一种基于负荷分解的最大负荷预测方法

摘要

一种基于负荷分解的最大负荷预测方法。其包括计算各年夏季工作和休息日基础负荷曲线；获取历史样本区间内各年度5至8月工作和休息日整点负荷及对应的温度、相对湿度和高温持续天数数据；利用样本整点负荷减去中本年度该整点的基础负荷，得到该整点的空调负荷，形成包含空调负荷及对应温度、相对湿度和高温持续天数的新样本；建立空调负荷与温度、相对湿度及高温持续天数的数学模型；利用新样本，通过粒子群算法对数学模型进行拟合求解，得到空调负荷预测模型；根据基础负荷曲线对目标年基础负荷曲线进行预测；根据空调负荷预测模型对目标年空调负荷进行预测；对目标年最大负荷进行预测。本发明能为制定年度电网发展计划和安排运行方式提供很好的指导。

说明书

技术领域

本发明属于电力系统负荷预测技术领域，具体是涉及一种基于负荷分解 的最大负荷预测方法。

背景技术

负荷预测是电网规划和运行部门的常规工作。电力负荷组成可分为两大 部分，一部分是基础负荷，另一部分是空调负荷，最大负荷预测可通过对基 础负荷和空调负荷分别预测，然后叠加取最大值实现。

基础负荷主要受经济发展形势影响，波动较小，根据历史数据及当前经 济发展形势，可以对其进行较准确预测。

空调负荷主要受气象因素影响，波动较大，常规的方法较难准确预测。 随着经济和社会的发展，空调降温负荷在最大负荷中所占的比重越来越大， 很多城市已达到30％-50％，空调负荷预测准确与否直接影响了最大负荷的预 测精度，而最大负荷又是制定年度电网发展计划和安排运行方式的基础，因 此，研究一套科学合理的空调负荷预测的方法，对空调负荷进行较准确的 预测，显得格外重要。

空调负荷的大小不仅与温度有关，而且还与相对湿度和高温持续天数有 关。目前的空调负荷预测方法都只关注温度的影响，对相对湿度和高温持续 天数仅考虑对温度的修正，不太合理，预测精度较差，急需研究一种同时关 注温度、相对湿度和高温持续天数的空调负荷预测方法。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于负荷分解的最大负 荷预测方法。

为了达到上述目的，本发明提供的基于负荷分解的最大负荷预测方法包 括按顺序执行的下列步骤：

步骤1)获取历史样本区间内各年度4月份和9月份工作日和休息日整 点负荷数据，计算各年夏季工作日和休息日基础负荷曲线；

步骤2)获取历史样本区间内各年度5至8月份工作日和休息日整点负 荷及对应的温度、相对湿度和高温持续天数数据，从中选取合适的点作为样 本，要求样本在天气晴朗状况下选取，样本中温度和相对湿度的覆盖范围尽 量大；

步骤3)利用步骤2)中选取的样本整点负荷减去步骤1)中本年度该整 点的基础负荷，得到该整点的空调负荷，形成包含空调负荷及对应温度、相 对湿度和高温持续天数的新样本；

步骤4)建立空调负荷与温度、相对湿度及高温持续天数的数学模型；

步骤5)利用步骤3)中得到的新样本，通过粒子群算法对步骤4)中建 立的数学模型进行拟合求解，得到空调负荷预测模型；

步骤6)根据步骤1)中各年的基础负荷曲线，综合考虑当前经济发展 形势，对目标年基础负荷曲线进行预测；

步骤7)根据步骤5)中空调负荷预测模型，综合考虑人口及空调保有 量的增长，对目标年空调负荷进行预测；

步骤8)根据步骤6)和步骤7)的预测结果，对目标年最大负荷进行预 测。

在步骤1)、步骤2)中，所述的历史样本根据工作及生活方式的不同 分为工作日和休息日两种，所述基础负荷和空调负荷的预测也分工作日和休 息日两种，最大负荷取两种情况预测出的较大值。

在步骤1)中，所述的各年度夏季工作日和休息日的基础负荷曲线分别 用y_i和y′_i表示，y_i＝(y_i4+y_i9)/2，y′_i＝(y'_i4+y'_i9)/2；

其中，y_i4和y'_i4分别表示各年度4月份工作日和休息日的平均负荷曲线， y_i9和y'_i9分别表示各年度9月份工作日和休息日的平均负荷曲线。

在步骤4)中，所述的空调负荷与温度、相对湿度及高温持续天数的数 学模型为：

$f_i=\frac{c}{1+{\mathrm{ae}}^{\mathrm{bt}}}+\frac{l}{1+{\mathrm{ge}}^{\mathrm{kh}}}+s\ln (n+1)---\left(1\right)$

其中，f_i表示空调负荷，t表示温度，h表示相对湿度，n表示高温持续 天数，a、b、c、g、k、l、s为待求参数。

在步骤5)中，所述的通过粒子群算法对步骤4)中建立的数学模型进 行拟合求解的方法包括下列步骤：

步骤5.1)将公式(1)中的待求参数作为粒子群，设置粒子种群数、学 习因子、飞行速度上下限，初始化各粒子的速度和位置，设置最大迭代次数 dcmax；

步骤5.2)将各样本的温度、相对湿度和高温持续天数代入公式(1)， 得到初始化参数下各样本空调负荷的计算值，求取各样本空调负荷计算值与 实际值差的平方和，记为F0；

步骤5.3)初始化minF＝F0

步骤5.4)初始化迭代次数dc＝0；

步骤5.5)令dc＝dc+1；

步骤5.6)判断dc是否大于0，若是，则进入步骤5.7)，否则进入步骤5.4)；

步骤5.7)根据粒子群算法更新待求参数的数值，将各样本的温度、相 对湿度和高温持续天数代入公式(1)，得到该参数下空调负荷的计算值， 求取各样本空调负荷计算值与实际值差的平方和，记为Fdc；

步骤5.8)判断minF是否小于Fdc，若是则进入步骤5.10)，否则进入 步骤5.9)；

步骤5.9)令minF＝Fdc,并记录对应的参数值；

步骤5.10)判断dc是否大于dcmax，若是，则进入步骤5.11)，否则进 入步骤5.5)；

步骤5.11)将求取的参数值代入公式(1)，得到空调负荷预测模型。

本发明提供的基于负荷分解的最大负荷预测方法的有益效果：

与现有技术相比，本发明将最大负荷分解为基础负荷和空调负荷，根据 两类负荷的不同特性，采用不同方法分别进行预测。在对空调负荷的预测中， 全面考虑了温度、相对湿度和高温持续天数的影响，建立预测模型，并运用 粒子群算法，通过大量历史数据进行拟合求解，得到准确的空调负荷预测模 型，提高了空调负荷预测的精度，进而提高了最大负荷预测的精度，为制定 年度电网发展计划和安排运行方式提供很好的指导。

附图说明

图1为本发明提供的基于负荷分解的最大负荷预测方法流程图；

图2a、图2b分别为本发明提供的基于负荷分解的最大负荷预测方法中 春季、夏季及秋季工作日及休息日基础负荷曲线图；

图3为本发明提供的基于负荷分解的最大负荷预测方法中基于粒子群算 法的空调负荷预测模型求解流程图。

具体实施方式

下面结合附图和具体实施例对本发明提供的基于负荷分解的最大负荷 预测方法进行详细说明。

如图1所示，本发明提供的基于负荷分解的最大负荷预测方法包括按顺 序执行的下列步骤：

步骤1)获取历史样本区间内各年度4月份和9月份工作日和休息日整 点负荷数据，计算各年夏季工作日和休息日基础负荷曲线；

步骤2)获取历史样本区间内各年度5至8月份工作日和休息日整点负 荷及对应的温度、相对湿度和高温持续天数数据，从中选取合适的点作为样 本，要求样本在天气晴朗状况下选取，样本中温度和相对湿度的覆盖范围尽 量大；

步骤3)利用步骤2)中选取的样本整点负荷减去步骤1)中本年度该整 点的基础负荷，得到该整点的空调负荷，形成包含空调负荷及对应温度、相 对湿度和高温持续天数的新样本；

步骤4)建立空调负荷与温度、相对湿度及高温持续天数的数学模型；

步骤5)利用步骤3)中得到的新样本，通过粒子群算法对步骤4)中建 立的数学模型进行拟合求解，得到空调负荷预测模型；

步骤6)根据步骤1)中各年的基础负荷曲线，综合考虑当前经济发展 形势，对目标年基础负荷曲线进行预测；

步骤7)根据步骤5)中空调负荷预测模型，综合考虑人口及空调保有 量的增长，对目标年空调负荷进行预测；

步骤8)根据步骤6)和步骤7)的预测结果，对目标年最大负荷进行预 测。

在步骤1)、步骤2)中，所述的历史样本根据工作及生活方式的不同 分为工作日和休息日两种，所述基础负荷和空调负荷的预测也分工作日和休 息日两种，最大负荷取两种情况预测出的较大值。

在步骤1)中，所述的各年度夏季工作日和休息日的基础负荷曲线分别 用y_i和y′_i表示，y_i＝(y_i4+y_i9)/2，y′_i＝(y'_i4+y'_i9)/2；

其中，y_i4和y'_i4分别表示各年度4月份工作日和休息日的平均负荷曲线， y_i9和y'_i9分别表示各年度9月份工作日和休息日的平均负荷曲线，由于4月份 和9月份基本无空调负荷，可以近似认为y_i4、y'_i4、y_i9和y'_i9分别表示上述两 月工作日和休息日的基础负荷曲线，考虑经济增长的影响，夏季工作日和休 息日的基础负荷曲线通过上述两月取平均值的方法求得，春季、夏季及秋季 工作日及休息日基础负荷曲线图如图2所示。

在步骤4)中，所述的空调负荷与温度、相对湿度及高温持续天数的数 学模型为：

$f_i=\frac{c}{1+{\mathrm{ae}}^{\mathrm{bt}}}+\frac{l}{1+{\mathrm{ge}}^{\mathrm{kh}}}+s\ln (n+1)---\left(1\right)$

其中，f_i表示空调负荷，t表示温度，h表示相对湿度，n表示高温持续 天数，a、b、c、g、k、l、s为待求参数；空调负荷与温度和相对湿度(未 形成降雨时)的关系大致符合生长曲线，与高温持续天数的关系大致符合对 数曲线。

如图3所示，在步骤5)中，所述的通过粒子群算法对步骤4)中建立的 数学模型进行拟合求解的方法包括下列步骤：

步骤5.1)将公式(1)中的待求参数作为粒子群，设置粒子种群数、学 习因子、飞行速度上下限，初始化各粒子的速度和位置，设置最大迭代次数 dcmax；

步骤5.2)将各样本的温度、相对湿度和高温持续天数代入公式(1)， 得到初始化参数下各样本空调负荷的计算值，求取各样本空调负荷计算值与 实际值差的平方和，记为F0；

步骤5.3)初始化minF＝F0

步骤5.4)初始化迭代次数dc＝0；

步骤5.5)令dc＝dc+1；

步骤5.6)判断dc是否大于0，若是，则进入步骤5.7)，否则进入步骤5.4)；

步骤5.7)根据粒子群算法更新待求参数的数值，将各样本的温度、相 对湿度和高温持续天数代入公式(1)，得到该参数下空调负荷的计算值， 求取各样本空调负荷计算值与实际值差的平方和，记为Fdc；

步骤5.8)判断minF是否小于Fdc，若是则进入步骤5.10)，否则进入 步骤5.9)；

步骤5.9)令minF＝Fdc,并记录对应的参数值；

步骤5.10)判断dc是否大于dcmax，若是，则进入步骤5.11)，否则进 入步骤5.5)；

步骤5.11)将求取的参数值代入公式(1)，得到空调负荷预测模型。

本发明首先提出最大负荷的分解方法，将最大负荷分解为基础负荷和空 调负荷，然后分别对其进行预测，最后得到最大负荷的预测结果，为制定年 度电网发展计划和安排运行方式提供指导；在对空调负荷的预测中同时关注 温度、相对湿度和高温持续天数的影响，建立数学模型，并利用粒子群优化 算法进行拟合求解，得到较准确的空调负荷预测模型，提高了最大负荷预测 精度。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已， 并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同 替换和改进等，均应包含在本发明的保护范围之内。