论文部分内容阅读
摘要：本文简述短期负荷预测，重点探讨此预测系统设计，分别从功能单元、特征模式以及算例展开。通过运用预测系统，提升地区电网此项工作开展的灵活度、便利性及精度，深化电网调度的自动化管理程度。
关键词：地区电网;短期负荷预测;功率
引言：
在新能源及分布式电源逐渐增设中，电网调度安排时，需要依托于更为精准及时效性、稳定性、自动化的负荷预测结果。而负荷预测过程展现的准确率与自动化程度，是评估电网调度落实水平的要素之一。短期负荷预测时，地区气象条件可能成为干扰项，需要加以考量。
一、短期负荷预测
短期负荷预测为现代电力事业计划、电网稳定运行、电能调度等的关键凭借，更是当代电力系统，落实带能管理的主要内容。对此的预测数据，关系到火电配、水火电调配、设备搭配组合、调度功率、运行模式等的最终安排，所以，短期负荷预测，展现出的结果精度，决定以上调度安排的合理性。而优化调度方案的可执行性，既可提升电网运行的稳定性，又能压缩装置的配备量，保障输电过程的经济性。
二、短期负荷预测系统的设计探讨
（一）功能单元
针对地区电网的调度安排，预测系统采取结构化及模块化的构建思路，由上至下，逐层划分。在符合系统根本功能需要的前提下，调整各子系统的功能性。本文所述系统，分成三个主要模块，即数据管理、负荷预测与结果评价。其中，数据管理子系统中的数据来源于服务器信息库;负荷预测是针对传统供电模式的电网功率、新能源的上网功率、地区用电及供电负荷、地区间的相互供电负荷情况。下面分别细化阐述：
1.数据管理
此子系统负责完成对相关数据信息进行增减、更改及查询的工作，保证系统测得结果完整。通过 系统，取得负荷、气象等数据资料，以表格的形式，实现批量导入处理，有助于减轻调度管理者维护信息的工作压力，提升操作过程的便利性。
2.负荷预测
该子系统为预测系统的关键核心，其能预测出未来一段时间内，地区用电的负荷状态，还能对不同功率分量，比如，风能、水能等各类清洁能源，生产电能对应上网功率和供电负荷情况。而各类发电方式有不同负荷状态，对此，该子系统配备诸多可选特征模式与预测方式，提高预测过程的灵活度。此外，此系统还支持预测操作人员，利用专家经验的方式，合理选择和预测时间，客观条件类似的历史数据，以此作为对比参照，有利于提高预测准确性。具体操作中，选定预测时间后，系统能直接输出对应日期的特征，包括节日、季节、气象条件等，基于此类特征资料，使操作者挑选出更相符的参照日期，继而挑选最贴合实况的特征模式与预测方式，以得到设定预测日期的功率分量曲线，实现针对性的负荷预测。在完成预测后，能将对此预测日期和参照日的负荷结果进行比对，为预测工作者予以分析依据[1]。
3.结果评价
评价子系统是针对设置预测日期或者时间段中，预测结果误差情况与基础预测资料文件，支持批量处理。借助比较预测曲线和现实曲线，衡量系统预测精确度，促使预测工作者能随时掌握如今负荷预测能达到的程度，以便调节模型参数。此外，系统中还有接口模块，支持和本地电网系统等进行连接，借助接口完成数据传送。预测系统运转过程中，应用的往期负荷资料是从地区电网管理系统中提取出来的。
（二）特征模式
按照地区实际精细化要求标准，预测系统可设置三项基础特征模式，方便预测操作人员基于地区实况，加以合理化选用。再加上，因为功率分量的差异，实际干扰因素也有区别，相应变化特征与影响形式均有不同，所以，预测系统可基于功率变量，结合实际特点差异，搭建预测模型。
1.网供负荷
地区的网供负荷情况，会因为新能源的上网功率存在不稳定性，导致规律特征并不格外明显。假设选择常规预测方式，势必会得到准确性不高的预测结果。针对此类情况，可选择两阶段还原法，完成负荷预测的任务，整个运行流程是分解后进行预测运转，最后完成数据还原，把网供负荷分成若干功率分量，各自开展预测处理，将得到的结果按照次序组合起来，得出最终的预测数据。
2.水电功率
基于水电的上网功率特点，其会被地区降水量干扰，出现滞后或者累积的效应，由此产生的功率曲线，会有明显的起伏，但功率变化通常是有一定规律。对此，预测方法可选择特征组合模型，实现预测任务。预测程序为：分解功率曲线数据，而后预测最大与最小的上网功率与标幺曲线，将所得结果整合成完整的预测曲线。
3.互供负荷
各地区的新能源等建设情况不同，可能存在历史资料不完整的情况，无法搭建高可靠性的预测模型。但地区间的互供负荷资料，通常有较高的时间连续性。由此，在预测新能源的上网功率及互供负荷中，可选择灰色预测、回归分析等方式，构建预测模型，支持所需完成的预测模型[2]。
4.用电负荷
如今在关于地区用电负荷预测的研究，一般会选择智能预测手段。本文基于数据时序与非线性，选择能同时满足两项特征的神经网络，搭建预测模型，具体能应用时间序列、动态及 的神经网络，实现回归预测。
（三）算例讨论
某地的水力发电与新能源发电，配备量占本地非统调装机的八成，而且该地网供负荷会被本地天气情况干扰，提升预测的难度。同时，要求预测准确度超过 。如果单纯凭借人员经验，根本无法确保预测时效与精度。对于预测准确率的计算公式为：
因为该地区的新能源发电和精细化的气象信息记录不多，导致预测模型不佳，预测精度偏低。但其他的功率分量，尤其是水火电及用电负荷，都超过98%，其他互供负荷与网供负荷也在95%以上。总的来说，预测效果良好。
结束语：
短期负荷的预测系統，需结合地区电网建设及运行条件，进行功能调整，并注重气象因素对部分发电模式的影响。实际预测中，也要考虑预测手段的选择，比如，网供负荷，可选择两阶段还原法，以应对新能源发电不稳定的问题，而其他功率分量也需基于差异化特点，确定预测模型。
参考文献：
[1]王振宇.智能电网中基于深度学习的用户短期负荷预测研究[D].南京邮电大学，2019.
[2]苏丽.基于深度学习的智能电网负荷优化预测研究[D].贵州师范大学，2019.
关键词：地区电网;短期负荷预测;功率
引言：
在新能源及分布式电源逐渐增设中，电网调度安排时，需要依托于更为精准及时效性、稳定性、自动化的负荷预测结果。而负荷预测过程展现的准确率与自动化程度，是评估电网调度落实水平的要素之一。短期负荷预测时，地区气象条件可能成为干扰项，需要加以考量。
一、短期负荷预测
短期负荷预测为现代电力事业计划、电网稳定运行、电能调度等的关键凭借，更是当代电力系统，落实带能管理的主要内容。对此的预测数据，关系到火电配、水火电调配、设备搭配组合、调度功率、运行模式等的最终安排，所以，短期负荷预测，展现出的结果精度，决定以上调度安排的合理性。而优化调度方案的可执行性，既可提升电网运行的稳定性，又能压缩装置的配备量，保障输电过程的经济性。
二、短期负荷预测系统的设计探讨
（一）功能单元
针对地区电网的调度安排，预测系统采取结构化及模块化的构建思路，由上至下，逐层划分。在符合系统根本功能需要的前提下，调整各子系统的功能性。本文所述系统，分成三个主要模块，即数据管理、负荷预测与结果评价。其中，数据管理子系统中的数据来源于服务器信息库;负荷预测是针对传统供电模式的电网功率、新能源的上网功率、地区用电及供电负荷、地区间的相互供电负荷情况。下面分别细化阐述：
1.数据管理
此子系统负责完成对相关数据信息进行增减、更改及查询的工作，保证系统测得结果完整。通过 系统，取得负荷、气象等数据资料，以表格的形式，实现批量导入处理，有助于减轻调度管理者维护信息的工作压力，提升操作过程的便利性。
2.负荷预测
该子系统为预测系统的关键核心，其能预测出未来一段时间内，地区用电的负荷状态，还能对不同功率分量，比如，风能、水能等各类清洁能源，生产电能对应上网功率和供电负荷情况。而各类发电方式有不同负荷状态，对此，该子系统配备诸多可选特征模式与预测方式，提高预测过程的灵活度。此外，此系统还支持预测操作人员，利用专家经验的方式，合理选择和预测时间，客观条件类似的历史数据，以此作为对比参照，有利于提高预测准确性。具体操作中，选定预测时间后，系统能直接输出对应日期的特征，包括节日、季节、气象条件等，基于此类特征资料，使操作者挑选出更相符的参照日期，继而挑选最贴合实况的特征模式与预测方式，以得到设定预测日期的功率分量曲线，实现针对性的负荷预测。在完成预测后，能将对此预测日期和参照日的负荷结果进行比对，为预测工作者予以分析依据[1]。
3.结果评价
评价子系统是针对设置预测日期或者时间段中，预测结果误差情况与基础预测资料文件，支持批量处理。借助比较预测曲线和现实曲线，衡量系统预测精确度，促使预测工作者能随时掌握如今负荷预测能达到的程度，以便调节模型参数。此外，系统中还有接口模块，支持和本地电网系统等进行连接，借助接口完成数据传送。预测系统运转过程中，应用的往期负荷资料是从地区电网管理系统中提取出来的。
（二）特征模式
按照地区实际精细化要求标准，预测系统可设置三项基础特征模式，方便预测操作人员基于地区实况，加以合理化选用。再加上，因为功率分量的差异，实际干扰因素也有区别，相应变化特征与影响形式均有不同，所以，预测系统可基于功率变量，结合实际特点差异，搭建预测模型。
1.网供负荷
地区的网供负荷情况，会因为新能源的上网功率存在不稳定性，导致规律特征并不格外明显。假设选择常规预测方式，势必会得到准确性不高的预测结果。针对此类情况，可选择两阶段还原法，完成负荷预测的任务，整个运行流程是分解后进行预测运转，最后完成数据还原，把网供负荷分成若干功率分量，各自开展预测处理，将得到的结果按照次序组合起来，得出最终的预测数据。
2.水电功率
基于水电的上网功率特点，其会被地区降水量干扰，出现滞后或者累积的效应，由此产生的功率曲线，会有明显的起伏，但功率变化通常是有一定规律。对此，预测方法可选择特征组合模型，实现预测任务。预测程序为：分解功率曲线数据，而后预测最大与最小的上网功率与标幺曲线，将所得结果整合成完整的预测曲线。
3.互供负荷
各地区的新能源等建设情况不同，可能存在历史资料不完整的情况，无法搭建高可靠性的预测模型。但地区间的互供负荷资料，通常有较高的时间连续性。由此，在预测新能源的上网功率及互供负荷中，可选择灰色预测、回归分析等方式，构建预测模型，支持所需完成的预测模型[2]。
4.用电负荷
如今在关于地区用电负荷预测的研究，一般会选择智能预测手段。本文基于数据时序与非线性，选择能同时满足两项特征的神经网络，搭建预测模型，具体能应用时间序列、动态及 的神经网络，实现回归预测。
（三）算例讨论
某地的水力发电与新能源发电，配备量占本地非统调装机的八成，而且该地网供负荷会被本地天气情况干扰，提升预测的难度。同时，要求预测准确度超过 。如果单纯凭借人员经验，根本无法确保预测时效与精度。对于预测准确率的计算公式为：
因为该地区的新能源发电和精细化的气象信息记录不多，导致预测模型不佳，预测精度偏低。但其他的功率分量，尤其是水火电及用电负荷，都超过98%，其他互供负荷与网供负荷也在95%以上。总的来说，预测效果良好。
结束语：
短期负荷的预测系統，需结合地区电网建设及运行条件，进行功能调整，并注重气象因素对部分发电模式的影响。实际预测中，也要考虑预测手段的选择，比如，网供负荷，可选择两阶段还原法，以应对新能源发电不稳定的问题，而其他功率分量也需基于差异化特点，确定预测模型。
参考文献：
[1]王振宇.智能电网中基于深度学习的用户短期负荷预测研究[D].南京邮电大学，2019.
[2]苏丽.基于深度学习的智能电网负荷优化预测研究[D].贵州师范大学，2019.