基于功率或电量预测的智能配电网统计线损同期化方法-冷华.pdf
《基于功率或电量预测的智能配电网统计线损同期化方法-冷华.pdf》由会员分享,可在线阅读,更多相关《基于功率或电量预测的智能配电网统计线损同期化方法-冷华.pdf(7页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、第44卷第18期 电力系统保护与控制 V0144 No18兰!鱼笙2旦!旦 旦竺!兰羔!塑翌!1211111竺里竺璺g竺堕竺! 璺!望:!鱼:!Q!DOI:107667PSPCI51689基于功率或电量预测的智能配电网统计线损同期化方法冷华1,陈鸿琳2,李欣然2,唐海国1,朱吉然1(1国网湖南省电力公司电力科学研究院,湖南长沙410007;2湖南大学电气与信息工程学院,湖南长沙410082)摘要:智能配电网中电量采集数据缺失、遗漏导致按月线损统计不是严格意义上的自然月。为解决线损统计不同期问题,提出基于功率或电量预测的方法来改善配网线损统计。通过挖掘售电量数据,提出了一种基于年度售电量的灰色预
2、测结果。再根据季度、月度层级占比得到月售电量的预测方法,与实际值的平均相对误差仅为194,证明此方法简单有效适合电力各部门的广泛应用。将月售电量预测结果应用于线损统计,结合供电比例系数法,改善表计供、售电量不对应的问题,使得同期化,对按月实时分析网损有实际意义。关键词:电量预测;灰色模型;大数据;层级比例;同期线损A method for synchronous line loss statisties of distributionetwork based onload or electricity consumption forecastingLENG Hual,CHEN Honglin2
3、,LI Xinran2,TANG Haigu01,ZHU Jiranl(1Electrical Research Institute of State Grid Hunan Electric Power Company,Changsha 4 1 0007,China;2College ofElectrical and Information Engineering,Hunan University,Changsha 410082,China)Abstract:Asynchronous line loss statistics of smart distribution network due
4、to automatic meter failure and data missingare confusingTo solve this problem,a new method for synchronous line loss statistics based on power load or electricityconsumption forecasting is put forwardThrough data mining,this paper presents a monthly electricity forecasting methodbased on the result
5、of annual electricity by grey model and quarterly and monthly hierarchic proportionThe averagerelative forecasting error is only 194which indicates that this method is simple and effective and can be widely appliedin electric departmentAnd the forecasting results coupled with daily power supply rati
6、o are applied in synchronous lineloss statistic,which improves the inconsistency of power supply and electricity consumption and makes themsynchronousIt has actual meaning for monthly line loss analysisKey words:electricity consumption forecasting;grey model;big data;hierarchic proportion;synchronou
7、s line loss0引言线损中的统计线损是指供电量与售电量的电度表读数之差,线损率为线损除以供电量得到的比率。线损不仅可以反映电网架构的合理性、设备的老化程度,还能反映企业的经营管理水平,分析偷用电情况。以前我国电力部门的自动化水平有限,一部分营销数据还有赖于人工抄表完成,区域较大时会存在提前抄表以及分期抄表的现实,这种抄表方式1】导致了供电量、售电量统计的时问尺度不同期的问题。但是目前随着配网自动化水平的提高,这种线损不同期问题已不复存在,问题有了新的定基金项目:国家电网公司总部科技项目(5216A514001K)义,新的线损不同期问题由自动抄表系统中表故障、数据缺失导致,且供、售电量表
8、计故障随机,使得月末统计的电量不一定是自然月的电量。本文提出结合功率预测或电量预测,基于“多减少补”的思想,来同期化统计线损。功率预测即负荷预测,电量数据可由功率积分或离散累加得到,运用在同期统计线损中,指短期负荷预测。而根据实际算例情况,湖南省配网低压用户侧目前没有记录日负荷功率,且有的电量表计数据采集缺失情况严重,多的一个月达到27天,故本文主要论述月电量预测在同期线损中的应用。售电量预测是电力规划的基础,售电量直接关系到电力公司的收益,也是很多考核指标的组成部分。随着电力市场的开放,电量预测对企业计划发电、提万方数据冷华,等 基于功率或电量预测的智能配电网统计线损同期化方法 109-高经
9、济效益等都有重要意义。售电量预测通常分为年度、季度和月度电量预测,传统的预测方法有回归法、动平均法、指数平滑法、自回归动平均法等【2J,随着研究的深入,灰色模型预测法被广泛应用于长期电力预测中,也有学者将人工神经网络、智能优化算法运用其中。在对月售电量预测模型的优化中,文献3】建立了基于偏最小二重回归的预测模型,但是要求输入国民生产总值、社会固定资产投资、人口预测等数据,模型比较繁杂;文献4】采用了季节指数和灰色模型对月电量数据进行了拟合;文献5】从季度电量组合预测出发,通过加和求得年度电量,通过比例分配求得月度电量,但组合预测中包含的单一预测算法达到了5种和8种,建模复杂;文献6】分析了历年
10、各月电量占当年所在季度电量的比例,得出该比例基本维持平稳的结论,并采用温斯特法先对季度电量进行预测;而文献7通过比较移动平均模型、Winters和灰色马尔科夫模型预测地区电网售电量得出了灰色马尔科夫模型精度更高的结论。灰色预测方法要求的样本数据少,通过自身数据挖掘便可提取模型,对呈指数增加规律的数据有极佳的适应性,而年售电量正是呈递增趋势。因此,本文提出的月售电量预测方法基于年售电量的灰色预测结果,运用大数据思想,再通过季度比例和月度比例分别得到季度售电量和月度售电量,取得了良好的预测精度。进一步地,将预测结果应用于同期线损统计中,为电力部门分析运营情况、加强管理水平提供依据。1 灰色预测模型
11、GM(1,1)灰色系统8】理论在很多方面得到了实践应用,目前应用最广泛的是GM(1,1)模型,本文用来预测年度售电量,其建模过程如下9。1)对原始数据序列|o)_po(1),|o(2),o(疗)】进行一次累加,生成01=瞳1(1),x1(2),1(聍)】,此处指电量,时间尺度为年,其中Ixo(=z(1),k=1(炉圭以耽七:2,3,疗 uL i=l累加使得任意非负数列转化为非减的或递增的数列,具有近似指数规律。2)建立白化微分方程,|v(1)兰L+缸1)=五f2)式中:舀,五为参数,记为j=a,五】T。参数a,五通过计算数据矩阵曰和数据向量虼求得。有B=一三【x(1(1)+x(1(2)】一妒)
12、(2)“1)(3)】;一圭【x(1(聆一1)+x(1(聍)】 1K习 nn1=暖3)将求得的参数a,露代入微分方程,求解方程x(1o+1):x(1(1)一罢】e一白+芸,t=0,1,2,(6)a 口4)将方程的解累减还原得到预测模型曼o(七+1)=工o(1),k=0曼。(七+1)=曼1(七+1)一曼1(七)= (7)c,e6,(x(。c,考)ed,七=-,2,受到政治、经济事件的影响,年售电量的增长会有波动,可能电量序列不是严格的递增的趋势,因此,对灰色预测模型有所改进,如对时间序列的残差修正【l 01,运用马尔科夫的残差修正11J 31,以及使用灰色Verhulst模型114J等。由于本文研
13、究侧重点的不同,在此选用常规的GM0,1)模型,但仍可用改进的灰色预测模型结合层级比例分析来预测月电量。2 月电量预测21层级比例所谓层级比例是指“年季月”三个层级中,四个季度电量分别占年总电量的比例“季占年比”,一个季度中每月电量占季度电量的比例“月占季比”,以及每月电量占年总电量的比例“月占年比”。通过统计分析可知,各年的月占年比波动较大,而季度电量变化规律稳定,有较强的周期性,即每年的季度电量曲线都有相似的变化规律,如图1所示。原始数据为南京市某供电公司20002004年的各月售电量13 J,见表l。万方数据电力系统保护与控制车jo乏三上一季艘图1 20002004年季度电量Fig1 Q
14、uarterly electricity consumption of 2000-2004进一步分析原始数据可得,季占年比相对固定,月占季比也呈现出较强的稳定性,表2列出了各年的月占年比和季占年比。各月(每一行)的月占年比的相对标准偏差最大值为01016,各季(每一行)的季占年比的相对标准偏差最大值为00437,这说明月占年比数据波动较大,离散程度高,不稳定,而季占年比有平稳的比例值。相对标准偏差(RSD,relative standard deviation)是指标准偏差与测量结果算术平均值的比值,反映了数据的离散波动程度,用公式表示如下RSD:里100 (8)avP式中:SD为序列的标准方
15、差,即方差的平方根;ave为数列的平均数。通过计算各层级比例的相对标准偏差,有其平均值“月占年LL月占季比季占年比”,说明季占年比的平稳性最强可靠性最高,月占季比次之,月占年比最差。故本文根据得到的年电量预测数据,通过层级分析,先由季占年比计算季度电量,再由月占季比计算得到月度电量,而不是由年电量预测结果直接由月占年比得出月电量数据。表1 20002004年的各月售电量Table 1 Monthly electricity consumption of 2000-2004。 堡垒量!(互!型:!)“2000年 季度值 2001年 季度值 2002年 季度值 2003年 季度值 2004年 季度
16、值1 13 444 12 389 15 460 19 077 16 1722 12 873 38 015 13 839 38 553 13 987 42 310 1 5 869 49 887 16 618 48 3163 II 698 12 325 12 863 14 941 15 5264 10 918 12 015 12 540 14 217 1 5 3685 10 481 33 059 10 754 35 935 11 056 37 314 12 266 38 621 13 848 441696 11 660 13 166 13 718 12 138 14 9537 13 450 16
17、150 17 269 174 52 18 8488 18 868 46 838 19 894 5l 723 21 543 56 169 22 662 59 10l 25 024 63 7699 14 520 15 679 17 357 18 987 19 89710 13 189 14 538 14 314 15 642 17 30911 9 807 35 326 10 065 42 640 11 039 42 818 12 048 45 559 12 560 49 09912 12 330 18037 17 465 17 869 19 230表2 20002004年层级比例Table 2 H
18、ierarchic proportion of 2000-20041 O087 7 O073 4 O086 6 0098 8 0078 82 0084 0 O082 0 0078 3 0082 2 O080 9 0248 1 0228 3 O236 9 0258 3 0235 33 0076 3 0073 0 0072 0 O077 3 O075 64 0071 2 007l 2 0070 2 0073 6 0074 85 00684 0063 7 0061 9 0063 5 00674 021 5 7 0212 8 0208 9 0199 9 0215 16 0076 1 0078 0 00
19、76 8 0062 8 0072 87 0087 8 0095 6 0096 7 0090 3 009l 88 0123 1 0117 8 0120 6 0117 3 0121 9 O305 7 O306 3 0314 5 O306 0 0310 59 0094 8 0092 9 0097 2 0098 3 0096 910 0086 1 0086 1 0080 1 008l 0 0084 311 0064 0 O059 6 O061 8 0062 4 0061 2 0230 5 0252 5 0239 7 0235 9 O239 112 0080 5 0106 8 0097 8 0092 5
20、 0093 6万方数据冷华,等 基于功率或电量预测的智能配电网统计线损同期化方法 11122预测步骤综上所述,月电量预测的具体步骤如下。1)基于年售电量数据序列,运用灰色模型预测年售电量。2)基于大数据进行数据挖掘,分析近来历史各年的售电量季占年比、月占季比,分别得到平均值作为待预测年月的层级比例。31基于层级比例和年售电量预测值,由年电量和平均季占年比得到季度电量预测值,由季度电量和月占季比得到月电量预测值,分析相对误差aa:生2100 (9)Y式中:y7为月电量预测值;Y为月电量实际值。3 月电量预测的同期线损应用电量数据系统中每天一抄,电量的月统计是在每月末,用当前表计数据减去上月末保存
21、的数据。实际情况中会出现表计故障导致数据缺失的问题,如图2所示,而一般工程实际情况中,对数据缺失的自动补抄方式为向前查询,记录前一次有效数据作为当前数据,故基本情况可分为以下三类。1)当月末几天的数据缺失时,系统采用最近一次保存的读数作为月末读数,从而抄表天数少于当实际统计的个月(a)理论I:统汁的个月实际统计的个月(b)理论l:统计的+个月实际统计的个月(c)图2线损统计的不同期Fig2 Asynchronous line loss月天数,抄表电量比实际电量少。21当月初有数据缺失时,系统采用上个月中最接近本月1号保存的数据,从而抄表天数多于当月天数,抄表电量比实际电量多。3)当月初月末同时
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 功率 电量 预测 智能 配电网 统计 同期 方法
限制150内