基于大用户报装的中长期城市负荷预测方法.docVIP

基于大用户报装的中长期城市负荷预测方法 　　摘 要：大用户负荷是构成城市负荷的主要部分，本文提出了一种基于大用户报装的中长期城市负荷预测方法。通过将城市负荷分解为大用户负荷和中小负荷的两部分，分别采用阶段分析法和自然增长率法对这两步进行建模，从而实现中长期城市负荷预测。 　　关键词：大用户；城市负荷预测；中长期负荷预测 　　中图分类号：TM714 文献标识码：A 　　1 引言 　　电网规划是电网建设的依托和先决条件，规划的质量将严重影响到电网的建设投资费用和电网的安全运行。而电力系统中长期负荷预测是电网规划的理论基础，预测算法的精度直接影响到规划方案的可信度，这是长期以来困扰电力系统规划的重要问题。因此，电力系统中长期负荷预测方法的研究受到了广大学者的关注，针对不同的应用环境提出了多种负荷预测方法，取得了较丰硕的成果。 　　中长期负荷预测算法从模型数量上可以分为单模型负荷预测算法和多模型组合预测算法。其中单模型由于负荷预测方法由于模型的局限性，因而不同的模型适用不同规模和发展状况的城市，但是简单易用。典型的单模型预测方法有弹性系数发、回归分析法、指数平滑法、多项式法、灰色预测方法等。多模型组合预测算法是由多个单模型预测方法通过一定的比重加权得到，在适用范围上比单模型广，但是其需要人为挑选出合适的模型进行加权组合，复杂度远高于单模型预测方法。 　　随着计算机技术和数据挖掘技术的发展，为了提高预测算法的适应能力，在最近的负荷预测新理论和新方法中提出了许多具有学习能力的人工智能预测方法。这些人工智能方法能够通过对历史数据进行特征挖掘并学习，从而构成新的具有普遍适应能力的预测方法，并且可以通过对不同数据的在线学习，从而可以实现一个算法应用于多个场景中。如人工神经网络算法和粒子群算法等。文献[4]将误差序列的均方值作为网络性能的评价指标并采用最小误差对应的平滑参数，在广义回归神经网络（GRNN）基本算法、网络结构及平滑参数确定方法的基础上建立了GRNN的预测模型。提出了确定输入神经元数目的方法，并将模型应用于某地中长期电力网负荷预测，分别进行了单步预测和多步预测。文献[5]针对实时电价对短期负荷的影响，建立了径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIS）相结合的短期负荷预测模型。该模型利用了RBF神经网络的非线性逼近能力，应用ANFIS系统对RBF神经网络的负荷预测结果进行修正，以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度。文献[6]提出了一种将粒子群优化算法与非线性灰色Bernoulli模型结合中长期负荷预测方法。 　　上述的单模型预测方法、组合预测方法和人工智能预测方法都是基于城市负荷的历史数据搭建模型，并未考虑到城市未来的产业结构和发展规划。因此，本文提出一种基于大用户报装的中长期城市负荷预测方法，该方法将城市用电负荷按特性划分为住宅用户、工业用户、商业用户和其他用户四类，对四种类型的大用户从报装、建设及投产等方面进行阶段性分析，得出发展规律，从而实现城市中长期用电负荷的预测。 　　2 基于大用户报装的负荷预测方法 　　2.1 大用户特性分析 　　按电网运行规定，当负荷容量超过一定范围的大用户在建设之前需要向有关部门进行计划报装，而这些各行各业的大用户是电力系统中长期负荷增长的主要组成部分。因此，可以通过对大用户的报装、建设及投产等多个阶段进行有效的数据分析，得到四种类型大用户在不同阶段的负荷增长特性，从而可以得到每种类型的负荷增长规律。 　　城市电网负荷的主要增长量为大用户负荷增长量，如式（1）为第k种类型中第j个阶段所有大用户负荷增长量。如式（2）为城市电网中四类大用户第j个阶段的增长量总和。按照（1）和（2）便可以求出城市电网负荷在每个阶段的主要增长量。 　　（1） 　　式中：k为用户分类数；i为大用户编号；j为阶段数；αk为第k类大用户的调整系数；βjk 为第k类大用户在第j个阶段的阶段系数；lik 为第k类大用户中第i个大用户的报装量；n为第k类大用户的数量；Ljk 为第k类大用户在第j个阶段的负荷增长量； 　　（2） 　　式中：BLj为城市大用户负荷第j个阶段的增长量。 　　由式（1）和式（2）可知，要得出城市电网负荷在每个阶段的主要增长量，需要对大用户的负荷阶段划分情况、负荷阶段系数、负荷调整系数和大用户报装容量四个方面进行分析。具体方法如下： 　　（1）需要收集大用户报装数据，并进行分类。供电局需要对每年的大用户报装情况进行统计、分类和汇总工作。 　　（2）对各种类型大用户的历史报装情况和用电数据进行分析，得到各类型大用户的投产规律数据，从而划分各类型大用户的投产阶段数，一年为一个阶段。 　　（3）根据各类型大用户的投产规律，采用数