城市空间负荷预测(精选八篇)
城市空间负荷预测 篇1
1 电网发展与空间负荷预测的关系
电网发展的目的是为当地用电负荷提供安全、可靠、充足、便捷、经济的电力。空间负荷预测的任务是明确各负荷元胞的空间布局、发展时序、负荷特性曲线等, 进而综合分析元胞组的负荷时空分布。空间负荷预测是电网发展规划方案制定以及实施电网建设项目决策的重要依据, 是电网规划中的基础工作。
2 空间电力负荷预测技术发展历程
空间电力负荷预测也称空间负荷预测 (spatialload forecasting, SLF) , 是指对供电区域内未来电力负荷的大小和位置的预测。国外自从20世纪30年代中期出现有关电力负荷分布的负荷预测的记载以来, 一直称之为小区负荷预测。直到1983年, H.L.Willis给出了SLF的定义, 即在未来的供电范围内, 根据电压水平不同, 将用地按照一定原则划分为相应大小的规则或不规则小区 (每个小区又称为一个负荷元胞, 简称元胞) , 通过对元胞负荷的历史数据的分析, 以及对元胞内土地利用的特征和发展规律的分析, 来预测每个元胞中电力用户负荷的数量、用量和产生的时间。从此SLF一词被广为接受和使用。
国内关于SLF的研究起步相对较晚, 最早明确使用SLF术语的文献出现在1989年。国内目前空间负荷预测方法用得多的是直观预测法 (涂色法) 、多元变量法、分类平均负荷密度指标、考虑不确定性因素的用地仿真法、趋势预测法等。
3 山地超大城市电网发展的特点
3.1 城市定位和特点
超大城市是城市序列的最高级, 属国家中心城市, 对周边地区具有强大的辐射和带动能力。山地型城市由于地理环境的特殊性, 往往具有高山、丘陵、平原、沟壑等各类地形交织综合的特点, 城市发展呈组团式格局。
3.2 电网发展受城市总体规划制约
城市总体规划是指导城市各项建设的总体框架, 其他各项专项规划都是在总体规划的范围内进行细化、补充和协调。现阶段城市建设速度迅猛、土地消耗迅速, 但对电网规划的研究往往投入不足, 进而导致电网建设滞后经济发展、建设成本陡增, 严重时制约经济发展;乡镇电网建设投入不足, 电网结构不合理。因此, 为保证电网发展的有效性和可行性, 必须在城市总体规划基础上适时进行电网专项规划。
3.3 电网建设具有多因素不确定性
(1) 从负荷预测方面看, 由于经济社会发展条件的变化, 电力负荷增长存在着一定的不确定性, 导致电网建设存在不确定性。
(2) 电源建设受城市规划及燃料来源等因素的限制, 导致配套电网工程建设具有一定不确定性。
(3) 山地超大城市具有组团式发展特点, 城市骨架大、负荷密集区域多且较为分散、地质特征复杂, 点多、面广、线长, 建设资金相对不足, 电网工程建设能否如期顺利实施存在很多不确定性因素。
4 山地超大城市空间负荷预测的基本原则
4.1 坚持负荷预测与城市发展相适应的原则
城市发展因其定位、地理位置、人口、经济形势、经济政策、物价因素、电价因素、城乡居民家用电气化情况、燃料供应等决定了负荷预测的独特性和时空分布的唯一性。负荷预测必须深入分析和科学研究城市发展个性因素。
4.2 坚持按城市空间功能划分原则开展空间负荷预测
山地超大城市因其城乡总面积大、空间功能划分各不相同且较为独立、经济社会发展形态差异较大、地区发展程度及负荷密集程度迥异。因此, 对城市不同的功能分区应采用不同的空间负荷预测方法。
4.3 坚持以负荷特性曲线作为空间负荷预测的基础
用电设备的安装容量和最大负荷是分布在空间里的点状静止对象, 无法反映自身随时间的发展趋势及相互间的作用效果。负荷特性曲线恰好综合了城市发展的各种宏观及微观因素, 准确反映了负荷随时间的变化, 只有融合了负荷特性信息的空间负荷预测结果才能为电网规划建设提供合理的决策依据。
5 山地超大城市空间负荷预测的方法探讨
将城市按功能定位和发展程度分为三大区域, 即主城成熟区、主城在建区和生态保护发展区。分别采用分类平均负荷密度指标法、考虑不确定性因素的用地仿真法、趋势预测法进行空间负荷预测。
从数学角度来讲空间负荷预测存在以下3种映射关系:
式中, f1将地块 (x, y) 的特征F (x, y) 映射成地块面积S (x, y) , f2将地块面积映射成片区负荷Q (x, y) 。f3将片区负荷映射成区域总负荷。
式中, m为地块编号, λ为地块负荷发展程度, Pi为该地块的负荷密度, Si (x, y) 为第i地块面积和, Qk (x, y) 为k片区的负荷。
分类平均负荷密度指标法在预测过程中将所有元胞内相同性质负荷聚合成一类, 通过预测分类负荷平均密度, 结合市政规划方案中的用地信息, 并根据各元胞内分类负荷所占的面积, 最终分别计算出各元胞的负荷值。其实质是把各个元胞的负荷预测转化为分类负荷及其分布的预测。该方法需要负荷及用地信息详细, 预测精确度较高, 适合对主城成熟区的负荷预测。
考虑不确定性因素的用地仿真法将电力负荷的空间分布看作是基础分布和事件分布相互叠加的结果, 先采用传统的用地仿真类SLF方法对电力负荷分布的平稳发展部分进行预测, 得到基础分布结果, 再针对大事件发生的时间和位置的不确定性, 引入多方案预测方法论, 最终得出科学的空间负荷预测结果。该方法对土地跳跃式发展区域负荷预测具有优势, 适用于主城在建区的空间负荷预测。
趋势预测法简单方便, 数据需求量小, 易于实现, 适用于负荷发展平稳、土地面积大且基础资料不完备的生态保护发展区空间负荷预测。
结语
山地超大城市因其国家中心城市的定位在国家发展战略中具有举足轻重的地位, 因其独特的地形地势对电网发展提出了更高要求。城市的发展离不开电网发展, 合理的电网结构和项目建设时序离不开空间负荷预测的科学性和准确性。因此, 务必重视此类城市的负荷预测研究, 采用合适的预测方法为电网发展提供有力的决策支撑。本文受《基于重庆“五大功能区”规划的空间饱和负荷发展预测》 (2015渝电科技4#) 支持。
参考文献
[1]Willis H L.Spatial electric load forecasting[M].New York:Marcel Dekker, 2002.
[2]肖白, 穆钢, 杨右虹, 等.基于GIS的空间电力负荷预测平台的研究与开发[J].中国电力, 2010, 43 (10) :53-56.
[3]寇纪淞, 李敏强.空间负荷预测的聚类综合方法与合理空间分解[J].系统工程学报, 1989, 4 (02) :42-53.
[4]肖白, 周潮, 穆钢.空间电力负荷预测方法综述与展望[J].中国电机工程学报, 2013, 33 (25) .
[5]王成山, 黄纯华, 葛少云, 等.一个实用的城市电力负荷密度预测系统[J].电网技术, 1992, 16 (06) :41-46.
城市电网负荷预测 篇2
关键词:电网 负荷 预测
1.负荷预测的前期工作
1.1影响负荷预测的因素
1.1.1用户特点
工业企业的性质、规模大小、产品种类、工艺过程以及生产班次等等的不同将影响其电力负荷的大小不同。
1.1.2机械化及电气化水平
机械化、电气化水平越高,电力负荷越大。
1.1.3居民的物质文化生活水平
国家的经济和科学技术越发达,城市的市政工程设施越完善,人民的文化生活水平越高,相应的电力负荷就越大。
1.1.4气候条件
地区气候条件的不同影响所用电量的不同。
1.1.5负荷构成
各类用户的最大负荷并不是同时出现的,各类用户最大负荷在城市总负荷中所占比例的不同也影响着城市总负荷的大小。
1.2负荷预测前的资料收集工作
负荷预测计算所需的资料一般应包括下列内容:
1.2.1城市建设总体规划中有关人口规划、用地规划、能源规划、产值规划、城市居民收入和消费水平、市内各功能区的改造和发展规划。
1.2.2城市计划和统计部门及各大用户提供的用电发展规划和有关资料。
1.2.3电力系统规划中有关的如电力、电量平衡等资料。
1.2.4全市及分区、分电压等级统计的历年用电量和负荷、典型日负荷曲线及潮流分布图。
1.2.5各变电站有代表性的负荷记录和典型日负荷曲线。
1.2.6按行业统计的历年售电量和负荷。
1.2.7工业用户的用電量、负荷、主要产品产量和用电单耗。
1.2.8计划新增的大用户名单、用电容量、时间和地点。
1.2.9现有电源、供电设备或线路过负荷情况,及由此而供不出电的数量。
1.2.10国家及地方经济建设发展中的重点工程项目及用电发展资料。
2.城市电网负荷预测方法
城市电力网的电力负荷预测一般可采用两种基本方法。一种是从电量预测入手,然后转化为电力负荷;另一种方法是从计算城市各分区现有负荷密度入手,推算各分区和整个城市电力网未来的总负荷。
2.1电量预测法
按《城市电力网规划设计导则》,进行电量预测应将用户按工业、农业、交通运输业和市政生活分为四类分别进行。
电量预测方法很多,目前最常用的主要有以下几种方法:
2.1.1单耗法
这种方法根据产品(或产值)用电单耗和产品数量(产值)来推算企业全年用电量,是预测有单耗指标的工业,部分农业生产用电量的一种直接有效的方法。
按此方法计算时应搜集有关企业生产性质、产品类型、年产量m(台或t)或年总产值c(元或千元)、单位产品耗电量Am(kWh/台或kwh/t)或单位产值耗电量Ac(kWh/元或kwh/千元)、企业最大负荷利用小时数Tmax。从而确定全年用电量A(kWh)
A=Am·m或A=Ac·C
显然,这种方法较适宜于近、中期规划。对于远期规划,因产品产量和企业产值难以预测、产品结构可能变化极大而无法取得准确的参数。
2.1.2综合用电水平法
这种方法根据人口及每人的平均用电量来推算城市的用电量,比较适用于市区市政生活用电量的预测。一般,可通过市区典型小区的调查分析来确定每人的平均用电量AN(kWh/人·年),由市区人口统计资料确定人口数N,即可确定全年总用电量A=AN·N。
将分项统计结果进行纵向(逐年)和横向(相互比例)的分析对比,选择适当的方法和参数将它们综合为一个综合用电水平AN,这样的结果将更准确可靠。
2.1.3外推法
这种方法运用历年的历史资料数据加以延伸,由此推测未来各年的用电量。一般常用的有平均增长率法和回归分析法。
平均增长率法:
平均增长率法以时间T(年)为自变量,用电量A(kWh或万kwh)为因变量,根据历史规律和国民经济发展规划估算出今后电量的平均增长率Κ,若计算选用基准年实际用电量为A0(kWh或万kwh)则T年后用电量为:
A=A0(1+Κ)T
平均增长率法简单明了,它只有一个自变量——时间T,其他因素对电量增长的影响综合在平均增长率Κ中。因而在估计Κ值时应将除时间以外的有关因素考虑进去。当某个因素的影响有了变化就应该改变Κ值。
回归分析法:
这种方法以时间、人口、工农业产值、轻重工业比重、人均收入、住房面积等因素为自变量,用电量作为因变量,根据历史规律用数理统计方法求出适当数学模型,据以预测电量预测电量。
应该注意,统计得来的数据还应经过适当筛选,剔除少数不合理的数据系列。另外还应该注意,这些基于历史数据得到的数学模型,尽管其概率误差可能达到很小,但终究会受历史资料的局限,它只能很好地描述过去,而不一定能很好地描述未来特别是未来经济结构发生大的变动时,如果原有模型未考虑到这种变动因素的影响就很难得到准确的结果,甚至会得出错误的结果。
2.1.4弹性系数法
弹性系数法是根据地区的工农业总产值来确定该地区总用电量的方法。
电力弹性系数Ε定义为地区总用电量平均年增长率与工农业总产值平均年增长率之比。
设第m年及第m+n年的总用电量和总产值分别为Am、Am+n和Cm、Cm+n总用电量增长率和总产值增长率分别为a和d。
城市电力网的电力弹性系数可根据地区工业结构用电性质各类用电比重及发展趋势进行分析后确定。显然不同的城市类型、不同的工业结构、不同的经济发展政策、不同的地区优势都有不同的电力弹性系数。
上述四种方法可同时应用并相互校核,以获得更可靠更准确的电量预测值。
2.2负荷密度法
负荷密度法较电量预测法直观。最常用的是面负荷密度,即每平方公里的有功负荷数值。这是一种适用于市区内大量分散的用电负荷的方法。
2.2.1负荷密度的确定一般并不直接预测整个城市的负荷密度,而是将城市按其功能分为若干分区,甚至分为更小的小区,分别预测各分区或小区的负荷密度。预测的方法是先通过统计分析确定出各分区或小区目前的负荷密度,然后根据城市的总体规划和分区规划有关部分,确定各区的负荷密度预测值。
2.2.2计算负荷的确定
将各区负荷密度乘以各区面积可得各区负荷,将它们汇总并乘以同时系数(或除以分散系数)即可获得总的计算负荷。即P2=KT∑Pi。
式中,Pi是各区计算负荷;KT是同时系数;P2为总计算负荷。
应该注意的是,一般在汇总确定总负荷时就可按电压等级划分出各电压等级的计算负荷。另外,有时还要先从各小区负荷汇总出某一分区负荷。这时应注意计算公式形式虽仍一样但KT则对应不同的数值。
2.2.3大用户问题
当市区内大量分散的负荷中有一个大用户,如工业企业、街道工厂、大商场等时,可将这些大用户当作点负荷计算。即根据该负荷的特点用适当方法单独计算然后再与其他负荷按前述方法考虑同时系数进行合成。当然这些大用户所占市区面积也应从各区面积和城市面积中减去。
负荷预测的期限不同,负荷的性质和种类不同,资料收集的内容也不尽相同。例如,作整个城市的负荷预测与作某一个小区的负荷预测,资料收集的内容就多少不一;作短期计划和作中、长期规划,由于负荷预测方法的差别需要的资料、内容和数量也有很大差别;作一个工厂的负荷预测和作一个城市生活小区的负荷预测,由于负荷性质的差别计算方法大不相同,需要的资料内容和数量也有极大差别。
参考文献:
[1].戴慎志,《城市工程系统规划》中国建筑工业出版社
城市空间负荷预测 篇3
某市临近城区部分规划新建1个产业园区,面积1.8km2,现有1条10k V农网线路供电,该线路为单辐射接线形式,且供电半径20km,导线型号为LGJ-185,负载率60%,区块附近仅有1座110k V变电站,主供负荷重,无10k V新出线间隔。按照政府最新土地规划,需新增负荷电源点及相应中压配出。
2 空间负荷预测
利用负荷密度指标的方法进行负荷预测,确定每一类负荷的用电负荷密度参考指标。
(1)居住用地。为了对规划区内各类居民家庭未来用电情况有比较明确的了解,根据有关部门提供的参考资料,并结合实际情况,初步确定未来家庭电器的拥有情况及其应用情况以作参考。再结合城区居民生活的实际情况,以及《城市电力规划规范》对居民生活用电20~60W/m2的规定,确定居住用地的负荷密度指标选取为30W/m2。
(2)该区域以一类、三类工业为主,主要集中在农产品加工产业、食品加工工业、装备制造业、煤电煤化工产业等几大行业产品上。根据城区产业规划,并结合《城市电力规划规范》对工业用地20~80W/m2规定,确定乐都区城一类工业用地的负荷密度指标选取为25W/m2,二类工业用地的负荷密度指标选取为30W/m2,三类工业用地的负荷密度指标选取为40W/m2。
(3)公共设施用地主要包括行政办公、教育科研、文化娱乐、医疗卫生、体育用地、其他公共设施。参考公共设施用地负荷密度指标调查结果,结合乐都区城的实际情况,以及《城市电力规划规范》对公共设施用电30~120W/m2的规定,确定乐都区城C1-C4用地的负荷密度指标选取为40W/m2;C5-Cn用地的负荷密度指标选取为35W/m2。
(4)市政设施用地选取为20W/m2,仓储物流用地负荷密度指标选取为15W/m2,道路广场及绿地负荷密度指标选取为100k W/km2。
对上述各类性质用地的2020年负荷密度指标选取结果进行统计(如表1)。需用系数选取依据包括《中国建筑电气》和《工业与民用建筑供电》,所谓需用系数指的是同时系数与负荷系数的乘积。其中,同时系数(kt)指运行中所有电气设备的综合最大负荷与各个设备最大负荷之和的比值,负荷系数(k)即电气设备的实际负荷与其额定负荷之比。此处需用系数按最大值选取。
最终用地面积指标=建筑面积指标*需用系数/容积率,即用地面积负荷密度。最后将各类用地性质的负荷(用地面积*用地面积负荷密度)进行同时率加和,得出预测区域负荷,此处同时率考虑0.8。预计城区负荷远期将达到17.53MW,结果如表1所示。
3 中高压电网规划
此区块目前只有1条10k V线路供电,且负载率达到60%,根据负荷预测结果,区块远期负荷将达到17.53MW,仅靠1条10k V线路无法满足供电需求,且临近110k V电源点主供城网负荷,无剩余10k V出线间隔。考虑到城市近期用电需求及远期发展需求,考虑在区块新建1座110k V变电站,主变容量2×31.5MVA,本期新增1台主变,远期2台。
考虑区块位置及周边乡镇、农村供电需求,此变电站电压序列选择为110k V/35k V/10k V,110k V出线2回,35k V出线4回,10k V出线12回。
由负荷预测可知,此区块负荷为17.53MW,考虑区块临近城区,变电站10k V配出线路型号选择JKLGYJ-240,线路极限输送容量为8.9MVA。考虑线路负载率为50%,功率因数取0.95,则单条10k V线路可带4.23MW负荷,计算可知,4条10k V配出线路足以满足该区块供电需求。考虑新出10k V线路切改原过境10k V线路,优化网架结构,使城农网线路分开,此次一期配出6条10k V线路。
考虑区块内各类用地负荷,新出10k V配出如图1所示。规划变电站新出6回10k V线路,其中区1路、区2路将原10k V线路π开,区2路与原10k V线路联络,调整联络开关位置,使原10k V线路城农网分开,切改部分负荷并供沿线C4、R区块部分负荷;区3、区4、区5、区6路同塔4回向南出线,在第一个路口处区3、4、5路同塔三回向西走线,区6路继续向南走线,其中区3、4路主供区块西部负荷,并在末端联络,形成单联络;区5、6路主供区块东部负荷,在线路末端联络,形成单联络。区3、4、5、6路主供区块负荷,且每条线路所带负荷控制在4.23MW内。
参考文献
[1]符杨,朱兰,曹家麟.基于模糊贴近度理论的负荷密度指标求取新方法[J].自动化.2007(19).
[2]吴茜.电力负荷预测方法综述[J].科技与企业,2012(13).
[3]谢秦.城市功能区空间负荷预测方法研究[D].天津大学,2012.
空间负荷预测方法相关问题的探讨 篇4
空间负荷预测是城市电网规划的基础, 在城市电网规划中, 不仅要预测负荷的量, 而且还要预测负荷增长的位置, 即空间负荷分布。只有在确定了负荷空间分布的基础上, 才能准确地进行电网的变电站布点和线路走廊的规划。因此, 空间负荷预测不仅要预测未来负荷的量, 而且要提供负荷增长的信息, 即未来的负荷空间分布[1]。
1 空间负荷预测的常用方法
20世纪80年代, 美国学者H.L.Willis提出了空间负荷预测的概念[2], 其定义为在未来电力部门的供电范围内, 根据城市电网电压水平的不同, 将城市用地按照一定的原则划分为相应大小的规则网格状或不规则的小区, 然后预测每个小区中电力用户负荷的数量和产生的时间。
在国外, 空间负荷预测主要有3种方法:趋势法、多变量法和用地仿真法[1]。多变量法是经济计量模型预测法在小区负荷预测中的应用, 对数据质和量的要求比较高, 于80年代逐步淘汰[3]。国内对趋势法特别是仿真法有较多研究, 但实际应用中主要还是负荷密度法。
1.1 趋势法
趋势法是以划分的小区为基础, 采用曲线拟合或其他推断方法来预测规划年的峰值负荷。采用的预测方法多种多样, 但常采用三阶多项式[4]。
式 (1) 中, k为小网格序号;lk (t) 为t年k单元网格的估计负荷, t=1、2、…。
解方程 (1) 的ai (i=0, …, 3) 参数后, 就可用此方程一个网格一个网格地计算未来的负荷值。
趋势法简单方便, 数据需求量小, 但存在一些局限: (1) 小区负荷增长不平滑 (呈S型增长趋势) , 很多小区没有历史数据, 难以进行趋势外推; (2) 小区负荷数据难以收集; (3) 较难考虑负荷转移。
1.2 用地仿真法
用地仿真法是一种自上而下的预测法, 它通过建立用地仿真模型来模拟小区的未来发展情况, 最终将系统负荷预测结果分配给每个小区。
仿真法要求每类用户的年最大峰值负荷数据和每个小区的用户用地等历史数据, 能较好地考虑负荷转移特性, 对空地的负荷预测相关性较好, 对短期、中期和长期预测都较适合。在市场经济完善的国家里, 土地交易的自由度比较大, 土地的使用主要由市场来决定, 容易得到用地性质的变化规律, 应用这些规律来预测土地的使用比较合理。由于中国土地的使用主要由政府决定, 因此这类方法在国内尚无法真正发挥作用[5]。
近年来的文献大都集中在仿真法对空间数据与土地使用类型、强度及负荷增长关系的研究上, 提出了各种基于模糊理论、神经网络、数据挖掘等预测方法。但上述成果在南昌城网规划中推广应用的案例却不多见, 这主要是由空间负荷预测工作的复杂性和我国城网规划的特点造成的[6]。
1.3 负荷密度法
空间负荷预测的成熟例子是城市电网负荷密度预测[7]。负荷密度法是根据规划区各地块的用地性质, 采用与其他地区类比的方式, 确定规划地块单位建筑面积或单位占地面积的负荷大小, 进而对规划区负荷加以预测的方法[8]。
1.3.1 占地面积负荷密度法 (通常称负荷密度法)
式 (2) 中, P为预测区域总负荷;K为同时率;Di为i功能地块负荷密度指标;Si为i功能地块面积。
1.3.2 单位建筑面积负荷密度法
式 (3) 中, P为预测区域总负荷;K为同时率;Fi为i功能地块单位建筑面积负荷密度指标;Si为i功能地块面积;Qi为i容积率 (容积率*占地面积=建筑总面积) 。
应用城市详细规划图进行预测, 各类建筑的建筑总面积可从规划资料中提取, 采用推荐的密度指标计算每一类负荷都应乘以同时率, 则:
式 (4) 中, P为详细规划区总负荷;K为总同时率;Fi为i类单位建筑面积负荷密度指标;Mi为i类建筑总面积;Ki为i类负荷的同时率。
负荷密度法与城市规划联系较紧密, 预测过程中不确定因素少, 是我国按照地块功能分区负荷预测的常用方法。
2 两种负荷密度法的比较
划分小区进行负荷预测, 是空间负荷预测的基本思想, 小区划分越细, 负荷预测的空间分辨率越高。采用占地面积负荷密度法预测时, 如何在功能地块划分小区将是一大难题, 因为功能地块的负荷不可能均匀分布。但是, 如果应用城市详细规划图尤其是建设性详细规划图, 采用单位建筑面积负荷密度法进行预测, 则预测的各类负荷都能通过规划图找到它们的实际空间位置, 可以得到各类负荷的实际分布图。
与占地面积负荷密度法相比, 单位建筑面积负荷密度法预测的结果更为准确。统计表明, 各类用地的负荷密度, 同一地区同类性质用地, 其单位占地面积负荷相差非常大, 如居民用地, 高的可达800 k W/ha, 低的只有250 k W/ha[9]。文献[10]通过对长沙市9个住宅小区负荷密度的统计分析后发现, 单位建设用地面积负荷指标存在很大的差异, 很难从统计数据中找到规律, 而单位建筑面积负荷指标却很接近。因此, 单位建筑面积负荷密度指标更接近实际, 单位用地负荷密度通过单位建筑面积负荷密度来描述更科学、合理。
同类性质用地单位占地面积负荷的差异, 主要是由建筑容积率不同造成的。容积率直接影响总建筑面积, 从而影响单位占地面积负荷, 但它对单位建筑面积负荷并不构成影响。同类建筑的单位建筑面积负荷差别不大, 其差别主要是这类建筑和用户的个体差异造成的。由于容积率在现实中存在很大差别, 采用占地面积负荷密度法进行空间负荷预测时, 要确保各个小区的负荷密度指标选取准确, 难度很大。
各类负荷都有各自的运行特性和规律。每一类用户在所使用电器的种类、用电的时间和习惯上既存在共性, 又有差异, 单位建筑面积负荷密度是这一共性的反映。单位建筑面积负荷密度法之所以能够较准确地进行空间负荷预测, 是因为这一方法符合负荷空间分布变化的内在规律。
3 负荷空间分布成因及运行变化规律的探索
3.1 负荷分布依存城市建筑分布
人们使用供电部门的电力, 都是在各类建筑通过安装使用电器来实现, 负荷与城市建筑紧密联系在一起。如不考虑室外用电 (使问题简化) , 则可推论:所有房屋建筑都要安装和使用电器, 所有电器都安装在各类建筑内, 负荷分布依存于城市建筑分布。
在城市中, 各类建筑分布不规则, 且与道路、河流、湖泊、广场、公园等交织在一起。从城市的视野观察, 负荷分布是杂乱的。但以城市建筑分布作参照, 负荷分布具有明显规律, 负荷在空间的每一个点都能在城市建筑分布中找到其对应点, 并与之重合。负荷分布与建筑分布的范围和形状都是一致的。
负荷还与建筑面积在数量上存在正相关关系。一般来说, 建筑面积越大, 安装使用电器越多, 负荷量越大。同类建筑的用电存在共同特性, 负荷与建筑面积也大致成正比。
3.2 影响总负荷及负荷分布变化的原因分析
城市建筑规模的变动会影响总负荷变化, 同时也一定会引起建筑分布变化, 而建筑分布变化又必然引起负荷分布变化。所以城市建筑规模的增减变化, 是影响总负荷及负荷分布变化的一个重要原因。
在城市建筑规模不变的情况下, 各类单位建筑面积负荷同样能影响总负荷及负荷分布变化。从短期看, 各类单位建筑面积负荷都有各自的变化特性曲线, 呈现日、周的周期性变化规律, 这是由于人们生活、工作的节奏和习惯决定的。由于气温、气候等外部因素影响, 单位建筑面积负荷会出现随机变化。从长期看, 各类单位建筑面积负荷都有各自变化的趋势。由于各类单位建筑面积负荷变化的方向、大小不一, 负荷空间分布将发生纷纭复杂的变化, 并引起总负荷变化。
城市建筑规模和单位建筑面积负荷的变化, 都会对总负荷和负荷分布产生影响, 但二者影响的方式不同。建筑规模是以建筑面积的增减、安装各类电器的多少影响总负荷变化, 反映了用户对电力的规模需求。单位建筑面积负荷是以在一定建筑面积内安装电器的多少、使用电器时间的长短影响总负荷变化, 反映了用户的用电特性、内在需求和电气水平。
城市建筑规模变化对负荷分布的影响表现为:城市建筑扩张造成负荷空间分布范围扩大、负荷点增多, 而旧城改造将引起一些区域内负荷点的增减和空间位置变化。各类单位建筑面积负荷的变化, 则使分布在空间各负荷点 (如每一建筑) 的负荷量发生不同变化, 从而使负荷空间分布发生变化。
4 空间负荷预测对象是详细规划区
正确选定预测对象是做好空间负荷预测的基本前提。随意选择预测对象, 再好的方法也难以在电网规划实践中发挥作用。要正确选定空间负荷预测的对象, 必须弄清空间负荷预测属于城市电力规划哪个阶段的内容。
中华人民共和国住房和城乡建设部1999年发布的《城市电力规划规范》中规定, 城市电力规划编制阶段和期限的划分, 应与城市规划相一致[11]。为了便于分析比较, 现将城市规划各阶段的电力规划列表, 如表一所示。
从表一可知:
(1) 负荷预测不是一次完成的, 在城市电力规划的各个阶段都有负荷预测, 各阶段的负荷预测应当围绕本阶段的规划内容进行。
(2) 电力规划各阶段对负荷预测空间分辨率的要求应该不同, 越是后阶段的规划, 其负荷预测的空间分辨率要求越高。
(3) 作为配电网规划基础的空间负荷预测, 与配电网规划一起都属于城市详细规划阶段的电力规划内容, 空间负荷预测的对象应该是城市详细规划区, 预测年限的设定应与详细规划一致。
(4) 空间负荷预测应当搜集和运用详细规划区的现状及规划资料, 包括详细规划图[11];电力控制性详细规划的负荷预测应运用城市控制性详细规划图及相关资料进行;电力修建性详细规划的负荷估算应运用城市修建性详细规划图及相关资料进行, 预测或估算每一建筑的负荷都可以通过详细规划图找到其实际空间位置。从表一还可明显看出, 电力控制性详细规划的负荷预测宜采用单位建筑面积负荷密度指标法进行。
5 单位建筑面积负荷密度法成为负荷预测的重要方法
早在1997年, 深圳市就把单位建筑面积负荷密度法纳入了《深圳市城市规划标准与准则》, 随后珠海、惠州等城市也纷纷把这一方法纳入《城市规划标准与准则》。其规定:法定图则和详细蓝图阶段的电力负荷预测以单位建筑面积负荷密度标准法为主, 用单位标准法 (单位用地面积负荷密度标准、人均综合用电负荷标准、人均综合用电量标准) 进行校验, 并列出了归算至10千伏电源侧的分类建筑单位面积负荷预测推荐指标, 如表二所示。
近几年, 应用单位建筑面积负荷密度法的成功案例不断增多。广州市供电部门与城市规划部门采用单位建筑面积负荷密度法, 联合对广州市区960平方公里范围进行负荷预测, 得到了与城市规划数据相适应的合理负荷值[12]。
6 应用单位建筑面积负荷密度法应注意的问题
6.1 建筑用电负荷的分类
建筑用电负荷分类应参照国家标准, 结合当地实际, 根据不同性质建筑的用电负荷特点进行分类, 划分的种类应适度。
6.2 单位建筑面积负荷密度指标的确定
单位建筑面积负荷指标的确定需进行大量的调查研究工作, 应搜集掌握大量现状资料, 特别是现行采用的标准或经验数据。负荷预测时必须考虑相应片区节能设备以及其他种类能源代换使用等因素, 如“太阳能屋顶计划”的实施、新能源汽车 (需要充电) 的使用等。预测的结果应采用多种方法校验。
6.3 逐级考虑同时率
同类负荷由于用户的多少不同, 其同时率也不同, 用户越多, 同时率越低。选用单位建筑面积负荷密度推荐指标计算每一类负荷, 应该乘以同时率。预测的用电负荷, 在累加或向供电电源侧归算时, 还应逐级乘以同时率;或者将不同类型的负荷按负荷特性曲线相加, 得出总负荷曲线后取最大值。采取负荷曲线叠加的方法代替负荷同时率的取值, 可以避免选取同时率时可能出现的偏差, 预测的结果更准确。
6.4 需求处理的特殊情况
负荷指标按照建筑类型分类, 很难包括所有的建筑。在预测过程中, 对推荐指标中未包括的建筑类型, 应根据具体情况另外确定指标。对于超高层建筑、大型高科技工业厂房、大型空调仓储建筑和少数集中用电的大用户等, 应根据具体项目情况确定具体指标, 或作为点负荷单独计算。
7 结束语
单位建筑面积负荷密度法是以城市详细规划提供的资料为前提。要确保空间负荷预测结果的准确性, 关键是各类单位建筑面积负荷密度指标的确定要准确。这不仅需要对各类负荷运行进行调研, 分析大量的数据, 还要对各类负荷运行变化的内在规律和影响各类负荷变化的各种原因深入分析研究, 准确描绘各类负荷运行的典型曲线。这些工作正是电力部门需要加强的。
参考文献
[1]Willis H L.Power Distribution Planning Reference Book[M].MarcelDekker Inc, 1997.
[2]H.L.Willis, J.E.D.Northcote-green.Spatial elec tric load forecasting:a tutorial review[J].
[3]严晓蓉, 张玉洲.地理信息系统在配电网自动化中的应用[J].电力自动化设备, 2000, 20 (04) :52-53, 59.
[4]于尔铿, 刘广一, 周京阳, 等.能量管理系统 (EMS) [M].北京:科学出版社, 1998.
[5]肖峻.城市电网规划计算机辅助决策新技术的研究与实现[D].天津:天津大学, 2003.
[6]王成山, 肖峻, 罗凤章.多层分区空间负荷预测结果综合调整的区间方法[J].电力系统自动化, 2004, 28 (12) :12-17.
[7]康重庆, 夏清, 张伯明.电力系统负荷预测研究综述和发展方向的探讨[J].电力系统自动化, 2004, 28 (17) :1-11.
[8]刘先虎.负荷密度法在城市远景负荷预测中的应用[J].供用电, 2007, 24 (06) :13-15, 22.
[9]江新琴, 李喜兰.基于空间饱和负荷密度的城市远景饱和负荷预测[J].福州大学学报 (自然科学版) , 2008, 36 (04) :532-536.
[10]李建云.基于负荷密度模型的长沙城区负荷预测[J].中外建筑, 2005, (02) :46-48.
[11]中华人民共和国建设部.城市电力规划规范[M].北京:中国建筑工业出版社, 1999.
城市空间负荷预测 篇5
空间负荷预测 (spatial load forecasting, SLF) 是对供电区域内未来负荷的大小及其空间分布进行预测[1,2,3,4]。为实现SLF, 需先将待测区域划分成多个形状规则或不规则的小区, 每个小区都是一个元胞, 小区内的电力负荷又称为元胞负荷。
作为城市电网规划中基础性工作的SLF, 既与国家制定的“五年计划”同步, 又与每年或每半年的计划调整和修正相关, 属于中期负荷预测。SLF需给出5年后, 更多的是1年甚至半年后的预测结果, 其准确性将影响到城市电网的电源布点、供电路径选择、设备投运等的技术可行性和经济合理性[5,6]。
由于SLF所使用的元胞历史负荷中, 通常包含许多非主要运行方式数据和奇异数据 (统称异常数据) , 异常数据的出现是不确定的, 形式也是多样的, 并且不同类型的异常数据对预测精度的影响也不尽相同。另外, SLF所需数据一般是元胞负荷每年的最大值, 即只使用各元胞每年众多历史负荷数据中的一个值。可见, 若直接使用这些数据则势必会影响到预测精度, 故需进行负荷规律性和数据预处理方法的研究, 以确保在建模和预测过程中所使用的历史负荷数据能合理地反映元胞发展的趋势和规律, 从而提高SLF质量[7,8,9,10,11,12]。
文献[13]应用小波的奇异性检测原理对负荷数据中的奇异数据进行处理;文献[14]采用参数估计与奇异数据辨识相结合的方法来检测奇异负荷数据, 作为灰色预测的预处理过程, 但由于参数估计是复杂的非线性优化问题, 可能无法保证获得全局最优解;文献[15]提出了对辨识出的奇异负荷数据用扩展短期负荷预测结果进行修正的方法, 其对单个奇异负荷数据的辨识与修正较为有效, 而对连续异常负荷数据效果不佳;文献[16-17]采用人工神经元网络来进行奇异数据识别, 但这种方法需要的训练时间很长;文献[18]采用自适应谐振理论 (ART2) 人工神经元网络模型进行奇异负荷数据的识别与修正, 这种方法虽然避免了前馈人工神经元网络模型易陷入局部最优解的问题, 但需要事先对负荷曲线进行分类并提取特征曲线。
针对上述问题, 本文提出了一种根据元胞负荷概率谱来求取适用于SLF的元胞负荷最大值的方法。该方法以东北某城市的历史负荷数据分析为基础, 结合城市配电网的实际运行方式, 首先对元胞历史负荷数据中存在的异常进行分类, 综合归纳分析并总结不同类型负荷序列对应的概率谱, 然后通过高斯拟合技术拟合元胞负荷的概率谱曲线, 并基于该拟合曲线进行限定和约束, 以得到所需要的更加适合SLF使用的元胞负荷最大值。
1 确定元胞负荷最大值的概率谱法原理
首先按照城市电网中每条10kV馈线的供电区域来生成各自独立的元胞;其次对元胞负荷异常数据进行辨识、分类与分析;然后计算并绘制每个元胞的以整年为考察域的负荷概率谱曲线;最后使用高斯函数对每条概率谱曲线进行拟合, 并根据拟合曲线与坐标轴围成的面积, 设定适当的门槛值求取元胞负荷最大值。确定元胞负荷最大值的概率谱方法的原理示意图见图1。
图1中的第Ⅰ类异常数据表现为单点数据缺失或为零, 主要是由于数据采集或传输失败造成的;第Ⅱ类异常数据表现为连续为零, 通常出现在设备检修、故障, 以及测量表计或数据传输通道失效期间;第Ⅲ类异常数据表现为一定时段内负荷值保持恒定且不为零, 这也是由数据采集或传输失败引起的;第Ⅳ类异常数据表现为相邻时刻负荷数据的突然大幅度增加, 多数是系统故障、冲击负荷接入电网或数据传输错误导致的;第Ⅴ类异常数据表现为跃变到了另一个水平 (即负荷转移) , 是因供电线路短期转带或转甩其他线路的负荷, 或线路供电路径的迁改等情况, 使负荷在电网中临时或永久重新分配的结果。
2 元胞历史负荷及其概率谱
2.1 元胞负荷的概率谱
统计元胞在一年中不同负荷出现的概率, 并将这些概率值根据所对应元胞负荷的大小来排序, 所得到的离散序列 (即元胞负荷的概率谱) 可形成一条曲线, 这条以元胞负荷值P为横轴、以元胞负荷不同值的概率F为纵轴的曲线称为该元胞负荷的概率谱曲线。
元胞中不同负荷出现的概率可由下式求得:
式中:ni表示大小为Pi的负荷在该年中出现的次数;N为不同Pi的个数。
2.2 不同类型元胞负荷的概率谱及其特征
考虑到只有第Ⅲ, Ⅳ, Ⅴ类异常数据才会对元胞负荷最大值的确定产生很大影响, 而且已有方法可以对第Ⅲ类异常数据进行辨识和修正, 第Ⅰ和第Ⅱ类异常数据则几乎不会影响到最大值, 并且通常伴随其他情况而出现, 因此, 此处将正常情况和第Ⅰ, Ⅱ, Ⅲ类异常情况放在一起处理, 并统称为常规情况。各种情况下的元胞负荷时序曲线及按照该元胞负荷中最大概率值归一化后的概率谱曲线见图2。
通过统计分析发现, 元胞负荷数据概率谱曲线呈现“双峰”, 本文将出现概率较高的“双峰”称为概率谱的“头部”, 出现概率较低的较大负荷称为“尾部”。如图2所示, 常规情况的元胞负荷概率谱尾部很短, 而存在第Ⅳ和第Ⅴ类异常数据的元胞负荷概率谱出现“长尾”, 但“头部”仍符合“双峰”特点。
除图2中情况之外, 还存在以下几种可能情况。
1) 有些元胞负荷并不像图2 (b) 那样仅有一个“毛刺”, 而是存在多个“毛刺”, 但它们几乎不会改变概率谱的基本形状, 所以此类情况也归属第Ⅳ类异常。
2) 图2 (c) 所示的第Ⅴ类异常是典型的短期持续型负荷转移情况, 短期间断型负荷转移的概率谱与之相似。但若负荷转移持续时间较长, 超过半年以上, 则其概率谱曲线会呈现头尾混叠的现象, 在原来的长尾部分再生出一个头来, 形成“三峰”, 对这种情况通常采用负荷转移耦合法来处理[19]。
3) 当元胞中同时存在第Ⅳ和第Ⅴ类异常数据时, “毛刺”出现的概率会并入概率谱曲线的“尾部”, 其概率谱曲线与图2 (c) 基本相同。
4) 虽然第Ⅰ, Ⅱ, Ⅲ类异常数据可能影响各负荷概率值和最大概率值对应的负荷大小, 但它们对概率谱曲线与坐标轴所围成“面积”的影响都很小, 因此, 将其放在一起作为常规情况进行考虑和处理。
3 基于概率谱曲线确定元胞负荷最大值
由第2节可知, 各种可能影响到元胞负荷最大值的异常数据均存在于其概率谱曲线的拖尾中, 而且拖尾越长则带来的影响就越严重。但如果将元胞负荷概率谱曲线的头尾结合部所对应的负荷值作为元胞负荷的最大值, 那么就可以消除负荷“毛刺”和短期负荷转移给SLF带来的不利影响。
为了既能够更好地强调元胞负荷概率谱曲线呈现的双峰特点, 又能够恰当地截掉拖尾, 进而确定出主要运行方式下的元胞负荷最大值, 这里先选取适当的函数拟合元胞负荷概率谱曲线, 然后基于该曲线求出既定条件下的元胞负荷最大值。
3.1 拟合函数的选取
通过比较分析多项式拟合、插值拟合、指数函数拟合、正弦函数拟合等拟合方法, 发现使用多个高斯函数的线性组合, 不但可以较精确地反映元胞负荷概率谱曲线的双峰, 还可以弱化较长拖尾的变化, 刚好满足通过适当截尾确定元胞负荷最大值的需求。
高斯函数的形式为:
式中:a, b, c为实数常数, 且a>0。
式 (3) 是其线性组合形式中的一种:
本文选用式 (3) 作为拟合函数, 得到的几种典型情况下元胞负荷概率谱密度拟合曲线如图3所示。
3.2 元胞负荷最大值的确定
用于指导规划的SLF均使用消除非主要运行方式或异常情况影响后的元胞负荷最大值 (简称为元胞负荷合理最大值) 。
由于各元胞负荷合理最大值出现的概率并不相同, 而且受负荷“毛刺”和短期负荷转移影响的元胞负荷值很可能大于该元胞负荷的合理最大值, 其出现的概率也可能更高, 因此, 通过直接设置统一的概率阈值来确定各元胞负荷合理最大值并不可行。
为解决此问题, 本文考察元胞负荷概率谱曲线与坐标轴围成的面积, 通过保留其头部面积、舍弃其尾部面积的方法来确定元胞负荷合理最大值。由于电气设备本身具有一定的抗过载能力, 曲线尾部对应负荷出现的概率总和很小, 可以认为它们不会影响到未来的规划任务, 所以将曲线尾部的面积舍弃, 这样既可以将尾部的负荷“毛刺”和临时性负荷转移滤掉, 又不会截掉合理的数值。这里按照曲线尾部面积占总面积的0.2%来截断该拖尾, 对应截断处的负荷值就是SLF所需要的元胞负荷合理最大值。
3类情况下的样例分析如图3所示, 图中指引线所指位置的负荷值就是通过本文方法确定出的元胞负荷最大值。从图3 (c) 还可以看出, 本文采用的拟合方法能够有效地“平抑”拖尾对应负荷出现的概率。
4 实例分析
以东北某城市中的一个供电分局为例, 该分局所辖28条10 kV馈线的各自供电范围如图4所示[19]。
按照28条馈线供电区域生成28个元胞。已知2005年至2008年上半年的负荷历史数据。若以半年为一个时点, 则每个元胞有7个最大负荷值。为叙述方便, 将直接使用每半年中的最大负荷作为元胞负荷最大值的方法称为“传统方法”;将本文确定元胞负荷最大值的方法称为“概率谱法”。
各元胞的实测最大负荷值与基于概率谱方法得到的最大负荷值详见附录A表A1。
在“传统方法”和“概率谱法”两种条件下, 分别单独使用灰色理论法、指数平滑法、线性回归法来预测2008年下半年各元胞的负荷最大值, 预测结果见表1。各预测方法所得结果中元胞负荷预测误差的分布见图5。
图5表明, 基于“概率谱法”的3种SLF的预测结果中, 平均有14个元胞的相对误差小于10%, 占全部28个元胞的50%, 优于传统方法的28%;平均有23个元胞的相对误差小于20%, 占全部28个元胞的82%以上, 更是远优于传统方法的44%;而且没有一个元胞的相对误差超过40%。由此可见, “概率谱法”对SLF精度的提升具有显著效果。
5 结语
本文提出了一种根据元胞负荷概率谱来求取元胞负荷最大值的方法, 用于处理元胞负荷数据中受非主要运行方式或异常情况影响的部分, 进而提高SLF的预测精度。实例分析表明了该方法的有效性。
“概率谱法”的特色之一是利用概率谱曲线及其与坐标轴围成的“面积”作为求取元胞负荷最大值的基础。因为第Ⅰ, Ⅱ, Ⅲ类异常数据对该“面积”的贡献极小, 所以概率谱法从机理上就能很好地避免受到此类异常数据的影响。
“概率谱法”的特色之二是选用适当的拟合函数来平抑元胞负荷概率谱曲线的拖尾部分, 从而强调了主要运行方式下元胞负荷的主要特征, 并在此基础上, 通过对拖尾面积设定统一阈值, 来实现在不同概率谱曲线上随动截断拖尾, 最终得到主要运行方式下的元胞负荷最大值。由于第Ⅳ和第Ⅴ类异常数据对整个“面积”的贡献都集中在拖尾部分, 因此随着拖尾被截断, 所得到的元胞负荷最大值也不会受到这类奇异数据的影响。
附录见本刊网络版 (http://www.aeps-info.com/aeps/ch/index.aspx) 。
摘要:针对元胞负荷中异常数据会给空间负荷预测带来不利影响的问题, 提出一种用于确定元胞负荷最大值的概率谱方法。该方法从城市电网规划需求的角度入手, 结合城市电网的实际运行方式, 对元胞负荷中出现的异常数据进行了分类, 阐明了各类异常数据对空间负荷预测产生影响的作用方式, 揭示了元胞之间负荷转移、元胞负荷非平稳增长、元胞负荷数据奇异与规划所需数据之间的内在联系, 通过计算元胞负荷的概率谱曲线来描述和刻画不同类型异常数据的各自特点, 在采用高斯拟合技术处理过的元胞负荷概率谱曲线上对元胞负荷最大值进行限定和约束。实例分析表明, 使用概率谱方法确定的元胞负荷最大值进行空间负荷预测, 提高了预测精度。
城市空间负荷预测 篇6
1 地理信息系统的配电网空间负荷预测理论
在一般情况下, 空间负荷预测会将供电区域分为多个小型区域, 然后再预测每个小型区域的负荷。在短时间空间负荷预测中, 小区划分可以根据设备型号决定;在长时间空间负荷预测中, 设备的供电范围不能立刻确定, 要先将供电区域分成多个面积、形状相同的小区域, 再做决定。
2 地理信息系统的配电网空间负荷预测方法
2.1 总量负荷预测
总量负荷预测的具体步骤, 如下: (1) 确定供电面积; (2) 了解当地的周边情况; (3) 确定预测区域; (4) 搜集负荷历史数据、经济人口数据、用电设备总量、确定典型负荷曲线; (5) 将地图、规划图矢量化; (6) 进行总量负荷预测。
2.2 用地分类和小区划分
在地理信息系统的配电网空间负荷预测中, 会根据用电情况和用地情况对电力用户进行划分, 一般情况下, 会将电力用户分为4至20类。
最为常见的用地类型分类如下:用地类型分为四大类, 分别是工业、商业、居民和市政;工业类分为三小类, 分别是大中小型工业、仓储业和市政设施;商业类分为五小类, 分别是零售业、娱乐业、写字楼、宾馆和高层建筑;居民类分为两小类, 分别是住宅楼和别墅;市政类分为四小类, 分别是市政办公、研究机构、中小学和大学。
地理信息系统的配电网空间负荷预测的另一项准备工作是划分小区, 小区的划分要根据实际用地面积确定。
2.3 终端用电预测
在配电网的规划和研究中, 终端用电预测属于基本工作范畴, 之所以进行终端用电预测, 是为了预测用户的用电特点以及负荷曲线的具体改变情况。负荷变化的缘由具体如下:单位用户的负荷是随着用户的增加而增加, 单位用户的负荷随着用户的减少而减少。
在地理信息系统的配电网空间负荷预测中, 得出终端用电预测结果的过程如下:先将负荷总量预测转化成总量土地预测, 再将用地决策结果转成负荷。终端用电预测在地理信息系统的配电网空间负荷预测中发挥着举足轻重的作用, 它是控制负荷的有效方法之一。
2.4 土地分配预测
土地分配预测就是要确定在以后的几年中, 各个用地类型的土地增长量。空间负荷预测属于负荷分配过程, 在分配的过程中, 相关工作人员一定要注意两个方面, 第一个方面, 小区负荷之和与总量负荷预测结果要相同;第二个方面, 确定各类负荷比。当今社会强调协同合作, 各个行业、各个组织之间都需要互相协调、互相支持, 内在地的比例关系要稳定。土地分配预测要利用这个比例关系, 这样, 才能根据总量预测结果得出各用地类型在未来几年的土地增长量。这个比例关系可以从以下两种方式得出, 第一种方式是根据统计数据推导出比例关系;第二种方式是使用当前的比例关系。
2.5 确定小区空间属性
小区空间属性有三大类, 分别是自身属性、距离因素和环境因素;自身属性包含坡地、限制地、市政管理;距离因素属性, 指离高速公路、公路、地铁、学校、大工厂、市中心、区中心、工业中心、商业中心的最近距离;环境因素属性, 指0.5千米内居民区面积、1.5千米内居民区面积、1.5千米内商业面积。
2.6 居民用地要求模糊知识库
在平时的生活中, 我们总是能听到类似房子离市中心远不远这类问题, 这种表述并不是很精确, 较为模糊。有一种方法能够将这些语言以一种量化的表达方式表述出来, 并可以利用计算机处理, 这个方法就是利用模糊规则知识库和推理技术。
居民类用地要求知识库评价指标有6项内容, 分别是离市中心距离、离区中心距离、离公路距离、离学校距离、小区内居民面积、小区内商业面积。离市中心距离所占权重为0.9, 模糊规则为VH-SP;H-MP;N-NT;L-MA;VL-SA。离区中心距离所占权重为0.8, 模糊规则为VH-SP;H-MP;N-NT;L-MA;VL-SA。离公路距离所占权重为0.8, 模糊规则为VH-SA;H-SP;N-MP;L-MA;VL-SA。离学校距离所占权重为0.8, 模糊规则为VH-SP;H-MP;N-NT;L-MA;VL-SA。小区内居民面积所占权重为0.7, 模糊规则为VH-SA;H-MA;N-SP;L-MP;VL-SA。小区内商业面积所占权重为0.7, 模糊规则为VH-SP;H-MP;N-NT;L-MA;VL-SA。
五个标准模糊集VH、H、N、L、VL的含义分别是很高、较高、一般、较低、很低。SP、MP、NT、MA、SA表示的是小区能够发展各用地类型的程度。VH-SP表示如果VH, 则SP。
2.7 小区模糊评分
假设小区属性对指标i的评分为Ai, 指标i权重为Bi, 最终的多目标评估结果=min[max{1-Bi, Ai}], 其中, Bi是使作用较小的指标不去影响评估结果。
2.8 用地决策
将小区评分填入表1的Rxj, 将每个小区的发展面积和用地分类预测结果填入表1。
2.9 土地转化
将土地转化成负荷的具体方法:将二十四小时负荷曲线叠加。
2.1 0 预测结论
根据上述的工作内容绘制负荷分布图, 推测出负荷密度和负荷增长比例关系, 得出最终的预测结论。
3 结语
本研究概述了地理信息系统的配电网空间负荷预测理论以及方法, 经研究, 地理信息系统的配电网空间负荷预测方法可以有效的预测负荷增长的空间和时间, 相关工作人员了解了这些内容, 便可以开始规划变电站的人力、物力、资金方面的投入以及变电站未来的发展。总而言之, 地理信息系统的配电网空间负荷预测方法是一种高效、实用性较高的规划配电网的方法。
摘要:配电网的基础是空间负荷预测, 只有明确配电网各个区域的负荷, 才能确定变电站的位置, 体积, 馈线的规格, 线路的走向, 开关的规格、设备的规格, 等等。本研究就将针对“地理信息系统的配电网空间负荷预测方法研究”这一主题进行阐述, 使广大民众对这方面的内容有一个更加深入的了解。
关键词:地理信息系统,配电网,空间负荷预测方法
参考文献
[1]王天华, 王平洋, 范明天.遗传算法、模糊逻辑和运输模型在配电网空间负荷预测中的应用[J].电网技术, 2010, 23 (1) :12-13.
[2]王广生.模糊控制与神经网络及遗传算法的协作在电力系统中的应用, 第二章:模糊控制[J].北京:电力部电力科学研究, 2010.
城市配网负荷预测方法分析与应用 篇7
关键词:电力负荷,预测,方法,应用
电力负荷预测按照预测时间的长短和应用场合的不同, 可以分为长期、中期、短期及超短期负荷预测。长期负荷预测覆盖时间从未来数年到数十年不等, 主要用于发展规划及网络发展规划;中期负荷预测是指未来一年 (12个月) 之内的用电负荷预测, 用于安排电源计划以及系统经济运行;短期负荷预测通常是指未来24小时的日负荷预测和未来168小时的周负荷预测, 目的是给各个电源安排日、周发电计划, 包括确定电源起停、协调、交换功率、负荷经济分配、电源调度和检修等;超短期负荷预测是指未来1小时、未来0.5小时甚至未来10分钟的预测, 主要用于安全监视、预防性控制和紧急状态处理。在电网总体规划阶段, 一般采用以下几种预测方法:
1 弹性系数法
电力弹性系数是反映用电量的年平均增长率与国民生产总值年平均增长率之间关系的宏观指标, 可用作远期规划粗线条的负荷预测。电力弹性系数可以用下面的公式来表示:
Kt=Kzch/Kgzch
式中:Kt-为电力弹性系数
Kzch-为用电量的年平均增长率
Kgzch-为国民生产总值年平均增长率
采用这个方法首先要掌握今后国民生产总值的年平均增长速度, 然后根据过去各阶段的电力弹性系数值, 分析其变化趋势, 选用适当的电力弹性系数。电力弹性系数的变动, 是一定时期经济增长、结构变化、技术进步、供求关系等相关因素共同作用的结果。
2 回归分析法
回归分析法是利用数理统计原理, 对大量的统计数据进行数学处理, 并确定预测值和影响因子之间的关系。电力负荷回归分析法是通过对影响因子值 (比如国民生产总值、工农业总产值、人口、居民生活水平、居住条什、气候等) 和用电的历史资料进行统计分析, 确定用电量和影响因子之间的相关关系, 建立一个相关性较好的数学模式即回归方程, 并加以外推, 从而实现负荷预测。
回归分析预测方法是要通过对历史数据的分析研究, 探索经济、社会各有关因素与电力负荷的内在联系和发展变化规律, 并根据对规划期内本地区经济、社会发展情况的预测来推算未来的负荷。可见该方法不仅依赖于模型的准确性, 更依赖于影响因子其本身预测值的准确度。
用回归分析法预测负荷时, 若取用过去若干年的历史资料正处于发展上涨快的时期, 则预测未来越来越快, 反之, 若取用下降时, 则预测未来越来越慢。目前这种方法在国内的工程中实际应用不多。
3 时间序列法
这种方法是根据历史统计资料, 总结出电力负荷发展水平或负荷的年增长率或负荷的多年平均增长率 (5年或10年) 与时间先后顺序的关系。即把时间序列作为一个随机变量序列, 用概率统计的方法, 尽可能减少偶然因素的影响, 做出电力负荷 (或增长率) 随时间序列所反映出来的发展方向与趋势, 以预测未来负荷的发展水平。
设第m年的用电量为An (kW·h) , 则从第n年至第m年 (n
由此预测第l年 (l>m) 的用电量为:Al=An (1+K) l-n
时间序列法一般用于中长期电力负荷预测中, 尤其是常用负荷的多年平均增长率来预测中长期的负荷增长水平。
4 横向比较法
横向比较法 (又称综合用电水平法) , 此方法在确定综合用电规划指标时, 首先要研究现状用电指标, 并参考国内外同类型城市的用电指标, 结合本地能源资源条件、能源构成、经济发展、居民生活水平、居住条件、气候、生活习惯和供电条件等进行综合分析确定。
综合用电水平法主要用于预测城市第三产业及居民生活用电负荷。
5负荷密度法
负荷密度法主要适用于土地规划比较明确的城市区域, 负荷密度一般以k W/km2表示。不同地区、不同功能的区域, 负荷密度是不同的。利用负荷密度法, 一般要将预测区域分成若干功能区, 如商业区、工业区、居住区、文教区等, 然后根据区域的经济发展规划、人口规划、居民收入水平增长情况等, 参照本地区或国内外类似地区的用电水平, 选择一个合适的负荷密度指标, 推算功能区和整个预测区的用电负荷。采用该方法进行负荷预测时应注意, 在汇总各不同地块的负荷值时, 应考虑不同地块间负荷的同时系数。
红河州蒙自县城区配网规划预测负荷时采用了此方法。首先根据蒙自城区的详细用地规划将蒙自城区分为八类, 分别为:工业用地、商业用地、居民生活用地、行政用地、教育科研用地、医疗卫生用地、特殊用地和其他用地。此八类不同性质用地的发展定位不尽相同, 从而导致各类负荷密度指标不同。因此, 我们对蒙自城区各类负荷的用电指标分别进行了详细的调查分析并确定最终的选取结果, 并结合蒙自城区用地规划的实际情况, 利用负荷密度法得到蒙自城区各区域的具体负荷分布预测结果, 如表1。
6 单耗法
单耗法即单位产品电耗法, 是通过某一工业产品的平均单位产品用电量以及该产品的产量, 得到生产这种产品的总用电量, 计算公式是:
A=bg
式中:A-用电量
b-产品产量
g-产品的单位耗电量
单耗法需要做大量细致的统计、分析工作, 近期预测效果较佳。但在市场经济条件下, 未来的产业单耗和经济发展指标都具有不确定性, 对于中远期预测的准确性难以确定。此预测方法适用于工业比重大的系统。
结束语
电力负荷预测不仅是电力规划设计的基础, 而且也是基建计划、供电计划、燃料计划和财务收支计划的基础。所以负荷预测的准确性往往决定了投资效益的好坏, 决定了规划的效果。由于未来负荷的不确定因素很多, 要用一个十分完善的方法对未来负荷加以准确的定量是很难做到的。因此, 对于电力负荷预测只研究电力负荷本身是不够的, 而必须探索国民经济发展的规律, 并用几种负荷预测方法加以分析确定。
参考文献
[1]电力工业部电力规划设计总院.电力系统设计手册[M].北京:中国电力出版社, 1998, 6.
[2]陈章潮.城市电网规划与改造[M].北京:中国电力出版社, 1998, 5.
城市空间负荷预测 篇8
电力系统超短期负荷预测对于提高电网频率质量、机组设备的利用率和经济调度的有效性有着重要的意义[1]。超短期负荷序列由于具有在线运行和较强随机性等特点, 不仅要求预报精度高, 而且要求计算速度快[2], 因此, 对负荷预测的方法提出了较高的要求。许多文献已经证明了电力系统负荷具有混沌特性[3,4], 且超短期负荷预测时间短, 可以只对系统负荷时间序列进行分析, 而不考虑气候变化等负荷相关因素。目前用于电力系统超短期负荷预测的方法主要有时间序列法、曲线外推等传统方法, 以及人工神经网络、支持向量机等现代预测方法。
上述方法各有优缺点, 如时间序列分析法虽然所需数据量少、工作量小, 但是其仅适用于负荷变化较为均匀的情况[5]。人工神经网络由于隐含层节点的不确定性, 容易陷入局部最小值[6]。支持向量机服从结构风险最小化原理而非经验风险最小化原理, 且具有良好的理论基础, 尤其在样本较小的情况下明显优于传统神经网络[7], 在现代电力系统负荷预测中得到了广泛的应用。
国内外许多学者对超短期电力系统负荷预测进行了深入的研究。韩力[8]等人通过对多节点有功和无功负荷变化规律进行分析, 提出将负荷数据分层分区的处理方法, 取得了较好的效果。王岗[9]等人在输入样本和训练集样本引入时间域的隶属分布的情况下, 应用模糊加权最小二乘支持向量机对超短期负荷进行预测, 有一定的效果。张峰[10]等人提出基于负荷趋势的超短期负荷预测方法, 并开发了用于浙江电网的负荷预测系统, 和传统方法相比, 在一定程度上提高了预测精度。张步涵[11]等通过对负荷序列进行了深刻的混沌分析, 找出了运用混沌理论进行电力系统负荷预测的关键因素。
本文在前人研究的基础上, 利用支持向量机对超短期负荷进行预测。首先对负荷序列进行混沌分析, 利用G-P算法和C?C算法分别确定序列的关联维数和延迟时间;在此基础上对负荷序列进行相空间重构, 在重构的相空间中建立支持向量机预测模型对负荷进行预测, 同时利用量子粒子群优化算法对支持向量机参数进行优化。
1 电力负荷时间序列的相空间重构及参数选择
混沌现象在自然界中普遍存在, 利用混沌理论进行预测的理论基础是Tankes[12]和Packard[13]等提出的相空间重构理论, 该理论认为, 通过选取合适的延迟时间τ和嵌入维数m, 可以恢复原系统的动力学特性。对于时间序列{x1, x2, …, xn}, 如果m和τ确定, 则重构的相空间为:
其中, i=1, 2, …, n- (m-1) τ。
本文选择G-P算法求取关联维数m, C-C算法求取延迟时间τ。由于篇幅有限, 下面仅介绍C-C算法相关步骤。
C-C算法的基本步骤如下:
(1) 对于给定的时间序列x1, x2, …, xn, …, 取N为大于3 000的整数, 计算其标准差σ。
(2) 计算如下式:
其中:
t为小于200的自然数。
(3) 依据式 (2) 中计算的结果, 分别画出ΔS (m, t) 、Δ (t) 、 (t) 随时间t的变化曲线, ΔS、Δ (t) 的第一个极小值t及 (t) 的第一个零点均对应延迟时间τ。
本文选取某电网2006年6月1日到6月10日的负荷数据进行分析, 利用G-P算法求取关联维数, 负荷的关联积分曲线如图1所示。
从图3中可求得, 系统的关联维数为2.313 7, 是一分型维数, 表明负荷时间序列具有混沌特性。本文取m=3。
利用C-C算法求取延迟时间, 各变量随时间变化关系图如图2所示。根据前文所述可知, 延迟时间τ=5。
2 电力负荷的QPSO?SVM预测模型
2.1 SVM模型
和许多预测模型一样, 支持向量机预测的基本步骤首先利用训练样本对模型进行训练, 然后利用训练好的模型进行预测[15]。
给定一个训练集数据 (xi, yi) , 有:
式中:i=1, 2, …, L;xi∈RD, yi∈R;xi为输入, yi为期望的输出;φ (xi) 为从输入空间向高维空间映射的非线性函数;b为偏置量。
引入松弛变量ξ+、ξ-和不敏感损失函数ε并根据结构化风险最小原理, 式 (7) 的估计问题等价于:
其约束条件为:
引入Lagrange乘子ai+、ai-, 式 (8) 转化为:
约束条件为:
上式是一个凸优化问题, 可得到全局最优解, 避免陷入局部极小值。
利用二次规划求解上述优化问题, 可得参数ai+, ai-, 然后利用KKT条件, 计算:
因此, 对于给定输入X, 预测输出为:
参数C、ε对支持向量机预测精度有很大的影响。实际中, 为了避免参数选择的盲目性, 往往选择智能进化算法对参数进行优化。
2.2 量子粒子群优化算法 (QPSO)
经典粒子群算法中粒子收敛速度是有限的, 且以轨道形式实现。因此, 其搜索的空间是有限的, 不能保证整个空间都被搜索到, 即其不能保证得到的是全局最优解[18]。在量子粒子群算法中, 粒子具有量子行为。和经典粒子群算法相比, 它可以在整个可行解空间中进行搜索, 能更快、更易找出全局最优解, 且进化方程的形式更简单, 参数更少且更容易控制[19]。量子粒子群的方程如下:
式中:mbest为平均最优位置;φ和u为[0, 1]内变化的随机数;β为控制收敛速度的收缩扩张因子;M为种群数。
β在0.5~1之间线性变化:
式中:t为迭代次数;tmax代表预设的最大迭代次数。
2.3 QPSO?SVM
为了提高SVM模型预测的准确性, 对影响模型精度的参数进行优化是一种重要途径。本文提出用QPSO优化SVM参数, 建立QPSO-SVM预测模型。
(1) 优化变量。据文献可知, 影响支持向量机的关键参数有 (C, γ, ε) 。参数C寻优范围是[10-3, 105], ε和γ寻优范围均为[0, 10]。粒子位置p=[C, γ, ε]。
(2) 目标函数。选择均方根误差作为OPSO的优化目标函数, 其定义为:
式中:Yi, 分别为i时刻的实际负荷和预测负荷。
(3) QPSO-SVM参数寻优步骤:
Step1:群体初始化, 设定迭代次数t=0, 并限定初始粒子的随机速度范围。
Step2:初始化粒子速度并计算目标函数值。
Step3:更新粒子局部最优值Pi。
Step4:更新粒子全局最优值Pg。
Step5:根据式 (15) 计算mbest。
Step6:根据式 (14) 计算每个粒子随机点。
Step7:根据式 (16) 更新每个粒子。
Step8:设t=t+1并重复Step2~Step7, 直到满足迭代次数要求。
Step9:结束寻优, 得到SVM最优参数 (C*, γ*, ε*) 和对应SVM预测结果。
3 基于相空间重构与QPSO?SVM的超短期负荷预测
3.1 预测步骤
采用基于SVM的模型进行超短期负荷预测, 每次预测一个时段负荷, 预测下一时段负荷需要将当前时段信息加入历史时间序列进行重新训练预测。利用相空间重构和QPSO-SVM进行短期负荷预测的主要步骤如图3所示, 描述如下:
Step1:对历史负荷数据进行归一化处理。
Step2:利用G-P算法和C-C算法分别求出最佳嵌入维数m和延时τ, 并根据式 (1) 进行相空间重构。
Step3:利用相空间重构方法依据历史负荷数据建立训练样本集, 其中样本集输入数据为Y (ti) , 输出为x (ti+ (m-1) τ+1) 。
Step4:采用QPSO-SVM对训练样本集进行学习建模, 得到预测模型。
Step5:按照相空间重构方法确定的预测时段的模型输入, 通过负荷预测SVM模型预测当前时段负荷。
3.2 实例研究
为了验证方法的有效性, 选择某电网2006年6月1日至6月16日数据进行分析和计算。以9d的数据作为训练样本, 预测最近1d的数据, 当需要预测下1d数据时, 以最新数据代替最旧数据。以15min为步长, 预测一天24h的负荷值, 每次预测一个时段, 然后将该点加入历史序列, 预测下一时段负荷, 依此类推, 24h共循环预测96个负荷数据。图4所示为6月1日负荷图。
以均方误差 (EMSE) 和平均相对误差 (EMAPE) 对预测精度进行衡量, 均方根误差定义前面已给出, 此处给出平均相对误差定义:
式中:Yi, 分别为i时刻的实际负荷和预测负荷;Emse、Emape分别为均方误差和平均相对误差。
QPSO-SVM参数:最大迭代次数tmax=1 000, 种群大小M=30。为了验证本文方法的有效性, 设计了对比试验。为了说明相空间重构的有效性, 在对比试验中选择普通“SVM”法, 该方法按照经验选取输入输出, 然后通过经验选择参数训练SVM模型, 最后进行预测;为了验证QPSO-SVM有比普通SVM更好的效果, 选择了“混沌+SVM”方法进行对比, 该方法通过相空间重构选择输入输出数据, 按照经验选择SVM参数;在对比试验中, 本文方法称为“混沌+QPSO-SVM”。对于“SVM”和“混沌+SVM”方法, 根据支持向量机参数范围和经验, 选择C=200, γ=0.5, ε=0.1。采用3种方法分别预测6月10负荷, 预测负荷与实际负荷对比图如图5所示。分析图1不难发现, 本文提出方法预测得到的负荷值与实际值更为吻合, 说明本文提出方法预测精度高于其他方法。
为进一步验证本文方法的有效性, 采用3种不同方法分别预测6月10日至6月16日负荷, 得到的预测误差分析如表1所示。通过表1可以发现, “混沌+SVM”方法误差小于“SVM”方法, 说明了利用相空间重构技术选择模型输入输出的效果。进一步比较可以发现, 本文提出方法对所有日负荷预测误差最小, 两个误差指标明显优于其他方法, 结果验证了本文方法的有效性。相比于普通SVM, 在负荷预测中应用混沌理论, 可使预测精度得到较大的提高。而利用量子粒子群 (QP-SO) 对支持向量机参数进行优化, 可避免参数选择的盲目性, 进一步提高精度。
%
4 结语
本文利用混沌理论对负荷数据进行分析, 求得延迟时间和关联维数后, 对负荷进行相空间重构。通过相空间重构技术, 选择合理的模型输入输出数据, 同时利用量子粒子群对支持向量机参数进行优化, 建立QPSO-SVM预测模型, 实现了对超短期负荷的有效预测。通过对某电网历史数据的模拟预测结果进行分析, 可以得出如下结论。
(1) 相空间重构技术对于分析短期负荷时间序列的混沌特性, 利用时间序列的混沌变化规律选择合适的预测模型输入输出数据具有明显效果。
(2) 参数选择对SVM预测模型的预测精度由较大影响, 通过智能优化技术优化SVM参数, 从而构建智能优化算法与SVM混合的预测模型, 能有效提高SVM的预测精度。
相关文章:
初中英语课堂教学艺术01-20
热门客户端网络游戏01-20
最新主持人搞笑台词 搞笑结婚主持人台词(优质10篇)01-20
热门经典棋牌游戏01-20
安卓手机如何录制视频01-20
润滑油技术发展趋势01-20
润滑油安全技术说明01-20
安卓手机电池校正方法01-20
2007年市长新年献辞01-20