4. 电网规划中的负荷与新能源出力预测

电网规划的核心矛盾，是未来若干年的负荷增长与新能源出力都具有显著不确定性，而输电线路、变电站、储能等资产一旦投运便难以频繁调整。因此，规划阶段必须把“未来会怎样”转化为可计算的输入：一条基准时序曲线，加上一组能够覆盖风险的场景集合。本节围绕这条主线，讲清时序预测、不确定性建模、场景生成与削减四个环节如何衔接。

一、时序预测：从确定性曲线到概率化输入

负荷预测通常按时间尺度分层：中长期规划关注年度最大负荷与电量，短期运行关注日曲线形状。规划中常用的是“年度峰值 + 典型日曲线”的组合。以某地区为例，假设基准年最大负荷为 1200 MW，年均增长率的点估计为 5%，则第 5 年峰值约为 1200×1.05⁵ ≈ 1532 MW。但增长率本身并不确定，若实际为 3% 或 7%，第 5 年峰值分别约为 1391 MW 和 1683 MW，差距接近 300 MW，足以改变一条 500 kV 线路的必要性判断。

新能源出力预测的对象是风电、光伏的功率时序。光伏出力具有强日周期性和季节性，风电则表现为更强的随机性与反调峰特性。规划中通常不直接使用单点预测值，而是构造“出力标幺曲线”并叠加不确定性。例如某光伏电站装机 200 MW，夏季晴天正午出力可达 0.85 p.u.（170 MW），阴天可能仅 0.25 p.u.（50 MW），两者对储能容量和调峰资源的需求完全不同。

二、不确定性建模：把“可能范围”写成数学形式

不确定性建模的任务，是为负荷和新能源出力给出可采样的概率描述。常用方法有三类：

• 参数化方法：假设预测误差服从正态分布、Beta 分布或 t 分布。例如负荷预测误差可设为均值 0、标准差为峰值的 3%～5%；光伏出力因受限于 [0, 装机] 区间，更适合用 Beta 分布描述其标幺值。
• 非参数化方法：当误差分布偏态明显时，用核密度估计或分位数回归直接给出经验分布，避免分布假设失真。
• 相关性建模：负荷与气温相关，风电与光伏在日内存在互补性，多个风电场之间出力高度相关。若忽略相关性，生成的风电场景可能同时偏高或偏低，导致备用容量被低估。工程上常用协方差矩阵或 Copula 函数刻画变量间的依赖结构。

三、场景生成：从概率分布到可计算的样本集

场景生成是把概率模型转化为有限个代表性未来。常用方法包括蒙特卡洛抽样、拉丁超立方抽样和基于 ARIMA/马尔可夫链的时序场景生成。蒙特卡洛最直接：对每个时段按分布独立抽样，组合成一条完整时序曲线。但独立抽样会破坏时序自相关性，因此实际中常先对误差做自回归建模，再抽样生成。

以 24 时段、1000 次抽样为例，可得到 1000 条日负荷曲线和 1000 条风光联合出力曲线。若直接送入规划优化模型，计算量过大，因此必须削减。

四、场景削减：用少量场景保留主要风险

场景削减的目标是在保留概率分布特征的前提下，把场景数从上千降到几十甚至十几个。同步回代削减法（Simultaneous Backward Reduction）是经典方法：每次删除一个与其他场景概率距离最小的场景，并把其概率转移到最近场景上，直到剩余场景数满足要求。距离度量常用欧氏距离或 Kantorovich 距离。

例如从 1000 个场景削减到 10 个，每个保留场景代表一个概率区间。削减后需检查两个指标：一是保留场景的概率之和是否为 1；二是削减前后关键统计量（如峰值负荷均值、风光出力标准差）的偏差是否在可接受范围（通常要求 5% 以内）。若偏差过大，应增加保留场景数或改用聚类方法（如 K-means、层次聚类）。

五、工程实现中的关键判断

实际规划中，四个环节并非单向流水线，而是需要反复校验。一个可操作的检查顺序是：先看削减后场景的峰值负荷分布是否覆盖了原始样本的 5%～95% 分位区间；再看风光联合出力的日内波动范围是否被保留；最后检查极端场景（如连续阴天 + 无风）是否被单独保留。若极端场景被削减掉，规划方案可能在极端天气下失稳。

下面给出一个可直接参考的场景削减参数表，用于 24 时段、1000 条初始场景的典型配置：

把上述流程串起来，规划人员最终得到的是：一条基准负荷曲线、一条基准风光出力曲线，以及 10 个带概率的典型场景。这组输入可直接送入以投资成本与运行成本期望值最小为目标的规划模型，用于比较“不建储能”“建 100 MW/400 MWh 储能”“建 200 MW/800 MWh 储能”等方案在不同场景下的失负荷概率与弃风弃光率。至此，预测环节才真正完成了从“猜未来”到“量化未来”的转变。