基于用户分类的配电网负荷预测方法

高嘉豪 全心雨 陈超旻 余少华

（国网浙江海宁市供电有限公司，浙江 嘉兴314400）

在电力系统实际运行中，负荷预测的准确性，能为科学合理管理电网奠定了基础，同时也对电力系统的优化组合、调度以及优化电力流与电力市场交易具有重要作用。在现阶段市场发展中，电力市场增加了大量的自用分布式发电以及移动充电电动汽车，其电力负载变化因素也具有不确定性。

1 负荷的分类和分区法

1.1 空间负荷的分区和分类

对于每个分区，需要根据负荷特性对具有不同特征的负荷进行分类和预测。根据分类，其大致分为四大类别：农业用户、居民用户、工业用户、商业用户。类别不同的用户其负荷的因素不同、变化规则方面有很大的差异。因此考虑到不同类别负荷之间不同类型，一般情况下，是用模型将分区内各负荷类型之间的关系综合起来，可以适当地调整和协调各种负荷类型的比例，去实现进行负荷预测目标。

1.2 负荷空间区域划分

进行电力空间负荷预测时，应考虑到区域划分中地理空间信息和电网信息，其主要有用地、道路、变电站、线路等情况，具体结构如图1 所示。

图1 电力数据GIS 信息划分

1.3 空间负荷预测方案

空间负荷预测在预测未来的负荷的同时，也适用于负荷增长预测信息。一般情况下，空间负荷预测建模分为四个方案。

（1）预测区域空间的数据信息调查。在预测的前期阶段，主要工作是对相关的空间数据信息的调研，调研农业用户、居民用户、工业用户、商业用户等用户的用电信息与电力规划情况。

（2）土地利用类型和用电特性分析。土地利用情况的不同及电力用户用电特性的不同，可以明确区域负荷分类及特性，同时分析该类型的负荷面积。

（3）计算区域中的分类负荷密度。对不同类型的负荷分类进行预测中，可以得到不同负载的负荷密度。

（4）计算分区的总负荷。对分类负荷预测数据进行分析，从数据中能了解可不同分区的负荷密度与电力使用情况，并计算了区域总负荷。在计算分析中，其关键步骤是（2）、（3）的预测分析。

2 配电信息负荷预测方法分析

2.1 影响区域内负荷因素分析

有很多不同的变化因素影响电力负荷。功率负荷是一种非平稳变化，它有时间段的随机性与规律性，在短期空间负荷预测中，本文将重点介绍工作日、法定节假日、天气等随机扰动的特点。图2 为空间负荷转移类型图。在节庆假日时间段，大部分企业和工厂是休息的，工业负荷也相应的减少了，因此负荷曲线相较于正常工作日有相当的不同。就天气而言重点是温度，因天气原因导致可再生分布式发电的用户更改其负荷量。空间负荷的转移表明负荷在一定时间内从一级负荷水平突然上升到另一级负荷水平，同时再维持一段时间。传输有两种类型：跨空间传输和非跨空间传输。

图2 空间负荷转移类型

2.2 电力规划负荷几种预测方法

2.2.1 组合预测法

目前情况下进行的电力负荷预测具有随机性和复杂性。不同的预测方法有不同的适用范围，一种预测方法由于不能满足不同的电气设备，不能准确预测，期需要用组合预测法进行，以保证预测的准确性。

2.2.2 回归分析法

在电力负荷预测工作中，使用回归分析法进行预测负荷，要根据历史数据建立相应的计算方法，并利用相应的计算模型对历史数据进行分析。其工作时，还可以利用统计算法对存储数据中存在的变量分析，用得到的数据来分析电力负荷预测的变化。

2.2.3 模糊预测法

模糊预测方法主要用于在区域经济发展、环境气候、地方政策等不确定因素的影响下，对电力负荷进行预测。模糊预测方法是通过以模糊数学理论为负荷预测基础，具有处理严重主观因素的数据的优点。模糊预测的主要方法包括模糊聚类、模糊相似优先级比和最大粘贴计划。

2.2.4 专家预测发

用大量负荷预测数据和相关知识的计算机系统从而构建专家负荷预测系统。一个完善的专家系统主要有以下四个独立的部分：相应丰富的知识库、完善的数据分析系统、管理系统和知识的存储与获取。专家预测发有负荷预测领域的大量经验知识和方法。它可以模拟专家对经验和知识进行分析，分析多种预测算法和模型，从而减轻相关人员的工作量，使人工操作带来的误差降低。

2.3 聚类的负荷类型分析

在进行电力短期负载预测中，一般数据来源于SCADA 与AMI 相关数据库。由于RTU 故障、通信信道或传输错误、数据库问题等原因可能会有错误的发生，错误的数据信息可以称为无用数据。

一般情况下，需用数据挖掘技术对脏数据进行识别和清理理论。此外，不同的电力用户的负荷模型稍有差异，其需依据自身情况进行建模，用平滑法对Ⅰ型负荷进行预测，如果负荷中含有n 个样本的数据集，则第n+1 个负荷量Pi，n+1 的预测公式为：

上式中：Pi,n-j 为第n-j 个负荷样本值；αj 为第n-j 个负荷样本的平滑系数，其为0～1 以内。在分析电力负荷周期性变化特征时，可用平滑系统反映相似日之前影响因素。则αj 取值为：

上式中：kT 系数是温度情况；kW 系数是天气情况；kD 系数是日期分类，且kT+kW+kD=1；Tn 为第n 天的温度情况；Wn 为第n 天的天气情况；Dn 为第n 天的日期分类等其他影响情况。一般情况下，天气条件和日期类型难以以数字方式表示。基于模糊理论的概念，对它们进行量化，并在表1 中显示值。

表1 负荷的平滑系数求取中影响因素的量化取值

2.4 分区负荷的预测模型

通过将区域各类负荷的负荷密度乘以载重类型的土地利用面积，并乘以同步率进行累积和修改，可以获得预测时的总负荷即：

上式中：Pn+1 是待预测区域的预测负荷；I 是区域内内负荷用地的类型结合；di 为第i 个类型负荷用地的负荷密度；Si 为第i 类负荷相对应用地面积；ρ 为不同类型负荷的同时修正系数（即同时率）。

3 典型负荷案例

在进行空间负荷预测方法预测电力负荷时，需验证负荷数据、GIS 数据、土地利用规划数据。此方法用于采集后的数据分析。经过分析，短期空间负荷预测可以看作是一个多变量非线性回归问题，它的预测准确性在于历史负荷、温度、天气等负荷因素数据。

从图3 中可以看到，预测曲线与原负荷高度吻合曲线。那个该方法的平均绝对误差率为1.64%，均方根误差为0.073%。结果表明，上述的负荷分类方法有很高的准确性，可以满足电力作业调度要求。

表2 区域各类负荷特性、负荷密度和空间负荷预测情况

图3 基于指数外推法的分区负荷预测与实际负荷比较

基于2017 年6 月的典型工作日，对不同类型的空间负荷预测方法进行比较分析。比较在内的传统细胞预测方法与SLF 预测方法。从表4 中可以看到，应用该本文方法，降低了其平均误差与最大误差率，其误差率降低了50%左右，其基本是应用了分类预测方法，与传统方法相比，计算量和所需时间显著增加（所用时间增加了220%）。

表4 不同类型空间负荷预测方法的预测指标对比

4 结论

经过上文分析可知，在电力系统中电力负荷预测方法是极其重要的，它对电网的正常运行及规划发展具有重要意义。在以后的电网发展中，电力负荷预测水平会越来越先进与完善，这会有利于配电网的规划设计，能节约电力企业的生产成本，使电力系统正常运行，安全实现动力系统的经济效益最大化。