微電網(wǎng)負荷特性和分類概述目錄TOC\o"1-3"\h\u18835微電網(wǎng)負荷特性和分類概述 1322761.1微電網(wǎng)負荷預測特點 1207851.2微電網(wǎng)負荷分類 2155921.3微電網(wǎng)負荷預測特性 3260621.4短期負荷預測的步驟及評價指標 754891.4.1短期負荷預測的步驟 7317981.4.2預測模型評價指標 8186341.5數(shù)據(jù)預處理 9313871.5.1異常數(shù)據(jù)的修正 940771.5.2樣本數(shù)據(jù)的歸一化 10151861.6小結 11相對于大電網(wǎng)而言，微電網(wǎng)負荷具有更加復雜的特性。根據(jù)應用環(huán)境的差異，其特征也有所差異，它基本上可分成三類，一是冷負荷，二是熱負荷，三是電負荷，前二者主要是基于常規(guī)微電網(wǎng)利用冷熱電聯(lián)合供應體系提供用戶和設備所需的那部分負荷，而后者主要指的是用電裝置與客戶耗費的電能。微電網(wǎng)的基本運行要求是在并網(wǎng)運行條件下，大電網(wǎng)應吸收或供應微電網(wǎng)系統(tǒng)產(chǎn)生的不平衡功率，這就要求必須準確知道預測日的用電量，做到供需平衡，減少不平衡功率的產(chǎn)生。本文主要針對微電網(wǎng)用電負荷進行短期負荷預測。微電網(wǎng)負荷預測通過一定數(shù)量的歷史負荷數(shù)據(jù)和環(huán)境因素數(shù)據(jù)作為訓練樣本，構建負荷預測模型，利用得到的模型對未來一段時間序列的負荷值進行預測。由于微電網(wǎng)負荷的隨機性和波動性，因此需要對微電網(wǎng)負荷的特性進行分析，掌握負荷數(shù)據(jù)的預處理方法，對微電網(wǎng)負荷的準確預測具有重要意義。1.1微電網(wǎng)負荷預測特點與大電網(wǎng)負荷預測特點相比，由于微電網(wǎng)負荷本身具有非穩(wěn)定特性，致使對其預測也產(chǎn)生了波動性，除此之外，其不但具有條件性，多方案性，而且還具有時間性等特征，因此為精準預測其今后的波動曲線，不但要對其變化規(guī)律及特征展開進一步研究，并且綜合各種制約因素，且在此基礎上給出相關模型構建辦法，最終完成與現(xiàn)實狀況相契合的負荷預測建模。微電網(wǎng)負荷預測的特點具體如下[33]：(1)不確定性對該負荷進行預測時，會被很多因素所制約（就像溫度、濕度、日前類型等），同時各種制約因素也并非是固定不變的，而是時刻在改變的。同時突發(fā)事件也會對微電網(wǎng)負荷產(chǎn)生較大影響，因此會導致其預測結果出現(xiàn)一定偏差。(2)條件性通常指的是在預測今后一段時間內(nèi)的負荷數(shù)據(jù)時，一定要做到全面，將所有因素的制約作用考慮到位。影響因素一般可以根據(jù)模型本身的特性進行選擇，例如在日負荷中，可以選擇氣象因素、溫度等因素，此處的條件大體可分成兩類，其一，是對結果產(chǎn)生最直接制約作用必然性條件；其二，對今后負荷變化趨向造成制約作用，而又難以掌握的條件。因此在預測的過程中，需要添加一些假設條件。(3)時間性時間性是指微電網(wǎng)負荷預測是在一段時間范圍內(nèi)完成的，這個時間范圍可以是年、月、日、小時、分鐘等，通常以預測的循環(huán)周期為基礎，有時也會根據(jù)具體情況進行滾動序列建模。這就要求微電網(wǎng)負荷預測必須具有實時性，即通過歷史時段的負荷數(shù)據(jù)，對未來時段的負荷值做出預測，并且對微電網(wǎng)系統(tǒng)進行負荷預測時應表明預測值對應的時段和本次預測的時間段。(4)多方案性由于預測過程是以一定的假設條件作為基礎，具有諸多非確定性要素，實施負荷預測時，單一預測模型可能很難取得滿意結果。因此可以根據(jù)不同的預測條件去選取多種預測模型，由于負荷預測具有不準確性和條件性特點，所以在綜合考慮各種影響因素的條件下，對特性不同的負荷，應進行合理分析，優(yōu)化組合，建立可靠性好、準確度高，最接近歷史規(guī)律的數(shù)學模型。1.2微電網(wǎng)負荷分類大型電力系統(tǒng)一般對應于工業(yè)負荷、商業(yè)用電負荷等區(qū)域級大規(guī)模用電場所。而對于微電網(wǎng)而言，其通常在規(guī)模較小的社區(qū)以及公用照明等領域得到了普遍應用，且因其覆蓋范圍相對集中，微電網(wǎng)容量較小且供電能力有限，因此常常適用于輕量級負荷消耗類型。這類負荷主要有企業(yè)單位負荷、普通商業(yè)負荷、居民用電負荷、農(nóng)村負荷。(1)居民用電負荷該負荷通常指的是城鎮(zhèn)人口在日常生活中所產(chǎn)生的電能消耗負荷。該負荷和人們工作及生活的時間規(guī)律緊密相連。它具有明顯的時間規(guī)律性，伴隨生活質(zhì)量的提高，近些年來，該負荷隨著時間的向前發(fā)展其比重持續(xù)增加，特別是冬、夏兩個季節(jié)，制冷及采暖是對其整體負荷產(chǎn)生制約作用的關鍵原因，并且還包括其余制約因素，例如城鎮(zhèn)人口密度及其發(fā)展速度等因素均會對其造成明顯影響，其變動特征通常是因地區(qū)差異而有所差別的。(2)普通商業(yè)負荷對該類負荷的界定為：基于微電網(wǎng)系統(tǒng)的公共娛樂空間以及消耗空間所需要的電能負荷，通常此負荷較小，例如中小規(guī)模的超市等場所，當外部氣候狀況發(fā)生變化時，其波動偏小。商業(yè)負荷通常指的是商業(yè)領域內(nèi)所使用的照明、制冷、采暖以及各種動力等所消耗的電能負荷，占用較多土地面積，電能消耗量穩(wěn)定提升，具有平滑特性，極少出現(xiàn)突變現(xiàn)象。在電能的整體負荷結構中，商業(yè)負荷比較小，而居民及工業(yè)負荷相對較大，不過在總負荷最大極值時間區(qū)間內(nèi)是以商業(yè)照明負荷為主的。伴隨人們生活質(zhì)量的快速提升，使得消費需求急增，推動了服務行業(yè)的迅速發(fā)展，例如大型商業(yè)圈以及餐飲等，特別是在非工作日時間，電能消耗量逐年增加，在未來的負荷結構中的必定會占有重要地位。(3)企業(yè)單位負荷該負荷通常指的是城市辦公事業(yè)單位所產(chǎn)生的電能消耗負荷。該負荷和人們工作時間及日期類型緊密相連。它具有明顯的時間規(guī)律性，且隨著工作日、休息日的影響，近些年來，該負荷隨著的時間的向前發(fā)展其比重持續(xù)增加，特別集中大、中規(guī)模的企業(yè)的城市中，大型辦公商務區(qū)、市政單位等是對其整體負荷產(chǎn)生制約作用的關鍵原因，并且還包括天氣、季節(jié)，例如冬、夏兩個季節(jié)，企業(yè)對制冷及采暖是對其整體負荷產(chǎn)生制約作用的關鍵原因。(4)農(nóng)村負荷該負荷主要由兩部分構成，一是農(nóng)村居民負荷，二是農(nóng)業(yè)灌溉所消耗的負荷。就整體而言，農(nóng)業(yè)用電比較較小。即使我們是一個農(nóng)業(yè)大國，其比例依舊相對較小。然而，其卻表現(xiàn)出特別明顯的季節(jié)性特征，基于負荷特性進行分析得出，其日間波動偏小，而在季度范圍內(nèi)，波動特別大，具有明顯的非均衡性。其集中用電時間通常有別于城鎮(zhèn)工業(yè)用電峰值期，所以，能夠?qū)﹄娋W(wǎng)負荷率起到改善作用。1.3微電網(wǎng)負荷預測特性微電網(wǎng)總負荷預測模型一般可以按式1.1進行描述：(1.1)其中，y(t)表示負荷值；b(t)表示典型負荷分量，代表著在時間點t時所對應的基本負荷數(shù)值；w(t)表示在時間點t時被天氣原因所制約而形成的負荷分量；s(t)表示因為當日日期類型所制約而形成的負荷分量；v(t)表示因為特殊情況的制約作用而形成的負荷分量。一般狀況下，該類情況都是偶然發(fā)生的，是無法進行預測的，故而在該研究中，將其忽略掉而僅其余三種情況進行研究，分析它們所造成的負荷分量。本文以蘭州某居民小區(qū)2017年2-5月份的用電數(shù)據(jù)作為研究對象，其樣本采集頻率為1次/h，同時考慮了天氣狀況、溫濕度（上下峰值溫度及其均值）等環(huán)境參數(shù)[34]。(1)負荷的日周期性微電網(wǎng)負荷的日間周期規(guī)律較為明顯，在這一方面類似于大電網(wǎng)。它基于日內(nèi)24h為周期規(guī)律，各日的波動曲線基本一致。如圖1.1所示，代表2017年3月4-5日相臨兩天非工作日的負荷走勢圖，圖1.2為2017年3月15日至16日兩天工作日的負荷曲線，時間分辨率為1小時，即一天采樣24個點。通過觀察圖1.1和1.2可以發(fā)現(xiàn)以下結論：=1\*GB3①日負荷波動圖形通常包含三部分，一是波峰，通常在上午抑或下午時產(chǎn)生，因為此時居民處于活動時間，負荷值明顯高于其他時段，并且會隨季節(jié)而發(fā)生變化，出現(xiàn)上午高峰和下午高峰；二是波谷，它主要出現(xiàn)在深夜凌晨左右，此時居民休息狀態(tài)，僅包括周圍夜間開工的工業(yè)負荷；三是腰帶，此位置代表此時負荷正在變化，是一個過渡過程，其時間跨度是最大的，從圖中可以看出分為上升段和下降段。=2\*GB3②此居民小區(qū)的負荷曲線呈現(xiàn)明顯的日周期性，無論是兩天工作日還是兩天休息日，負荷曲線大致相似。對比圖1.1和圖1.2中的負荷曲線可以看出，兩天休息日的負荷值相比于工作日明顯偏高。說明休息日時段大部分居民選擇在家活動，工作日時段大部分居民處于上班時間，較休息日用電較少，符合用戶側用電規(guī)律，這說明日負荷量與日期類型有關，這對本節(jié)對于日類型量化處理有一定的指導意義。圖1.1休息日負荷曲線圖1.2工作日負荷曲線(2)負荷的周周期性周周期性是指以周（168小時）為一個周期，會呈現(xiàn)一定的規(guī)律，負荷值的變化趨勢大致相似。這里選取了2017年4月3日至9日，4月10日至16日的連續(xù)兩周的負荷曲線，如圖1.3和圖1.4所示。圖1.34月3日至4月9日負荷曲線圖1.44月10日至4月16日負荷曲線由圖1.3和圖1.4周負荷曲線看出，負荷曲線整體可分為兩類，分別為工作日類型與休息日類型。根據(jù)上圖能夠發(fā)現(xiàn)，二者在整體上表現(xiàn)出趨同性，不過也存在一定差異。在工作日范圍內(nèi)，負荷值相對較低，大部分居民處于上班時間或者外出活動，在整體上呈現(xiàn)出平穩(wěn)狀況。而在周六和周日的休息日時段，大部分居民選擇在家時間較多，用電量相對平時有一定幅度的增加，因此在周末時段，用戶側用電情況可能相對平時來說用電量增加。(3)日期類型由(1)和(2)的結論可以得出，微電網(wǎng)負荷的變化趨勢也與日期類型有一定關系，把其劃分成兩類，一是工作日負荷，二是周末負荷，二者具有明顯的一致性，大致滿足周期性的規(guī)律，除此之外還有節(jié)假日負荷，例如，春節(jié)、端午節(jié)、中秋節(jié)、國慶節(jié)等，這類負荷曲線相比于前兩類明顯不同，節(jié)假日負荷明顯降低。如圖1.5所示，在2017年中隨機選取三種不同日期類型的日負荷曲線（工作日負荷、休息日負荷、勞動節(jié)日負荷）。圖1.5三種不同日期類型負荷曲線從圖1.5可以看出，休息日的負荷量大于工作日的負荷量，而節(jié)假日負荷量小于工作日負荷量。除了負荷值的差異以外，節(jié)假日和正常休息日負荷曲線形狀完全不同，所以預測節(jié)假日負荷時，無法通過以非一致性日期類型為基礎而獲得的負荷數(shù)據(jù)來當作訓練樣本，應選取相同節(jié)假日類型的數(shù)據(jù)進行預測。這就要求負荷預測時，必須根據(jù)往年節(jié)假日數(shù)據(jù)作為樣本進行預測，否則將會出現(xiàn)較大的預測誤差。(4)氣象因素居民用電負荷值會隨氣象因素影響產(chǎn)生較大的變化，通常氣象因素主要包括溫度、濕度、降水量等，其中，因季節(jié)不同導致溫度變化對負荷的影響最為顯著，因為居民用電行為、作息方式與節(jié)氣有直接關系，如圖1.6所示的負荷數(shù)值，分別為2017年7月5日與11月15日負荷趨勢對比。從圖1.6可以得出以下結論：=1\*GB3①夏季負荷波動要小于冬季負荷波動，夏季日負荷峰值為91.75kW，而冬季日負荷峰值為104.37kW，冬季負荷整體高于夏季負荷，這是由于蘭州位于西北部，冬季供暖負荷需求增加，冬季的負荷峰值在早上11時至12左右出現(xiàn)，比夏季負荷峰值稍早一些，冬季負荷值在20點左右開始下降，而夏季負荷則在23點左右下降，這是由于冬季晝短夜長，夏季晝長夜短，居民的作息方式和用電行為發(fā)生改變。=2\*GB3②實際情況下，夏天負荷曲線與其溫度曲線表現(xiàn)為正相干性，即隨著溫度升高，負荷值隨之增大，而冬季則呈現(xiàn)相反關系，即隨著溫度降低，負荷值隨之減小。圖1.6冬季和夏季負荷曲線1.4短期負荷預測的步驟及評價指標1.4.1短期負荷預測的步驟本文對于微電網(wǎng)短期負荷預測是以歷史數(shù)據(jù)為基礎的，并基于相關采樣數(shù)據(jù)來實現(xiàn)預測建模，盡量實現(xiàn)最佳預測結果。短期負荷預測的基本流程如圖1.7所示。圖1.7短期負荷預測基本流程1.4.2預測模型評價指標當其預測值與真實值產(chǎn)生不同時，通常將二者差值叫做預測誤差。通常，預測誤差數(shù)值越低，準確率越高，則表示預測值越接近實際值，對預測誤差進行反復檢驗分析，可以提高預測模型的精準度。一般常采用預測誤差的某種形式作為預測模優(yōu)劣的評判標準，本文主要采用以下幾種[35]：(1)平均絕對誤差(MeanAbsolutionError,MAE)，它表示二者誤差絕對值總和均值：(1.2)(2)平均相對誤差(MeanAbsolutionPercenError,MAPE)，它代表二者預測誤差絕對值與真實值相除而獲得數(shù)值加和的均值，可通過式1.3進行運算：(1.3)(3)均方根誤差(RootMeanSquareError,RMSE)，它代表著以均方差為基礎的方根，可通過式1.4進行計算：(1.4)(4)均方誤差(MeanSquareError,MSE)，它通常代表所有預測誤差平方之和的均值，可通過式1.5進行計算：(1.5)其中，n表示被測樣本數(shù)量，和表示時間點i所對應的預測值及真實數(shù)值。1.5數(shù)據(jù)預處理實際情況下，負荷數(shù)據(jù)的采集通過數(shù)據(jù)采集裝置完成，相比于人工記錄更加準確，但在特殊情況下因為拉閘、斷電、系統(tǒng)異常等原因?qū)е缕涑霈F(xiàn)數(shù)據(jù)丟失及異常。異常數(shù)據(jù)是由于特殊事故導致記錄的負荷值相對前一時刻負荷值產(chǎn)生較大偏差，或者相鄰兩天同一時刻數(shù)據(jù)偏差增大。導致數(shù)據(jù)丟失的原因主要有三種，一是因為采集設備出現(xiàn)異常所致，二是因為測控中出現(xiàn)異常所致，三是數(shù)據(jù)傳輸異常所致，這些因素均會導致數(shù)據(jù)沒有記錄。機器學習依靠對歷史數(shù)據(jù)樣本的學習來獲取訓練模型，進而完成對未來時段負荷值做出預測。如果獲取的原始數(shù)據(jù)樣本出現(xiàn)異常缺失數(shù)據(jù)且不加以修正直接輸入到機器模型中，則可能導致輸出結果出現(xiàn)更大的誤差，甚至無法擬合曲線。因此，數(shù)據(jù)預處理是負荷預測前的最重要的準備工作。1.5.1異常數(shù)據(jù)的修正對于數(shù)據(jù)異常而言，它通常是由于某個時間點的數(shù)據(jù)與實際數(shù)值產(chǎn)生了偏差，并且超出許可范圍，進而產(chǎn)生非正常的波峰及波谷。通常通過下述方法進行平滑處理[36]。(1)水平處理方法通常狀況下，其負荷數(shù)據(jù)都是連續(xù)的，并且在若干相鄰時間點內(nèi)它不會驟然變化。倘若該差異達到特定臨界數(shù)值時，則會產(chǎn)生“異常點”。此時可基于公式1.6進行預判，并用式1.7修正：(1.6)(1.7)其中，Y(d,t)是第d天t時刻的負荷值，是閾值，t為采樣點。(2)垂直處理方法電力負荷波動存在一定內(nèi)在規(guī)律性，所以在垂直方向上，數(shù)據(jù)差異不大，比如前后工作日以及周六周日，在相同時間點上，其負荷數(shù)值相差不多，如果差異太大則會產(chǎn)生異常數(shù)據(jù)，其識別及校正，可通過式1.8，式1.9進行：(1.8)(1.9)其中，r(t)代表臨界數(shù)值。Y(d,t)表示天數(shù)d時間點t時所對應的負荷數(shù)據(jù)，m(t)表示近些天負荷數(shù)據(jù)均值。1.5.2樣本數(shù)據(jù)的歸一化負荷數(shù)據(jù)在不同時刻數(shù)值大小可能會相差很多，數(shù)值大且密集的數(shù)據(jù)很有可能將淹數(shù)值小的部分數(shù)據(jù)而造成“大數(shù)吃小數(shù)”的情況。所以為防止以上情況發(fā)生，有必要對樣本進行歸一化操作。(1)負荷數(shù)據(jù)的歸一化現(xiàn)今有三種常規(guī)方法：一是極值法，二是標準差法與均值標準化法，三是小數(shù)定標法。第一種方法又名離差標準化，實質(zhì)上是對初始數(shù)據(jù)進行線性處理，為了加快模型的訓練速度，因