CN107769268B - 一种含小水电的地调范围日前预测省供负荷方法 - Google Patents

Abstract

一种含小水电的地调范围日前预测省供负荷方法，根据地级市下县/区行政划分，将各县/区的径流式机组容量进行统计，并根据历史降水数据，将全年分为丰水期和枯水期。根据所划分的各县/区机组，将历史降水数据做加权处理。根据当地地理环境，及历史降水量对小水电机组的发电影响，得出降水影响因子，经过加权过的降水，再结合各县/区降水影响因子，得出最终降水数据。将以上各县降水数据对应时段求和，得出某市在不同时段的降水数据。将降水数据作为BP神经网络方法中的输入数据，得出预测小水电发电量。以历史负荷数据为训练样本，得出地区负荷数据。本发明旨在提高径流式小水电机组的出力预测精度，优化地市级调度的调度模型。

Description

一种含小水电的地调范围日前预测省供负荷方法

技术领域

本发明属于电力系统运行调度领域，具体涉及一种含小水电的地调范围日前预测省供负荷方法。

背景技术

电网的日前负荷预测是协调发电任务的前提和基础，关系着电力系统安全稳定运行。日前电力负荷预测是电力能量管理的基础性任务，是保证功率平衡的基础条件。目前，在国家电网的调度模式中，地级市供电调度单位每天要将地级市电网需要省级电网提供的下一日的电力负荷上报给省级供电单位，对于地市级供电单位来说即是上报“省供负荷”。而属于地市级供电单位调度的电源如径流式小水电机组，由于其出力受到的影响因素较多，对准确预测省供负荷造成了一定困难。径流式水电站是指无调节水库的电站。径流式水电站按来水流量发电，当来水流量大于电站水轮机过水能力时，水电站满出力运行，多余的水量不通过机组发电，直接经泄水道泄向下游，称为弃水；当来水较少时，全部来水通过机组发电，但有部分装机容量因缺水而未被利用。

目前，在一个地市级供电区域内，尤其是径流式小水电机组众多的地区，由于径流式小水电机组不同于可调节的水库式水电机组，其受降水、地质条件等因素影响较大，会导致小水电出力预测不准，进而导致地区要求省供的出力不准，增加省调的调度难度。此外，径流式小水电机组出力受到的影响因素较多，出力模型的构建需要综合考虑降水量以及降水的后续影响等实际情况，因此有必要建立有效的径流式小水电机组出力预测模型，从而提供更加准确的省供负荷。

现有的涉及小水电的负荷预测的专利，如：中国专利《多小水电趸售地区电网的负荷预测方法》，申请号：201610935600.6，主要介绍了建立不降雨条件下的负荷预测模型的步骤，并构建了降雨条件下关口增加的出力与降雨量之间的函数关系模型的步骤，在此基础上建立降雨条件下负荷预测模型。中国专利《小水电群并网运行优化调度方法》，申请号：201510887251.0，公布了“一种小水电群并网运行优化调度方法”，包括：预测并分析当前区域不同类型小水电机组的出力特性，进行可信预测和数学建模，得出所述小水电机组的时空出力特性、交互影响机理和典型出力特征，以及进行地区基准负荷预测。但是以上专利文件未细化到局部地理范围内气候对径流式小水电机组出力的影响、以及地市级范围内全部径流式小水电机组的地区性调度及其省级调度问题。

现有的含小水电机组出力的日前负荷预测，存在以下不足：

(1)：只是考虑负荷预测，并未考虑针对地市级或是具体的调度单位的调度策略；

(2)：未考虑在地级市调度范围内，将所属径流式机组按照县(区)划分，并对降水数据按照各县机组的比例进行加权处理；

(3)：未考虑降水过后，雨水的渗透和汇集作用对径流式机组的影响。

发明内容

本发明提供一种含小水电的地调范围日前预测省供负荷方法，提高了电力系统地调范围内短期负荷及小水电站出力预测的准确度；建立径流式小水电机组出力预测模型；进而提高省供负荷的预测精确度；为省级调度提供上报更准确的日前调度信息，使电力系统更加安全稳定运行。

本发明采取的技术方案为：

一种含小水电的地调范围日前预测省供负荷方法，包括以下步骤：

步骤1：根据地级市下县/区行政划分，将所属各县/区的径流式机组容量进行统计，并根据历史降水数据，将各县/区的全年分为丰水期和枯水期。

步骤2：由于各县径流式小水电机组容量不同，故即使两个县降水一样，最终小水电发电量也是不同的，即有效的降水量是不一样的，由如下公式(1)

公式(1)中x_i表示i县所有径流式小水电容量，y_i表示i县降水量，根据步骤1所划分的各县/区机组，将历史降水数据做加权处理。

步骤3：根据当地地理环境，及历史降水量对小水电机组的发电影响，得出降水影响因子，经过步骤2加权过的降水，再结合各县/区降水影响因子，得出最终降水数据。

步骤4：将以上各县降水数据对应时段求和，得出某市在不同时段的降水数据。

步骤5：将某市预测每个时段平均气温及以上计算的出的降水数据，作为BP神经网络方法中的输入数据，以历史数据为训练样本，得出预测小水电发电量。

步骤6：以历史负荷数据为训练样本，利用神经网络方法，得出地区负荷数据。

步骤7：根据步骤5，步骤6得出的数据，结合地区小火电机组的预测出力，得出省供数值，并上报省调中心。

本发明一种含小水电的地调范围日前预测省供负荷方法，旨在提高径流式小水电机组的出力预测精度，优化地市级调度的调度模型，从而提高地市级供电局日前省供预测精确度。为了提高径流式小水电机组的出力预测精确度，在地级市调度范围内，将所属径流式机组按照县/区划分，并对降水数据按照各县机组的比例进行加权处理；考虑雨水的渗透和汇集作用对径流式机组的影响，使用降水影响因子进行数学描述和计算；针对地市级调度单位优化其调度策略，提高日前预测省供精确度。

附图说明

图1为调度结构图。

图2为地市级小水电分布细化图。

图3为确定降水影响因子流程图。

图4为预测省供负荷步骤图。

图5为预测省供负荷曲线与实际省供负荷曲线对比图。

具体实施方式

原理分析：

一般情况下，地市级调度可以调控的有少量小火电，其调控能力不足，所以需要省调中心提供电能，因此地市级调度日前负荷预测是其每日必须的工作，其意义十分重要。本发明目的是为了提高上报省供数据的精确度，立足于增加径流式小水电机组的发电量预测精确度，以历史天气数据以及负荷数据为参考，提供更加精确的省供值，以提高经济效益。

地市级调度结构图如图1所示，根据历史负荷侧总负荷数据以及对应的天气数据等，利用现有的预测方法预测出总负荷，上报给地市级调度中心；依据径流式小水电机组模型及预测的下一日天气数据得出径流式小水电机组出力预测值，并上报地市级调度中心；小火电将下一日机组可以出力的情况上报给地市级调度，小的负荷变动可由地市级调度直接调控小火电机组完成。地市级调度单位整合所有上报数据后，上报给省调控中心下一日所需的电量情况，并随时反馈省供电量信息。

由于地市级调度包含多个县/区级调度，范围较广，每个县的气温、降水、地质条件均有差异，因此需要将所属地市级小水电按照县/区划分。小水电较多的区域根据降水量往往可以将一年分为丰水期、枯水期。具体划分如图2所示。

由于各县/区小水电机组容量不同，如果A县降水与B县降水相同，则小水电出力将不同，因此需要对降水数据进行加权处理，公式如(1)所示。

公式(1)中x_i表示i县所有径流式小水电容量，y_i表示i县降水量。依据此公式将各地历史降水数据进行加权处理，使得有效降水变得更加精确。降水量的增加在一定程度上与径流式小水电机组出力有函数关系，由于径流式小水电机组有满发限制，若降水量持续增大，则有必要限定降水对小水电机组出力影响的上限。另外，对于含较多小水电机组的区域，往往其丰水期也是高温期，当有少量降水，气温却很高时，降水的大部分被蒸发，不能起到促进径流式小水电机组发电的作用，因此，当降水量少于一定量时可忽略，即降水对小水电出力影响的下限。由于降水后雨水的渗透及汇集的特性，因此，并不是某时刻降水发生就会立刻对小水电产生影响，也不是某时刻降水停止，之前的降水量就不会对之后小水电出力产生影响，实际上，发生降水后的几个小时内仍会对径流式小水电出力产生影响，其影响随着时间的推移减少，对这种影响进行数学表达，定义这种影响为降水影响因子。为了进一步说明降水影响因子，列出下面的表格进行说明。表1中，x_i表示某地区降水第i小时后的降水影响因子，假定某地区降水后5小时内对径流式机组有影响，即降水5小时内有降水影响因子，5小时后则降水影响因子为0。例如：某地区降水影响因子5小时内依次为x₁，x₂，x₃，x₄，x₅，某地区0-1时降水量为M₁，则在之后5小时内，其影响依次为M₁×x₁，M₁×x₂，M₁×x₃，M₁×x₄，M₁×x₅，在5小时后则没有影响。以此类推，以后每个时段的的降水影响计算方法与0-1小时的降水影响计算方法相同。

表1降水影响因子说明

本发明一种含小水电的地调范围日前预测省供负荷方法，包括以下步骤：

步骤1：根据地级市下辖县/区行政划分，将所属各县/区的径流式机组容量进行统计,首先统计所述县/区的径流式机组数量及其机组容量，进而求和得出该县/区径流式机组容量，并根据历史降水数据量，将各县/区的全年分为丰水期和枯水期。方法如图2所示。

例如：A地级市下辖9个县/区，径流式小水电机组容量分别为30MW，190MW，12MW，26MW，64MW，M18MW，111MW，232MW，239MW。通过月降水量，将全年分为丰水期和枯水期。以下以丰水期为例。

步骤2：由于各县径流式小水电机组容量不同，故即使两个县降水一样，最终小水电发电量也是不同的，即有效的降水量是不一样的，由如下公式(1)

公式(1)中x_i表示i县所有径流式小水电容量，y_i表示i县降水量，根据步骤1所划分的各县/区机组，将历史降水数据做加权处理。

例如：A市下辖9个县/区某日的每三小时实际气温及实际降水分别为：

表2A市下辖9个县/区某日的每三小时实际平均气温/(℃)

表3A市下辖9个县/区某日的每三小时实际降水量/(mm)

根据步骤1所划分的各县/区机组，将降水数据按照公式(1)做加权处理，加权处理后的降水数据为：

表4加权处理后的降水数据

步骤3：由于降水后雨水的渗透及汇集的特性，因此，并不是某时刻降水发生就会立刻对小水电产生影响，也不是某时刻降水停止，之前的降水量就不会对之后小水电出力产生影响，实际上，发生降水后的几个小时内仍会对径流式小水电出力产生影响，其影响随着时间的推移减少，对这种影响进行数学表达，定义这种影响为降水影响因子。根据当地地理环境，及历史降水量对小水电机组的发电影响，利用数学统计学及相关数学方法，得出降水影响因子，综合考虑A市以上因素，暂定A市降水影响因子如下：

表5A市各县/区降水影响因子表

经过步骤2加权过的降水，再结合各县/区降水影响因子，根据表4，A市各县/区降水影响因子表,可知该地区在降水后B县0-3小时降水影响因子为0.1,3-6小时为0.01,6小时候降水影响因子是0，得出最终降水数据。计算方法如：以B县为例，其经过加权处理过的降水0-3时为0.0948，3-6时为0.0770，6-9时为0.2637，9-12时为0.3555，12-15时为0.0030，15时以后为0。其最终时段降水应该是，该时段的加权降水数据加前面时段对该时段的影响，该影响是通过影响因子来表达的，方法是上一时段降水乘以对应降水影响因子，结合B县，其每3个小时一个时段，6个小时后降水影响因子为0，故其最终降水应该是该时段的加权降水数据加前面两个时段对该时段的影响。计算式为0-3时之前没有列出降水，说明没有降水，故0-3时最终降水仅为其经过加权的降水数据0.0948；3-6时最终降水数据为0.0770+0.0948×0.1＝0.08648≈0.0865，6-9时最终降水数据为0.0948×0.01+0.0770×0.1+0.2637＝0.2723，9-12时最终降水数据为0.0770×0.01+0.2637×0.1+0.3555＝0.3826，12-15时最终降水数据为0.2637×0.01+0.3555×0.1+0.0030＝0.0412，15-18时最终降水数据为0.3555×0.01+0.0030×0.1+0＝0.0039，18-21时最终降水数据为，0.003×0.01+0×0.1+0.0≈0,21-24时最终降水数据为0×0.01+0×0.1+0＝0。其余的县/区也按照此方法进行计算。

表6各县最终降水数据

步骤4：将以上各县降水数据对应时段求和，得出A市在不同时段的降水数据。

表7A市时段降水数据

步骤5：将A市历史气温及降水数据按照上述步骤1-4进行数据处理，得出处理后的气温(即步骤2中表2的各县每时段平均气温)及降水数据(即步骤4中表7的A市时段降水数据)，进而，以处理后的历史气温和降水为BP神经网络方法中的训练样本的输入数据，当日径流式小水电机组发电量为训练样本的输出数据，为保证预测的准确性，需要至少100组这样的训练样本。将A市预测气温及降水按照上述步骤1-4进行处理，得出处理后的预测气温及降水数据，作为BP神经网络方法中的测试输入数据，通过BP神经网络方法可以得出预测小水电发电量。

步骤6：以历史数据为训练样本，利用神经网络方法，得出地区负荷数据。具体来讲，步骤5得出处理后的历史气温及降水数据，进而，以处理后的历史气温和降水为BP神经网络方法中的训练样本的输入数据，当日的地区负荷数据为训练样本的输出数据，为保证预测的准确性，需要至少100组这样的训练样本。将A市预测气温及降水按照上述步骤1-4进行处理，得出处理后的预测气温及降水数据，作为BP神经网络方法中的测试输入数据，通过BP神经网络方法可以得出预测地区负荷数据。

步骤7：根据步骤5可以得出预测小水电发电量，步骤6可以得出预测地区负荷数据，根据图1可知，径流式小水电机组的出力预测值和地区负荷预测值上报给地市级调度，地市级调度中心可以直接调控属于地市级调度的小火电出力，上述预测值满足以下关系式省供负荷＝地区预测负荷数据-径流式小水电发电量-小火电发电量，根据上述关系式，可以得出省供负荷数值，并上报省调中心，省调中心接到日前预测省供负荷。该方法通过提高径流式小水电机组出力的预测精度以及地区负荷预测精度，从而提高省供负荷预测精度。

在实际运行时，省调中心可以实时向地市级调度中心反馈省供负荷水平，此时地市级调度可以根据上报的省供与实际省供的差距，实时调整属于地市级调度的小火电，从而因前一日预测省供负荷不准导致的省级负荷变化明显。经过以上步骤，可以提高径流式小水电机组的出力预测，进而不仅可以实现预测省供负荷精度提高，也可以通过实时反馈调整小火电出力，从而提高省供预测精度。

图5是根据上述方法得出的最终上报省供的曲线，以及实际省供曲线，验证方法的有效性。

目前，供电公司监测负荷时，每15分钟采集一次负荷数据，则一天之内总共采集96个负荷数据。图5红色曲线为预测省调负荷曲线；蓝色曲线为当日真实值。日负荷预测准确率采用如下公式计算：

式中：

i＝1，2，L，96；L_Fi,L_Ri分别为负荷的预测值和实际值；n为日负荷预测总点数(96)；E_i为单点负荷的相对预测误差。根据前文提供的实际工程案例数据，通过计算得出预测准确率为97.49％。一般情况下，供电公司评价预测准确性的标准是，对于日用电负荷高于1GW的电网，A≥94％为合格；对于日用电负荷小于1GW的电网，A≤93％为合格。根据上述标准，如上所示的例子中的预测准确率97.49％高于94％，达到供电公司负荷预测的标准，验证了本发明所述方法的有效性。

Claims (1)

1.一种含小水电的地调范围日前预测省供负荷方法，其特征在于包括以下步骤：

步骤1：根据地级市下县/区行政划分，将所属各县/区的径流式机组容量进行统计，并根据历史降水数据，将各县/区的全年分为丰水期和枯水期；

步骤2：由于各县径流式小水电机组容量不同，故即使两个县降水一样，最终小水电发电量也是不同的，即有效的降水量是不一样的，由如下公式(1)

公式(1)中x_i表示i县所有径流式小水电容量，y_i表示i县降水量，根据步骤1所划分的各县/区机组，将历史降水数据做加权处理；

步骤3：根据当地地理环境，及历史降水量对小水电机组的发电影响，得出降水影响因子，经过步骤2加权过的降水，再结合各县/区降水影响因子，得出最终降水数据；

步骤4：将以上各县降水数据对应时段求和，得出某市在不同时段的降水数据；

步骤5：将某市预测每个时段平均气温及以上计算得 出的降水数据，作为BP神经网络方法中的输入数据，以历史数据为训练样本，得出预测小水电发电量；

步骤6：以历史负荷数据为训练样本，利用神经网络方法，得出地区负荷数据；

步骤7：根据步骤5，步骤6得出的数据，结合地区小火电机组的预测出力，得出省供数值，并上报省调中心。

Images