基于大客户和地方电厂数据管理预测平台的负荷还原预测方法研究

王 栋， 邵常宁， 费建平， 冯 刚， 方志辉

（1.国网浙江省电力公司舟山供电公司，浙江 舟山 316021；2.北京清软创新科技有限公司，北京 100085；3.国网浙江省电力公司岱山县供电公司，浙江 岱山 316200）

基于大客户和地方电厂数据管理预测平台的负荷还原预测方法研究

王 栋1， 邵常宁2， 费建平1， 冯 刚1， 方志辉3

（1.国网浙江省电力公司舟山供电公司，浙江 舟山 316021；2.北京清软创新科技有限公司，北京 100085；3.国网浙江省电力公司岱山县供电公司，浙江 岱山 316200）

短期负荷预测对于保证电力系统的可靠和经济运行具有重要意义，随着电网结构的复杂化和精益化管理要求的提高，需求侧和供应侧的管理对负荷预测越来越重要。为此，提出了一种需求侧、供应侧管理与预测技术相结合的办法，通过构建大客户与地方电厂的数据管理平台获得可靠的大客户用电计划，并对全网负荷中剥离出的纯负荷进行外推预测，再将分类预测的结果合并，从而达到提高预测效果的目的。最后以浙江舟山电网为算例验证了所提思路的可行性。

短期负荷预测；数据管理平台；纯负荷；负荷还原预测

0 引言

短期负荷预测是日前调度计划编制的前提与基础，对于保障电力系统的安全经济运行有重要意义。多年来，国内外对短期负荷预测进行了深入研究，提出了大量的预测模型算法，借助先进的计算机技术为负荷预测提供了科学的决策依据，有效促进了预测工作的开展。但随着电网规模的不断扩大，多种形式的电源与负荷的接入使网络运行工况更加复杂，对电网精益化管理的要求越来越高，仅依赖预测技术手段的改进远远不够，更重要的体现在负荷需求侧的管理上。

近年来随着国家节能减排、可持续发展战略的实施推进，采用集约化、大容量化和高参数化设备是企业产业升级的主要方式，导致了钢铁、水泥等一大批行业负荷的大量增加[1]。大多行业负荷具有强烈的波动性和随机性，与正常的居民负荷特性存在较大差异，如果不加区别地进行全社会负荷的预测显然过于笼统，仅靠预测技术手段往往会导致较大误差。因此本文的研究思路即通过加强负荷需求侧管理，构建完善的行业大客户数据管理平台，从全负荷中剥离出行业负荷，对剩余的纯负荷分量进行常规预测，并通过数据管理平台促进大客户负荷的管理与预测工作，达到整体预测质量的提高。

本文结合浙江舟山地区的实际负荷和大客户用电信息，从平台设计、数据采集、信息管理及负荷还原预测效果等方面展开论述。

1 数据管理平台设计

1.1 技术构架

数据管理平台是基于成熟的J2EE结构、海量数据高速读写的数据库Oracle和先进三层体系的B/S（浏览器/服务器）结构开发的，实现了数据的集中存储和信息共享，提高了数据的利用率和系统的执行效率；实现了数据与应用分离，保证平台的灵活扩展能力、良好的可再升级性能和快速移植能力。

J2EE是由许多著名的业界公司合作推出的一个开放平台，它拥有业界的广泛支持和众多的中间件软件提供商（比如IBM，Oracle，Sun，Netscape等），J2EE技术包括应用于负荷预测系统中的JBDC，JSP，SERVLET以及XML技术等。数据管理平台分为客户端与服务器端两部分，客户端主要为浏览器脚本（以JavaScript编写）以及Applet小应用和 HTML代码；服务器端以 JSP，Java Bean，Servlet和JNI为主，结合XML，JDBC等其它技术，在J2EE构架之下有机紧密地结合在一起，对平台的可靠性、扩展性均有较好的保障。

Oracle是目前使用最为广泛的数据库，具有强大的数据存储和处理功能，可实现基于SQL命令下的海量数据导入导出，高速的处理速度以及分布式事务处理能力用以方便地进行远程访问，同时具有较高的安全性。

B/S架构是基于Web的先进的三层体系结构，在这种架构中，利用Web应用服务器和事务处理中间件为应用程序提供Web运行环境，数据资源和客户机将被应用服务器分隔开，应用服务器上存储着应用逻辑。这种架构着重于客户机对应用服务的请求，有别于二层架构着重于数据请求，提高了平台的性能，简化了用户的管理。

1.2 平台功能

1.2.1 数据管理

平台提供了丰富而强大的数据管理功能，实现了便捷的数据存储、修改、交互以及可视化操作，设计了规范的自动化系统数据格式文件接口，方便数据导入导出。同时可针对海量数据中存在的坏数据进行修正，以提高数据质量。

1.2.2 负荷分析

平台设置了丰富的负荷分析指标体系，包括常用的最大负荷等负荷特性分析、典型负荷曲线以及稳定性分析和电力气象相关性分析。通过以上分析可深入了解负荷发展规律以及影响因素等。

1.2.3 负荷预测

平台建立了由倍比平滑、模式识别和通用神经网络等二十多种预测算法构成的丰富预测算法库，并提供了自适应训练和综合模型来辅助选择恰当的预测策略。多元化的算法很好地解决了负荷变化复杂的适应性问题。

1.2.4 上报考核

提供了电网公司上下级之间上报考核的交互平台。上级可在平台中给出上报时限、考核标准和免考等信息，下级可对机器预报的结果进行人工干预后上报提交，并具备多维度的准确率统计功能。

1.2.5 需求侧和供应侧管理信息

进行需求侧和供应侧的管理，并将其与已有的预测技术结合起来才能实现电网的精细化管理，提高预测工作的质量。平台中需求侧和供应侧管理主要是通过对大客户和地方电厂数据的管理来实现的。

大客户数据管理模块主要是通过对大客户的信息管理、历史负荷分析和用电计划分析，向大客户提供合理的用电计划曲线，并配合电网公司监测用电计划的实际执行情况，以方便电网公司预测统调电力的工作。该模块包括以下几个功能：

（1）大客户信息管理。实现对大客户的新增、移除操作，并可对大客户所处单位、数据采集编号、参与预测或参与考核等详情进行查询、修改等操作。

（2）数据采集及预处理。提供了自动和手动2种方式采集大客户实际负荷曲线与计划用电曲线，支持Excel数据模板下载与上传，并设置了数据预处理功能。

（3）负荷及用电计划分析。实现对大客户实际负荷及出力计划的详尽分析，包括时序/持续曲线分析、负荷曲线对比分析、负荷特性指标及趋势分析、负荷稳定度分析等，用电计划分析具有相同的分析维度。

（4）大客户用电计划编制。提供了用电计划曲线编制、修正、上报功能，大客户可通过对比参照日的负荷曲线进行用电计划曲线的编制、修正，并在规定的时限内提交上报结果。

（5）突变及用电计划执行监测。平台提供了大客户负荷突变监测和出力计划执行监测机制。突变监测机制中对日最大（小）负荷偏差、最大（小）负荷出现时间、日平均负荷偏差、日峰谷差偏差和日电量偏差等指标设定了阈值，当超过阈值时进行预警；用电计划执行监测机制逐时滚动统计实际负荷与用电计划的吻合度。采取差异性对待的原则，对突变较小、用电计划执行较为严格的大客户直接采用用电计划作为调度依据，否则要采取其他干预措施制定合理调度计划。

相对而言，地方电厂属于供应侧，可将电力供应看作“负”负荷来对待，则地方电厂的性质与大客户相同，也具有电厂信息统计、历史出力分析和出力计划编制等，与大客户数据管理模块的功能相近，不再赘述。

2 负荷还原预测步骤

负荷还原预测步骤如图1所示。首先对采集到的全社会历史负荷数据与大客户负荷数据进行预处理，以提高数据质量。然后将所有的大客户负荷和地方电厂出力从全网负荷中剥离，还原出纯负荷。对得到的纯负荷分量进行稳定度分析，根据纯负荷稳定度的高低采用不同的预测策略进行预测。最后将平台中所管理完善的可靠大用户用电计划加入纯负荷中，得到全网负荷的最终预测结果。

2.1 历史不良数据辨识与修正

丰富而准确的历史数据是负荷分析和预测工作的前提，预测前有必要对历史不良数据进行辨识与修正。文献[2]提到了几种常用的不良数据辨识修正方法，包括神经网络法、基于聚类分析及模糊理论的方法、GSA（间隙统计法）、残差修正法等，实现针对大量历史数据的自动辨识修正。本文研究的历史样本较小，仅为1个月的数据，故采取如下的简单辨识方法。

图1 负荷还原预测步骤

2.1.1 确定历史样本

设历史样本i第t天时刻的负荷为Pi，t，（i=1，2，…，n；t=1，2，…，T），n为历史天数，T为采样点数。第s天为第i天的同类型日，s=i±7，则其t时刻的历史负荷为Ps，t。

2.1.2 逐点计算负荷偏差率

设定偏差率的阈值为30%，超过阈值则视为不良数据需进行修正，否则视为有效数据。

2.1.3 不良数据校正

采取相邻两点的负荷偏差率平均值作为校正偏差计算本点修正数据，计算公式如下：

2.2 提取纯负荷

对大客户历史负荷和地方电厂历史出力进行逐时累加，从全负荷中提取出具有特殊负荷特性的行业负荷分量，剩余的负荷为规律性较强的纯负荷。因此t时刻的纯负荷为：

式中：P′为t时刻的纯负荷；P0为总负荷；Pk为第k个大用户的负荷或地方电厂出力。

2.3 纯负荷稳定度分析

电力负荷具有较强周期性的时间序列，因此可以通过时间序列的频域分解方法进行分析。设多日（一般取14天）的持续负荷序列为P（t），（t=1，2，…，nT），对其作DEF（离散傅里叶分解）可得：

将负荷序列P（t）分解为一系列相互正交的正余弦分量和直流分量a0。根据频谱特征提取出不同的频率分量，通过IDFT（离散傅里叶逆变换）将其还原到时域，并通过适当组合重构出下式：

式中：日周期分量a0+D（t）和周周期分量W（t）是标准的周期序列；L（t）是由气象因素决定的低频分量；H（t）为随机波动的高频分量，体现了电力负荷的随机波动。由此可以定义负荷稳定度上下限：

Lupper和Llower分别代表负荷中可预测部分占整体负荷的上限和下限，也代表了负荷预测所能达到精度的上下限，可根据稳定度指标评判负荷的规律程度以及可预测性强弱。如果某个地区的大客户负荷或地方电厂出力存在较大的随机波动性，那么还原后纯负荷的规律性会变强，稳定度上、下限均会变大。

2.4 负荷还原预测

根据纯负荷稳定度的分析选取适合的预测方法。如果稳定度高于95%，证明负荷规律性很强，利用基于同类型日思想的数学外推法即可取得较好的预测效果；否则证明负荷受气象波动影响较大，需要采取基于相似度的相关因素法。得到可靠的纯负荷预测结果之后，根据大客户负荷和地方电厂数据管理提供的用电计划和发电计划进行叠加，得到精度较高的还原负荷预测结果。

3 算例研究

以浙江舟山地区的负荷数据为算例进行研究。选择大客户和地方电厂数据管理平台中质量较好的5月份数据作为研究对象，全网负荷与大客户、地方电厂典型曲线如图2—4所示。

图2 全负荷典型曲线

图3 大客户典型负荷曲线

图4 典型负荷曲线

图2 显示多日的舟山地区全网负荷典型曲线具有较高相似性，在上午10∶00和下午16∶00出现高峰，在中午和夜间出现低谷。峰谷差率约为55%，负荷曲线上具有明显的锯齿状“毛刺”，表现出行业负荷对全网负荷具有明显的影响。图3汇总了舟山地区部分大客户的典型负荷曲线，其中常石集团的负荷在上午和下午各有1个高峰运行段，其余大客户的负荷水平均在较低水平且含有一定的冲击性负荷。图4为舟山地区的3个地方电厂的典型出力曲线，包括2个风电场和1个垃圾发电场，出力曲线随机性较强，没有明显的规律性。

大客户、地方电厂与全网负荷的负荷特性差异决定了还原纯负荷预测必要性。按照式（3）还原纯负荷，并对全网负荷和纯负荷在5月4日—31日进行稳定度对比分析。其中，纯负荷稳定度分析结果如图5所示。图中纵坐标为负荷（MW），横坐标为28天96点时刻的依次排列。

图5 纯负荷稳定度分析结果

由图5可以看到，纯负荷稳定度分析结果中，低频分量以及高频分量的比例相比周期分量很小。根据式（6）、式（7）计算全网负荷与纯负荷稳定度上、下限对比如表1所示。

表1 全网负荷与纯负荷稳定度上、下限

表1显示，还原后的纯负荷的稳定度相比全网负荷明显变高，表明了纯负荷具有明显的周期性规律，应用相关的外推预测算法容易取得更高的预测精度。

处理好纯负荷之后，关键是如何得到相关大客户负荷和地方电厂出力的预测数据。由数据管理平台提供的大客户信息以及图3舟山地区大客户典型负荷曲线可知，金海湾的全天负荷非常稳定，可直接采用相应的历史负荷作为用电计划；常石集团的负荷在上午和下午各有一个高峰运行段，可根据此特征制定用电计划；武港码头的负荷规律性较弱，但存在较多的冲击性负荷，需要从趋势拟合的角度制定用电计划。通过以上措施可得出较为可靠的大客户用电计划预测曲线。而对于地方电厂而言，可结合历史风电出力与当地的风电预测机制来获取地方电厂出力的计划曲线。

最后，将基于重叠曲线法的纯负荷预测结果和大客户用电计划预测曲线相叠加，最终得到负荷还原预测法的预测结果。

对6月1日—5日的负荷做预测并统计准确率，采用全网负荷常规预测法和负荷还原法得到的预测准确率对比如表2所示。可以看出，在舟山地区采用基于行业大客户的负荷还原法的预测准确率较常规方法提高1%～2%，验证了本文所提负荷还原预测法的正确性。

表2 多日预测准确率对比

4 结论

本文从通过需求侧和供应侧管理提高负荷预测质量的角度出发，构建了完善的行业大客户和地方电厂数据管理预测平台，并系统介绍了平台主要构架与设计功能。纯负荷往往具有较强规律性，可直接通过外推法预测。大客户、地方电厂负荷因其所处行业和生产习惯而具有特殊性，通过平台可获得可靠的用电和出力计划曲线。在此基础上进行分类预测，提高每类负荷的预测精度，最终达到全网负荷预测精度的提高。最后以舟山电网为例进行了算例验证，证明了本文所提思路的可行性。

另外，舟山地区的负荷构成中行业负荷大多平稳且占比较小，不具备普遍性。在行业负荷随机波动性较大的地区如何准确预测大客户用电依然是一个难题；部分城市可能存在纯负荷的规律性较弱，外推预测的结果不理想等问题，有待进一步研究。

[1]许甜田.大用户负荷预测方法研究及其应用[D].长沙：湖南大学，2013.

[2]金旭.简析电力系统检测与辨识方法的现状[J].东方企业文化，2012（4）∶148.

[3]熊会林，刘子伟，张立树.大用户法在电力负荷预测中的应用[J].湖北电力，2009（1）∶66-68.

[4]蔡剑彪，罗滇生，周小宝，等.大用户负荷预测管理系统[J].电力需求侧管理，2012（4）∶7-10.

[5]张凯.省地一体化负荷预测与管理平台的研究与实现[D].长沙：湖南大学，2008.

[6]李慧玲，汤红英.基于负荷管理终端大用户管理的应用研究[J].华北电力技术，2011（8）∶9-12.

（本文编辑：方明霞）

Research of Load Reduction Forecasting Method Based on Data Management and Forecasting Platform of Large-Scale Consumer and Regional Power Plants

WANG Dong1，SHAO Changning2，Fei Jianping1，FENG Gang1，FANG Zhihui3
（1.State Grid Zhoushan Power Supply Company，Zhoushan Zhejiang 316021，China；2.Beijing Tsingsoft Innovation Technology Co.，Ltd.，Beijing 100085，China；3.State Grid Daishan Power Supply Company，Daishan Zhejiang 316200，China）

Short-term load forecasting（STLF）is essential to ensure reliable and economical running of the power system.As the structure of power grid is becoming more complex and requirement of refined administration is stricter，both demand-tside and supply-tside administration are increasingly significant to STLF.This paper proposes a measure that combines demand-tside and supply-tside administration with forecasting technology.Through establishment of data management platform of large-tscale consumers and local power plants，reliable electricity consumption plan of large-tscale consumers is obtained and extrapolative forecast on pure load stripped from entire load is implemented；in addition，the pure load forecasting result is merged into classification forecasting result to promote STLF.Finally，Zhoushan power grid is taken as an example to verify the practicability of the method.

STLF；data management platform；pure load；load reduction forecasting

TM715+.1

B

1007-1881（2015）12-0011-05

2015-05-13

王 栋（1974），男，高级工程师，从事电网调度及运行方式工作。