多小水电地区网供负荷预测研究

刘艳红，倪秋龙，黄民翔

（1.中国电建集团华东勘测设计研究院有限公司，杭州 310014；2.国网浙江省电力公司，杭州 310007；3.浙江大学，杭州 310027）

多小水电地区网供负荷预测研究

刘艳红1，倪秋龙2，黄民翔3

（1.中国电建集团华东勘测设计研究院有限公司，杭州 310014；2.国网浙江省电力公司，杭州 310007；3.浙江大学，杭州 310027）

分析了多水电地区网供负荷的特点，利用相关性分析方法及人工神经网络对多小水电地区的网供负荷短期预测进行研究，并对某多小水电地区开展网供负荷预测实例模拟，预测结果验证了方法的有效性和实用性。

短期负荷预测；网供负荷；小水电负荷；人工神经网络；BP算法；Matlab程序

0 引言

我国具有极为丰富的小水电资源[1]，在小水电技术迅速发展和广泛应用的同时，小水电等分布式电源对地方电网的影响也越来越显著。在一些小水电资源丰富的地区，小水电发出的电力在平衡本地区负荷后剩余部分还倒送大电网，给电网带来一定的负面影响，特别是给小水电占比大的地区网供负荷的准确预测带来了很大困难，导致多小水电地区的负荷预测精度难以提高。然而，短期负荷预测又是电网能量管理系统的关键输入量之一，是电网经济运行和安全控制必不可少的基础，提高多小水电地区短期负荷预测精度对电网安全运行和经济运行具有重大意义[2]。

根据我国现行的电力管理体制，地市电力公司需要预测网供负荷并上报给省级电网公司。对地区电网而言，网供负荷就是指由省级电网调度关口供给该地区的电力负荷。对小水电丰富地区，大量由地级或县级调度的小水电出力给网供负荷带来显著影响，在网供负荷预测中需充分考虑这些因素。目前，一般采用对地区口径负荷、小水电负荷分别进行预测，并在此基础上还原出网供负荷，这种方法一般称为两阶段还原预测方法[3-5]。

本文以某多小水电地区的网供负荷为研究对象开展预测研究。该地区2011年网供最高负荷为1 347 MW，地区调度水电装机容量达772 MW，一般为无库容径流式电站或小库容日调节或月调节电站；县级调度的小水电共797 MW，均为无库容径流式电站。

1 多小水电地区负荷特征分析

首先从统计指标入手，分析多小水电地区负荷主要特征，重点分析每日96个时刻点的负荷在全年365天中的分布特征和统计规律。为便于比对，同时选取了小水电容量占比很小的非小水电地区进行分析。

1.1 日负荷年平均标幺曲线

日负荷年平均标幺曲线是对历史日负荷曲线中每个时刻点（一般分为96点）的年平均值进行标幺化而得，如图1所示。

从图1可见，非小水电地区地调负荷受人们作息规律的影响，呈现明显的峰谷特征；小水电地区小水电出力在峰电价和谷电价时段具有明显的上升和下降特征，除此之外在各时段内较为稳定，基本不受人们作息规律的影响。这主要是因为小水电机组在峰电价和谷电价时段具有不同的开停机方式，在正常峰谷时段呈现了特殊的“倒峰谷”特性，即：在一般负荷低谷时段，小水电因谷电价而大量停机后网供负荷值较高；在一般负荷高峰时段，小水电因峰电价而大量开机后网供负荷值较低；在峰谷电价交替时段，小水电地区网供负荷变化幅度大。

图1 日负荷年平均标幺曲线

1.2 日负荷年离散系数曲线

离散系数主要用于比较不同水平的变量数列的离散程度，用标准差系数CV表示如下：

式中：σ和μ分别为均方差和均值。

所研究地区的日负荷年离散系数曲线详见图2。由图可见，小水电地区地调负荷在不同时刻点的离散程度明显比非小水电地区高，且在不同时段存在较为明显的波动。而小水电地区小水电出力偏离自己平均值的程度比地调负荷大得多，且在谷电价时段小水电负荷的波动性更强，这和小水电站的发电特性有关：只有在已经无法储存来水，不得不发电的时候，小水电站才会在谷电价时段发电，因此在谷电价时段，小水电负荷在旱季和雨季有较大的不同，反映在离散程度上，也比峰电价时段更高。另外，小水电出力在峰电价、谷电价交替时段有剧烈的离散度变化。

图2 日负荷年离散系数曲线

1.3 日负荷年度差分曲线

为量化日负荷在相邻日之间的波动特性，计算负荷标幺曲线的日差分绝对平均值，如式（2）：

式中：r为差分间隔；Xt（i）为各历史日观测点负荷的年标幺值。标幺值的日差分绝对平均值向量Xd可以反映一个地区负荷的日变化程度。例如，当某时刻Xd（i）值为0.02，则意味着该时刻负荷在样本年与前一天同时刻负荷的平均偏差为当年负荷最大值的2%。本文分别取r=1和r=2。

地区的日负荷年度差分曲线详见图3。从图3中可以发现，非小水电地区地调负荷的每时刻平均日变化量大都在3%以下，全天96点时刻的一日差分均值为2.55%；即使采用间隔两日的差分值，这一改变量除个别时刻外，也都小于5%，全天96点时刻的二日差分均值为3.75%。

图3 日负荷年度差分曲线

小水电地区小水电出力每时刻差分量明显高于非小水电地区负荷，小水电地区小水电出力平均一日差分量的均值为5.33%，如果采用间隔两日的差分值，则高达7.25%。需要指出的是，这里标幺曲线的基值为全年的最大负荷，而如前所述，小水电负荷的年波动极大，因此当采用实际日负荷作为基值时，小水电的每时刻平均日改变的比例还要更大。小水电地区统调负荷差分量介于小水电出力和非小水电地区地调负荷之间，其中一日差分均值为3.42%，二日差分均值为4.77%。

综上所述，小水电地区负荷预测中需要重点考虑的特征是：

（1）小水电地区地调负荷曲线、小水电地区小水电出力曲线的年波动范围以及相邻日差异性都比非小水电地区地调负荷波动量大，仅考虑负荷序列趋势外推的预测方法将无法得到良好结果。

（2）在峰电价和谷电价时段，小水电负荷的波动程度不同，即从全年来看，小水电负荷的日负荷曲线形状在谷电价时段变化程度更大。预测模型应能够适应这2个时段负荷变化的区别。

2 多水电地区负荷相关性分析

对电力系统负荷预测而言，相关性分析一般考虑的输入量为历史负荷数据、历史气象数据（降雨量、日最高气温等）。

2.1 负荷自相关性分析

负荷自相关特性的分析对短期负荷预测输入量中历史数据的选择具有指导作用。

负荷自相关性分析一般分为负荷日曲线相关性（平行相关性）和同时刻多日相关性（垂直相关性）2类[4]。平行相关性一般可用7日（周）平均相关系数向量S表征，垂直相关性可用96点平均相关系数向量H表征。对某小水电地区的平行相关性和垂直相关性分析表明：无论是小水电出力曲线还是负荷曲线的年平均S值随着天数间隔的增大，平均相关系数基本上呈现单调减小。非小水电地区地调口径负荷日相关性和周相关性均比小水电地区地调口径负荷明显要高。垂直相关系数H值先随着时刻距离考察点远离而减小，当间隔时间超过12 h后，又逐渐上升至上一日同时刻点为止，如图4所示。

2.2 负荷与气象相关性分析

在气象相关性方面，多小水电地区负荷主要与气温相关，地区小水电发电出力主要与降雨量相关。

由于地表热容量的存在，单日极高气温对负荷影响往往不如连续多日高温天气的影响，对目标地区多日平均最高气温与最高负荷的相关特性分析结果如图5所示。由图5可见，对目标地区而言，在研究日最高气温对日最高负荷的影响时，为计及气温累积效应，采用3日平均最高气温向量最优。

图4 日负荷曲线垂直相关性分析结果

图5 负荷与多日平均最高气温有关特性

降雨对小水电出力的影响往往具有积累效应：随着降水积累日的增加，日最大负荷与降水特征量的相关性越来越好。对目标地区多日累计降雨量与小水电出力的相关特性分析结果如图6所示。由图6可见，对目标地区而言，随着降水积累日的增加，日最大负荷与降水特征量的相关性越来越好，到28日降水量之和时达到最佳。

图6 小水电出力与多日平均最高气温相关特性

3 基于人工神经网络的小水电地区网供负荷预测

ANN（人工神经网络）是一种“采用物理可实现的系统来模仿人脑神经细胞的结构和功能的系统”[6-7]。BP神经网络是目前应用最为广泛的神经网络模型之一，它是由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接。目前许多商用软件（如MatLab）中都包含了成熟的BP神经网络软件包可供方便地调用[8]。

本文基于Matlab人工神经网络对某多小水电地区的网供负荷进行预测。预测采用两阶段还原方法[3-5]，即分别预测该地区的地区负荷和小水电出力，并最终合成该地区的网供负荷。在神经网络输入量选择方面，依据前文分析结论，选取如下：

（1）进行地区负荷预测时，选择预测日前一天（相同日类型）的96点地调口径负荷数据、与预测相同日类型的前5日最高负荷值、预测日最高气温和日最低气温、预测日前3日最高气温平均值和最低气温平均值（根据前文结论，对于待预测地区地调口径最高负荷与3日平均最高/最低气温相关性最强）作为输入向量。

（2）进行小水电出力预测时，选择预测日前一天的96点出力数据、预测日当日降雨量、预测日前28日累计降雨量总值（根据前文结论，对于待预测地区小水电日最大出力与28日累计降雨量相关性最强）作为输入向量。

在Matlab中搭建人工神经网络，利用多年历史样本数据进行神经元训练，并对4个典型月份进行模拟预测，其结果如表1所示。由表1可见，基于人工神经网络的网供负荷预测相比以计算机辅助预测为基础的人工修正预测方法准确度提高了1%～2%。另外，由于地区小水电出力除受天气状况影响外，还受调度员人为因素的影响，其规律性比负荷规律性差，因此对地区小水电出力的预测准确度比网供负荷和地调口径负荷低。

4 结语

当前，我国经济高速发展，对能源的需求不断增加，但化石能源紧缺，节能减排任务艰巨。作为有效的低碳能源生产途径，小水电在今后一个时期仍将具有广阔的发展前景。根据实际情况研究适合多小水电地区负荷预测方法，具有重要的现实意义。本文对多小水电地区的负荷特征进行深入分析，对多水电地区网供负荷短期预测进行研究，提出了针对多小水电地区的网供负荷预测方法，实例预测表明本文提出的方法能够提高小水电地区网供负荷的预测准确率，具有较高的实用价值。

表1 模拟预测准确度结果

[1]秦晓军．小水电的分布式电源属性[J]．小水电，2008(3)：67-71.

[2]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．

[3]徐玮，罗欣，刘梅，等．用于小水电地区负荷预测的两阶段还原法[J]．电网技术，2009，33（8）∶87-92．

[4]全戈.多小水电地区发电短期负荷预测研究[D]．杭州：浙江大学，2011．

[5]金义雄，段建民，杨俊强，等．含有山区小水电负荷的气象回归短期负荷预测技术[J]．继电器，2007，35（14）∶54-58.

[6]蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2001.

[7]胡守仁，沈清，胡德文，等．神经网络应用技术[M]．长沙：国防科技大学出版社，1993.

[8]董长虹.Matlab神经网络与应用[M].北京：国防工业出版社，2007.

（本文编辑：方明霞）

Research on Connected Load Forecast in Regions with Plenty of Small Hydropower Stations

LIU Yanhong1，NI Qiulong2，HUANG Minxiang3
（1.Power China Huadong Engineering Corporation Limited，Hangzhou 310014，China；2.State Grid Zhejiang Electric Power Company，Hangzhou 310007，China；3.Zhejiang University，Hangzhou 310027，China）

This paper analyzes main characteristics of connected load in regions with plenty of small hydropower stations and investigates short-term forecast of the connected load by correlation analysis and artificial neural network.In addition，the paper simulates connected load in regions with plenty of small hydropower stations.The forecast result demonstrates the effectiveness and practicality of the method.

short-term load forecast；connected load；load of small hydropower stations；artificial neural networks；back propagation algorithm；matlab program

TM715+.1

B

1007-1881（2015）12-0007-04

2015-07-29

刘艳红（1976），女，高级工程师，主要从事水电勘测、设计和咨询工作。