基于电力负荷预测的高压配电网变电站规划研究

罗恩博， 苏适， 张旭东， 李耀华， 陆海

(1.云南电网有限责任公司电力科学研究院，云南 昆明 650217；2云南电网有限责任公司大理供电局，云南 大理 671000)

0 引 言

现有技术中高压配电网络的结构复杂，在电力系统中起到分配电能的重要作用。配电网络的结构庞大，通常采用开环运行方式避免由于故障引起电网大面积瘫痪。近年来电网智能化水平逐渐提高，其安全性能也有了一定程度的保障[1]。

在电网规划中主要考虑的指标是容载比，它是满足电力电量平衡条件的基本指标。若容载比的水平过高，则会使电力系统的可靠性增高，但投资过大，经济性差；而容载比的水平过低时，虽然成本有所降低，但电网系统的可靠性得不到保障。相关学者对此进行了相关研究。任泓宇等[2]以工程应用为目标，结合相关规划导则，提出了基于供电分区优化的高压配电网目标网架规划优化模型和方法。考虑到高压联络线路费用的最小化，在全局范围内进行供电分区的优化划分，实现配电网分区规模的由大变小和相应规划方法的由繁变简，但是成本较高。韩华春等[3]以中压配电网为控制对象，提出了基于模型预测控制(MPC)的主动配电网多级电压控制方法，计及中低压配电网间的不确定性交换功率及其相互影响，构建中低压关联模型，实现中压配电网对低压配电网的规划，但是该方法规划效果不理想。张漫等[4]考虑到高压配电网一般存在多个但个数有限的切负荷率的实际情况，提出了具有4N+2M个参数的高压配电网等值电源，指出了电力变电站规划的适用范围，能有效避免2参数等值电源可能导致的计算误差，但该方法规划成本较高。

1 高压配电网规划优化模型

1.1 电力负荷预测

配电网的规划要参考电力负荷的预测结果，根据预测结果决定发动机组的安装情况[5]以及装机容量等，但电力负荷具有不确定性。为此要在满足一定条件后开展预测工作，收集并整理电网历史用电数据[6]以及周边建设发展情况，在确定了社会发展程度与国民经济对电网用电量的影响程度后，掌握负荷变化规律，根据实际发展情况，综合得出最符合实际的预测结果[7-9]。负荷预测分为电力需求预测与电量需求预测两个方面，电力需求采用年最大负荷表示，电量需求采用年用电量表示。年发电量与年用电量之间的关系如式(1)所示。

Wi=Qi+αi+Ei

(1)

式中:Wi为年发电量；Qi为年用电量；αi为年网损电量；Ei为年厂用电量。

年用电量与年最大负荷利用小时数的关系如式(2)所示。

(2)

式中：Rmax为年最大负荷；Tmax为年最大负荷利用小时数。

将国民生产总值与电量需求的年度增长情况相结合，能够直观地体现出国民经济发展情况，电量的使用情况与我国经济产业结构有着密切联系，如式(3)所示。

(3)

式中：Y0为基准年国内生产总值；Yi为第i年末的国内生产总值;Q0为基准年用电量；Qi为第i年末的电需求量;kβ为电力弹性系数；βY为国内生产总值；βU为用电量的增长率。

BP神经网络是一种模拟人类大脑的结构和功能的算法，它由输入层、隐含层和输出层组成。BP神经网络主要通过两个过程进行工作，即负荷数据正向传播和误差反向传播。在负荷正向传播阶段，输入数据通过输入层输入，然后经过隐含层处理，最终达到输出层，输出结果。这时计算输出结果与期望输出的误差值，判断误差值是否小于设定的阈值:若小于，说明输出的结果为理想结果;若大于，则进入误差反向传播阶段。在误差反向传播阶段，经误差以某种形式向输入层传播，根据误差不断调整连接权值。经过反复训练，使得输出结果不断逼近期望结果。利用BP神经网络，确定样本集以及变量参数，将负荷数据归一化处理，从而避免神经元饱和的现象出现，建立适合的神经网络拓扑结构，通过对历史负荷数据的分析，确定神经网络的输入值与输出值。寻找历史负荷数据间的关联与规律时，若神经网络隐含层节点数量过少，则难以获取有效信息；若隐含层节点数过多，则会导致训练时间增加，泛化能力大幅降低。为此选用不同的隐含层节点数网格，得到最佳训练样本个数，需确定合适的节点数值，即可应用BP神经网络，采集电力负荷数据节点数，如式(4)所示。

(4)

式中：h为神经网络采集的电力负荷数据节点数；x为神经网络输入层节点数；c为神经网络输出层节点数；∂为0～10之间的常数。

通过BP神经网络采集电力负荷数据节点数，以及电力弹性系数。电力负荷预测过程为：

(5)

由式(5)可知，电力弹性系数与电力负荷预测结果成正比，电力弹性越大，电力负荷预测结果越大。分析国民经济发展与电力工业之间的关系可知，由重工业化时期开始，电力弹性系数通常大于1，而进入高加工度时期后，受经济结构调整与产业结构升级的影响，单位国民生产总值电耗水平逐步降低[10]。用电量的增长速度明显低于国民生产总值的增长速度，电力弹性系数逐渐减小，在步入工业化后期以后，其数值通常小于1。我国历年的电力弹性系数如表1所示。

表1列出了我国25年的用电情况。通过表1可以看出，用电量和国民生产总值增长速度越来越快。

表1 历年电力弹性系数表

按照负荷预测周期的差异，将其划分为长期负荷预测、中期负荷预测、短期负荷预测以及超短期负荷预测。在政府部门实际给出的国民生产总值增长率预测通常是多年平均数值，多用于长期及中期的负荷预测。而短期内的负荷预测则需要分析近年来的历史数据，获得多个历史时段内的平均增长率。将历史增长情况与未来的社会经济发展趋势相结合，假设历史时段I的末年用电量为QI，则有：

QI=I(1+βI)O

(6)

式中：QI为历史时段I的基准年用电量；βI为历史时段I的平均增长率；O为用电量增长速度。

经过上述计算则可以得到平均增长率，根据其具体数值得出预测结果如式(7)所示。

(7)

式中：Qi为第i年末的电需求量;h′为第i年末采用的神经网络采集的电力负荷数据节点数;β为第i年末的平均增长率。

该预测方法在中长期的负荷预测中存在一定误差，但能够将误差值控制在一定的范围内。

1.2 变电站平衡规划

小城市高压电网规划过程中，可以仅考虑电力平衡；而在较大城市或地方电厂出力占总负荷比例过高的城市，则需要同时考虑电力平衡与电量平衡问题。在此基础上，构建高压配电网规划优化模型。

根据新增主变的数量，经过适当的调整，即可构建：

(8)

(9)

在调整过程中需要注意额定容量，并确定该地区标准变电站的主变压器数量，如图1所示。

图1 标准变电站变压器数量统计

若想达到真正的电力平衡，则要消除变电站所带来的偏差。使全区电力平衡与分区电力平衡满足适应平衡准则后，进一步实现高压配电网的规划优化。

2 仿真试验

为了验证所提出的高压配电网规划优化方法，以某开发区 110 kV 变电站选址规划为例，全区占地面积约为45 m2，规划基础年为2013年，目标实现时间为2020年。

为验证四种方法之间的差异性，利用某地区2014年—2016年的负荷总量历史数据，预测之后2017年—2019年的电力负荷情况。准确的负荷预测能够使电网规划更加经济合理，在降低发电成本的同时，提高电网运行的稳定性与安全性。

将传统方法与利用神经网络实现优化后的负荷预测结果相比较，得到试验结果。将上述四种方法的试验结果加以整合，得到如表2所示的对照结果。

表2 预测结果对比 kW

由表2可知，在四种方法的电力负荷预测结果中，本文所提出的优化方法是各预测方法中精度最高的。移动平滑法具有较强的滞后性，导致预测结果过于保守。指数平滑法虽然合理考虑了不同历史数据对于预测结果的贡献程度，但仍有部分不足，难以为实际应用提供有效参考。灰色系统预测法受数据类型的影响较大，其预测结果并不稳定。而本文所提出的优化方法拟合效果较好，与其他方法相比，对电力负荷预测的精度最高，能够较好地预测出未来负荷变化，为电网规划提供实质性帮助。

在小区负荷预测完成的基础上，设计仿真对照试验，将优化后的规划方法与原有规划方法相对比，分析其两者之间的差异性，完成仿真试验。高压配电网规划方案如图2所示。

图2 高压配电网规划方案

如图2所示，规划区变电站候选站址的确定由规划人员根据负荷发展情况、地理环境情况以及规划工作经验等因素确定，并给出了该城市规划区内的候选站址。图2中，候选站址用大圆点表示；小圆点为电力负荷预测量，其中原始方案为6个变电站，改进方案为8个变电站。对比原有方案，改进后方案对于电量负荷密集区域，增设变电站，增加方案的合理性。

在此基础上，对高压配电网供电区域进行划分，划分结果如图3所示。

图3 高压配电网供电区域划分对比图

如图3所示，综合电力负荷预测结果，改进方案将BP神经网络技术应用到电力负荷预测过程后，训练样本数据，增强其泛化能力，由此提高了高压配电网供电区域合理性。

在此基础上，以电网规划获得的效益为测试指标，进行对比分析，验证使用BP神经网络方法后供电区域划分的合理性。不同方法效益对比如图4所示。

图4 不同方法效益对比图

由图4可知，本文所提方法对电网进行规划所获得效益更高，具有较为明显的优势。充分证明，所提方法引用BP神经网络后对供电区域划分具有较高合理性，大幅度节省了电力成本。

3 结束语

本文从电力负荷预测与电力电量平衡两方面入手，有层次地规划了高压配电网的建设方案。为了测试上述研究在实际应用时的具体效果，针对电网负荷预测问题设计了对照试验。试验表明本文所提出的规划方法明显优于常规方法。但由于研究过程时间较短，仍有部分不足，需要在后续研究中加以完善。