[发明专利]一种基于非线性关联模型的气象敏感负荷功率估算方法

说明书

本发明公开了一种基于非线性关联模型及气象敏感负荷功率估算方法。包括：首先，对负荷功率及气象数据进行预处理。其次，采用不同月相似日相同时刻的负荷功率、气象数据组成“纵向”数据样本。然后，建立负荷‑气象非线性关联模型。最后，采用“纵向”样本数据辨识模型参数，并计算总负荷功率中的气象敏感负荷功率。本发明采用“纵向”数据样本消除用户用电习惯对负荷功率的影响，并考虑温度的积累效应和体感温度，构建负荷‑气象非线性关联模型，可以准确描述负荷功率与气象因素之间的相关性，且有效避免了传统方法未考虑不同季节基准负荷差异的缺陷。

技术领域

本发明属于电力系统负荷预测与负荷功率模型领域，尤其涉及一种负荷-气象非线性关联模型的气象敏感负荷功率估算方法。

背景技术

随着全球变暖趋势愈演愈烈，国民生活水平的不断提高，以空调为主的气象敏感负荷的用电功率逐年攀升，2017年北京等部分地区的夏季空调耗电占比甚至过半。研究气象敏感负荷功率的估算问题不仅能提高负荷功率模型的准确性，为夏季电网的安全稳定运行提供调控依据，也能为需求侧响应能力评估提供依据，具有重要的意义。

目前在气象敏感负荷功率曲线估算问题上，按照研究方法的不同，可分为传统的各类估算方法及采用机器学习模型的估算方法。但各种方法的总体思路均较类似，均选取部分春秋季代表日的日负荷功率曲线为基准负荷曲线样本，适当处理后计算出夏季基准负荷曲线，并从夏季总负荷曲线中减去后获得气象敏感负荷功率曲线，只是选取基准负荷代表日或对样本的处理方法不同。传统方法以最大负荷比较法及基准负荷比较法为代表，前者采用春季和秋季中气温不超过25℃的日期的日负荷曲线作为基准负荷曲线样本，但未考虑到工作日、节假日对气象敏感负荷的影响；后者选取春季和秋季所有工作日的日负荷曲线为基准负荷曲线样本，但其只考虑温度，未考虑湿度等其他气象因素的影响。采用机器学习模型的方法中，灰色预测及BP神经网络模型被应用于该问题，此类方法均选取合适的基准日负荷曲线为基准负荷样本，训练机器学习模型。此类方法的优点是能较好的考虑到负荷的增长特性。

总而言之，上述估算方法均利用无气象敏感负荷(如春秋季)的典型负荷曲线获得夏季基准负荷曲线。然而实际情况下，由于负荷的复杂性和时变性，夏季基准负荷曲线与春秋季负荷曲线可能不完全一致，从而对气象敏感负荷估算的准确性产生不利影响。

发明内容

针对以上提出的传统方法的缺陷，本发明不采用传统思路，提出了一种基于负荷-气象非线性关联模型的气象敏感负荷功率估算方法，本发明采用的技术方案如下：

一种基于非线性关联模型的气象敏感负荷功率估算方法，其特征在于，包括以下步骤：

步骤1：对某一地区或某一变电站的总负荷功率及气象数据进行数据处理，并重新排序，获得由不同月的相同日相同时刻的总负荷功率、气象数据组成“纵向”数据样本；

步骤2：建立总负荷功率、气象敏感负荷功率及各类气象信息之间的负荷-气象非线性关联模型，并利用梯度法辨识模型参数；

步骤3：将所辨识的模型参数、“纵向”的历史气象数据及总负荷功率数据代入关联模型，计算“纵向”气象敏感负荷功率曲线，并按正常时序排列得到历史每日的气象敏感负荷功率曲线。

步骤1中对总负荷功率及气象数据进行数据处理的步骤，包括数据清洗、去除基础负荷功率的长期增长量、考虑温度积累、迟滞效应和体感温湿度的各类气象因子修正计算。

对温度气象因子进行修正的步骤为：

基于温度的累积、迟滞效应对原始温度进行修正，修正公式为：

T_DayMod＝(T_day1λ_day1+T_day2λ_day2)/(λ_day1+λ_day2)