丁小葉

?

基于柔性負(fù)荷的負(fù)荷特性分析和短期負(fù)荷預(yù)測(cè)新技術(shù)

丁小葉

（國(guó)網(wǎng)江蘇省電力有限公司南通供電分公司，江蘇 南通 226006）

根據(jù)電力需求的價(jià)格彈性分析了智能電網(wǎng)下負(fù)荷與電價(jià)之間的相關(guān)性。同時(shí)，將總負(fù)荷按照各影響因素進(jìn)行分解，提出預(yù)測(cè)柔性負(fù)荷容量大小的方法：在傳統(tǒng)負(fù)荷預(yù)測(cè)因素的基礎(chǔ)上，考慮實(shí)時(shí)電價(jià)因素，提出基于電價(jià)敏感性負(fù)荷建模的短期負(fù)荷預(yù)測(cè)新技術(shù)；對(duì)美國(guó)PJM市場(chǎng)下的某地區(qū)負(fù)荷進(jìn)行算例分析。

柔性負(fù)荷；負(fù)荷特性分析；短期負(fù)荷預(yù)測(cè)；智能電網(wǎng)

智能電網(wǎng)的負(fù)荷預(yù)測(cè)需要站在市場(chǎng)的角度看待用戶(hù)的需求，綜合考慮電價(jià)、風(fēng)險(xiǎn)、輸電能力等[1]，傳統(tǒng)的負(fù)荷特性分析和單值負(fù)荷預(yù)測(cè)已無(wú)法滿足這類(lèi)要求。文獻(xiàn)[2]對(duì)江蘇省部分地區(qū)的負(fù)荷特性進(jìn)行分析，在負(fù)荷特性分析的基礎(chǔ)上對(duì)有關(guān)需求側(cè)管理措施的成本效益進(jìn)行分析計(jì)算，比較了不同的用電設(shè)備參與需求側(cè)管理項(xiàng)目的規(guī)模大小及節(jié)電效果。

1 電價(jià)對(duì)負(fù)荷的影響分析

隨著電價(jià)升高，負(fù)荷需求隨之減小，負(fù)荷需求量與電價(jià)成反比，通常將其在某一均衡點(diǎn)附近線性化，定義為彈性系數(shù)，公式為：

式（1）中：為彈性系數(shù)；△為負(fù)荷變化量；△為電價(jià)變化量。

由不同時(shí)刻的彈性系數(shù)組成的矩陣稱(chēng)為彈性矩陣，比如每日24 h的需求實(shí)時(shí)電價(jià)彈性，其矩陣為：

在矩陣中，對(duì)角線上的彈性系數(shù)為負(fù)值，表示單個(gè)時(shí)段負(fù)荷隨電價(jià)變化的彈性；其余的彈性系數(shù)為非負(fù)值，表示跨時(shí)段負(fù)荷電價(jià)彈性。不同電力用戶(hù)價(jià)格彈性矩陣也不同，比如大用戶(hù)（工業(yè)）可通過(guò)多種形式參與市場(chǎng)，彈性系數(shù)較大；而中小用戶(hù)（商業(yè)、居民等）跟蹤市場(chǎng)能力相對(duì)較弱，彈性系數(shù)較小。此外，價(jià)格彈性矩陣還與用戶(hù)用電行為模式有關(guān)，不同用電習(xí)慣和用電目的下價(jià)格彈性矩陣各異。

為了將負(fù)荷需求電價(jià)彈性關(guān)系計(jì)入電力負(fù)荷預(yù)測(cè)模型中，可采用圖1中的反饋模型。通過(guò)反饋修正預(yù)測(cè)值，當(dāng)△小于某一設(shè)定的精確度值時(shí)輸出，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型能較好滿足這一要求。此外，由于電價(jià)與氣候以及日類(lèi)型之間的關(guān)系并沒(méi)有非常強(qiáng)的相關(guān)性，所以符合BP神經(jīng)網(wǎng)絡(luò)的初始條件。

圖1 反饋模型示意圖

2 負(fù)荷分解模型

根據(jù)地區(qū)負(fù)荷與電價(jià)的現(xiàn)實(shí)規(guī)律，從總負(fù)荷中分解出對(duì)電價(jià)不敏感的基礎(chǔ)負(fù)荷和受電價(jià)因素影響的電價(jià)敏感性負(fù)荷2部分，從而建立負(fù)荷分解模型：

=basic+price+random. （3）

式（3）中：為總負(fù)荷；basic為基礎(chǔ)負(fù)荷，反映負(fù)荷在較長(zhǎng)持續(xù)時(shí)間內(nèi)某種總的發(fā)展趨勢(shì)，具有一定的穩(wěn)定性、周期性和季節(jié)性；price為電價(jià)敏感性負(fù)荷，反映電價(jià)因素對(duì)負(fù)荷變化的影響，是隨電價(jià)因素變化上下波動(dòng)的負(fù)荷分量；random為誤差分量，包括由隨機(jī)因素而造成的負(fù)荷變化量和預(yù)測(cè)前2個(gè)負(fù)荷分量時(shí)所產(chǎn)生的誤差。

其中，基礎(chǔ)負(fù)荷包括趨勢(shì)分量和周期分量2部分。趨勢(shì)分量表征了一段時(shí)間內(nèi)負(fù)荷的某種持續(xù)發(fā)展趨向，一般受經(jīng)濟(jì)等因素的影響而不用考慮天氣、節(jié)假日和隨機(jī)因素，在短期負(fù)荷預(yù)測(cè)中可視趨勢(shì)分量為常數(shù)處理；周期分量則反映了負(fù)荷的季節(jié)性和周期性方面的循環(huán)變化。本文在電力公司常規(guī)負(fù)荷預(yù)測(cè)和某地區(qū)電力需求價(jià)格彈性研究的基礎(chǔ)上，對(duì)需求價(jià)格彈性曲線采用線性擬合后，運(yùn)用公式（4）和（5）即可得到預(yù)測(cè)日的基礎(chǔ)負(fù)荷：

basic=－price. （4）

pric=×+. （5）

式（4）（5）中：為一日負(fù)荷，由實(shí)時(shí)負(fù)荷構(gòu)成24×1的矩陣=[1，2，…，24]；為一日電價(jià)，由實(shí)時(shí)電價(jià)構(gòu)成24×1的矩陣=[1，2，…，24]；和為線性擬合后的需求價(jià)格曲線參數(shù)矩陣，不同的用戶(hù)中和的數(shù)值也不同。

對(duì)于總數(shù)為的用戶(hù)群，有=[1，2，…，n]，=[1，2，…，n]，運(yùn)用蒙特卡洛仿真方法，在其電力需求價(jià)格彈性的變化區(qū)間內(nèi)抽樣取出一隨機(jī)變量[n，n]，代入公式（5）即可求出函數(shù)值price.當(dāng)獨(dú)立模擬的次數(shù)相當(dāng)多時(shí)，就可以通過(guò)計(jì)算出的price1，price2，，pricen，確定出函數(shù)price的概率分布和數(shù)學(xué)期望等多種統(tǒng)計(jì)參數(shù)。在price數(shù)學(xué)期望值的基礎(chǔ)上應(yīng)用公式（4）即可計(jì)算得到basic.另外，由于對(duì)需求價(jià)格彈性曲線線性化處理后，其中的乘法運(yùn)算使得數(shù)據(jù)誤差被進(jìn)一步放大，需要對(duì)所得數(shù)據(jù)進(jìn)行平滑處理，才能使基礎(chǔ)負(fù)荷的計(jì)算結(jié)果更符合基礎(chǔ)負(fù)荷的一般性特征。

3 短期負(fù)荷預(yù)測(cè)模型

3.1 輸入輸出變量的選擇

根據(jù)上述對(duì)短期電力負(fù)荷特性的分析，本模型中采用帶有15個(gè)輸入變量和1個(gè)輸出變量的負(fù)荷預(yù)測(cè)模型，連續(xù)建模24次即可預(yù)測(cè)未來(lái)1 d每小時(shí)的負(fù)荷水平。模型的輸入和輸出變量如表1所示。

表1 BP神經(jīng)網(wǎng)絡(luò)的輸入輸出描述

類(lèi)別編號(hào)描述 輸入變量負(fù)荷數(shù)據(jù)1～2預(yù)測(cè)點(diǎn)前1時(shí)刻和前2時(shí)刻負(fù)荷值 3～5前1 d的同一預(yù)測(cè)時(shí)刻點(diǎn)、同一預(yù)測(cè)點(diǎn)前1時(shí)刻和后1時(shí)刻負(fù)荷值 6～8前1周的同一預(yù)測(cè)時(shí)刻點(diǎn)、同一預(yù)測(cè)點(diǎn)前1時(shí)刻和后1時(shí)刻負(fù)荷值 電價(jià)數(shù)據(jù)9～12預(yù)測(cè)點(diǎn)電價(jià)、預(yù)測(cè)點(diǎn)前1時(shí)刻、預(yù)測(cè)點(diǎn)前兩時(shí)刻和后1時(shí)刻電價(jià) 13前1 d的同一預(yù)測(cè)時(shí)刻點(diǎn)電價(jià) 其他數(shù)據(jù)14預(yù)測(cè)日日類(lèi)型 15預(yù)測(cè)日平均溫度 輸入變量1未來(lái)1 d每小時(shí)的負(fù)荷預(yù)測(cè)值

3.2 BP神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)輸出

在上述提出的負(fù)荷分離方法和神經(jīng)網(wǎng)絡(luò)基本建模思路基礎(chǔ)上，本文構(gòu)造了分離基礎(chǔ)負(fù)荷的BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型，其工作流程如圖2所示。

4 算例分析

利用上述方法，對(duì)美國(guó)PJM市場(chǎng)中的某地區(qū)2017-05-14進(jìn)行未來(lái)1 d每小時(shí)的負(fù)荷預(yù)測(cè)，訓(xùn)練數(shù)據(jù)取2017-03—2017-04的歷史負(fù)荷數(shù)據(jù)。圖3為各種方法的負(fù)荷預(yù)測(cè)結(jié)果對(duì)比曲線。對(duì)于相同的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，從對(duì)比數(shù)據(jù)及曲線中分析可知，不考慮電價(jià)因素的負(fù)荷預(yù)測(cè)時(shí)的誤差比較大，其平均絕對(duì)值百分誤差（）為2.869 2%；考慮了電價(jià)因素以后為1.560 8%.將負(fù)荷中的基礎(chǔ)負(fù)荷部分分離后得到的預(yù)測(cè)結(jié)果精度更為精確，達(dá)到了1.368 9%，可見(jiàn)在電力市場(chǎng)環(huán)境下，實(shí)時(shí)電價(jià)與負(fù)荷需求間存在著密切聯(lián)系，特別是當(dāng)總負(fù)荷中分離出不受電價(jià)影響的基礎(chǔ)負(fù)荷后，考慮電價(jià)因素后的負(fù)荷預(yù)測(cè)結(jié)果也更精確。

圖2 分離基礎(chǔ)負(fù)荷的BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型

圖3 實(shí)際負(fù)荷與不同方法負(fù)荷預(yù)測(cè)結(jié)果

5 結(jié)束語(yǔ)

綜上所述，本文提出的短期負(fù)荷預(yù)測(cè)模型有助于評(píng)估柔性負(fù)荷的可調(diào)能力和可控容量，進(jìn)一步提高分析預(yù)測(cè)質(zhì)量和準(zhǔn)確性水平，充分挖掘智能電網(wǎng)環(huán)境下負(fù)荷側(cè)資源，優(yōu)化電力資源配置，為電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性和安全性提供有力的保證。

［1］康重慶，夏清，胡左浩，等.電力市場(chǎng)中預(yù)測(cè)問(wèn)題的新內(nèi)涵［J］.電力系統(tǒng)自動(dòng)化，2004（18）.

［2］顧明宏.揚(yáng)州市電力負(fù)荷特性及DSM潛力分析［D］.廣州：東南大學(xué)，2005.

［3］林海英，李建榮，宣菊琴，等.鋼鐵行業(yè)負(fù)荷特性及需求側(cè)管理潛力分析［J］.華東電力，2005（11）.

2095－6835（2018）21－0039－02

U223

A

10.15913/j.cnki.kjycx.2018.21.039

〔編輯：張思楠〕