CN104091293B - 基于用电结构变动的电网长期负荷特性预测方法 - Google Patents

Abstract

本发明提供一种基于用电结构变动的电网长期负荷特性预测方法，包括：预测目标年度各用电部门各季典型日平均负荷；计算得到目标年度全社会各季典型日平均负荷；预测目标年度各用电部门各季典型日负荷率；计算得到目标年度各用电部门各季典型日最大负荷；预测目标年度各用电部门各季典型日最大负荷发生同时率；计算得到目标年度全社会各季典型日负荷率；构建目标年度全社会各季典型日峰谷差率预测回归模型；预测目标年度全社会各季典型日峰谷差率。本发明能够合理预测出区域电网长期全社会各季典型日负荷率和峰谷差率，为电力市场分析及电网规划人员把握区域长期负荷特性变动规律以满足电网合理前瞻性规划需要提供参考依据。

Description

基于用电结构变动的电网长期负荷特性预测方法

技术领域

本发明涉及电网长期负荷特性预测技术领域，具体是一种基于用电结构变动的电网长期负荷特性预测方法。

背景技术

负荷特性分析预测是电力市场分析预测工作的一项重要内容，准确合理把握区域电网负荷特性及其发展趋势能够为电网企业在电网规划、生产、运行等工作上提供重要参考依据，如：指导电源规划、制定电网调峰规划、开展有序用电等，负荷特性预测水平高低已成为衡量电网企业现代化管理水平高低的标志之一。

先前对负荷特性分析预测的方法以模拟与历史相似的典型日负荷曲线为主。电网规划应具备前瞻性和超前性，因而准确把握长期负荷特性对区域电网而言显得尤为重要，但目前长期负荷特性定量预测的相关研究很少。区域电网负荷特性变化受诸如电力供需形势、气候条件、需求侧管理以及经济与用电结构等多种因素影响，但从长期来看，经济与用电结构因素是区域电网负荷特性变化的关键影响因素。

发明内容

本发明的目的在于提供一种基于用电结构变动的电网长期负荷特性预测方法，准确合理预测出区域电网长期负荷特性，为电力市场分析与电网规划人员把握长期负荷特性变化规律提供参考依据。

本发明的技术方案为：

一种基于用电结构变动的电网长期负荷特性预测方法,包括以下步骤：

(1)获取历史样本区间各年度各用电部门各季用电量数据，以及目标年度全社会用电量和各用电部门用电结构比重数据，预测目标年度各用电部门各季典型日平均负荷；

(2)根据目标年度各用电部门各季典型日平均负荷，计算得到目标年度全社会各季典型日平均负荷；

(3)获取历史样本区间各年度各用电部门各季典型日负荷率数据，预测目标年度各用电部门各季典型日负荷率；

(4)根据目标年度各用电部门各季典型日平均负荷和负荷率，计算得到目标年度各用电部门各季典型日最大负荷；

(5)获取历史样本区间各年度各用电部门各季用电量、各季天数、各用电部门各季典型日负荷率和全社会各季典型日负荷率数据，预测目标年度各用电部门各季典型日最大负荷发生同时率；

(6)根据目标年度全社会各季典型日平均负荷、各用电部门各季典型日最大负荷和各用电部门各季典型日最大负荷发生同时率，计算得到目标年度全社会各季典型日负荷率；

(7)获取历史样本区间各年度全社会各季典型日峰谷差率和负荷率数据，构建目标年度全社会各季典型日峰谷差率预测回归模型；

(8)根据目标年度全社会各季典型日负荷率和全社会各季典型日峰谷差率预测回归模型，预测目标年度全社会各季典型日峰谷差率。

所述的基于用电结构变动的电网长期负荷特性预测方法,步骤(1)中，所述目标年度各用电部门各季典型日平均负荷的预测模型为：

其中，P_f，i，j表示目标年度f用电部门i的j季典型日平均负荷，f表示目标年度，i＝1，2，3，4分别表示四大用电部门，即第一产业、第二产业、第三产业和城乡居民生活，j＝1，2，3，4分别表示春、夏、秋、冬，t和t+N分别表示历史年度的开始年度和结束年度，W_l，i，j表示历史年度l用电部门i的j季用电量，D_f，j表示目标年度f的j季天数，α_f，i表示目标年度f用电部门i的用电结构比重，W_f示目标年度f全社会用电量；

步骤(2)中，所述目标年度全社会各季典型日平均负荷的计算公式为：

其中，P_f，j表示目标年度f全社会j季典型日平均负荷；

步骤(3)中，所述目标年度各用电部门各季典型日负荷率的预测模型为：

其中，β_f，i，j表示目标年度f用电部门i的j季典型日负荷率，β_l，i，j表示历史年度l用电部门i的j季典型日负荷率；

步骤(4)中，所述目标年度各用电部门各季典型日最大负荷的计算公式为：

其中，表示目标年度f用电部门i的j季典型日最大负荷；

步骤(5)中，所述目标年度各用电部门各季典型日最大负荷发生同时率的预测模型为：

其中，λ_f，j表示目标年度f各用电部门j季典型日最大负荷发生同时率，D_l，j历史年度l的j季天数，β_l，i，j表示历史年度l用电部门i的j季典型日负荷率，β_l，j表示历史年度l全社会j季典型日负荷率；

步骤(6)中，所述目标年度全社会各季典型日负荷率的计算公式为：

其中，β_f，j表示目标年度f全社会j季典型日负荷率。

所述的基于用电结构变动的电网长期负荷特性预测方法,步骤(7)中，所述目标年度全社会各季典型日峰谷差率预测回归模型为：

其中，γ_f，j表示目标年度f全社会j季典型日峰谷差率，β_f，j表示目标年度f全社会j季典型日负荷率，为将各历史年度的全社会j季典型日峰谷差率和负荷率代入上述回归模型中拟合得到的常数。

由上述技术方案可知，本发明能够合理预测出区域电网长期全社会各季典型日负荷率和峰谷差率，为电力市场分析及电网规划人员把握区域长期负荷特性变动规律以满足电网合理前瞻性规划需要提供参考依据。

附图说明

图1是本发明的方法流程图；

图2是安徽省2020年和2030年全社会各季典型日负荷率的预测结果示意图。

具体实施方式

下面，以对省级电网长期负荷特性预测为例进一步说明本发明。

如图1所示，一种基于用电结构变动的省级电网长期负荷特性预测方法，包括以下步骤：

(1)省级区域长期经济与用电结构预测

省级区域长期经济结构预测：省级区域长期经济结构由于时间跨度长，且受省级区域经济发展规划等政策因素影响较大，诸如回归预测等传统定量预测模型很难预测出合理结果。因而对省级区域长期经济结构的预测可采用以省级区域经济发展规划和经济发展阶段等定性判断为基础，以先前学者对全国长期经济结构预测结果为参考量，再以传统定量预测模型为辅助工具，合理预测未来省级区域经济结构发展趋势。长期经济结构合理预测可依靠省级经济研究机构的专业判断及其预测技术。

省级区域长期用电结构预测：省级区域长期用电结构预测可采用构建省级长期能源需求LEAP(长期能源可替代规划系统)模型。依据省级区域长期经济社会发展预测，从终端用能角度出发，分主要用能部门(如：城乡居民生活、交通运输、服务业、高耗能行业等)设计终端用能载体并根据技术进步等因素预测其能耗强度，进一步设计地区发电、煤炭开采等能源转换模块，最终构建省级未来能源需求预测的LEAP模型，根据省级LEAP模型能够很好地预测未来地区用电量及其用电结构。

(2)确定省级电网长期负荷特性预测所需的主要基础参数

省级电网长期负荷特性预测的主要基础参数包括：省级电网长期用电量及其用电结构预测结果、近年省级电网各季典型日负荷特性以及各用电部门负荷特性。

(3)省级电网长期全社会各季典型日负荷率预测；

(31)确定目标年度各季各用电部门用电量；

以3、4、5月为春季，6、7、8月为夏季，9、10、11为秋季，其余月为冬季。同一部门相同季节生产、生活规律一致性高，因而同一部门相同季节用电占比基本稳定。为剔除单一年份波动性，采用近几年平均占比反映目标年度各用电部门各季用电量占比，如下式：

其中，f表示目标年度(预测年度)，i＝1，2，3，4分别表示四大用电部门，即第一产业、第二产业、第三产业和城乡居民生活，j＝1，2，3，4分别表示春、夏、秋、冬，t和t+N分别表示历史年度的开始年度和结束年度，r_l，i，j表示历史年度l用电部门i的j季用电量占四季的比重，r_f，i，j表示目标年度f用电部门i的j季用电量占四季的比重，W_l，i，j表示历史年度l用电部门i的j季用电量。

综合省级电网目标年度全社会用电量、各用电部门用电结构比重、各用电部门各季用电量占比预测值，得到目标年度各用电部门各季用电量，如下式：

其中，W_f，i，j表示目标年度f用电部门i的j季用电量，α_f，i表示目标年度f用电部门i的用电结构比重，W_f示目标年度f全社会用电量。

(32)确定目标年度各用电部门各季典型日平均及最大负荷

构建目标年度各用电部门各季典型日平均负荷预测模型：

其中，P_f，i，j表示目标年度f用电部门i的j季典型日平均负荷，P_f，j表示目标年度f全社会的j季典型日平均负荷，D_f，j表示目标年度f的j季天数。

各用电部门同一季节负荷特性主要受生产、生活习惯影响，基本认为保持相对稳定。采用近几年各用电部门各季典型日负荷率的平均值作为目标年度各用电部门各季典型日负荷率，如下式：

其中，β_l，i，j表示历史年度l用电部门i的j季典型日负荷率，β_f，i，j表示目标年度f用电部门i的j季典型日负荷率。

再根据下式计算得到目标年度各用电部门各季典型日最大负荷：

其中，表示目标年度f用电部门i的j季典型日最大负荷。

(33)确定目标年度各用电部门各季典型日最大负荷同时率

由于典型日内各用电部门发生最大负荷的时点不尽相同，因而全社会各季典型日最大负荷不是各用电部门各季典型日最大负荷的直接累加，而需要先确定各用电部门各季典型日最大负荷发生同时率。

计算历史年度各用电部门各季典型日用电最大负荷发生同时率：

其中，λ_l，j表示历史年度l各用电部门j季典型日最大负荷发生同时率，β_l，j表示历史年度l全社会j季典型日负荷率，P_l，i，j和分别表示历史年度l用电部门i的j季典型日平均负荷和最大负荷，β_l，i，j表示历史年度l用电部门i的j季典型日负荷率，W_l，i，j表示历史年度用电部门i的j季用电量，D_l，j表示历史年度l的j季天数。

为了消除单一年份各用电部门各季典型日最大负荷发生同时率的波动性，可以通过取各个历史年度的平均值作为目标年度各用电部门各季典型日最大负荷发生同时率，即：

其中，λ_f，j表示目标年度f各用电部门j季典型日最大负荷发生同时率。

(34)确定目标年度全社会各季典型日负荷率

根据目标年度全社会各季典型日平均负荷、各用电部门各季典型日最大负荷及其发生同时率的预测值，构建目标年度全社会各季典型日负荷率预测模型：

其中，β_f，j表示目标年度f全社会j季典型日负荷率。

(4)省级电网长期全社会各季典型日峰谷差率预测：

典型日峰谷差率和负荷率指标属于反向指标，因而在合理预测出典型日负荷率的基础上，采用对历史期典型日峰谷差率和负荷率构建线性回归模型来预测相应年份的典型日峰谷差率。

回归模型可分季节构建四个模型或不分季节构建单一模型，最终选用哪种方式主要基于模型拟合效果，即R²高低。如构建不分季节的单一回归模型，如下式，则根据目标年度全社会各季典型日负荷率的预测值，得到相应典型日峰谷差率：

其中，γ_f，j表示目标年度f全社会j季典型日峰谷差率，为常数，是将各历史年度的全社会j季典型日峰谷差率和负荷率代入上述回归模型中拟合得到的。

(5)预测结果校核

预测出的省级电网长期负荷特性还需要校核其合理性。由于长期负荷特性变动主要受地区经济与用电结构影响，而用电结构归根到底由经济结构决定，经济结构相似的地区或国家，其负荷特性理论上应大体接近。因而可采用国内外参考比较法，选择历史年份与该省级区域长期经济结构相似的国内外地区或国家，通过比较二者负荷特性，来验证预测结果的合理性。

下面以安徽省2030年负荷特性预测为例进一步说明本发明。

S1、安徽省长期经济与用电结构预测；

根据省级经济研究机构的判断和预测，2030年安徽省将进入后工业化发展阶段，经济结构比重预测为6.1:42.3:51.6；构建的安徽省能源需求LEAP模型预测2030年全省全社会用电量达4380亿千瓦时，用电结构比重为0.6:52.8:20.7:26.0(第一产业：第二产业：第三产业：城乡居民生活)。

S2、获取省级电网长期负荷特性预测所需的主要基础参数；

通过历史数据分析，2010～2013年全省全社会四季典型日负荷特性和各用电部门负荷特性均保持相对稳定，表1和表2分别为全省全社会负荷特性以及各用电部门负荷特性的各年度平均水平。

	典型日平均负荷率	典型日平均峰谷差率
			春	0.92	0.17
夏	0.89	0.24
			秋	0.91	0.18
冬	0.86	0.27

表1

	春	夏	秋	冬
					第一产业	0.69	0.72	0.65	0.71
第二产业	0.92	0.90	0.89	0.90
					第三产业	0.68	0.65	0.63	0.71
城乡居民生活	0.62	0.68	0.64	0.64

表2

S3、安徽电网2030年各季典型日负荷率预测；

S31、确定2030年各用电部门四季用电量；

根据2010～2013年各用电部门各季用电占比平均水平、2030年全社会用电量及其用电结构预测结果，预测2030年各用电部门各季用电量，如表3所示，单位：亿千瓦时。

	春	夏	秋	冬	全年
						第一产业用电量	4.8	9.8	6.5	5.2	26.3
第二产业用电量	547.7	657.4	537.1	569.5	2311.7
						第三产业用电量	199.7	251.4	222.8	231.2	905.0
城乡居民生活用电量	264.4	304.9	288.5	279.2	1137.0
						全社会用电量	1016.6	1223.5	1054.8	1085.1	4380.0

表3

S32、确定2030年各用电部门四季典型日平均及最大负荷；

进一步得到2030年各用电部门和全社会各季典型日平均负荷，如表4所示，单位：万千瓦，以及2030年各用电部门各季典型日最大负荷，如表5所示，单位：万千瓦。

	春	夏	秋	冬
					第一产业用电	22	44	30	24
第二产业用电	2481	2977	2459	2637
					第三产业用电	904	1138	1020	1070
城乡居民生活用电	1197	1381	1321	1293
					全社会用电	4604	5541	4830	5024

表4

	春	夏	秋	冬
					第一产业用电	31	61	46	34
第二产业用电	2696	3308	2763	2930
					第三产业用电	1330	1751	1619	1507
城乡居民生活用电	1931	2031	2064	2020

表5

S33、确定各用电部门各季典型日最大负荷发生同时率；

计算历史年份各用电部门最大负荷发生同时率，如表6所示，分析发现，同时率随经济结构变化而存在一定的波动性，为更好地平抑同时率波动性，考虑按2007～2013年平均同时率作为2030年同时率。

	春	夏	秋	冬
					2007	0.921	0.943	0.919	0.974
2008	0.914	0.941	0.914	0.964
					2009	0.912	0.936	0.891	0.952
2010	0.898	0.926	0.874	0.954
					2011	0.890	0.925	0.881	0.952

2012	0.890	0.925	0.876	0.958
					2013	0.895	0.924	0.872	0.955
2007-2013平均	0.903	0.932	0.889	0.958

表6

S34、确定2030年全社会各季典型日负荷率。

最终确定2030年全社会各季典型日负荷率的预测结果，如表7所示。

	春	夏	秋	冬
					全社会平均负荷	4604	5541	4830	5024
分产业最大负荷加总	5989	7152	6492	6491
					同时率	0.903	0.932	0.889	0.958
日负荷率	0.85	0.83	0.84	0.81

表7

采用相同方法，对2020年全省全社会各季典型日负荷率也进行了预测，结果如图2所示。

S4、安徽电网2030年全社会各季典型日峰谷差率预测；

2010～2013年全社会四季典型日峰谷差率和负荷率形成的两个对应数列相关系数高达-0.97，因而可构建2010～2013年不分季节的单一回归方程，如下式，方程总体显著，且拟合效果较好(R²接近1)。根据典型日负荷率的预测结果得到峰谷差率预测结果，如表8所示。

γ_f，j＝1.6916-1.6468β_f，j

R²＝0.95，D.W＝1.53

春

夏

秋

冬

2010-2013平均	0.17	0.24	0.19	0.27
					2020(预测)	0.19	0.25	0.22	0.29
2030(预测)	0.29	0.33	0.31	0.36

表8

S5、预测结果校核。

1)从2020和2030年全省经济结构变化来看，2020年第二产业比重呈现基本稳定略有下降趋势，2030年该比重明显下降；从负荷特性来看，2020年全省负荷特性略有变差，2030年明显变差，经济结构变化与负荷特性变动具有很高的一致性；

2)20世纪70年代欧美主要发达国家第二产业比重基本下降到40％以下，第三产业比重均超过50％，与2030年安徽省经济结构接近；IEEE-RTS算例(IEEE于1978年发布)中使用的典型日负荷曲线能反映该时期主要发达国家的负荷特性水平，各季典型日负荷率基本维持在0.83的水平，与2030年安徽省负荷特性较为一致；

3)上海市2007～2012年第二产业比重基本维持在40％左右，第三产业比重超过50％，与2030年安徽省经济结构接近；2007～2012年上海市全社会夏季典型日负荷率基本维持在0.84左右，与2030年安徽省全社会夏季典型日负荷率基本接近。

校核结果表明：安徽省负荷特性预测结果具有较高的合理性。

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (1)

1.一种基于用电结构变动的电网长期负荷特性预测方法,其特征在于，包括以下步骤：

(1)获取历史样本区间各年度各用电部门各季用电量数据，以及目标年度全社会用电量和各用电部门用电结构比重数据，预测目标年度各用电部门各季典型日平均负荷；

(2)根据目标年度各用电部门各季典型日平均负荷，计算得到目标年度全社会各季典型日平均负荷；

(3)获取历史样本区间各年度各用电部门各季典型日负荷率数据，预测目标年度各用电部门各季典型日负荷率；

(4)根据目标年度各用电部门各季典型日平均负荷和负荷率，计算得到目标年度各用电部门各季典型日最大负荷；

(5)获取历史样本区间各年度各用电部门各季用电量、各季天数、各用电部门各季典型日负荷率和全社会各季典型日负荷率数据，预测目标年度各用电部门各季典型日最大负荷发生同时率；

(6)根据目标年度全社会各季典型日平均负荷、各用电部门各季典型日最大负荷和各用电部门各季典型日最大负荷发生同时率，计算得到目标年度全社会各季典型日负荷率；

(7)获取历史样本区间各年度全社会各季典型日峰谷差率和负荷率数据，构建目标年度全社会各季典型日峰谷差率预测回归模型；

(8)根据目标年度全社会各季典型日负荷率和全社会各季典型日峰谷差率预测回归模型，预测目标年度全社会各季典型日峰谷差率；

步骤(1)中，所述目标年度各用电部门各季典型日平均负荷的预测模型为：

$P_{f,i,j}=\frac{\left({\mathrm{\Σ}}_{l=t}^{t+N}\frac{W_{l,i,j}}{{\mathrm{\Σ}}_{j=1}^4{W}_{l,i,j}}\right)/(N+1)\left({\mathrm{\α}}_{f,i}{W}_f\right)}{24\×D_{f,j}}\×{10}^4$

其中，P_f，i，j表示目标年度f用电部门i的j季典型日平均负荷，f表示目标年度，i＝1，2，3，4分别表示四大用电部门，即第一产业、第二产业、第三产业和城乡居民生活，j＝1，2，3，4分别表示春、夏、秋、冬，t和t+N分别表示历史年度的开始年度和结束年度，W_l，i，j表示历史年度l用电部门i的j季用电量，D_f，j表示目标年度f的j季天数，α_f，i表示目标年度f用电部门i的用电结构比重，W_f示目标年度f全社会用电量；

步骤(2)中，所述目标年度全社会各季典型日平均负荷的计算公式为：

$P_{f,j}=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{P}_{f,i,j}=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\frac{\left({\mathrm{\Σ}}_{l=t}^{t+N}\frac{W_{l,i,j}}{{\mathrm{\Σ}}_{j=1}^4{W}_{l,i,j}}\right)/\left(N+1\right)\left({\mathrm{\α}}_{f,i}{W}_f\right)}{24\×D_{f,j}}\×{10}^4$

其中，P_f，j表示目标年度f全社会j季典型日平均负荷；

步骤(3)中，所述目标年度各用电部门各季典型日负荷率的预测模型为：

${\mathrm{\β}}_{f,i,j}=\left(\underset{l=t}{\overset{t+N}{\mathrm{\Σ}}}{\mathrm{\β}}_{l,i,j}\right)/(N+1)$

其中，β_f，i，j表示目标年度f用电部门i的j季典型日负荷率，β_l，i，j表示历史年度l用电部门i的j季典型日负荷率；

步骤(4)中，所述目标年度各用电部门各季典型日最大负荷的计算公式为：

$P_{f,i,j}^{\max }=P_{f,i,j}/{\mathrm{\β}}_{f,i,j}$

其中，表示目标年度f用电部门i的j季典型日最大负荷；

步骤(5)中，所述目标年度各用电部门各季典型日最大负荷发生同时率的预测模型为：

${\mathrm{\λ}}_{f,j}=\underset{l=t}{\overset{t+N}{\Σ}}\frac{{\mathrm{\Σ}}_{i=1}^4\frac{W_{l,i,j}}{24\×D_{l,j}}\×{10}^4}{{\mathrm{\β}}_{l,j}{\mathrm{\Σ}}_{i=1}^4\frac{\frac{W_{l,i,j}}{24\×D_{l,j}}\×{10}^4}{{\mathrm{\β}}_{l,i,j}}}/(N+1)$

其中，λ_f，j表示目标年度f各用电部门j季典型日最大负荷发生同时率，D_l，j历史年度l的j季天数，β_l，i，j表示历史年度l用电部门i的j季典型日负荷率，β_l，j表示历史年度l全社会j季典型日负荷率；

步骤(6)中，所述目标年度全社会各季典型日负荷率的计算公式为：

${\mathrm{\β}}_{f,j}=\frac{P_{f,j}}{{\mathrm{\λ}}_{f,j}{\mathrm{\Σ}}_{i=1}^4{P}_{f,i,j}^{\max }}$

其中，β_f，j表示目标年度f全社会j季典型日负荷率；

步骤(7)中，所述目标年度全社会各季典型日峰谷差率预测回归模型为：

${\mathrm{\γ}}_{f,j}={\widehat{\mathrm{\ρ}}}_0+{\widehat{\mathrm{\ρ}}}_1{\mathrm{\β}}_{f,j}$

其中，γ_f，j表示目标年度f全社会j季典型日峰谷差率，β_f，j表示目标年度f全社会j季典型日负荷率，为将各历史年度的全社会j季典型日峰谷差率和负荷率代入上述回归模型中拟合得到的常数。