【《微电网负荷特性和分类概述》6100字】

微电网负荷特性和分类概述目录TOC\o"1-3"\h\u18835微电网负荷特性和分类概述 1322761.1微电网负荷预测特点 1207851.2微电网负荷分类 2155921.3微电网负荷预测特性 3260621.4短期负荷预测的步骤及评价指标 754891.4.1短期负荷预测的步骤 7317981.4.2预测模型评价指标 8186341.5数据预处理 9313871.5.1异常数据的修正 940771.5.2样本数据的归一化 10151861.6小结 11相对于大电网而言，微电网负荷具有更加复杂的特性。根据应用环境的差异，其特征也有所差异，它基本上可分成三类，一是冷负荷，二是热负荷，三是电负荷，前二者主要是基于常规微电网利用冷热电联合供应体系提供用户和设备所需的那部分负荷，而后者主要指的是用电装置与客户耗费的电能。微电网的基本运行要求是在并网运行条件下，大电网应吸收或供应微电网系统产生的不平衡功率，这就要求必须准确知道预测日的用电量，做到供需平衡，减少不平衡功率的产生。本文主要针对微电网用电负荷进行短期负荷预测。微电网负荷预测通过一定数量的历史负荷数据和环境因素数据作为训练样本，构建负荷预测模型，利用得到的模型对未来一段时间序列的负荷值进行预测。由于微电网负荷的随机性和波动性，因此需要对微电网负荷的特性进行分析，掌握负荷数据的预处理方法，对微电网负荷的准确预测具有重要意义。1.1微电网负荷预测特点与大电网负荷预测特点相比，由于微电网负荷本身具有非稳定特性，致使对其预测也产生了波动性，除此之外，其不但具有条件性，多方案性，而且还具有时间性等特征，因此为精准预测其今后的波动曲线，不但要对其变化规律及特征展开进一步研究，并且综合各种制约因素，且在此基础上给出相关模型构建办法，最终完成与现实状况相契合的负荷预测建模。微电网负荷预测的特点具体如下[33]：(1)不确定性对该负荷进行预测时，会被很多因素所制约（就像温度、湿度、日前类型等），同时各种制约因素也并非是固定不变的，而是时刻在改变的。同时突发事件也会对微电网负荷产生较大影响，因此会导致其预测结果出现一定偏差。(2)条件性通常指的是在预测今后一段时间内的负荷数据时，一定要做到全面，将所有因素的制约作用考虑到位。影响因素一般可以根据模型本身的特性进行选择，例如在日负荷中，可以选择气象因素、温度等因素，此处的条件大体可分成两类，其一，是对结果产生最直接制约作用必然性条件；其二，对今后负荷变化趋向造成制约作用，而又难以掌握的条件。因此在预测的过程中，需要添加一些假设条件。(3)时间性时间性是指微电网负荷预测是在一段时间范围内完成的，这个时间范围可以是年、月、日、小时、分钟等，通常以预测的循环周期为基础，有时也会根据具体情况进行滚动序列建模。这就要求微电网负荷预测必须具有实时性，即通过历史时段的负荷数据，对未来时段的负荷值做出预测，并且对微电网系统进行负荷预测时应表明预测值对应的时段和本次预测的时间段。(4)多方案性由于预测过程是以一定的假设条件作为基础，具有诸多非确定性要素，实施负荷预测时，单一预测模型可能很难取得满意结果。因此可以根据不同的预测条件去选取多种预测模型，由于负荷预测具有不准确性和条件性特点，所以在综合考虑各种影响因素的条件下，对特性不同的负荷，应进行合理分析，优化组合，建立可靠性好、准确度高，最接近历史规律的数学模型。1.2微电网负荷分类大型电力系统一般对应于工业负荷、商业用电负荷等区域级大规模用电场所。而对于微电网而言，其通常在规模较小的社区以及公用照明等领域得到了普遍应用，且因其覆盖范围相对集中，微电网容量较小且供电能力有限，因此常常适用于轻量级负荷消耗类型。这类负荷主要有企业单位负荷、普通商业负荷、居民用电负荷、农村负荷。(1)居民用电负荷该负荷通常指的是城镇人口在日常生活中所产生的电能消耗负荷。该负荷和人们工作及生活的时间规律紧密相连。它具有明显的时间规律性，伴随生活质量的提高，近些年来，该负荷随着时间的向前发展其比重持续增加，特别是冬、夏两个季节，制冷及采暖是对其整体负荷产生制约作用的关键原因，并且还包括其余制约因素，例如城镇人口密度及其发展速度等因素均会对其造成明显影响，其变动特征通常是因地区差异而有所差别的。(2)普通商业负荷对该类负荷的界定为：基于微电网系统的公共娱乐空间以及消耗空间所需要的电能负荷，通常此负荷较小，例如中小规模的超市等场所，当外部气候状况发生变化时，其波动偏小。商业负荷通常指的是商业领域内所使用的照明、制冷、采暖以及各种动力等所消耗的电能负荷，占用较多土地面积，电能消耗量稳定提升，具有平滑特性，极少出现突变现象。在电能的整体负荷结构中，商业负荷比较小，而居民及工业负荷相对较大，不过在总负荷最大极值时间区间内是以商业照明负荷为主的。伴随人们生活质量的快速提升，使得消费需求急增，推动了服务行业的迅速发展，例如大型商业圈以及餐饮等，特别是在非工作日时间，电能消耗量逐年增加，在未来的负荷结构中的必定会占有重要地位。(3)企业单位负荷该负荷通常指的是城市办公事业单位所产生的电能消耗负荷。该负荷和人们工作时间及日期类型紧密相连。它具有明显的时间规律性，且随着工作日、休息日的影响，近些年来，该负荷随着的时间的向前发展其比重持续增加，特别集中大、中规模的企业的城市中，大型办公商务区、市政单位等是对其整体负荷产生制约作用的关键原因，并且还包括天气、季节，例如冬、夏两个季节，企业对制冷及采暖是对其整体负荷产生制约作用的关键原因。(4)农村负荷该负荷主要由两部分构成，一是农村居民负荷，二是农业灌溉所消耗的负荷。就整体而言，农业用电比较较小。即使我们是一个农业大国，其比例依旧相对较小。然而，其却表现出特别明显的季节性特征，基于负荷特性进行分析得出，其日间波动偏小，而在季度范围内，波动特别大，具有明显的非均衡性。其集中用电时间通常有别于城镇工业用电峰值期，所以，能够对电网负荷率起到改善作用。1.3微电网负荷预测特性微电网总负荷预测模型一般可以按式1.1进行描述：(1.1)其中，y(t)表示负荷值；b(t)表示典型负荷分量，代表着在时间点t时所对应的基本负荷数值；w(t)表示在时间点t时被天气原因所制约而形成的负荷分量；s(t)表示因为当日日期类型所制约而形成的负荷分量；v(t)表示因为特殊情况的制约作用而形成的负荷分量。一般状况下，该类情况都是偶然发生的，是无法进行预测的，故而在该研究中，将其忽略掉而仅其余三种情况进行研究，分析它们所造成的负荷分量。本文以兰州某居民小区2017年2-5月份的用电数据作为研究对象，其样本采集频率为1次/h，同时考虑了天气状况、温湿度（上下峰值温度及其均值）等环境参数[34]。(1)负荷的日周期性微电网负荷的日间周期规律较为明显，在这一方面类似于大电网。它基于日内24h为周期规律，各日的波动曲线基本一致。如图1.1所示，代表2017年3月4-5日相临两天非工作日的负荷走势图，图1.2为2017年3月15日至16日两天工作日的负荷曲线，时间分辨率为1小时，即一天采样24个点。通过观察图1.1和1.2可以发现以下结论：=1\*GB3①日负荷波动图形通常包含三部分，一是波峰，通常在上午抑或下午时产生，因为此时居民处于活动时间，负荷值明显高于其他时段，并且会随季节而发生变化，出现上午高峰和下午高峰；二是波谷，它主要出现在深夜凌晨左右，此时居民休息状态，仅包括周围夜间开工的工业负荷；三是腰带，此位置代表此时负荷正在变化，是一个过渡过程，其时间跨度是最大的，从图中可以看出分为上升段和下降段。=2\*GB3②此居民小区的负荷曲线呈现明显的日周期性，无论是两天工作日还是两天休息日，负荷曲线大致相似。对比图1.1和图1.2中的负荷曲线可以看出，两天休息日的负荷值相比于工作日明显偏高。说明休息日时段大部分居民选择在家活动，工作日时段大部分居民处于上班时间，较休息日用电较少，符合用户侧用电规律，这说明日负荷量与日期类型有关，这对本节对于日类型量化处理有一定的指导意义。图1.1休息日负荷曲线图1.2工作日负荷曲线(2)负荷的周周期性周周期性是指以周（168小时）为一个周期，会呈现一定的规律，负荷值的变化趋势大致相似。这里选取了2017年4月3日至9日，4月10日至16日的连续两周的负荷曲线，如图1.3和图1.4所示。图1.34月3日至4月9日负荷曲线图1.44月10日至4月16日负荷曲线由图1.3和图1.4周负荷曲线看出，负荷曲线整体可分为两类，分别为工作日类型与休息日类型。根据上图能够发现，二者在整体上表现出趋同性，不过也存在一定差异。在工作日范围内，负荷值相对较低，大部分居民处于上班时间或者外出活动，在整体上呈现出平稳状况。而在周六和周日的休息日时段，大部分居民选择在家时间较多，用电量相对平时有一定幅度的增加，因此在周末时段，用户侧用电情况可能相对平时来说用电量增加。(3)日期类型由(1)和(2)的结论可以得出，微电网负荷的变化趋势也与日期类型有一定关系，把其划分成两类，一是工作日负荷，二是周末负荷，二者具有明显的一致性，大致满足周期性的规律，除此之外还有节假日负荷，例如，春节、端午节、中秋节、国庆节等，这类负荷曲线相比于前两类明显不同，节假日负荷明显降低。如图1.5所示，在2017年中随机选取三种不同日期类型的日负荷曲线（工作日负荷、休息日负荷、劳动节日负荷）。图1.5三种不同日期类型负荷曲线从图1.5可以看出，休息日的负荷量大于工作日的负荷量，而节假日负荷量小于工作日负荷量。除了负荷值的差异以外，节假日和正常休息日负荷曲线形状完全不同，所以预测节假日负荷时，无法通过以非一致性日期类型为基础而获得的负荷数据来当作训练样本，应选取相同节假日类型的数据进行预测。这就要求负荷预测时，必须根据往年节假日数据作为样本进行预测，否则将会出现较大的预测误差。(4)气象因素居民用电负荷值会随气象因素影响产生较大的变化，通常气象因素主要包括温度、湿度、降水量等，其中，因季节不同导致温度变化对负荷的影响最为显著，因为居民用电行为、作息方式与节气有直接关系，如图1.6所示的负荷数值，分别为2017年7月5日与11月15日负荷趋势对比。从图1.6可以得出以下结论：=1\*GB3①夏季负荷波动要小于冬季负荷波动，夏季日负荷峰值为91.75kW，而冬季日负荷峰值为104.37kW，冬季负荷整体高于夏季负荷，这是由于兰州位于西北部，冬季供暖负荷需求增加，冬季的负荷峰值在早上11时至12左右出现，比夏季负荷峰值稍早一些，冬季负荷值在20点左右开始下降，而夏季负荷则在23点左右下降，这是由于冬季昼短夜长，夏季昼长夜短，居民的作息方式和用电行为发生改变。=2\*GB3②实际情况下，夏天负荷曲线与其温度曲线表现为正相干性，即随着温度升高，负荷值随之增大，而冬季则呈现相反关系，即随着温度降低，负荷值随之减小。图1.6冬季和夏季负荷曲线1.4短期负荷预测的步骤及评价指标1.4.1短期负荷预测的步骤本文对于微电网短期负荷预测是以历史数据为基础的，并基于相关采样数据来实现预测建模，尽量实现最佳预测结果。短期负荷预测的基本流程如图1.7所示。图1.7短期负荷预测基本流程1.4.2预测模型评价指标当其预测值与真实值产生不同时，通常将二者差值叫做预测误差。通常，预测误差数值越低，准确率越高，则表示预测值越接近实际值，对预测误差进行反复检验分析，可以提高预测模型的精准度。一般常采用预测误差的某种形式作为预测模优劣的评判标准，本文主要采用以下几种[35]：(1)平均绝对误差(MeanAbsolutionError,MAE)，它表示二者误差绝对值总和均值：(1.2)(2)平均相对误差(MeanAbsolutionPercenError,MAPE)，它代表二者预测误差绝对值与真实值相除而获得数值加和的均值，可通过式1.3进行运算：(1.3)(3)均方根误差(RootMeanSquareError,RMSE)，它代表着以均方差为基础的方根，可通过式1.4进行计算：(1.4)(4)均方误差(MeanSquareError,MSE)，它通常代表所有预测误差平方之和的均值，可通过式1.5进行计算：(1.5)其中，n表示被测样本数量，和表示时间点i所对应的预测值及真实数值。1.5数据预处理实际情况下，负荷数据的采集通过数据采集装置完成，相比于人工记录更加准确，但在特殊情况下因为拉闸、断电、系统异常等原因导致其出现数据丢失及异常。异常数据是由于特殊事故导致记录的负荷值相对前一时刻负荷值产生较大偏差，或者相邻两天同一时刻数据偏差增大。导致数据丢失的原因主要有三种，一是因为采集设备出现异常所致，二是因为测控中出现异常所致，三是数据传输异常所致，这些因素均会导致数据没有记录。机器学习依靠对历史数据样本的学习来获取训练模型，进而完成对未来时段负荷值做出预测。如果获取的原始数据样本出现异常缺失数据且不加以修正直接输入到机器模型中，则可能导致输出结果出现更大的误差，甚至无法拟合曲线。因此，数据预处理是负荷预测前的最重要的准备工作。1.5.1异常数据的修正对于数据异常而言，它通常是由于某个时间点的数据与实际数值产生了偏差，并且超出许可范围，进而产生非正常的波峰及波谷。通常通过下述方法进行平滑处理[36]。(1)水平处理方法通常状况下，其负荷数据都是连续的，并且在若干相邻时间点内它不会骤然变化。倘若该差异达到特定临界数值时，则会产生“异常点”。此时可基于公式1.6进行预判，并用式1.7修正：(1.6)(1.7)其中，Y(d,t)是第d天t时刻的负荷值，是阈值，t为采样点。(2)垂直处理方法电力负荷波动存在一定内在规律性，所以在垂直方向上，数据差异不大，比如前后工作日以及周六周日，在相同时间点上，其负荷数值相差不多，如果差异太大则会产生异常数据，其识别及校正，可通过式1.8，式1.9进行：(1.8)(1.9)其中，r(t)代表临界数值。Y(d,t)表示天数d时间点t时所对应的负荷数据，m(t)表示近些天负荷数据均值。1.5.2样本数据的归一化负荷数据在不同时刻数值大小可能会相差很多，数值大且密集的数据很有可能将淹数值小的部分数据而造成“大数吃小数”的情况。所以为防止以上情况发生，有必要对样本进行归一化操作。(1)负荷数据的归一化现今有三种常规方法：一是极值法，二是标准差法与均值标准化法，三是小数定标法。第一种方法又名离差标准化，实质上是对初始数据进行线性处理，为了加快模型的训练速度，因