CN108985508B - 一种计及源荷协同的节点负荷预测方法 - Google Patents

Abstract

本发明公开了一种计及源荷协同的节点负荷预测方法，包括：获取节点负荷历史数据，包括负荷母线上的再生能源实际出力以及节点实际负荷；非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力；还原负荷调节状态下的节点理论负荷；将节点理论负荷和可再生能源理论出力作为输入，实际节点负荷作为输出，训练神经网络；得到源荷协同的节点总负荷预测模型；基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测；将前期预测结果输入到节点总负荷预测模型进行预测，得到最终的节点负荷预测值。可以为未来电力系统运行与调度提供较为可靠的决策依据。

Description

一种计及源荷协同的节点负荷预测方法

技术领域

本发明涉及电气工程技术领域，特别是涉及一种计及源荷协同的节点负荷预测方法，该方法用于电力系统调度运行与控制。

背景技术

传统的节点负荷预测技术，是简单地对节点历史负荷数据进行处理，然后根据历史负荷数据的特点选择合适的预测模型进行预测。

然而随着可再生能源以集中、分布的形式大规模地接入中低压电网，节点上的潮流流向发生了相应的变化，同时可再生能源发电固有的随机性和间歇性也破坏了节点负荷的波动规律，需要在节点负荷预测过程中加入对可再生能源发电的预测。

而另一方面随着电力市场的逐渐完善和相应技术的不断进步，为配合消纳可再生能源发电具有主动调节特性的负荷(电动汽车、柔性负荷、需求侧响应等)在电网中的比例也会不断提高，电网节点上的电源和负荷属性的界限逐渐变得模糊。

此时节点负荷可以根据可再生能源发电的实际出力进行调整，而节点负荷的实际需求也会影响可再生能源发电的实际出力，两者之间已经出现了耦合关系，因此再进行节点负荷预测时就要考虑这种源荷协同的影响。

源荷协同是未来电力系统安全经济运行的必然趋势，因此有必要研究同时考虑可再生能源发电和主动负荷调节能力的节点负荷预测技术。

综上所述，现有技术中对于节点负荷预测时考虑可再生能源发电的实际出力这种源荷协同的影响问题，尚缺乏有效的解决方案。

发明内容

为了解决现有技术的不足，本发明提供了一种计及源荷协同的节点负荷预测方法，本方法从历史数据中还原节点上的理论负荷和可再生能源理论出力，以表征源荷协同对节点实际负荷的影响，进而在两者分别预测的基础上对源荷协同后的节点负荷进行预测，可以为未来电力系统运行与调度提供较为可靠的决策依据。

一种计及源荷协同的节点负荷预测方法，包括：

获取节点负荷历史数据，包括负荷母线上的再生能源实际出力以及节点实际负荷；

非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力；

还原负荷调节状态下的节点理论负荷；

将节点理论负荷和可再生能源理论出力作为输入，实际节点负荷作为输出，训练神经网络；

得到源荷协同的节点总负荷预测模型；

基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测；

将前期预测结果输入到节点总负荷预测模型进行预测，得到最终的节点负荷预测值。

进一步优选的技术方案，所述可再生能源理论出力为可再生能源实际出力与可再生能源出力的调整量之和，所述节点理论负荷为节点实际负荷与负荷调整情况下可调节负荷的调整量之和。

进一步优选的技术方案，非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力时，具体公式为：

其中x为可再生能源实际出力影响因素，x′_i为非限电状态下的可再生能源实际的历史样本数据，y为可再生能源的出力，y′_i为可再生能源出力的历史样本数据，n为历史数据的样本数量，K(·)为核函数，h为核函数领域的带宽；

将限电状态下已知的可再生能源实际出力数据带入上式，可求得可再生能源限电状态下的理论出力。

进一步优选的技术方案，还原负荷调节状态下的节点理论负荷时，根据负荷调节指令数据剔除负荷调节时段的节点实际负荷数据，采用自回归移动平均模型还原负荷调节状态下的节点理论负荷，具体模型如下：

其中{Y_t}为节点负荷的时间序列，{e_t}为均值是零且独立同分布的白噪声序列，p,q分别为时间序列的滞后阶次，φ_p,θ_q分别是模型的自回归和移动平均部分的系数；

将非负荷调节状态下的节点实际负荷历史样本数据带入上式可求得节点理论负荷。

进一步优选的技术方案，源荷协同的节点总负荷预测模型为：

L_r＝g(L_As,L_Bs)

其中g(·)是以神经网络模型形式表征源荷关联关系的函数，L_Bs为节点理论负荷，L_As为可再生能源限电状态下的理论出力，L_r为节点实际总负荷。

进一步优选的技术方案，基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测，支持向量机模型为：

其中x_i为输入数据；y_i为输出数据；p为状态变量的数量；n为训练样本的数量；C为支持向量机预测模型的超参数；ξ_i为松弛变量；φ(·)为将输入数据投射到高维空间的核函数；ω和b是支持向量机预测模型待求的参数。

进一步优选的技术方案，获取节点负荷历史数据后，还需要对节点负荷历史数据进行的处理包括：清洗节点负荷历史数据，剔除其中的不良数据，对节点上的可再生能源出力数据、可调节负荷数据和常规负荷数据进行分类整理。

与现有技术相比，本发明的有益效果是：

本方法采用多种数据统计方法从历史数据中还原节点上的理论负荷和风、光可再生能源理论出力，并深入挖掘理论负荷、出力与节点实际负荷的关联关系，通过机器学习模型表征源荷协同对节点实际负荷的影响，进而实现源荷协同后的节点负荷预测，充分利用了电力系统中不断发展、丰富的量测手段和数据，顺应未来能源互联网背景下电网节点源荷协同作用的必然趋势，为电力系统运行与调度提供更为可靠的决策依据。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本发明的流程图；

图2为本发明的节点负荷组成示意图

图3为本发明的节点负荷预测神经网络模型示意图

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本申请的一种典型的实施方式中，如图1所示，一种计及源荷协同的节点负荷预测方法，包括以下步骤：

(1)从风电场、光伏电站获取风速、光照强度、数值天气预报、实际发电量等数据。从电网调度侧获取风、光可再生能源并网发电量数据，以及限电(风电场、光伏电站电量超发，影响电能质量，电网调度部门限制其发电)指令数据。从电网营销侧获取节点负荷数据，以及负荷调节(风电场、光伏电站发电不足，电网启动可中断负荷、柔性负荷等进行主动调节)指令数据；

(2)对节点上风、光可再生能源理论出力进行还原：1)剔除可再生能源限电状态下的数据，采用非参数估计方法拟合可再生能源出力曲线，再根据限电状态下的实际风速或光照强度还原可再生能源理论出力；

(3)统计销售端为应对可再生能源发电而主动调节的负荷需求，还原限电状态下的理论负荷；

(4)将历史数据中的节点理论负荷和可再生能源理论出力作为输入，实际节点负荷作为输出，训练神经网络模型，得到源荷协同的节点负荷预测模型；

基于天气预报数据和包括还原限电数据后的各类节点功率历史数据，使用支持向量机模型分别对节点理论负荷以及可再生能源理论出力进行前期预测；

(5)将节点理论负荷以及可再生能源理论出力的前期预测结果输入源荷协同的节点负荷预测模型，得到最终的节点负荷预测值。

更为详细的实施例子

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种计及源荷协同的节点负荷预测方法，其具体包括如下步骤：

(1)从风电场、光伏电站获取风速、光照强度、数值天气预报、实际发电量等数据。从电网调度侧获取风、光可再生能源并网发电量数据，以及限制发电(风电场、光伏电站电量超发，影响电能质量，电网调度部门限制其发电)指令数据。从电网营销侧获取节点负荷数据，以及负荷调节(风电场、光伏电站发电不足，电网启动可中断负荷、柔性负荷等进行主动调节)指令数据；

如图2所示，节点负荷由负荷母线上的风、光可再生能源出力以及常规负荷、可调节负荷共同组成，即：

L_r＝L_Ar+L_Br

其中L_r为节点实际总负荷，L_Ar为节点上风、光可再生能源实际出力，L_Br为节点上实际负荷。

而受电网调度部门限制发电、负荷调节行为的影响，部分时间段风、光可再生能源理论出力与实际出力，节点理论负荷与实际负荷之间并不相等，即：

L_As＝L_Ar+ΔL_A

L_Bs＝L_Br+ΔL_B

其中L_As为风、光可再生能源理论出力，ΔL_A为限制发电情况下风、光可再生能源出力的调整量，L_Bs为节点理论负荷，ΔL_B为负荷调整情况下可调节负荷的调整量。

在实际的节点总负荷预测过程中，L_Ar与L_Br未知，不能作为输入量。因此为表征源荷协同作用对节点负荷预测造成的影响，需要挖掘风、光可再生能源理论出力、节点理论负荷与节点实际总负荷之间的关联关系，即：

L_r＝f(L_As,L_Bs)

其中f(·)为表征特定关联关系的函数。

(2)将限制发电状态下的风、光可再生能源实际出力L_Ar还原为理论出力L_As：根据限制发电指令数据剔除限电时段的风、光可再生能源的出力数据，采用非参数估计方法拟合非限电状态下风、光可再生能源出力曲线，具体公式如下：

其中x为实际风速、实际光照强度等出力影响因素，x′_i为非限电状态下的实际风速、实际光照强度等的历史样本数据，y为风电场、光伏电站的出力，y′_i为风电场、光伏电站出力的历史样本数据，n为历史数据的样本数量，K(·)为核函数，h为核函数领域的带宽。

再将限电状态下已知的实际风速、实际光照强度等数据带入上式，可求得风、光可再生能源限电状态下的理论出力L_As；

(3)将负荷调节状态下的节点实际负荷L_Br还原为理论负荷L_Bs：根据负荷调节指令数据剔除负荷调节时段的节点实际负荷数据，采用自回归移动平均模型还原负荷调节状态下的节点理论负荷L_Bs，具体模型如下：

其中{Y_t}为节点负荷的时间序列，{e_t}为均值是零且独立同分布的白噪声序列，p,q分别为时间序列的滞后阶次，φ_p,θ_q分别是模型的自回归和移动平均部分的系数；

将非负荷调节状态下的节点实际负荷历史样本数据带入上式可求得节点理论负荷L_Bs；

(4)将历史数据中还原后的限制发电和负荷调节状态下的风、光可再生能源理论出力和节点理论负荷作为训练集输入，节点实际总负荷作为训练集输出，训练如图3所示神经网络模型，得到源荷协同的节点总负荷预测模型，即：

L_r＝g(L_As,L_Bs)

其中g(·)是以神经网络模型形式表征源荷关联关系的函数。

(5)基于数值天气预报数据和还原后的节点各类功率历史数据，使用支持向量机模型分别对风、光可再生能源理论出力以及节点理论负荷进行前期预测，得到风、光可再生能源理论出力预测值L_Ap和节点理论负荷预测值L_Bp

具体预测模型如下：

节点理论负荷预测时，其中x_i为输入数据，包含还原后的节点负荷历史数据、天气数据、典型日数据等；y_i为输出数据，包含节点理论负荷的预测值。

可再生能源理论出力预测时，其中x_i为输入数据，包含还原后的风电场、光伏电站等历史出力数据、天气预报数据、实际风速和光照强度数据等；y_i为输出数据，包含节点可再生能源理论出力的预测值。

其中x_i为输入数据，包含还原后的节点负荷历史数据、天气数据、典型日数据等；y_i为输出数据，包含节点理论负荷的预测值以及风、光可再生能源理论出力的预测值；

p为状态变量的数量；n为训练样本的数量；C为支持向量机预测模型的超参数；ξ_i为松弛变量；φ(·)为将输入数据投射到高维空间的核函数；ω和b是支持向量机预测模型待求的参数；

(6)将风、光可再生能源理论出力预测值和节点理论负荷预测值结果输入步骤(4)得到的源荷协同的节点总负荷预测模型，得到最终的节点负荷预测值L_p，即：

L_p＝g(L_Ap,L_Bp)

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (4)

1.一种计及源荷协同的节点负荷预测方法，其特征是，包括：

获取节点负荷历史数据，包括负荷母线上的可再生能源实际出力以及节点实际负荷；

非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力，具体公式为：

其中x为可再生能源实际出力影响因素，x′_i为非限电状态下的可再生能源实际出力影响因素的历史样本数据，y为可再生能源的出力，y_i′为非限电状态下的可再生能源出力的历史样本数据，n为历史数据的样本数量，K(·)为核函数，h为核函数领域的带宽，将限电状态下已知的可再生能源实际出力数据带入上式，可求得可再生能源限电状态下的理论出力；

还原负荷调节状态下的节点理论负荷；

将节点理论负荷和可再生能源理论出力作为输入，实际节点负荷作为输出，训练神经网络；

得到源荷协同的节点总负荷预测模型，具体模型如下：

其中{Y_t}为节点负荷的时间序列，{e_t}为均值是零且独立同分布的白噪声序列，p,q分别为时间序列的滞后阶次，φ_p,θ_q分别是模型的自回归和移动平均部分的系数，将非负荷调节状态下的节点实际负荷历史样本数据带入上式可求得节点理论负荷；

基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测，具体预测模型为：

其中x_i为输入数据；y_i为输出数据；p为状态变量的数量；n为训练样本的数量；C为支持向量机预测模型的超参数；ξ_i为松弛变量；φ(·)为将输入数据投射到高维空间的核函数；ω和b是支持向量机预测模型待求的参数；

将前期预测结果输入到节点总负荷预测模型进行预测，得到最终的节点负荷预测值。

2.如权利要求1所述的一种计及源荷协同的节点负荷预测方法，其特征是，所述可再生能源理论出力为可再生能源实际出力与可再生能源出力的调整量之和，所述节点理论负荷为节点实际负荷与负荷调整情况下可调节负荷的调整量之和。

3.如权利要求1所述的一种计及源荷协同的节点负荷预测方法，其特征是，源荷协同的节点总负荷预测模型为：

L_r＝g(L_As,L_Bs)

其中g(·)是以神经网络模型形式表征源荷关联关系的函数，L_Bs为节点理论负荷，L_As为可再生能源限电状态下的理论出力，L_r为节点实际总负荷。

4.如权利要求1所述的一种计及源荷协同的节点负荷预测方法，其特征是，获取节点负荷历史数据后，还需要对节点负荷历史数据进行的处理包括：清洗节点负荷历史数据，剔除其中的不良数据，对节点上的可再生能源出力数据、可调节负荷数据和常规负荷数据进行分类整理。

Images