CN105678415A - 一种分布式电源配电网的净负荷预测方法 - Google Patents

Abstract

本发明公开了一种分布式电源配电网的净负荷预测方法，确定影响预测光伏发电、风电、负荷功率的影响因子；将收集到的影响因子输入到数据整合模块，得到“净负荷”的参考值；根据所有的影响因子，初步建立SVM回归预测模型，并对所得到的样本进行训练，确定SVM的模型；根据前面得到的SVM模型，进行“净负荷”预测，得到预测结果；整理预测结果，进行合理调度。本发明大大提高了预测的精度，能输出一个较为合理的预测结果，方便了调度，降低了电网调度的成本，合理的安排了各电厂的发电量，提高了运行的经济性，具有很强的实用性和可靠性,有利于电网安全、稳定、可靠地运行。

Description

一种分布式电源配电网的净负荷预测方法

技术领域

本发明涉及新能源发电合理利用研究领域,特别是一种分布式电源配电网的净负荷预测方法。

背景技术

随着各国经济的发展，对电力需求量也越来越大，电厂和电网加大了生产力度和调配难度。然而，人类社会所面临的自然生态环境却越来越差，传统的化石能源(煤炭、石油)也日益枯竭。如何合理利用新能源和可再生能源(太阳能、风能、潮汐能等)来发电，并合理调度各能源之间的供给比例越来越成为电力市场调度运行的难点和焦点。

随着分布式能源的发展与智能电网的进步，相信以后电网将朝着各个单位智能化的方向发展，对于一个智能园区中的既含有风能，又含有太阳能的系统，除开自身运行所需的电量外，其可向整个大电网提供的电量或其所需大电网供给的电量将是智能电网所要考虑的一个重要指标。这种“净负荷”指标的需要就依赖于对智能园区风力发电功率，光伏发电功率、负荷功率的一个较为准确的预测。

考虑到风电随机性、波动性、不可预测性和光伏发电的随机性、不确定性、间歇性，以及装机容量的增加，为了避免这种大的不确定性对整个电网的影响，目前只能限制智能园区供电，这大大浪费了清洁能源的电力，也减少了以后各智能园区主的收益和积极性，不利于以后智能电网的发展。

为保证对智能园区合理可靠地调度，对“净负荷”的预测已经非常重要，“净负荷”的预测对于电网调度部门统筹规划，合理安排电网运行方式，提高电网安全性和稳定性，降低电力系统的旋转备用容量和运行成本具有重要意义。传统的预测方法见图1，其无法保证对智能园区合理可靠地调度。

世界上有的国家，如：德国，丹麦，已经有了一些成熟的预测系统，随着我国不断发展的风电和光伏发电，形成一整套的预测系统很有必要。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种分布式电源配电网的净负荷预测方法。

为解决上述技术问题，本发明所采用的技术方案是：一种分布式电源配电网的净负荷预测方法，其特征在于，包括以下步骤：

(1)确定影响预测光伏发电、风电、负荷功率的影响因子；

(2)根据计算公式“净负荷＝负荷值-风电值-光伏值”得到“净负荷”的参考值大小，判定配电网是否向主电网输送功率；具体判定过程为：当“净负荷”>0时，说明该配电网需要向主网输送功率；当“净负荷”<0时，说明该配电网需要主网输送功率；

(3)根据步骤1确定的影响因子，建立了SVM回归预测模型,

即f(x)的表达式为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x,x_i)+b$

其中b可由下式得出：

$b=\left\{\begin{array}{c}{y}_j+\mathrm{\&epsiv;}-\underset{i,j=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x_j,x_i)\\ y_j-\mathrm{\&epsiv;}-\underset{i,j=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x_j,x_i)\end{array}\right.$

式中，训练样本集为{(x_i，y_i)},其中x_i∈Rⁿ，为输入向量，即步骤1所确定的影响因子，x为预测时刻的影响因子。y_i∈Rⁿ，为与x_i相对应的输出向量，即步骤2所述的净负荷值。l为训练向本的数据点数。K(x,x_i)为核函数，在本发明专利中核函数采用RBF核函数，即

$K(x,x_i)=\exp (-\frac{{(x-x_i)}^2}{2{\mathrm{\&sigma;}}^2}),$ 其中σ＝2。

此外b表达式中ε为任意给定的不敏感损失函数，表示经验风险因素，且ε>0；

对给定的训练样本集进行训练，确定最优解α_i和并代入所述b的表达式中得到b值，随后将最优解α_i，以及b值代入所述f(x)表达式即可确定SVM回归预测模型；

(4)根据步骤3确定的SVM回归预测模型以及训练集给出某一时间段内的历史数据(x_i,y_i)，即可确定f(x)的大小，得出净负荷的预测值。

与现有技术相比，本发明所具有的有益效果为：本发明提出了一种联合风电、光伏发电、负荷的“净负荷”预测思想，采用支持向量机回归预测模型，考虑到各种可能对预测结果造成影响的影响因子均可输入该方法中当作自变量，这种联合的思想大大提高了预测的精度，能输出一个较为合理的预测结果，且无需电力调度部门再次整合多种预测结果，方便了调度，这对于电力调度部门是十分行之有效的方法，降低了电网调度的成本，合理的安排了各电厂的发电量，提高了运行的经济性，具有很强的实用性和可靠性。有利于电网安全、稳定、可靠地运行。

附图说明

图1是传统预测方法的流程图；

图2是本发明预测方法的流程图；

图3是利用实际数据做出的预测效果对比图。

具体实施方式

如图2所示，本发明的方法包括以下几个步骤：

(1)确定影响预测光伏发电、风电、负荷功率的影响因子；

(2)根据计算公式“净负荷＝负荷值-风电值-光伏值”得到“净负荷”的参考值，从而判定配电网是否向主电网输送功率；具体判定方式为：当“净负荷”>0时，说明该配电网需要向主网输送功率；当“净负荷”<0时，说明该分布式配电网需要主网输送功率；

(3)根据步骤1确定的影响因子，建立了SVM回归预测模型,其表达式f(x)的推理过程：

SVM中支持向量回归理论已经成功解决很多预测问题。支持向量回归的样本点只有一类，所求解的最优超平面是使所有样本点距最优超平面的“总偏差”达到最小。求解回归分析问题即为选择一个合适的函数使损失函数最小的过程，其中损失函数定义如下：

R[f]＝∫L(y-f(x),x)dp(x,y)(1)

式中：L(y-f(x),x)为误差函数。

求解回归问题时，支持向量机将表示结构风险因素，ε是不敏感损失函数，表示经验风险因素。若期望值和真实值之差小于允许误差ε时，损失为0；否则，损失为ε超出的部分。

支持向量回归根据是否需要升维到高维空间分为线性回归和非线性回归两种，风光荷联合预测属于典型的非线性回归问题。

对于给定的样本S＝{(x_i,y₁),…,(x_i,y_i)|x_i∈Rⁿ,y_i∈R}(其中x_i是输入量，y_i是输出量)和任意给定的不敏感损失函数ε>0，对于不能在原始空间R_n进行线性分离的样本集S，支持向量机先采用一个非线性映射将原始的低维输入空间映射到高维特征空间中，使其在高维特征空间中具有良好的线性回归特征。这种先在高维特征空间中进行线性回归，再返回到原始空间R_n中的方法称为支持向量非线性回归。支持向量非线性回归的决策函数为

式中：w为权值矢量。决策函数对输入量和输出量进行回归，完成对系统的建模，需通过训练找到参数w和b，使因此，ε回归问题便转化成最优化问题：

引入松弛变量ξ_i,ξ_i ^*(i＝1,2,...,l)，则回归问题等价为：

用Lagrange乘子法，最终得到的优化问题的对偶形式：

等式(2)可以等价写成：

$f\left(x\right)=\underset{i=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x,x_i)+b---\left(6\right)$ 式(6)中，K(x,x_i)为核函数，核函数主要作用为接受两个低维空间里的向量，能够计算出经过某个变换后在高维空间里的向量内积值。其中核函数采用多项式的形式，有K(x,x_i)＝[(x·x_i)+1]^q,q为训练样本的维数。，对于f(x)来说，l为训练向本数，而训练样本即为某段时间内的净负荷数据；

b的计算公式为：

$b=\left\{\begin{array}{c}{y}_j+\mathrm{\&epsiv;}-\underset{i,j=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x_j,x_i)\\ y_j-\mathrm{\&epsiv;}-\underset{i,j=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x_j,x_i)\end{array}\right.$

其中，y_j为所训练样本的输出量，ε为任意给定的不敏感损失函数，表示经验风险因素，且ε>0；对所需要预测的样本进行训练，确定最优解α_i和并代入所述b的表达式中得到b值，随后将最优解α_i，以及b值带入上述f(x)表达式即可确定SVM回归预测模型；

(4)将步骤2)得到的“净负荷”参考值作为历史数据作为x_i输入到步骤3所述的SVM回归模型中的f(x)表达式进行“净负荷”预测，即得到预测结果。

(5)整理预测结果，进行合理调度。

由于风电、光伏出力和负荷预测都具有比较大的不确定性，特别是风电和光伏出力，因此选用影响因子包括风速和风电场的位置，风速是影响风电较为重要的指标，而风电场的位置则是根据不同的地理位置和等高线得到不同风电场在同一时刻的风速也有却别。这与日前风功率因素可以整合在一起，成为SVM风电预测模型中的因变量。选用影响因子包括紫外线强度和最高温度，紫外线强度和最高温度是影响光伏出力的主要因素，将其与日前光伏出力功率整合在一起，成为SVM光伏出力预测模型中的因变量，选用影响因子包括负荷类型和日期特征，不同的负荷类型预测的负荷基准不一样，如：大型工厂用电比重比居民生活用电重，因此大型工厂的预测基准值较生活用电高，将其与日前负荷功率整合在一起，成为SVM负荷预测模型中的因变量。

实施例：

根据比利时电网2014年1月16日12:00-1月18日11:00，48小时的实时“净负荷”数据，预测接下来1小时即1月18日12:00的“净负荷”数。因缺少其他影响因子，暂只用日前功率来进行预测。预测的结果“净负荷”为9244315kw，实际数据为9264616kw。

当单独预测风电功率、光伏出力功率和负荷功率时，所需调度给该电网的其余出力为：9875211.12kw，而此时实际当时该电网需要的为9264616kw，相对误差为：6.5％。

用“净负荷”联合预测时，所需调度给该电网的其余出力为：9244315kw，相对误差为0.22％。通过比较，可见联合预测比单独预测的准确率更高。具体预测结果对比图如附图3所示。

Claims (2)

1.一种分布式电源配电网的净负荷预测方法，其特征在于，包括以下步骤：

1)确定影响预测光伏发电、风电、负荷功率的影响因子；

2)根据计算公式“净负荷＝负荷值-风电值-光伏值”得到“净负荷”的参考值大小，判定配电网是否向主电网输送功率；具体判定过程为：当“净负荷”>0时，说明该配电网需要向主网输送功率；当“净负荷”<0时，说明该配电网需要主网输送功率；

3)根据步骤1确定的影响因子，建立SVM回归预测模型f(x),f(x)的表达式为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x,x_i)+b;$

其中b由下式得出：

$b=\left\{\begin{array}{c}{y}_j+\mathrm{\&epsiv;}-\underset{i,j=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x_j,x_i)\\ y_j-\mathrm{\&epsiv;}-\underset{i,j=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x_j,x_i)\end{array}\right.;$

式中，训练样本集为{(x_i，y_i)},其中x_i∈Rⁿ为输入向量，对应历史时刻影响因子；x为预测时刻的影响因子；y_i∈Rⁿ为与x_i相对应的输出向量，即步骤2)所述的净负荷值；l为训练向本的数据点数；K(x,x_i)为核函数，该核函数采用RBF核函数，即其中σ＝2；ε为任意给定的不敏感损失函数，表示经验风险因素，且ε>0；

对给定的训练样本集进行训练，确定最优解α_i和并代入所述b的表达式中得到b值，随后将最优解α_i，以及b值代入所述f(x)表达式即确定SVM回归预测模型；

4)根据步骤3)确定的SVM回归预测模型以及训练样本集给出某一时间段内的历史数据(x_i,y_i)，利用支持向量机确定f(x)的大小，即得出净负荷的预测值f(x)。

2.根据权利要求1所述的分布式电源配电网的净负荷预测方法，其特征在于，所述影响因子包括风速、风电场的位置和日前风功率；或者所述影响因子包括紫外线强度、最高温度和日前光伏出力功率；或者所述影响因子包括负荷类型、日期特征和日前负荷功率。