CN110956329B - 基于分布式光伏与电动汽车时空分布的负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于分布式光伏与电动汽车时空分布的负荷预测方法，该方法步骤为：S1：分别建立光伏时空负荷预测模型和电动汽车充电负荷时空预测模型；S2：采用层次分析法确定各项影响指标之间的权重、采用模糊综合评价法进行各项影响指标的综合评价，确定各项影响指标下的综合配比；S3：分布式光伏时间出力预测模型由LS‑SVM模型的预测结果进行相应规划区的配比计算即可得到各规划区光伏出力大小；S4：充电负荷时空预测模型由基于出行时间概率转移矩阵下的蒙特卡洛算法预测得出；S5：将上述预测结果与传统电力负荷进行叠加，获得城市配电网综合负荷的时空分布情况。本发明得到的空间负荷预测值能为城市配电网规划提供重要参考。

Description

基于分布式光伏与电动汽车时空分布的负荷预测方法

技术领域

本发明属于城市配电网空间负荷预测技术领域，具体地说是一种基于分布式光伏与电动汽车时空分布的负荷预测方法。

背景技术

随着城市配电网规划的完善以及智能电网建设的不断推进，大量分布式能源、分布式储能、智能用电设备等多元主体不断接入配电侧电力结构中，给配电网空间负荷预测带来新形势下的严峻挑战。

根据城市空间发展规划，屋顶分布式光伏与公共建筑、居民住宅以及工业园区等基础设施天然契合，具有巨大的发展潜力；同时，电动汽车续航能力的提升与充电设施的不断完善极大地促进了电动汽车在城市的保有量。因此，大规模屋顶分布式光伏电源与电动汽车充电负荷的高比例渗透影响了城市电网源荷时空分布特性：时间分布上，光伏出力受天气、光照等因素影响，用户的出行习惯与电动汽车充电时间密切相关；空间分布上，不同规划区内建筑结构与地理位置的差异将造成屋顶光伏在空间出力分布上的随机性，而用户出行目的地的随机转移将影响各功能区的充电负荷差异。因此，如何在计及光伏和电动汽车时空随机分布的情况下实现有效的配电网空间负荷预测，是一个亟待解决的问题。

对于配电网空间负荷预测的研究，不仅局限于用地仿真法、负荷密度指标法、智能算法下传统用电负荷的空间预测，还基于交通出行矩阵、停车生成率等进行电动汽车空间负荷预测。对于光伏空间负荷预测的研究大多涉及光伏电站时空相关性下的并网规划。一部分文献结合光伏与电动汽车对负荷影响的历年数据，采用LS-SVM算法进行空间负荷预测。一部分考虑屋顶光伏安装结构与电动汽车停车需求概率预测远景年的空间负荷。然而，上述文献大多侧重于传统负荷在空间分布上的特性，所涉及的新能源规划大多只包含单一的光伏或电动汽车，对于充分挖掘光伏与电动汽车时空分布的具体影响因素与特性涉及较少。

发明内容

本发明的目的是针对现有技术存在的问题，提供一种基于分布式光伏与电动汽车时空分布的负荷预测方法；该方法在在考量屋顶分布式光伏与电动汽车的时空分布特性的基础上，为城市配电网的空间负荷预测提供新形势下的合理的参考。

本发明的目的是通过以下技术方案解决的：

一种基于分布式光伏与电动汽车时空分布的负荷预测方法，

S1：屋顶分布式光伏、电动汽车充电负荷和传统电力负荷在时空分布上具有一定的独立性，故分别建立光伏时空负荷预测模型和电动汽车充电负荷时空预测模型；

S2：光伏在空间上的出力主要以屋顶光伏的形式呈现，而不同规划区用地的建筑结构、地理位置等多项因素会对屋顶光伏出力造成很大程度的影响，故采用层次分析法确定对屋顶分布式光伏出力造成影响的各项影响指标之间的权重、采用模糊综合评价法进行各项影响指标的综合评价，最终确定各项影响指标下的综合配比；

S3：分布式光伏时间出力预测模型由LS-SVM模型的预测结果进行相应规划区的配比计算即可得到各规划区光伏出力大小；

S4：充电负荷时空预测模型由基于出行时间概率转移矩阵下的蒙特卡洛算法预测得出；

S5：综合光伏时空负荷预测模型和电动汽车充电负荷时空预测模型预测得到的结果，与传统电力负荷进行叠加，即可得城市配电网综合负荷的时空分布情况。

进一步，所述步骤S2光伏空间出力配比模型的构建中，对于层次分析法评价因素的确定与划分，本发明将城市规划区划分为居民住宅区、商业区和工业区，选取主要七项指标建立评价因素集U＝{u₁,u₂,u₃,u₄,u₅,u₆,u₇}，如表1所示：

表1评价因素集

在考量上述各项指标的基础之上构成配比评语集V＝{v₁,v₂,v₃}，即各规划区的配比评语越高，光伏出力的占比则越大，如表2所示：

表2评语集

进一步，所述步骤S2光伏空间出力配比模型的构建中，对于模糊综合评价法中单项因素隶属函数的建立，由于评语集以各规划区的分类来衡量配比权重，故针对各项因素指标采用统一的隶属度函数来评判各规划区相应指标的优劣。

屋顶可利用率隶属度函数如式(1)所示，城市建筑屋顶主要分为水平和倾斜两种，大多为南北朝向，而带东/北坡的倾斜屋顶不适合安装光伏面板，且不同规划区的屋顶管道、遮阳面、空调架等存在不同程度的影响，故屋顶可利用率是影响光伏出力的因素指标之一。其隶属度函数选用升半正态分布，隶属度越高重要性越大。

式(1)中，u₁表示屋顶可利用率，C₁(u₁)表示相应的隶属度。

白天传统电力负荷密度的隶属度函数如式(2)所示。白天传统电力负荷密度越高意味着该规划区在白天的电力需求越密集，相应地可配一定程度的屋顶光伏出力来支撑传统电力负荷，故其隶属度函数选用升半正态分布。

式(2)中，u₂表示白天传统电力负荷密度且单位为W/m2，C₂(u₂)表示相应的隶属度。

高层建筑占比的隶属度函数如式(3)所示。光伏组件单体面积大，屋顶光伏面板所处的建筑物高度越高，其风荷载越大，安装与维护的成本越高，不利于屋顶光伏的稳定发展，故规划区内高层建筑比的隶属度函数取降半正态分布，隶属度越高重要性越小。

式(3)，u₃表示高层建筑占比，C₃(u₃)表示相应的隶属度。

光伏上网电价的隶属度函数如式(4)所示。高电价在一定程度上能促进屋顶分布式光伏的发展，但超过一定幅值的电价可能对用户的积极性和普及率造成影响，阻碍屋顶光伏的发展，故光伏上网电价的隶属度函数取正态分布。

式(4)，u₄表示光伏上网电价且单位为元/kWh，C₄(u₄)表示相应的隶属度。

光伏财政补贴的隶属度函数如式(5)所示。各规划区不同的财政补贴政策有利于屋顶光伏的发展，而越高补贴下的提升，其发展的增长率会变缓，故光伏财政补贴隶属度函数取升半柯西分布。

式(5)，u₅表示光伏财政补贴且单位为万元，C₅(u₅)表示相应的隶属度。

热岛效应温度的隶属度函数如式(6)所示。随着城市化的不断发展，各规划区之间的热岛效应越来越明显，以不同程度的温度差异影响着屋顶光伏的发展。由于平均温度与光伏出力具有一次函数相关性，故其隶属度函数取升一次函数分布。

式(6)中，u₆表示热岛效应温度且单位为℃，C₆(u₆)表示相应的隶属度。

交通流量等级隶属度分析如式(7)所示。交通流量等级的区别在一定程度上反映了不同规划区的经济流动情况，屋顶光伏的发展与等级之间存在一定的正比关系，故其隶属函数取降一次函数分布(1～10等级)：

式(7)中，u₇表示交通流量等级，C₇(u₇)表示相应的隶属度；

确定各因素指标对评语集的隶属度函数后，可形成隶属度函数矩阵R，如下所示：

式(8)中，上标H、B和I分别表示各因素指标在住宅区、商业区和工业区的隶属度。

进一步，所述步骤S2的光伏空间出力配比模型的构建中，对于模糊综合评价法中各因素指标权重的确定，由于各因素指标对评语集重要程度的关系复杂，难以直观地给出各项权重，故引入层次分析法中矩阵判断标度，通过两两因素指标之间的重要性来构成相关联的有序层次，减少一定程度的主观判断。矩阵判断标度如表3所示。

表3矩阵判断标度

进一步，所述步骤S2光伏空间出力配比模型的构建中，对于模糊综合评价集，为兼顾各规划区的配比，较好地依权重大小进行评价，本发明采用加权平均型模糊合成算子并对其进行归一化处理，计算总评价集B，如式(9)所示

式(9)中，B_k为第k个规划区的配比；E_l为第l个因素指标所占的权重；R_l,k为第l个因素指标对第k个规划区的评价隶属度。

进一步，所述步骤S3光伏时间出力预测模型的构建中，对于训练样本的选取与处理，由于光伏出力受季节和天气的影响，故选取同一季节同一天气情况下的数据作为历史数据样本，包括一天的平均温度、平均湿度、最高温度、最低温度和各时段的光伏出力值。为充分利用各样本间的相关性，选取以下特性指标组成模型训练样本：

1)前两天的样本日同一预测点负荷、平均湿度、最高温度、最低温度、平均温度。

2)前一天的样本日同一预测点负荷、平均湿度、最高温度、最低温度、平均温度。

3)预测日的平均湿度、最高温度、最低温度、平均温度。

其中，温度、湿度数据进行归一化处理，负荷数据进行对数归一化处理。

对于核函数的确定，径向基函数将样本数据非线性变换到高维空间中，能够处理输入、输出为非线性关系的情况，且表示形式简单，参数设置少，故采用径向基函数作为回归模型中的核函数：

式(10)中，K(x,x_i)为核函数，x是m维输入向量；x_i是第i个径向基函数的中心；

为核宽度，决定了该函数围绕中心点的宽度；||x-x_i||是向量x-x_i的范数，表示x与x_i之间的距离。

对于模型参数的确定，LS-SVM(least squares support vectormachine，最小二乘支持向量机)模型在建模过程中要确定2个重要参数：正则化参数γ和径向基核函数宽度

γ作为平衡因子，控制优化目标超出误差的惩罚程度；

影响模型的预测性能。故本发明采用粒子群算法自动迭代优化选取γ和

提高预测精度。适应度函数为预测结果的平均绝对百分误差比：

式(11)中，f_adp为适应度函数，T_pv为预测的总时段数；W_t为第t个时段内实测的出力值；

为第t个时段内预测的出力值。

基于所建立的LS-SVM预测模型，整体的光伏时间出力预测流程如图2所示。

进一步，所述步骤S4电动汽车空间负荷预测模型的构建中，对于电动汽车时空分布的描述，电动汽车充电负荷与一般性负荷的区别在于其随机流动性所带来的负荷转移，是一个随机离散的过程，并具有一定程度的概率特性，故参考马尔科夫链的状态转移过程来描述电动汽车的时空分布特性。

电动汽车的出行与用户的目的地密切相关，依据上文对城市规划区的划分，任意一个时刻t，电动汽车共有四种状态：停在住宅区、停在商业区、停在工业区和行驶中，且不同状态转移之间存在一定的概率

i,j∈{H,B,I,D}。如图3所示。H、B、I、D分别表示住宅区、商业区、工业区和行驶状态，ij任意二者组合表示由i→j的状态转移。

则任意一个时刻t，电动汽车从一个状态到另一个状态的转移概率矩阵为：

式(12)中，均以行驶目的地来表示行驶状态之间的连续，则

为0，即不存在一个行驶状态到另一个行驶状态的过程；

每行概率之和为1。

进一步，所述步骤S4电动汽车空间负荷预测模型的构建中，对于电动汽车充电负荷预测的方法，考虑凌晨时刻0的起始状态，电动汽车89％停在住宅区，4％停在商业区，2％停在工业区，5％处于行驶状态；考虑日行驶距离模型，私家车日行驶里程近似服从对数正态分布，故每时段下的行驶里程概率密度函数为：

式(13)中，d_Δ为每段行驶里程且单位为km；μ_D为日行驶里程均值，取3.7km；σ_D为行驶里程标准差，取0.9。

考虑充电决策的设置，电动汽车用户多数情况下一天一充即可保证当日的出行需求，同时为考虑到电池寿命与低电量出行保护，电池SOC(state of charge，SOC)低于20％时需充电，其满足的条件如下：

式(14)中，S_ini为初始SOC值；d_Δ(t)为t时段内行驶的里程数且单位为km；T_ch表示需充电时的时段；D_max为最大行驶里程且单位为km。充电时满足的条件如下:

式(15)中，S(t)为时段t结束时刻的SOC值；pch为充电功率；Δt为一个负荷预测时段的长度；B为电池容量；S_exp为期望充到的SOC值。

时空分布下电动汽车充电负荷预测的整体流程基于蒙特卡洛的概率随机模拟的方法进行时空充电负荷的预测，如图4所示

本发明相比现有技术有如下优点：

本发明建立了完备的屋顶光伏空间出力评价体系，在充分考量各项因素指标的基础上实现了合理的算例分析；建立了光伏时间出力预测模型，在一定的数据背景下，可实现了较精确的预测结果。

本发明建立了电动汽车空间负荷预测模型，充分考虑了电动汽车时空转移特性，实现了合理的充电负荷预测。

本发明通过叠加整合得到不同规划区整体的空间负荷预测结果，可为城市配电网的合理规划提供一定的参考。

附图说明

附图1为本发明的方法流程图；

附图2为光伏时间出力预测流程图；

附图3为电动汽车时空转移分布图；

附图4为时空分布下电动汽车充电负荷预测流程图；

附图5为各因素指标权重图；

附图6为工业区夏季晴天光伏出力预测结果图；

附图7为夏季晴天住宅区的配电网日空间负荷预测结果图；

附图8为夏季晴天商业区的配电网日空间负荷预测结果图；

附图9为夏季晴天工业区的配电网日空间负荷预测结果图。

其中：

具体实施方式

下面结合附图与实施例对本发明作进一步的说明。

步骤1：

1)根据某地区实际经验，考察评价各因素指标之间的重要性关系，确定各因素指标判断矩阵，如表4所示。

表4各因素指标判断矩阵

2)根据判断标度矩阵，采用层次分析法可计算出各因素指标之间的权重E，如图5所示。

3)某城区各规划区之间的因素指标实际数据如表5所示。

表5各规划区因素指标实际数据

4)选取该地工业区夏季晴天的屋顶光伏相关数据作为LS-SVM的历史训练样本。

5)假设该地区私家车10万辆，电动汽车渗透率为5％，具体的电动汽车参数如表6所示。初始时刻0时大部分用户在家充电，故假设住宅区0时已充至90％，工商业已充至70％，且住宅区充电站为慢充，工商业为快充，其余参数选取一致。

表6电动汽车相关参数

步骤2：将表5数据逐一代入各因素指标的隶属度函数中，得到的隶属度矩阵如式(16)所示。

根据说明书中式(9)可计算出总评价集B＝[0.2019 0.3338 0.4643]，分别表示住宅区、商业区和工业区的光伏出力配比。

步骤3：基于上述数据，工业区夏季晴天光伏时间出力预测结果如图6所示。由图6可知，受限于光照的时间特性，光伏只能在白天出力，午后左右到达峰值，且含有较大的预测误差，其余时段的预测误差不大，整体上平均绝对百分误差比为6.6％，具有较高的预测精度。

步骤4：基于光伏空间配比与工业区光伏出力预测即可预测各规划区的光伏出力情况，并与各规划区电动汽车空间负荷和传统电力负荷叠加，可得到该城在夏季晴天配电网空间负荷预测曲线，如图7-9所示。

由图7-9可知，各规划区屋顶光伏出力与配比模型一一对应，住宅区光伏出力最小，工业区光伏出力最大，并对其白天负荷高峰起到不同程度的削峰作用。不同规划区电动汽车的充电行为呈现一定的差异性，住宅区用户一般在晚上到家后陆续开始充电，负荷逐步到达高峰，且整体负荷量大；商业区与工业的充电行为类似，白天频繁的随机移动带来充电负荷的累积，下午的负荷量高于上午，整体上工业区的负荷量小。用户的充电行为与其生活密切相关，可能与传统用电习惯相吻合，造成“峰上加峰”的情况，如住宅区的夜晚时段和商业区的下午时段，加剧了规划区负荷的峰谷差。

整体上，在计及屋顶分布式光伏出力和电动汽车充电负荷的基础上，各规划区的负荷变化与传统电力空间负荷有较大的差异，主要表现在光伏出力的削峰与电动汽车负荷的增峰引起的负荷波动。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内；本发明未涉及的技术均可通过现有技术加以实现。

Claims (3)

1.一种基于分布式光伏与电动汽车时空分布的负荷预测方法，其特征在于：该方法包括以下步骤：

S1：分别建立光伏时空负荷预测模型和电动汽车充电负荷时空预测模型；

S2：采用层次分析法确定对屋顶分布式光伏出力造成影响的各项影响指标之间的权重、采用模糊综合评价法进行各项影响指标的综合评价，最终确定各项影响指标下的综合配比；

S3：分布式光伏时间出力预测模型由LS-SVM模型的预测结果进行相应规划区的配比计算即可得到各规划区光伏出力大小；

S4：充电负荷时空预测模型由基于出行时间概率转移矩阵下的蒙特卡洛算法预测得出；

S5：综合分布式光伏时空负荷预测模型和电动汽车充电负荷时空预测模型预测得到的结果，与传统电力负荷进行叠加，即可得城市配电网综合负荷的时空分布情况；

所述步骤S2中，在分布式光伏的空间出力配比模型的构建中，对于层次分析法评价因素的确定与划分，将城市规划区划分为居民住宅区v₁、商业区v₂和工业区v₃，采用屋顶可利用率u₁、白天传统负荷密度u₂、高层建筑比u₃、光伏上网电价u₄、光伏财政补贴u₅、热岛效应u₆和交通流量等级u₇计七项指标建立评价因素集U＝{u₁,u₂,u₃,u₄,u₅,u₆,u₇}，在考量上述七项指标的基础之上构成配比评语集V＝{v₁,v₂,v₃}，即各规划区的配比评语越高，光伏出力的占比则越大；

所述步骤S2中，对于模糊综合评价法中单项因素隶属函数的建立，由于评语集以各规划区的分类来衡量配比权重，故针对各项因素指标采用统一的隶属度函数来评判各规划区相应指标的优劣；

其中屋顶可利用率u₁、隶属度函数如式(1)所示，其隶属度函数选用升半正态分布，隶属度越高重要性越大，

式(1)中，u₁表示屋顶可利用率，C₁(u₁)表示相应的隶属度；

白天传统负荷密度u₂的隶属度函数如式(2)所示，隶属度函数选用升半正态分布，

式(2)中，u₂表示白天传统电力负荷密度且单位为W/m²，C₂(u₂)表示相应的隶属度；

高层建筑比u₃的隶属度函数如式(3)所示，隶属度函数取降半正态分布，隶属度越高重要性越小，

式(3)，u₃表示高层建筑占比，C₃(u₃)表示相应的隶属度；

光伏上网电价u₄的隶属度函数如式(4)所示，隶属度函数取正态分布，

式(4)，u₄表示光伏上网电价且单位为元/kWh，C₄(u₄)表示相应的隶属度；

光伏财政补贴u₅的隶属度函数如式(5)所示，隶属度函数取升半柯西分布，

式(5)，u₅表示光伏财政补贴且单位为万元，C₅(u₅)表示相应的隶属度；

热岛效应u₆的隶属度函数如式(6)所示，其隶属度函数取升一次函数分布，

式(6)中，u₆表示热岛效应温度且单位为℃，C₆(u₆)表示相应的隶属度；

交通流量等级u₇的隶属度分析如式(7)所示，其隶属函数取降一次函数分布，

式(7)中，u₇表示交通流量等级，C₇(u₇)表示相应的隶属度；

确定各因素指标对评语集的隶属度函数后，可形成隶属度函数矩阵R，如式(8)所示：

式(8)中，上标H、B和I分别表示各因素指标在住宅区、商业区和工业区的隶属度；

所述步骤S2中，对于模糊综合评价法中各因素指标权重的确定，引入层次分析法中矩阵判断标度，通过两两因素指标之间的重要性来构成相关联的有序层次，减少一定程度的主观判断；所述步骤S2中，对于模糊综合评价集，采用加权平均型模糊合成算子并对其进行归一化处理，计算总评价集B，如式(9)所示，

式(9)中，B_k为第k个规划区的配比；E_l为第l个因素指标所占的权重；R_l,k为第l个因素指标对第k个规划区的评价隶属度；

所述步骤S4中的电动汽车空间负荷预测模型中，电动汽车的出行与用户的目的地密切相关，任意一个时刻t，电动汽车共有四种状态：停在住宅区、停在商业区、停在工业区和行驶中，且不同状态转移之间存在一定的概率H、B、I、D分别表示住宅区、商业区、工业区和行驶状态，ij任意二者组合表示由i→j的状态转移，则任意一个时刻t，电动汽车从一个状态到另一个状态的转移概率矩阵为：

式(12)中，均以行驶目的地来表示行驶状态之间的连续，则为0，即不存在一个行驶状态到另一个行驶状态的过程；P_t ^trans每行概率之和为1。

2.根据权利要求1所述的基于分布式光伏与电动汽车时空分布的负荷预测方法，其特征在于：所述步骤S3中，在分布式光伏的时间出力预测模型的构建中，对于训练样本的选取与处理，由于光伏出力受季节和天气的影响，故选取同一季节同一天气情况下的数据作为历史数据样本，包括一天的平均温度、平均湿度、最高温度、最低温度和各时段的光伏出力值；

为充分利用各样本间的相关性，选取以下特性指标组成模型训练样本：1)前两天的样本日同一预测点负荷、平均湿度、最高温度、最低温度、平均温度，2)前一天的样本日同一预测点负荷、平均湿度、最高温度、最低温度、平均温度，3)预测日的平均湿度、最高温度、最低温度、平均温度；其中，温度、湿度数据进行归一化处理，负荷数据进行对数归一化处理；

对于核函数的确定，采用径向基函数作为回归模型中的核函数：

式(10)中，K(x,x_i)为核函数，x是m维输入向量；x_i是第i个径向基函数的中心；为径向基核函数宽度，决定了该函数围绕中心点的宽度；||x-x_i||是向量x-x_i的范数，表示x与x_i之间的距离；

对于模型参数的确定，正则化参数γ作为平衡因子，控制优化目标超出误差的惩罚程度；影响模型的预测性能；采用粒子群算法自动迭代优化选取γ和提高预测精度；

适应度函数为预测结果的平均绝对百分误差比：

式(11)中，f_adp为适应度函数，T_pv为预测的总时段数；W_t为第t个时段内实测的出力值；为第t个时段内预测的出力值。

3.根据权利要求1所述的基于分布式光伏与电动汽车时空分布的负荷预测方法，其特征在于：所述步骤S4中，对于电动汽车充电负荷预测的方法，考虑凌晨时刻0点的起始状态，电动汽车89％停在住宅区，4％停在商业区，2％停在工业区，5％处于行驶状态；考虑日行驶距离模型，私家车日行驶里程近似服从对数正态分布，故每时段下的行驶里程概率密度函数为：

式(13)中，d_Δ为每段行驶里程且单位为km；μ_D为日行驶里程均值且单位为km；σ_D为行驶里程标准差；

设定电动汽车用户一天一充且电池SOC低于20％时需充电，其满足的条件如下：

式(14)中，S_ini为初始SOC值；d_Δ(t)为t时段内行驶的里程数且单位为km；T_ch表示需充电时的时段；D_max为最大行驶里程且单位为km；充电时满足的条件如下:

式(15)中，S(t)为时段t结束时刻的SOC值；pch为充电功率；Δt为一个负荷预测时段的长度；B为电池容量；S_exp为期望充到的SOC值。

Images