一种基于负荷趋势变化的超短期母线负荷预测方法

技术领域

本发明涉及电力系统母线负荷预测技术领域，具体涉及一种基于负荷趋势变化的超短期 母线负荷预测方法。

背景技术

超短期母线负荷预测是电力系统母线负荷预测中的一个重要组成部分。超短期母线负荷 预测在实时和日内发电计划制定和方式安排中起到重要的基础性作用。目前多个网省的安全 校核工作已经不能完全满足实时发电计划和检修方式下的实时安全校核要求。部分电网实时 发电计划和电网方式安排中的安全漏洞已经反映到实际运行中，只能采取临时调整发电计划 或电网运行方式予以弥补，这给电网运行带来了安全隐患。

电网的迅速发展使电网拓扑的组合方式按级数增长，加上区域经济不平衡因素，导致月 度方式计算远不能涵盖所有的电网安全问题。建立与国际先进技术同步的实时安全校核技术 支持系统势在必行，而快速精确的超短期母线负荷预测是进行实时安全校核的基础。

超短期母线负荷预测的特点是在线运行，不仅要求预测精度高，而且要求计算速度快。 描述超短期母线负荷预测的资料相对超短期系统母线负荷预测而言非常少。与超短期系统母 线负荷的分析过程类似，母线负荷自身也具有特定的变化规律，可以考虑使用超短期系统母 线负荷预测的某些方法来进行超短期母线负荷预测，但母线负荷预测的特点决定了它属于信 息不完备、不精确问题，很难直接套用超短期系统母线负荷预测的思路来解决，例如，不精 确的历史数据和其中相对较多的坏数据会对绝大部分已有方法产生破坏性影响。因此，必须 从实时快速的数据辨识、多元化的超短期母线负荷预测模型、超短期母线负荷预测的组合分 析机制等多个方面进行深入研究，提出全套的解决方案，最终快速准确的进行超短期母母线 负荷预测，为实时安全校核和实时发电计划提高精准的基础数据。

发明内容

针对现有技术的不足，本发明提供一种基于负荷趋势变化的超短期母线负荷预测方法， 该方法加速获得超短期母线负荷预测结果，并与现行的一些方法进行了比较，确定该方法简 单实用、计算速度快、预测结果准确满足实时调度和实时安全校核的要求。

本发明的目的是采用下述技术方案实现的：

一种基于负荷趋势变化的超短期母线负荷预测方法，其改进之处在于，所述方法包括下 述步骤：

（1）母线负荷建模；

（2）获取及处理母线负荷样本数据；

（3）相似日选择；

（4）超短期母线负荷预测计算。

其中，所述步骤（1）中，所述母线负荷建模包括：

A、获取母线负荷预测电网模型：母线负荷预测电网模型通过基于IEC61970标准或基于 国网E语言标准的电网模型获取；

B、定义母线负荷组：母线负荷组是母线负荷模型中的基本实体，母线负荷组连接到单 个电力元件测量值；

C、定义母线负荷：母线负荷指的是母线负荷统计关口与节点；

D、建立母线负荷模型：母线负荷模型是树状结构，描述分区、厂站和母线负荷的层次 关系；母线负荷模型通过电网模型中的母线负荷组定义直接创建。

其中，所述步骤（2）中，母线负荷样本数据获取及处理包括下述步骤：

a、从以计算机为基础的DC与电力自动化监控系统SCADA服务器中获取母线负荷历史 数据以及实时母线负荷值并保存在母线负荷预测数据库中；

b、对从以计算机为基础的DC与电力自动化监控系统SCADA服务器中获得的母线负荷 预测历史值进行加工处理，由母线负荷预测历史数据构成原始样本数据；

c、计算样本日母线负荷变化率；

d、计算平均日母线负荷变化率。

其中，所述步骤b中，首先判断原始样本数据是否为伪数据，判据如下：

式中：ΔL_i所选样本日第i点的母线负荷变化率；ΔL_iav是i点平均母线负荷变化率；P为 评价倍数，省网选P=3；

对识别出的伪数据根据下述②式进行加工处理：

L_i+1＝L_i*(1+L_iav)                    ②；

式中：L_i表示i时刻的母线负荷值；L_i+1表示通过L_i和ΔL_iav计算得到的i+1时刻的母线负 荷值；当历史样本中i+1时刻的母线负荷历史值是伪数据时，将该伪数据由②式计算所得的 L_i+1替换。

其中，所述步骤c中，样本日母线负荷变化率的计算通过对由历史样本数据的拟合曲线 求导获取，对于离散的以计算机为基础的DC与电力自动化监控系统SCADA母线负荷序列， 样本日各点的母线负荷变化率ΔL_i用下述③式表示：

ΔL_i=（L_i+1-L_i)/L_i                        ③。

其中，所述步骤d中，根据步骤c，求取平均母线负荷变化率，所述平均母线负荷变化率 ΔL_iav用下述④式表示：

$\Delta L_{\mathrm{iav}}=\underset{i=1}{\overset{M}{\Sigma }}\left({\mathrm{\Delta L}}_i\right)/M$          ④;

式中：M为所选样本的天数。

其中，所述步骤（3）中，相似日选择包括如下步骤：

I、给定“距离”的阀；

II、从最临近预测日的历史日开始，计算每个历史日与预测日的“距离”；以历史日的母 线负荷值和母线负荷增量值为分量，计算出距离值，保留接近1的数据；

III、对保留下来接近1的数据，利用表达式⑦计算出距离N的值；

IV、比较步骤III计算出的N值，如果小于阀值φ，则该历史日是预测日的相似日；或选 取与预测日相似的m天作相似日。

其中，所述步骤I中，相似性判别函数的公式如下：

$M(y_k,y_l)=\frac{{y_k}^T{y}_l}{\left|y_k\right|·\left|y_l\right|}$        ⑤;

$\left|y_k\right|=\sqrt{{y_k}^T{y}_l}$       ⑥;

距离N的值用下述公式⑦表示：

$N=\sqrt{\underset{k=0}{\overset{k=m-1}{\Sigma }}{\hat{\alpha }}_k{\left({\mathrm{\Delta y}}^k\right)}^2}$        ⑦;

其中：

${\mathrm{\Delta y}}^k=y_l^k-y_{l-1}^k$        ⑧;

是预测日向量的第k个分量；是距离预测l日前天向量的第k个分量；为权

重值。

其中，所述步骤（4）中，在平均日各母线负荷变化率的基础上，从以计算机为基础的 DC与电力自动化监控系统SCADA中实时获取的288点母线负荷数据中的当前值，进行超 短期母线负荷预测，单个母线负荷值用下述⑨式表示：

L^/_f(i+1)＝L_i*(1+L_iav)                ⑨；

式中：L^/_f(i+1)是超短期预测得到的i+1时刻单个母线负荷值。

与现有技术比，本发明达到的有益效果是：

1、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法，母线负荷模型基于能量 管理实时系统（EMS）中，能够及时获取网络信息。

2、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法，实时处理母线负荷坏数 据，即伪数据。

3、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法，提前进行历史母线负荷 趋势变化计算。

4、、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法，数据存储过程中考虑 依托底层数据库，通过建立多层索引和关键字等快速存储技术，提高数据访问速度。

5、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法，快速计算和存储超短期 母线负荷预测结果。

6、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法，加速获得超短期母线负 荷预测结果，该方法简单实用、计算速度快、预测结果准确满足实时调度和实时安全校核的 要求。

附图说明

图1是本发明提供的电网超短期母线负荷预测物理模型；

图2是本发明提供的基于负荷趋势变化的超短期母线负荷预测方法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

本发明提供的基于负荷趋势变化的超短期母线负荷预测方法的流程如图2所示，该方法 包括下述步骤：

（1）母线负荷建模；

本发明提供的电网超短期母线负荷预测物理模型如图1所示，建立电网母线负荷预测物 理模型是母线负荷预测中的重要环节，结合考虑到各级电网的实际的特点，建立如下所示的 预测模型。该模型主要是对220kV或110kV进行建模，将220kV变电站高压测或中、低压侧 的实际负荷和线路统一看成是等值负荷，超短期母线负荷预测的目的就是通过计算得到这些 等值负荷的超短期预测结果。建立规范的母线负荷模型是母线负荷预测工作的前提和基本保 证。母线负荷预测使用的网络模型立足于调度EMS系统使用的网络模型，一体化建设，一体 化维护，也可以按照IEC61970标准的CIM模型或基于国网E语言标准从能量管理系统（EMS） 中获取。母线负荷建模包括下述内容：

母线负荷预测用于获得未来潮流计算中各计算母线上的母线负荷类注入量，这些母线负 荷注入量，物理上表现为与下级电网的线路关口、主变关口量测。

A、电网模型获取：母线负荷预测使用的电网模型来源于调度EMS系统，可以通过基于 IEC61970（DL/Z 890）标准或基于国网E语言标准的电网模型获取。

B、母线负荷组的定义：母线负荷组是母线负荷模型中的基本实体，母线负荷组可以连 接到单个电力元件测量值，例如变压器测量值，或者连接到母线负荷元件测量值的总集合中。

C、母线负荷的定义：母线负荷预测中的“母线”并不是指物理母线实体，而是指母线 负荷统计关口与节点；母线负荷是一个逻辑概念，但其总与具体的物理设备关联，并具有明 确的物理意义。

D、母线负荷模型的建立：母线负荷基本模型是树状结构的，可以描述为分区、厂站、 母线负荷的层次关系,其定义依据源自EMS电网模型。母线负荷模型主要通过利用电网模型 中的母线负荷组定义直接创建。

（2）获取及处理母线负荷样本数据；

母线负荷的历史样本数据是预测未来母线负荷的基础。由于自动化系统问题等各种原因， 实际的母线负荷样本数据中总是不可避免地包含有各种坏数据，这些坏数据的存在显然会影 响最终的预报精度。因此在母线负荷预测应用中，样本数据的预处理非常重要。坏数据通常 由以下原因造成：一是自动化系统故障，如数据采集系统中某一数据通道的暂时性中断，这 将造成数据不真实；二是类似某些大工业母线负荷的突发性偶然波动等的特殊事件，使得数 据的本来规律被各种“假象”覆盖。三是统计口径不同带来的误差。这两种情况一般认为会 造成坏数据，第三种会造成数据异常。解决办法主要有修正法、解析分析法、相关法、调整 历史数据的可信度、自动检测与辨识不良数据等。将电力系统不良数据检测和辨识技术应用 到母线负荷预测的数据处理，能够有效的处理历史数据中的异常值。

从以计算机为基础的DC与电力自动化监控系统（SCADA）服务器中自动获取系统历 史以及实时母线负荷值并送入自身数据库中进行更新维护。由于EMS运行过程中有时会受 到干扰或发生中断，造成采集到的母线负荷出现错误，从而使母线负荷曲线出现不正常的毛 刺，这些伪数据的出现必然严重影响预测结果的准确性。因此在超短期母线负荷预测中，预 测样本的维护非常重要，辨识和修正伪数据是保证预测结果可信的前提。

a、从以计算机为基础的DC与电力自动化监控系统（SCADA）服务器中自动获取母线 负荷历史数据以及实时母线负荷值并保存在母线负荷预测数据库中；

b、对从SCADA中获得的母线负荷预测历史值进行加工处理，由母线负荷预测历史数据 构成原始样本数据；，其具体判据如下：

首先判断原始样本数据是否为伪数据，判据如下：

式中：ΔL_i所选样本日第i点的母线负荷变化率；ΔL_iav是i点平均母线负荷变化率；P为 评价倍数，其值根据电网实际情况选取，省网选P=3；

对识别出的伪数据根据下述②式进行加工处理：

L_i+1＝L_i*(1+L_iav)                ②；

式中：L_i表示i时刻的母线负荷值；L_i+1为通过L_i和ΔL_iav计算得到的i+1时刻的母线负荷 值；当历史样本中i+1时刻的母线负荷历史值是伪数据时，将该伪数据由②式计算所得的L_i+1替换。

c、样本日母线负荷变化率计算：

样本日母线负荷变化率的计算通过对由历史样本数据的拟合曲线求导获取，对于离散的 SCADA母线负荷序列，样本日各点的母线负荷变化率用下述③式表示：

ΔL_i=（L_i+1-L_i)/L_i                    ③。

d、平均日母线负荷变化率计算：

通过计算③式，得到各样本日各点的母线负荷变化率，由此对其进行统计求取平均母线 负荷变化率，平均母线负荷变化率用下述④式表示：

$\Delta L_{\mathrm{iav}}=\underset{i=1}{\overset{M}{\Sigma }}\left({\mathrm{\Delta L}}_i\right)/M$          ④;

式中：M为所选样本的天数。

通过④式，获得一个用于伪数据判断的平均母线负荷变化率。利用此变化率，进行伪数 据的判别和加工修改，然后再利用加工修改后的样本重新进行样本日母线负荷变化率、平均 日母线负荷变化率的计算，得出新的平均日母线负荷变化率，比较前后两次平均日母线负荷 变化率的差值，如果差值较大则重新循环，直至满足要求，得到用于预测的平均日母线负荷 变化率为止。工程经验证明，重复进行一次计算即可满足实用要求。

（3）相似日选择；

由于相似日同一时段母线负荷曲线呈现相近的变化规律，所以在选择相似日时，根据相 似目母线负荷曲线的特征，要考虑的输入量包括：母线负荷增量值、母线负荷值。在确定历 史日的选择范围时，考虑到使用与预测日相隔比较久的历史日会降低预测精度，所以取与预 测日相隔不超过两个月，或是预测日前一年的同一月的各历史日构成母线负荷预测的样本集， 每个样本包括该日各时段的母线负荷值和母线负荷增量值。

相似日选择包括下述步骤：

I、给定“距离”的阀；

在数学上，相似性判别函数的公式如下：

$M(y_k,y_l)=\frac{{y_k}^T{y}_l}{\left|y_k\right|·\left|y_l\right|}$        ⑤;

$\left|y_k\right|=\sqrt{{y_k}^T{y}_l}$        ⑥;

式中y为行1列向量，以负荷增量值、负荷值、日类型作为向量的分量。当y_k和y_l两 组数据比较接近时，M(y_k,y_l)就会很大。

由于负荷具有周期性，所以大多数情况下，M(y_k,y_l)的值都比较接近1。为了得到更加 准确的结果，引进了距离公式来计算历史日与预测日的“距离”。

$N=\sqrt{\underset{k=0}{\overset{k=m-1}{\Sigma }}{\hat{\alpha }}_k{\left({\mathrm{\Delta y}}^k\right)}^2}$        ⑦;

其中${\mathrm{\Delta y}}^k=y_l^k-y_{l-1}^k$       ⑧;

是预测日向量的第k个分量；是距离预测l日前天向量的第k个分量。权重值 的确定，可以通过以往的历史负荷数据资料，使用最小二乘法来得到。

距离N值越小，则说明相似度越高，该历史日相应时段的负荷曲线越接近于预测日的 负荷曲线。由相似性原理，给定阀值φ和距离公式N，如果对于向量y_k和y_l-1，有y_k和 N(y_l-y_l-1)≤φ，则y_k和y_l-1的阀值φ内相似，简称y_k和y_l-1相似。φ值的确定，要根据不 同地区的实际情况，由经验决定。

II、从最临近预测日的历史日开始，计算每个历史日与预测日的“距离”；以历史日的母 线负荷值和母线负荷增量值为分量，计算出距离值，保留接近1的数据；

III、对保留下来接近1的数据，用⑦式计算出N值；

IV、比较步骤III计算出的N值，如果小于阀值φ，则该历史日是预测日的相似日；或选 取与预测日相似的m天作相似日。

（4）超短期母线负荷预测计算；

在得到用于预测的平均日各母线负荷变化率的基础上，利用从电力自动化监控系统 SCADA系统中实时获取的288点（每5min取一点）母线负荷数据中的当前值，即可进 行未来时刻的超短期母线负荷预测，单个母线负荷值用下述⑨式表示：

L^/_f(i+1)＝L_i*(1+L_iav)                ⑨；

式中：L^/_f(i+1)是超短期预测得到的i+1时刻单个母线负荷值。

实施例：

将以上所述方法应用到某省级电网调度自动化中，进行最小间隔为5分钟，长度为2小 时的超短期母线负荷预测。日预测精度能提高2％－3％，很好的满足了日内发电计划的要求。 且算法运行稳定，预测在拐点或其他波动时段都有很好的适应能力，预测结果稳定，具有一 定的通用性和推广价值。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照 上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本 发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等 同替换，其均应涵盖在本发明的权利要求范围当中。