荷对温度的敏感度很高,在耗电方面有很强的灵活性,响应速度快。
(3)第三类为可转移负荷。可转移负荷是指负荷在用电时间方面有很大的灵活度。细分又将可转移负荷分为清洗类可转移负荷(例如洗衣机、洗碗机)和充电类可转移负荷(例如电动汽车)。用户可以根据分时电价合理改变此类负荷运行时刻,达到节约成本的目的。
1.3 家电控制模型
1.3.1 必要负荷(照明、电视、电脑)
此类家电不可中断,因此在考虑其模型上将其定义为一常量,以照明为例:
式(1)中,A为家电类型;t为时间变量。S(A,t)A=L表示t时间内照明家电运行状态(0表示断电,1表示通电)。
1.3.2 温控负荷(空调、热水器)
1.3.2. 1 热水器
热水器运行状态与水温设定有关。当水温低于设定最低温度时,热水器运行加热直到水温达到设定范围;在水温设定范围内,热水器保持原有运行状态不变;当水温温度高于设定最高温度T时,热水器停止运行。其运行控制模型为
式(2)中,S(A,t)A=EH表示t时间段热水器运行状态;A为家电种类,T为最高水温设定值;ΔT为水温设定范围;Tt为t时间段的水温。
1.3.2. 2 空调
以夏季空调运行降温为例,当室内温度高于用户设定最高舒适温度时空调运行工作,直到温度降低到用户设定舒适温度范围内;室内温度低于用户设定舒适温度范围空调不工作;室内温度处于舒适温度范围时空调运行状态不改变。其运行控制模型为:
式(3)中,S(A,t)A=AC表示t时间段空调运行状态;T'为最低室内温度设定值,ΔT'为室内温度设定范围;T't为t时间段室内温度。
1.3.3 可转移负荷
对于可转移负荷,其运行时刻的灵活性大,但通常认为清洗类负荷的工作过程是连续的,运行周期内不能被打断,否则影响工作质量。以洗衣机为例,其运行控制模型为:
式(4)中,S(A,t)A=WM表示t时间段内洗衣机运行状态(0表示断电,1表示通电)。
2 优化模型
2.1 智能家电的优化策略
方案将一天化分成长度为1 h的24个子时间段,则T=24,。各子时间段内的电量为:
式(5)中,PA表示各类家电功率,t0表示各子时间段,t表示在子时间段t0内家电运行时间。
制定合理的分时电价,利用HEC系统对家电运行时间和功率进行控制,使用户侧用电量从高峰电价时段向平时电价和谷时电价时段迁移,达到缓解电网负荷压力的目的,用户侧电能成本Cn可以用式(6)表示[11]。
式(6)中,n表示家电集合,λ0t表示各子时间段的电价。
为了避免用户单纯追求经济利益而大量集中在平时和谷时电价时段用电造成电网峰谷颠倒的后果,引入峰谷差成本Cd这一概念:
式(7)中,μ代表峰谷差系数,表示子时间段内全部家电用电量。
最终的目标函数最小经济成本可以表示为:
2.2 分时电价
家电运行环境为分时电价,详细电价信息如表1所示。
2.3 约束条件
2.3.1 温控类负荷运行温度舒适度约束
在控制优化温控型负荷时,要满足用户日常对室温和水温的要求,约束条件可以表示为:
式(9)中,Tmin、Tmax分别为本文模拟用户对热水器水温需求的上下限,设定热水器最低水温为40℃,最高水温为52℃;T'min、T'max分别为本文模拟用户对空调调温需求的上下限,设定室内空气温度下限为22℃,上限为28℃。
2.3.2 可转移负荷运行时间舒适度约束
优化过程包括调整部分家电运行时段,运行区间尽可能满足用户日常生活习惯,约束条件可以表示为:
式(10)中,tA表示各类家电运行时间。t0表示运行开始子时段。
3 优化实现
3.1 优化算法
本文使用粒子群算法进行优化。粒子群算法具有计算简便、搜索速度快、效率显著的特点,但是容易陷入局部最优,影响结果的准确性。惯性权重因子ω对粒子群算法的收敛性和收敛速度有很大的影响,所以在全局搜索和局部搜索之间找到一个合适的ω能得到空间内更好的解[12]。本文使用典型的线性递减惯性权重,引入ωmax和ωmin,得到的线性递减惯性权重公式如下:
式(11)中,k为当前迭代次数,kmax为最大迭代次数,ωmax和ωmin分别为初始惯性权重值和进化至最大迭代次数时的惯性权重值,本文分别取0.9和0.4;粒子数目为50个,最大迭代次数为80次。
3.2 模型求解
模型中控制对象是各类负荷运行时段和运行功率,在开始阶段对负荷进行分类,得到必要负荷,温控负荷以及可转移负荷。初始化各类负荷运行信息,必要负荷本文不采取控制措施;对于温控负荷和充电负荷,初始化阶段考虑其运行时间段内的平均功率;对于清洗类负荷,考虑其是否启动运行,运行用1表示,停机用0表示。综合分时电价信息、温度信息和负荷对应舒适度约束得到各类负荷可运行时间段,在区间内运用PSO进行优化求解,得到各子时间段内负荷运行情况。优化流程图如图2所示。
4 算例分析
4.1 算例参数
算例中家电能量控制系统包含的负荷:照明娱乐,空调,热水器,洗衣机,洗碗机以及电动汽车。根据家庭用户家电运行时间舒适度和温度舒适度设置各项家电可运行时间段和温控范围,给出负荷的额定功率和运行时长,参数如表2所示。
分时电价定义参考国内实际峰谷时段划分情况,峰谷时段和分时电价如图3所示。
4.2 优化配置结果
4.2.1 可转移负荷优化
根据本文所给出的可转移负荷的模型和其运行参数信息,通过粒子群算法的迭代分析,得到优化运行时段结果如表3所示。
将表2,表3对比分析可知,优化之前在使用可转移负荷时仅仅考虑到生活习惯因素,运行时间集中在10:00~14:00和18:00~21:00峰值电价时段,这段时间电价较高,原始运行状况经济性较差并且不利于削峰填谷。优化后将电动汽车回家立即充电改变为23:00~7:00点夜间充电,对于清洗类负荷,负荷工作是连续性,将洗澡立即使用洗衣机改变为早间6:00~8:00点使用,将午饭后立即使用洗碗机改变为早餐后8:00~10:00点使用。3种家电都进行了不同程度的平移,对电网有一定的削峰填谷作用。
4.2.2 温控类负荷优化
对于温控类负荷,由于空调,热水器具有间歇性的运行特性,在子时间段内会有多次启停,算例中室外温度模拟某市夏季典型温度曲线,室内温度舒适度区间为22~28℃,热水温度舒适度区间为40~52℃,考虑电价影响最终得出优化结果如图4,图5所示。
图4中随着室外温度的升高,在各子时间段内综合用户温度舒适度范围和电价影响控制空调启停运行,优化前后比较可知在10:00~14:00峰值时段空调受电价约束较大平均功率降低明显,在14:00~18:00平时段温度舒适度约束影响更大,空调在温度高于用户最高舒适温度时开启,同样降低了平均功率,总体而言对空调的控制有效降低了用电量。图5中,优化后热水器在17:00~18:00平时段功率较大对热水进行加热,在18:00时峰值时段开始后功率减小,热水器在水温低于用户最低舒适温度时开启,通过比较图5优化前后热水器运行信息可知热水器在优化后运行平均功率降低,对热水器的控制也有效节省了用电量,具有较好的经济性。
4.2.3 峰谷差因素分析
本文目标函数中包含峰谷差成本,优化结果选取峰谷差系数μ=0.003,仿真不同μ值下的总负荷优化结果如图6所示。
当μ=0,相当于目标函数单纯考虑用电费用最小,由图6中μ为0的负荷曲线分析可知家电运行出现了负荷峰谷时段颠倒的现象,对电网不利。当μ取0.001时,负荷曲线的峰谷差没有明显的减小,削峰填谷作用不明显。当μ取0.003时,负荷曲线较为平滑,峰谷差减小了1.65 k W,对电网有明显的削峰填谷作用,但此时用户日均经济总成本增加了4.5元,电网侧想要家庭用户表现出的负荷曲线平滑,则要考虑给与适当补贴来平衡峰谷差对用户经济成本造成的增长。
4.2.4 总目标对比
由总负荷优化前后曲线对比分析可知(如图7),对可转移负荷的优化控制,有效避开了峰值电价时间段,达到了负荷平移的目的,起到了有效的削峰填谷作用。对温控类负荷运行优化主要起到削减负荷的作用,在24 h时间周期内温控型负荷的平均功率有所下降,减少了用电量,给用户节省了电费。优化前总负荷费用为35.16元,优化后总负荷费用为25.86元,优化后家庭日均用电费用节省26.5%,且峰谷差减小3.45 k W,起到了明显的削峰填谷作用。
5 结论
本文以家电能量控制系统为基础,研究户用型负荷的优化运行。模型充分考虑分时电价的影响,在不同类家电时间、温度舒适度约束条件下用粒子群算法进行求解,结果显示,对温控类负荷的优化有效降低了家电总能耗,对可转移负荷的优化很好的响应了电网削峰填谷。
在优化求解中加入峰谷差成本的概念,使优化不仅能惠及用户,还能兼顾电网削峰填谷。峰谷差系数的合理选取能有效平滑负荷曲线,促进用户侧和电网侧的利益互动。
参考文献
[1]张文亮,刘壮志,王明俊,等.智能电网的研究进展及发展趋势.电网技术,2009;33(13):7-9Zhang Wenliang,Liu Zhuangzhi,Wang Mingjun,et al.Research status and development trend of smart grid.Power System Technology,2009;33(13):7-9
[2]高赐威,梁甜甜,李扬.自动需求响应理论及实践综述.电网技术,2014;38(2):352-359Gao Ciwei,Liang Tiantian,Li Yang.A survey on theory and practice of automated demand response.Power System Technology,2014;38(2):352-359
[3]王蓓蓓.面向智能电网的用户需求响应特性和能力研究综述.中国电机工程学报,2014;34(22):3654-3663Wang Beibei.Research on consumers'response characterics and ability under smart grid:a literatures survey.Proceedings of the CSEE,2014;34(22):3654-3663
[4]曾鸣,王冬容,陈贞.需求侧响应的技术支持.电力需求侧管理,2010;12(2):8-11Zeng Ming,Wang Dongrong,Chen Zhen.Technical support of demand reponse.Power DSM,2010;12(2):8-11
[5]黄莉,卫志农,韦延方,等.智能用电互动体系和运营模式研究.电网技术,2013;37(8):2230-2237Huang Li,Wei Zhinong,Wei yanfang,et al.A survey on interactive system and operation pattems of intelligent power utilization.Power System Technology,2013;37(8):2230-2237
[6]殷树刚,张宇,拜克明.基于实时电价的智能用电系统.电网技术,2009;33(19):11-16Yin Shugang,Zhang Yu,Bai Keming.A smart power utilization system based on real-time electricity prices.Power System Technology,2009;33(19):11-16
[7]杨文轩,何光宇,王伟,等.用户侧能量管理原型系统的设计与实现.电力系统自动化,2012;36(20):74-79Yang Wenxuan,He Guangyu,Wang Wei,et al.Design and implement of user energy management archetype system.Automation of Electric Power Systems,2012;36(20):74-79
[8]黄焘,马溪原,雷金勇,等.考虑分时电价和需求响应的家庭型用户侧微电网优化运行.南方电网技术,2015;9(4):47-53Huang Tao,Ma Xiyuan,Lei Jinyong,et al.Optimal operation of household user-side microgrid considering time-of use price and demand response.Southern Power System Technology,2015;9(4):47-53
[9]黄明山,陈新春,陈淘,等.带储能设备的用电负荷最优有序运行控制算法研究.电测与仪表,2015;52(14):76-79Huang Mingshan,Chen Xinchun,Chen Tao,et al.Optimal algorithm for load comtrol with electricity storage.Electrical Measurement&Instrumentation,2015;52(14):76-79
[10]汤奕,鲁针针,宁佳,等.基于电力需求响应的智能家电管理控制方案.电力系统自动化,2014;38(9):93-99Tang Yi,Lu Zhenzhen,Ning Jia,et al.Management and contro scheme for intelligent home appliances based on electricity demand response.Automation of Electric Power Systems,2014;38(9):93-99
[11]周磊,李扬.分时电价环境下基于家居能量管理系统的家居负荷建模与优化运行.电网技术,2015;39(2):367-374Zhou Lei,Li Yang.Modeling and optimal dispatch for residentia load based on home energy management system under time-of-use pricing.Power Syserm Technology,2015;39(2):367-374
负荷因素 篇9
电能是现代社会必不可少的能源之一。近年来, 许多研究表明电网负荷与气象因素有着密切的关系。通过分析温州电网负荷与气象因素的相关性, 找到影响温州电网负荷的气象因素, 并在预测算法中加以考虑。基于气象因素的回归型支持向量机方法可更好地为电力系统的安全、经济运行和优化调度等提供科学的依据。
本文根据温州电网的负荷特征及温州的气候特征, 采取适用于温州电网负荷预测的计算机算法, 并将之应用于实际预测工作中, 取得了良好效果。
回归型支持向量机
支持向量机 (SVM) 是由Vapnik等人基于统计学习理论率先提出, 它的主要思想是建立一个能够使得不同分类之间的隔离边缘达到最大化的分类超平面, 并以之作为决策曲面;支持向量机遵循结构风险最小化原则:学习机器在测试数据上的误差率 (即泛化误差率) 以训练误差和一个依赖于VC维数的项的和为界, 在可分模式情况下, 支持向量机对于前一项的值为零, 并且使第二项最小化;因此, 在回归拟合、分类识别等问题中, 支持向量机能提供很好的泛化性能, 能够优于较多已有方法。支持向量机正被广泛地应用于各领域, 电网负荷预测就是其中之一。
为了利用SVM解决回归拟合方面的问题, Vapnik等人在SVM分类的基础上引入了ε不敏感损失函数, 从而得到了回归型支持向量机 (SVR) 。SVM应用于回归拟合分析时, 其基本思想不再是寻找一个最优分类面使得样本最优分类, 而是寻找一个最优分类面使得所有训练样本离该最优分类面的误差最小。
假设训练样本集为{ (xi, y i) , i=1, 2, 3, …, l}, 其中, xi (xi∈Rd) 是训练样本的输入矢量, yi则是对应的输出数据。回归型支持向量机的公式推导过程如下:
设在高维特征空间中建立的线性回归函数为
其中, 为非线性映射函数。
定义ε线性不敏感损失函数
其中, f (x) 为回归函数返回的预测值;y为对应的真实值。
类似于SVM分类情况, 引入松弛变量ξi, ξi*, 并将上述ω, b的问题用数学语言描述出来, 即
其中, C为惩罚因子, C越大表示对训练误差大于ε的样本惩罚越大, ε规定了回归函数的误差要求, ε越小表示回归函数的误差越小。
求解程式 (3) 时, 同样引入Largrange函数, 并转换为对偶形式:
其中, K (xi, xj) =φ (xi) φ (xj) 为核函数。
设求解程式 (4) 得到的最优解为α=[α1, α2., , ..αl], α*=[α1*, α2*., ..., αl*], 则有
其中, Nnsv为支持向量个数。
于是, 回归函数为
其中, 只有部分参数 (αi-αi*) 不为零, 其对应的样本ix即为问题中的支持向量。
从程式 (7) 中可以看出, SVR最终的函数形式与SVM相同, 其结构与神经网络的结构较为类似, 如图1所示。输出是中间节点的线性组合, 每个中间节点对应一个支持向量。
SVR方法在温州电网负荷预测中的应用
选择历史数据样本
根据温州本地的气候特点, 分析温州历史负荷数据和气象数据, 得出温州各个季节显著影响温州电力负荷的不同气象因素。显著影响春季温州电力负荷的气象因素是日最高气温和天气状况, 按照预测的要求对天气状况进行量化:晴天 (<1成云) 时赋值为4.多云 (2~8成云) 时赋值为3, 阴天 (>9成云或微量降水) 时赋值为2, 有雨 (>0.1mm) 时赋值为1;显著影响夏季温州电力负荷的气象因素是日最高气温、日最低气温和日平均相对湿度;显著影响秋季温州电力负荷的气象因素是日最低气温;显著影响冬季温州电力负荷的气象因素是日平均相对湿度。
根据实际操作可行性 (数据收集难易程度、数据是否连续等) , 在影响电网每天96个采集点 (每15分钟一个采集点) 负荷的气象因素中选取对应每天96点的温度和湿度作为预测模型的输入向量。一天中的温度和湿度的变化是连续的, 温度和湿度的日变化可以很好地表征天气日变化。但是一天中的降水的变化是不连续的, 而且降水对于电网负荷的影响还具有累积效应和滞后性。况且降水的发生一定程度上也可以通过湿度的变大及持续维持高位来反应。因此, 本文未选取降水量作为模型输入向量。
根据待预测日的天气条件在不同季节选取不同的具显著影响的气象因素, 并以此气象因素作为依据筛选同天气类型的负荷历史数据样本, 然后在其中找出与待预测日相同日类型 (工作日与非工作日) 的负荷历史数据样本。选定负荷历史数据样本后, 再调出与其对应的气象数据样本, 即对应96点负荷数据的96个采集点的温度、湿度数据。历史数据样本选定后, 对所选的数据样本进行异常数据的判定和处理。
选择训练算法
支持向量机将需要解决的问题转化为解决一个带约束的二次规划问题, 当训练样本比较少时, 可以选择内点法、共轭梯度法、牛顿法等传统方法进行求解。然而, 当训练样本比较大时, 传统算法的复杂度会急剧增加, 且占用的内存资源会很大。因此, 为了减小算法的复杂度, 提升算法的效率, 不少专家和学者提出了许多解决大数目训练样本的支持向量机训练方法。
本文采用的是LIBSVM算法, 该算法对SVM所涉及的参数调节相对比较少, 提供了很多的默认参数, 利用这些默认参数可以解决很多问题, 并且该算法还提供了交互检验的功能, 提高了算法运行的速度和精度。
负荷预测的具体步骤
使用MATLAB作为运算工具, 使用回归型支持向量机方法预测待预测日负荷的具体步骤和算法流程图如下。
S1、按本文上述的历史数据样本选择规定, 选定历史数据, 并进行异常数据的判定和处理。
S2、将S1中初步处理过的所有历史数据输入LIBSVM工具箱, 并选定因变量 (待预测日的96点负荷) 和自变量 (历史负荷、历史负荷对应的各具体气象因素) , LIBSVM将所有样本分类形成训练集和测试集。
S3、对训练集和测试集进行归一化预处理, 归一化后既可以提高分类和预测的准确率, 又可以方便算法的运行。
S4、利用LIBSVM工具箱提供的功能对SVM中参数进行交叉验证以选择对于模型最优的参数 (惩罚参数c、RBF核函数中的gamma参数g) 。最佳参数c和g能够使得验证分类准确率达到最高, 在满足条件的所有c和g组合中选取c最小的那组作为模型的最佳参数。如果在满足条件的c和g组合中对应最小的c有多组g, 那么就选取在组合序列中的第一组c和g作为模型的最佳参数。惩罚参数c过大会导致支持向量机发生过学习 (训练集分类准确率很高而测试集分类准确率很低) , 所以判定在能够使得验证分类准确率达到最高的所有c和g组合中较小的惩罚参数c是更优的选择。
S5、利用S4中选取的最佳参数, 使用LIBSVM工具箱中svmtrain函数训练SVM, 得到一个model。model是预测模型, 其中包含各种参数。
S6、利用S5中得到的model, 使用LIBSVM工具箱中svmpredict函数对测试集进行测试, 通过预测指标来判定model的预测性能。
S7、利用S6中通过性能判定的model, 建立决策函数
算法检验
假定2014年7月7日 (周一, 工作日) 的温州各县的电力负荷作为待预测日负荷, 根据本文上述的历史数据样本选择规定来选取样本数据。选择与待预测日相同天气类型、日类型的参照日的数据作为历史样本数据, 因此选定2014年6月26日的温州各县市的负荷数据和气象数据作为历史样本数据。采用虚拟预测方法, 将7月7日作为待预测日进行96点的负荷预测, 然后与该日的实际负荷数据作比较, 以检验本文提出的日负荷预测方法的准确性和实效性。由于温州的地理位置、地形及其他一些原因, 各县每天的气象条件不同、负荷数据特征不同, 因此, 首先进行温州各县的负荷预测, 再将各县的预测负荷值累加, 从而得到预测的温州地区总负荷。
如图3、4所示:图3为2014年7月7日温州电网负荷预测的结果对比;图4为2014年7月7日温州电网负荷预测的相对误差。得出的预测结果表明:2014年7月7日温州地区负荷预测准确率约为98.15%;96个预测点中相对误差大于5%的有7个, 最大相对误差为6.49%, 平均相对误差为1.27%。
依照上述算例, 根据本文叙述的方法流程, 对其后5个工作日 (2014年7月8日至7月11日及7月14日) 再次进行96点负荷预测, 结果表明该5个工作日温州地区的负荷预测准确率都达98%以上。96个预测点中相对误差大于5%的个数依次为0、7、0、12、6;最大相对误差依次为2.29%、7.06%、1.53%、8.47%、6.08%;平均相对误差依次为0.41%、0.97%、0.02%、0.91%、0.18%。
上述算例均为一般工作日的情形, 休息日、节假日的负荷预测可按同样的方法流程进行, 但进行负荷预测前需对历史数据样本仔细筛选, 本文限于篇幅不作赘述。具体算例可参见文献。
结语