（电力系统及其自动化专业论文）基于负荷预测的变电站电压无功控制.pdf

a b s t r a c t k e e p i n gv o l t a g eq u a l i t ya n dr e d u c i n gn e t w o r kl o s sa r et h em o s ti m p o r t a n tt w o o b j e c t so fp o w e rs y s t e mo p e r m i o n f o rs u b s t a t i o n s ，v o l t a g e & r e a c t i v ep o w e rc o n t r o l c a l lm a k er e a c t i v ep o w e rd i s t r i b u t er e a s o n a b l yb ya d j u s t i n gt r a n s f o r m e rt a p sa n d o p e n i n go rc l o s i n gc o m p e n s a t o r so fr e a c t i v ep o w e r , w h i c hc a n m a k ef o rh i g h v o l t a g eq u a l i t ya n d l o wp o w e rl o s s n o w a d a y s v o l t a g e r e a c t i v ep o w e rc o n t r o le q u i p m e r i t su s e9 一a r e a c h a r t p r i n c i p l em o s t l y , t h e yc a nm a k e t r a n s f o r m e rt a p sa n dc o m p e n s a t o r sc h a n g e f r e q u e n t l y ，a n dt h i sm a yr e d u c e st h e i ru s i n gt i m e i no r d e rt or e d u c et a po p e r a t i n g t i m e s ，am e t h o df o r v o l t a g e & r e a c t i v ep o w e rc o n t r o li ns e c t i o n sb a s e do nl o a d f o r e c a s t i n gu s i n gf u z z yc l u s t e r i n ga n a l y s i s a n dr b fn e u r a ln e t w o r ki s p r o p o s e d f o r e c a s ts u b s t a t i o na c t i v e ，r e a c t i v el o a da n dv o l t a g eo fn e x td a yf i r s t l y ， d i v i d eo n ed a yi n t os e v e r a ls e c t i o n sa c c o r d i n gt ot a p so p e r a t i n gt i m e si nad a y ，t h e n c o n t r o li ne v e r ys e c t i o n t h e p e r f o r m a n c e o fc o n t r o l l i n g s t r a t e g y l i e so nt h e a c c u r a c y o fl o a d f o r e c a s t i n g c o n s i d e r i n gs y n t h e t i c a l l yt h ef a c t o r st h a ti n f l u e n c i n gl o a d ，s u c ha st y p e o fd a y ，t e m p e r a t u r e ，r e l a t i v eh u m i d i t y ，w e a t h e rs t a t u s ，d i v i d eh i s t o r i c a ld a t ai n t o s e v e r a ls o r t su s i n gf u z z yc l u s t e r i n ga n a l y s i s ，t h e nc h o o s et h es a m et y p ed a y st o f o r e c a s tu s i n gr b fn e u r a ln e t w o r k t h i sm e t h o do v e r c o m e st h ed i s a d v a n t a g eo ft h e m e t h o do n l yc h o o s es w a t c hb yw o r k d a yo rw e e k e n d ，a n di ti m p r o v e st h es w a t c h s q u a l i t yo fr b fn e u r a ln e t w o r k ，s ot h ea c c u r a c yo fl o a df o r e c a s t i n gh a sb e e n i m p r o v e d c o n s i d e r i n gt h ed i s a d v a n t a g eo fd i v i d i n gm e t h o do n l ya c c o r d i n gt oa c t i v eo r r e a c t i v el o a d ，i nt h i sp a p e r , t h ed i v i d i n gm e t h o dc o n s i d e r sa c t i v e ，r e a c t i v el o a da n d v o l t a g e t w o - w i n d i n g t r a n s f o r m e ra n dt h r e e - w i n d i n g t r a n s f o r m e ra r ea l ld i s c u s s e di n t h i sp a p e r b yt h ec a l c u l a t i o no fs e v e r a ld i f f e r e n ts u b s t a t i o n si nt i a n j i n t h ev a l i d i t yo ft h e m e t h o dh a sb e e np r o v e d k e yw o r d s ：s u b s t a t i o n ；v o l t a g e & r e a c t i v ep o w e rc o n t r o l ；s h o r t t e r ml o a d f o r e c a s t i n g ；r b fn e u r a ln e t w o r k ；c o m b i n a t i o nd i v i d i n gm e t h o d 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得墨鲞盘堂或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 学位论文作者签名：jf 岔 签字日期： 弦可年事月日 学位论文版权使用授权书 本学位论文作者完全了解苤鲞盘堂有关保留、使用学位论文的规定。 特授权墨鲞盘堂可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：j 汲 耸字日期：五彳年弓月7 日 第一章绪论 第一章绪论 1 1 电压、无功控制对电网运行的重要意义 电压质量是电能质量的重要指标之一，网损是电力企业的一项重要综合性经 济技术指标。长期以来电力系统网络损耗问题较为突出，而无功补偿是降低线损 的有效手段。提高电压质量，节能降耗是供电企业当前的工作重点。 天津经济技术开发区( 简称天津开发区或泰达) 占地约4 3 平方公里，其中 主要以工业用户为主，其工业负荷约占全区负荷的7 0 以上，其中包括诸如摩托 罗拉、一汽丰田汽车、三星电子等电子精密行业，这些用户对电能质量的要求明 显高于其它企业用户，远高于居民用户。所以保证较高的电压合格率是开发区电 网运行的一项主要工作。 电压合格率是衡量电能质量高低的一个重要指标，所有用电设备只有在额定 电压下运行才能够取得最好的技术性能和经济性能，电压偏移过大，不但影响用 电设备的使用寿命和效率，还会给电网的稳定和经济运行带来不利影响。随着用 户对电能质量和供电可靠性的要求不断提高，保证用户侧的电压合格率，成为电 力系统调度运行的一项重要工作。 电压、频率稳定是电力系统稳定运行的基础，电压失稳可能导致电力系统同 步运行稳定的破坏，后果极其严重。其中无功功率平衡是影响电压水平的一个主 要因素，维持电网正常运行情况下的无功功率平衡是提高电压质量的基本条件。 无功功率过大，会引起系统电压的上升；反之，当无功欠缺时，会造成系统电压 的下降，极端情况下可能会导致某些枢纽变电站母线电压发生不可控制的急剧下 降而出现所谓的“电压崩溃”现象。 变电站是电力系统变换电压、接受和分配电能的重要环节，是联系电网和用 户的桥梁。变电站通过对无功分布的控制，尽量实现无功功率的分层分区就地平 衡，减少无功在线路中的传输，无功功率的分布是否合理不仅可以保证系统运行 的电压水平，而且可以降低系统的网络损耗，对提高系统的运行经济性起到重要 的作用。 现在大部分变电站中都装设有电压无功控制装置( v q c ) ，这些控制装置中的 可控设备包括有载调压变压器的分接头和并联补偿电容器，有载调压变压器可以 在带负荷的情况下切换分接头档位，调节电压，是变电站电压无功控制的重要手 段。并联补偿电容器一般只安装在变压器的低压侧，电容器的投切，一方面能够 第一章绪论 改善系统的功率因数，降低损耗，提高系统的经济运行水平；另一方面能够调节 系统电压，维持低压侧的电压水平，提高用户侧的电压质量。在部分2 2 0 k v 及 以上电压等级的变电站可能还会安装有电抗器。v q c 装置一般根据实时数据采 集系统( s c a d a ) 的遥信、遥测功能监测系统运行情况，通过遥调、遥控功能进行 有载调压变压器的分接头的调节和并联电容器的投切，以提高电压质量和降低损 耗，实现变压器的安全经济运行。根据系统运行情况对有载调压变压器的分接头 和电容器、电抗器进行综合调节，对于改善电压质量、降低网络损耗能够取得显 著的效果。 变电站电压无功控制装置是一个综合的复杂控制系统。它的控制策略既应该 考虑保证电压质量和降低功率损耗，提高系统运行的安全性、经济性，另外还要 考虑调压设备的使用寿命，尽量减少调压设备的动作次数。但是，目前实际运行 的v q c 装置主要采用九区图原理进行控制，比较容易造成变压器分接头和无功 补偿装置频繁动作，进而使变压器有载调压装置和电容器的使用寿命下降。这和 保证电压质量、降低功率损耗往往是矛盾的。因此，研究一种更为理想、更加实 用的电压无功控制策略有着十分重要的现实意义。 综上所述，变电站电压无功控制一般是以节点电压合格为条件，以功率损耗 最小为目标，通过有载调压变压器分接头档位的调节和无功补偿装置的投切来实 现无功功率的合理分布，在此过程中还应考虑到变压器分接头和无功补偿装置的 动作次数限制，保证电压质量和降低功率损耗，达到电网经济运行的目的。 1 2 电压无功控制的研究现状 变电站电压无功控制的控制方式主要分为三种：即分散控制、集中控制、关 联分散控制。分散控制是指在各个变电站内，为使电压和无功保持在规定的范围 内，根据系统运行情况，调节有载调压变压器分接头和投切电容器、电抗器等无 功补偿装置。分散控制虽然不能实现整个电网的最优控制，但是可以有效地实现 站内的无功优化，投资少，见效快，是当前电压无功控制最为常用的方案。集中 控制是指调度中心通过全网的无功优化，对各变电站调压设备和无功补偿装置进 行统一的控制。从理论上来讲，集中控制方式是保持系统安全经济运行的最佳方 案，但由于我国目前电网结构不尽合理，各级变电站新旧不一、自动化水平高低 参差不齐，很难实现全网电压无功的集中优化控制。分散关联控制方式是指在正 常情况下，由各站的关联分散控制装置进行调控，参数的设置是从系统的安全经 济运行的角度出发，在紧急情况下或系统的运行方式发生大的变动时，由调度中 心直接修改各站参数设置或由调度中心直接控制，以满足当前系统安全经济运行 2 第一章绪论 的要求。关联分散控制兼有集中控制、分散控制两种方式的优点，在电压无功控 制方面获得了较快的发展。 从变电站电压无功控制的实现方法上来分，主要分为在线控制、离线控制两 种。在线控制是指通过对变压器高压侧无功功率和中低压侧母线电压的不断采 样，一旦检测到电压或无功越限，则根据控制策略调节有载调压变压器分接头或 投切并联电容器以达到稳定电压的目的。这种控制方案往往造成调压设备的频繁 动作，直接影响调压设备的使用寿命。离线控制是指根据专家经验或在变电站功 率短期负荷预测的基础上进行优化计算确定第二天的控制策略。控制策略的效果 取决于专家经验或负荷预测的精度。 从控制策略上来分，主要有基于九区图或改进的九区图的控制策略，基于专 家系统的控制策略，基于遗传算法的控制策略，基于人工神经网络的控制策略， 基于有功或无功分段的控制策略等几种。简要介绍如下： 1 基于九区图或改进的九区图的控制策略i z - 6 1 目前天津开发区大部分变电站运行的v q c 装置的控制策略的原理主要基于 九区图或改进的九区图，其中基于九区图的控制策略的调节判据是变压器低压侧 母线电压和高压侧注入无功功率( 或功率因数) ，把电压和无功功率控制区划分为 九个区域，在每个小的区域实行不同的针对有载调压变压器的分接头和并联补偿 电容器的控制策略。实际控制时，电压的上下限由电网或变电站的实际运行要求 来决定，一般根据供电电压允许偏差范围确定( 调度中心提供调压电压曲线) ， 有时为了实现逆调压，需要根据高峰、低谷负荷时段确定不同的电压上下限；无 功功率的上下限由并联补偿电容器的容量和电网是否要求变电站向电网倒送无 功来决定；若以功率因数作为调节判据，其上下限是根据电容器容量、无功平衡 条件确定，功率因数上限表示无功过剩，下限表示无功不足。图1 1 为基于九区 图的控制策略图。 图1 1 基于九区图原理的控制策略图 第一章绪论 基于九区图的控制策略具体为： 0 区：电压、无功均合格，工作在稳定区，无需控制。 1 区：电压越下限，降分接头档位升压，若在最低档，则投电容器。 2 区：电压越上限，升分接头档位降压，若在最高档，则切电容器。 3 区：电压合格，功率因数越下限，投电容器。 4 区：电压合格，功率因数越上限，切电容器。 5 区：电压越下限，功率因数也越下限，投电容器，若无电容器可投，则降 分接头档位升压。 6 区：电压越上限，功率因数也越上限，切电容器，若无电容器可切，则升 分接头档位降压。 7 区：电压越上限，功率因数越下限，首先升分接头档位降压，然后再投电 容器。 8 区：电压越下限，功率因数越上限，首先降分接头档位升压，然后再切电 容器。 基于九区图的控制策略存在较多缺陷，实际中较为突出的表现就是设备频繁 动作和无法满足逆调压的要求，现在天津开发区的大部分无人值守变电站的基于 九区图控制策略的v q c 装置基本处于退出运行状态，对电压无功的控制基本还 是靠运行值班员人为控制。 首先，基于九区图的控制策略造成设备动作频繁的问题，以图1 1 中a 点和 c 点为例进行说明。若运行状态在a 点，按照控制策略，先降分接头档位。但 是，若点a 的功率因数c o s p 与c o s p m x 比较接近，降分接头档位后，运行点有 可能进入第4 区。在运行点进入第4 区后，若没有电容器可切，则根据控制策略， 又要升分接头档位。这样，运行点就又有可能回到第l 区中a 点附近，因此装置 有可能不停地发出降分接头档位一一升分接头档位一一降分接头档位一一升分 接头档位的操作指令，使运行点不停地在l 区和4 区之间形成震荡，造成变压 器分接头频繁动作。 若运行状态在c 点，根据控制策略应投电容器，但由于点c 的电压已经接 近上限，投入电容器后，运行点很有可能进入第2 区，这时电压越上限，则变压 器又要升分接头档位降压，增加变压器分接头动作次数。若变压器档位已经在最 低档，根据控制策略，则又要切电容器，这样运行点又可能回第3 区，增加电容 器投切的次数。 从以上例子可以看出，传统的基于九区图的电压无功控制策略对设备的动作 是无限次的，频繁地调节变压器分接头和投切无功补偿装置都会缩短设备的使用 寿命。而变电站运行规程规定，运行中变压器分接头的动作次数和电容器的投切 4 第一章绪论 次数是有一定限制的。基于九区图原理的v q c 装置无法保证这些设备的动作次 数限制，从而限制了其实际的应用。 其次，传统的基于九区图的控制策略中，在某些控制区对于两类设备的控制 都起作用时，有时会难以分辨哪一类设备动作效果更好，两类设备动作的先后顺 序难以确定。比如当v l ( 高压侧电压) 和v 2 ( 低压侧电压) 都高时，首选应该切除电 容器组措施，而不是如九区图的7 区和2 区，采用升分接头档位措施( v 2 电压降 低，但v l 更高) 。当v l 和v 2 都低时，应该首选投电容器组措施，而不是如九区 图的1 区和8 区，采用降分接头档位措施( v 2 电压升高，但v l 更低) 。上述情况 可能造成系统电压失稳，后果非常严重。 另外，传统的基于九区图原理的v q c 控制装置中，电压、无功限值一旦被 设定，其限值是固定不变的，当变电站参数差异或季节、负荷变化时会对控制策 略产生很大影响；无功调节判据是与电压无关的平行于电压坐标轴的固定边界， 也不能反映电压、无功的相互影响，而实际电力系统中无功对电压的影响是很大 的；在某些情况下，无法满足逆调压的要求。 针对传统的基于九区图原理的控制策略存在的问题，研究人员对其做了改 进，即在传统九区图上做了更为详细的划分，如图1 2 所示【5 1 。 图1 2 基于改进的九区图原理的控制策略图 其补充控制策略为： 9 区：其中a c o s 缈+ 为分接头下调一档或投电容所引起的功率因数变化量中 最大的一个，降分接头档位。 1 0 区：其中a c o s 伊_ 为分接头上调一档或切电容所引起的功率因数变化量中 第一章绪论 最大的一个，升分接头档位。 1 1 区：其中a u 为分接头下调一档或投电容所引起电压变化量中最大的一 个，无需操作。 1 2 区：其中u 一为分接头上调一档或切电容所引起电压变化量中最大的一 个，无需操作。 文献 6 在基于九区图的控制策略基础上提出了一种十七区图控制策略。总 体来说，这些改进的九区图的控制策略都是在九区图平面上的细分，对传统的基 于九区图的控制策略存在的缺陷在一定程度上有所改善，但在一些特殊情况下动 作频繁的问题依旧会出现。随着科学技术的发展，变电站电压无功控制策略获得 了很快的发展，许多研究人员运用最优化方法和人工智能技术对控制策略进行了 改进，基于基于专家系统、遗传算法、神经网络的控制策略被相继提出。 2 基于专家系统的控制策略1 9 l 专家系统是用基于知识的程序设计方法建立起来的计算机知识处理系统，它 拥有某些特殊领域专家的知识和经验，并能够像专家那样运用这些知识，模拟专 家的思维过程并做出决策，对问题给出相当于专家水平的答案。运行时，专家系 统针对具体的变电站电压等级、配置情况、系统运行时段，模拟专家决策，根据 规则智能、综合地对电压无功进行调节。在实际运行中，调试人员根据已有的电 压无功控制经验和具体要求以及可能会出现的各种情况制定一套基于规则的专 家系统。文献 9 介绍了一种变电站无功电压综合控制专家系统。它以运行状态 辨识以及专家经验为知识库，将统计法用于推理策略。然而，专家的知识转化为 一系列精确的数学规则往往是一件非常困难的事情，且人为因素较大，从不同专 家得到的知识库可能不尽相同；有的专家系统缺乏有效的学习机制，处理新问题 和容错能力较差，一旦网络结构和系统参数发生变化，知识更新将会相当复杂， 可维护性较差；另外当系统规模较大，规则较多时，推理速度较慢。 3 基于遗传算法的控制策略1 7 8 i 遗传算法是指借鉴生物界自然选择法则和生物遗传机制的一种随机优化算 法，通过模仿生物遗传和进化过程寻求复杂问题的全局最优解。遗传算法具有较 高的鲁棒性和较广泛的适应性，对求解问题几乎没有什么限制，也不涉及常规优 化问题求解的复杂数学过程，并能以很大的概率获得全局的最优解，因此在电力 系统研究涉及优化问题的领域中得到了广泛的应用。 由于遗传算法固有的并行性，其非常适合大规模并行计算。文献1 8 1 提出了一 种a l o p e x 方法和遗传算法相结合的算法作为无功优化的求解方法。遗传算法是 一种基于群体的优化方法，存在需要大量计算适应度函数值的问题，特别是对于 比较复杂的大型系统模型，需要花费大量的时间进行选择、交叉、变异操作，这 6 第一章绪论 必然会影响到算法的实时性。在实时性要求较高时，遗传算法可以采用多机进行 分布式计算，共同承担计算负载，可以大幅度地提高计算速度，缩短计算时间。 4 基于人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，a n n ) 的控制策略i l u j 基于人工神经网络a n n 策略是以无功变化趋势为指导，充分发挥了电容器 的经济技术效益，能在无功基本平衡和保证电压合格的前提条件下，使变压器分 接头的调节次数降至最少，消除了盲目调节；同时调节电压、无功和功率因数在 调节决策中的权重可根据用户要求的控制规律来决定。文献 1 0 提出了一种基于 人工神经网络( a n n ) 的无功负荷预测和优化决策相结合的变电站电压、无功综合 控制策略。系统由a n n 无功预测模块、模糊化模块、a d 采样模块、调节决策 a n n 模块、i o 模块和计算模块组成。a n n 无功预测模块的功能是根据对无功 功率的预报，实现全局最优的控制策略；a n n 方法一般存在学习速度慢，训练 时间长等问题，而且一旦网络结构发生改变，需要增加新的样本进行训练。 5 基于有功或无功分段的控制策略 如何解决基于九区图原理的v q c 装置容易出现设备动作频繁的问题，文献 【l o 】以无功变化为基准分段制定电压和无功的控制策略。文献 8 ，1 5 通过对一天的 有功负荷进行分段，使得变压器分接头在每一段中最多动作一次，确实保证了分 接头的动作次数限制。文献 1 6 针对2 2 0 k v 三绕组降压变电站，提出了电压无功 控制的总体原则和具体的电压无功控制策略。根据有功负荷变化规律，将一天分 为低谷、谷转峰、高峰、峰转谷四个时段，在不同时段采取不同的控制策略。在 每一时段将低压侧电压作为主控目标，同时兼顾无功平衡和中压侧电压合格，并 考虑一天中变压器分接头动作以及无功补偿设备的投切次数限制。控制有载调压 变压器、电容器及电抗器协调的动作，既调节了当前的电压和无功又能够依照负 荷的整体变化趋势，在满足无功电压要求的前提下，限制了设备动作次数。但该 控制策略对于一天峰谷时段的划分是大体固定的，而实际中变电站供电范围内的 负荷波动有时很大。总的说来，基于有功或无功分段的控制策略在解决设备动作 次数问题方面能够取得很好的效果，但是分段的依据只考虑了有功或无功的因 素，控制的准确性值得进一步研究。 目前运行的变电站电压无功控制装置不同程度地存在一些问题，如：安装工 作量大，以致用户在购买很长时间后不能正常使用；在某些临界情况下易频繁误 动；准确性不高，不是总能对电压无功的运行情况做出准确判断和发出合理指令； 装置抗干扰能力差以及操作维护不方便等等。虽然经过国内外科技工作者、专家 多年的努力，各种新颖的电压无功控制策略相继出现，但总的来说，不少方法虽 然理论上比较先进，但对历史数据和硬件系统的要求较高，计算太复杂，难以做 到规模化、实用化。因此，如何在吸取前述控制策略成功经验的基础上，整理出 第一章绪论 一种较为实用的控制方案是本课题研究的主要内容。 1 3 本文的主要工作 在尽量减少变压器分接头动作、并联电容器投切次数的前提下，保证电压质 量和降低功率损耗，在总结了当前几种变电站电压无功控制策略的基础上，提出 了基于r b f 神经网络负荷预测的变电站电压无功控制策略，首先预测未来一天 变压器高压侧电压和有功、无功功率，然后按照变压器分接头一天动作次数的限 制，综合考虑有功、无功和电压组合分段进行变电站电压无功的控制。 本文主要工作有： 一、分析了短期负荷预测的模型和方法，提出基于r b f 神经网络的短期负 荷的预测方法，对未来一天变压器高压侧电压和有功、无功功率进行预测。 二、分析了目前几种变电站电压无功控制策略的原理，考虑到目前v q c 装 置容易出现设备动作频繁的问题，依照变压器分接头一天动作次数的限制，综合 考虑变压器有功、无功负荷和高压侧电压等影响因素，组合分段实施变电站电压 无功的控制，确实保证了设备动作次数的限制。 三、针对三绕组变压器和双绕组变压器，分别进行了分段方法和控制方案的 讨论。 四、应用本文提出的控制策略对泰达1 1 0 k v 变电站变压器进行了仿真计算， 验证其方法的有效性。 第二章基于r b f 神经网络的短期负荷预测 第二章基于r b f 神经网络的短期负荷预测 2 1 负荷预测概述 根据对负荷预测时限的不同，负荷预测大致可以分为长期、中期、短期和超 短期四种。一般说来，数年至数十年的负荷预测被称为长期负荷预测，主要用于 发电项目、输变电工程建设规划等。月至年的负荷预测被称为中期负荷预测，主 要用于确定水电站的运行方式和设备大修计划等。日负荷和周负荷预测被称为短 期负荷预测，分别用于安排日调度、周调度计划，包括确定燃料供应计划、机组 的起停、水火电的协调、联络线交换功率、负荷经济分配、水库调度和设备检修 等。一小时以内的负荷预测被称为超短期负荷预测，用于安全监视、预防性控制 和紧急状态处理以及发电容量的合理调度。 负荷预测作为能量管理系统( e m s ) 的一个重要模块，是保证电力系统安全运 行和电网科学管理和经济调度的基础。 为了保证向用户安全、经济地提供高质量的电能供应，电力部门必须解决规 划、运行和控制等方面的技术、经济问题。研究负荷预测便成为一个非常重要的 课题。 电力系统的负荷是一个非平稳的、随机的过程，由许多独立的随机分量组成， 但是影响负荷的因素大部分具有规律，从而为实现有效的预测奠定了基础。如何 建立理想的模型和处理各种影响因素是负荷预测研究的主要问题。 有效的日负荷预测需要具备如下两个条件：一是实用的预测方法和模型，二 是可靠的历史数据信息。本文涉及的是对变电站有功、无功和高压侧电压未来一 天的短期负荷预测，也即日负荷预测。随着电力系统调度运行部门s c a d a 系统 的使用和气象部门天气预报水平的提高，获取各种历史数据已不再困难，因此日 负荷预测的核心问题就是预测方法和模型的研究。 2 1 1 短期负荷预测的方法 短期负荷预测的方法基本分为两大类：一类是传统的线性回归法、指数平滑、 时间序列法法等；另一类是专家系统和神经网络等18 1 。传统的预测方法基本属于 时间序列范畴的数学统计方法，在负荷平稳的地区电网负荷预测中取得了较好的 效果，并已进入了工程实用化阶段；现代的预测方法是将人工智能技术引入到负 9 第二章基于r b f 神经网络的短期负荷预测 荷预测当中，是目前研究的热点，通常能够取得更高的预测精度。另外，目前也 有许多关于组合预测方法的研究，组合预测方法一般利用以上几种预测方法的优 点组合进行预测，往往能取得较高的预测精度【1 9 1 。 1 传统的数学统计方法 ( 1 ) 线性回归法 假设有n 个历史参考日，每日划分为t 个时段，第i 日t 时段的负荷值为置， 该方法计算步骤如下： 计算每个历史参考日的平均负荷： y f = 专x f r ( f = l ，2 ，) ( 2 - 1 ) t = l 求解m o = 1 , 2 ，n ) 的一元线性回归方程：y = 口+ 6 ( + 1 ) 中的系数 口b ； 求预测日的平均负荷：y + l = 口+ 6 ( + 1 ) ； 计算历史参考日的负荷变化系数： x 亿= 旦o = 1 , 2 ，n ；t = 1 ，2 一，t ) ( 2 - 2 ) y t 把n 天巧，的平均值作为预测日各时段的负荷变化系数： 1n r n 小= 寺亿( f - - 1 ，2 ，丁) ( 2 - 3 ) j i = l 求预测日各时段的负荷： x , v + 1 f = r , v + 1 f y + l ( 2 4 ) 该方法就是将一个星期从星期一到星期日分成七个类型日，预测日是什么类 型，历史参考日就取相应类型日的数据，所以可进行周负荷预报。 线性回归法原理、结构简单、预测速度快、外推性能好。但也存在以下不足： 用线性方法难以描述比较复杂的情况；对历史样本数据要求高，模型初始化难度 较大；无法充分考虑各种影响负荷的因素。 ( 2 ) 指数平滑法 对于时间上有序的一组观测值x o x l 一，x ，一次指数平滑公式的迭代形式 为： g ”= a x i + ( 1 - a ) s j ! ! l _ l ( i = 1 , 2 ，n ) ( 2 5 ) 式中，a 是平滑系数，s 是f 期一次指数平滑值。n + i 期的预测值j + ， 就取n 期的一次指数平滑值。 由上可知，a 的取值对预测值有很大影响。a 的值越大，说明最新观测值的 影响越大。为科学选取a 值，由下式确定： n 血( j 一彳) 2 = m i l l ( s 等三一x ) 2 ( 2 6 ) 1 0 第二章基于r b f 神经网络的短期负荷预测 将n 期预测误差最小的a 值作为预测n + i 期的值。可采用一维搜索方法求 解，步长为o 0 1 ，范围0 1 。 指数平滑法同样可适用于短负荷预报，同一维线性回归法。 ( 3 ) 时间序列法 其主要数学模型有自回归( a r ) 模型、自回归一滑动平均( a r m a ) 模型和滑动 平均( m a ) 模型等。即用时间代替影响负荷的因素，依据负荷的历史数据，找到 其随时间的变化规律，建立时序模型，以推断未来负荷数值。其基本假设是：负 荷过去的变化规律会持续到未来，即未来是过去的延续。但时间序列法没有考虑 天气、社会活动等对负荷的影响，因此存在着预测不准确的问题。 首先对负荷数据进行平稳化处理，采用差分法将其化成近似平稳的随机序 列，即所谓时间序列，满足均值为常数，方差为零。常用的差分法有以下九种： 】，o ) = x o ) 一x ( t 一2 4 ) ； y ( t ) = x ( t ) - x ( t - 4 8 ) ； ( 蓼】，( f ) = r o ) 一x ( t - 1 ) 一x ( t 一2 4 ) + x ( t 一2 5 ) ； ( 9 】，( f ) = x o ) 一x ( t 一2 ) - x ( t 一2 4 ) + x o 一2 6 ) ； ( 9r ( t ) = z o ) 一x ( t - 3 ) 一x ( t 一2 4 ) + x ( t - 2 7 ) ； ( 9 】，o ) = x ( f ) 一x ( t 一1 ) 一x ( t - 4 8 ) + x o 一4 9 ) ； ( dy ( t ) = x o ) 一x ( t 一2 ) 一x ( t 一4 8 ) + x o - 5 0 ) ； ( dy ( t ) = x o ) 一x ( t 一4 ) 一x ( t 一4 8 ) + x ( t 一5 1 ) ； ( 9y ( t ) = x ( f ) 一x o - 1 ) 一2 x o 一2 4 ) + 2 x ( t - 2 5 ) + x ( t 一4 8 ) 一x ( t 一4 9 ) ； 上式中，y ( t ) 表示时间序列，x ( t ) 表示负荷序列。 将每个时间序列分成2 4 个子序列，对每个子序列用一阶线性回归模型建模 和预测，这种处理方法每预测一个值则建立一个新的模型，无须定阶，参数估计 简单，计算速度快。 一阶线性回归模型的形式： x ( t ) = a ( t - 1 ) x ( t 1 ) + b ( t - 1 ) + w ( t - 1 )( 2 - 7 ) 上式中，x ( t ) 表示t 时刻时间序列值；w ( t 1 ) 为一白噪声； a ( t - 1 ) 和b ( t 一1 ) 为参数。 设时间序列的均值、协方差及方差分别为：牙、c 和v ，可得该模型的预测 形式： 工o ) = x ( f ) + a ( t 一1 ) x o 1 ) 一x ( t - 1 ) 】 ( 2 - 8 ) 上式中，a ( t 一1 ) = c ( t ) v ( t - 1 ) 霄2 专善五，y2 专善( x 乃一牙，c 2 丙l _ 善j v - - i ( 五一贾) ( 置+ 牙) 】 第二章基于r b f 神经网络的短期负荷预测 当处理过的负荷序列满足平稳条件时，可令y ( t ) = x ( t 一1 ) 。最后预测的结 果是取9 个序列预测结果的加权合成，即： x ( f ) = k 1 x 1 0 ) + k 2 x 2 ( f ) + + 如x 9 0 )( 2 - 9 ) 9 其中，k i 为权重系数，k ，0 ，且罗k ，= l 。k ，的大小由日平均误差来确定。 百 时间序列法能够反映负荷近期变化的连续性且预测速度快。也存在着一定的 不足：对原始时间序列的平稳性要求高，没有考虑天气、其它活动等影响因素。 2 现代的人工智能方法 ( 1 ) 专家系统方法【2 1 】 专家系统就是知识处理系统，它不同于以往的数据处理系统，需要找到一种 “桥”把数值计算与知识描述表示技术有机地结合起来，这就是数据库系统与专 家系统的结合。 一个完整的专家系统由知识库、推理机、数据库、知识获取部分和解释部分 一共五部分组成。专家系统方法具有计算量少，能充分考虑各种影响负荷的因素， 负荷预测精度高等优点。专家系统是人工智能中最为有效和成功的分支，是一个 用基于知识的程序设计方法建立起来的计算机系统，它拥有某个特殊领域专家的 知识和经验，并能像专家那样运用这些知识，模拟专家的思维、推理、决策过程， 对求解问题给出相当于专家水平的答案。有效的专家系统负荷预测方法是建立在 气象、负荷及日负荷分布之间的逻辑型和句法型关系基础上的，它能帮助经验不 足的运行人员识别各种日类型、天气、特殊事件等对负荷的影响，得出较为精确 的负荷预测结果。许多文献结合专家系统方法对预测结果进行修正【1 8 】，也有将专 家系统用于节假日和中长期的负荷预测，取得了较好的效果。 但是专家的知识转化为一系列精确的数学规则，也即知识的获取是一件非常 困难的事情，也即需要大量的经验、知识进行预测知识规则的形成及知识库的建 立，复杂的工作要求相关人员具有较高的水平和经验，且人为因素较大，从不同 专家得到的知识库可能不同，而且知识更新很复杂，可维护性差。 ( 2 ) 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，心附) 2 2 。2 6 1 人工神经网络是指一种模仿人类神经网络行为特征，进行分布式并行信 息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量 节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自 学习和自适应的能力，可以通过预先提供的一批相互对应的输入一输出数 据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来 推算输出结果，这种学习分析的过程被称为“训练”。 传统的基于时间序列的预测方法，需要写出负荷与影响因素之间的解析 第二章基于r b f 神经网络的短期负荷预测 表达式，这往往是很困难的，而这正是影响预测精度的重要原因之一。而人工神 经网络( a n n ) 无需写出具体的解析表达式，a n n 通过对样本的训练即可完成。 而且a n n 对大量非精确性、非结构性规律具有自适应功能，具有信息记忆、知 识推理、自主学习和优化计算的特点。它的自学习和自适应功能是常规算法和专 家系统技术所不具备的。a n n 具有很强的自学习和函数拟合能力，可方便地拟 合出任意复杂的非线性关系，很适合于电力负荷预测问题，因而基于a n n 的负 荷预测得到了广泛的应用研究，a n n 成为提高负荷预测精度、缩短预测时间的 有效途径。目前用于负荷预测的神经网络方法主要是b p 网络和r b f 网络，两者 同属于多层前向网络，其主要差别在于各使用不同的作用函数，从理论上讲， b p 网络和r b f 网络一样可以逼近任意的连续非线性函数。 根据样本空间的组织方式的不同，可以建立多个预测模型。如果样本只使用 过去的历史负荷数据而忽略影响负荷的天气因素，可以根据日负荷变化周期中， 每天相同时段负荷的相关性质，对预测日各点负荷分别建模，其模型为： y ( i ，f ) = f ( w ( i ，t ) ，y ( i ，t 一1 ) ，y ( i ，t - 2 ) ，y ( i ，t - m ) ， y ( i 一1 ，t ) ，y ( i - 1 ，t - 1 ) ，y ( i 一1 ，t m ) ，( 2 - 1 0 ) y ( i n ，t ) ，y ( i 一玛t - 1 ) ，y ( i n ，t m ) ) 这里，m 表示同一天负荷数据里取的负荷点数，n 表示选择天数。一般，m 和n 都取2 ，则神经元输入输出结点数为8 和l 。 误差反向传播算法( b p 算法) 可以记忆复杂的非线性输入输出关系，并具有 自学习的特点，在选择代表全部负荷变化模式的样本空间的基础上，通过训练后 得到的预测结果适用性强、精度高。这正是传统负荷预测方法难以实现的。 如果是考虑历史负荷数据及影响因素，来形成训练样本，可以分别建立两个 预测模型，预测未来日的日峰谷负荷，进而得到全天的日负荷预测。该方法的思 路基于温度准则的外推日负荷预测方法，首先计算日负荷变化系数，其次预测日 峰荷值，最后在此基础上得出预测日各点的负荷。其样本选择表示为： 输入一第i 天该地区的最高温度( 或最低温度) 、第i 天前n 天该地区实际最 高温度( 或最低温度) 、第i 天前1 1 天全网最大负荷( 或最小负荷) ； 输出一第i 天全网最大负荷( 或最小负荷) 。 但是b p 算法存在b p 网络收敛速度慢等问题，影响了实际应用。收敛速度 慢的一个重要原因是b p 算法的动量因子及学习步长难以确定。动量因子过小起 不了平滑作用，过大则会使修正远离梯度最大方向；学习步长过小会引起收敛速 度过慢，过大则会引起收敛振荡。b p 算法的初值选择会影响算法的收敛速度， 有时甚至会导致算法收敛于局部极小值。b p 网络的隐含层节点也会影响收敛的 速度，而隐含层节点的个数的选取尚无理论上的指导，常常根据经验选取。b p 第二章基于r b f 神经网络的短期负荷预测 算法实质上是一种梯度法，它容易陷入局部极小。很多学者在b p 算法的基础上 作了改进，各种派生的b p 算法己经解决了很多的问题。文献 2 5 采用共轭梯度 法对网络进行训练，提高了训练速度。文献 2 6 采用遗传算法对网络进行学习以 期避免局部最小。与b p 网络相比，r b f 网络在逼近能力、学习速度和分类能力 等方面均优于b p 网络，且不存在容易陷入局部极小问题。因此，关于r b f 的神 经网络预测方法的研究逐渐增多。 总体来说，人工神经网络方法可以充分考虑到影响负荷变化规律的因素，预 测精度高：它引入非线性模拟概念，接近于客观现实。改进的b p 算法和r b f 网络基本解决了b p 算法网络收敛速度慢和容易陷入局部极小的问题，使得a n n 方法在负荷预测方面的应用日益广泛。但a n n 方法也存在着需要加以改进的地 方，即对样本数据要求高，样本选择比较困难。 此外，目前也有很多关于组合预测方法的研究。组合预测方法一般有两种， 一种是对几种预测方法进行比较，选取标准差最小或拟合度最佳的预测模型作为 最优模型进行预测；另一种是将几种预测方法所得的预测结果，选取适当的权重 进行加权组合，权重有采取等权重的，也有用误差方法确定权重以及b a y e s i a n 方法确定权重，这种方法通常能综合几种预测方法的优点，一般能提高预测的精 度。组合预测方法建立在最大信息利用的基础上，结合多种单一模型包含的信息， 进行最优组合，一般情况下通过优选组合预测，往往能取得更高的预测精度 2 1 2 短期负荷预测的模型7 l 短期负荷预测一般是指未来一天的日负荷预测至七天的周负荷预测，其影响 因素主要有以下几个方面： ( 1 ) 日类型。日类型通常分为工作日、休息日、节假日等，一般情况下，工 作日负荷水平高于休息日，休息日负荷水平高于节假日。 ( 2 ) 天气条件。天气条件对负荷的影响往往具有季节性、时间性和地域性。 温度是影响短期负荷最主要的气象因素，根据天津开发区电网的运行特点，夏季 一般为一年负荷最高的季节，冬季次之( 采暖负荷) ，而秋季和春季为一年之中 负荷最低的季节，其中4 月份为全年负荷最低的月份；此外，湿度、阴晴雨雪等 天气条件也对负荷的变化也能够产生一定影响。 ( 3 ) 特殊事件。重大的政治经济活动，以及大负荷用户的用电计划调整等特 殊事件引起的负荷变化。2 0 0 8 年北京奥运会期间，由于政府限制了大量高污染 高耗能