电力负荷-经济百科

电力负荷的概念

电力负荷是指电路中的电功率。在交流电路中，电功率包含有功功率，又称为有功负荷，单位kW(千瓦)；无功功率称为无功负荷又称无功电力，单位kvar(千乏)。视在功率，包含着有功、无功两部分，往往以负荷电流取而代之。由于系统电压比较稳定，电压乘电流就是视在(表观)功率，所以负荷电流也就反映了系统中的视在功率，因此，系统中的电力负荷也可以通过负荷电流反映出来。

电力负荷的分类

1．按电力系统中负荷发生的不同部位分类。

(1)发电负荷这部分负荷是指电力系统中，发电厂的发电机向电网输出的电力。对电力系统来说是发电厂向电网的总供电负荷。

(2)供电负荷指电力系统向电网输出的发电负荷扣除厂用电和发电厂变压器的损耗和线路损耗以后的负荷称为供电负荷。

(3)线损负荷是指电力网在输送和分配电能的过程中，线路和变压器的功率损耗的总和。

(4)用电负荷电力系统中，用户实际消耗的负荷。一般供电负荷扣除线损负荷可计为用电负荷。

2．按照电力系统中负荷发生的不同时间分类

(1)高峰负荷又称最高负荷，是指电网或用户在一天时间内所发生的最高负荷值。为了分析的方便常以小时用电量作为负荷。高峰负荷又分为日高峰负荷和晚高峰负荷，在分析某单位的负荷率时，选一天24h中最高的一个小时的平均负荷做为高峰负荷。

(2)低谷负荷又称最低负荷，是指电网中或某用户在一天24小时内发生的用量最少的一点的小时平均电量，为’厂合理用电应尽量减少发生低谷负荷的时间，对于电力系统来说，峰、谷负荷差越小用电则越趋近于合理。

(3)平均负荷是指电网中或某用户在某一段确定时间阶段的平均小时用电量。为了分析负荷率，常用日平均负荷，即一天的用电量被一天的用电小时来除，为了安排用电量做好用电计划往往也用月平均负荷和年平均负荷。

3．工、企事业用电单位按其用电性质及重要性分类

(1)一类负荷1)停电会造成人身伤亡、火灾、爆炸等恶性事故的用电设备的负荷。

2)停电造成巨大的甚至不可挽回的政治或经济损失的用电设备或用电单位的负荷。例如，大使馆的用电或中央重要的活动场所。

3)重要交通枢纽、通信枢纽及国际、国内带有政治性的公共活动场所的用电。

一类负荷对供电电源的要求：

1)应由两个或两个以上的电源供电，当一个电源发生故障时，其他电源仍可保证重要负荷的连续供电。

2)为保证重要负荷用电，严禁将其他非重要用电的负荷与重要用电负荷接人同一个供电系统。

一类负荷的备用电源可选用以下几种方式：

1)在同——供电网络中有效地独立于正常电源的专门馈电线路。

2)独立于正常电源的发电机组。

3)蓄电池静止型不间断供电装置、蓄电池机械贮能电机型不间断供电装置、柴油发电机组不间断供电装置系统以及UPS不间断电源供电系统，适用于允许(或不允许)中断供电时间为毫秒级的供电。

带有自动投入装置的备用电源的专门馈电线路，适用于允许中断供电时间为1．5s以上的供电。快速自起动的柴油发电机组，适用于允许中断供电时间为15s以上的供电。

(2)二类负荷1)停电将大量减产或损坏生产设备，在经济上造成较大损失的用电负荷。

2)停电要造成有较大政治影响的重要用电单位正常工作受到影响的负荷。

3)大型影剧院、商店及公共场所的用电负荷。

(3)三类负荷，一般凡不属于一、二类的用电负荷。

根据电气设计规程的有关规定，对于一类负荷的供电，应由至少两个独立的电源供电，必要时还应安装发电帆组作为紧急备用。

电力负荷预测

　电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。

　负荷预测工作的关键在于收集大量的历史数据，建立科学有效的预测模型，采用有效的算法，以历史数据为基础，进行大量试验性研究，总结经验，不断修正模型和算法，以真正反映负荷变化规律。其基本过程如下：

(1)确定预测目标和预测内容;

(2)收集数据;

(3)预测模型的建立;

(4)模型估计、检验和评价;

(5)利用预测模型进行预测，结果分析和上报。

电力负荷预测方法

目前国内外常见的电力负荷预测方法有时间序列法、相关分析法、回归分析法、灰色预测法、模糊逻辑法、神经网络法、组合预测法等。

1.时间序列分析法

首先假定过去的负荷变化规律持续到将来，然后根据历史数据，找到随时间变化的规律，建立合适的数学模型，最后对未来的负荷进行预测，此种方法称为时间序列法。该种预测方法不考虑负荷与其他因素之间的因果关系，不也考虑其大小变化的因果关系。

时间序列法是电力负荷预测最常用的方法之一，它的优点是计算简单，要求的历史数据少，但当用它来预测特定日的负荷时，预测精度较差。一般情况下，该种方法适用于电力负荷曲线随时间平稳变化的场合。

2.相关分析法

相关分析法是寻找负荷与影响因素之间的因果关系，建立相关分析模型，然后对未来负荷进行预测。负荷与影响因素之间的关系分为两类，一类是函数关系，反映它们有严重的依存关系，可以用函数具体表示;另一类是相关关系，在这种关系中负荷与影响因素之间的关系是不严格的依存关系。利用该种方法对负荷进行预测时，首先要考虑负荷与影响因素之间的关系，然后判断他们之间的密切程度，最后选择合适的方法进行负荷预测。

该种方法的优点是可以清楚地得到负荷与影响因素之间的关系。缺点是利用较多的相关因素，造成实际预测的困难。

3.回归分析法

回归分析预测是电力系统负荷预测的一种常用方法，其任务是寻找因变量和自变量之间的相关关系。按照自变量和因变量之间的关系可以分为线性回归分析和非线性回归分析;根据回归分析涉及变量的多少，可以分为一元回归分析和多元回归分析。

回归分析法就是利用已知历史数据，寻找出因变量和自变量之间的相关关系，建立数学模型，通过最小二乘法求出模型参数，然后利用残差、相对误差或者绝对误差等对模型进行检验，当模型检验通过时，可以利用该模型对负荷进行预测;反之，则丢弃该模型，重新选择数学模型。在负荷预测问题中，回归方程的因变量一般是电力系统负荷，自变量是影响电力系统负荷的各种因素，如经济、人口、气候等。

回归分析法优点：方法简单、外推性好、预测速度快，当选择的模型与实际符合时，对未来的负荷预测精度相对较高。缺点是：①对历史数据的要求高，特别是历史数据残缺或存在较大误差的情况下，预测效果很不理想;②用简单的线性方法描述复杂的非线性情况，丢失信息过多;③而非线性回归分析模型的确定和参数估计较为复杂，但在选择非线性回归模型时，通过对历史数据的处理，可以将非线性转化为线性;④考虑气象因素时，对负荷预测影响的因素考虑不完全，一般情况下只考虑温度、湿度等;⑤进行回归分析时，当预测模型与实际情况相背离时，预测精度较差;⑥缺乏自学习能力，当负荷结构变化或者影响负荷变化的主要因素改变时，模型不会自主修正，只能通过人为地模型修正，在这样的情况下，负荷预测的结果精确度相对较差。

4.灰色预测法

灰色系统理论是我国学者、华中理工大学邓聚龙教授于1982年3月在国际上首先提出来的。近些年，该理论在经济、工业、农业、卫生管理等领域得到了迅速发展，并取得满意的结果。灰色系统就是部分信息已知，部分信息未知的系统，介于白色系统和黑色系统之间。灰色系统理论是建立在灰色系统模型，控制模型，预测，决策和系统最优化的组合上的理论。

灰色预测法的基本预测模型是灰色模型(GM)。在电力负荷预测中，影响因素较多，关系复杂，并且无法全部表示出来，因此具有灰色特性。随着社会的发展，电力负荷总体上呈增长趋势，基本上符合灰色预测模型的基本条件。灰色预测要求原始数据较少，并且在原始数据比较杂乱无章时，采用累加生成或累减生成的方式，整理成规律性较强的数据列，这样便于建立数学模型。此外灰色预测还具有原理简单、不考虑分布规律、运算方便、可检验、精度高、适用性好等优点。因此，灰色系统理论在负荷预测中得到了广泛应用，并取得了较好的效果。

在应用动态灰色模型进行负荷预测时，发现了一些缺点。如：①当负荷增长速度较慢，预测精度较高;反之预测精度较差;②当负荷的增长规律不是指数型时，预测精度变差;③数据离散程度越大，预测精度越差;④简单灰色预测应用于电力系统的长期预测时，会出现增长率过快的问题。

为了提高预测精度，针对灰色预测模型的缺点提出了多种改进措施，但是仍然比较单一。一般情况下要提高电力负荷预测精度，选择合适的集中负荷预测方法进行最优化组合式最为恰当的。

5.模糊逻辑算法

1965年，美国加州大学伯克利分校电气工程系的的L.A.zadeh教授提出模糊集，给出模糊数学的概念。自此之后，模糊数学发展非常迅速。随着专家学者对模糊理论的重视，其应用也是越来越广泛，逐渐应用到社会各个领域。

在电力负荷预测中，由于未来相关因素中有很多不确切的，是模糊的，而传统的预测方法都是建立精确地数学模型，然后对负荷进行预测，这样就带来了较大的预测误差，因此将模糊数学应用于负荷预测，可以提高负荷预测精度，同时也为电网规划工作提供了新的数学工具和研究手段。

模糊预测方法是化众多不确定信息为确定信息，利用模糊矩阵来描述电力负荷与影响因素之间的关系，用模糊集合论的原理求解负荷变化规律。利用模糊预测法对电力负荷预测更接近于实际。用模糊理论来解决负荷预测问题是一种极有意义的探索。其优点是负荷预测结果是一个预测区间，预测结果的精确度较高;其缺点是需要提供历史数据较多，收集比较困难，这就造成了使用困难。

迄今为止，模糊数学在预测方面还没有形成完整而深刻的理论和系统的方法，还有待进一步研究与探索。

6.神经网络法

神经网络是一门高度综合的交叉学科，涉及到信息科学、计算机科学、数理科学以及神经生物学等众多学科领域。

神经网络模型是由大量的处理单元(或称神经元).广泛地互相连接而形成的复杂网络系统。它主要是通过模拟生物脑结构和功能的一种信息处理系统。神经网络具有容错性强、大规模并行、分布式存储和处理、自组织、自适应和自学习能力以及较强的联想、记忆、功能。在非线性预测时具有以下优点：①根据新获得的数据，很容易建立新的预测模型，吸收新的信息来提高预测精度;②动态自适应性强，可适应外界新的学习样本，使网络知识不断更新;③容错性强，可处理信息不完全的预测问题;④实现了非线性关系的隐式表达，不需要建立复杂系统的显式表达式。