基于大数据的负荷指标及同时率测算方法

孙　昕，吕　阳，张　欣，陈　晨，李雪男

（北京电力经济技术研究院，北京　100055）

基于大数据的负荷指标及同时率测算方法

孙昕，吕阳，张欣，陈晨，李雪男

（北京电力经济技术研究院，北京100055）

随着科技的发展和国民经济水平的持续提高，各种用户类别的负荷特性都在不断发生变化，建立与各城市负荷水平相一致的负荷密度指标及同时率体系具有重要意义。提出基于大数据的负荷指标及负荷同时率测算方法，并应用配套开发的负荷数据分析系统，对北京市负荷指标及同时率进行初步测算，形成了饱和负荷预测指标推荐表。

负荷指标；同时率；负荷数据分析系统；样本选取；负荷密度曲线

0　引言

空间负荷预测是城市电网规划的重要环节，其预测结果是确定所需配置供电设备容量和分布的基础。目前，用于开展空间负荷预测的规划单位建设用地负荷指标主要引自GB/T 50293—2014《城市电力规划规范》。该指标面向全国，用于规范远景年各类用地的单位建筑面积负荷水平，给定的指标范围较为宽泛，仅规定了居住、公建和工业3类用地的用电指标范围，且没有对各类用地的负荷同时率选取原则做出说明。根据GB/T 50293—2014，居民建筑用电指标范围是30～70 W/m2，公共建筑用电指标范围是40～150 W/m2，工业用地用电指标范围是40～120 W/m2［1］。

随着科技的发展和国民经济水平的持续提高，电脑、空调、烤箱等家用电器得到了广泛应用；商业、办公、医疗、市政等楼宇建筑已基本全部采用中央空调集中供冷的模式；晶体管制造、数据中心等新兴产业应运而生［2］。伴随而来的是各类用户的负荷特性都在不断发生变化。因此，亟需充分利用各城市电力信息系统中的相关数据，建立与各城市科技、经济水平相一致的负荷密度指标及同时率体系，用于指导后续各层面电网规划中的负荷预测工作［3］。

提出基于大数据的负荷指标及同时率测算方法，并配套开发负荷数据分析系统。基于该系统，自动提取北京市电力信息系统相关数据，对北京市负荷指标及同时率进行初步测算，并形成了饱和负荷预测指标推荐表。

1　测算方法

1.1数据接入模式

通过构建负荷数据分析系统，可采集电网业务层数据进行负荷指标测算。系统采用Web Service接口方式从电力数据中心获取营销系统的用户台账数据以及用户信息采集系统的表计负荷数据，WebService协议需要对接Weblogic WebService和JMS数据接口，进入Ubase通用WebService数据整合框架，采用A到A的模式将营销数据写入Ubase PMS数据表，自动转到营销增量数据计算引擎，与配网规划数据中心进行增量计算及数据增量计算和审计标识。

营销系统数据接入。用户台账数据主要采集用户数据、表计数据、计量点数据、台区数据、变压器数据，按照台账数据，自动形成负荷模型中表计→用户→变压器（配电箱进线）的逻辑关系，系统自动计算负荷数据，作为规划负荷预测的基础数据，主要属性有用户用地性质、建筑面积、用地面积、坐标等。营销系统数据流转方式如图1所示。

图1　营销系统数据流转逻辑

用电信息采集系统数据接入。用采数据主要采集表计的三相电压、三相电流、有功功率、无功功率，数据时间粒度15 min，即负荷曲线中为每天96点，根据营销台账数据计算的表计用户变压器关系模型，系统自动依据表计数据计算用户和变压器的负荷曲线数据，作为规划负荷预测基础数据。用电信息采集系统数据流转方式如图2所示。

图2　用电信息采集系统数据流转逻辑

1.2样本选取原则

通过数据接口，数据分析系统可提取用户样本基本信息及用电信息，并自动进行样本筛选，形成典型用户样本库。饱和样本的筛选方法主要有两种。一是根据各样本逐年每月电量信息，考虑3月、6月、10月负荷相对稳定，受天气影响较小，若逐年3月、6月、10月电量值存在波动 （增长率在-5%～+5%之间），认为该样本已经基本趋于饱和；二是计算样本年均电量增长率，增长率在2%以下可近似认为该样本负荷趋于饱和［4］。其他样本属于不饱和样本。

1.3负荷密度指标测算方法

数据分析系统根据自动生成的饱和用户样本库，对用户负荷数据进行分析，并采用正态分布法、加权平均法等算法，形成多维度用电指标，生成各用户类型饱和年负荷密度曲线。

每个样本用电指标测算方法。从各样本中筛选出年单小时最大电量，近似认为该电量值代表了该样本的最大负荷情况。以最大负荷为分子，样本建筑面积为分母，计算得出该样本的用电指标。

每类用户类别用电指标测算方法。一是负荷趋于饱和的样本作为有效样本；二是将同种用户类别的有效样本进行对比分析，核实是否存在个别样本指标过高或过低的情况，如果存在，核实原始数据并分析原因，如果属于正常因素，则该样本参与该用户类别的用电指标测算，如果属于个例因素，该样本记为无效样本；三是在确定有效样本基础上计算分析各样本用户的负荷指标结果；四是将各有效样本用电指标求和取平均，考虑负荷自然增长的影响，将平均值上浮5%～10%作为基准值，并给出上浮比例原因分析，以基准值为中点，上下分别浮动5%形成该类用户类别的用电指标范围［5］。

各类用地性质用电指标测算方法。各类用地包含多种用户类别，将负荷特性较为接近的用户类别进行适度合并，对于各类用地性质形成1～2个推荐用电指标。以商业金融用地性质为例，该用地性质包含酒店、银行、数据中心、购物中心等多个用户类别，因酒店、购物中心、银行等用电指标较为接近，可适度合并，合并后商业金融类用地性质分两种用电指标，分别为金融业用地（C22）和商业服务业用地（C21、C23～C26）。

1.4同时率测算方法

数据分析系统依据各类用户饱和年负荷密度曲线，可综合考虑不同用户类型组合，不同建筑面积等情况，对户间同时率进行自动计算［6］。

式中：K为同时率；Pmax为系统饱和年最大负荷；Pimax为第i个用户饱和年最大负荷。

2　负荷指标测算

2.1用户样本

根据北京城市定位，北京市政府在产业结构上做出了相应的调整，从1990年开始，第一产业、第二产业发展相对放缓，比例相对下降，第三产业比例有所上升。北京市政府在城市用地规划方面将北京市城市用地主要分为居住、工业、农业、商业金融、行政办公、文化娱乐、医疗卫生、教育科研、中小学幼托、体育、市政设施、仓储、交通运输和其他用地14大类。在14类用地性质的基础上又细分为44种用户类别。

经过系统自动处理，共形成包括44类用户类别共计3200个有效样本。针对每个样本，选取数据质量较好的2008—2012年负荷数据进行测算。

历史电量数据。针对44类用户类别，分别选取多个已投产多年负荷趋于饱和的典型用户作为样本，依托用采系统获得各样本2008—2012年每小时的电量数据，以及各样本2006—2012年每月的电量值，以每小时电量数据作为单小时平均负荷。

样本基本信息。根据营销系统中的数据，整理得到各样本的基本信息，包括各用户的占地面积、建筑面积等。按照14类用地性质的44种用户分类原则，形成样本信息数据库。

2.2测算结果及校验

对于选取的样本，根据其基本信息及电量信息，应用加权平均法在负荷数据分析系统中对每类用户类别进行负荷指标测算。以工业用地为例，该类用地可细分为电子设备制造、汽车制造厂、食品加工厂、制药厂、纺织厂及其他工业用户。

1）电子设备制造用户。该用户类别单位建筑面积负荷加权平均为141.7 W/m2，最大负荷发生集中发生在第三季度。针对该类用户选取6个样本，于2013年7月17日—19日进行负荷实测，实测单位建筑面积负荷加权平均为158.5 W/m2。

2）汽车制造厂用户。该用户类别单位建筑面积负荷加权平均为78.7 W/m2，最大负荷发生集中发生在第三季度。针对该类用户选取4个样本，于2013 年7月16日—19日进行负荷实测，实测单位建筑面积负荷加权平均为78.2 W/m2。

3）食品加工厂用户。该用户类别单位建筑面积负荷加权平均为41.8 W/m2，最大负荷发生集中发生在第三季度。针对该类用户选取6个样本，于2013 年7月16日—19日进行负荷实测，实测单位建筑面积负荷加权平均为48 W/m2。

4）制药厂用户。该用户类别单位建筑面积负荷加权平均为77.7 W/m2，最大负荷发生集中发生在第三季度。针对该类用户选取6个样本，于2013年7 月15日—19日进行负荷实测，实测单位建筑面积负荷加权平均为63.8 W/m2。

5）纺织厂用户。该用户类别单位建筑面积负荷加权平均为24.4 W/m2，最大负荷发生集中发生在第三季度。针对该类用户选取2个样本，于2013年7 月19日—21日进行负荷实测，实测单位建筑面积负荷加权平均为27.5 W/m2。

6）其他工业用户。该用户类别单位建筑面积负荷加权平均为57.7 W/m2，最大负荷发生集中发生在第三季度。针对该类用户选取2个样本，于2013年7月19日—21日进行负荷实测，实测单位建筑面积负荷加权平均为47.5 W/m2。

根据城市规划设计相关规范，工业用地细分为一类工业用地（M1）、二类工业用地（M2）等。其中电子设备制造和汽车制造属于一类工业用地，通过对该2种用户类别单位建筑面积负荷加权平均，同时结合实测数据校核，测算一类工业负荷指标为100 W/m2。其中食品加工厂、制药厂、纺织厂和其他属于二类工业用地，通过对该4种用户类别单位建筑面积负荷加权平均，同时结合实测数据校核，测算二类工业负荷指标为40 W/m2。

《城市电力规划规范》中工业用地用电指标为40～120W/m2。因此，新测算的一类工业用地100W/m2负荷指标，二类工业用地40W/m2负荷指标是合理的。

经过测算，形成包括14类用地性质和44种用户类别的饱和负荷预测指标推荐表，如表1所示。

表1　饱和负荷预测指标推荐表

3　同时率测算

从饱和用户样本库中提取3类用地性质，包括C21商业用地 （商业金融用地）、C23贸易咨询用地（商业金融用地）以及M1一类工业用地（工业用地），共计115个用户样本用于同时率指标初步测算。

应用负荷数据分析系统，可对各用户负荷信息进行分析，形成3类用地的饱和年负荷密度曲线，如图3～5所示。假设3类用地的建筑面积相同，可计算出不同用地性质组合方式下的同时率，详见表2。该测算结果的准确性需通过进一步的研究分析进行校验。

图3　饱和年C21商业用地负荷密度曲线

图4　饱和年C23贸易咨询用地负荷密度曲线

图5　饱和年M1工业用地负荷密度曲线

表2　不同用地性质组合方式下的同时率测算结果

4　研究拓展

基于负荷数据分析系统，可在今后研究中，重点从以下方面实现应用拓展。

探究多维度负荷指标体系。根据历史负荷数据库，建立各种用户类型在不同天气、不同季节、不同建筑面积、不同发展阶段等情况下的日、年度负荷特性曲线。以此为依据，并可结合用户实际负荷情况，对各类用户进行短期、中期、长期负荷预测，以及各种用户组合方式下的同时率测算。

研究各用户类型负荷发展系数。根据各用户类型历史负荷数据，可分析出其负荷变化趋势近似S型曲线。负荷增长特性与其发展阶段密切相关，一般可分为慢速增长期、快速增长期和缓慢增长饱和期3个阶段。可对各类用户负荷发展系数进行研究测算，用于指导各用户类型逐年负荷预测。

深化同时率研究。研究不同建筑面积对同一用户类型负荷曲线的影响，形成建筑面积变化对各类用户负荷曲线的修正系数集；基于发展系数研究，分析负荷不同发展阶段对同时率的影响。

5　结语

提出了基于大数据的负荷指标及负荷同时率测算方法，并应用配套开发的负荷数据分析系统，对北京市负荷指标及同时率进行了初步测算，并形成了包括14类用地性质、44种用户类别饱和负荷预测指标推荐表。

推荐的用电指标能够体现北京地区经济发展水平，为电网规划中的负荷预测工作提供了更科学合理的依据。

［1］GB/T 50293-2014城市电力规划规范［S］.

［2］张振，王锋陈，敏曦.基于BP网络的电力负荷预测改进研究［J］.中国电业（技术版），2015（10）：12-15.

［3］蒋琪，李文辉，蒋勃.城市电网协同负荷预测及协同规划研究与实现［J］.中外企业家，2015（35）：85-87.

［4］康重庆，赵燃，陈新宇，等.多级负荷预测的基础问题分析［J］.电力系统保护与控制，2009，37（9）：1-7.

［5］孙旭，任震.空间负荷预测在城市电网规划中的应用［J］.继电器，2005，33（14）：79-81.

［6］何善瑾.上海电力系统最大负荷同时率分析［J］.供用电，2008，25 （1）：13-15.

孙昕（1984），工程师，博士，从事电网规划、设计及管理等工作；

吕阳（1987），工程师，硕士，从事配电网规划、设计等工作；

张欣（1990），工程师，硕士，从事配电网规划、设计等工作；

陈晨（1988），工程师，硕士，从事配电网规划、设计等工作；

李雪男（1983），高级工程师，硕士，从事电网规划、设计及管理等工作。

The Big Data Based Load Index and Simultaneity Factor Estimation Method

SUN Xin，LV Yang，ZHANG Xin，CHEN Chen，LI Xuenan
（State Grid Beijing Economic Research Institute，Beijing 100055，China）

With the development of technology and the improvement of national economy，load characteristics of various customers are changing constantly.Therefore，building a load index and simultaneity factor estimation system which is consistent with the urban load demand level is significant.The big data based load index and simultaneity factor estimation method is put forward.Using the load data analysis system，which is developed based on the method，load indexes and simultaneity factors of Beijing are preliminarily calculated，and saturated load indexes recommendation form is established.

load indexs；simultaneity factor；load data analysis system；sample selection；load density curve

TM714

A

1007-9904（2016）01-0037-04

2015-11-25