CN103093288A

CN103093288A - 基于气象信息的分区电网母线负荷预测系统

Info

Publication number: CN103093288A
Application number: CN2013100550562A
Authority: CN
Inventors: 李群; 陈哲; 刘建坤; 王建军; 汪鹏
Original assignee: State Grid Corp of China SGCC; State Grid Jiangsu Electric Power Co Ltd; North China Electric Power University; Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; State Grid Jiangsu Electric Power Co Ltd; North China Electric Power University; Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date: 2013-02-21
Filing date: 2013-02-21
Publication date: 2013-05-08
Anticipated expiration: 2033-02-21
Also published as: CN103093288B

Abstract

本发明公开了一种基于气象信息的分区电网母线负荷预测系统，该系统利用实时和预报气象信息，实现对全区域所有500kV和220kV变电站母线的负荷预测，并完成对电网分区的识别及分区负荷预测。本系统中选用的预测算法包含了经典算法及智能预测算法，其中经典算法包括一元线性回归、二次多项式回归、自适应指数预测、指数预测、增长率预测、非齐次指数预测、B.Compertz模型和logistic模型；而智能预测算法包括优化BP神经网络算法以及优化粒子群算法，预测过程中系统择优选择预测算法。本系统为日前母线负荷预测系统，对次日至未来多日每时段的母线负荷和分区负荷进行预测，预测内容为被预测日的96点的有功负荷。

Description

基于气象信息的分区电网母线负荷预测系统

技术领域

本发明涉及一种利用气象信息的电网母线负荷和分区负荷预测系统，属于电力系统的气象信息应用技术领域。

背景技术

母线负荷预测结果是制定日前计划与安全校核的基础，预测精度将会对日前计划与安全校核结果产生显著影响。因此，积极开展母线负荷预测工作，提高预测准确率，是调度运行部门提高驾驭电网能力的重要举措。

江苏电网在2005年就已经开始开展母线负荷预测工作，但在实际应用中，经常由于地/县调运行方式的改变出现负荷的转供，如设备检修等，导致母线负荷运行规律被打乱，影响了这些区域的母线负荷预测精度，使得母线负荷预测和分析结果的可信度大打折扣。因此，精益化地研究母线负荷变化规律，提升母线负荷预测精度，已成为系统运行的迫切需求。

一般来讲，与系统负荷预测相比，母线负荷预测具有如下特点：

（1）系统中母线数目众多，量大面广，各个母线的变化规律有其各自的特点，预测人员无法一一深入分析其特点；

（2）母线负荷预测的基数比较小，远远小于系统负荷；因负荷组等效中含有发电分量，节点负荷存在零负荷和负负荷；

（3）受供电区域内用户行为的影响，母线负荷容易产生突变，稳定性比较差，有较多“毛刺”；

（4）积累的数据不精确，且常常含有坏数据（误差很大的离群值）；

（5）受气象因素影响的可能性比较大；

（6）负荷变化的趋势性不明显，不同母线之间的负荷曲线差异比较大；

（7）受电网检修、负荷转供等计划性相关因素影响比较大。

母线负荷预测难度存在以下几方面：

（1）极端气象条件

当预测日负荷由于天气等因数出现较大波动，或出现极值负荷，基于历史值的负荷建模就较难准确预测次日母线负荷。

（2）不确定性电源

母线负荷预测的对象是220kV主变高压侧负荷，当主变低压侧接有电场时，电场发电负荷的不确定性对母线负荷预测结果影响较大。如以热定电机组供热负荷的不确定性、风能电站出力的随机性都会严重影响母线负荷预测结果。

（3）运行方式的变更

母线负荷的真正用户在下级调度，自上而下的方式很难考虑每个电力用户用电负荷变化的细节，由于下级地调和县调运行方式的变化，负荷出现转供现象，导致220kV母线负荷数据出现较大幅度的变化，而这些变化与用户的用电情况本身关系不大，但同样会影响负荷预测建模。

发明内容

本发明所要解决的技术问题是提供一种基于气象信息的分区电网母线负荷预测系统，充分利用气象信息，对次日至未来多日每时段母线负荷和分区负荷进行预测，并完成对电网分区的识别及分区负荷预测。

为解决上述技术问题，本发明的具体技术方案如下：

一种基于气象信息的分区电网母线负荷预测系统，其特征在于：

1）母线负荷基本模型是树状结构，可以描述为分区、厂站、母线负荷的层次关系，其定义依据源自能量管理系统EMS模型；母线负荷模型主要通过电网模型中的负荷组、主变端点、线路端点定义等方式创建。

2）负荷预测方法主要是利用气象数据进行相似日数据的选取，利用负荷预测算法库进行负荷预测，择优选择预测结果，并实现自适应偏差修正。能够识别电网分区信息，实现对电网分区的负荷预测。

3）相似日数据的选取采用相似度模型以及数据挖掘的粗糙集和决策树的自适应神经网络短期负荷预测模型。

从两个方面利用气象数据改进预测精度，即：

a) 数据挖掘预处理；

b) 将温度等定量性的因素直接作为模型的自变量进行预测模型的训练。

4）母线负荷预测算法库中的预测算法包含了经典算法及智能预测算法，其中经典算法包括一元线性回归、二次多项式回归、自适应指数预测、指数预测、增长率预测法、非齐次指数预测、B.Compertz模型、logistic模型；而智能预测算法包括优化BP神经网络算法以及优化粒子群算法。在预测时自动选择精度较高方法的模型做为预测模型。

5）优化BP神经网络算法，根据人体温度舒适度的调查，将温度属性分区段量化。对于遇到的诸如冰雹、下雪、强风等天气，最直接的体现便是气温的下降，把这些因素涵盖在气温因素中，而不作为另外的气象因素考虑进模型，其神经网络的输入层变量为（预测一天96点的负荷）：

a) 当天星期类型（识别同类型日）；

b) 当前时段；

c) 当前时段的温度；

d) 当前时段的湿度；

e) 前1时段负荷；

f) 当1时段的温度；

g) 当1时段的湿度；

h) 前1小时的负荷；

i) 前1小时的温度；

j) 前1小时的湿度；

k) 上周同类型日当前时段的温度；

l) 上周同类型日当前时段的湿度；

m) 上周同类型日当前时段的负荷。

6）粒子群优化BP神经网络算法：粒子群优化(PSO-BP）避免了可微、求导的过程，具有全局随机搜索最优解的特点和梯度下降局部细致搜索优势，因此用粒子群算法优化BP神经网络的初始权值和阀值，能够改善BP神经网络性能，使其不易陷入局部极小，并增强泛化性能，提高精度。其步骤为：

a) 设计BP神经网络结构，设定输入层、隐含层、输出层的神经元个数，及对粒子群初始化；

b) 计算粒子的适应度，并比较适应度，确定粒子的个体和全局极值点；

c) 更新每个粒子的位置和速度；

d) 若满足精度，算法收敛，否则返回步骤b），若达到最大次数或适应度不再明显改进时，算法终止；

e) 对全局最优值进行编码，赋给神经网络的节点；

f) 设定训练参数，进行预测计算。

7）电网分区的负荷预测步骤是，根据最小割集原理，更新电网实时分区信息，对变电站内所有220kV变电站母线负荷预测结果进行叠加，得到各电网分区的预测负荷。

本发明的有益效果是：

通过对实时和预测气象数据的应用，对电网日前母线负荷和分区负荷进行预测，能够有效提高强相关天气下的负荷预测精度，有效支撑日前计划与安全校核工作的开展，提高了调度运行部门驾驭电网的能力，保障电网的安全稳定运行。

附图说明

图1是本发明的基于气象信息的分区电网母线负荷预测系统数据流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，基于气象信息的分区电网母线负荷预测系统进行负荷预测的流程为，将历史母线负荷数据进行数据预处理，结合历史运行方式、历史气象数据进行模式匹配，得到初始母线预测结果，考虑区域、子区域负荷预测、检修转供计划、小机组挂接方式的影响，再对预测结果修正和调整，得到最终母线预测结果，并在最终母线预测结果的基础上进一步对可疑结果进行检查。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims

1.一种基于气象信息的分区电网母线负荷预测系统，其特征在于：

建立以分区、厂站、母线负荷的层次关系描述的树状结构母线负荷基本模型，通过电网模型中的负荷组、主变端点、线路端点定义的方式创建母线负荷模型；

利用气象数据进行相似日数据的选取，利用母线负荷预测算法库进行负荷预测，择优选择预测结果，实现自适应偏差修正，识别电网分区信息，对电网分区的负荷进行预测。

2.根据权利要求1所述的基于气象信息的分区电网母线负荷预测系统，其特征在于：所述相似日数据的选取采用相似度模型以及数据挖掘的粗糙集和决策树的自适应神经网络短期负荷预测模型，

从两个方面利用气象数据改进预测精度，即：

1）数据挖掘预处理；

2）将温度等定量性的因素直接作为模型的自变量进行预测模型的训练。

3.根据权利要求1所述的基于气象信息的分区电网母线负荷预测系统，其特征在于：所述母线负荷预测算法库中的预测算法包含经典算法及智能预测算法，其中经典算法包括一元线性回归、二次多项式回归、自适应指数预测、指数预测、增长率预测法、非齐次指数预测、B.Compertz模型、logistic模型；智能预测算法包括优化BP神经网络算法以及优化粒子群算法。

4.根据权利要求3所述的基于气象信息的分区电网母线负荷预测系统，其特征在于：所述BP神经网络算法根据人体温度舒适度的调查信息，将温度属性分区段量化；对于遇到使气温下降的天气因素，把这些因素涵盖在气温因素中考虑进模型中，其神经网络的输入层变量为：

1）当天星期类型；

2）当前时段；

3）当前时段的温度；

4）当前时段的湿度；

5）前1时段负荷；

6）当1时段的温度；

7）当1时段的湿度；

8）前1小时的负荷；

9）前1小时的温度；

10）前1小时的湿度；

11）上周同类型日当前时段的温度；

12）上周同类型日当前时段的湿度；

13）上周同类型日当前时段的负荷。

5.根据权利要求3所述的基于气象信息的分区电网母线负荷预测系统，其特征在于：通过所述粒子群算法优化BP神经网络的初始权值和阀值，具体步骤为：

1）设计BP神经网络结构，设定输入层、隐含层、输出层的神经元个数，及对粒子群初始化；

2）计算粒子的适应度，并比较适应度，确定粒子的个体和全局极值点；

3）更新每个粒子的位置和速度；

4）若满足精度，算法收敛，否则返回步骤2），若达到最大次数或适应度不再明显改进时，算法终止；

5）对全局最优值进行编码，赋给神经网络的节点；

6）设定训练参数，进行预测计算。

6.根据权利要求1所述的基于气象信息的分区电网母线负荷预测系统，其特征在于：电网分区的负荷预测步骤是：根据最小割集原理，更新电网实时分区信息，对变电站内所有220kV变电站母线负荷预测结果进行叠加，得到各电网分区的预测负荷。