CN112332416A - 基于光伏电采暖负荷相关性的配电网负荷预测方法及系统 - Google Patents

基于光伏电采暖负荷相关性的配电网负荷预测方法及系统 Download PDF

Info

Publication number
CN112332416A
CN112332416A CN202011263065.7A CN202011263065A CN112332416A CN 112332416 A CN112332416 A CN 112332416A CN 202011263065 A CN202011263065 A CN 202011263065A CN 112332416 A CN112332416 A CN 112332416A
Authority
CN
China
Prior art keywords
function
electric heating
copula
distribution
determining
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.)
Pending
Application number
CN202011263065.7A
Other languages
English (en)
Inventor
金国锋
徐明忻
赵立军
石勇
韩丽维
张�林
刘自发
文星雅
于普洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power University
Economic and Technological Research Institute of State Grid Inner Mongolia Electric Power Co Ltd
State Grid Eastern Inner Mongolia Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Economic and Technological Research Institute of State Grid Inner Mongolia Electric Power Co Ltd
State Grid Eastern Inner Mongolia Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power University, Economic and Technological Research Institute of State Grid Inner Mongolia Electric Power Co Ltd, State Grid Eastern Inner Mongolia Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011263065.7A priority Critical patent/CN112332416A/zh
Publication of CN112332416A publication Critical patent/CN112332416A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于光伏电采暖负荷相关性的配电网负荷预测方法及系统。该方法包括：将光伏出力和电采暖负荷分布数据均转化成服从均匀分布的随机变量，得到光伏出力随机变量和电采暖负荷随机变量，并采用二元频率直方图确定Copula函数集合；Copula函数集合中的各个函数均表示光伏出力和电采暖负荷分布数据之间的关系；采用极大似然估计法确定Copula函数集合中各个函数中的参数；将参数已知的Copula函数集合中秩相关系数最小的函数确定为最优Copula函数，以得到配电网负荷预测结果。本发明能提高配电网多元负荷预测的准确性，提升电网运行的安全性和稳定性。

Description

基于光伏电采暖负荷相关性的配电网负荷预测方法及系统
技术领域
本发明涉及电力负荷预测领域，特别是涉及一种基于光伏电采暖负荷相关性的配电网负荷预测方法及系统。
背景技术
随着我国对环境污染治理越来越重视，电能生产方面能源结构的不断调整，可再生能源占电力结构的比重也逐年上升，越来越多的多能互补、协同优化的新能源电力得到综合开发和利用。同时，电动汽车也在扩大其在市场上的保有量，其低碳环保的性能十分符合节能减排的政策。另一方面，由于北方冬季燃煤供暖会产生空气污染问题，电采暖设备得到了越来越广泛的使用。然而由于取暖电器的接入会大大提高电的使用量，造成尖峰负荷，会使得冬季负荷峰谷差进一步加剧，会危害电网安全稳定运行。因此，研究一种更准确的电采暖负荷预测方法，对电力系统的经济稳定运行、调峰、调频等功能具有重要意义。
当大量分布式电源和新型负荷接入配电网后，它们的不确定性和随机性给电力系统负荷预测带来了挑战，而解决这一挑战的做法是分析地区实际情况和现有数据并改进相关算法来提高负荷预测精度。然而现有的研究和算法，通常是对分布式电源接入后的配电网负荷预测进行调整，或是对电能替代中的电动汽车、电采暖分别进行预测，并没有综合考虑分布式电源和新型负荷同时接入的精准负荷预测方法。因此，目前的配电网负荷预测方法的预测准确度有待提高。
本专利的目的在于分析同时考虑分布式电源出力和新型负荷时的不确定性特征，并考虑光伏出力与电采暖负荷之间的相关性，提出更精准的配电网多元负荷预测方法，提高电网运行的安全稳定性。
发明内容
基于此，有必要提供一种基于光伏电采暖负荷相关性的配电网负荷预测方法及系统，同时考虑分布式电源出力和新型负荷时的不确定性特征，并考虑光伏出力与电采暖负荷之间的相关性，以提高配电网多元负荷预测的准确性，从而提升电网运行的安全性和稳定性。
为实现上述目的，本发明提供了如下方案：
一种基于光伏电采暖负荷相关性的配电网负荷预测方法，包括：
获取光伏出力和电采暖负荷分布数据；
将所述光伏出力和电采暖负荷分布数据均转化成服从均匀分布的随机变量，得到光伏出力随机变量的边缘分布和电采暖负荷随机变量的边缘分布；
基于所述光伏出力随机变量的边缘分布和所述电采暖负荷随机变量的边缘分布，采用二元频率直方图确定Copula函数集合；所述Copula函数集合中的各个函数均表示光伏出力和电采暖负荷分布数据之间的关系；所述Copula函数集合包括Gumbel-Copula函数、Clayton-Copula函数和Frank-Copula函数；
采用极大似然估计法确定所述Copula函数集合中各个函数中的参数，得到参数已知的Copula函数集合；
将所述参数已知的Copula函数集合中秩相关系数最小的函数确定为最优Copula函数；所述最优Copula函数用于表征配电网负荷预测结果。
可选的，所述获取光伏出力和电采暖负荷分布数据，具体包括：
由光照强度的概率分布函数确定光伏出力；
采用非参数估计法对电采暖日负荷曲线进行拟合确定电采暖边缘分布函数；所述电采暖边缘分布函数包括电锅炉边缘分布函数和发热电缆边缘分布函数；
由所述电采暖边缘分布函数确定电采暖负荷分布数据。
可选的，所述采用极大似然估计法确定所述Copula函数集合中各个函数中参数，得到参数已知的Copula函数集合，具体包括：
由所述光伏出力随机变量的边缘分布和所述电采暖负荷随机变量的边缘分布确定所述Copula函数集合中各个函数对应的随机变量的联合分布函数；
由各所述随机变量的联合分布函数分别计算对应的随机变量的联合密度函数；
由各所述随机变量的联合密度函数建立所述Copula函数集合中各个函数对应的随机样本的似然函数；
以所述随机样本的似然函数的对数最大为目标求解，确定所述Copula函数集合中各个函数的最优参量，从而得到参数已知的Copula函数集合。
可选的，所述将所述参数已知的Copula函数集合中秩相关系数最小的函数确定为最优Copula函数，具体包括：
计算所述参数已知的Copula函数集合中各个函数的Kendall秩相关系数和Spearman秩相关系数；
将所述Kendall秩相关系数和所述Spearman秩相关系数均最小的函数确定为最优Copula函数。
本发明还提供了一种基于光伏电采暖负荷相关性的配电网负荷预测系统，包括：
数据获取模块，用于获取光伏出力和电采暖负荷分布数据；
数据转化模块，用于将所述光伏出力和电采暖负荷分布数据均转化成服从均匀分布的随机变量，得到光伏出力随机变量的边缘分布和电采暖负荷随机变量的边缘分布；
函数集合确定模块，用于基于所述光伏出力随机变量的边缘分布和所述电采暖负荷随机变量的边缘分布，采用二元频率直方图确定Copula函数集合；所述Copula函数集合中的各个函数均表示光伏出力和电采暖负荷分布数据之间的关系；所述Copula函数集合包括Gumbel-Copula函数、Clayton-Copula函数和Frank-Copula函数；
参数估计模块，用于采用极大似然估计法确定所述Copula函数集合中各个函数中的参数，得到参数已知的Copula函数集合；
最优函数确定模块，用于将所述参数已知的Copula函数集合中秩相关系数最小的函数确定为最优Copula函数；所述最优Copula函数用于表征配电网负荷预测结果。
可选的，所述数据获取模块，具体包括：
光伏出力获取单元，用于由光照强度的概率分布函数确定光伏出力；
分布函数确定单元，用于采用非参数估计法对电采暖日负荷曲线进行拟合确定电采暖边缘分布函数；所述电采暖边缘分布函数包括电锅炉边缘分布函数和发热电缆边缘分布函数；
电采暖负荷确定单元，用于由所述电采暖边缘分布函数确定电采暖负荷分布数据。
可选的，所述参数估计模块，具体包括：
联合分布函数确定单元，用于由所述光伏出力随机变量的边缘分布和所述电采暖负荷随机变量的边缘分布确定所述Copula函数集合中各个函数对应的随机变量的联合分布函数；
联合密度函数确定单元，用于由各所述随机变量的联合分布函数分别计算对应的随机变量的联合密度函数；
似然函数构建单元，用于由各所述随机变量的联合密度函数建立所述Copula函数集合中各个函数对应的随机样本的似然函数；
求解单元，用于以所述随机样本的似然函数的对数最大为目标求解，确定所述Copula函数集合中各个函数的最优参量，从而得到参数已知的Copula函数集合。
可选的，所述最优函数确定模块，具体包括：
秩相关系数计算单元，用于计算所述参数已知的Copula函数集合中各个函数的Kendall秩相关系数和Spearman秩相关系数；
最优函数确定单元，用于将所述Kendall秩相关系数和所述Spearman秩相关系数均最小的函数确定为最优Copula函数。
与现有技术相比，本发明的有益效果是：
本发明提出了一种基于光伏电采暖负荷相关性的配电网负荷预测方法及系统，该方法基于光伏出力随机变量的边缘分布和电采暖负荷随机变量的边缘分布，采用二元频率直方图确定表示光伏出力和电采暖负荷分布数据之间的关系的Copula函数集合；采用极大似然估计法确定Copula函数集合中各个函数中的参数；将参数已知的Copula函数集合中秩相关系数最小的函数确定为最优Copula函数，以得到配电网负荷预测结果。本发明在电力系统传统负荷预测的基础上，考虑分布式电源出力以及新型负荷接入对配电网的互动影响，这样同时考虑分布式电源出力和新型负荷时的不确定性特征，以及光伏出力与电采暖负荷之间的相关性，提高了配电网多元负荷预测的准确性，从而提升电网运行的安全性和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的配电网负荷预测方法的流程图；
图2为本发明实施例提供的配电网负荷预测方法的具体实现过程图；
图3为本发明实施例中电采暖负荷经验分布函数图；
图4为本发明实施例提供的配电网负荷预测系统的结构示意图；
图5为光伏出力的频率直方图以及拟合的正态分布密度曲线示意图；
图6为采暖负荷的频率直方图以及拟合的正态分布密度曲线示意图；
图7为光伏出力的样本经验分布函数以及核光滑方法分布估计示意图；
图8为电采暖负荷的样本经验分布函数以及核光滑方法分布估计示意图；
图9为光伏-电采暖负荷的边缘分布的二元直方图；
图10为二元Gumbel-Copula密度函数和分布函数示意图；
图11为二元Clayton-Copula密度函数和分布函数示意图；
图12为二元Frank-Copula密度函数和分布函数示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的配电网负荷预测方法的流程图。
参见图1，本实施例的配电网负荷预测方法，包括：
步骤101：获取光伏出力和电采暖负荷分布数据。
所述步骤101，具体包括：
1)由光照强度的概率分布函数确定光伏出力。具体的，光伏出力由光伏输出模型f(X)计算得到，光伏输出模型f(X)采用Beta分布，如下式所示：
Figure BDA0002775257010000061
其中，X是光伏出力(光伏阵列输出的总功率)；Xsmax是光伏最大出力(光伏阵列最大发出功率)；α、β均为贝塔分布的形状参数，Γ表示伽玛分布，Γ(α+β)为α+β的伽玛分布，Γ(α)为α的伽玛分布，Γ(β)为β的伽玛分布。
Figure BDA0002775257010000062
Figure BDA0002775257010000063
其中，μ、σ分别表示光照强度的平均值和方差。
2)采用非参数估计法对电采暖日负荷曲线进行拟合确定电采暖边缘分布函数；所述电采暖边缘分布函数包括电锅炉边缘分布函数和发热电缆边缘分布函数。具体的，可采用非参数估计法中的经验分布函数或采用非参数估计法中的核密度估计方法对电采暖日负荷曲线进行拟合确定电采暖边缘分布函数。电采暖边缘分布函数可参考某地区一段时间内的累计频率直方图。
3)由所述电采暖边缘分布函数确定电采暖负荷分布数据Y。具体的，可由电锅炉累计频率直方图确定电锅炉负荷，由发热电缆累计频率直方图确定发热电缆负荷，再将电锅炉负荷和发热电缆负荷相加得到电采暖负荷分布数据。为了便于分析，也可以将电锅炉负荷和发热电缆负荷的平局值确定为电采暖负荷分布数据。
步骤102：将所述光伏出力和电采暖负荷分布数据均转化成服从均匀分布的随机变量，得到光伏出力随机变量的边缘分布和电采暖负荷随机变量的边缘分布。具体的，将所述光伏出力和电采暖负荷分布数据均转化成服从[0,1]上的均匀分布的随机变量，得到光伏出力随机变量的边缘分布U＝F(x)和电采暖负荷随机变量的边缘分布V＝G(y)，x为光伏出力中的样本数据，y为电采暖负荷分布数据中的样本数据。X与x是总体与个体的关系，Y与y同理。
步骤103：基于所述光伏出力随机变量的边缘分布和所述电采暖负荷随机变量的边缘分布，采用二元频率直方图确定Copula函数集合；所述Copula函数集合中的各个函数均表示光伏出力和电采暖负荷分布数据之间的关系；所述Copula函数集合包括Gumbel-Copula函数、Clayton-Copula函数和Frank-Copula函数。
其中，Gumbel-Copula函数：
Figure BDA0002775257010000071
Clayton-Copula函数：
Figure BDA0002775257010000072
Frank-Copula函数：
Figure BDA0002775257010000073
其中，u为光伏出力随机变量的边缘分布中的样本，v为电采暖负荷随机变量的边缘分布中的样本；U与u是总体与个体的关系，V与v同理。α1为Gumbel-Copula函数的未知参数，α2为Clayton-Copula函数的未知参数，α3为Frank-Copula函数的未知参数。
步骤104：采用极大似然估计法确定所述Copula函数集合中各个函数中的参数，得到参数已知的Copula函数集合。
所述步骤104，具体包括：
1)由所述光伏出力随机变量的边缘分布和所述电采暖负荷随机变量的边缘分布确定所述Copula函数集合中各个函数对应的随机变量(X,Y)的联合分布函数。具体为：
H(x,y；αk)＝C(F(x),G(y)；αk)；
其中，H(x,y；αk)为Copula函数集合第k个函数对应的随机变量(X,Y)的联合分布函数，k的取值为1,2,3，分别对应α1、α2和α3。
2)由各所述随机变量的联合分布函数分别计算对应的随机变量的联合密度函数。具体为：
Figure BDA0002775257010000081
其中，h(x,y；αk)为Copula函数集合第k个函数对应的随机变量(X,Y)的联合密度函数，f(x)指的是光伏出力取任意实数x时的概率密度，同理g(y)指的是电采暖取任意实数y时的概率密度。
3)由各所述随机变量的联合密度函数建立所述Copula函数集合中各个函数对应的随机样本的似然函数。具体的，样本(Xi,Yi),i＝1,2,…,n的似然函数为：
Figure BDA0002775257010000082
xi为光伏出力中的样本数据的第i个光伏出力样本，yi为电采暖负荷分布数据中的样本数据的第i个电采暖负荷样本。
4)以所述随机样本的似然函数的对数最大为目标求解，确定所述Copula函数集合中各个函数的最优参量，从而得到参数已知的Copula函数集合。其中，似然函数的对数为：
Figure BDA0002775257010000083
步骤105：将所述参数已知的Copula函数集合中秩相关系数最小的函数确定为最优Copula函数；所述最优Copula函数用于表征配电网负荷预测结果。
所述步骤105，具体包括：
1)计算所述参数已知的Copula函数集合中各个函数的Kendall秩相关系数和Spearman秩相关系数。
2)将所述Kendall秩相关系数和所述Spearman秩相关系数均最小的函数确定为最优Copula函数。
参见图2，在实际应用中，上述配电网负荷预测方法的一个具体实现过程如下：
S1：根据光照强度变量的概率分布函数曲线，获取光伏出力特性，根据典型日负荷曲线确定电采暖负荷的分布。
S2：调用corroef函数拟合光伏出力与电采暖数据得到相关系数。
S3：将变量X、Y转化成服从[0,1]上的均匀分布的随机变量U＝F(x)，V＝G(y)，为求Copula函数做准备。
S4：根据二元频率直方图选择合理的三种Copula函数来表示光伏与电采暖之间的关系。
S5：根据极大似然函数估计法求取各二元Copula函数的未知参数。
S6：对三种Copula函数求取Kendall秩相关系数和Spearman秩相关系数，选取与原始数据的这两种秩相关系数最接近的函数模型。
S7：利用蒙特卡洛模拟法从光伏-电采暖负荷Copula函数中抽取n组随机变量(Ui,Vi)，i＝1,2,3…n。
S8：对随机变量(Ui,Vi)，i＝1,2,3…n进行累积分布逆变换，产生随机的光伏出力和电采暖负荷值，生成n个服从联合分布Copula函数的场景。
S9：计算选取的理论Copula函数与经验Copula函数之间的平方欧式距离，得出模型精确度。
其中，S1：根据光照强度变量的概率分布函数曲线，获取光伏出力特性，根据典型日负荷曲线确定电采暖负荷的分布。
光伏发电的出力主要受光照强度、温度等环境因素的影响，影响参数的取值可以根据气象部门相关预测得到。
将光伏电源的出力记为随机变量X，且将其分布记为X～F(x)，x为随机变量X的具体样本。
光伏输出模型采用Beta分布，具体模型在此不再赘述。
对于电采暖负荷，可采用非参数估计法中的经验分布函数对其边缘分布进行拟合，求取其经验分布函数作为分布的近似。也可采用非参数估计法中的核密度估计方法。目前电采暖的主要方式是集中式供暖的电锅炉和分散式供暖的发热电缆。电锅炉和发热电缆的边缘分布函数可参考蒙东地区近年累计频率直方图。将电锅炉负荷与发热电缆负荷相加即为所求的电采暖负荷。
为方便分析，取电锅炉与发热电缆负荷的平均值为本例的电采暖负荷，记为随机变量Y，且将其分布记为Y～G(y)。其经验分布函数如图3所示。
S2：调用corroef函数拟合光伏出力与电采暖数据得到相关系数。
通过调用MATLAB工具箱里的corrcoef函数拟合光伏出力与电采暖负荷的数据，得到光伏出力与电采暖数据的线性相关系数ρ＝0.58，如此证明了本实施例所考虑的光伏出力与电采暖负荷之间并非相互独立的变量，需要考虑联合分布。因此，下面根据拟合度最优检验确定出最优的Copula函数。
S3：将变量X、Y转化成服从[0,1]上的均匀分布的随机变量U＝F(x)，V＝G(y)，为求Copula函数做准备。
Copula函数能够连接各种边缘分布函数，可用于连接光伏出力函数和电采暖负荷密度函数。根据Sklar定理，如果边缘分布是连续的，则必然存在唯一的Copula函数C使得公式H(x1,x2,…,xn)＝C(F1(x1),F2(x2),…,Fn(xn))成立，其中H是边缘分布分别为F1、F2、…、Fn的随机变量x1、x2、…、xn的联合概率分布函数。而且根据Copula函数确定的多元随机变量联合分布函数不受各变量边缘分布形式的影响。
首先构建各变量的边际分布，然后找到一个恰当的Copula函数确定其参数，作为刻画各个变量之间相关关系的工具。
本实施例根据2个随机变量边缘分布求联合分布模型，步骤如下：
S4：根据二元频率直方图选择合理的三种Copula函数来表示光伏与电采暖之间的关系。
不同的Copula函数类型有不同的特性，最直观的选择方法是画出光伏-电采暖的二元直方图，根据图形特性选择Copula函数。图形直观比较法步骤为：画出光伏出力和电采暖负荷的二元频率直方图和累计分布图，对比3种Copula函数的概率密度函数图和累计概率密度图，分别进行直观图形比较，对形状进行大致粗略判断。
常见的5类Copula函数可以分为椭圆分布族和阿基米德分布族。而只有联合分布服从对称的椭圆分布且当变量之间为线性相关时，联合概率分布函数才能由服从对称的椭圆分布(如二元正态-Copula分布、二元t-Copula分布)来唯一确定变量间的相关系数和边缘分布，而光伏出力服从Beta分布，和电采暖负荷的相关系数并不是线性相关。因此本实施例采用非线性相关分析工具Copula理论构建光伏-电采暖负荷的联合分布函数。本实施例选择阿基米德Copula分布族来建模，包括能捕捉到上尾相关变化的Gumbel-Copula函数、对下尾处十分敏感的Clayton-Copula函数、上下尾部渐进独立但可描述对称关系的Frank-Copula函数。函数的具体表达式在此不再赘述。
S5：根据极大似然函数估计法求取各二元Copula函数的未知参数。
本实施例采用混合Copula函数来表达光伏出力变量与电采暖负荷变量之间的关系。
根据Copula函数的分布函数形式：
Figure BDA0002775257010000111
首先，由极大似然函数法求各二元Copula函数的未知参数αk。分别对三个二元Copula函数参数αk估计方法如下：对于两个变量X、Y经过概率密度计算转换得到的[0,1]分布U、V，经验数据的边缘分布为U＝F(x)、V＝G(x)。设选取的Copula分布函数为C(u,v；αk)，Copula密度函数为
Figure BDA0002775257010000112
其中αk为Copula函数中的未知参数。
则(X,Y)的联合分布函数为
H(x,y；αk)＝C(F(x),G(y)；αk)。
(X,Y)的联合密度函数为
Figure BDA0002775257010000113
可得样本(Xi,Yi),i＝1,2,…,n的似然函数为
Figure BDA0002775257010000114
于是得对数似然函数为
Figure BDA0002775257010000115
分别求解对数似然函数的最大值点，即可得到各二元Copula函数中未知参数αk的最大似然估计值(ML估计)：
Figure BDA0002775257010000121
S6：对三种Copula函数求取Kendall秩相关系数和Spearman秩相关系数，选取与原始数据的这两种秩相关系数最接近的函数模型。
用Kendall和Spearman两种秩相关系数比较。上述两个值越小证明模型与经验数据的相关性越接近。Kendall秩相关系数用于度量两个变量变化的一致程度，可用来表示正相关、负相关或相互独立。Spearman秩相关系数用于衡量随机变量之间线性相关程度。
对于随机变量X和Y，当X～F(x)、Y～G(y)，且存在相应的Copula函数为C(u,v)(参数已知的Gumbel-Copula函数、Clayton-Copula函数或Frank-Copula函数)时，令新的随机变量U＝F(x),V＝G(y)，则Kendall秩相关系数τ可以表示为：
Figure BDA0002775257010000122
式中：E(·)为求期望函数。
Spearman秩相关系数ρ可表示为：
Figure BDA0002775257010000123
S7：利用蒙特卡洛模拟法从光伏-电采暖负荷Copula函数中抽取n组随机变量(Ui,Vi)，i＝1,2,3…n。
S8：对随机变量(Ui,Vi)，i＝1,2,3…n分别进行边缘分布的逆变换，产生随机的光伏出力和电采暖负荷值，生成n个服从联合分布Copula函数的场景。
根据转换成均匀分布的变量U＝F(x)，V＝G(y)，通过反变换采样，可以得出边缘累积分布函数的逆函数并获得光伏出力与电采暖负荷值分别为
x＝F-1(U)、y＝F-1(V)。
S9：计算选取的理论Copula函数与经验Copula函数之间的平方欧式距离，得出模型精确度。
欧式距离和欧式最大距离属于拟合性指标，这两个数值越小就表明模型越接近原始实际数据分布。
定义样本的经验Copula分布：
Figure BDA0002775257010000131
式中I[·]为示性函数，当F(xi)≤u时，I[F(xi)≤u]＝1，否则I[F(xi)≤u]＝0。设C(u,v)为Copula联合分布函数值。
欧式距离定义为：
Figure BDA0002775257010000132
欧式距离公式的最大值定义为：
Figure BDA0002775257010000133
本发明还提供了一种基于光伏电采暖负荷相关性的配电网负荷预测系统，如图4所示，所述配电网负荷预测系统包括：
数据获取模块201，用于获取光伏出力和电采暖负荷分布数据。
数据转化模块202，用于将所述光伏出力和电采暖负荷分布数据均转化成服从均匀分布的随机变量，得到光伏出力随机变量和电采暖负荷随机变量。
函数集合确定模块203，用于基于所述光伏出力随机变量和所述电采暖负荷随机变量，采用二元频率直方图确定Copula函数集合；所述Copula函数集合中的各个函数均表示光伏出力和电采暖负荷分布数据之间的关系；所述Copula函数集合包括Gumbel-Copula函数、Clayton-Copula函数和Frank-Copula函数。
参数估计模块204，用于采用极大似然估计法确定所述Copula函数集合中各个函数中的参数，得到参数已知的Copula函数集合。
最优函数确定模块205，用于将所述参数已知的Copula函数集合中秩相关系数最小的函数确定为最优Copula函数；所述最优Copula函数用于表征配电网负荷预测结果。
作为一种可选的实施方式，所述数据获取模块201，具体包括：
光伏出力获取单元，用于由光照强度的概率分布函数确定光伏出力。
分布函数确定单元，用于采用非参数估计法对电采暖日负荷曲线进行拟合确定电采暖边缘分布函数；所述电采暖边缘分布函数包括电锅炉边缘分布函数和发热电缆边缘分布函数。
电采暖负荷确定单元，用于由所述电采暖边缘分布函数确定电采暖负荷分布数据。
作为一种可选的实施方式，所述参数估计模块204，具体包括：
联合分布函数确定单元，用于由所述光伏出力随机变量和所述电采暖负荷随机变量确定所述Copula函数集合中各个函数对应的随机变量的联合分布函数。
联合密度函数确定单元，用于由各所述随机变量的联合分布函数分别计算对应的随机变量的联合密度函数。
似然函数构建单元，用于由各所述随机变量的联合密度函数建立所述Copula函数集合中各个函数对应的随机样本的似然函数。
求解单元，用于以所述随机样本的似然函数的对数最大为目标求解，确定所述Copula函数集合中各个函数的最优参量，从而得到参数已知的Copula函数集合。
作为一种可选的实施方式，所述最优函数确定模块205，具体包括：
秩相关系数计算单元，用于计算所述参数已知的Copula函数集合中各个函数的Kendall秩相关系数和Spearman秩相关系数。
最优函数确定单元，用于将所述Kendall秩相关系数和所述Spearman秩相关系数均最小的函数确定为最优Copula函数。
下面提供了一个具体实例。
由于电采暖在冬季使用较多，本实例选取某地区光伏出力、电采暖负荷某年冬季的数据来进行说明。
令X、Y分别表示光伏出力和电采暖负荷值，首先需确定X、Y随机变量的边缘分布。首先假定X、Y服从正态分布，用参数法进行检验它们是否服从正态分布。光伏出力的频率直方图以及拟合的正态分布密度曲线如图5所示，电采暖负荷的频率直方图以及拟合的正态分布密度曲线如图6所示。
计算得出X、Y的偏度分别为0.441、0.2948，峰度分别为2.8593、2.2241。由图形以及峰度、偏度信息可知，随机变量X、Y的分布并不均匀，呈现出头重尾薄的特点，可以初步判定X、Y不服从正态分布。需要用非参数法确定X、Y的分布。光伏出力的样本经验分布函数以及核光滑方法分布估计如图7所示，电采暖负荷的样本经验分布函数以及核光滑方法分布估计如图8所示。
由图7和图8可知，经验分布函数图和核分布估计图几乎重合，本实施例后续步骤均采取随机变量的核分布估计值。确定X的边缘分布U＝F(x)和Y的边缘分布V＝G(x)后，此时变量分布转化为服从[0,1]上的均匀分布U、V。据二元直方图的形状选取适当的Copula函数。绘制二元频率直方图如图9所示。
由图9可知，二元频率直方图并不具备对称的尾部，也即(U,V)的联合密度函数(即Copula密度函数)不具有对称的尾部，因此不可以选取二元正态Copula函数或二元t-Copula函数来描述原始数据的相关结构。
根据极大似然函数估计法求取3个理论二元Copula函数的未知参数分别为：二元Gumbel函数为α＝1.0476、二元Clayton函数为α＝0.3836、二元Frank函数为α＝0.9619。这三种Copula函数的密度函数如图10的(a)部分、图11的(a)部分和图12的(a)部分所示，这三种Copula函数的分布函数分别如图10的(b)部分、图11的(b)部分和图12的(b)部分所示。
经计算求得这三类理论Copula函数的Kendall秩相关系数分别为0.0455、0.1609、0.1059，Spearman秩相关系数分别为0.0683、0.2389、0.1584。若直接调用corr函数可求得原始数据的Kendall秩相关系数、Spearman秩相关系数分别为0.0865、0.1593。因此，可以认为二元Frank-Copula函数的秩相关系数与原始数据求得的秩相关系数更接近，较好地反映了光伏出力与电采暖负荷之间的秩相关性。考虑到光伏出力和电采暖尾部的相关性和形状的相似性，最终选择二元Frank-Copula函数模型，参数为α＝0.9619。
Frank-Copula函数：
Figure BDA0002775257010000151
α∈((-∞,0)∪(0,∞))
α＝0.9619。
利用蒙特卡洛抽样法获取n组联合分布的坐标及二元Frank联合函数的密度c(u,v)如表1所示：以n＝20为例。
表1
Figure BDA0002775257010000161
对用样条插值法获得的样本的经验分布函数进行逆变换，求取光伏出力和电采暖负荷值如表2所示：
表2
Figure BDA0002775257010000171
从相关结构角度，考虑到光伏尾部特性和非线性相关性分别考虑计算，得出二元Frank-Copula函数模型的理论Copula函数与经验C欧普拉函数之间的平方欧式距离为0.0346。从平方欧氏距离的角度看，认为二元Clayton-Copula模型误差小，预测精度满足预期要求。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于光伏电采暖负荷相关性的配电网负荷预测方法，其特征在于，包括：
获取光伏出力和电采暖负荷分布数据；
将所述光伏出力和电采暖负荷分布数据均转化成服从均匀分布的随机变量，得到光伏出力随机变量的边缘分布和电采暖负荷随机变量的边缘分布；
基于所述光伏出力随机变量的边缘分布和所述电采暖负荷随机变量的边缘分布，采用二元频率直方图确定Copula函数集合；所述Copula函数集合中的各个函数均表示光伏出力和电采暖负荷分布数据之间的关系；所述Copula函数集合包括Gumbel-Copula函数、Clayton-Copula函数和Frank-Copula函数；
采用极大似然估计法确定所述Copula函数集合中各个函数中的参数，得到参数已知的Copula函数集合；
将所述参数已知的Copula函数集合中秩相关系数最小的函数确定为最优Copula函数；所述最优Copula函数用于表征配电网负荷预测结果。
2.根据权利要求1所述的一种基于光伏电采暖负荷相关性的配电网负荷预测方法，其特征在于，所述获取光伏出力和电采暖负荷分布数据，具体包括：
由光照强度的概率分布函数确定光伏出力；
采用非参数估计法对电采暖日负荷曲线进行拟合确定电采暖边缘分布函数；所述电采暖边缘分布函数包括电锅炉边缘分布函数和发热电缆边缘分布函数；
由所述电采暖边缘分布函数确定电采暖负荷分布数据。
3.根据权利要求1所述的一种基于光伏电采暖负荷相关性的配电网负荷预测方法，其特征在于，所述采用极大似然估计法确定所述Copula函数集合中各个函数中参数，得到参数已知的Copula函数集合，具体包括：
由所述光伏出力随机变量的边缘分布和所述电采暖负荷随机变量的边缘分布确定所述Copula函数集合中各个函数对应的随机变量的联合分布函数；
由各所述随机变量的联合分布函数分别计算对应的随机变量的联合密度函数；
由各所述随机变量的联合密度函数建立所述Copula函数集合中各个函数对应的随机样本的似然函数；
以所述随机样本的似然函数的对数最大为目标求解，确定所述Copula函数集合中各个函数的最优参量，从而得到参数已知的Copula函数集合。
4.根据权利要求1所述的一种基于光伏电采暖负荷相关性的配电网负荷预测方法，其特征在于，所述将所述参数已知的Copula函数集合中秩相关系数最小的函数确定为最优Copula函数，具体包括：
计算所述参数已知的Copula函数集合中各个函数的Kendall秩相关系数和Spearman秩相关系数；
将所述Kendall秩相关系数和所述Spearman秩相关系数均最小的函数确定为最优Copula函数。
5.一种基于光伏电采暖负荷相关性的配电网负荷预测系统，其特征在于，包括：
数据获取模块，用于获取光伏出力和电采暖负荷分布数据；
数据转化模块，用于将所述光伏出力和电采暖负荷分布数据均转化成服从均匀分布的随机变量，得到光伏出力随机变量的边缘分布和电采暖负荷随机变量的边缘分布；
函数集合确定模块，用于基于所述光伏出力随机变量的边缘分布和所述电采暖负荷随机变量的边缘分布，采用二元频率直方图确定Copula函数集合；所述Copula函数集合中的各个函数均表示光伏出力和电采暖负荷分布数据之间的关系；所述Copula函数集合包括Gumbel-Copula函数、Clayton-Copula函数和Frank-Copula函数；
参数估计模块，用于采用极大似然估计法确定所述Copula函数集合中各个函数中的参数，得到参数已知的Copula函数集合；
最优函数确定模块，用于将所述参数已知的Copula函数集合中秩相关系数最小的函数确定为最优Copula函数；所述最优Copula函数用于表征配电网负荷预测结果。
6.根据权利要求5所述的一种基于光伏电采暖负荷相关性的配电网负荷预测系统，其特征在于，所述数据获取模块，具体包括：
光伏出力获取单元，用于由光照强度的概率分布函数确定光伏出力；
分布函数确定单元，用于采用非参数估计法对电采暖日负荷曲线进行拟合确定电采暖边缘分布函数；所述电采暖边缘分布函数包括电锅炉边缘分布函数和发热电缆边缘分布函数；
电采暖负荷确定单元，用于由所述电采暖边缘分布函数确定电采暖负荷分布数据。
7.根据权利要求5所述的一种基于光伏电采暖负荷相关性的配电网负荷预测系统，其特征在于，所述参数估计模块，具体包括：
联合分布函数确定单元，用于由所述光伏出力随机变量的边缘分布和所述电采暖负荷随机变量的边缘分布确定所述Copula函数集合中各个函数对应的随机变量的联合分布函数；
联合密度函数确定单元，用于由各所述随机变量的联合分布函数分别计算对应的随机变量的联合密度函数；
似然函数构建单元，用于由各所述随机变量的联合密度函数建立所述Copula函数集合中各个函数对应的随机样本的似然函数；
求解单元，用于以所述随机样本的似然函数的对数最大为目标求解，确定所述Copula函数集合中各个函数的最优参量，从而得到参数已知的Copula函数集合。
8.根据权利要求5所述的一种基于光伏电采暖负荷相关性的配电网负荷预测系统，其特征在于，所述最优函数确定模块，具体包括：
秩相关系数计算单元，用于计算所述参数已知的Copula函数集合中各个函数的Kendall秩相关系数和Spearman秩相关系数；
最优函数确定单元，用于将所述Kendall秩相关系数和所述Spearman秩相关系数均最小的函数确定为最优Copula函数。
CN202011263065.7A 2020-11-12 2020-11-12 基于光伏电采暖负荷相关性的配电网负荷预测方法及系统 Pending CN112332416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011263065.7A CN112332416A (zh) 2020-11-12 2020-11-12 基于光伏电采暖负荷相关性的配电网负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011263065.7A CN112332416A (zh) 2020-11-12 2020-11-12 基于光伏电采暖负荷相关性的配电网负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN112332416A true CN112332416A (zh) 2021-02-05

Family

ID=74318130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011263065.7A Pending CN112332416A (zh) 2020-11-12 2020-11-12 基于光伏电采暖负荷相关性的配电网负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN112332416A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598201A (zh) * 2021-03-01 2021-04-02 湖北鑫英泰系统技术股份有限公司 一种基于分布式光纤测温的电网负荷估算方法与装置
CN113315150A (zh) * 2021-07-02 2021-08-27 广东电网有限责任公司 低压配电网三相不平衡度优化方法、系统、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106992523A (zh) * 2017-04-25 2017-07-28 国网上海市电力公司 一种用于含光伏和热负荷的电力系统的潮流计算方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106992523A (zh) * 2017-04-25 2017-07-28 国网上海市电力公司 一种用于含光伏和热负荷的电力系统的潮流计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李娟等: "计及风速-电锅炉等电采暖负荷相关性的配电网可靠性评估", 《电力自动化设备》 *
王敏等: "基于Copula理论考虑光伏出力与负荷相关性的含光伏电站发电系统可靠性分析", 《科学技术与工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598201A (zh) * 2021-03-01 2021-04-02 湖北鑫英泰系统技术股份有限公司 一种基于分布式光纤测温的电网负荷估算方法与装置
CN112598201B (zh) * 2021-03-01 2021-05-18 湖北鑫英泰系统技术股份有限公司 一种基于分布式光纤测温的电网负荷估算方法与装置
CN113315150A (zh) * 2021-07-02 2021-08-27 广东电网有限责任公司 低压配电网三相不平衡度优化方法、系统、设备及介质
CN113315150B (zh) * 2021-07-02 2022-05-17 广东电网有限责任公司 低压配电网三相不平衡度优化方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN113572206B (zh) 一种风电出力区间预测方法
CN111275367B (zh) 一种区域综合能源系统能效状态评价方法
CN108365822B (zh) 光伏电池在不同光照温度条件下工作特性的预测方法及系统
CN108376262B (zh) 一种风电出力典型特性的分析模型构建方法
CN112269134B (zh) 一种基于深度学习的电池soc和soh联合估计方法
CN106548256B (zh) 一种风电场时空动态相关性建模的方法和系统
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN111224399B (zh) 一种用于分析电网不确定性潮流的方法及系统
CN111275238B (zh) 基于每时晴空指数的大规模电站光伏出力序列生成方法
CN112332416A (zh) 基于光伏电采暖负荷相关性的配电网负荷预测方法及系统
CN110659693A (zh) 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质
CN106548410B (zh) 一种含分布式电源的配电网电压不平衡概率评估方法
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN110212592B (zh) 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统
CN111984906B (zh) 考虑光伏与负荷时序相关性的概率潮流快速计算方法
CN110783918A (zh) 一种基于线性模型的配电三相区间状态估计求解算法
CN112100821B (zh) 光伏电池的稳健性优化设计方法
CN109767353A (zh) 一种基于概率分布函数的光伏发电功率预测方法
CN109738808A (zh) 基于模拟退火算法优化后的bp神经网络来估算soc的方法
CN110322063B (zh) 一种耗电功率仿真预测方法及存储介质
CN116054240A (zh) 一种基于功率预测的风电并网运行控制优化方法及系统
Shi et al. Linear fitting Rule of I–V characteristics of thin-film cells based on Bezier function
CN110942172B (zh) 多时段联络线功率可行域的快速刻画与精度评估方法
CN111614086A (zh) 一种面向电力系统多状态变量的滤波估计和预测估计方法
Bai Probabilistic load flow using point estimate method based on nataf transformation for active distribution network

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210205