基于负荷分析平台研究某超大型城市的负荷特性

刘盼盼，莫阮清，蔡思楠

(国网上海市电力公司经济技术研究院，上海 200233)

在负荷分析平台建立前，由于无法获取用户的所属产业和行业特性信息，也就无法从电力用户特性维度开展电力用户的负荷及其特性研究工作，在电力需求分析上存在一定的缺陷和短板。同时，虽然掌握了海量的电力需求数据，由于仍然缺乏用于电力需求预测的指标和参数库，也无法形成对电力需求预测工作的有效支撑。因此，负荷分析平台的建立具有重要意义。

1 负荷分析平台概述

1.1 负荷分析平台目标

负荷分析平台可以凭借各大业务平台，利用海量用户负荷数据自动分析不同类型用户日负荷特性和月负荷特性。

通过分析用户特性指标，分析用户负荷与所属行业、所在区域、季节、气温变化等的定量关系和敏感度，分析用户负荷的特性，为电网规划设计提供决策依据。

1.2 负荷分析平台研究负荷特性的实现路径

负荷分析平台研究负荷特性的实现路径如图1所示。

(1)需求预测典型参数算法研究。分析各类需求预测指标的聚类分析和数据估算方法，为构建典型参数库奠定算法基础。

图1 负荷分析平台研究负荷特性的实现路径

(2)构建典型参数库和历史库。根据现有的现状需求基础数据和指标分析结果，构建典型参数库和历史库，为需求预测提供历史数据参考和参数取值的指引。

1.3 研究参数的相关方法

以实际负荷日电网网架及运行数据为基础，从产业、行业、地域等维度分析用户用电行为特性，分析不同维度电力需求调整的典型取值区间。

(1)数据清洗：由于基础数据中存在毛刺等异常数据，可能会导致出现异常指标数据，通过定义指标数据的合理区间，对基础样本数据进行清洗。

(2)样本动态调整：在计算需求预测参数时，自动指标计算公式，筛选符合参数计算的样本数据，并提供动态调整样本机制。

(3)置信区间选择：通过对现有数据正态分布分析，计算得到样本数据的区间估计值即置信区间，选取置信水平为95%。95%置信水平指的是由样本的均值所构造的置信区间中，包括总体样本的均值在内，0.95称为置信系数，即系数的上下限区间值。

(4)聚类分析：聚类分析(Cluster Analysis)是一组将研究对象分为相对同质的群组(Clusters)的统计分析技术。根据行业产业分类(三产、居民及十一大行业)、地域分类(行政区、功能块、环线、网格等)开展典型参数估算方法研究。

图2 数据范围

1.4 数据处理

以某超大型城市为研究对象，通过负荷分析平台对其负荷特性进行分析。原始负荷数据共计约14万条，其中大用户约2.5万条，杆配变约11.5万条。根据用户性质进行初步分类，其中大用户用于行业、产业研究，如需用系数、同时率以及负荷曲线等；杆配变主要用于居民用户研究。数据范围如图2所示，负荷数据分析流程如图3所示。

图3 负荷数据分析流程

2 计算分析结果

本文通过负荷分析平台对该超大型城市的负荷特性进行研究，主要得出以下结果。

2.1 负荷(电量)密度

计算公式：年最高负荷(年电量)/计算单元面积；

数据处理：数据清洗、聚类分析方法；

分析维度：年份、用地性质、面积；

统计结果：以单值形式体现。

负荷(电量)密度具体计算分析结果如图4所示。

图4 负荷(电量)密度计算分析结果

由图4可知，负荷(电量)密度行业特性明显，地区差异性较大，会随着面积的增大而降低；第三产业负荷密度大于第二产业；城市开发规模、容积率大小对负荷密度影响较大。

2.2 同时率

计算公式：同时率的计算公式为max(∑多个用户某时刻负荷累加)/∑(max某用户96点负荷最大值)；

数据处理：数据清洗、置信区间方法；

分析维度：年份、产业、行业、用户数量；

统计结果：上限、下限、平均值形式体现。

同时率具体计算分析结果如图5所示。

图5 同时率计算分析结果

由图5可知，同时率体现了区域或用户最高负荷发生时刻的分散水平，会随着用户及区域数目的增加而减少。

2.3 需用系数

计算公式：用户负荷/容量；

数据处理：数据清洗、置信区间方法；

分析维度：年份、产业、行业；

统计结果：上限、下限、平均值。

需用系数具体计算分析结果如图6所示。

图6 需用系数计算分析结果

由图6可知，该城市大用户的整体需用系数为0.341，取决于产业(行业)及其发展时序，整体差异较小；需用系数由市中心向外依次递减。

2.4 平均年利用小时数

计算公式：年电量/年最大负荷；

数据处理：数据清洗、聚类分析方法；

儿子走了，妻子走了，身边的人一个个都走了，蒋浩德的心也掏空了。那天情急之中，血压猛增，引发了中风，蒋浩德还躺在医院里。经过这场变故，他重新思考自己的选择，不想再做糊涂事。

分析维度：年份、产业、行业三；

统计结果：单值。

平均年利用小时数具体计算分析结果如图7所示。

图7 平均年利用小时数

由图7可知，第二产业年利用小时数为各产业最高，平均值达到了3 824 h；第三产业年利用小时数平均值达到3 381 h，其中金融业和信息传输、软件和信息技术服务业表现亮眼，均超过了5 300 h，与行业工作特性匹配；批发和零售业、租赁和商务服务业较低，未超过3 000 h，与商场等设施的营业时间相符。

2.5 日负荷特性曲线

研究对象：以年最高负荷日负荷为基础，以大用户为统计对象；

数据处理：数据清洗、样本动态调整方法；

分析维度：年份、产业、行业；

统计结果：单值。

日负荷特性曲线具体计算分析结果如图8所示。

由图8可知，供电分区中，日负荷最大的是B类地区，日负荷最小和日峰谷差最大的都是A类地区。

图8 日负荷特性曲线计算分析结果

3 结语与展望

基于负荷分析平台研究了某超大型城市的负荷特性，构建了空间电力电量分析历史指标库和典型参数库，为下一步的空间电力电量需求预测工作奠定了基础。

在此基础上，还可以持续开展以下几方面的工作：持续推进历史指标库的数据维护和治理工作；随着研究的深入，负荷分析典型参数指标还可以不断扩充和完善；开展空间电力需求预测方法和研究工作，为精准电网规划提供技术支撑。