工业园电力规划设计中负荷预测方法探讨

工业园电力规划设计中负荷预测方法探讨

张宏

陕西延长石油矿业有限责任公司， 710076

摘要：工业园电力规划是城市电力规划的重要内容，负荷预测是电力规划工作的前提与基础，负荷预测的合理性与否，直接影响着规划的质量和后期工程建设的可行性。但是工业园在规划年限内的发展程度难以确定，另外还有很多因素影响负荷预测的准确性，比如气象因素、节假日工作时间、大用户突发报装、大用户用电缺乏计划和有序性以及新建企业没有历史负荷数据等。如何采用较为准确的负荷预测方法预测近期和远期的电力负荷，为后续建设提供可靠的依据，保证电网建设规模及管线路径的合理经济利用，并满足园区经济发展，是规划工作的难题。

关键词：工业园；电力规划设计；负荷预测方法

引言

电网智能化程度和信息化程度的不断提高，由电网维修和运行产生的数据不断增加，对大数据处理和存储提出了更高的要求，增大了管理大数据的难度，导致在信息传输、系统可靠性、信息存储和集成等方面增加了智能电网面临的挑战。电网建设、电力营销和电力设备等数据是智能电网中主要存在的电力数据，通过对这些电力数据进行分析，可以对电力短期负荷进行预测，从而保障智能电网的运行性能。

1.远期负荷预测思路

一般工业园是在农田的基础上发展起来的，分批建设、分批投入，园区入驻企业有无序性和突然性的特点，难以获得历史负荷数据，因此不能用回归模型预测等趋势法来进行预测，而用空间负荷预测的方法弥补趋势法的不足。而且常规负荷预测方法很难考虑到小区用地类型发生变化时的负荷发展情况，而负荷密度法可以做到。有关部门提供了比较详细的用地规划、地块性质和建筑面积等信息，为负荷密度法进行预测提供了有利条件。为解决不确定因素对园区电网的不利影响，可利用负荷密度法对园区电网进行负荷预测。远期负荷预测采用大用户报装与负荷密度指标法，通过指标结果对比，校验预测结果的准确性。考虑园区建设时序，目前将已入驻及已有用户报装地块的负荷视为近期负荷，其余地块负荷为远期负荷。

2.短期负荷预测

传统方法通常以月份或候温为指标对季节进行硬性划分，不能准确反映季节对负荷预测的影响，同时温湿度等强驱动数据在不同季节和时段的影响程度也不同，为此，提出一种基于负荷聚类和负荷趋势自适应分段的电力负荷预测算法。算法首先对历史数据进行聚类实现对负荷曲线的季节性划分，然后在此基础上提取各季节负荷趋势及其分割点对负荷曲线进行自适应分段，最后通过改进ORELM模型实现各季节负荷的多分段建模与预测。实验结果验证了算法的有效性和鲁棒性。针对季节性划分不准确及气象条件动态变化对短期电力负荷预测造成的影响，提出一种基于负荷聚类与趋势自适应分段的电力负荷短期预测算法。算法首先对历史数据进行聚类并与CART树结合，实现对负荷曲线的季节性划分，然后在此基础上提取各季节负荷变化趋势并根据趋势变化分割点对负荷曲线自适应分段，最后通过改进ORELM模型实现各季节负荷的多分段建模与预测。实测负荷数据仿真实验结果表明，文中聚类与CART树结合方法对负荷进行季节性划分更有利于筛选有效的历史日进行短期负荷预测，自适应多分段方法对预测精度有不同程序的提高，相比于支持向量回归及极限学习机等已有预测方法，文中算法取得更优的预测精度和对不同季节及气象条件的鲁棒性。

3.改进K-means算法

K-means算法核心思想：将n个数据对象划分为K个类，并且使每类中的所有数据对象到该类的聚类中心点的平方和最小，但其聚类时间比较长，为实现对数据的快速聚类，保留K-means算法的效率同时将K-means的应用范围扩大到离散数据。选取K-means聚类算法聚类分析挖掘电力系统电力负荷历史数据中的属性特征量、聚类历史数据的负荷模式。不同历史数据样本内数据点具有相近的欧式距离时，海量电力负荷历史数据样本中数据点具有更高的相似程度。聚类算法利用欧式距离将样本数据中的数据样本划分为不同类别，同类别的数据相似度较高;利用该聚类算法挖掘电力负荷历史数据的最终目标为获取独立的簇，且所获取的簇需具有较高的紧凑性。电力负荷大数据的复杂性随着电力系统的发展不断增加，目前，电力负荷大数据的预测方法已经难以满足电力系统的需求，使电力负荷大数据预测成为目前亟需解决的问题。当前电力短期负荷预测方法存在预测效率低和预测精准度低的问题，现提出一种基于改进K-means算法的电力短期负荷预测方法，利用改进后的K-means算法对电力负荷大数据进行分类处理，通过RNN神经网络高效、精准的实现电力负荷大数据的预测，可以满足现有电力系统无法解决负荷大数据复杂性的需求，提高短期负荷预测的精度，为电力系统的发展奠定了基础。

4.数据挖掘技术的应用

在对电力负荷进行精准预测的过程中，所需要的电力负荷数据是十分巨大且不间断的，因为电力负荷数据的特征性会随着时间的流逝一直在改变，所以只有对电力负荷进行24小时的不间断预测，才能尽可能降低系统对电力负荷的预测结构和实际数据结果之间的偏差，而文中系统的集成接口主要负责对负荷数据自动采集的工作，并且它的工作状态并不会受到该系统工作状态的影响，具有极强的自主工作能力，而这也是文中系统的特色开发工具之一。该系统的主要挖掘对象为水电负荷和社会负荷，通过深度挖掘技术来建立相关模型与多元线性同归神经网络是该文采取的主要手段，在经过大量的实验与实际操作验证后，发现文中系统对电力负荷预测的精确性最高，抗外界干扰性最强。数据挖掘技术是一种抗干扰较强且设计范围较广的多层次应用技术，在经过大量的实际操作与实验总结后，发现该技术所具有的特征点对我国的电力负荷预测领域有着极大的突破与帮助，因此文中基于该技术核心理念设计了相对应的预测系统，事实证明，文中所设计系统的抗干扰性与针对性是传统预测系统远远不具备的，在电力负荷预测领域有着极高的研究价值与发展前景，另外，随着我国该领域的不断发展与创新，也希望该系统在未来可以获得更大的提升，发挥更大的使用价值。

5.基于Shapley值的负荷预测结果溯源分析方法

采用实际的负荷数据进行验证，实验结果表明：1）采用本文方法计算的Shapley值满足有效性的要求，能够在负荷影响因素之间公平分配其对负荷预测结果的贡献；2）采用Shapley值解决了负荷预测模型不可解释的问题，可以洞察负荷预测模型的预测过程，分析负荷预测结果产生的原因；3）与皮尔逊相关系数法相比，采用Shapley值可以计及各影响因素与负荷之间的复杂非线性关系，辨识影响负荷的重要因素，指导特征选择，提升负荷预测模型的泛化能力；4）采用Shapley值可以衡量影响因素变化对负荷的非线性影响。Shapley值的计算以训练完成的负荷预测模型为基础，预测模型可以采用其他机器学习算法进行训练，在使用本文方法前需要选择准确性高的负荷预测模型。另外，不同负荷的影响因素不同，采用该方法分析不同负荷的影响因素可能会得到不同的结果。后续笔者将采用Shapley值对基于机器学习的负荷预测模型中的损失函数进行分析，以衡量造成负荷预测误差的原因。

结束语

以某工业园电力规划为例，根据片区的发展情况，将负荷预测分为近期和远期两个阶段。结果表明预测方法可以达到满意效果，对工程实践有较强的指导意义。

参考文献

[1]李智勇,苏寅生,李斌,刘春晓,李豹,谭守标.基于MT-BSGP的电力负荷预测方法[J].哈尔滨理工大学学报,2021,26(04):46-55.

[2]郑培钧.基于电负荷预测及热损失计算的热电联供型区域建筑运行优化研究[D].华北电力大学(北京),2021.

[3]龙雯,王同喜.基于深度学习的多特征短期负荷预测[J].电脑知识与技术,2021,17(16):186-187+194.

[4]陶娟,邹红波,周冬.基于提升人工神经网络的短期负荷预测模型[J].电工材料,2021(02):53-56.

[5]郝洪全.基于深度学习的电厂负荷短期预测研究[D].天津理工大学,2021.DOI:10.27360