大用户负荷预测管理系统

蔡剑彪，罗滇生，周小宝，钱松林，周 洁，许甜田

（湖南大学 电气与信息工程学院，长沙 410082）

智能电网的建设对目前骨架薄弱的电网是一种冲击和考验。智能电网下具有间歇性的分布式负荷将成为新的典型负荷。而随着国家节能减排、可持续发展政策的实施，采用大容量、高参数设备已成为企业产业升级的主要途径。其中具有代表性的钢铁厂、水泥厂等电力负荷骤然上升，同时也带有强烈的随机性和波动性。但是在实际工程中，往往忽视了大用户对电网造成的严重影响。在地区负荷预测中往往只是以地区的历史负荷为数据基础进行直接预测，缺乏对大用户的单独预测，造成地区预测精度不稳定。

电网的安全、可靠、经济、高效运行是今后电网的发展方向。节能经济调度将会起到重要的作用，负荷预测是节能经济调度的基础。负荷预测的研究要体现在预测技术上，更要体现在负荷管理上。负荷预测管理中心的建立，各类典型用户的负荷分析，基于负荷分析[1][2]的负荷预测技术将推动负荷预测的发展。同时加强地区典型用户负荷预测研究，对提高地区负荷预测准确率具有重要意义。

本文主要基于实际需求，对研发的典型大用户负荷预测管理系统的研究技术、精细化预测流程、系统框架、系统创新特色等进行介绍。

1 系统设计

地区典型大用户负荷分析管理系统（以下简称“系统”）是以地区大用户为主要对象的一体化系统，它以电力市场需求分析与预测理论为核心，是基于计算机、网络通信、信息处理技术及安全管理模式的综合信息系统。利用计算机网络，可高效真实地自动采集电力系统运行信息；利用辅助决策工具进行大用户负荷分析，得到预测结论，为地区负荷预测提供依据。

系统软件技术上采用成熟的Java 2 Enterprise Edition（J2EE）[3]技术，多层体系Browser/Server（B/S）结构，先进的、最流行的Oracle10g数据库。在预测技术上考虑多种因素对大用户、行业负荷的影响，建立综合的模型算法库，采用精细化预测流程。如图1建立“分析、预测、管理”一体化架构。

图1 系统设计架构

1.1 设计平台

系统主要是基于MyEclipse平台的J2EE构架研发的，利用Java语言和XML的程序设计思想实现软件编程。Java语言具有很好的适应性，能够独立运行在各种服务器上，是各种计算机语言中跨平台性能最强的一种，且类封装性好，代码维护方便，在系统的可移植性和可维护性上都比较好。

系统采用“jsp+servlet+dao”的开发模式，具有灵活性和简便性的特点，能够保证系统的稳定运行。

1.2 数据库

Oracle10g是目前最流行的数据库之一，功能强大，性能卓越。Oracle10g可以处理海量数据，并且处理速度比其他数据库快；可以减少资源占有率，扩展了用户数目；在数据库的管理、安全性上有很大提高；提供了新的分布式数据库能力，可通过网络较方便地读写远端数据库里的数据。

1.3 B/S结构

与C/S（Client/Server，客户机/服务器）模式相比，B/S结构具有如下优点：目前大多服务器性能良好，拥有强大的数据处理能力，稳定性强，因此将业务处理放在服务器端是可行的。通过B/S模式实现业务逻辑、数据以及客户层的分离，系统层次分明。更重要的是，B/S模式只需要将开发出来的系统装在服务器端就可以了，直接采用网页访问的形式即可登录系统。

2 系统流程

2.1 系统工作流程

系统工作流程主要围绕“负荷分析、负荷预测、负荷管理”展开。如图2。

图2 系统工作流程

通过外部数据接口读取外部数据（来自数据库或者文本），系统后台通过精细化的异常数据处理负荷数据，并存入到本地数据库。通过内部数据接口访问数据库，分别进行负荷预测、负荷分析、负荷管理。由负荷预测得到的预测结果和负荷分析报告供用户使用。

2.2 系统预测流程

系统采用精细化的预测流程，如图3。在大用户预测过程中考虑日类型、气象要素、生产计划等影响因素构成的日特征向量，采用灰色关联度来选取相似日。系统的预测核心是基于强大的算法库的精细化流程，如图3。

而图4中某钢铁厂负荷曲线1主要与检修计划、大小光胚启动模式以及融铁水工作模式有关。0：00～6：00、8：30～12：00 处于大光胚启动模式；6：00～8：30处于小光胚启动模式；12：00～16：00是运行系统的检修时间；而16：00～23：45处于大小光胚和融铁水的混合模式。而与图4中曲线2比较，发现负荷曲线没有一定的规律性，通过大量的数据统计得到钢管厂负荷具有很强烈的随机性和波动性。大用户的负荷特性分析要采用每分钟采样数据进行分析，大用户的预测算法建议采用概率或者组合算法。

因此，系统不仅采用移动平均、线性回归等传统模型，也借鉴小波神经网络[4]、概率组合预测、支持向量机、小波改进灰色[5]等模型，参考了粒子滤波器[6]之类的智能算法。为了融合各类方法的优点，系统采用了如下优化组合方法

式中：F为组合预测算法，f1，f2，f3，…，fn为各预测算法，λ1，λ2，λ3，…，λn为组合系数，满足

图3 系统预测流程

图4 某钢管厂典型日曲线对比

根据以往一段时间内各个算法的平均准确率，分别对应为η1，η2，η3…ηn，我们称它们为预测可信度。则得到

系统考虑了地区负荷中除大用户外的剩余部分负荷（大多是农业负荷、商业负荷、居民负荷），这部分负荷与气象要素的相关性很大，有以下关系[7]

式中：Pi表示该时刻的剩余负荷；Di表示该时刻的人体舒适度指数；T表示日平均气温；U表示日平均相对湿度；V表示日平均风速；i表示时刻（i=1，2，3，…，24）。将各个大用户预测结果之和Pfore1，加上剩余部分的预测结果Pfore2，得到地区的预测计划Pfore1，这个结果与地区直接预测进行对比修正，得到地区最终的计划

3 系统功能模块

3.1 页面模块

页面模块结构如图5所示。

（1）我的工作中心。不同用户进入该模块都可以查看详细的负荷预测信息，并可以对部分消息进行修改，也可发布新消息，完成内部通信，方便负荷预测工作交流。

（2）数据报表中心。该模块下可以对地区以及大用户的日、周、月、年的负荷特性报表查看并导出到本地计算机；查看96点或24点的大用户或地区的实际或计划负荷；查看连续多日的大用户或地区的实际或计划曲线；查看查询日的负荷实际曲线、预测曲线、误差曲线的对比，计算各个点的相对误差；查看各类气象因子的实际数据和预测数据，随时把握气象的变化。

（3）负荷分析中心。该模块下可以对地区以及大用户的日、周、月、年的负荷特性指标（最大、最小、平均负荷、负荷率、峰谷差、用电量）进行统计分析；对居民、商业、农业、工业、非普工业等产业进行日分析；从商业负荷与居民负荷中提取空调负荷，计算空调负荷所占地区比重；对大用户或地区与相关因素（气象因子等）进行相关性分析。

（4）负荷预测中心。该模块是整个系统的核心，可以对地区以及大用户进行自动预测，可以对自动预测曲线进行逐点、分段人工修正，拟合相似日等操作，简化了工作量。根据实际需要考虑一些实时变化的因素，可以进行人工预测。

（5）负荷报告中心。该模块是系统的重要部分，可以对地区以及大用户绘制日、月、年负荷特性分析报告。报告包含文字、曲线、饼图、柱状图等分析，并以文本导出到本地计算机，大大减轻了预测人员的工作量，并且报告合理、有效。

（6）上报考核中心。该模块对地区以及大用户日计划进行考核，方便用户查看日计划的准确率。同时提供数据接口方便用户上报本地区日负荷计划，与省调下达的计划进行对比，加强了与省调的互动性。

（7）系统管理中心。对页面的模块进行管理；手动修正、导入外部数据；对外部数据的点码和变量进行管理；登陆、维护、错误等各类日志管理；大用户和用户字典管理；查看系统的运行状态等。

图5 系统页面结构框架

3.2 接口模块

接口模块包括内部数据接口和外部数据接口。内部数据接口是页面访问时对本地数据库的“增、删、改、查”。而外部数据接口如图6，是由外部数据库供给系统接口，进行自动运行，主要完成以下工作：数据信息采录，规避坏数据，自动预测，负荷分析，日计划考核，解析文本。每一部分都在指定的时间内完成，运行机制上互不冲突。页面上还可以对各个部分监视，手动执行各环节。

图6 系统外部数据接口（后台）

4 系统的特色

系统主要具有以下特色：

（1）分析、预测、管理有机结合。系统做到了以负荷分析为基础的负荷预测，将负荷分析与负荷预测进行有效管理。

（2）稳定的开发平台。系统采用先进的Java技术和强大的Oracle10g作为数据库，能很好克服以前负荷预测系统（vb.net的开发平台）带来的不稳定、速度慢、异常频繁的不足。

（3）精细化的预测流程。预测流程是基于强大的算法库，并且考虑多种因素对大用户的影响，充分利用实时气象要素在剩余部分负荷预测中，将初次预测结果经过精细化的修正机制得到最终结果。

（4）先进的数据预处理技术。对实时、实际数据进行合理性分析，采用多种异常数据处理，去伪存真，保证历史数据的可靠性。

（5）强大、方便的可视化、交互功能。系统在生成各类曲线、饼图、柱状图时，采用交互功能的HighCharts、Jqplot等插件，功能强大，视觉效果佳，同时能够进行图片导出，方便生成负荷报告。

（6）提高了地区负荷预测准确率。基于精细化的预测流程，考虑多因素影响，将大用户从地区负荷中分离出来的办法，考虑与气象要素的密切联系，着实提高了地区负荷预测精度。表1为某地区日负荷预测准确率对比。

（7）通用性、可靠性强。系统紧密结合地区以及大用户的实际需求，可以根据用户的个人经验，修改各种预测模型的参数，自主选择预测算法形成人工预测方案。

5 结束语

该系统以地区典型大用户为出发点，面向地区负荷预测，考虑多种因素的影响，采用精细化的预测流程。具有随机性的钢铁厂等大用户的单独预测、分离的剩余负荷与气象要素的紧密联系，有效地提高了地区预测精度。

表1 某地区负荷预测准确率

系统简便、高效、美观的操作页面，大大简化了地区负荷预测的数据处理、预测、上报、考核等相关流程。强大的负荷分析和相应的负荷特性报告，节省了用户的工作时间，提高了工作效率和工作人员的积极性。

今后对典型大用户的分析与预测研究不仅要集中在分析方法与预测技术上，也要体现在电力需求侧管理等措施上。

［1］程义明,罗滇生,蔡剑彪,等.湘潭地区负荷特性分析[J].电力需求侧管理,2011,13(6)：47-51.

［2］宋宏坤,唐国庆,卢毅,等.江苏省夏季空调负荷分析及需求侧管理措施的削峰效果测算[J].电网技术,2006,30(17)：88-91.

［3］李红,萤渊,曹永宁,等.基于J2EE的企业信息平台的设计与实现[J].计算机工程,2003,29(2)：204-206.

［4］史新祁.大型钢铁企业电力负荷短期预测的研究[D].上海：上海交通大学,2003.

［5］牛东晓,曹树华,卢建昌,等.电力负荷预测技术及其应用[M].第2版.北京：中国电力出版社,2009.

［6］黄任可,罗谌持,张明.基于粒子滤波器的大容量冲击负荷短期预测方法[J].电力系统自动化,2009,33(3)：40-44.

［7］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.