配电网馈线负荷特征及短期预测分析

赵丹++李雪刚

摘 要：馈线负荷由于其重要性受到了各方关注。在分析馈线负荷特征的基础上，对影响配电网馈线短期负荷预测的因素和馈线短期负荷预测方法进行了分析。

关键词：配电网 馈线负荷 预测

中图分类号：TM76 文献标识码：A 文章编号：1672-3791（2015）04（c）-0039-01

根据最新统计数据，2014年我国全社会用电量高达55233亿kW时，同比2013年增长3.8%；全国发电装机容量13.6亿kW，比上年增长8.7%，创新历史新高。准确的电力负荷预测为电力系统运行、规划提供了重要的基础资料。不同时间的负荷预测对电力系统分析的作用和目的不尽相同，本文以配电系统馈线负荷预测为研究对象，在分析馈线负荷特征的基础上，对馈线负荷预测需考虑的因素和预测方法的选用进行了分析。

1 配电网馈线负荷特征

从负荷预测的时间来看，负荷预测可分为短期、中期和长期三类，其中，短期负荷预测的时间从一天到数周，短期负荷预测可用于经济调度、机组协调运行、备用容量评估、电力潮流计算、短期运行规划和近期设备维修，通过准确的短期负荷预测可降低在电力系统短期规划期间电力运行与规划的风险，减少不必要的成本浪费。从负荷预测的研究现状来看，当前研究大都集中于系统负荷预测，而对于馈线负荷的预测关注较少。但是，馈线负荷对于配电系统规划、安全运行、设备维护、负荷分析等极为重要，准确的馈线负荷预测与系统负荷预测类似，亦可有效地降低配电系统的运行成本，减少用户停电次数，提高配电系统的供电可靠性。

与电网负荷不同的是，由于配电网馈线负荷的增长变化不平滑，通常在短期内，如几年就达到负载饱和，即配电网馈线负荷将呈现出S型，如图1所示[1]。

因此，虽然不同馈线实际的负荷增长曲线有较大差异，但综合而言，整个电力系统负荷可能呈现平滑、连续增长特征，则是由不同馈线的S型增长综合作用的结果。从图1还可以看出，若根据往年馈线负荷数据利用外推方法所得的虚线是很难表示这种S型增长趋势的。为此，有学者提出，可采用聚类分析、或者h年负荷估计等方法进行预测，其目的在于消除图中不同时刻外推的影响，而非提高长期负荷预测的精度[2]。基于经验估计h年的负荷，这种方法虽然简单方便，但精度难以保证，并且没有充分利用馈线本身的信息。

2 配电网馈线短期负荷预测

2.1 影响配电网馈线短期负荷预测的因素

其实，导致馈线负荷规划及预测精度较低的最大原因在于馈线负荷的变数多且大，这些因素主要包括馈线负荷历史资料，馈线所在地的历史温度、风速等气候资料，尤其是在短期负荷预测中，对于国民经济增长率、城市规划等影响长期负荷的因素则可以少考虑。因此，当前馈线负荷预测面临的困难主要有三个方面的内容。

（1）历史资料收集困难。

对电力系统而言，对于电网负荷的重视度更高，而馈线负荷的历史数据相对较少，并且，一部分供电区域的负荷资料还需依靠人工方式进行资料的抄录和转换，无论在资料收集上，还是在模型建立所需要的训练样本上都极为不易。

（2）馈线负荷波动大。

电网负荷预测，由于范围大，区域广，由于用户用电行为的差异性和互补性使之精度更高，但馈线负荷相对电网负荷波动性更大，其原因在于馈线负荷下用户数有限，一般万户数居多，且馈线供电区域有限，在区域内部用户用电行为可能出现突增或突减，从而降低了预测的准确度。克服这种现象的方法之一就是将资料取对数（正规化）来降低突变的数值，一方面可以使曲线相对平滑以提高预测的准确度，另一方面也可以降低欧几里得距离判定模式系数的错误几率。

（3）资料的丢失和补充。

资料丢失是各类负荷预测中必然面对的问题，可能是由于各种因素导致预测序列资料丢失，致使距离计算结果出现偏差造成负荷分类结果的错误，因此，需对错误的数据进行修补。

2.2 配电网馈线短期负荷预测方法

对于馈线短期负荷预测，方法主要是先对历史时间序列进行负荷分类，然后基于某种特性对分类后的负荷进行预测。

（1）馈线负荷分类方法。

正如上面所提到的，应用最多的馈线负荷分类方法就是聚类理论，具体而言，主要涉及四种算法：分割式算法，阶层式算法，密度式算法和网格式算法。如[3]使用树状的阶层式算法分析负荷曲线资料。

就聚类的方法而言，一般有两类，①从小聚集到大聚集，即资料从小聚集形成大聚集，最后形成一个单一的聚集；②从大聚集到小聚集，与前一方法正好相反，将所有资料当成一个聚集，再慢慢地分成小的聚集，最后再形成一个单一聚集。

（2）时间序列预测分析。

基于聚集后的数据，需对时间序列进行分析。短期时间序列分析就是以过去馈线负荷资料为基础，预测馈线负荷短期未来趋势，以多元回归模型构建负荷预测，构建的模型需负荷相关检测准则，若检测结果不符合相关假设，则需对模型进行误差修正，以构建出最佳化的回归模型。

时间序列分析中使用最多的就是时间序列模型，如自回归模型、移动平均模型和结合前面两种方法的自回归移动平均模型等。最小平方法作为一种常用的统计方法，通过寻找一条回归线使回归残差的平方和为最小，在进行回归预测时应用也较多。而单根检定主要是检定变数值是否具有单根，该方法可对序列是否稳定进行判断。

此外，基于神经网络在电网负荷预测中的经常性应用，已有学者将类神经网络方法引入到馈线短期负荷预测钟来。

无论哪种预测方法，都需要计及馈线负荷的历史数据、馈线所在地的温度、风速等气候数据，然后引入合理的模型系数予以拟合。相对而言，短期负荷预测由于时间较短，对于季节因素可以少考虑，而对于历史数据、昼夜温差、风速等可赋予更大的权重。

参考文献

[1] 孙才新.电力地理信息系统及其在配电网中的应用[M].北京：科学出版社， 2003.

[2] 万国成，王汉华.最小二乘法在配网馈线年度负荷预测中的应用[J].电气应用，2008，27（9）：32-34.

[3] Ke YL.Distribution feeder reconfiguration for load balancing and service restoration by using G-nets inference mechanism[J].IEEE Transactions on Power delivery，2004（19）：1426-1433.