CN110648011B - 考虑光伏用户的馈线短期负荷预测方法 - Google Patents
考虑光伏用户的馈线短期负荷预测方法 Download PDFInfo
- Publication number
- CN110648011B CN110648011B CN201910726479.XA CN201910726479A CN110648011B CN 110648011 B CN110648011 B CN 110648011B CN 201910726479 A CN201910726479 A CN 201910726479A CN 110648011 B CN110648011 B CN 110648011B
- Authority
- CN
- China
- Prior art keywords
- load
- power generation
- short
- data
- feeder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000010248 power generation Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 39
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了考虑光伏用户的馈线短期负荷预测方法,包括:采集负荷数据样本;收集自然气候数据并进行异常数据处理和归一化处理;建立传统馈线负荷短期负荷预测模型;建立光伏发电负荷短期负荷预测模型;综合传统馈线负荷和光伏发电负荷的短期负荷预测结果,得到考虑光伏用户的馈线短期负荷预测结果。本发明提供的预测方法,将考虑光伏用户的馈线负荷分解成传统馈线负荷和光伏发电负荷,通过分析两者所对应的负荷影响因素,更有针对性地输出传统馈线负荷和光伏发电负荷的短期负荷预测值,再综合得出考虑光伏用户的馈线负荷的短期负荷预测结果,所得到的预测结果精度高,较好地满足电网企业对电力负荷预测的需求。
Description
技术领域
本发明涉及配电网规划技术领域,更具体的,涉及一种考虑光伏用户的馈线短期负荷预测方法。
背景技术
馈线负荷对于配电系统规划、安全运行、设备维护、负荷分析等极为重要,准确预测馈线的短期负荷可有效地降低配电系统的运行成本,减少用户停电次数,提高配电系统的供电可靠性。因此,对配电系统的馈线进行短期负荷预测有十分重要的研究意义。
随着智能配电网的发展和电力售电市场改革,电力系统中利用清洁能源发电的分布式电源越来越广泛,特别是光伏发电。当越来越多的光伏发电用户接入配电系统时,如果依旧使用传统的馈线负荷预测方法对配电系统馈线未来的负荷进行预测,光伏用户发电负荷的波动性和随机性将会使预测结果产生较大的误差,导致馈线负荷预测的结果无法满足电力系统负荷预测的精度要求。
发明内容
本发明为克服传统的馈线负荷预测方法对配电系统馈线未来的负荷进行预测时,光伏用户发电负荷预测结果存在较大误差的技术缺陷,提供一种考虑光伏用户的馈线短期负荷预测方法。
为解决上述技术问题,本发明的技术方案如下:
考虑光伏用户的馈线短期负荷预测方法,包括以下步骤:
S1:采集光伏用户的发电负荷和用电负荷,形成负荷数据样本;
S2:收集用户所在地区的自然气候数据,并对自然数据进行异常数据处理和归一化处理;
S3:建立传统馈线负荷短期负荷预测模型;
S4:建立光伏发电负荷短期负荷预测模型;
S5:综合传统馈线负荷和光伏发电负荷的短期负荷预测结果,得到考虑光伏用户的馈线短期负荷预测结果。
其中,所述步骤S1具体包括以下步骤:
S11:确定有光伏用户接入的馈线;
S12:对于光伏用户安装发电电能表和用电电能表,对传统用户只安装用电电能表;
S13:记录该馈线上发电电能表的发电负荷和用电电能表的用电负荷,形成负荷数据样本;其中,发电负荷属于光伏发电负荷,用电负荷属于传统馈线负荷。
其中,在所述步骤S2中,所述自然气候数据包括但不仅限于温度、露点、湿度、压强、风速、太阳辐照度和天气状态。
其中,在所述步骤S2中,所述的异常数据处理和归一化处理具体包括以下步骤:
S21:对自然数据进行垂直处理:设置一个水平阈值,通过判断同一日的相邻时刻负荷是否超出阈值对样本数据进行正常或异常的区分,具体计算公式为:
|L(d,t)-L(d,t-1)|>Hc(t)
其中,L(d,t)表示第d天t时刻的负荷值,Hc(t)表示水平阈值;故得到一种采用变化量的平均值作为该阈值的计算方式,具体表达为:
其中,T表示样本数据的总天数,由此去除同一日内的异常数据;
S22:对垂直处理完的自然数据进行水平处理:设置一个垂直阈值,通过判断同一时刻的相邻日负荷是否超出阈值对样本数据进行正常或异常的区别,采用公式为:
|L(d,t)-A(t)|>Hs(t)
如果L(d,t)>A(t),则:
L(d,t)=A(t)+Hs(t)
如果L(d,t)≤A(t),则:
L(d,t)=A(t)-Hs(t)
其中,L(d,t)表示第d天t时刻的负荷值,A(t)表示所有天数在t时刻的负荷平均值,Hs(t)表示水平阈值;故得到一种采用变化量的平均值作为该阈值的计算方式,具体表达为:
其中,T表示样本数据的总天数,由此去除某一时刻的异常数据;
S23:根据异常数据处理完的数据,将创建BP神经网络所需的数据变量进行归一化处理,具体公式为:
其中,XG是归一化后的数据,X是原始数据,Xmax和Xmin是对应类型数据总样本的最大值和最小值。
其中,所述步骤S3具体包括以下步骤:
S31:将传统馈线负荷分解为趋势负荷和受气象因素影响负荷;所述趋势负荷为受配电系统整体负荷数据影响的负荷,即不会受到气象因素条件影响,剩下的负荷部分则属于气象影响负荷,具体表示为:
L=Lt+Lw
其中,Lt表示趋势负荷,Lw表示受气象因素影响的负荷;趋势负荷Lt采用简单d的线性关系对L进行拟合:
Lt=at+b
其中,t表示时间参数,a,b为线性方程系数,采用最小二乘法进行估计,即:
在得到趋势负荷Lt,再用Lw=L-Lt得到受气象因素影响的负荷;
S32:利用相关系数法和趋势拟合法确定受影响的气象因素,具体为:利用相关系数法对气象因素进行筛选,皮尔逊相关系数法相关系数r的公式表达为:
当|r|=0时,表示x和y没有线性关系;当|r|=1时,表示x和y为完全确定的线性相关关系;当0<|r|<1,表示示x和y有一定的线性相关关系;确定线性相关的气象因素后,利用趋势你和法进行分析确定,具体为:
y=a+bx+ε,ε∈N(0,σ2)
其中,ε表示随机误差,服从正态分布N(0,σ2),a,b,σ2不依赖于x,并且a、b满足:
由此获得x和y之间的线性回归方程为:
通过相关系数法和趋势拟合法,确定传统馈线负荷的受影响气象因素;
S33:用BP神经网络法建立传统馈线负荷的短期负荷预测模型,具体为:将当日传统馈线负荷、下一天的日类型和下一天的受影响气象因素作为输入变量,下一天的传统馈线负荷作为输出层的输出值,通过神经网络学习,建立起传统馈线负荷预测模型,具体过程为:
其中,a1i为隐含层中第i个神经元的输出,i=1,2,……,h,表示隐含层内有h个神经元;pj为输入层的输入变量,j=1,2,……,r,表示输入层有r个输入变量;w1ij为BP神经网络输入层至隐含层的连接权值;b1i为BP神经网络输入层至隐含层的偏置;f1是BP神经网络中输入层至隐含层的映射;
其中,a2k为输出层中第k个神经元的输出,k=1,2,……,H,表示隐含层内有H个神经元;a1i如上述为隐含层中第i个神经元的输出,h=1,2,……,h,表示隐含层内有h个神经元;w2ki为BP神经网络隐含层至输出层的连接权值;b2k为BP神经网络隐含层至输出层的偏置;f2是BP神经网络中隐含层至输出层的映射;从而完成传统馈线负荷的短期负荷预测模型的建立。
其中,所述步骤S4具体包括以下步骤:
S41:按照步骤S32所述的方法,利用相关系数法和趋势拟合法确定光伏发电负荷受影响的气象因素;与传统馈线负荷不同的是光伏发电负荷直接与气象因素进行关联分析;
S42:按照步骤S33所述的方法,用BP神经网络法建立光伏发电负荷短期负荷预测模型;将受影响气象因素作为输入层的输入变量,当日的光伏发电负荷作出输出层的输出值,完成光伏发电负荷短期负荷预测模型的建立。
其中,所述步骤S5具体包括:
S51:根据传统馈线负荷的短期负荷预测模型输出传统馈线负荷预测值;
S52:根据光伏发电负荷短期负荷预测模型输出光伏发电负荷预测值;
S53:将传统馈线负荷预测值、光伏发电负荷预测值按对应的时刻节点进行合并,从而得到考虑光伏用户的馈线短期负荷预测的预测结果。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供的一种考虑光伏用户的馈线短期负荷预测方法,将考虑光伏用户的馈线负荷分解成传统馈线负荷和光伏发电负荷,通过分析两者所对应的负荷影响因素,从而调节各自BP神经网络输入层的输入变量,更有针对性地输出传统馈线负荷和光伏发电负荷的短期负荷预测值,再综合得出考虑光伏用户的馈线负荷的短期负荷预测结果,所得到的预测结果精度高,较好地满足电网企业对电力负荷预测的需求。
附图说明
图1为本发明所述方法流程示意图;
图2为实施例2中传统馈线负荷部分的温度和负荷的趋势拟合示意图;
图3为实施例2中传统馈线负荷部分的湿度和负荷的趋势拟合示意图;
图4为实施例2中传统馈线负荷部分的压强和负荷的趋势拟合示意图;
图5为实施例2中传统馈线负荷部分的风速和负荷的趋势拟合示意图;
图6为实施例2中光伏发电负荷部分的温度和负荷的趋势拟合示意图;
图7为实施例2中光伏发电负荷部分的露点和负荷的趋势拟合示意图;
图8为实施例2中光伏发电负荷部分的湿度和负荷的趋势拟合示意图;
图9为实施例2中光伏发电负荷部分的太阳辐照强度和负荷的趋势拟合示意图;
图10为实施例2中光伏发电负荷部分的天气状态和负荷的趋势拟合示意图;
图11为为实施例2中考虑光伏用户的馈线短期负荷预测结果示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,考虑光伏用户的馈线短期负荷预测方法,包括以下步骤:
S1:采集光伏用户的发电负荷和用电负荷,形成负荷数据样本;
S2:收集用户所在地区的自然气候数据,并对自然数据进行异常数据处理和归一化处理;
S3:建立传统馈线负荷短期负荷预测模型;
S4:建立光伏发电负荷短期负荷预测模型;
S5:综合传统馈线负荷和光伏发电负荷的短期负荷预测结果,得到考虑光伏用户的馈线短期负荷预测结果。
更具体的,所述步骤S1具体包括以下步骤:
S11:确定有光伏用户接入的馈线;
S12:对于光伏用户安装发电电能表和用电电能表,对传统用户只安装用电电能表;
S13:记录该馈线上发电电能表的发电负荷和用电电能表的用电负荷,形成负荷数据样本;其中,发电负荷属于光伏发电负荷,用电负荷属于传统馈线负荷。
更具体的,在所述步骤S2中,所述自然气候数据包括但不仅限于温度、露点、湿度、压强、风速、太阳辐照度和天气状态。
更具体的,在所述步骤S2中,所述的异常数据处理和归一化处理具体包括以下步骤:
S21:对自然数据进行垂直处理:设置一个水平阈值,通过判断同一日的相邻时刻负荷是否超出阈值对样本数据进行正常或异常的区分,具体计算公式为:
|L(d,t)-L(d,t-1)|>Hc(t)
其中,L(d,t)表示第d天t时刻的负荷值,Hc(t)表示水平阈值;故得到一种采用变化量的平均值作为该阈值的计算方式,具体表达为:
其中,T表示样本数据的总天数,由此去除同一日内的异常数据;
S22:对垂直处理完的自然数据进行水平处理:设置一个垂直阈值,通过判断同一时刻的相邻日负荷是否超出阈值对样本数据进行正常或异常的区别,采用公式为:
|L(d,t)-A(t)|>Hs(t)
如果L(d,t)>A(t),则:
L(d,t)=A(t)+Hs(t)
如果L(d,t)≤A(t),则:
L(d,t)=A(t)-Hs(t)
其中,L(d,t)表示第d天t时刻的负荷值,A(t)表示所有天数在t时刻的负荷平均值,Hs(t)表示水平阈值;故得到一种采用变化量的平均值作为该阈值的计算方式,具体表达为:
其中,T表示样本数据的总天数,由此去除某一时刻的异常数据;
S23:根据异常数据处理完的数据,将创建BP神经网络所需的数据变量进行归一化处理,具体公式为:
其中,XG是归一化后的数据,X是原始数据,Xmax和Xmin是对应类型数据总样本的最大值和最小值。
更具体的,所述步骤S3具体包括以下步骤:
S31:将传统馈线负荷分解为趋势负荷和受气象因素影响负荷;所述趋势负荷为受配电系统整体负荷数据影响的负荷,即不会受到气象因素条件影响,剩下的负荷部分则属于气象影响负荷,具体表示为:
L=Lt+Lw
其中,Lt表示趋势负荷,Lw表示受气象因素影响的负荷;趋势负荷Lt采用简单d的线性关系对L进行拟合:
Lt=at+b
其中,t表示时间参数,a,b为线性方程系数,采用最小二乘法进行估计,即:
在得到趋势负荷Lt,再用Lw=L-Lt得到受气象因素影响的负荷;
S32:利用相关系数法和趋势拟合法确定受影响的气象因素,具体为:利用相关系数法对气象因素进行筛选,皮尔逊相关系数法相关系数r的公式表达为:
当|r|=0时,表示x和y没有线性关系;当|r|=1时,表示x和y为完全确定的线性相关关系;当0<|r|<1,表示示x和y有一定的线性相关关系;确定线性相关的气象因素后,利用趋势你和法进行分析确定,具体为:
y=a+bx+ε,ε∈N(0,σ2)
其中,ε表示随机误差,服从正态分布N(0,σ2),a,b,σ2不依赖于x,并且a、b满足:
由此获得x和y之间的线性回归方程为:
通过相关系数法和趋势拟合法,确定传统馈线负荷的受影响气象因素;
S33:用BP神经网络法建立传统馈线负荷的短期负荷预测模型,具体为:将当日传统馈线负荷、下一天的日类型和下一天的受影响气象因素作为输入变量,下一天的传统馈线负荷作为输出层的输出值,通过神经网络学习,建立起传统馈线负荷预测模型,具体过程为:
其中,a1i为隐含层中第i个神经元的输出,i=1,2,……,h,表示隐含层内有h个神经元;pj为输入层的输入变量,j=1,2,……,r,表示输入层有r个输入变量;w1ij为BP神经网络输入层至隐含层的连接权值;b1i为BP神经网络输入层至隐含层的偏置;f1是BP神经网络中输入层至隐含层的映射;
其中,a2k为输出层中第k个神经元的输出,k=1,2,……,H,表示隐含层内有H个神经元;a1i如上述为隐含层中第i个神经元的输出,h=1,2,……,h,表示隐含层内有h个神经元;w2ki为BP神经网络隐含层至输出层的连接权值;b2k为BP神经网络隐含层至输出层的偏置;f2是BP神经网络中隐含层至输出层的映射;从而完成传统馈线负荷的短期负荷预测模型的建立。
更具体的,所述步骤S4具体包括以下步骤:
S41:按照步骤S32所述的方法,利用相关系数法和趋势拟合法确定光伏发电负荷受影响的气象因素;与传统馈线负荷不同的是光伏发电负荷直接与气象因素进行关联分析;
S42:按照步骤S33所述的方法,用BP神经网络法建立光伏发电负荷短期负荷预测模型;将受影响气象因素作为输入层的输入变量,当日的光伏发电负荷作出输出层的输出值,完成光伏发电负荷短期负荷预测模型的建立。
更具体的,所述步骤S5具体包括:
S51:根据传统馈线负荷的短期负荷预测模型输出传统馈线负荷预测值;
S52:根据光伏发电负荷短期负荷预测模型输出光伏发电负荷预测值;
S53:将传统馈线负荷预测值、光伏发电负荷预测值按对应的时刻节点进行合并,从而得到考虑光伏用户的馈线短期负荷预测的预测结果。
在具体实施过程中,本发明提供的一种考虑光伏用户的馈线短期负荷预测方法,将考虑光伏用户的馈线负荷分解成传统馈线负荷和光伏发电负荷,通过分析两者所对应的负荷影响因素,从而调节各自BP神经网络输入层的输入变量,更有针对性地输出传统馈线负荷和光伏发电负荷的短期负荷预测值,再综合得出考虑光伏用户的馈线负荷的短期负荷预测结果,所得到的预测结果精度高,较好地满足电网企业对电力负荷预测的需求。
实施例2
更具体的,在实施例1的基础上,选取广东省汕头市的一条考虑光伏用户的馈线作为实验研究对象,连续15天采集考虑光伏用户的馈线日负荷数据,气象数据,供电日日类型。
在具体实施过程中,传统馈线负荷与气象因素(温度、露点、湿度、压强、风速、太阳辐照强度和天气状态)之间的相关系数r如下:
从相关系数r可分析出,该考虑光伏用户的馈线中传统馈线负荷部分的主要受影响气象因素有温度、湿度、压强和风速,再用趋势拟合法判别它们的相关性,趋势拟合曲线如图2-图5所示。从中可看出传统馈线负荷与温度和风速有明显的正相关关系,与湿度和压强有明显的负相关关系,因此将温度、湿度、压强和风速作为BP神经网络输入层的输入变量。
在具体实施过程中,传统馈线负荷除了受影响气象因素影响,还与供电日日类型有关系。因此在建立BP神经网络时,输入层的输入变量包括当日的传统馈线负荷、下一天的日类型和下一天的受影响气象因素,输出层的输出值是下一天的传统馈线负荷;通过神经网络学习,建立起传统馈线负荷预测模型;当输入预测日前一天的96个传统馈线负荷节点、预测日的日类型和预测日的受影响气象因素数据,预测模型将输出预测日的96个传统馈线负荷预测值。
在具体实施过程中,光伏发电负荷与气象因素(温度、露点、湿度、压强、风速、太阳辐照强度和天气状态)之间的相关系数r如下:
从相关系数r可分析出,该考虑光伏用户的馈线中光伏发电负荷部分的主要受影响气象因素有温度、露点、湿度、太阳辐照强度和天气状态;再用趋势拟合法判别它们的相关性,趋势拟合曲线如6-图10所示:从中可看出光伏发电负荷与温度和太阳辐照强度有明显的正相关关系,与露点、湿度和天气状态有明显的负相关关系。特别是太阳辐照强度,接近于完全正相关,符合光伏发电与太阳辐照强度的实际关系。因此将温度、露点、湿度、太阳辐照强度和天气状态作为中BP神经网络输入层的输入变量。
在具体实施过程中,在建立BP神经网络时,输入层的输入变量只包括以上分析得出的当日受影响气象因素数据,输出层的输出值是当日的光伏发电负荷。通过神经网络学习,建立起光伏发电负荷预测模型。当输入预测日的受影响气象因素数据,预测模型将输出预测日的96个光伏发电负荷预测值。
在具体实施过程中,将预测模型所输出预测日的96个传统馈线负荷预测值与96个光伏发电负荷预测值按对应的时刻节点进行合并,得出96个考虑光伏用户的馈线负荷预测值,则为考虑光伏用户的馈线短期负荷预测的预测结果。如图11所示,是该实验实例采用本专利提出的考虑光伏用户的馈线短期负荷预测方法的预测结果,以及现有的直接采取BP神经网络法预测考虑光伏用户的馈线短期负荷的预测结果与实际真实值的比较,通过预测曲线和实际真实曲线的对比,进一步证明本专利所提出考虑光伏用户的馈线短期负荷预测方法的有效性,预测效果较好,精确度高,较好地满足电网企业对电力负荷预测的需求。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.考虑光伏用户的馈线短期负荷预测方法,其特征在于,包括以下步骤:
S1:采集光伏用户的发电负荷和用电负荷,形成负荷数据样本,具体包括以下步骤:
S11:确定有光伏用户接入的馈线;
S12:对于光伏用户安装发电电能表和用电电能表,对传统用户只安装用电电能表;
S13:记录该馈线上发电电能表的发电负荷和用电电能表的用电负荷,形成负荷数据样本;其中,发电负荷属于光伏发电负荷,用电负荷属于传统馈线负荷;
S2:收集用户所在地区的自然气候数据,并对自然数据进行异常数据处理和归一化处理;所述自然气候数据包括但不仅限于温度、露点、湿度、压强、风速、太阳辐照度和天气状态;
所述的异常数据处理和归一化处理具体包括以下步骤:
S21:对自然数据进行垂直处理:设置一个水平阈值,通过判断同一日的相邻时刻负荷是否超出阈值对样本数据进行正常或异常的区分,具体计算公式为:
|L(d,t)-L(d,t-1)|>Hc(t)
其中,L(d,t)表示第d天t时刻的负荷值,Hc(t)表示水平阈值;故得到一种采用变化量的平均值作为该阈值的计算方式,具体表达为:
其中,T表示样本数据的总天数,由此去除同一日内的异常数据;
S22:对垂直处理完的自然数据进行水平处理:设置一个垂直阈值,通过判断同一时刻的相邻日负荷是否超出阈值对样本数据进行正常或异常的区别,采用公式为:
|L(d,t)-A(t)|>Hs(t)
如果L(d,t)>A(t),则:
L(d,t)=A(t)+Hs(t)
如果L(d,t)≤A(t),则:
L(d,t)=A(t)-Hs(t)
其中,L(d,t)表示第d天t时刻的负荷值,A(t)表示所有天数在t时刻的负荷平均值,Hs(t)表示水平阈值;故得到一种采用变化量的平均值作为该阈值的计算方式,具体表达为:
其中,T表示样本数据的总天数,由此去除某一时刻的异常数据;
S23:根据异常数据处理完的数据,将创建BP神经网络所需的数据变量进行归一化处理,具体公式为:
其中,XG是归一化后的数据,X是原始数据,Xmax和Xmin是对应类型数据总样本的最大值和最小值;
S3:建立传统馈线负荷短期负荷预测模型,具体包括以下步骤:
S31:将传统馈线负荷分解为趋势负荷和受气象因素影响负荷;所述趋势负荷为受配电系统整体负荷数据影响的负荷,即不会受到气象因素条件影响,剩下的负荷部分则属于气象影响负荷,具体表示为:
L=Lt+Lw
其中,Lt表示趋势负荷,Lw表示受气象因素影响的负荷;趋势负荷Lt采用简单d的线性关系对L进行拟合:
Lt=at+b
其中,t表示时间参数,a,b为线性方程系数,采用最小二乘法进行估计,即:
在得到趋势负荷Lt,再用Lw=L-Lt得到受气象因素影响的负荷;
S32:利用相关系数法和趋势拟合法确定受影响的气象因素,具体为:利用相关系数法对气象因素进行筛选,皮尔逊相关系数法相关系数r的公式表达为:
当|r|=0时,表示x和y没有线性关系;当|r|=1时,表示x和y为完全确定的线性相关关系;当0<|r|<1,表示示x和y有一定的线性相关关系;确定线性相关的气象因素后,利用趋势拟合法进行分析确定,具体为:
y=a+bx+ε,ε∈N(0,σ2)
其中,ε表示随机误差,服从正态分布N(0,σ2),a,b,σ2不依赖于x,并且a、b满足:
由此获得x和y之间的线性回归方程为:
通过相关系数法和趋势拟合法,确定传统馈线负荷的受影响气象因素;
S33:用BP神经网络法建立传统馈线负荷的短期负荷预测模型,具体为:将当日传统馈线负荷、下一天的日类型和下一天的受影响气象因素作为输入变量,下一天的传统馈线负荷作为输出层的输出值,通过神经网络学习,建立起传统馈线负荷预测模型,具体过程为:
其中,a1i为隐含层中第i个神经元的输出,i=1,2,……,h,表示隐含层内有h个神经元;pj为输入层的输入变量,j=1,2,……,r,表示输入层有r个输入变量;w1ij为BP神经网络输入层至隐含层的连接权值;b1i为BP神经网络输入层至隐含层的偏置;f1是BP神经网络中输入层至隐含层的映射;
其中,a2k为输出层中第k个神经元的输出,k=1,2,……,H,表示隐含层内有H个神经元;a1i如上述为隐含层中第i个神经元的输出,h=1,2,……,h,表示隐含层内有h个神经元;w2ki为BP神经网络隐含层至输出层的连接权值;b2k为BP神经网络隐含层至输出层的偏置;f2是BP神经网络中隐含层至输出层的映射;从而完成传统馈线负荷的短期负荷预测模型的建立;
S4:建立光伏发电负荷短期负荷预测模型,具体包括以下步骤:
S41:按照步骤S32所述的方法,利用相关系数法和趋势拟合法确定光伏发电负荷受影响的气象因素;与传统馈线负荷不同的是光伏发电负荷直接与气象因素进行关联分析;
S42:按照步骤S33所述的方法,用BP神经网络法建立光伏发电负荷短期负荷预测模型;将受影响气象因素作为输入层的输入变量,当日的光伏发电负荷作出输出层的输出值,完成光伏发电负荷短期负荷预测模型的建立;
S5:综合传统馈线负荷和光伏发电负荷的短期负荷预测结果,得到考虑光伏用户的馈线短期负荷预测结果,具体包括:
S51:根据传统馈线负荷的短期负荷预测模型输出传统馈线负荷预测值;
S52:根据光伏发电负荷短期负荷预测模型输出光伏发电负荷预测值;
S53:将传统馈线负荷预测值、光伏发电负荷预测值按对应的时刻节点进行合并,从而得到考虑光伏用户的馈线短期负荷预测的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726479.XA CN110648011B (zh) | 2019-08-07 | 2019-08-07 | 考虑光伏用户的馈线短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726479.XA CN110648011B (zh) | 2019-08-07 | 2019-08-07 | 考虑光伏用户的馈线短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110648011A CN110648011A (zh) | 2020-01-03 |
CN110648011B true CN110648011B (zh) | 2022-06-24 |
Family
ID=68990045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910726479.XA Active CN110648011B (zh) | 2019-08-07 | 2019-08-07 | 考虑光伏用户的馈线短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648011B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311436A (zh) * | 2020-03-17 | 2020-06-19 | 上海积成能源科技有限公司 | 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法 |
CN114069617A (zh) * | 2021-11-11 | 2022-02-18 | 广东电网有限责任公司 | 一种馈线负荷的预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104993516A (zh) * | 2015-07-16 | 2015-10-21 | 河南行知专利服务有限公司 | 一种基于光伏发电单元的微网系统 |
CN106600064A (zh) * | 2016-12-16 | 2017-04-26 | 东软集团股份有限公司 | 一种数据预测方法及装置 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105552902B (zh) * | 2016-01-25 | 2021-01-12 | 中国电力科学研究院 | 基于馈线端实时量测的配电网终端负荷超短期预测方法 |
-
2019
- 2019-08-07 CN CN201910726479.XA patent/CN110648011B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104993516A (zh) * | 2015-07-16 | 2015-10-21 | 河南行知专利服务有限公司 | 一种基于光伏发电单元的微网系统 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN106600064A (zh) * | 2016-12-16 | 2017-04-26 | 东软集团股份有限公司 | 一种数据预测方法及装置 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110648011A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A novel hybrid model for short‐term forecasting in PV power generation | |
CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN109376951B (zh) | 一种光伏概率预测方法 | |
CN112257941A (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
Dhimish et al. | Photovoltaic hot-spots fault detection algorithm using fuzzy systems | |
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110648011B (zh) | 考虑光伏用户的馈线短期负荷预测方法 | |
Gligor et al. | Artificial intelligence solution for managing a photovoltaic energy production unit | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN111709554A (zh) | 一种配电网净负荷联合预测的方法及系统 | |
CN111695736A (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN115775045A (zh) | 一种基于历史相似日和实时多维研判的光伏平衡预测方法 | |
Wang et al. | Solar power prediction with data source weighted nearest neighbors | |
CN113887833A (zh) | 一种分布式能源用户侧逐时负荷预测方法及系统 | |
CN111967919A (zh) | 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法 | |
CN111967660A (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
Grandon et al. | Electricity demand forecasting with hybrid statistical and machine learning algorithms: Case study of ukraine | |
CN116167508A (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN113191559B (zh) | 一种基于自回归选择的改进神经网短期居民负荷预测方法 | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN114707713A (zh) | 一种考虑分布式电源影响的低压配电网负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |