一種基于日負荷曲線的變電站負荷模型參數預測方法
【技術領域】
[0001] 本發明屬于電力系統分析與控制技術領域，主要設及基于日負荷曲線的變電站負 荷模型參數預測方法。
【背景技術】
[0002] 電力系統負荷模型對電網的運行、分析與控制有著重要的影響，在電網仿真計算 中，如果沒有合理選擇負荷模型，將導致計算結果偏離實際情況，或偏于保守，或偏于樂觀， 在此計算結果上的決策或給電力系統調度規劃帶來不必要的資源浪費，或給電力系統穩定 運行帶來潛在的安全隱患。
[0003] 電力系統的快速發展和市場化運營的不斷推進對電力系統調度規劃和穩定運行 提出了新的更高要求，進而對電網仿真計算結果的準確性也提出了更高要求。要給電網運 行控制、制定運行方式提供準確的依據，必須建立符合實際的負荷模型。而負荷模型的隨機 時變性、復雜性、分散性、多樣性W及不連續性等特點給電網仿真計算工作帶來難題，因此， 要保證電網仿真計算結果準確并制定安全穩定的電網運行方式關鍵在于研究如何獲取準 確實時甚至是未來的負荷模型。
[0004] 準確實時的負荷模型依賴于實時的建模數據，而要獲得未來的負荷模型則需要未 來的建模數據。實時數據的獲得可通過配電網自動平臺進行傳輸，而未來數據的獲得則可 W通過負荷預測來實現。目前，負荷預測理論方法已趨成熟，智能配電網的建設和W配網低 壓層的SCADA(數據采集與監視控制)系統和負控系統為基礎的配電網自動化的發展W及計 算機測量技術的飛速發展又給負荷預測提供了更加詳細精確的數據資源。但是，目前還沒 有一種負荷模型能夠滿足電力系統仿真計算分析準確性的要求。
[0005] 本發明在負荷預測的基礎上，利用預測的日負荷數據再完成負荷模型參數辨識， 得到預測的負荷模型參數，能夠滿足準確的仿真計算要求從而制定電網安全運行方式，運 是可行并具有工程意義的。
【發明內容】
[0006] 本發明所解決的技術問題是，針對現有技術的不足，提出一種基于日負荷曲線的 變電站負荷模型參數預測方法，可W有效利用配電網自動化平臺提供的日負荷數據進行負 荷預測，W預測得到的待預測日日負荷曲線為數據樣本進行模型參數辨識，則可得到待預 測日的負荷模型參數，即實現基于日負荷曲線的負荷模型參數預測，利用預測后的負荷模 型進行仿真計算從而制定電網安全運行方式。
[0007] 本發明的技術方案是：
[000引本發明的總體思路框圖如圖1所示，包括W下步驟：
[0009] 1)利用配電網SCADA系統和負控系統分別提供的變電站和用戶日負荷曲線數據進 行負荷預測，得到待預測日的各類典型用戶等效日負荷曲線和變電站日負荷曲線；
[0010] 2)結合1)預測得到待預測日的各類典型用戶日負荷曲線和變電站日負荷曲線進 行典型用戶構成比例辨識，得到待預測日變電站的各類典型用戶構成比例；
[0011] 3)將典型用電設備元件參數和典型用戶的典型用電設備構成比例進行加權，綜合 得到典型用戶的負荷模型參數；
[0012] 4)結合2)得到的待預測日變電站的各類典型用戶構成比例和3)得到的各類典型 用戶負荷模型參數，加權綜合最終得到待預測日變電站綜合負荷模型參數；
[0013] 如圖2所示，所述步驟1)包括W下步驟：
[0014] 1-1)根據氣象因素(包括溫度和濕度)和日類型（工作日或非工作日）等選定與待 預測日用電規律類似的負荷日作為其相似日，若待預測日為節假日，則選定歷史年度的相 應日作為其相似日；
[001引1-2)選取待預測日相似日的變電站下屬用戶日負荷曲線為原始數據樣本，進行標 么化處理；
[0016] 1-3)采用模糊C均值方法對標么化數據進行典型用戶分類，得到最優聚類中屯、矩 陣即n類典型用戶等效日負荷曲線，典型用戶分類個數2 < n < N;
[0017] 1-4) W待預測日相似日的變電站日負荷曲線和n類典型用戶等效日負荷曲線為訓 練樣本，采用支持向量機模型分別預測得到待預測日n類典型用戶等效日負荷曲線和變電 站日負荷曲線。
[0018] 對于W上步驟進行相關解釋如下：
[0019] 所述步驟1 -1)中相似日選取方法具體為：
[0020] 根據氣象因素(包括溫度和濕度)和日類型(工作日或非工作日）等條件，確定與預 測日相似的負荷日的負荷數據作為歷史數據樣本。對用電規律即負荷模型參數影響較大且 容易獲取的氣象因素有溫度、濕度(降雨量)等，日類型則有工作日與非工作日之分，可W根 據定義標記來進行模糊分類，將與待預測日模糊分類標記一致的負荷日歸為同一類，運一 類負荷日的日負荷數據即可當作數據樣本。根據其他研究結果，選取日最高氣溫、日最低氣 溫、日降雨量W及日類型等因素進行模糊分類標記。對于不同的季節如夏季與冬季，溫度與 濕度對負荷模型參數影響效果截然相反:夏季溫度升高，天氣炎熱空調負荷增多，日降雨量 增多，天氣涼爽空調負荷反而減少;冬季溫度升高，天氣溫暖空調負荷減少，日降雨量增多， 天氣濕冷空調負荷反而增加。此外負荷模型參數也還會受到地域的影響，所W定義標準也 不一樣，要結合各地區的實際情況W及分季節考慮選取。氣溫可分為低、中、高=個等級，分 別標記為〇、1、2;降雨量可分為無、小、中、大四個等級，分別標記為0、1、2、3;日類型分為工 作日和非工作日，分別標記為〇、1。每個負荷日即可用運四類因素(最高氣溫、日最低氣溫、 日降雨量W及日類型）形成標記，如通過天氣預報或經驗規律等途徑獲取待預測日的天氣 狀況，得到日最高氣溫為高等、日最低氣溫為中等、日降雨量為大雨等信息，結合日類型為 工作日，模糊分類標記即為(2，1，3,0)，然后抽取模糊分類標記與（2，1，3,0)-致的歷史負 荷日，同時結合季節確定相似日。
[0021] 所述步驟1-2)中對原始數據樣本進行標么化處理的方法具體為：
[0022] 記Pk=[pki，pk2, . . .，pki，. . .，PkJeRixm為變電站下屬第k個用戶的m點原始有功功 率矩陣，其中k=l，2,3，...，N，N為變電站下屬用戶總數，pkl為變電站下屬第k個用戶的第i 點原始有功功率，i = l，2,…，m，m為負控系統采集的數據點數目，根據負控數據特點，m可取 值為48;貝化=[Pi，P2,. . .，Pk，.. .，PN]TeRWXm為變電站下屬N個用戶的m點原始有功功率矩 陣；
[0023] 取用戶的功率最大值Pk gmax = max{pkl，Pk2, . . .，pki，. . .，pkm}為基準值，根據式（I) 對原始數據樣本進行標么化處理，
[0024] p'ki = Pki/pik gmax (I)
[0025] 得到歸一化的用戶有功功率標么值矩陣P'k=[P'kl，P'k2, . . .，p'ki，. . .，P'km]ERl Xm和變電站下屬所有用戶的有功功率標么值矩陣P' = [P'l，P'2，...，P'k，...，P'N]TeRWXm. [00%]所述步驟1-3)中典型用戶分類與綜合方法如圖3所示，具體為：
[0027]采用的模糊C均值聚類方法是把N個用戶分為n類，求取每一類的聚類中屯、，使類內 加權誤差平方和函數即目標函數達到最小，最終輸出最優聚類中屯、。
[00%]目標函數的描述形式為：
(2)
[0030] 其中，Vkj表示變電站下屬第k個用戶對于第j類的隸屬度，Vkj<l且i>A-,=l;he[0， ./=1 2]為加權指數;Pw=[Pul，…，Pui，…，Pum] ERixm為第j類典型用戶的m點有功功率標么值，Pui 為第j類典型用戶的第i點有功功率標么值，i = l，2,…，m，j = l，2,…，n。
[0031 ]要使目標函數達到最小，構造拉格朗日函數為：
C3)
[0033]此處的A為拉格朗日乘子，對上述函數求偏導得到使目標函數為最小時的隸屬度 和聚類中屯、的表達式(4)、（5)，根據運兩個公式優化得到最優隸屬度矩陣和聚類中屯、矩陣。
(4) (5)
[0036] 具體算法步驟如下：
[0037] a)設定最大迭代次數a為100、誤差闊值e/為0.001、迭代計數器b = 0;
[003引b)設定初始聚類中屯、矩陣PuW= [PuiW，...，PujW,... ,PunWfERnxm,為n類典型用 戶的m點有功功率標么值的初始值，其中Pu嚴二[puijW，…，puijW，…，口。。嚴]邱1><"為第^ 類典型用戶的m點有功功率標么值的初始值，pui/W為第j類典型用戶的第i點有功功率標么 值的初始值，i = 1，2，? ? ?，m，j = 1，2，? ? ?，n;
[0039] C)通過下式計算或更新隸屬度矩陣：
[0041] 得到第b輪迭代時，變電站下屬第k個用戶對于n類的隸屬度VkW = [VkiW，…，VkJ W，…，VknW ] ERixn和變電站下屬N個用戶對于n類的隸屬度矩陣yW = [ViW，…，Vk^，…， VN(b)]T ERNXn.
[0042] d)通過下式更新聚類中屯、：
[0044] 得到第b+1輪迭代得到的n類典型用戶的聚類中屯、矩陣PufW二化產+^，…^^^ +",...,PjWfeRnXm，其中 Pu/b+。= [PuifW，…，PuifW，...，口皿化+叫 ERlXm 為第 b+l 輪迭代 得到的第j類典型用戶的m點有功功率標么值，Pu戶為第b+i輪迭代得到的第j類典型用戶 的第i點有功功率標么值，i = 1，2，…，m，j = 1，2，? ? ?，n;
[0045] e)判斷是否滿足誤差條件，如果皆"-皆<6'則停止迭代，輸出最優隸屬度矩 , 陣和最優聚類中屯、矩陣Pufb+il;否則，令b = b+l，返回步驟C)進行下一輪迭代;若b