汕头电网负荷特性分析与预测
|
来源：www.chinaups.com 作者：lei 浏览：120次
发布日期：2008-1-15 16:09:33 汕头电网负荷特性分析与预测
叶刚健, 蒋金良
(华南理工大学电力学院, 广州 510640)
摘 要: 以汕头电网的负荷数据为例，用统计学的方法对季节性负荷特点及典型日负荷特性进行分析，进一步预测汕头输电网近、远期负荷的发展趋势，指出了影响汕头电网负荷及负荷特性的主要因素。预测结果表明宜在汕头500 kV变电站的主变压器安装有载调压开关。 关键词: 统计学; 负荷特性; 有载调压 Forecasting and Analysis of the Load Characteristicsin
Shantou's Electric Network YE Gangjian, JIANG Jinliang
(School of Electric Power,South China University of Technology,
Guangzhou 510640 , China) Abstract:Taking example of the load data of Shantou electric network, this paper analyzes the traits of the seasonal load and the typical day load characteristics using the statistic methods. The trend of the development for the nearterm and long term load in the transmission network of Shantou is forecasted. Analysis of th e forecasting results leads to the suggestion that onload tapchanging transf ormer should be installed in the 500 kV substation.
Key words: statistics; load characteristics; onload voltag e regulation 1前言 对电力系统负荷的历史数据进行分析，可为电网经营管理指导方针的制定和发用电生划用电，使电能得到充分合理利用的一项不可缺少的重要工作。对于保证电能质量和电网安全稳定运行有着积极的促进作用。 负荷预测主要是基于可知性、可能性、连续性、相似性、反馈性和系统性原理。由于负荷预测的不准确性、时间性、条件性等多方案性，使得不可能存在某种方法在任何时候、任何地点，对任何对象都具有普遍的适用性。针对不同对象的负荷预测，有很多的预测方法，例如常规采用的曲线外推法、回归模型预测法，这些方法需要的样本点较少，但是对于长期的时间来说，会有很大的偏差。单一预测方法，例如单耗法、弹性系数法、负荷密度法等，虽然是将电力需求作为一个整体，根据某个单一的指标进行预测，方法简单，但是模型太笼统，很难反映现代经济、政治、气候等条件的影响。此外，还有新出现的灰色预测法、模糊神经网络法［7］以及小波分析法都有着各自的使用限制。 统计学有一套成熟的技术来解决预测问题，现存的许多统计方法模型可对数据进行预测。如聚类分析、方差分析和非参数递归都可用来进行数据采集。本文针对汕头电网的历史负荷数据，用统计学的方法分析了季节性负荷的特点及典型日负荷特性，实现了对汕头输电网近、远期负荷发展趋势的预测。最后指出了影响汕头电网负荷及负荷特性的主要因素。预测结果表明在汕头500kV变电站的主变压器安装有载调压开关的必要性。 2负荷特性预测方法
现代统计学是综合规划、试验，以及资料汇集和解析，并据此做出决策的一门学科。负荷的时空特性通常用负荷的时间曲线来表达，因此对负荷特性的预测与分析，通常是采用统计学原理来进行的。通过对较长时期的系统负荷历史记录进行分析，负荷数据可以看成由4种不同的变化趋势的负荷变动组成： 1)非周期渐变趋势。它是负荷在较长持续时间内的发展总动向，即从长期看，负荷数据连续增加、减少或平稳的趋向。 2)周期性趋势。它是由小时更换的特定规律作用而发生的周期性变动，在上次出现以后，每隔时间跨度24h或7d或1个月后出现。 3)随机型变化趋势。它反映用户负荷受随机因素，如受气象条件（温度、湿度）等引起的变化，这种变化一般很快，没有确定的规律。 4)季节性变化量。它是由季节更换的特定规律作用而发生的周期性变动。常常与周期性变换量相对应。 上述4种趋势中，非周期发展趋势代表基荷按年的增长。季节性变化量代表了因季节性气候 性变化引起的负荷的正常规律性的变化，此外负荷通常还以星期和日为周期表现出明显的周期性变化的规律。随机变化是由一些偶然因素产生的。随机变化的因素又可分为两种：可预见的和不可预见的。一天内用户负荷频繁变化的随机性是难以预计量，是造成短期负荷预测误差的瓶颈。而天气骤变和重大特殊事件引起负荷随机变化在一定程度上则是可预见的。 但是数据分析是一件相当困难的工作，要从大量的数据中找出存在各种周期性的规律，得到与预测相关因素的大小与权值，并根据这些数据项预测未来的负荷值。本文针对汕头地区的负荷特性进行中期负荷预测和日负荷预测分析。 2.1对气候影响的统计分析 由于气候因素对负荷的影响最大，本文首先研究了汕头地区日峰荷与温度因子的关系。为了用少数几个气象因子来表征一天的天气状况，可将所有的气象因子作为一个分析集合，根据观测的天数（样本），提取气象因子中的主要决定成分。然后对样本进行模糊聚类分析，即按照各变量的近似程度进行分类，寻找出最大的相似日。最后采用多元线性回归，采用样本聚类结果值进行曲线拟合，从而预测负荷特性。 2.1.1成分分析 气温在负荷的历史数据中，可以看成是随机变量，将一天中的各个时刻点的气温看成是一个样本数中的各个向量，通过对样本的概率统计，可以得到样本的相关阵的特征值和特征向量。对样本采用自相关分析法，寻求与预测输出最相关的因素作为系统的主要决定成分。自变量的选择一般遵循两条原则：选择的自变量应与预测输出密切相关；选择的自变量间不应线性相关。为此，可用自相关系数rk来度量  式中：n为样本数；k=1，2，…，表示相对于l时刻滞  为样本数 据的平均值；rk的取值范围为［－1，+1］，｜rk｜越接近于1，说明两个序列的自相关程度越高。实际应用中，可以选取超过某一阈值的序列作为最相关因素。在此，本文以0.7作为选择主要决定成分的阈值，对于输出yl，可将含有决定成分的xl选为  式中，l=1,2,…,n,n的长度取决于所截取的时间序列段的长度。xi为i时刻的气温值。 2.1.2负荷数据的聚类分析 聚类分析就是通过无监督训练将样本按照相似性分类，把具有相似性的样本归为一类，占据特征空间的一个局部区域，每个局部区域的聚合中心是该类的代表。在聚类算法中自变量与目标函数都是离散量，存在着许多局部极值，而常规的方法没有接受劣化解的机制，因此初始聚类中心对最终结果影响很大。常用决策是采用若干初始中心分别聚类，然后选择其中最满意的一个作为聚类结果，因而不能保证聚类结果的最优性。 本文采用最近邻聚类学习算法，对初始聚类中心没有依赖性，根据聚类半径的大小，通过学习样本不断调整聚类的数目和中心，使得聚类的结果能较好地反映数据在特征空间的分布。这种算法的优点有：1）只需对数据执行一次一步运算，且计算过程本身也很简单；2）由于算法是以最优模糊逻辑系统为依据的，因此其性能有充分保证。算法的缺点是信息在这种算法的过程中不能得到更新。 假设考虑第k对数据（xk，yk）时，k=1,2,…,M，已经存在M个聚类，其中心分别为x10，x20，…，  ，分别求出该数据对到这M个聚类中心的距离 为这些距离中的最小距离，即xl0k为xk的最近邻聚类，则如果  则   当所有的n个样本对都经过处理后，共获得M个聚类，则经过学习可得预测的系统。 2.2对温度影响的统计分析 由于夏季空调是构成电网峰荷的重要部分，而空调的使用很大程度上取决于气温的变化。为提高负荷预测的精度可将总系统负荷分为两个部分：温度敏感负荷和温度不敏感负荷，于是总系统负荷可表示为  其中：Nm为负荷的基量，温度不敏感负荷；INTE为综合气候变量，此处为一些温度因子；SAT为气温饱和系数；INTE*SAT为系统的温度敏感负荷。 此处的假设是夏季日峰荷的敏感负荷仅考虑与多个温度因子相关，利用回归分析，可以对基于相关温度因子的日负荷进行预测校验，综合得到汕头市的负荷特性预测结果。 3负荷特性分析与预测结果
3.1负荷特性分析 电力系统的负荷特性又称电力系统的负荷方式，它每时每刻都在发生变化，通常是用负荷特性曲线来表示。主要包括年负荷特性曲线和日负荷特性曲线两种，有的还有周、月和季负荷特性。年负荷特性一般有两个峰值：一个是冬季负荷峰值；另一个负荷峰出现在夏季。 针对汕头电网的实际情况可知：汕头电网夏季为4~9月；冬季为1~3月及10~12月。过去两年，夏季的8月及9月负荷较高，冬季的10月及12月负荷较高。 汕头市供电负荷和220kV用供负荷在冬夏的两个典型日的负荷记录参见图1、图2。   经过对连续数年汕头市电网负荷峰各值及出现时刻的聚类及统计分析，得出汕头日负荷特性具有以下的统计规律：
1）汕头电网夏季日高峰一般负荷出现在晚上19~22时，峰值出现在21时的频率最高，日负荷中，早高峰负荷出现在11时，预测峰值为晚峰的91.8%，中高峰预计在15时，其峰值为晚峰的95.6%，谷荷出现在凌晨7时，夏季的日负荷率为78.6%，日最小负荷率为53. 3%。 日负荷率及日最小负荷率低的原因是生活用电的比重达20%左右，而第二产业的用电比重仅占57%左右，且工业多数为民营企业，属轻型工业，且两班制工业占多数，因此，日负荷率及最小负荷率较低。 2）冬季高峰负荷一般出现在晚上18~20时，峰值在20时出现，上午高峰负荷出现在10时，其峰值为晚峰的79.4%，晚上高峰负荷出现在20时，冬季最低负荷出现在凌晨5时，冬季日负荷率为73.7%，日最小负荷率为44.4%。 3）预计汕头电网2002年的全社会用电最大负荷年利用小时数为4 953h，分析认为该值在广东汕头市居民生活用电量和第三产业用电量两项占全社会用电量份额较高约有37%，利用小时数在广东省内属中间水平。 3.2汕头地区负荷特性预测结果 采用基于上述分析方法，对汕头地区未来五年内的负荷特性进行了预测，年负荷曲线预测结果见表1。  通过对汕头负荷的历史数据分析，得到以下的气温回归分析方程
 式中：Tmax，一天中最高气温时间；Tmin，一天中最低气温时间；T 5，早晨五点；T10，十点；T15，下午3点；T20，晚上8点。其中，T i为系统的主要决定成分。 根据预测方程，得到汕头市负荷特性的预测结果如下： 1)年最大利用小时数预测 采用回归方法对5年最大负荷利用小时数进行了预测，分析表明：规划年限的日负荷率和日最小负荷率将呈轻微下降趋势，年最大负荷利用小时数也将会轻微下降，预计2005年、2010年及2015年将分别为481 2h、474 3h、467 4h。 2)年负荷曲线预测 2001年及2002年汕头电网年负荷曲线表明，夏季高峰负荷出现在8月，9月份次之，约为97%。冬季高峰负荷出现在12月，1月份因第二产业用电减少，是全年最低负荷的月份，约为8月份的70%~76%，这与2001年到2002年现状较为吻合。 3)冬、夏两季日负荷曲线预测结果 预计基于第1节所选方法得出规划期内汕头电网两季典型日荷预测特性如表2所示。   预计汕头电网夏季最大负荷日负荷曲线将出现3个高峰：晚上19~22时（峰值在21时）；上午10~12时（峰值在11时）；下午14~17时（峰值在15时）。由于居民生活用电和第三产业两项的用电比重之和2005年为37.2%，与2001年的37.3%基本持平，2010年上升至39.3%，201 5年又上升至40.9%。而第二产业2005年的用电比重为57.9%，比2001年的57.0%略有上升，20 10年微降为56%，2015年为54.6%。因此，晚峰为全日最高负荷，下午高峰负荷比上午高峰负荷的峰值稍高一些，但比晚峰略低。日最小负荷出现在凌晨6～7时（关空调），7时最低。根据预测，2005年、2010年及2015年的夏季日负荷率为78.3%、78.0%、77.8%。2005年、2010年及2015年的日最小负荷率分别为53%、52.8%、52.5%。
预计汕头电网冬季日负荷曲线仅有2个高峰：下午15时起负荷升高一直至晚上22时，下午峰与晚峰连在一起（峰值在20时），上午9～11时（峰值在10时），晚峰最高，下午15～17时负荷均高于上午峰值，但冬季峰值仅为夏季峰值87.2%；日最小负荷出现在凌晨5时。预测20 05年、2010年及2015年的冬季日负荷率和日最小负荷率分别为73.4%、73%、72.8%和44. 1%、43.8%、43.5%。 4预测结果分析
通过对汕头电网结构的进一步分析，可对汕头电网规划给出如下建议：1）由于到2001年底，汕头市用电结构随产业结构调整发生了变化，第一产业用电比重逐年下降，第二产业用电所占比重较大，是汕头市主要经济支柱，第三产业用电所占比重不高，增长较快，市政和居民生活用电所占比重仅次于第二产业用电，且增长快速。随着产业结构的进一步调整，汕头市用电负荷的特性将发生一定的变化，预计未来负荷的增长水平将略高于电量增长。2）由于电网用电负荷率逐年下降，电网峰谷差占高峰负荷的比例逐年增大，电网负荷特性的变化已给电网运行带来许多新的矛盾。汕头500kV变电站在近期冬季高峰负荷方式下，该站是降压变，但冬季低谷方式下，该站是升压变。因此，主变应选择有载调压变，否则，冬季低谷负荷时，220kV电网及110kV电网的电压均偏高，会造成用户侧烧毁电气设备。 参考文献
［1］赵世伟.智能负荷预测技术在电力系统中的应用研究［D］.广州：华南理工大学，2003 ［2］栾兆文，崔岚，丁磊.负荷特性和有载变压器对电压静态指标的影响［J］.山东工业大学学报，1999，29(2)132-136 ［3］赵世伟，吴捷，刘永强，等.基于点模式匹配的电力系统短期负荷预测［J］ .电力系统自动化，2003，27(16)：62-66 ［4］张昊.电力调度自动化系统及电力负荷智能化预测方法的研究［D］.广州：华南理工大学，1997 ［5］CHEN Jun,WU Jie.Comparison of three BP algorithms［A］.In:Joint Conference of SCUT and HKTC (TY) Proceedings［C］.1998.7-14 ［6］Ho K L,Hsu Y Y,Yang C C.Shortterm load forecasting using a multilayer neural network with an a daptive learning algorithm［J］.IEEE Trans on Po wer Systems,1992,7(1):141-148 ［7］周中期，等.ANN电力系统中期负荷预测中的应用［J］.电力系统及其自动化学报 |
|
·上一篇文章：基于小波变换的直流系统接地故障检测中小波基的选择与比较 ·下一篇文章：基于模糊神经网络的电能质量指标的经济性评估 |
| 【打印此文】【关闭窗口】 |
