适应输配电网一体化规划的高压配网变电站负荷预测方法技术

本发明专利技术公开了一种适应输配电网一体化规划的高压配网变电站负荷预测方法。目前，配电网的预测方式难以对整个地市发展情况进行适应，较难用一种方法贯穿输配电网负荷预测。本发明专利技术的技术方案包括：结合输配网一体化规划需求特点，采用Elman神经网络模型和空间负荷预测相结合的高压配网负荷预测方法，以高压配网变电站供区为预测单位，从历史负荷和空间预测相结合对高压配网中长期负荷进行预测，引入基于网格开发度的供区负荷计算模型。本发明专利技术综合了空间规划中具有的远景最大负荷密度数据优势，同时在计算样本中动态引入历年变电站实测数据对网格开发度进行修正；预测得到网格开发度后，考虑未来年变电供区划分变化重新计算得到高压配网供区负荷情况。

【技术实现步骤摘要】
适应输配电网一体化规划的高压配网变电站负荷预测方法
本专利技术涉及变电站供区负荷预测领域，具体地说是一种适应输配电网一体化规划的高压配网变电站负荷预测方法。
技术介绍
目前，用电量预测的方法主要分两大类：传统预测方法和智能预测方法。传统预测方法主要包括：弹性系数法、回归分析法、时间序列预测法、产值单耗法及它们的衍化方法。智能预测方法主要包括神经网络、模糊逻辑、专家系统等。上述方法均具有比较强的针对性，适合整体地区的预测方式较难合理分割负荷，配电网的预测方式难以对整个地市发展情况进行适应，较难用一种方法贯穿输配电网负荷预测。
技术实现思路
为解决上述现有技术存在的问题，本专利技术提供一种能适应输配电网一体化规划需求，针对高压配电网中变电站供区负荷的预测方法。本专利技术采用的技术方案如下：一种适应输配电网一体化规划的高压配网变电站负荷预测方法，其包括：结合输配网一体化规划需求特点，采用Elman神经网络模型和空间负荷预测相结合的高压配网负荷预测方法，以高压配网变电站供区为预测单位，从历史负荷和空间预测相结合对高压配网中长期负荷进行预测，引入基于网格开发度的供区负荷计算模型。本专利技术引入网格开发度概念，突破了传统采用固定负荷与网格对应的模式，衔接了变电站供区历史负荷趋势与细化网格负荷情况，满足了区域配电网变电站负荷预测的需求。作为上述技术方案的补充，基于网格开发度的供区负荷计算模型的具体内容如下：高压配电网通过运行方式与上级电压等级负荷分配进行有效联系，通过站点供区内空间地理划分与下级配电网负荷分布预测相适应；设地市根据市政规划共分为m个网格，总面积为Sm，范围内共有k个110千伏变电站，以110千伏变电站供区为分析区域，第i年变电站供区内共ei个网格，网格区块面积的向量集为Si＝{s(1i),s(2i),…,s(ei)}，有计算网格区块负荷时，仅记及10千伏及以下大用户，最大负荷密度向量集为Pimax＝{pmax(1i),pmax(2i),…,pmax(ei)}，网格内部最大容积率向量集为βimax＝{βmax(1i),βmax(2i),…,βmax(ei)}，引入区域开发度向量γi＝{γ(1i),γ(2i),…,γ(ei)}表示网格内负荷开发度，其中γ(ei)∈[0,1]，引入网格土地利用度θi＝{θ(1i),θ(2i),…,θ(ei)}代表某时期内网格容积率与目标建设规模的比例，其中θ(ei)∈[0,1]；网格内35千伏及以上电压等级直供大用户负荷由于无法用负荷密度乘算得到，依靠报装数据统计有Yi＝{y(1i),y(2i),…,y(ei)}，非工业类值为0，当年新增报装量为ΔYi，有：式中，ui为同时率；Wi为第i年该110千伏供区内网格化综合负荷；由于一般土地利用建设进度与负荷发展进度有一定的正向关系，为加速计算收敛，设|θ(ei)-γ(ei)|∈[0,0.2]；Pi,βi分别为第i年的实际负荷密度向量及实际容积率向量。本专利技术采用开发度来描述逐年网格与地区经济-负荷网格规划最大值比例情况，通过对开发度特征限制和预测，来拟合实际地区发展情况下经济增长情况对网格区域负荷的影响。作为上述技术方案的补充，所述变电站供区负荷预测方法在采用改进Elman网络模型对历史样本进行训练：对于历史网格化负荷数据采用下面各式计算修正权值：对于“S”型曲线修正样本，采用以下方法计算修正权值：上述各式中，k表示计算序列号，i、j分别表示矩阵的第i行、第j列；分别为输入层至隐含层第k、k+1次计算得到的连接权值，为输入层至隐含层的修正权值；分别为承接层至隐含层第k、k+1次计算得到的连接权值，为承接层至隐含层的修正权值；分别为隐含层至输出层第k、k+1次计算得到的连接权值，为隐含层至输出层的修正权值；ηh、ηc、ηout分别为隐含层、承接层、输出层的学习速率因子；为第i个样本第k次计算实际输出值，为第i个样本第k次计算获得值，即样本值，Ep为误差目标函数，a、b、c、d均为敏感性控制系数，按照搜索灵敏性调整；Xh、分别为隐含层的输出值、第i个样本隐含层的输出值、第j个样本隐含层的输出值；Xc、分别为承接层的输出值、第i个样本承接层的输出值、第j个样本承接层的输出值；为第j个样本第k-1次计算获得值；计算得到的修正权值对连接权值进行更新，得到预测计算的连接权值。作为上述技术方案的补充，所述Elman神经网络模型的计算逻辑如下：对于该神经网络模型，输入向量为n维向量，隐含层及承接层输出向量及为n+1维向量，输出为单一值；考虑以上情况，Wh为输入层至隐含层的连接权值,维度为(n+1)×n，Wc为承接层至隐含层的连接权值，维度为(n+1)×(n+1)，Wout为隐含层至输出层的连接权值，维度为n+1，Elman神经网络模型的运算公式如下：Xh(k)＝f[Wh·Xc(k)+Wc·Sin(k-1)]，Xc(k)＝Xh(k-1)，Sout(k)＝g(Wout·Xh(k))，式中，k表示计算序列号，f[Wh·Xc(k)+Wc·Sin(k-1)]为隐含层单元激励函数，g(Wout·Xh(k))为输出层单元的激励函数；样本训练时，误差目标函数如下：为第i个样本第k次计算实际输出值，为第i个样本第k次计算获得。作为上述技术方案的补充，在采用历史样本进行训练的同时，采用“S”型曲线学习样本作为修正样本；历史样本：对于过去i年整个县市地区进行网格化分解和计算，地区划分为m个分区，网格区块面积的向量集为S＝{s(1),s(2),…,s(m)}，对于网格s(m)，有：βim＝si(m)/s(m)，其中，βim为第i年m网格的容积率，为m网格规划最大容积率，si(m)为第m网格第i年的开发面积；θim为第i年m网格土地利用度；计算第i年网格开发度γi(m)，有：同时满足涵盖第m网格的110千伏变电站供区有：γ'i＝{γ'(1i),γ'(2i),…,γ'(ei)}，若|γ'i(m)-γi(m)|>ζ，γi(m)＝|γ'i(m)+γi(m)|/2，其中，wim是m网格第i年关口负荷，w'im是m网格上一年对第i年关口负荷的预测值，yim是该网格内大用户负荷量，γ'i为包含第m网格的110千伏变电站供区在第i年供区内网格开发度向量集合，W'i为该110千伏变电站在第i年负荷实测数据，γ'i(m)为通过第i年负荷实测计算得到的m网格开发度，ζ为差异门槛，对开发度进行核对和修正；为m网格未来饱和时期的负荷，Δyi为第i年新增的大用户负荷量，ΔYi＝{Δy1,...Δyn}为新增的大用户负荷向量组，ui为同时率；“S”型曲线学习样本：考虑经济和用电量发展情况，规划2040年为用电饱和年，以1991年为统计初始年，期间50年用电负荷经历“S”型曲线达到饱和水平；将“S”型曲线加入样本中共同训练，促进开发度样本训练的拟合程度，对于辅助样本，有拟合曲线：将其与区域网格开发度结合描述为：其中，i为年份，cm为m网格的土地性质，cm＝{居住，商务，市政，金融，工业，娱乐}对应cm＝{1,2,3,4,5,6}，随着用地性质不同对曲线进行修正，学习样本采用历史实际网格化数值及拟合曲线共同学习。作为上述技术方案的补充，输入、输出值针对开发度及土地开发度进行计算：单次输入采用过去五年历本文档来自技高网...

【技术保护点】
1.一种适应输配电网一体化规划的高压配网变电站负荷预测方法，其特征在于，包括：结合输配网一体化规划需求特点，采用Elman神经网络模型和空间负荷预测相结合的高压配网负荷预测方法，以高压配网变电站供区为预测单位，从历史负荷和空间预测相结合对高压配网中长期负荷进行预测，引入基于网格开发度的供区负荷计算模型。

【技术特征摘要】
1.一种适应输配电网一体化规划的高压配网变电站负荷预测方法，其特征在于，包括：结合输配网一体化规划需求特点，采用Elman神经网络模型和空间负荷预测相结合的高压配网负荷预测方法，以高压配网变电站供区为预测单位，从历史负荷和空间预测相结合对高压配网中长期负荷进行预测，引入基于网格开发度的供区负荷计算模型。2.根据权利要求1所述的高压配网变电站负荷预测方法，其特征在于，基于网格开发度的供区负荷计算模型的具体内容如下：高压配电网通过运行方式与上级电压等级负荷分配进行有效联系，通过站点供区内空间地理划分与下级配电网负荷分布预测相适应；设地市根据市政规划共分为m个网格，总面积为Sm，范围内共有k个110千伏变电站，以110千伏变电站供区为分析区域，第i年变电站供区内共ei个网格，网格区块面积的向量集为Si＝{s(1i),s(2i),…,s(ei)}，有计算网格区块负荷时，仅记及10千伏及以下大用户，最大负荷密度向量集为Pimax＝{pmax(1i),pmax(2i),…,pmax(ei)}，网格内部最大容积率向量集为βimax＝{βmax(1i),βmax(2i),…,βmax(ei)}，引入区域开发度向量γi＝{γ(1i),γ(2i),…,γ(ei)}表示网格内负荷开发度，其中γ(ei)∈[0,1]，引入网格土地利用度θi＝{θ(1i),θ(2i),…,θ(ei)}代表某时期内网格容积率与目标建设规模的比例，其中θ(ei)∈[0,1]；网格内35千伏及以上电压等级直供大用户负荷由于无法用负荷密度乘算得到，依靠报装数据统计有Yi＝{y(1i),y(2i),…,y(ei)}，非工业类值为0，当年新增报装量为ΔYi，有：式中，ui为同时率；Wi为第i年该110千伏供区内网格化综合负荷；为加速计算收敛，设|θ(ei)-γ(ei)|∈[0,0.2]；Pi,βi分别为第i年的实际负荷密度向量及实际容积率向量。3.根据权利要求1或2所述的高压配网变电站负荷预测方法，其特征在于，采用改进Elman神经网络模型对历史样本进行训练；对于历史网格化负荷数据采用下面各式计算修正权值：对于“S”型曲线学习样本，采用以下方法计算修正权值：上述各式中，k表示计算序列号，i、j分别表示矩阵的第i行、第j列；分别为输入层至隐含层第k、k+1次计算得到的连接权值，为输入层至隐含层的修正权值；分别为承接层至隐含层第k、k+1次计算得到的连接权值，为承接层至隐含层的修正权值；分别为隐含层至输出层第k、k+1次计算得到的连接权值，为隐含层至输出层的修正权值；ηh、ηc、ηout分别为隐含层、承接层、输出层的学习速率因子；为第i个样本第k次计算实际输出值，为第i个样本第k次计算获得值，即样本值，Ep为误差目标函数，a、b、c、d均为敏感性控制系数，按照搜索灵敏性调整；Xh、分别为隐含层的输出值、第i个样本隐含层的输出值、第j个样本隐含层的输出值；Xc、分别为承接层的输出值、第i个样本承接层的输出值、第j个样本承接层的输出值；为第j个样本第k-1次计算获得值；计算得到的修正权值对连接权值进行更新，得到预测计算的连接权值。4.根据权利要求3所述的高压配网变电站负荷预测方法，其特征在于，所述Elman神经网络模型的计算逻辑如下：对于该神经网络模型，输入向量为n维向量，隐含层及承接层输出向量及为n+1维向量，输出为单一值；考虑以上情况，Wh为输入层至隐含层的连接权值,维度为(n+1)×n，Wc为承接层至隐含层的连接权值，维度为(n+1)×(n+1)，Wout为隐含层至输出层的连接权值，维度为n+1，Elman神经网络模型的运算公式如下：Xh(k)＝f[Wh·Xc(k)+Wc·Sin(k-1)]，Xc(k)＝Xh(k-1)，...

【专利技术属性】
技术研发人员：王曦冉，来聪，何英静，李帆，沈舒仪，章敏捷，徐旸，谷纪亭，郁丹，蔡优悠，陈旭阳，牛威，周海波，施进平，但扬清，王婷婷，何东，冯伟，常安，李青，翁华，吴君，唐人，周林，刘林萍，吕韵，张代红，李春，胡哲晟，王思远，孙擎宇，
申请(专利权)人：国网浙江省电力有限公司经济技术研究院，国家电网有限公司，浙江华云电力工程设计咨询有限公司，
类型：发明
国别省市：浙江,33