考虑复杂影响因素的上海市负荷预测研究

2019-06-27 10:36陈立严正徐潇源
科技创新与应用 2019年20期
关键词:负荷预测BP神经网络聚类分析

陈立 严正 徐潇源

摘 要:电力负荷预测是电力系统规划的基础性工作之一,是实现自动发电控制和经济调度控制的前提。针对电力系统复杂、众多的影响因素,文章基于城市用电构成与城市用地划分,提出了一种综合考虑了经济、工业、城市化、城市居民生活等影响因素的负荷预测指标体系,并采用聚类分析法和BP神经网络进行负荷预测,为快速准确估算上海市各区域负荷增长提供了有效途径,为上海电力系统规划提供了可靠支撑。

关键词:负荷预测;影响因素;BP神经网络;聚类分析

中图分类号:TM715 文献标志码:A 文章编号:2095-2945(2019)20-0046-04

Abstract: Power load forecasting is one of the basic tasks of power system planning, and it is the premise of automatic generation control and economic dispatching control. In view of the complexity and many influencing factors of power system, based on the composition of urban power consumption and the division of urban land, this paper puts forward a load forecasting index system which comprehensively considers the influencing factors such as economy, industry, urbanization, urban residents' life and so on. The cluster analysis method and BP neural network are used for load forecasting, which provides an effective way to quickly and accurately estimate the regional load growth in Shanghai, and provides a reliable support for the power system planning in Shanghai.

Keywords: load forecasting; influencing factors; BP neural network; cluster analysis

引言

電力负荷预测是电力系统规划的基础性工作之一,是实现自动发电控制和经济调度控制的前提[1]。电力系统是一个规模庞大、层次复杂的大系统,其影响因素较多。而统计数据可用于评价某一区域的自然经济、社会、产业、人民生活等方面的发展水平,是定量统计分析的基础型数据(如统计年鉴)。其中,官方发布的统计年鉴包含的大量指标(如一般公共预算收入、工业产值、建筑面积等)对电力系统的发展有着一定的影响。由于统计年鉴中蕴含的数据极其丰富、涉及的行业领域广泛,如果对这些指标进行逐一分析,将导致耗时严重,因此有必要从这些指标中辨识出对电力系统负荷影响最显著的关键性指标[2]。从电力系统的需求角度,根据掌握的数据进行有效的特征选取,辨识出其中影响最显著的几个主导因素,已经成为重要的研究课题。

因此,针对电力系统复杂、众多的影响因素,本文基于城市用电构成与城市用地划分,提出了一种综合考虑了经济、工业、城市化、城市居民生活等影响因素的负荷预测指标体系,并用以进行负荷预测,为快速准确估算上海市各区域负荷增长提供了有效途径,为上海电力系统规划提供了可靠支撑。

1 电力负荷的影响因素分析

为了深入研究电力负荷的变化规律和发展趋势,进一步认识电力负荷特性,需要对电力负荷特性的主要影响因素进行分析和讨论。近年来,国内有许多学者基于电力负荷的影响因素展开了较深入的研究。

何晓萍等首次将城市化引入中国电力需求研究,基于中国快速的城市化进程,选择国民生产总值(GDP)、城市化水平、工业化水平、电力使用效率、电价水平等作为影响指标,运用面板数据非线性模型和协整模型进行电力需求预测,结果表明城市化、工业化对中国电力需求有着非常显著的正影响[3]。宋雅慧基于上海市电力负荷1999-2013

年的历史数据分析得出,上海市电力需求与GDP、工业化、城市化、产业结构、节能减排等多个影响因素有长期的稳定均衡关系,从而得出具有一定预测精度的长期负荷预测模型[4]。李亦言等从城市化的角度,系统地提取了城市化过程对电力负荷的主要构成因素3类(人口、经济、地域)16个,运用层次分析法和模糊聚类量化这些指标对电力负荷的影响,并应用于城市饱和负荷预测,从而实现对饱和时间和饱和容量的预测[5]。刘思从当地经济社会发展水平、产业结构、气温气候三个角度出发,选取了14项指标,构建了一种考虑地域差异的负荷预测指标体系,并应用于日负荷曲线、负荷密度的预测中[6]。

随着上海经济进入转型期的新常态,人口增长趋于稳定,第三产业占比不断增加,先进制造业、新兴产业的层级逐步提升,对上海的用电负荷趋势产生了一定的影响。程倩在分析上海经济结构转型、经济运行状况、人口导入和气温因素等对电力需求的因果关系和数量关系的基础上,建立了最高气温下最大电力负荷的预测方法[7]。沈勇等从经济与社会、气象两个方面选取了人均可支配收入、电价与消费品之比、人均建筑面积、空调数、总户数、年平均气温、最高月平均气温、最低月平均气温等8个指标因素,结合对2000-2010年上海地区的居民用电规律进行了分析,建立了上海居民用电的预测模型,分析得知经济因素和社会因素都是影响居民用电的主要因素,而气温因素影响较小[8]。黄晨宏基于1991-2010上海市地区

GDP和用电的历史数据,研究经济发展模式、产业结构调整、季节性气温三个方面的因素与上海电力需求之间的关系,得出结论:经济发展是促进上海电力消费增长的主力;产业结构调整决定了上海电力需求的结构变化;季节性气温对上海尖峰负荷的大小产生直接的影响[9]。

基于以上分析,得出电力负荷的影响因素包括经济发展水平、工业化水平、城市化水平、居民生活、气象、宏观政策影响等方面,如表1所示。

2 上海负荷预测指标体系构建

城市电网用电量与人们的生活生产规律息息相关,可以通过城市电网用电量预测历史数据得到城市电网用电量的发展规律,并由此可进行其未来发展趋势和状况的预计或判断。本文对2007-2017年上海市各类用电负荷进行了统计,见表2和图1。

由表2可见:

(1)上海市各类用电负荷中,第一产业(农、林、牧、渔业)的占比非常小,平均占比为0.49%,每年均不到1%,所以负荷预测时可以忽略第一产业的影响。

(2)上海市各类用电负荷中,工业的占比最高,从2007年的65.82%到2017年的52.27%,每年均超过50%,但所占比重随时间呈逐渐下降的趋势。因此,负荷预测时将着重考虑第二产业(特别是工业)的影响。

(3)综合平均占比排名第二的是城市居民生活,从2007年的12.22%到2017年的14.99%,平均占比为13.56%,均超过了10%,且所占比重随时间呈缓慢上升的趋势。

(4)综合平均占比排名第三的是金融、房地产、商务及居民服务业(主要为第三产业),从2007年的6.72%到2017年的14.13%,平均占比为11.07%,超过了10%,且所占比重随时间呈快速上升的趋势,这与上海大力推进产业转型和国际金融中心的建设相关。

综上所述,上海的第二产业和第三产业对负荷水平影响较大,工业,城市居民生活,金融、房地产、商务及居民服务业,公共事业及管理组织,商业、住宿业和餐饮业这五类占上海总负荷的96.77%,在负荷预测中应着重考虑这五类的影响。

本文结合对2007-2017年上海市用电构成的分析和《城市用地分类与规划建设用地标准》(GB 50137-2011),选取了上海市2004-2014年各区县土地面积、常住人口等19个指标作为本文负荷预测的指标因素,见表3。

3 建模与算例验证

本文以上海市为例,根据上海市2004-2014年各区域的负荷数据以及19个指标因素数据,采用聚类分析与BP神经网络对2015-2017年各区域的负荷进行预测。

首先,对影响上海市区域负荷19类因子进行聚类分析,结果如图2所示。

由图2所示,第一类主要为上海市的偏远郊区,该区域的城市化水平相对较低,经济相对欠发达;第二类为上海的市北区域,该区域包括传统的宝钢、新型的市北产业园区,工业化水平较高;第三类为上海的传统老城区,该区域的经济非常发达,且工业较少,都已转移至外环外甚至外省市;第四类为上海的浦东新区,该区域受浦东开发开放和上海自贸区的影响,人口、经济、工业等快速增长,负荷占上海市所有区域的最大比重,且呈快速增长趋势。

将2004~2014年上海市10大区域的负荷数据分为5类,然后建模并预测2015-2017年各区域的负荷数据。基于各类区域的特点,采用BP神经网络方法预测第一、二类负荷,采用多元回归分析方法预测第三、四类负荷,如表4和图3所示。

由表4和图3可知:

(1)部分区域负荷2010年后一直保持较稳定的态势,如市区2、市北3、嘉定6、崇明10。

(2)部分区域负荷2004-2014年值保持较快的增长速度,预测的2015-2017年依然保持较快的增长速度,如浦东1、松江5,与上海自贸区进一步的开发开放、松江新城规划建设的推进落地有较大关系。

(3)部分区域负荷2013年后大幅度下降,如青浦7、金山8、奉贤9,与这些区域的产业结构转型(由第二产业向第三产业转型),工业从业人员大幅流失相关。

本文为验证所用方法的正确性,用多元回归分析方法和BP神经网络对四类数据进行了负荷预测,并进行了对比,见表5。

由表5可知,本文提出的预测方法比传统的仅采用多元回归分析方法和仅采用BP神经网络方法的精度要高,尤其是在面对含有多个区域的负荷进行预测时(第1类、第2类),优势更为显著。而且本文方法经过降维、降噪处理,预测速度也要比采用19个指标的BP神经方法要快。

4 结论

本文通过分析和总结国内外学者研究电力负荷影响因素的成果,得出电力负荷预测指标体系;结合2007-2017年上海市用电构成分析和《城市用地分类与规划建设用地标准》,选取了上海市2004-2014年的一般公共预算收入、工业从业人员、居住房屋建筑面积等19个指标作为本文负荷预测的指标因素。

本文综合考虑了影响电力负荷的多种复杂因素,提出了一种基于聚类分析与BP神经网络的负荷预测的方法。以上海电网为例,对调研获取的空间负荷按照城市的用地类型进行划分,结合实际对上海10个区域的多类空间负荷的分布规律进行分析。算例表明本文提出方法比传统的多元回归、神经网络方法的精度更高,且预测速度较快,能够用于上海市电力系统的负荷预测,从而为上海的电力系统规划提供支撑。

参考文献:

[1]康重庆,夏清,刘梅.电力系统负荷预测.第2版[M].北京:中国电力出版社,2017.

[2]黄湘君.基于主成分分析的BP神经网络在电力系统负荷预测中的应用[J].电力与能源,2008(16):313-314.

[3]何晓萍,刘希颖.中国城市化进程中的电力需求预测[J].经济研究,2009(1):118-130.

[4]宋雅慧.上海电力需求分析——基于1990-2013年数据[D].上海:上海师范大学,2015.

[5]李亦言,等.复杂城市化因素下的饱和负荷预测模型[J].电网技术,2016(09):2824-2831.

[6]刘思.配电网空间负荷聚类及预测方法研究[D].杭州:浙江大学,2017.

[7]程倩.上海城市化特性影響因素下最大电力负荷预测的研究[A].以供给侧结构性改革引领能源转型与创新——第十三届长三角能源论坛论文集[C].杭州,2016:6.

[8]沈勇,等.上海地区居民用电的影响因素和需求预测模型[J].华东电力,2012,40(10):1763-1766.

[9]黄晨宏.影响上海电力需求的主要因素及电力需求预测[J].电力需求侧管理,2011,13(03):72-76.

猜你喜欢
负荷预测BP神经网络聚类分析
基于高阶BP神经网络的日最大负荷预测
电力系统短期负荷研究综述
电力系统负荷的一元线性模型预测方法
农村居民家庭人均生活消费支出分析
复杂背景下的手势识别方法
BP神经网络在软件质量评价中的应用研究 
基于省会城市经济发展程度的实证分析
BP神经网络算法在数值预报产品释用中的应用
基于聚类分析的互联网广告投放研究
“县级供电企业生产经营统计一套”表辅助决策模式研究