基于水气用量的配电网线路负荷精准预测

（国网浙江海宁市供电有限公司，浙江 海宁 314400）

0 引言

目前，区域电网的整体负荷预测方法趋于成熟[1-3]，准确度已到达90%以上，但配电网线路的负荷预测工作开展较少。同时，负荷预测准确度受到多方面因素的影响，主要包括负荷的构成、负荷的时间变化规律、气象的变化、用电负荷及光伏出力的随机波动，这此因素导致配电网线路的负荷预测难度较大。尤其在局部乡镇区域，电网迎峰度夏、冬季大寒时，空调负荷急剧变化，造成线路过载、越限甚至主变压器过载，给电网的安全运行带来不可忽视的影响。

本文以供电台区为分析单元，提取用户的负荷数据，并关联提取用水量、用气量数据，利用大数据挖掘方法，深化数据应用，分析人口迁移变化情况，采集人们生产、生活的活动量特征，形成配电网线路负荷预测的理论和方法，建立负荷预测模型。

1 负荷类型分析

配电网线路主要为公用线路，挂接公变和专变，专变主要供一般工商业用户，公变主要供居民用户和低压非居用户[4]。本文根据不同的供电对象，建立负荷分类表（见表1）。

表1 负荷分类

分析这3 类用户的负荷数据，绘制典型年负荷曲线。低压非居用户和一般工商业用户的年负荷曲线规律性较强，较容易预测。但居民用户年负荷曲线的变化幅度却相当大，如图1 所示。

图1 某10 kV 配电网线路居民年负荷曲线

分析图1 中2016—2018 年的居民年负荷曲线，可见每年4—6 月和10 月、11 月的负荷相对较小，而在夏季7—9 月和冬季12 月、次年1 月的负荷相对很大，显而易见是受空调负荷的影响。基于历史同期对比可以发现，这3 年中4—6月和10 月、11 月的负荷相差不大，但7—9 月和12 月、次年1 月空调负荷明显逐年增加。这主要是受人口迁入、迁出因素影响，空调负荷急剧变化，而且这种变化难以通过传统的预测方法准确评估。

2 数据及预处理

通过水务公司、燃气公司的历史数据库查询用户的用水量、用气量数据，所提取的字段信息包括日期、户号、户主、性质、地址、用水量、用气量，形成《用户用水用气量采集信息表》（如表2 所示）。

表2 用户用水用气量采集信息

通过用电信息采集系统查询用户的负荷数据，所提取的字段信息包括日期、台区、户号、户主、性质、地址、正向有功、反向有功，数据经过筛选清洗后，以用电台账中的地址、日期等信息，合并表2，形成《负荷预测分析数据中间表》（见表3），作为预测模型建立的数据基础。

表3 负荷预测分析数据中间表

3 空调负荷相关性分析

将隶属于同一条线路下的居民负荷、用水量和用气量相加，统计多条配电网线路2016—2018年的居民用水量、用气量和负荷数据，研究用水量、用气量与空调负荷的关系，实现线路负荷的精准预测[5-6]。图2、图3 分别为某10 kV 配电网线路居民用水量、用气量年曲线。

图2 某10 kV 配电网线路居民用水量年曲线

图3 某10 kV 配电网线路居民用气量年曲线

由图2、图3 可以看出，年用水量和用气量具有一定的周期性且曲线较为平稳。通过历史同期对比可以看出人口活动量逐年增加，尤其在2018 年4—6 月用气、用水量急剧增加，说明人口大幅迁入。而同时期居民的用电负荷只是略微上升，极易导致天气炎热时（7—9 月）的空调负荷预测偏小。

本文通过居民用水量和用气量的变化，预测空调负荷，提升配电网线路负荷预测的准确度[7-9]。利用4—6 月用水和用气的同期变化量分析活动的人口量，进而预测7—9 月的空调负荷；利用10月、11 月用水和用气同期变化量，预测12 月、次年1 月的空调负荷。

某线路上的居民夏季空调负荷预测模型为：

某线路上的居民冬季空调负荷预测模型为：

4 线路负荷预测模型建立

基于ARMA（自回归滑动平均）时间序列分析法[10-11]对该线路的居民用户、低压非居用户及一般工商业用户进行分类年负荷曲线预测，该方法适用于描述电力负荷变化过程的规律性，基本模型为：

式中：L（t）为预测负荷；B1（t）为正常负荷分量；B2（t）为随机负荷分量。

结合空调负荷，修正得到的居民负荷预测模型如下：

式中：Lg（t）为经修正后居民用户的预测负荷；Lg，arma（t）为通过ARMA 时间序列分析法预测的居民负荷；ΔL（t）为空调负荷预测变化量；此时t 为月份。

最后建立该线路的年负荷预测模型如下：

式中：Lann（t）为该线路的年负荷预测曲线；Lq（t）为低压非居用户年负荷预测曲线；Lw（t）为一般工商业用户年负荷预测曲线[12]。

5 线路负荷预测流程

步骤1：选定某配电网公用线路，判别该线路运行方式是否处于正常运行方式，若不是，则依据当前配电网运行方式，调整馈线所属台区[13]。

步骤2：统计馈线下的专变用户和公变用户，按用户的性质，统计居民用户、低压非居用户、一般工商业用户的负荷。

步骤3：针对居民用户，则依据《负荷预测分析数据中间表》中居民用户的地址或户主等信息，查找其用水量、用气量数据，统计该线路上的居民负荷、用水量和用气量信息。

步骤4：采用偏最小二乘法回归分析居民用水、用气变化和空调负荷变化的量化关系，修正居民负荷预测模型。

步骤5：基于修正后的居民负荷预测模型，结合低压非居用户、一般工商业用户的ARMA负荷预测模型，最终建立该线路的负荷预测模型。

步骤6：线路预测曲线与实际曲线相比较，将数据参数反馈至步骤4，修正负荷预测模型。

6 算例分析

以某地区配电网线路为例计算，统计2016—2018 年的居民负荷用水量、用气量和负荷数据，采用最小二乘法进行多元线性回归分析，计算4—6 月和10、11 月的用水变化量、用气变化量以及7—9月和12 月、次年1 月的空调负荷变化量，再将这些变量进行数据标准化处理，进行相关性分析[14-15]，求解相关性系数矩阵，分别提取自变量组和因变量组的成分，求取因变量组与自变量组之间的回归方程，最后将标准化变量还原成原始变量可得回归方程。

夏季空调负荷变化量预测方程为：

冬季空调负荷变化量预测方程：

式（6）—（10）中：ΔLd，ΔLe分别为12 月、次年1月空调负荷预测变化量空调负荷变化量；ΔWa，ΔWb，ΔWc，ΔWd，ΔWe分别为4 月、5 月、6 月、10 月、11 月用水变化量；ΔGa，ΔGb，ΔGc，ΔGd，ΔGe分别为4 月、5 月、6 月、10 月、11 月用气变化量。

通过求解空调负荷变化量预测方程，对居民空调负荷进行修正，结合ARMA 时间序列分析法，组合预测配电网线路的居民年负荷曲线如图4 所示。

图4 某线路居民用户年负荷预测曲线

由图4 可见，对于居民用户而言，根据用水、用气变化量修正空调负荷后，相对于常规预测方法，在7—9 月和12 月、次年1 月的预测准确度得到了很大提高。

综合一般工商业、低压非居负荷，最终统计可得配电网线路的年负荷预测误差由15.85%降至7.07%，极大地提高了配电网线路的负荷预测准确度，对于电网安全运行具有重要的意义。

7 结语

本文建立了基于水气用量的配电网线路负荷的精准预测模型，提高了配电网线路层面的负荷预测准确性。尤其针对人口流动较大的区域，在电网迎峰度夏和度冬时，该模型可准确预测空调负荷的急剧变化，提前识别电网中存在重载及超载运行风险的线路，预先采取调整运行方式、分流、改接等措施，保证线路不过载、越限运行，提升电网运行安全性。