电力检修|汕头电网负荷特性分析与预测
2017-08-22 浏览:107
安防之家讯：cript>汕头电网负荷特性分析与预测
叶刚健,蒋金良(华南理工大学电力学院,广州510640)
摘 要:以汕头电网的负荷数据为例，用统计学的方法对季节性负荷特点及典型日负荷特性进行分析，进一步预测汕头输电网近、远期负荷的发展趋势，指出了影响汕头电网负荷及负荷特性的主要因素。预测结果表明宜在汕头500kV变电站的主变压器安装有载调压开关。
关键词:统计学;负荷特性;有载调压ForecastingandAnalysisoftheLoadCharacteristicsin
Shantou''sElectricNetworkYEGangjian,JIANGJinliang(SchoolofElectricPower,SouthChinaUniversityofTechnology,
Guangzhou510640,China)Abstract:TakingexampleoftheloaddataofShantouelectricnetwork,thispaperanalyzesthetraitsoftheseasonalloadandthetypicaldayloadcharacteristicsusingthestatisticmethods.ThetrendofthedevelopmentfortheneartermandlongtermloadinthetransmissionnetworkofShantouisforecasted.AnalysisoftheforecastingresultsleadstothesuggestionthatonloadtapchangingtransformershouldbeinstalLEDinthe500kVsubstation.
Keywords:statistics;loadcharacteristics;onloadvoltageregulation
1前言
对电力系统负荷的历史数据进行分析，可为电网经营管理指导方针的制定和发用电生划用电，使电能得到充分合理利用的一项不可缺少的重要工作。对于保证电能质量和电网安全稳定运行有着积极的促进作用。
负荷预测主要是基于可知性、可能性、连续性、相似性、反馈性和系统性原理。由于负荷预测的不准确性、时间性、条件性等多方案性，使得不可能存在某种方法在任何时候、任何地点，对任何对象都具有普遍的适用性。针对不同对象的负荷预测，有很多的预测方法，例如常规采用的曲线外推法、回归模型预测法，这些方法需要的样本点较少，但是对于长期的时间来说，会有很大的偏差。单一预测方法，例如单耗法、弹性系数法、负荷密度法等，虽然是将电力需求作为一个整体，根据某个单一的指标进行预测，方法简单，但是模型太笼统，很难反映现代经济、政治、气候等条件的影响。此外，还有新出现的灰色预测法、模糊神经网络法［7］以及小波分析法都有着各自的使用限制。
统计学有一套成熟的技术来解决预测问题，现存的许多统计方法模型可对数据进行预测。如聚类分析、方差分析和非参数递归都可用来进行数据采集。本文针对汕头电网的历史负荷数据，用统计学的方法分析了季节性负荷的特点及典型日负荷特性，实现了对汕头输电网近、远期负荷发展趋势的预测。最后指出了影响汕头电网负荷及负荷特性的主要因素。预测结果表明在汕头500kV变电站的主变压器安装有载调压开关的必要性。2负荷特性预测方法
现代统计学是综合规划、试验，以及资料汇集和解析，并据此做出决策的一门学科。负荷的时空特性通常用负荷的时间曲线来表达，因此对负荷特性的预测与分析，通常是采用统计学原理来进行的。通过对较长时期的系统负荷历史记录进行分析，负荷数据可以看成由4种不同的变化趋势的负荷变动组成：
1)非周期渐变趋势。它是负荷在较长持续时间内的发展总动向，即从长期看，负荷数据连续增加、减少或平稳的趋向。
2)周期性趋势。它是由小时更换的特定规律作用而发生的周期性变动，在上次出现以后，每隔时间跨度24h或7d或1个月后出现。
3)随机型变化趋势。它反映用户负荷受随机因素，如受气象条件（温度、湿度）等引起的变化，这种变化一般很快，没有确定的规律。
4)季节性变化量。它是由季节更换的特定规律作用而发生的周期性变动。常常与周期性变换量相对应。
上述4种趋势中，非周期发展趋势代表基荷按年的增长。季节性变化量代表了因季节性气候性变化引起的负荷的正常规律性的变化，此外负荷通常还以星期和日为周期表现出明显的周期性变化的规律。随机变化是由一些偶然因素产生的。随机变化的因素又可分为两种：可预见的和不可预见的。一天内用户负荷频繁变化的随机性是难以预计量，是造成短期负荷预测误差的瓶颈。而天气骤变和重大特殊事件引起负荷随机变化在一定程度上则是可预见的。
但是数据分析是一件相当困难的工作，要从大量的数据中找出存在各种周期性的规律，得到与预测相关因素的大小与权值，并根据这些数据项预测未来的负荷值。本文针对汕头地区的负荷特性进行中期负荷预测和日负荷预测分析。
2.1对气候影响的统计分析
由于气候因素对负荷的影响最大，本文首先研究了汕头地区日峰荷与温度因子的关系。为了用少数几个气象因子来表征一天的天气状况，可将所有的气象因子作为一个分析集合，根据观测的天数（样本），提取气象因子中的主要决定成分。然后对样本进行模糊聚类分析，即按照各变量的近似程度进行分类，寻找出最大的相似日。最后采用多元线性回归，采用样本聚类结果值进行曲线拟合，从而预测负荷特性。
2.1.1成分分析
气温在负荷的历史数据中，可以看成是随机变量，将一天中的各个时刻点的气温看成是一个样本数中的各个向量，通过对样本的概率统计，可以得到样本的相关阵的特征值和特征向量。对样本采用自相关分析法，寻求与预测输出最相关的因素作为系统的主要决定成分。自变量的选择一般遵循两条原则：选择的自变量应与预测输出密切相关；选择的自变量间不应线性相关。为此，可用自相关系数rk来度量
式中：n为样本数；k=1，2，…，表示相对于l时刻滞为样本数据的平均值；rk的取值范围为［－1， 1］，｜rk｜越接近于1，说明两个序列的自相关程度越高。
实际应用中，可以选取超过某一阈值的序列作为最相关因素。在此，本文以0.7作为选择主要决定成分的阈值，对于输出yl，可将含有决定成分的xl选为
式中，l=1,2,…,n,n的长度取决于所截取的时间序列段的长度。xi为i时刻的气温值。
2.1.2负荷数据的聚类分析
聚类分析就是通过无监督训练将样本按照相似性分类，把具有相似性的样本归为一类，占据特征空间的一个局部区域，每个局部区域的聚合中心是该类的代表。在聚类算法中自变量与目标函数都是离散量，存在着许多局部极值，而常规的方法没有接受劣化解的机制，因此初始聚类中心对最终结果影响很大。常用决策是采用若干初始中心分别聚类，然后选择其中最满意的一个作为聚类结果，因而不能保证聚类结果的最优性。
本文采用最近邻聚类学习算法，对初始聚类中心没有依赖性，根据聚类半径的大小，通过学习样本不断调整聚类的数目和中心，使得聚类的结果能较好地反映数据在特征空间的分布。这种算法的优点有：1）只需对数据执行一次一步运算，且计算过程本身也很简单；2）由于算法是以最优模糊逻辑系统为依据的，因此其性能有充分保证。算法的缺点是信息在这种算法的过程中不能得到更新。
假设考虑第k对数据（xk，yk）时，k=1,2,…,M，已经存在M个聚类，其中心分别为x10，x20，…，，分别求出该数据对[1][2][3]下一页安防之家专注于各种家居的安防,监控,防盗,安防监控,安防器材,安防设备的新闻资讯和O2O电商导购服务，敬请登陆安防之家：http://anfang.jc68.com/
(c)2015-2017 Bybc.cn SYSTEM All Rights Reserved
