分步预测法在省级电网短期负荷预测中的应用

程义明，罗滇生，何洪英，胡 强，廖 峰，蔡剑彪

(1.湖南大学电气与信息工程学院，长沙 410082；2.常德电业局，常德 415000)

分步预测法在省级电网短期负荷预测中的应用

程义明1，罗滇生1，何洪英1，胡 强2，廖 峰1，蔡剑彪1

(1.湖南大学电气与信息工程学院，长沙 410082；2.常德电业局，常德 415000)

各地市负荷特性千差万别，单纯的利用省端历史负荷数据以及全省综合气象要素进行预测会产生较大误差，故提出一种分步预测的短期负荷预测方法。在分析省调负荷的组成以及不同类型地区负荷预测方法的基础上，通过查找网损相似日和厂用电率，利用下级电网上报的计划负荷对网损和厂用电进行有效预测，进而得到次日全省发电计划。分析表明，该方法能充分反映省调负荷各组成成分的变化情况，一定程度上提高了省调负荷预测准确率。通过南方某省短期负荷预测系统的实际应用证明了所提出方法的有效性。

短期负荷预测；网供负荷；网损；厂用电；相似日

短期电力系统负荷预测是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先估计和推测[1]。负荷预测是电力系统规划和运行的基础，关系到整个电力系统的效率、效益和安全性[3]。

由于统调各机组次日的发电计划均由省调计划部门根据负荷预测结果进行安排，所以省调负荷预测的准确率将直接影响着电力系统运行效益，因此，提高省调负荷预测准确率意义重大。然而，对全省而言，各地市的负荷特性千差万别，不同地区的气象条件也不尽相同，而气象部门给出的气象数据过于笼统，并不能详细反映全省各地市的气象变化状况，尤其南方一些省份小水电非常丰富，受降雨的影响大，因此对全省负荷建立负荷预测模型非常困难，采用传统的短期负荷预测方法如神经网络法、灰色预测法、支持向量机、相似日法等以及上述方法的各种组合，由于不能兼顾各地经济、气象等影响因素而产生较大的误差。

近年来很多文献考虑到了大区域性负荷预测问题，文献[4]提到省、地两级负荷预测及其影响因素的问题，但未给出具体负荷预测模型；文献[5，6]分别从不同角度考虑来处理气象要素对电力负荷的影响，但由于全省幅员辽阔，各地气象状况经常差异较大，处理起来较为困难；文献[7]对空间负荷预测理论和模型进行了描述，提出了基于地理信息的配电网负荷预测方法。

笔者在南方某省“省地一体化负荷预测系统”的升级改造过程中发现，由于该省部分地市小水电资源非常丰富，部分地市含有钢铁厂等负荷波动频繁的大用户，部分地市还含有高铁、电铁类冲击性负荷，各地负荷特性差异非常大，采用常规的负荷预测方法对全省负荷进行预测，经常很难使预测精度达到理想水平，因此本文提出考虑地调负荷预测的省端负荷分步预测方法，实践应用表明，该方法能使省级电网负荷预测准确率取得良好效果。

1 负荷组成分析

省调负荷预测对象为全省所有发电侧关口叠加负荷，包括从省外购电联络线的负荷；各地市负荷预测对象为本地区所有供电侧关口叠加负荷；所以省调负荷与地调负荷总和之间还有网损和统调电厂厂用电负荷，其关系可表述为

PG=∑Pi+P+∑Pc,i

(1)

式中：PG为省调负荷；Pi为辖区内第i个地市的网供负荷；P为网损负荷；Pc,i为系统内第i个统调电厂厂用电负荷，可通过数据采集与监视控制系统SCADA(supervisory control and data acquisition)采集到。如图1所示，以15 min为采样周期，从00:00-23:45对该省统调负荷与所有地市负荷总和日负荷进行采样，得到96点负荷曲线对比图。

从图1中可以看出，地区负荷叠加曲线与省调发电侧负荷曲线形状、变化趋势非常相似，二者偏差大约600 MW左右，对全省负荷而言，负荷基数比较大，各类冲击负荷相互叠加，负荷曲线波动变化比较平稳。

图1 省调负荷与各地调负荷叠加曲线

2 分步负荷预测的实现

根据式(1)，首先对各地市的负荷Pi参照对应地区预测日的各种负荷影响因素进行预测，然后根据各地调预测结果应用多元线性回归的方法去拟合网损负荷P，厂用电部分利用系统厂用电率单独预测，进而得到省调负荷预测结果。

2.1 地调负荷预测

不同地区复杂多变的负荷特性是省调负荷预测工作的难点，也是影响预测准确率的主要原因。以该省为例，根据各地负荷特色，本文将其所辖14个地市分为4类，如图2所示为其中4个典型地区2010年4月20日日负荷曲线。

图2 不同类型地区的日负荷曲线

1)A类地区地处较偏山区，小水电较为丰富，网供负荷水平较低。由于受峰谷电价影响，夜间执行低谷电价，企业用电大幅增加，并且此时一些小水电却因为电价低而停发，所以该时段网供负荷水平大幅上升。该类地区负荷受小水电发电影响较为严重，部分小水电由于电网对其考核发电执行率，每日会向地调上报发电计划，并严格按照发电计划进行发电，还有一部分小水电由于装机容量较小，表现为靠天吃饭，无发电计划，此类小水电在该省大量存在，文献[8]通过分析小水电的气象相关性、滞后性以及累计效应，提出了小水电负荷的预测方法。对该类地区负荷应以实际用电负荷作为预测对象进行预测，具体做法为：以本地区网供负荷P与所有小水电发电上网负荷∑Pi之和作为本地区的实际用电负荷，运用常规的短期负荷预测方法进行预测得到地区实际用电负荷的预测值，将此预测值减去有发电计划小水电的计划值以及无计划值部分的预测值，最终得到该地区网供负荷预测值。

2)B类地区含有钢铁厂等大用户。钢铁厂用电一般为220 kV下网，负荷基数大，负荷波动较频繁，预测时应将其单独进行预测，充分考虑生产计划的变化，以及统计负荷在各时段波动的概率，然后与本地区居民商业用电预测值叠加得到地区负荷预测。

3)C类地区含有较大的高铁、电铁负荷。其中高铁负荷为220 kV下网，电铁110 kV下网，此类负荷往往表现为非线性冲击性波动。由于列车每日都是按照其列车运行图运行的，高铁在工作日、周末和节假日运行图会有变化，所以可以统计该类负荷每日的变化规律，用统计的方法对其进行预测，进一步形成地区负荷预测结果。

4)D类地区为大中型城市，图中曲线为该省省会城市日负荷，该类地区居民、商业和办公用电占主要成分，早晚高峰趋势较为明显，夜间负荷水平较低，预测时可以直接采用常规的综合预测模型[9]进行预测。

2.2 网损预测

由于网损负荷是因功率的传输而产生的损耗，所以网损与传输的功率即用电负荷之间必定存在某种关系。如果将每个地市都看作一个负荷断面，那么网损负荷P直接由各个地市网供负荷(P1，P2，…，Pn)产生，二者之间可看做是一个多元线性回归的关系，其公式为

(2)

式中：b0为常数项；b1，b2，…，bn为回归系数；ε为随机误差，服从期望为0、方差为σ2的正态分布。由于网损产生于各负荷断面的负荷值，所以可以通过断面负荷值的比例来寻找网损估算的相似日，具体方法为：由各地调上报的次日预测负荷Pi,for计算各自占总负荷∑Pi,for的比重μi,for，再在历史负荷中利用求取欧氏距离的方法来寻找与此比重最为接近的若干日作为相似日，即式(3)中Ek最小的若干日。将各相似日历史负荷数据代入式(2)得到线性回归矩阵形式为

(3)

(4)

式中：k表示相似日天数；j表示时间点(本文取 )；Pk,j由式(1)代入对应日期的各自历史负荷值得到。用向量的形式简记为

(5)

采用最小二乘法估计参数(b1,j，b2,j，…，bn,j)，使残差平方和

b2P2,i,j-…-bnPn,i,j)2

(6)

达到最小，解得

(7)

对每个时间点进行多元线性回归，如此总共解得96组参数。将各地调上报的预测值代入式(2)得到次日P的估算值。

2.3 厂用电预测

厂用电即发电厂中各类电动机以及全厂的运行、操作、试验、检修、照明用电的总和[2]。单位时间内厂用电与发电量的百分比即为厂用电率。一般来说一段时期内，统调系统的发电厂是固定的，厂用电率比较稳定，所以可以通过统计近期内厂用电率结合次日供电计划来对次日厂用电负荷进行预测。

具体做法为将前几天系统的厂用电率按照“近大远小”的原则分配不同的权重w，求出次日系统厂用电率，设β为厂用电率，k为参与厂用电率计算的天数，则有

(8)

(9)

再结合第2.1节与第2.2节的预测结果有：

(10)

联立式(8)～式(10)即可求出次日的厂用电负荷部分∑Pc,i,for。

2.4 思路分析

本文提出的省端负荷分步预测模型的思路是基于以下几点考虑。

(1)对于幅员辽阔的全省而言，无论采用什么方法提取综合气象指数都会产生一定的误差，很难概况全省气象状况，将该指数通过常规的负荷预测方法用于全省负荷预测中会引起较大误差。

(2)省调负荷预测人员对全省地市负荷特性难以把握，各地负荷受当地经济、气候等影响较大，通过本文提出的模型，能够最大程度地兼顾到各个地市负荷的变化情况。虽然由于负荷基数小、变化波动较大等原因，地调负荷预测误差较大，准确率不会很高，但通过所有地市预测数据叠加后，会使一部分正负误差相互抵消，从而不至使总负荷预测偏差太大。

(3)厂用电率决定于发电机组发电效率，系统内的发电机组一般在近期内不会发生太大变化，所以通过该方法来预测厂用电不会引起较大误差。

(4)采用组合预测模型直接预测全省负荷，运用笼统的气象指数来寻找相似日会引起较大误差，而网损预测只需通过各地调计划负荷的比重来选择相似日，实际上是将影响因素分解到各地调负荷中，从根源上缩小了误差，进一步达到提高全省负荷预测准确率的目的。

当然，由于电源是分散的，输电过程中，功率传输线路的不同导致网损估算会有误差，但从全省负荷来看，网损基数非常小，该误差还是较小的。

3 应用实例

本文提出的分步负荷预测模型在实际负荷预测系统中得到了应用。为了验证该模型的有效性，笔者以该省负荷为例，按第2.1节所提出的分类方法将该省14个地市分为4类：A类包括5个地区，B类3个，C类4个，D类2个。以2010年6-7月的电力负荷数据为分析对象，采用直接预测法和本文方法分别对该省2010年7月14-18日每日96点负荷进行预测。利用平均绝对百分误差MAPE(mean absolute percentage error)对每日预测效果进行衡量，计算方法如式(11)所示，两种预测误差对比如表1所示。

(11)

式中：Pf,j为第j点的预测值；n为参与计算的负荷点数；Ph,j为该日第j点的实际值。

图3为运用两种预测方法对该地区2010年7月14日负荷进行预测，得到的预测曲线和实际负荷曲线对比图。对比以上预测结果可以看出，采用本文的方法预测比直接对全省负荷预测准确率会有一定的提高，由于省调负荷基数大，所以预测精度一般都较高，相应的精度每提高1%，将会节约大量电量，从而产生巨大的经济效益。

表1 负荷预测效果对比

图3 某日实际与预测负荷曲线对比

4 结语

本文对省调负荷预测对象的组成进行了分析，分别对各个组成成分进行预测，充分考虑了各地市负荷特性及其影响因素并对其进行分类，通过地调负荷预测结果对网损负荷进行了有效地预测，借助厂用电率对厂用电部分进行预测，结果表明该方法应用于省级电网负荷预测能取得较好的效果。

[1]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．

[2]熊信银．发电厂电气部分[M]．北京：中国电力出版社，2004．

[3]罗滇生，姚建刚，何洪英，等(Luo Diansheng,Yao Jiangang,He Hongying,etal)．基于自适应滚动优化的电力负荷多模型组合预测系统的研究与开发(Research and development of multi-model combining load forecasting system based on self-adaptive rolling optimization)[J]．中国电机工程学报(Proceedings of the CSEE)，2003，23(5):58-61．

[4]康重庆，赵燃，陈新宇，等(Kang Chongqing,Zhao Ran,Chen Xinyu,etal)．多级负荷预测的基础问题分析(Fundamental analysis of multilevel load forecasting)[J]．电力系统保护与控制(Power System Protection and Control)，2009，37(9):1-7．

[5]秦海超，王玮，周晖，等(Qin Haichao,Wang Wei,Zhou Hui,etal)． 人体舒适度指数在短期电力负荷预测中的应用(Short-term electric load forecasting using human body amenity indicator)[J]．电力系统及其自动化学报(Proceedings of the CSU-EPSA)，2006，18(2):63-66．

[6]张振高，杨正瓴(Zhang Zhengao,Yang Zhengling)．短期负荷预测中的负荷求导法及天气因素的使用(Load derivation in short term forecasting using weather factor)[J]．电力系统及其自动化学报(Proceedings of the CSU-EPSA)，2006，18(5):79-83．

[7]王成山，肖峻，罗凤章(Wang Chengshan,Xiao Jun,Luo Fengzhang)．多层分区空间负荷预测结果综合调整的区间方法(Interval-based multi-layer decomposed calibration method for spatial load forecasting)[J]．电力系统自动化(Automation of Electric Power Systems)，2004，28(12):12-17．

[8]徐玮，罗欣，刘梅，等(Xu Wei,Luo Xin,Liu Mei,etal)．用于小水电地区负荷预测的两阶段还原法(Application of two-phase reduction method in load forecasting for regions with abundant small hydropower)[J]．电网技术(Power System Technology)，2009，33(8):88-92．

[9]李野，康重庆，陈新宇(Li Ye,Kang Chongqing,Chen Xinyu)．综合预测模型及其单一预测方法的联合参数自适应优化(Joint adaptive training of parameters in integrated models and related single forecasting methods)[J]．电力系统自动化(Automation of Electric Power Systems),2010，34(22):36-40．

程义明(1986-)，男，硕士研究生，研究方向为电力系统负荷预测、电网规划。Email:cyim1986@126.coom

罗滇生(1971-)，男，博士，教授，研究方向为计算机信息通信技术与智能电网等。Email:lhx20070322@sohu.com

何洪英(1976-)，女，博士，讲师，主要从事户外线路高压绝缘检测，户外线路覆冰检测，图象处理等方面研究。Email:lhx20070322@sohu.com

关于论文摘要和关键词

1.摘要

1)摘要的内容包括研究的目的、方法、结果和结论，篇幅以200字左右为宜。

2)摘要应具有独立性和自明性，应是一篇完整的短文。一般不分段，不用图表和非公知公用的符号或术语，不得引用图、表、公式和参考文献的序号。

3)英文摘要一般与中文摘要内容相对应。

2.关键词

1)关键词是为了便于作文献索引和检索而选取的能反映论文主题概念的词或词组，一般每篇文章标注3～8个。

2)中、英文关键词应一一对应。

摘编于《中国高等学校自然科学学报编排规范》(修订版)

ApplicationofSubStepForecastingMethodinProvincialGridShort-termLoadForecasting

CHENG Yi-ming1，LUO Dian-sheng1，HE Hong-ying1HU Qiang2，LIAO Feng1，CAI Jian-biao1

(1.College of Electrical and Information Engineering,Hunan University,Changsha 410082,China；2.Changde Power Supply Company,Changde 415000,China)

As load characteristics in different cities greatly differ from each other,the pure application of the historical data of the provincial load and the comprehensive meteorological elements of the whole province will produce great errors,so that the short-term load forecasting by means of the sub step forecasting method is proposed.Based on the analysis of provincial load components and the load forecasting methods for different regions,as well as the search of network losses similar days and the auxiliary power rate,the effective forecast is conducted to network losses and the auxiliary power by way of the planned load reported by the subordinate power grid,so as to obtain the provincial power generation schedule of the next day.The analysis shows that this method can sufficiently reflect the changes of every component of the provincial load,and improve the accuracy rate of the provincial load to some extent.The effectiveness of this method is proved by the application of the short-term load forecasting system in a southern province.

short-term load forecasting；network-supplied load；network losses；auxiliary power；similar day

TM715

A

1003-8930(2012)04-0054-05

2011-09-13；

2011-10-19

湖南省自然科学基金委员会与衡阳市政府自然科学联合基金资助(11JJ8003)