基于功率或电量预测的智能配电网统计线损同期化方法-冷华.pdf

《基于功率或电量预测的智能配电网统计线损同期化方法-冷华.pdf》由会员分享，可在线阅读，更多相关《基于功率或电量预测的智能配电网统计线损同期化方法-冷华.pdf（7页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第44卷第18期 电力系统保护与控制 V0144 No18兰!鱼笙2旦!旦 旦竺!兰羔!塑翌!1211111竺里竺璺g竺堕竺! 璺!望：!鱼：!Q!DOI：107667PSPCI51689基于功率或电量预测的智能配电网统计线损同期化方法冷华1，陈鸿琳2，李欣然2，唐海国1，朱吉然1(1国网湖南省电力公司电力科学研究院，湖南长沙410007；2湖南大学电气与信息工程学院，湖南长沙410082)摘要：智能配电网中电量采集数据缺失、遗漏导致按月线损统计不是严格意义上的自然月。为解决线损统计不同期问题，提出基于功率或电量预测的方法来改善配网线损统计。通过挖掘售电量数据，提出了一种基于年度售电量的灰色预

2、测结果。再根据季度、月度层级占比得到月售电量的预测方法，与实际值的平均相对误差仅为194，证明此方法简单有效适合电力各部门的广泛应用。将月售电量预测结果应用于线损统计，结合供电比例系数法，改善表计供、售电量不对应的问题，使得同期化，对按月实时分析网损有实际意义。关键词：电量预测；灰色模型；大数据；层级比例；同期线损A method for synchronous line loss statisties of distributionetwork based onload or electricity consumption forecastingLENG Hual，CHEN Honglin2

3、，LI Xinran2，TANG Haigu01，ZHU Jiranl(1Electrical Research Institute of State Grid Hunan Electric Power Company,Changsha 4 1 0007，China；2College ofElectrical and Information Engineering，Hunan University,Changsha 410082，China)Abstract：Asynchronous line loss statistics of smart distribution network due

4、to automatic meter failure and data missingare confusingTo solve this problem，a new method for synchronous line loss statistics based on power load or electricityconsumption forecasting is put forwardThrough data mining，this paper presents a monthly electricity forecasting methodbased on the result

5、of annual electricity by grey model and quarterly and monthly hierarchic proportionThe averagerelative forecasting error is only 194which indicates that this method is simple and effective and can be widely appliedin electric departmentAnd the forecasting results coupled with daily power supply rati

6、o are applied in synchronous lineloss statistic，which improves the inconsistency of power supply and electricity consumption and makes themsynchronousIt has actual meaning for monthly line loss analysisKey words：electricity consumption forecasting；grey model；big data；hierarchic proportion；synchronou

7、s line loss0引言线损中的统计线损是指供电量与售电量的电度表读数之差，线损率为线损除以供电量得到的比率。线损不仅可以反映电网架构的合理性、设备的老化程度，还能反映企业的经营管理水平，分析偷用电情况。以前我国电力部门的自动化水平有限，一部分营销数据还有赖于人工抄表完成，区域较大时会存在提前抄表以及分期抄表的现实，这种抄表方式1】导致了供电量、售电量统计的时问尺度不同期的问题。但是目前随着配网自动化水平的提高，这种线损不同期问题已不复存在，问题有了新的定基金项目：国家电网公司总部科技项目(5216A514001K)义，新的线损不同期问题由自动抄表系统中表故障、数据缺失导致，且供、售电量表

8、计故障随机，使得月末统计的电量不一定是自然月的电量。本文提出结合功率预测或电量预测，基于“多减少补”的思想，来同期化统计线损。功率预测即负荷预测，电量数据可由功率积分或离散累加得到，运用在同期统计线损中，指短期负荷预测。而根据实际算例情况，湖南省配网低压用户侧目前没有记录日负荷功率，且有的电量表计数据采集缺失情况严重，多的一个月达到27天，故本文主要论述月电量预测在同期线损中的应用。售电量预测是电力规划的基础，售电量直接关系到电力公司的收益，也是很多考核指标的组成部分。随着电力市场的开放，电量预测对企业计划发电、提万方数据冷华，等 基于功率或电量预测的智能配电网统计线损同期化方法 109-高经

9、济效益等都有重要意义。售电量预测通常分为年度、季度和月度电量预测，传统的预测方法有回归法、动平均法、指数平滑法、自回归动平均法等【2J，随着研究的深入，灰色模型预测法被广泛应用于长期电力预测中，也有学者将人工神经网络、智能优化算法运用其中。在对月售电量预测模型的优化中，文献3】建立了基于偏最小二重回归的预测模型，但是要求输入国民生产总值、社会固定资产投资、人口预测等数据，模型比较繁杂；文献4】采用了季节指数和灰色模型对月电量数据进行了拟合；文献5】从季度电量组合预测出发，通过加和求得年度电量，通过比例分配求得月度电量，但组合预测中包含的单一预测算法达到了5种和8种，建模复杂；文献6】分析了历年

10、各月电量占当年所在季度电量的比例，得出该比例基本维持平稳的结论，并采用温斯特法先对季度电量进行预测；而文献7通过比较移动平均模型、Winters和灰色马尔科夫模型预测地区电网售电量得出了灰色马尔科夫模型精度更高的结论。灰色预测方法要求的样本数据少，通过自身数据挖掘便可提取模型，对呈指数增加规律的数据有极佳的适应性，而年售电量正是呈递增趋势。因此，本文提出的月售电量预测方法基于年售电量的灰色预测结果，运用大数据思想，再通过季度比例和月度比例分别得到季度售电量和月度售电量，取得了良好的预测精度。进一步地，将预测结果应用于同期线损统计中，为电力部门分析运营情况、加强管理水平提供依据。1 灰色预测模型

11、GM(1，1)灰色系统8】理论在很多方面得到了实践应用，目前应用最广泛的是GM(1，1)模型，本文用来预测年度售电量，其建模过程如下9。1)对原始数据序列|o)_po(1)，|o(2)，o(疗)】进行一次累加，生成01=瞳1(1)，x1(2)，1(聍)】，此处指电量，时间尺度为年，其中Ixo(=z(1)，k=1(炉圭以耽七：2，3，疗 uL i=l累加使得任意非负数列转化为非减的或递增的数列，具有近似指数规律。2)建立白化微分方程，|v(1)兰L+缸1)=五f2)式中：舀，五为参数，记为j=a，五】T。参数a，五通过计算数据矩阵曰和数据向量虼求得。有B=一三【x(1(1)+x(1(2)】一妒)

12、(2)“1)(3)】；一圭【x(1(聆一1)+x(1(聍)】 1K习 nn1=暖3)将求得的参数a，露代入微分方程，求解方程x(1o+1)：x(1(1)一罢】e一白+芸，t=0，1，2，(6)a 口4)将方程的解累减还原得到预测模型曼o(七+1)=工o(1)，k=0曼。(七+1)=曼1(七+1)一曼1(七)= (7)c，e6，(x(。c，考)ed，七=-，2，受到政治、经济事件的影响，年售电量的增长会有波动，可能电量序列不是严格的递增的趋势，因此，对灰色预测模型有所改进，如对时间序列的残差修正【l 01，运用马尔科夫的残差修正11J 31，以及使用灰色Verhulst模型114J等。由于本文研

13、究侧重点的不同，在此选用常规的GM0，1)模型，但仍可用改进的灰色预测模型结合层级比例分析来预测月电量。2 月电量预测21层级比例所谓层级比例是指“年季月”三个层级中，四个季度电量分别占年总电量的比例“季占年比”，一个季度中每月电量占季度电量的比例“月占季比”，以及每月电量占年总电量的比例“月占年比”。通过统计分析可知，各年的月占年比波动较大，而季度电量变化规律稳定，有较强的周期性，即每年的季度电量曲线都有相似的变化规律，如图1所示。原始数据为南京市某供电公司20002004年的各月售电量13 J，见表l。万方数据电力系统保护与控制车jo乏三上一季艘图1 20002004年季度电量Fig1 Q

14、uarterly electricity consumption of 2000-2004进一步分析原始数据可得，季占年比相对固定，月占季比也呈现出较强的稳定性，表2列出了各年的月占年比和季占年比。各月(每一行)的月占年比的相对标准偏差最大值为01016，各季(每一行)的季占年比的相对标准偏差最大值为00437，这说明月占年比数据波动较大，离散程度高，不稳定，而季占年比有平稳的比例值。相对标准偏差(RSD，relative standard deviation)是指标准偏差与测量结果算术平均值的比值，反映了数据的离散波动程度，用公式表示如下RSD：里100 (8)avP式中：SD为序列的标准方

15、差，即方差的平方根；ave为数列的平均数。通过计算各层级比例的相对标准偏差，有其平均值“月占年LL月占季比季占年比”，说明季占年比的平稳性最强可靠性最高，月占季比次之，月占年比最差。故本文根据得到的年电量预测数据，通过层级分析，先由季占年比计算季度电量，再由月占季比计算得到月度电量，而不是由年电量预测结果直接由月占年比得出月电量数据。表1 20002004年的各月售电量Table 1 Monthly electricity consumption of 2000-2004。 堡垒量!(互!型：!)“2000年 季度值 2001年 季度值 2002年 季度值 2003年 季度值 2004年 季度

16、值1 13 444 12 389 15 460 19 077 16 1722 12 873 38 015 13 839 38 553 13 987 42 310 1 5 869 49 887 16 618 48 3163 II 698 12 325 12 863 14 941 15 5264 10 918 12 015 12 540 14 217 1 5 3685 10 481 33 059 10 754 35 935 11 056 37 314 12 266 38 621 13 848 441696 11 660 13 166 13 718 12 138 14 9537 13 450 16

17、150 17 269 174 52 18 8488 18 868 46 838 19 894 5l 723 21 543 56 169 22 662 59 10l 25 024 63 7699 14 520 15 679 17 357 18 987 19 89710 13 189 14 538 14 314 15 642 17 30911 9 807 35 326 10 065 42 640 11 039 42 818 12 048 45 559 12 560 49 09912 12 330 18037 17 465 17 869 19 230表2 20002004年层级比例Table 2 H

18、ierarchic proportion of 2000-20041 O087 7 O073 4 O086 6 0098 8 0078 82 0084 0 O082 0 0078 3 0082 2 O080 9 0248 1 0228 3 O236 9 0258 3 0235 33 0076 3 0073 0 0072 0 O077 3 O075 64 0071 2 007l 2 0070 2 0073 6 0074 85 00684 0063 7 0061 9 0063 5 00674 021 5 7 0212 8 0208 9 0199 9 0215 16 0076 1 0078 0 00

19、76 8 0062 8 0072 87 0087 8 0095 6 0096 7 0090 3 009l 88 0123 1 0117 8 0120 6 0117 3 0121 9 O305 7 O306 3 0314 5 O306 0 0310 59 0094 8 0092 9 0097 2 0098 3 0096 910 0086 1 0086 1 0080 1 008l 0 0084 311 0064 0 O059 6 O061 8 0062 4 0061 2 0230 5 0252 5 0239 7 0235 9 O239 112 0080 5 0106 8 0097 8 0092 5

20、 0093 6万方数据冷华，等 基于功率或电量预测的智能配电网统计线损同期化方法 11122预测步骤综上所述，月电量预测的具体步骤如下。1)基于年售电量数据序列，运用灰色模型预测年售电量。2)基于大数据进行数据挖掘，分析近来历史各年的售电量季占年比、月占季比，分别得到平均值作为待预测年月的层级比例。31基于层级比例和年售电量预测值，由年电量和平均季占年比得到季度电量预测值，由季度电量和月占季比得到月电量预测值，分析相对误差aa：生2100 (9)Y式中：y7为月电量预测值；Y为月电量实际值。3 月电量预测的同期线损应用电量数据系统中每天一抄，电量的月统计是在每月末，用当前表计数据减去上月末保存

21、的数据。实际情况中会出现表计故障导致数据缺失的问题，如图2所示，而一般工程实际情况中，对数据缺失的自动补抄方式为向前查询，记录前一次有效数据作为当前数据，故基本情况可分为以下三类。1)当月末几天的数据缺失时，系统采用最近一次保存的读数作为月末读数，从而抄表天数少于当实际统计的个月(a)理论I：统汁的个月实际统计的个月(b)理论l：统计的+个月实际统计的个月(c)图2线损统计的不同期Fig2 Asynchronous line loss月天数，抄表电量比实际电量少。21当月初有数据缺失时，系统采用上个月中最接近本月1号保存的数据，从而抄表天数多于当月天数，抄表电量比实际电量多。3)当月初月末同时

22、有数据缺失时，需结合实际情况综合考虑。这些情况在供电量、售电量抄表中均有可能发生，且具体是何种故障是随机的，从而出现线损统计不同期的问题。现有解决供售电量不同期的方法主要是集中抄表日法【l 5J和供电比例系数法【1 6|。集中抄表日法是一种按不同抄表日期和该日期下抄得的售电量占该区域内总抄得售电量的比例等价归算得到集中抄表日的一种方法，在现有配电自动化水平下已不具意义。供电比例系数法是利用供电量与售电量的强相关性，用每天的供电比例系数替代日售电比例系数，从而可以分析出售电抄表期内每一天的售电量，但此方法由于数据需求问题只能结合已有数据分析历史月的线损情况，且是原供售电不同期问题下的方法。本文提

23、出供电比例系数结合月电量预测的方法，做到当前配电系统中对同期线损的按月实时统计。且由图2(c)可知，当月初月末数据均缺失时，需要同时预测两个月的电量数据，本文提供的预测方法正好能便捷的得到各月的预测结果，非常适用于线损分析。统计线损同期化流程图见图3，其方法如下：1)分析供电量、售电量数据是否为标准的月初1号至月末的时间尺度，查询有无数据缺失。2)当线损统计不同期时，进行电量预测(在此不讨论功率预测，功率预测也可用电量预测代替，但功率预测对于缺失数据天数少的情况有更佳的适用性)，得到月电量预测结果，这时可能需要使用两个月的预测结果。3)由于供、售电量具有强相关性，用日供电量比例(每日供电量当月

24、供电量)代替日售电量比例，结合具体不同期情况对月售电量进行多减少补，减去由于自动补录月初数据(实际为上月末)而多统计的售电量，补全由于月末数据缺失少统计的售电量。4)进行同期线损、线损率分析。具体地，以23号至月末售电抄表数据缺失为例，示意图如图4，对应流程图如图5。1)计算当月自然月(130日)的日供电量比例岛i(每日供电量抄表期内总供电量)，譬表示供电，胛表示自然月，i表示日期。2)由于供、售电量具有强相关性，用日供电量比例替代日售电量比例gsS表示售电。万方数据电力系统保护与控制图3同期线损统计步骤流程图Fig3 Flow chart of synchronous line loss供蜩

25、自然月 电量Yo售电量实际统计的个月图4同期统计具体举例Fig4 An example of synchronous line loss statistics计算自然月的LI供电量比例幽。=|强相关性用野，代许日售电鼙比例岛，J月电爷预测KI根据僻电比例计算缺失的待预测电援Hj结合农汁数据求得同期后的电量y0按月求和计算同期线损图5线损统计详细流程图Fig5 Detailed flow chart of synchronous line loss3)采用前文所述方法预测该月售电量K，继而根据售电比例计算缺失的2330日的预测售电量y1。30X=gs，I (10)i=234)结合已有的实际售电数

26、据，求得同期后的售Y=r0+，： (11)式中，yo为表计售电量，实际对应122日。5)按自然月求和，计算归算到当月(自然月)的同期线损，即月供电量与月售电量之差。4 算例分析41月电量预测为了比较本文所提层级比例预测方法的有效性，利用前文提到的南京市某供电公司2000至2003年的各月售电量，来预测2004年的月售电量，并验证其精确度。统计分析可知，20002003年的售电量平均季占年比以及平均月占季比情况如表3所列。表3 20002003年平均层级比例Table 3 Average hierarchic proportion of 2000-2003万方数据冷华，等 基于功率或电量预测的智

27、能配电网统计线损同期化方法 113-1、2月份售电量受春节影响，历史数据表明该地区1、2月中，春节月的占季Ltd,于非春节月，查阅日历可知2004年的春节月是1月，故预测时要进行调整，1月的占季比为034，2月的占季比为035。1)利用灰色模型进行年售电量预测，结果如表4所示，可见灰色模型对年售电量的预测十分精确。表4灰色模型下的年售电量预测Table 4 Annual electricity consumption forecastingbased on grey model售电量f万kWh)2000年2001年2002年2003年2004年实际值 153 238 168 851 178 6

28、ll 193 168 205 353预测值 153 238 168 076 179 856 192463 205 952相对误差0 一O46 070 一036 O292)根据层级比例计算季度售电量、月度售电量，2004年各月的月售电量预测结果示于表5。表5 2004年月售电量预测结果Table 5 Monthly electricity consumption forecasting由表中结果可知，通过“年季月”的层级比例预测得到的预测值与实际值的平均相对误差为194，有较高的预测精度。同样原始数据下，有学者通过提高曲线平滑度和设置季节补偿系数【l 7J进行月售电量预测，其平均相对误差绝对值为

29、366，对比可见，本文所提方法大大提高了预测的精确度，且方法简单，适用于工程实际操作。供电量的预测同理可得。42线损同期化利用月电量预测结果，按照前文所述方法步骤“多减少补”进行同期线损分析，实例中统计常德市某线路2015年8月份的线损，列出表计数据缺失情况如表6。供电量为出口变压器的电量数据，售电量为台区变压器的电量数据。表6合口变302合镇II线表计缺失情况Table 6 Data lost statistics由表6可见，该线路“群丰村2”售电数据缺失极为严重，一个月达到27天之多，若不进行线损的同期化，是不能合理评价网络的线损水平的。通过分析历史数据得到该线路平均三季度用电量占年比例为

30、032，8月份占季比为04，进一步得到如下表7所示电量修正结果。其中客户1代表“群丰村2”，客户2代表“湖南新合丰木业有限公司”。表7售电量同期结果Table 7 Synchronous electricity sales经过计算补全缺失数据得到修正后的同期售电量，再进行线损统计。该线路的统计线损率由768同期为575，下降了193，同期修正后更为准确、公正地评价了线损水平。5 结语由于线损是考察电力公司管理水平和网架结构的一个重要指标【l引，而供、售电量数据统计不同期会导致统计线损跟实际线损偏离较大，甚至出现负值，不利于部门的考核，有些公司为了完成指标可能还会人为篡改数据，不利于整体的经营管

31、理及服务水平的提高。同期化后的统计线损率一般最大不超过10，且负值情况少，对超过范围线路要及时查明情况，做出改进。本文提出了一种基于年度售电量的灰色模型预测结果，根据层级比例求得月度售电量，特别适合实时线损分析，实例证明此方法运用简单，结果精确。并结合此预测结果，提供了一种按月统计同期线损的方法，做到及时监测，给管理方提供可靠依据，有较大的工程使用价值。参考文献1 高卫东，宋斌月度实际线损率定量计算方法【J】电力系统自动化，2012，36(2)：8690GAO Weidong，SONG BinA quantitative calculationmethod for actual monthly

32、 line loss rateJAutomationof Electric Power Systems，20 1 2，36(2)：8690万方数据114 电力系统保护与控制2 唐巍，高春成并行自适应混沌优化方法在中长期电量预测中的应用J】电网技术，2005，29(11)：3035TANG Wei，GAO ChunchengApplication of paralleladaptive chaotic optimization in middle and long termelectricity consumption forecastingJPower SystemTechnology，200

33、5，29(I 1)：30353 吴杰，宋国堂，卢志刚，等基于偏最小二乘回归与比重法的月售电量预测J】电力系统及其自动化学报，2008，20(3)：66-69WU Jie，SONG Guotang，LU Zhigang，et a1Forecastingfor monthly electricity consumption using partial least-square regressive and proportion modelJProceedingsofthe CSUEPSA，2008，20(3)：66-694 刘秋华基于季节指数和灰色预测的月电量预测模型J南京工程学院学报(自然科学版

34、)，2006，4(1)：1-6LIU QiuhuaA forecasting model of monthly electricitypower demand based on season exponent and greyforecastJJournal of Nanjing Institute of Technology(Natural Science Edition)，2006，4(1)：1-65 罗毅初，冯天瑞，李达凯，等基于加和比例分配算法的中长期电量预测改进方法J】电力需求侧管理，2014，16(4)：11-15LUO Yichu，FENG Tianrui，LI Dakai，et

35、 a1Improvedmedium and long-term electricity forecasting methodbased on summation-apportionment algorithmJPowerDSM，2014，16(4)：11-156 潘小辉，刘丽萍，李扬提高月度售电量预测精度的一种新方法【J】电力需求侧管理，2013，15(3)：1 115PAN Xiaohui，LIU Liping，LI YangA new method topromote the forecasting accuracy of monthly electricityconsumptionJPo

36、wer DSM，2013，15(3)：ll-157 汪滔，张伟，吕萌萌，等基于时间序列的地区电网售电量预测方法研究J电气技术，2010(1 1)：9-12WANG Tao，ZHANG Wei，LU Mengmeng，et a1Studyon electricity sales forecasting method of regional powergrid based on time seriesJElectric Technology，2010(1 n：9-128 邓聚龙灰色系统【M北京：国防工业出版社，19859 孙仲民，何正友，戴铭基于灰色预测的电力电缆老化过程预警仿真研究J】电力系统保

37、护与控制，2012，40(13)：5560SUN Zhongmin，HE Zhengyou，DAI MingSimulationstudy on prealarm of power cable aging process basedon grey predictionJPower System Protection andControl，20 1 2，40(1 3)：55601 0BOX G P，JENKINS G MTime series analysis：forecasting and controlMHolden-day Inc，19761 1王翠茹，孙辰军，杨静，等改进残差灰色预测模型

38、在负荷预测中的应用J】电力系统及其自动化学报，2006，18(1)：8689WANG Cuiru，SUN Chenjun，YANG Jing，et a1Application of modified residual error gray predictionmodel in power load forecastingJProceedings of theCSUEPSA，2006，1 8(1)：868912赵飞，眭欢然，戴岩，等基于随机模糊理论和改进马尔科夫法的变压器寿命评估J电力系统保护与控制，2014，42(15)：39-44ZHAO FeiSUI Huanran，DAl Yan，et

39、a1Powertransformers life assessment based on random fuzzytheory and improved Markov methodJPower SystemProtection and Control，20 1 4，42(1 5)：394413黄银华，彭建春，李常春，等马尔科夫理论在中长期负荷预测中的应用J电力系统及其自动化学报，201 1，23(5)：13 11 36HUANG Yinhua，PENG Jianchun，LI Changchun，et a1Application of Markov theory in mid10ng term

40、 loadforecastingJProceedings of the CSUEPSA，201 1，23(5)：131-13614 KAYACAN E，ULUTAS B，KAYNAK OGrey syrstemtheorybased models in time series predictionJExpertSystems with Applications，2010(37)：1784178915何健，沈百强，池峰线损管理中供售电量不对应分析方法的研究J】浙江电力，2005(3)：1316HE Jian，SHEN Baiqiang，CHI FengThe research for theun

41、matched between supply and distribution in line lossmanagementJZhejiang Electric Power，2005(3)：131616宋宏彪配电网线损分析与研究D北京：华北电力大学，2002SONG HongbiaoAnalysis and study on the line lossesof distribution networkDBeijing：North China ElectricPower University，200217朱国华，吕华珍，王林一种改进的月电量灰色预测模型J】湖北电力，2007，31(2)：4-6，

42、21ZHU Guohua,LU HuazhenWANG LinImproved greyprediction model for monthly electric power demandJHubei Electric Power，2007，3 1(2)：4-6，2 118陈芳，张利，韩学山，等配电网线损概率评估及应用J】电力系统保护与控制，2014，42(13)：39-44CHEN Fang，ZHANG Li，HAN Xueshan，et a1Line lossevaluation and application in distribution networkJPower System Protection and Control，2014，42(13)：3944收稿日期：2015-0921； 修回El期：2015-11一03作者简介：冷华(1982一)，男，硕士，高级Z-程师，研究方向为智能配电网相关技术、继电保护；Email：lhl435163com陈鸿琳(1992一)，女，硕士研究生，研究方向为电力系统分析与控制、电力系统优化、负荷预测；Email：lin_xiuxianyeahnet李欣然(1 957一)，男，教授，研究方向为电力系统负荷建模、储能系统建模、优化与控制。(编辑张爱琴)万方数据