浅析大工业用户电力负荷的预测方法

　　电力负荷预测论文第六篇：浅析大工业用户电力负荷的预测方法

　　根据国家能源局发布的近5年的用电量统计数据，我国工业电量占了全社会用电量的65%以上，而随着我国产业结构调整和可持续发展政策的实施，采用大容量、高参数设备已成为企业产业升级的主要途径，使得电压等级高、负荷较大的大用户数量明显增加，其重要性也大大增加，而精准的大用户负荷预测可以优化供、配电结构，提升电网运营效益。随着电力体制改革的深入，电力企业成为了市场的参与者，一般工商业电价降低和经济发展增速放缓都会对电力行业造成冲击，电力企业亟需发掘新的业务增长点，此时，电力负荷预测在电力市场营销、电力企业经营决策、综合能源服务等方面的意义就逐渐凸显出来。

　　本文收集了衡山地区某金属制品公司近5年的月度负荷数据，通过分析发现，月平均温度对该公司的办公电量影响较大、对工业电量影响较小，于是将该用户的总电力负荷拆分为两部分进行预测，办公电量部分用月平均温度模糊化为隶属度函数作为输入的模糊神经网络进行预测，工业电量部分用BP神经网络进行预测，通过MATLAB对模型进行仿真。

　　1 预测模型的分析与数据收集

　　大工业用户的电力负荷一般包括办公用电（如照明、取暖、计算机等）和工业用电，图1、图2分别为某金属制品公司在2019年的办公电量和工业电量与当年月平均温度的情况。

　　由图1可分析出，该公司办公用电具有明显的季节性，在春季、秋季温度适宜的时间用电量较少，在夏季和冬季会在平时办公用电的基础上增加制冷和取暖的需求，导致用电量增大。由图2可分析出该公司的工业用电负荷曲线除春节当月因放假停工有较大下降之外，其余月份波动较小，基本不受季节、温度的影响，只与其生产计划及企业经营发展相关。因此，将该用户的总用电量拆分为随温度变化的电量（办公电量）和产量电量（工业电量）两部分进行预测。

　　为展开预测工作，首先收集了衡山地区2016—2019年各月平均温度（为了更好地表征温度特征，取月平均高温和低温2个特征量）及该金属制品公司2016—2019年的总体用电情况。

　　图1 办公电量与月平均温度情况分析 

　　图2 工业电量与月平均温度情况分析  

　　2 预测模型的建立

　　对办公电量预测部分，通过前文分析其与温度相关，于是根据模糊理论将月平均高温模糊化为隶属于低温、中温、高温的三维向量，得到月平均高温隶属度函数图，假设已知某月的月平均高温为29℃，那么月平均高温的隶属度三维向量为[0,0.468,0.65]，月平均低温也是同样的道理，这里不再赘述。

　　在得到2016—2019年各月份月平均高温、月平均低温的隶属度函数后，构建以月平均高温、月平均低温各三维隶属度向量共计六维向量为输入，办公电量为输出的神经网络。本文采用三层神经网络结构，即输入层-隐含层-输出层3层，可确定神经网络输入节点为6个，输出节点为1个，隐含层节点根据经验公式采取试凑法，最终确定节点数为12。

　　对工业电量部分，直接采用BP神经网络进行预测。神经网络采用三层结构，用2016—2018年各月度工业电量数据来训练模型，再将2017—2019年的数据输入模型对2020年各月度的工业电量进行预测，由此可知输入层节点数为3，输出层节点数为1。隐含层节点数根据经验公式确定范围在2～12之间，通过比较和分析，隐含层单元数为6时，平均误差值最小，因此预测模型的BP神经网络隐含层节点数确定为6。

　　3 预测模型的训练与比较

　　3.1 办公电量预测模型的训练

　　选取金属制品公司2016—2019年各月度办公电量数据作为训练样本，以2020年对应的各月度办公电量数据作为检测样本来对模型进行训练和检测，本文采用MATLAB R2018a编程实现训练和检测，用训练好的模型对2020年7—10月办公电量进行预测，预测结果见表1，误差控制在3%以内，预测效果较好。

　　下载原表

　　3.2 工业电量预测模型的训练

　　选取某金属制品公司2016—2018年各月度工业电量数据作为训练样本，以2019年对应的各月度工业电量数据作为检测样本来对模型进行训练和检测，对2020年7—10月各月度的工业电量进行预测，预测结果见表2，误差控制在3%以内，预测效果较好。

　　下载原表

　　3.3 总电量预测模型的分析比较

　　将上述办公电量与工业电量相加即为该客户的总用电量，2020年7—10月总电量预测结果见表3，误差控制也在3%以内，预测效果较好。

　　下载原表

　　如果直接选取某金属制品公司2016—2019年各月度总用电量数据，仍旧采用对工业电量进行预测时的3层BP神经网络模型进行预测，预测结果见表4。

　　下载原表

　　从表4可以看出直接对总电量进行预测误差较大，这是因为神经网络对较为平稳的序列预测精度较高，对波动较大的负荷预测精度较低，所以将用户的用电量拆分为波动相对较大的办公用电和波动较小的工业用电，分别建立模型来预测，最终相加得到用户的总用电量，误差才可以控制在3%以内，比直接用BP神经网络模型对用户总用电量进行预测的10%左右误差降低了7个百分点，预测结果的准确度大大提升。

　　4 结束语

　　本文通过分析大工业用户用电量与温度的关系，将其拆分为办公电量和工业电量两部分，分别建立模型进行预测，模型预测误差控制在3%以内。经验证该模型也适用于其他大工业用户的负荷预测，具有一定的普遍性和实用性。该负荷预测结果可应用于配电网规划、市场营销、综合能源服务等方面，具有良好的应用前景。