外在因素对电力系统负荷特性指标影响

彭怀德，钟士元，李玉婷，王敏

（国网江西省电力有限公司经济技术研究院，江西 南昌 330096）

0 引言

电力负荷特性指标分析是电力系统负荷特性预测、电网规划等主要决策的基础，准确把握电网负荷变动规律，确定影响负荷特性指标的主要因素及挖掘隐藏在负荷特性指标间的内在规律，对电网的发展与决策具有重要意义。

1 负荷特性指标与外在因素影响

国家电网公司2005年下发的《负荷特性研究内容深度要求及指标解释》中包含了各类负荷特性指标的定义及计算公式。以时间为尺度，不同时限可以以不同的负荷特性进行描述，主要以日、月、年为时限，定义日、月、年负荷特性指标，共23个指标[1]。目前，日负荷特性指标与年负荷特性指标常在负荷预测中应用。

电力负荷变动的影响因素很多，各因素对电网负荷的影响程度不同。经外在因素调研，以其对电力系统负荷影响程度衡量，确定对气候因素、经济因素与节假日因素予以分析。下面分析主要影响因素对负荷特性变动影响。

1.1 气候因素

近些年，气候因素对电网负荷特性的影响显得尤为明显。随着地球变暖，各地最高气温屡创新高，对应的空调、风扇的制冷负荷增大，夏季成为多数地区的年最大负荷出现的季节。而冬季由于天气寒冷，像江西等没有单独供暖设备的地区，空调、电烤炉等的供暖负荷也将增大。在昼夜温差较大的时节，日峰谷差将显著增加，最高温与最低温出现的季节日最大负荷与日均用电量均会上升。

1.2 经济因素

经济因素是引起电力系统负荷发生变动的一个重要因素，随着经济的不断发展与社会产业结构的调整，电力用户用电模式和负荷的构成发生了很大的变化。

1.3 节假日因素

节假日主要包括周末、法定及传统的节假日。以时间为顺序大致包括以下：元旦、春节、清明节、五一劳动节、端午节、十一国庆节、中秋节。节假日对负荷特性的影响主要集中第二产业的工业和建筑业及第三产业的商业、住宿与餐饮业等。到了节假日，第二产业负荷急剧减少，第三产业住宿、餐饮业、居民服务业等与工作日相比都明显的升高。由于节假日的变动都以年为周期，周而复始的轮回，所以其影响主要体现在日、月负荷特性指标上。

2 影响因素关联分析

通过上述分析，可以将外部影响因素与负荷特性指标进行对应，如图1所示，发现外部影响因素与负荷特性指标存在一对多或多对多关系。如年最大负荷一个指标受年最高气温、GDP、人均GDP、人口数、人均可支配收入五个因素影响；同样一个影响因素也可对应多个指标，如年最高气温可影响年最大负荷、季不均衡系数、年最大峰谷差、年最大峰谷差率4个指标[2]。因此需要从网状结构中选出主要影响因素，即相关性更高的影响因素予以预测，以达到提高准确率的目的。

图1 影响因素与负荷特性指标关系示意图

2.1 基于多对多关联关系解耦的负荷特性指标灰色关联度分析

多变量系统的解耦是把相互耦合的多输入多输出系统转换为多个相互独立的单变量系统，从而使整个测算过程可以控制。多对多关系解耦的目的，在于测算某一负荷特性指标的提升、降低需要某几类影响因素、数据分别是多少，以及某一类影响因素数据的提升、降低对某几个负荷特性指标的影响分别是多少，即通过计算各子影响因素与某一负荷特性指标的关联程度确定各影响因素的权重。文中运用灰色关联度算法，对上述多对多关系进行解耦测算。

设总目标数据列X0={X0(t)，t=1，2L，n}，影响因素数据列Xi={Xi(t)，i=1，2L，n}。m为影响因素的个数，n为时间变量的个数。适应于正向指标及逆向指标的权重系数测算如下：

第一步：对X0、Xi作累减。

第二步：计算相对变化率k。

第三步：计算X0与Xi之间的关联系数r0i（t）和关联度r0i。

第四步：将r0i作归一化处理得到影响权重。

wi为正号表示指标对目标有正面影响，wi为负号表示指标对目标有负面影响，满足。

如果是一对多的关系，则根据上面的解耦过程测算一次得出权重系数wi即可。如果是多对多的关系，则需要重复上面的解耦过程两次，一次总目标数据列为某一影响因素，子影响因素数据列为受该因素影响的负荷特性指标，得出权重系数wi，另一次总目标数据列为某一负荷特性指标，子影响因素数据列为某几类影响因素，得出权重系数w'i。

2.2 影响因素敏感度测算

在得到wi，w'i的基础上，若想获得影响因素每变化1个单位对目标指标的影响程度，需对影响因素对于此负荷特性指标敏感度进行测算。假设E1为日最大负荷值，日最大负荷变化由日最高气温、日降水量2个因素影响则形成如下公式：

其中x11为日最高气温，v1为最高气温对日最大负荷的敏感系数，x12为日降水量，v2为日降水量对日最大负荷的敏感系数，v0为日最大负荷的基准系数。

利用历史年数据可以得到日最大负荷变化值、日最高气温和日降水量，再利用神经网络法可以得到v1、v2。

2.3 负荷特性的BP神经网络预测模型

选取关联度较大的影响因子作为BP神经网络的输入层，输出层为负荷特性指标。输入样本和输出样本数据用于训练神经网络算法，设定算法误差精度，当实际输出值与目标值间误差在预设精度内训练结束。否则，误差值将反向传递，修正神经网络的权值，如此反复学习直至达到设定的精度要求，固定此时网络的权值，明确负荷特性的BP神经网络预测模型。

已知每一个负荷特性指标的影响敏感度后，依据负荷特性指标的目标，输入变量为不同类属性的影响数据，分别以v1、v2、v3……表示，w'i为某一指标受不同类别属性项目的影响权重向量，wi为某一类属性的规划项目对提升不同指标的权重向量，输出变量为负荷特性指标变化量，分别为E1、E2、E3……。

建立神经网络的线性关系如下式所示：

3 南昌市实际算例分析

负荷特性指标按日、月、年统计共计23个指标，在此进行日负荷指标、年负荷指标中常用指标测算。为掌握负荷指标数据，调研南昌市数据进行负荷特性指标分析。

3.1 年负荷特性分析

将通过分析年负荷曲线，计算获得年最大负荷、年最小负荷、年平均负荷、月平均值、季不均衡系数、年最大峰谷差、年最大峰谷差率几个指标。

由于江西分布式电源较多，如2019年12月6日全省风电发力187.88万kW，2019年4月1日全省光伏出力95.11万kW对全省负荷特性影响较大。调研南昌市年统调数据，得到负荷特性指标如图2所示。

图2 南昌市年负荷曲线

通过图2可以发现如下规律：

1）南昌市年最大负荷均出现在夏季7月、8月份，气温成为影响负荷增长的主要因素。

2）最小负荷及月平均值呈逐年增长趋势，季不均衡系数在0.7-0.9左右，随着区域发展逐渐饱和，区间逐渐缩小。

3）通过梳理年日最大峰谷差、年日最大峰谷差率，得到年最大峰谷差日数据及年最大峰谷差率，年最大峰谷差率处于54%-60%之间。

4）最大负荷利用小时数

利用全社会用电量、最大负荷进行最大负荷利用小时数测算，如图3所示。

图3 南昌市年最大负荷利用小时数

南昌市最大负荷利用小时数在4 900-5 600 h间波动，2019年为5 317 h。工业用电量均占总用电量的50%以上，因此均处于较高水平。

3.2 日负荷特性分析

以南昌市4个季节典型日负荷曲线为基础数据，对四季典型日负荷和典型日负荷进行分析。南昌典型日负荷曲线如图4所示。

图4 南昌市四季典型日负荷曲线

由图4可知，南昌夏季典型日负荷曲线呈双峰型，12点至18点为第一个峰值形成过程，21点至23点为第二个峰值，主要是由于下午气温较高，在工业变化不大的情况下，办公空调等第三产业用电较为集中；晚间居民空调负荷集中在21点至23点。凌晨以后负荷缓慢下降，至黎明6点以后开始缓慢上升。负荷曲线波动较大，随人们的生产生活而变化。

南昌冬季典型日负荷曲线呈现双峰的特性，负荷早高峰在早9点到10点左右，负荷晚高峰在18点到20点左右。冬季典型日负荷曲线变化相对较大，负荷的波动主要是受日常生活及取暖负荷叠加影响。

南昌春季、秋季典型日负荷曲线基本相似，较为平缓，总量处于全年较低水平。将2015-2019年四季典型日负荷特性数据进行整理，得到图5，其中1、5、9、13、17为春节数据，2、6、10、14、18为夏季数据，3、7、11、15、19为秋季数据，剩余为冬季数据。

图5 南昌市典型日负荷特性指标

通过图5可以看出，南昌日负荷率平均在0.8左右，趋势较为平缓，日最小负荷率0.5-0.6之间呈波纹状分布，呈现春季、冬季低，夏季、秋季高的趋势，即在夏秋季，峰谷差更小。日峰谷差率在37%-54%之间。

3.3 气候变化影响规律分析

由于南昌城市发展更加饱和，定位一直没有大的变动，因此部分以南昌最大负荷发生月为例详细分析气候变化影响规律。

1）年最大负荷出现的气候原因

南昌市2016年最大负荷日发生于8月25日、2017年最大负荷日发生于7月28日，其主要原因是当日最高气温达到40℃，且之前几天持续高温中，出现温度累加效应；南昌市2018年最大负荷出现于7月26日、2019年最大负荷出现于8月28日，小雨或中雨天气，气温不是很高但湿度高，体感不舒服，需要空调换气降低湿度。

通过上述分析，发现气候因素中除气温影响最大负荷明显外，降雨因素对最大负荷也有一定的影响。

2）气温对负荷的影响分析

刨除阴雨天高湿的影响后，确定将如下数据作为分析对象，时间跨度为2016年8月、2017年7月、2018年7月和2019年8月。

通过调研，计算出的相关系数分别为0.879、0.969、0.962 5、0.952 5、0.835 8。可见日最高气温与日最大负荷存在高度相关性。且随温度增高，最大日负荷增大。

3.4 经济变化影响规律分析

根据GDP、城镇化率等数据，详见表1，分析负荷特性指标受经济变化影响规律。

表1 南昌市2015-2019年电力弹性系数分析

通过分析，发现2015年-2019年南昌市电力弹性系数为1.24，电量、负荷与GDP、人均GDP、城镇化率以同趋势增长。利用2010-2019年相关性指标及负荷特性指标，对南昌2020年负荷特性指标进行测算及方法验证。

利用神经网络测算得到各指标主要影响因素，将关联矩阵数据进行权重化加和测算，可以分别得到以下数据，见表2、表3。

表2 南昌2010-2019年外部影响因素对负荷特性指标权重

表3 南昌2010-2019年负荷特性指标对外部影响因素权重

利用2010-2019年数据得到V1、V2、V3、V4、V0，最终得到测算模型。

年最大负荷=GDP×0.366 1×0.4348×V11+人均GDP×0.331 0×0.391 2×V12+城镇人均可支配收入×0.173 1×0.376 1×V13+农村人均可支配收入×0.129 7×0.349 5×V14+V10，其中V10=300.718 6，V11=2.849 5，V12=-167 1.424 2，V13=-0.489 7，V14=1.371 2；

季不均衡系数=第二产业GDP占比×0.439 7×0311 5×V21+城镇化率×0.291 8×0.184 3×V22+城镇人均可支配收入×0.145 9×0.207 1×V23+农村人均可支配 收入×0.122 7×0.212 0×V24+V20，其 中V20=-1.943 1，V21=17.511 7，V22=0.276 2，V23=1.71×10-3，V24=-0.003 7；

年最大峰谷差率=第二产业GDP占比×0.328 3×0.252 9×V31+城镇化率×0.432 0×0.366 5×V32+城镇人均可支配收入×0.130 1×0.220 3×V33+农村人均可支 配 收 入×0.109 6×0.229 3×V34+V30，其 中V30=0.227 6，V31=-3.360 7，V32=0.054 4，V33=-1.18×10-4，V34=-7.50×10-5；

最大负荷利用小时数=第二产业GDP占比0.639 7×0.302 1×V41+城镇人均可支配收入×0.193 4×0.196 5×V42+农村人均可支配收入×0.166 9×0.209 2×V43+V40，其中V40=203 0.171 7，V41=354 59.835 0，V42=0.110 1，V43=-0.224 3；

年最大峰谷差由已测得指标利用指标计算公式获得。

利用上述模型对2020年负荷特性指标进行测算结果如表4所示。

表4 南昌2020年负荷特性指标预测及对比

经偏差分析，除最大负荷利用小时数偏差量稍高于5%，其他指标均在5%以内，模型可靠性较高。

3.5 节假日变化影响规律分析

根据收集的节假日典型日对比工作日典型日数据，分析负荷特性指标受节假日变化影响规律，如图6所示。

图6 南昌市节假日负荷曲线

通过数据发现，节假日的日负荷曲线更加平滑，峰谷差较小。

4 结语

1）气候因素中日最高气温与区域年最大负荷、日最大负荷存在高度相关性，随温度增高，最大负荷值呈增大趋势。气候因素中降雨因素对最高气温与最大负荷产生干扰，高湿将提升最大负荷数值。

2）GDP是影响区域最大负荷的主要因素，其与最大负荷相关性高于人均GDP、城镇化率，电量、负荷与GDP、人均GDP、城镇化率同趋势增长。

3）工作日负荷值明显高于节假日，且节假日的日负荷曲线更加平滑，峰谷差较小。