CN103971175A - 一种多级变电站的短期负荷预测方法 - Google Patents

Abstract

本发明提供了一种多级变电站的短期负荷预测方法，包括获取n级变电站的历史数据，并对历史数据进行预处理；对预处理后的历史数据进行处理，获得影响第n级变电站负荷的主要因素；建立预测模型，并根据待预测日的第n级变电站的气象数据以及预测模型获得第n级变电站任意时刻t的负荷预测结果；根据变电站和线路的参数计算潮流获得第n-k+1级变电站中各个变电站和第n-k级变电站中各个变电站之间的功率损耗；根据历史负荷和气象数据获得第n级变电站任意时刻t的负荷预测结果；根据第n级变电站任意时刻t的负荷预测结果以及各个功率损耗获得第n-1级变电站t时刻负荷预测结果、第n-2级变电站t时刻负荷预测结果、……以及第n-k级变电站t时刻负荷预测结果。

Description

一种多级变电站的短期负荷预测方法

技术领域

本发明属于变电站负荷预测技术领域，更具体地，涉及一种多级变电站的短期负荷预测方法。

背景技术

准确的变电站(母线节点)负荷预测是提升电网安全校核和阻塞管理精确性的重要环节，是实现电网可靠、安全、经济和高效运行的基础保障。当前，区域负荷预测的技术发展已经趋于成熟，然而变电站负荷预测的技术则研究较少。现行运行方式安排和安全校核中所需的变电站(母线节点)负荷，一般是通过将区域的负荷按比例系数分配得到。例如，区域负荷增加了1.1倍，就将各个母线的负荷都增加1.1倍进行方式安排和校核。但是，由于每个变电站的负荷不一样，其特性各异甚至可能差别很大，例如某些变压器的负荷可能下降到了0.8，而某些变压器的负荷增加到了1.5倍甚至更多。在这种情况下，就会出现方式安排和校核没有问题，但实际运行过程中部分线路和变压器过载而发生供电阻塞，降低了供电的可靠性。因此，当前这种过于粗放的配给模式无法考虑各变电站的负荷特性，往往使所制定的运行方式计划严重偏离实际运行，甚至造成实际运行中部分线路和变压器过载而发生供电阻塞，从而大大降低了***的供电可靠性和调度运行水平，亟需结合各变电站的负荷特性进行合理有效的负荷预测。

现有技术中，变电站负荷预测方法较少，对于中低压变电站(110kV以下)负荷预测方法更是少见，且大都套用区域负荷预测方法。例如趋势分析法、回归分析法、指数平滑法、单耗法、灰色模型法、负荷密度法和弹性系数法等电力负荷预测的方法。然而，变电站负荷基数小，不具有区域负荷周期规律性强的特点，简单的直接套用很难获得良好的预测效果，且现有的预测技术和方法忽略了不同电压等级变电站之间的电气特性。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种多级变电站的短期负荷预测方法，旨在解决现有的变电站(母线)负荷预测方法不分别考虑变电站负荷的负荷特性、不考虑不同电压等级变电站之间的电气连接特性，以致变电站(母线)短期负荷预测精度低等不足的问题。

本发明提供了一种多级变电站的短期负荷预测方法，包括下述步骤：

(1)获取n级变电站的历史数据，并对所述历史数据进行预处理；n为大于等于3的正整数；

(2)基于灰色关联理论分析对预处理后的历史数据进行处理，获得影响第n级变电站的负荷的主要因素；

(3)根据影响第n级变电站的负荷的主要因素建立预测模型，并根据待预测日的第n级变电站的气象数据以及所述预测模型获得第n级变电站任意时刻t的负荷预测结果；

(4)根据变电站和线路的参数计算潮流获得第n级变电站中各个变电站和第n-1级变电站中各个变电站之间的功率损耗、第n-1级变电站中各个变电站和第n-2级变电站中各个变电站之间的功率损耗、……以及第n-k+1级变电站中各个变电站和第n-k级变电站中各个变电站之间的功率损耗；k＝1、2……n；其中，以离发电厂最远的变电站为第n级，离发电厂最近的变电站为第1级；

(5)根据历史负荷和气象数据利用回归分析法获得第n级变电站任意时刻t的负荷预测结果；

(6)根据步骤(5)中的第n级变电站任意时刻t的负荷预测结果以及步骤(4)中的各个功率损耗获得第n-1级变电站t时刻负荷预测结果、第n-2级变电站t时刻负荷预测结果、……以及第n-k级变电站t时刻负荷预测结果。

其中，所述历史数据包括负荷数据和气象数据，具体为一年365天每天间隔15min共96个时段的负荷，一年365天每天日最高气温、日平均气温、日最低气温、日最高湿度、日平均湿度、日最低湿度、日最高风速、日平均风速和日降雨量。

其中，对于第n级变电站中第g个变电站，g＝1，2，…，G_n，G_n为第n级变电站中变电站的总数，所述预测模型为c₁，c₂，…，c_m为所选择的负荷的主要影响因素的标幺值，表示第n级变电站在第t时刻的负荷的标么值，A_1，t，A_2，t，…，A_m，t，A_0，t为各影响因素的权值。

其中，对所述负荷数据和气象数据进行最小二乘法处理，获得各影响因素的权值A_1，t，A_2，t，…，A_m，t，A_0，t的具体方法如下：

采用变电站历史第t时刻的365天的负荷数据p_n，g，t、已知的各气象数据x_i(i＝1，2，...，m)和公式

$\left[\begin{array}{cccc}m+1& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i& ...& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^m\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^2& ...& \underset{i=0}{\overset{n}{\mathrm{\Σ}}}{x}_i^{m+1}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^m& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^{m+1}& ...& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^{2m}\end{array}\right]\left[\begin{array}{c}{A}_{0,t}\\ A_{1,t}\\ .\\ .\\ .\\ A_{m,t}\end{array}\right]=\left[\begin{array}{c}\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{P}_{n,g,t}\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i{P}_{n,g,t}\\ .\\ .\\ .\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^m{P}_{n,g,t}\end{array}\right];(i=\mathrm{1,2},...,m;t=\mathrm{1,2},...,96)$ 获得各影响因素的权值。

其中，将变电站和线路的参数通过潮流计算得到变电站与变电站之间的传输功率损耗。

其中，所述第n-k+1级变电站中第g个变电站第t时刻的预测结果等于与第n-k+1级变电站中第g个变电站直接相连的下一级所有变电站第t时刻的预测结果与他们之间相互的损耗之和，即：

$P_{n-k+1,g,t}=\underset{1\∈g}{\overset{G_{n-k+2}}{\mathrm{\Σ}}}(P_{n-k+2,l,t}+{\mathrm{\ΔP}}_{n-k+2,l,t})$

其中，k＝2，…，n，l∈g为与第g个变电站直接相连的变电站l，G_n-k+2为第n-k+2级变电站中变电站的总数，P_{n-k+1，g，t}为第n-k+1级变电站中第g个的变电站第t时刻的预测负荷，P_n-k2，l，t为第n-k+2级变电站中第l个的变电站第t时刻的预测负荷，△P_{n-k+2，l，t}为第n-k+1级变电站中第g个的变电站与第n-k+2级变电站中第l个的变电站在第t时刻的有功功率损耗。

本发明结合不同电压等级变电站之间的电气连接特性，利用不同电压等级变电站之间的潮流关系，实现对多级变电站短期负荷的准确预测，预测精度高；同时为合理安排运行方式、动态状态估计、无功优化和电网安全校核等精益化分析计算提供数据基础和保障。

附图说明

图1为本发明提供的多级变电站的短期负荷预测方法的实现流程图；

图2为本发明实施例提供的多级变电站的结构示意图；

图3为本发明实施例提供的多级变电站短期负荷预测方法实现流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

本发明提出了一种梯级预测方法，在充分挖掘和利用变电站负荷特性的基础上，结合不同电压等级变电站之间的电气连接特性，利用不同电压等级变电站之间的潮流关系，实现对多级变电站短期负荷的准确预测，为合理安排运行方式、状态估计、无功优化和电网安全校核等精益化分析计算提供数据基础和保障。

本发明实施例提供了一种针对“500kV-220kV-110kV-35kV(10kV\6kV)”的多级变电站短期负荷预测的梯级预测方法，具体包括下述步骤：

已知待预测日的气象数据，基于梯级预测技术对多级变电站的负荷进行预测，包括：

1.获取变电站的历史数据并对数据进行预处理

1.1获取变电站的历史数据

1.1.1所涉及到的多级变电站的典型拓扑结构如图2所示：

典型多级变电站的电压等级包含有500kV、220kV、110kV、35kV和10kV，包含的变电站有10.5/500kV升压变电站、500/220kV降压变电站、500/110kV降压变电站、220/35kV降压变电站、220/10kV降压变电站、110/35kV降压变电站和110/10kV降压变电站。各变电站的上下级关系定义为：10.5/500kV的升压变电站为第一级变电站，它的下一级变电站为500/220kV和500/110kV变电站(第二级变电站)，500/220kV变电站的下一级变电站为220/35kV、220/10kV，500/110kV变电站的下一级变电站为110/35kV和110/10kV变电站(第三级变电站)。

在本发明实施例中，为了便于描述，对变电站做一个简化，具体为：将10.5/500kV变电站简称为500kV变电站，将500/220kV变电站简称为220kV变电站，将500/110kV变电站简称为110kV变电站，将220/35kV、110/35kV简称为35kV变电站，将220/10kV、110/10kV变电站简称为10kV变电站。如图2所示：

1.1.2预测10kV和35kV变电站负荷所需获取的负荷和气象数据包括：

一年365天每天间隔15min共96个时段的负荷，一年365天每天日最高气温、日平均气温、日最低气温、日最高湿度、日平均湿度、日最低湿度、日最高风速、日平均风速和日降雨量。

1.2数据预处理

1.2.1取历史负荷数据中第一天的日最大负荷作为基准值，记为y_B；取历史气象因素中第一天的气象数值作为基准值，记为x_i，B，i表示第i个气象因素。

1.2.2对数据进行归一化，将获取的历史数据分别除以所选取的基准值，即按公式(1)和(2)进行计算：

${x_i}^{\′}=\frac{x_i\left(j\right)}{x_{i,B}},i=\mathrm{1,2},...,q,j,=\mathrm{1,2},...,T---\left(1\right)$

${y_i}^{\′}=\frac{y\left(j\right)}{y_B},i=\mathrm{1,2},...,n,j,=\mathrm{1,2},...,96\×T---\left(2\right)$

其中x_i(j)表示第i个气象因素数据；y(j)表示第j个日最大负荷数据；m表示气象因素的个数；T表示总天数。

2.利用灰色关联度分析(Grey Relational Analysis)选择影响10kV和35kV变电站的负荷主要因素；灰色关联分析理论作为一种统计分析技术，是分析多种因素之间关联程度的有效方法，可在***不明确或资料不完整的情况下，对各种因素之间进行关联度分析，各种因素之间的关联度越大表明它们的相关性越大；反之，则越小。其在电力***负荷预测和影响负荷相关性分析中具有广泛的应用，本发明利用该理论可从对负荷有影响的多个气象因素中选取出对变电站的负荷影响较大的气象因素。

2.1基于归一化后的历史数据，确定分析序列，形成序列矩阵

将第1步所得的每天日最大负荷作为特征序列矩阵，记为Y＝[y_max(1)，…，y_max(j)，…，y_max(T)]，j＝1，2，…，T，T表示总天数，其中y_max(1)至y_max(T)为第1天至第T天的日最大负荷；每天的气象因素作为子序列矩阵，记为X＝[X₁，…，X_i，…，X_q]，其中i＝1，2，…，q，q表示气象因素的个数，X_i＝[x_i(1)，...，x_i(j)，...x_i(T)]，x_i(j)为第i个气象因素第j天的气象数据，形成如公式(3)所示的矩阵：

$(Y,X)=\left[\begin{array}{c}{y}_{\max }\left(1\right)\\ .\\ .\\ .\\ y_{\max }\left(j\right)\\ .\\ .\\ .\\ y_{\max }\left(T\right)\end{array}\right|\left.\begin{array}{ccccc}{x}_1\left(1\right)& ...& x_i\left(1\right)& ...& x_q\left(1\right)\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ x_1\left(j\right)& ...& x_i\left(j\right)& ...& x_q\left(j\right)\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ x_1\left(T\right)& ...& x_i\left(T\right)& ...& x_q\left(T\right)\end{array}\right]---\left(3\right)$

2.2计算负荷与气象因素的差值序列矩阵Δ_i(j)

分别取第j天的日最大负荷与第j天的各个气象因素取值之差构成差序列矩阵，矩阵中每个元素△_i(j)计算按公式(4)，△_i(j)表示第j天的日最大负荷与第i个气象因素第j天的取值之差：

△_i(j)＝|y_max(j)-x_i(j)|，i＝1，2，…，q，j＝1，2，…，T (4)

从而将式(3)转换为如式(5)所示的差值序列矩阵：

${\mathrm{\Δ}}_i\left(j\right)=\begin{array}{c}\left[\begin{array}{ccccc}{\mathrm{\Δ}}_1\left(1\right)& ...& {\mathrm{\Δ}}_i\left(1\right)& ...& {\mathrm{\Δ}}_q\left(1\right)\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ {\mathrm{\Δ}}_1\left(j\right)& ...& {\mathrm{\Δ}}_i\left(j\right)& ...& {\mathrm{\Δ}}_q\left(j\right)\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ {\mathrm{\Δ}}_1\left(T\right)& ...& {\mathrm{\Δ}}_i\left(T\right)& ...& {\mathrm{\Δ}}_q\left(T\right)\end{array}\right]---\left(5\right)\end{array}$

选择矩阵(5)中的最大值△_max和最小值△_min，即

${\mathrm{\Δ}}_{\max }=\underset{i}{\max }\underset{j}{\max }{\mathrm{\Δ}}_i\left(j\right),{\mathrm{\Δ}}_{\min }=\underset{i}{\min }\underset{j}{\min }{\mathrm{\Δ}}_i\left(j\right)---\left(6\right)$

其中i＝1，2，…，q，j＝1，2，…，T。

2.3计算负荷与气象因素的关联系数矩阵

将矩阵(5)中的△_i(j)和△_max、△_min中的代入公式(7)，得到日最大负荷与气象因素之间的关联度，形成如式(8)所示的关联度矩阵：

${\mathrm{\λ}}_i\left(j\right)=\frac{{\mathrm{\Δ}}_{\min }+{\mathrm{\ρ\Δ}}_{\max }}{{\mathrm{\Δ}}_i\left(j\right)+{\mathrm{\ρ\Δ}}_{\max }},i=\mathrm{1,2},...,q,j=\mathrm{1,2},...,T---\left(7\right)$

式中，ρ∈(0，1)为分辨系数，通常取0.5。

${\mathrm{\λ}}_i\left(j\right)=\begin{array}{c}\left[\begin{array}{ccccc}{\mathrm{\λ}}_1\left(1\right)& ...& {\mathrm{\λ}}_i\left(1\right)& ...& {\mathrm{\λ}}_q\left(1\right)\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ {\mathrm{\λ}}_1\left(j\right)& ...& {\mathrm{\λ}}_i\left(j\right)& ...& {\mathrm{\λ}}_q\left(j\right)\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ {\mathrm{\λ}}_1\left(T\right)& ...& {\mathrm{\λ}}_i\left(T\right)& ...& {\mathrm{\λ}}_q\left(T\right)\end{array}\right]---\left(8\right)\end{array}$

其中i＝1，2，…，q；j＝1，2，…，T。

2.4计算负荷与气象因素的加权关联度，即为负荷与气象的关联系数按公式(9)计算日最大负荷与第i个气象因素的加权关联度r_i：

$r_i=\underset{j=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\left(j\right){\mathrm{\λ}}_i\left(j\right),i=\mathrm{1,2},...,q;j=\mathrm{1,2},...,T---\left(9\right)$

其中，ω_i(j)为权重值，表示第j天的气象因素i与日最大负荷的关联系数λ_i(j)的权重，本发明中取

2.5选出关联系数较大的前80％的影响因素，作为影响该变电站负荷的主要因素。

至此，得到影响10kV和35kV变电站负荷的主要因素。

3.建立变电站负荷与影响因素的关系，作为10kV和35kV变电站的负荷预测模型。

3.1建立10kV和35kV变电站任意时刻t(t＝1，2，…，96)的负荷和各个主要影响因素的关系作为预测模型，形如(10)所示：

$P_{35/10,t}^{*}=A_{1,t}{c}_1+A_{2,t}{c}_2+...+A_{m,t}{c}_m+A_{0,t}---\left(10\right)$

式中，c₁，c₂，…，c_m为选择的主要影响负荷因素，表示10kV或35kV变电站在第t时刻的负荷的标么值，A_1，t，A_2，t，…，A_m，t，A_0，t为各影响因素的权值，按3.2介绍方法求取。

3.2基于历史的负荷和气象数据，采用最小二乘法，可求取得到参数A_1，t，A_2，t，....A_m，t，A_0，t。

至此，可得到10kV和35kV变电站任意t时刻(t＝1，2，…，96)的负荷预测模型。

3.3将待预测日的10kV和35kV变电站的气象数据按公式(1)归一化后，分别代入公式(10)可得到10kV和35kV变电站的预测负荷的标么值；将预测负荷的标么值按式子(11)进行换算，可得到10kV和35kV变电站预测负荷的有名值。

$P_{35/10,t}=P_{35/10,t}^{*}\×y_B---\left(11\right)$

4.采用常规的潮流计算方法对由多级变电站组成的***进行潮流计算，得到各电压等级变电站之间的损耗。基于此，采用梯级协调技术，根据第n级变电站的预测结果得到第n-1级变电站的预测结果，由10kV和35kV变电站的负荷预测结果递推得到110kV、220kV和500kV变电站的负荷预测结果。

4.1根据变电站和线路的参数计算潮流，可得到任意t时刻(t＝1，2，...，96)下，10kV和110kV变电站之间、10kV和220kV变电站之间、35kV和110kV变电站之间、35kV和220kV变电站之间、110kV和500kV变电站之间以及220kV和500kV变电站之间的功率损耗，分别记为ΔP_110-10，t、△P_220-10，t、ΔP_110-35,t、ΔP_220-35,t、ΔP_500-110,t、△P_500-220，t。

4.2综合第3.3步得到的10kV和35kV变电站任意时刻t(t＝1，2，…，96)的负荷预测结果和4.1算得的损耗，按照逐级递推的方式，根据第n级变电站的预测结果逐级递推得到第n-1级变电站的预测结果对110kV、220kV和500kV变电站的负荷进行预测，并称该技术为梯级预测技术。

110kV、220kV和500kV变电站的任意时刻t(t＝1，2，…，96)负荷预测的结果等于与他直接相连的下一级的10kV和35kV变电站对应时刻的负荷预测结果加上他们之间的有功负荷损耗，如式(12)～(14)所示。

110kV变电站t时刻预测结果：P_110,t＝P_110-35,t+ΔP_11035,t+P_110-10,t+ΔP_110-10,t (12)

220kV变电站t时刻预测结果：P_220，t＝P_220-35，t+△P_220-35，t+P_220-10，t+△P_220-10，t (13)

500kV变电站t时刻预测结果：P_500,t＝P_220，t+ΔP_500-220,t+P_110,t+ΔP_500-110,t (14)

其中P_110，t表示110kV变电站第t时刻的预测负荷，P_220，t表示220kV变电站第t时刻的预测负荷，P_500，t表示500kV变电站第t时刻的预测负荷；P_110-35，t、P_110-10，t表示与110kV变电站直接相连的35kV和10kV变电站第t时刻的预测负荷，P_220-35，t、P_220-10，t表示与220kV变电站直接相连的35kV和10kV变电站第t时刻的负荷预测结果。

至此，完成了从500kV～10kV变电站任意时刻t(t＝1，2，…，96)的负荷预测。

本发明提出的梯级预测方法在充分挖掘和利用10kV和35kV变电站负荷特性的基础上，建立负荷与主要影响因素的关系，得到预测模型；基于此，对***进行潮流计算，利用不同电压等级变电站之间的潮流关系，递推获得110kV、220kV和500kV变电站的负荷预测结果；与按比例配给方法和直接套用区域负荷预测方法相比，本发明不仅考虑了不同的气象因素与电力负荷的相关性不同，根据灰关联理论选取与电力负荷相关性较大的气象因素，再将所选取的气象因素和历史电力负荷数据对各个变电站进行负荷预测，这大大减小了因盲目选取气象因素所带来的预测误差，同时还考虑了变电站与变电站之间的电气连接特性，故本发明方法具有较高的预测精度。

为了更进一步地说明本发明实施例提供的预测方法，以下结合附图对本发明实施案例作进一步详细说明多级变电站负荷预测的过程。

已知待预测日的日最高气温、日平均气温、日最低气温、日最高湿度、日平均湿度、日最低湿度、日最高风速、日平均风速和日降雨量等气象数据，对该日间隔15min共96个时段负荷进行预测。

实施步骤1：获取所需要的历史数据如表1所示。

表1所包含的负荷和气象数据

实施步骤2：根据步骤2对负荷和气象数据进行灰关联度的计算，选取与负荷关联系数较大的前80％的气象因素作为主要影响因素。选择结果如表2所示，得到最高气温、平均气温、最低气温和最高湿度与负荷关系最大。

表22010年的负荷与气象的关联度

实施步骤3：建立任意t(t＝1，2，…，96)时刻的10kV和35kV变电站负荷预测模型。

例如，第1个时刻的负荷预测模型如下：

220/35kV变电站初级模型：P_220/15，1＝0.373—0.044x₁+0.135x₂+0.03x₃-0.110x₄；

220/10kV变电站初级模型：P_220/10，１＝0.186—0.022x₁+0.067x₂+0.015x₃—0.055x₄；

110/35kV变电站初级模型：P_110/35，１＝0.186—0.022x₁-0.067x₂+0.015x₃—0.055x₄；

110/10kV变电站初级模型：P_110/10，1＝0.093—0.011x₁+0.034x₂+0.008x₃—0.028x₄；

将待预测日的气象数据进行归一化后代入上述10kV和35kV变电站预测模型，可得到该日任意时刻t(t＝1，2，…，96)的负荷预测的标么值，按照公式(11)进行换算后得到预测负荷的有名值。

例如，第1时刻的负荷预测结果，按照公式(11)进行反归一化后结果如表3所示：

表310kV和35kV变电站负荷预测结果

实施步骤4：对***进行潮流计算，得到相邻变电站之间的有功负荷损耗，利用梯级预测技术，递推得到110kV、220kV和500kV变电站的预测负荷。

例如，采用常规的潮流计算方法或软件，对***进行潮流计算，计算得到第1时刻各级变电站之间的损耗为：

ΔP_110-10,1＝2.7MW、ΔP_110-35,1＝2.7MW、ΔP_220-10,1＝2.7MW、ΔP_220-35,1＝2.7MW、ΔP_500-110,1＝1.6MW、ΔP_500-220,1＝1.6MW。

从而得到对应第1时段，110kV、220kV和500kV变电站的预测负荷如下：

P_110，1＝P_110-35,1+P_110-10,1+ΔP_110-35,1+ΔP_110-10,1＝63.01+31.50+2.70+2.70＝99.91；

P_220,1＝P_220-35,1+P_220-10,1+ΔP_220-35,1+ΔP_220-10,1＝126.03+63.01+2.70+2.70＝194.44；

P_500,1＝P_110，1+P_220,1+ΔP_500-110,1+ΔP_500-220,1＝99.91+194.44+1.60+1.60＝297.55。

综上，110kV、220kV和500kV变电站的预测负荷如表4所示。

表4110kV、220KV和500kV的负荷预测结果

实施步骤5：对本发明方法的预测精度进行测试，选取一个星期7天的数据来进行预测误差分析，预测误差计算公式按公式(15)计算。

例如，500kV变电站的测试结果如表5所示：

表5500kV变电站7天第1时刻的实际值和预测值

实际值(MW)	预测值(MW)	相对误差(％)
			298.20	328.69	10.22
328.63	335.99	2.24
			336.12	351.00	4.43
350.72	334.14	4.73
			335.37	317.43	5.35
329.15	311.37	5.40
			344.53	328.08	4.77

220/35kV变电站的测试结果如表6所示：

表6220/35kV变电站7天第1时刻的实际值和预测值

实际值(MW)	预测值(MW)	相对误差(％)
			113.31	123.47	8.97
124.88	127.80	2.34
			127.72	127.80	0.06
133.27	124.42	6.64
			127.44	124.25	2.50
125.07	126.46	1.11
			130.92	126.64	3.27

经过测试发现，变电站的负荷预测误差基本上在10％以内，本发明所提供方法具有较高的预测精度。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种多级变电站的短期负荷预测方法，其特征在于，包括下述步骤：

(1)获取n级变电站的历史数据，并对所述历史数据进行预处理；n为大于等于3的正整数；

(2)基于灰色关联理论分析对预处理后的历史数据进行处理，获得影响第n级变电站的负荷的主要因素；

(3)根据影响第n级变电站的负荷的主要因素建立预测模型，并根据待预测日的第n级变电站的气象数据以及所述预测模型获得第n级变电站任意时刻t的负荷预测结果；

(4)根据变电站和线路的参数计算潮流获得第n级变电站中各个变电站和第n-1级变电站中各个变电站之间的功率损耗、第n-1级变电站中各个变电站和第n-2级变电站中各个变电站之间的功率损耗、……以及第n-k+1级变电站中各个变电站和第n-k级变电站中各个变电站之间的功率损耗；k＝1、2……n；其中，以离发电厂最远的变电站为第n级，离发电厂最近的变电站为第1级；

(5)根据历史负荷和气象数据利用回归分析法获得第n级变电站任意时刻t的负荷预测结果；

(6)根据步骤(5)中的第n级变电站任意时刻t的负荷预测结果以及步骤(4)中的各个功率损耗获得第n-1级变电站t时刻负荷预测结果、第n-2级变电站t时刻负荷预测结果、……以及第n-k级变电站t时刻负荷预测结果。

2.如权利要求1所述的短期负荷预测方法，其特征在于，所述历史数据包括负荷数据和气象数据，具体为一年365天每天间隔15min共96个时段的负荷，一年365天每天日最高气温、日平均气温、日最低气温、日最高湿度、日平均湿度、日最低湿度、日最高风速、日平均风速和日降雨量。

3.如权利要求1所述的短期负荷预测方法，其特征在于，对于第n级变电站中第g个变电站，g＝1，2，…，G_n，G_n为第n级变电站中变电站的总数，所述预测模型为c₁，c₂，…，c_m为所选择的负荷的主要影响因素的标幺值，表示第n级变电站在第t时刻的负荷的标么值，A_1，t，A_2，t，…，A_m，t，A_0，t为各影响因素的权值。

4.如权利要求3所述的短期负荷预测方法，其特征在于，对所述负荷数据和气象数据进行最小二乘法处理，获得各影响因素的权值A_1，t，A_2，t，…，A_m，t，A_0，t的具体方法如下：

采用变电站历史第t时刻的365天的负荷数据P_n，g，t、已知的各气象数据x_i(i＝1，2，...，m)和公式

$\left[\begin{array}{cccc}m+1& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i& ...& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^m\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^2& ...& \underset{i=0}{\overset{n}{\mathrm{\Σ}}}{x}_i^{m+1}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^m& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^{m+1}& ...& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^{2m}\end{array}\right]\left[\begin{array}{c}{A}_{0,t}\\ A_{1,t}\\ .\\ .\\ .\\ A_{m,t}\end{array}\right]=\left[\begin{array}{c}\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{P}_{n,g,t}\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i{P}_{n,g,t}\\ .\\ .\\ .\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^m{P}_{n,g,t}\end{array}\right];i=\mathrm{1,2},...,m;t=\mathrm{1,2},...,96;$ 获得各影响因素的权值。

5.如权利要求1所述的短期负荷预测方法，其特征在于，利用变电站和线路的参数通过潮流计算得到变电站与变电站之间的传输功率损耗。

6.如权利要求1所述的短期负荷预测方法，其特征在于，所述第n-k+1级变电站中第g个的变电站第t时刻的预测结果等于第n-k+1级变电站中与第g个的变电站直接相连的下一级所有变电站第t时刻的预测结果与他们之间相互的损耗之和，即：

$P_{n-k+1,g,t}=\underset{1\∈g}{\overset{G_{n-k+2}}{\mathrm{\Σ}}}(P_{n-k+2,l,t}+{\mathrm{\ΔP}}_{n-k+2,l,t})$

其中，k＝2，…，n，l∈g为与第g个变电站直接相连的变电站l，G_n-k+2为第n-k+2级变电站中变电站的总数，P_{n-k+1，g，t}为第n-k+1级变电站中第g个的变电站第t时刻的预测负荷，P_{n-k+2，l，t}第n-k+2级变电站中第l个的变电站第t时刻的预测负荷，△P_{n-k+2，l，t}为第n-k+1级变电站中第g个的变电站与第n-k+2级变电站中第l个的变电站在第t时刻的有功功率损耗。