CN113537575B - 一种含分布式光伏和电动汽车并网的趋势负荷预测方法 - Google Patents

Abstract

本发明涉及一种含分布式光伏和电动汽车并网的趋势负荷预测方法，按数据处理层、分布式光伏电场空间聚类分析层、电动汽车用电功率特征提取层、负荷功率预测层和优化层进行展开，为了克服海量分布式光伏电源以及电动汽车并入电网导致负荷预测不准确的弊端，本发明提供的含分布式光伏和电动汽车并网的趋势负荷预测方法，可以有效解决海量分布式光伏电源以及电动汽车并入电网导致负荷侧随机因素增强带来的预测不准确的弊端，提高负荷预测结果的准确性。

Description

一种含分布式光伏和电动汽车并网的趋势负荷预测方法

技术领域

本发明涉及电力系统运行与控制领域，特别是涉及一种含分布式光伏和电动汽车并网的趋势负荷预测方法。

背景技术

近年来分布式新能源的高比例并网与可调柔性负荷的增加，电力市场化的推进，使大电网运行风险增加，调度控制面临的不确定性因素增多。电力系统负荷预测作为电力调度控制部门的重要工作，可为电力调度部门的调度工作提供参考信息。快速而精准的电力系统短期负荷预测可帮助各发电厂合理按需生产以及对电力系统运行提供经济性指导。电力系统建设日益信息化、自动化，对短期电力负荷预测准确度的需求更加迫切。从电网角度看，开展短期负荷预测研究、持续提升负荷预测水平是提高电网安全稳定运行水平，提高电力系统经济性的本质要求。

一方面，由于光伏等分布式能源存在波动性、间歇性和不可控等特点,当其并网后会给电网日常运行和调度带来一定影响,尤其是分布式电源接入容量、位置以及并网方式的不同都会对负荷预测的精确性产生影响。另一方面，随着大规模电动汽车的并网运行，电动汽车充电负荷增长给电力系统带来的随意性和波动性影响日益凸显。对电动汽车充电负荷精准预测有利于提高电网稳定可靠运行，成为现阶段研究与实践应用的热点。

因此，有必要在负荷预测时考虑分布式光伏和大规模电动汽车接入的影响从而进一步提高负荷预测精度与可靠性，满足工程技术要求。

发明内容

为了克服海量分布式光伏和电动汽车接入电网使短期负荷预测不准确的弊端，

本发明首先，以一天为统计周期分别对两种类型的负荷功率数据进行均值处理，为两种负荷功率的特征分析提供数据基础；

其次，分别对分布式光伏电场进行空间聚类以选取各分布式光伏电场聚类簇的特征光伏电场；以及定义电动汽车充电负荷趋势参数，将电动汽车充电负荷日功率序列的趋势特征以数学形式表达出来，对基于数值天气预报中气象因子所分模型对应的电动汽车充电负荷功率特征和基于用户行为的影响因子所分模型对应的电动汽车充电负荷功率特征进行统计分析并取其并集，剔除了功率与数值天气预报和用户行为不匹配的数据，提升了样本质量；

再次，基于聚类簇内特征分布式光伏电场光伏功率与聚类簇内特征光伏电场的辐照度集合，构建分布式光伏电场辐照度与光伏电场光伏功率的映射模型，基于电动汽车各波动模型下的充电负荷功率与电动汽车充电负荷功率影响因子集合，构建电动汽车充电负荷影响因子与电动汽车充电负荷功率趋势参数的映射模型。根据待预测日每15min的聚类簇内特征光伏电场的辐照度数据以及电动汽车负荷影响因子数据，将待预测日各时刻下的聚类簇内特征光伏电场的辐照度数据值以及电动汽车负荷影响因子数据值与历史数据库对应时刻值进行匹配。

最后，以15min为单位对待预测日前72h的聚类簇内特征光伏电场的辐照度数据值以及电动汽车负荷影响因子数据值进行优化匹配，将优化匹配程度最高时刻的功率预测误差作为该时刻的预测补偿值，最终完成预测过程。

通过上述的表达，使得负荷短期功率预测的精度满足调度要求。

为达到以上目的，本发明采取的技术方案是：

一种含分布式光伏和电动汽车并网的趋势负荷预测方法，包括如下步骤：

步骤A.数据处理层：采集分布式光伏电场(Distributed Photovoltaic Farm,DPF)输出功率和电动汽车(Electrical Vehicle,EV)充电负荷功率的历史数据序列以及分布式光伏电场辐照度预测值序列，对采集到的采集分布式光伏电场输出功率和电动汽车充电负荷功率的历史数据序列进行缺值补充，按照时序分别对缺值补充后的分布式光伏电场输出功率和电动汽车充电负荷功率的历史数据序列进行间隔采集，形成多时间分辨率的负荷序列，构成负荷预测历史功率数据库；

以一天为统计周期分别对负荷预测历史功率数据库的多时间分辨率的负荷序列进行均值处理，为分布式光伏电场和电动汽车的负荷功率的特征分析提供数据基础，形成用于负荷预测及特征提取的功率数据集。

步骤B.分布式光伏电场空间聚类分析层：对步骤A最终得到的负荷预测及特征提取的功率数据集以及采集到的分布式光伏电场的辐照度预测值，通过定义场-簇空间相关判别指数进行相关性分析，确定区域内每个分布式光伏电场的空间相关分布式光伏电场集合，根据空间相关分布式光伏电场集合对区域内分布式光伏电场进行空间聚类，选取各分布式光伏电场聚类簇的特征分布式光伏电场。

步骤C.电动汽车用电功率特征提取层：以日为单位对步骤A得到的负荷预测及特征提取的功率数据集进行归一化处理，定义电动汽车用电功率序列特征参数；利用时滞相关性概率分析模型分析数值天气预报数据集和用户用电行为中对电动汽车充电负荷用电功率特征的影响因素，形成电动汽车用电功率相关因子数据集。

步骤D.负荷功率预测层：根据聚类簇内的特征分布式光伏电场的辐照度预测值与步骤C得到的电动汽车用电功率相关因子数据集，以一天为统计周期，对历史聚类簇内特征分布式光伏电场的辐照度预测值及电动汽车用电功率相关因子中某时刻数值的匹配程度评分。以此评分确定分布式光伏输出功率与电动汽车用电功率的相似日匹配程度，对其与历史数据库建立相关映射模型进行匹配，针对分布式光伏和电动汽车并网的趋势负荷预测方法具体如下，首先定义匹配误差值，然后按照时序构建匹配误差序列，并设置匹配误差阈值，将历史数据库中小于等于匹配误差阈值的数值天气预报数据和负荷功率数据挑选出来，对挑选后的负荷功率数据按照匹配误差值进行加权平均，作为待预测日的初次预报功率。

步骤E.优化层：根据待预测日的聚类簇内特征分布式光伏电场的辐照度预测值以及电动汽车用电功率相关因子数据集，按照步骤D所述的映射模型，以15min为单位对待预测日前72h的聚类簇内特征分布式光伏电场的辐照度数据以及电动汽车负荷影响因子数据进行优化匹配，将优化匹配程度最高时刻的功率预测误差作为该时刻的预测补偿值，将初次预报功率与预测补偿值叠加，作为功率最终预测值，从而实现功率预测的滚动优化。

在上述方案的基础上，步骤A中，首先，对采集到的分布式光伏电场输出功率和电动汽车数据集进行缺值补充，通过已知数据建立线性插值函数，估计出待插补的值，形成可预测建模的完整数据集，处理公式如下所示：

式中，t_c是指待插值的时刻，t_k是指被插值序列的首时刻、t_k+1是指被插值序列的尾时刻，P(t_c)是指时刻t_c处的功率值、P(t_k)是指时刻t_k处的功率值、P(t_k+1)是指时刻t_k+1处的功率值，所述P(t_c)、P(t_k)和P(t_k+1)的单位为MW；

其次，要按照时序对缺值补充后的分布式光伏电场输出功率和电动汽车充电负荷功率的历史数据序列进行间隔采集，形成多时间分辨率的负荷序列，处理公式如下所示：

P_lag,k＝P_k(h-1)+1，h＝1,2,…,H (2)

式中，P_lag,k是指间隔k-1个数据点采集原始负荷序列P_h后所形成的负荷序列在lag时刻的值，k是指负荷数据间隔采集的步长，h是指原始负荷功率序列的数据量。

最后，要对多时间分辨率的负荷序列进行数据预处理，处理公式如下所示：

式中，P_i,lag是指负荷功率时间序列中，第i种类型负荷在lag时刻的值，P_i,lag中的i＝1时指分布式光伏负荷的功率序列、P_i,lag中的i＝2时电动汽车负荷的功率序列；n_d表示以15min为时间间隔预报下，一天的时间点数量；是指负荷功率时间序列中，第i种类型负荷的单日平均值。

在上述方案的基础上，步骤B中，利用相关系数判别原则分析区域内每个分布式光伏电场的输出功率与区域内其它分布式光伏电场输出功率的空间相关性，处理公式如下所示：

式中，指的是光伏电场v和光伏电场w的输出功率相关系数；指的是光伏电场v的输出功率秩序列、指的是光伏电场w的输出功率秩序列；T指的是15分钟分辨率下输出功率序列的时间点数量；

在上述方案的基础上，步骤B中，确定区域内每个光伏电场对于区域内其它分布式光伏电场输出功率的空间相关判别指数，将空间相关判别指数为1的分布式光伏电场定义为该分布式光伏电场的空间相关分布式光伏电场，处理公式如下所示：

式中，指的是光伏电场v和光伏电场w的输出功率的空间相关判别指数，γ指的是两光伏电场输出功率序列之间的相关判别阈值。

确定区域内每个分布式光伏电场的空间相关电场集合，处理公式如下：

式中，C_pv,g是指光伏电场g的空间相关分布式光伏电场集合，c₁、c₂是指和光伏电场具有空间相关的分布式光伏电场N_corr,g是指光伏电场g的空间相关分布式光伏电场的个数。

在上述方案的基础上，步骤B中，取各分布式光伏电场聚类簇，旨在选取使得各个聚类簇内分布式光伏电场之间空间相关性最大的聚类组合，处理公式如下所示：

式中，N_clu＝{N₁,N₂,...,N_s}是指分布式光伏电场各个聚类簇中分布式光伏电场的个数集合，N_s是指第s个聚类簇中分布式光伏电场的个数；N_set是指分布式光伏电场聚类簇的个数，是指聚类簇s中光伏电场v和光伏电场w之间的相关性系数，N是指区域内所有分布式光伏电场的数量。

在上述方案的基础上，步骤B中，定义场-簇空间相关判别指数，处理公式如下所示：

式中，是指光伏电场g的场-群空间相关判别指数，是指光伏电场g的空间相关光伏电场l与其输出功率的相关系数；N_m是指光伏电场g的空间相关分布式光伏电场数量；P_N,g是指光伏电场g的装机容量；P_N,l是指光伏电场g的空间相关光伏电场l的装机容量；P_N,clu是指聚类簇内分布式光伏电场的总装机容量；

在上述方案的基础上，步骤C中，以15min为分辨率，对步骤A得到的负荷预测及特征提取的功率数据集中的单日96点的电动汽车历史有功输出功率序列进行分析，分析之前要对历史有功输出功率序列进行归一化处理，处理公式如下所示：

式中：为归一化电动汽车充电负荷功率序列，其中，P^EV为电动汽车单日历史有功输出功率序列，为P^EV中的最大值，为P^EV中的最小值。

在上述方案的基础上，步骤C中，所述电动汽车用电功率序列特征参数包括：电动汽车充电负荷日功率序列趋势峰值R_m、电动汽车充电负荷日功率序列趋势频率f、电动汽车充电负荷日功率序列趋势突变率η_m和电动汽车充电负荷日功率序列趋势对称度D_c。

在上述方案的基础上，步骤C中，电动汽车充电负荷日功率序列趋势峰值如下式所示：

式中，u表示当日某一时刻，表示归一化电动汽车充电负荷日功率序列中u时刻的输出功率值，表示归一化电动汽车充电负荷功率序列中u+1时刻的输出功率值，t_nw表示电动汽车充电负荷日功率序列极值点所对应的时刻值；

电动汽车充电负荷日功率序列趋势频率f如下式所示：

式中，n_ep表示归一化电动汽车充电负荷日功率序列的极值点数量，n_t表示归一化电动汽车充电负荷日功率序列时间点的总数量，n_t取值为96；

电动汽车充电负荷日功率序列趋势突变率η_v如下式所示：

η_v＝max{tl_s},s＝1,2,…,n_ep (13)

式中，t₁表示归一化电动汽车充电负荷日功率序列极值点1所对应的时刻值，t_s-1表示归一化电动汽车充电负荷日功率序列极值点s-1所对应的时刻值，t_s表示归一化电动汽车充电负荷日功率序列极值点s所对应的时刻值，tl_s表示归一化电动汽车充电负荷日功率序列相邻两极值点的时间间隔；

电动汽车充电负荷日功率序列趋势对称度D_c如下式所示：

式中，是指归一化电动汽车充电负荷日功率序列的最大值，指归一化电动汽车充电负荷日功率序列最大值左侧的极小值、指归一化电动汽车充电负荷日功率序列最大值右侧的极小值，t_max是指归一化电动汽车充电负荷日功率序列的最大值对应的时刻，t_min1是指归一化电动汽车充电负荷日功率序列的最大值左侧极小值所对应的时刻，t_min2是指归一化电动汽车充电负荷日功率序列的最大值右侧极小值所对应的时刻。

在上述方案的基础上，步骤C中，电动汽车用电功率相关因子数据集{x^EV}，如下式所示：

{x^EV}＝{x^NWP}∪{x^UB} (15)

式中，{x^NWP}为数值天气预报因子集合、{x^UB}为用户用电行为数据集合。

在上述方案的基础上，步骤C中，所述时滞相关性概率分析模型，包括有约束回归模型和无约束回归模型：

有约束回归模型：

式中：为电动汽车充电负荷有约束回归模型在t时刻的值；p_t-l为电动汽车充电负荷有约束回归模型在t-1时刻的值；a_l为电动汽车充电负荷功率在时滞为l时的回归权重；L为电动汽车充电负荷功率最大滞后周期数；ε_t为白噪声。

无约束回归模型：

式中，为电动汽车充电负荷功率无约束回归模型在t时刻的值；p^j _t-l为电动汽车充电负荷无约束回归模型在t-1时刻的值；a_l为电动汽车充电负荷功率在时滞为l时的回归权重；b_k,s为第k个电动汽车充电负荷影响因子在时滞为l时的回归权重；L为电动汽车充电负荷功率的最大滞后周期数；η_t为白噪声。

有约束回归模型的残差平方和RSS_r、无约束回归模型的残差平方和RSS_u以及F统计量计算公式如下：

式中，n为电动汽车充电负荷功率序列的样本容量。

检验原假设“H0：第k个电动汽车充电负荷影响因子{x_k,n}不是引起电动汽车充电负荷功率变化的Granger原因”。如果F≥F_α(k,n-s-l-1)，F_α应拒绝原假设，即该电动汽车充电负荷影响因子是引起电动汽车充电负荷功率变化的时滞相关性原因；反之，则不能拒绝原假设，即该电动汽车充电负荷影响因子不是引起电动汽车充电负荷功率变化的时滞相关性原因。

在上述方案的基础上，步骤D中，所述映射模型的表达式为：

式中，是指第n₁个电动汽车充电负荷影响因子在m时刻下的参数值，是指m时刻下的功率实测值。

式中,是第n₂个聚类簇内特征分布式光伏电场的辐照度，单位为W/m²,是区域内分布式光伏电场m时刻下的功率实测值,单位为MW。

在上述方案的基础上，步骤D中，分布式光伏和电动汽车误差值及评分参数，计算公式如下：

式中，是指第u个归一化聚类簇内特征分布式光伏电场的辐照度因子在v时刻下的参数值，是指第u个归一化电动汽车充电负荷影响因子在v时刻下的参数值， 是指第u个影响因子在v时刻下的参数值，max(x^(u,i))为第u个序列x^(u,i)中的最大值、min(x^(u,i))为第u个序列x^(u,i)中的最小值，为第u个归一化序列中的最大值、为第u个归一化序列中的最小值，是指第u个聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子的匹配误差值；是指待预测日第u个归一化聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子在v时刻的预报值，是指第u个历史归一化聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子在k时刻的数值，i＝1时为分布式光伏电场的辐照度因子，i＝2时为电动汽车充电负荷影响因子，w指代数据库，a指代历史数据库，预测日是指待预测日在v时刻的聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子与历史聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子中k时刻数值的匹配程度评分。

在上述方案的基础上，步骤D中，所述待预测日的初次预报功率的具体表达式如下所示：

式中，ξ_r是指匹配误差阈值；是指待预测日v时刻所匹配的历史功率序列中kr时刻的值；是指待预测日v时刻功率中，所匹配的历史功率在kr时刻的加权系数；是待预测日v时刻的初次预报功率值；

在上述方案的基础上，步骤E中，所述功率最终预测值的表达式如下所示：

式中，err_v是指待预测日v时刻的预测补偿值，是指待预测日前hr天中v时刻的实际功率值，是指待预测日前hr天中v时刻的功率预测值，是待预测日v时刻的初次预报功率值，是待预测日v时刻的功率最终预测值。

在上述方案的基础上，步骤E中所述功率预测的滚动优化是指：经过预测优化过程的功率最终预测值，在下一时刻的预测优化过程中就变为历史数据库的待匹配对象，从而对下一时刻预测功率的优化奠定了数据基础。

本发明的有益效果：本发明涉及一种含分布式光伏和电动汽车并网的趋势负荷预测方法，按数据处理层、分布式光伏电场空间聚类分析层、电动汽车用电功率特征提取层、负荷功率预测层和优化层进行展开，可以有效解决海量分布式光伏电源以及电动汽车并入电网导致负荷侧随机因素增强带来的预测不准确的弊端，提高负荷预测结果的准确性。

附图说明

本发明有如下附图：

图1为一种含分布式光伏和电动汽车并网的趋势负荷预测方法步骤框图。

具体实施方式

以下结合附图1对本发明作进一步详细说明。

一种含分布式光伏和电动汽车并网的趋势负荷预测方法，包括如下步骤：

步骤A.数据处理层：采集分布式光伏电场(Distributed Photovoltaic Farm,DPF)输出功率和电动汽车(Electrical Vehicle,EV)充电负荷功率的历史数据序列以及分布式光伏电场辐照度预测值序列，对采集到的采集分布式光伏电场输出功率和电动汽车充电负荷功率的历史数据序列进行缺值补充，按照时序分别对缺值补充后的分布式光伏电场输出功率和电动汽车充电负荷功率的历史数据序列进行间隔采集，形成多时间分辨率的负荷序列，构成负荷预测历史功率数据库；

以一天为统计周期分别对负荷预测历史功率数据库的多时间分辨率的负荷序列进行均值处理，为分布式光伏电场和电动汽车的负荷功率的特征分析提供数据基础，形成用于负荷预测及特征提取的功率数据集。

步骤B.分布式光伏电场空间聚类分析层：对步骤A最终得到的负荷预测及特征提取的功率数据集以及采集到的分布式光伏电场的辐照度预测值，通过定义场-簇空间相关判别指数进行相关性分析，确定区域内每个分布式光伏电场的空间相关分布式光伏电场集合，根据空间相关分布式光伏电场集合对区域内分布式光伏电场进行空间聚类，选取各分布式光伏电场聚类簇的特征分布式光伏电场。

步骤C.电动汽车用电功率特征提取层：以日为单位对步骤A得到的负荷预测及特征提取的功率数据集进行归一化处理，定义电动汽车用电功率序列特征参数；利用时滞相关性概率分析模型分析数值天气预报数据集和用户用电行为中对电动汽车充电负荷用电功率特征的影响因素，形成电动汽车用电功率相关因子数据集。

步骤D.负荷功率预测层：根据聚类簇内的特征分布式光伏电场的辐照度预测值与步骤C得到的电动汽车用电功率相关因子数据集，以一天为统计周期，对历史聚类簇内特征分布式光伏电场的辐照度预测值及电动汽车用电功率相关因子中某时刻数值的匹配程度评分。以此评分确定分布式光伏输出功率与电动汽车用电功率的相似日匹配程度，对其与历史数据库建立相关映射模型进行匹配，针对分布式光伏和电动汽车并网的趋势负荷预测方法具体如下，首先定义匹配误差值，然后按照时序构建匹配误差序列，并设置匹配误差阈值，将历史数据库中小于等于匹配误差阈值的数值天气预报数据和负荷功率数据挑选出来，对挑选后的负荷功率数据按照匹配误差值进行加权平均，作为待预测日的初次预报功率。

步骤E.优化层：根据待预测日的聚类簇内特征分布式光伏电场的辐照度预测值以及电动汽车用电功率相关因子数据集，按照步骤D所述的映射模型，以15min为单位对待预测日前72h的聚类簇内特征分布式光伏电场的辐照度数据以及电动汽车负荷影响因子数据进行优化匹配，将优化匹配程度最高时刻的功率预测误差作为该时刻的预测补偿值，将初次预报功率与预测补偿值叠加，作为功率最终预测值，从而实现功率预测的滚动优化。

在上述方案的基础上，步骤A中，首先，对采集到的分布式光伏电场输出功率和电动汽车数据集进行缺值补充，通过已知数据建立线性插值函数，估计出待插补的值，形成可预测建模的完整数据集，处理公式如下所示：

式中，t_c是指待插值的时刻，t_k是指被插值序列的首时刻、t_k+1是指被插值序列的尾时刻，P(t_c)是指时刻t_c处的功率值、P(t_k)是指时刻t_k处的功率值、P(t_k+1)是指时刻t_k+1处的功率值，所述P(t_c)、P(t_k)和P(t_k+1)的单位为MW；

其次，要按照时序对缺值补充后的分布式光伏电场输出功率和电动汽车充电负荷功率的历史数据序列进行间隔采集，形成多时间分辨率的负荷序列，处理公式如下所示：

P_lag,k＝P_k(h-1)+1，h＝1,2,…,H (2)

式中，P_lag,k是指间隔k-1个数据点采集原始负荷序列P_h后所形成的负荷序列在lag时刻的值，k是指负荷数据间隔采集的步长，h是指原始负荷功率序列的数据量。

最后，要对多时间分辨率的负荷序列进行数据预处理，处理公式如下所示：

式中，P_i,lag是指负荷功率时间序列中，第i种类型负荷在lag时刻的值，P_i,lag中的i＝1时指分布式光伏负荷的功率序列、P_i,lag中的i＝2时电动汽车负荷的功率序列；n_d表示以15min为时间间隔预报下，一天的时间点数量；是指负荷功率时间序列中，第i种类型负荷的单日平均值。

在上述方案的基础上，步骤B中，利用相关系数判别原则分析区域内每个分布式光伏电场的输出功率与区域内其它分布式光伏电场输出功率的空间相关性，处理公式如下所示：

式中，指的是光伏电场v和光伏电场w的输出功率相关系数；指的是光伏电场v的输出功率秩序列、指的是光伏电场w的输出功率秩序列；T指的是15分钟分辨率下输出功率序列的时间点数量；

在上述方案的基础上，步骤B中，确定区域内每个光伏电场对于区域内其它分布式光伏电场输出功率的空间相关判别指数，将空间相关判别指数为1的分布式光伏电场定义为该分布式光伏电场的空间相关分布式光伏电场，处理公式如下所示：

式中，指的是光伏电场v和光伏电场w的输出功率的空间相关判别指数，γ指的是两光伏电场输出功率序列之间的相关判别阈值。

确定区域内每个分布式光伏电场的空间相关电场集合，处理公式如下：

式中，C_pv,g是指光伏电场g的空间相关分布式光伏电场集合，c₁、c₂是指和光伏电场具有空间相关的分布式光伏电场N_corr,g是指光伏电场g的空间相关分布式光伏电场的个数。

在上述方案的基础上，步骤B中，取各分布式光伏电场聚类簇，旨在选取使得各个聚类簇内分布式光伏电场之间空间相关性最大的聚类组合，处理公式如下所示：

式中，N_clu＝{N₁,N₂,...,N_s}是指分布式光伏电场各个聚类簇中分布式光伏电场的个数集合，N_s是指第s个聚类簇中分布式光伏电场的个数；N_set是指分布式光伏电场聚类簇的个数，是指聚类簇s中光伏电场v和光伏电场w之间的相关性系数，N是指区域内所有分布式光伏电场的数量。

在上述方案的基础上，步骤B中，定义场-簇空间相关判别指数，处理公式如下所示：

式中，是指光伏电场g的场-群空间相关判别指数，是指光伏电场g的空间相关光伏电场l与其输出功率的相关系数；N_m是指光伏电场g的空间相关分布式光伏电场数量；P_N,g是指光伏电场g的装机容量；P_N,l是指光伏电场g的空间相关光伏电场l的装机容量；P_N,clu是指聚类簇内分布式光伏电场的总装机容量；

在上述方案的基础上，步骤C中，以15min为分辨率，对步骤A得到的负荷预测及特征提取的功率数据集中的单日96点的电动汽车历史有功输出功率序列进行分析，分析之前要对历史有功输出功率序列进行归一化处理，处理公式如下所示：

式中：为归一化电动汽车充电负荷功率序列，其中，P^EV为电动汽车单日历史有功输出功率序列，为P^EV中的最大值，为P^EV中的最小值。

在上述方案的基础上，步骤C中，所述电动汽车用电功率序列特征参数包括：电动汽车充电负荷日功率序列趋势峰值R_m、电动汽车充电负荷日功率序列趋势频率f、电动汽车充电负荷日功率序列趋势突变率η_m和电动汽车充电负荷日功率序列趋势对称度D_c。

在上述方案的基础上，步骤C中，电动汽车充电负荷日功率序列趋势峰值如下式所示：

式中，u表示当日某一时刻，表示归一化电动汽车充电负荷日功率序列中u时刻的输出功率值，表示归一化电动汽车充电负荷功率序列中u+1时刻的输出功率值，t_nw表示电动汽车充电负荷日功率序列极值点所对应的时刻值；

电动汽车充电负荷日功率序列趋势频率f如下式所示：

式中，n_ep表示归一化电动汽车充电负荷日功率序列的极值点数量，n_t表示归一化电动汽车充电负荷日功率序列时间点的总数量，n_t取值为96；

电动汽车充电负荷日功率序列趋势突变率η_v如下式所示：

η_v＝max{tl_s},s＝1,2,…,n_ep (13)

式中，t₁表示归一化电动汽车充电负荷日功率序列极值点1所对应的时刻值，t_s-1表示归一化电动汽车充电负荷日功率序列极值点s-1所对应的时刻值，t_s表示归一化电动汽车充电负荷日功率序列极值点s所对应的时刻值，tl_s表示归一化电动汽车充电负荷日功率序列相邻两极值点的时间间隔；

电动汽车充电负荷日功率序列趋势对称度D_c如下式所示：

式中，是指归一化电动汽车充电负荷日功率序列的最大值，指归一化电动汽车充电负荷日功率序列最大值左侧的极小值、指归一化电动汽车充电负荷日功率序列最大值右侧的极小值，t_max是指归一化电动汽车充电负荷日功率序列的最大值对应的时刻，t_min1是指归一化电动汽车充电负荷日功率序列的最大值左侧极小值所对应的时刻，t_min2是指归一化电动汽车充电负荷日功率序列的最大值右侧极小值所对应的时刻。

在上述方案的基础上，步骤C中，电动汽车用电功率相关因子数据集{x^EV}，如下式所示：

{x^EV}＝{x^NWP}∪{x^UB} (15)

式中，{x^NWP}为数值天气预报因子集合、{x^UB}为用户用电行为数据集合。

在上述方案的基础上，步骤C中，所述时滞相关性概率分析模型，包括有约束回归模型和无约束回归模型：

有约束回归模型：

式中：为电动汽车充电负荷有约束回归模型在t时刻的值；p_t-l为电动汽车充电负荷有约束回归模型在t-1时刻的值；a_l为电动汽车充电负荷功率在时滞为l时的回归权重；L为电动汽车充电负荷功率最大滞后周期数；ε_t为白噪声。

无约束回归模型：

式中，为电动汽车充电负荷功率无约束回归模型在t时刻的值；p^j _t-l为电动汽车充电负荷无约束回归模型在t-1时刻的值；a_l为电动汽车充电负荷功率在时滞为l时的回归权重；b_k,s为第k个电动汽车充电负荷影响因子在时滞为l时的回归权重；L为电动汽车充电负荷功率的最大滞后周期数；η_t为白噪声。

有约束回归模型的残差平方和RSS_r、无约束回归模型的残差平方和RSS_u以及F统计量计算公式如下：

式中，n为电动汽车充电负荷功率序列的样本容量。

检验原假设“H0：第k个电动汽车充电负荷影响因子{x_k,n}不是引起电动汽车充电负荷功率变化的Granger原因”。如果F≥F_α(k,n-s-l-1)，F_α应拒绝原假设，即该电动汽车充电负荷影响因子是引起电动汽车充电负荷功率变化的时滞相关性原因；反之，则不能拒绝原假设，即该电动汽车充电负荷影响因子不是引起电动汽车充电负荷功率变化的时滞相关性原因。

在上述方案的基础上，步骤D中，所述映射模型的表达式为：

式中，是指第n₁个电动汽车充电负荷影响因子在m时刻下的参数值，是指m时刻下的功率实测值。

式中,是第n₂个聚类簇内特征分布式光伏电场的辐照度，单位为W/m²,是区域内分布式光伏电场m时刻下的功率实测值,单位为MW。

在上述方案的基础上，步骤D中，分布式光伏和电动汽车误差值及评分参数，计算公式如下：

式中，是指第u个归一化聚类簇内特征分布式光伏电场的辐照度因子在v时刻下的参数值，是指第u个归一化电动汽车充电负荷影响因子在v时刻下的参数值， 是指第u个影响因子在v时刻下的参数值，max(x^(u,i))为第u个序列x^(u,i)中的最大值、min(x^(u,i))为第u个序列x^(u,i)中的最小值，为第u个归一化序列中的最大值、为第u个归一化序列中的最小值，是指第u个聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子的匹配误差值；是指待预测日第u个归一化聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子在v时刻的预报值，是指第u个历史归一化聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子在k时刻的数值，i＝1时为分布式光伏电场的辐照度因子，i＝2时为电动汽车充电负荷影响因子，w指代数据库，a指代历史数据库，预测日是指待预测日在v时刻的聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子与历史聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子中k时刻数值的匹配程度评分。

在上述方案的基础上，步骤D中，所述待预测日的初次预报功率的具体表达式如下所示：

式中，ξ_r是指匹配误差阈值；是指待预测日v时刻所匹配的历史功率序列中kr时刻的值；是指待预测日v时刻功率中，所匹配的历史功率在kr时刻的加权系数；是待预测日v时刻的初次预报功率值；

在上述方案的基础上，步骤E中，所述功率最终预测值的表达式如下所示：

式中，err_v是指待预测日v时刻的预测补偿值，是指待预测日前hr天中v时刻的实际功率值，是指待预测日前hr天中v时刻的功率预测值，是待预测日v时刻的初次预报功率值，是待预测日v时刻的功率最终预测值。

在上述方案的基础上，步骤E中所述功率预测的滚动优化是指：经过预测优化过程的功率最终预测值，在下一时刻的预测优化过程中就变为历史数据库的待匹配对象，从而对下一时刻预测功率的优化奠定了数据基础。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种含分布式光伏和电动汽车并网的趋势负荷预测方法，其特征在于，包括如下步骤：

步骤A.数据处理层：采集分布式光伏电场输出功率和电动汽车充电负荷功率的历史数据序列以及分布式光伏电场辐照度预测值序列，对采集到的分布式光伏电场输出功率和电动汽车充电负荷功率的历史数据序列进行缺值补充，按照时序分别对缺值补充后的分布式光伏电场输出功率和电动汽车充电负荷功率的历史数据序列进行间隔采集，形成多时间分辨率的负荷序列，构成负荷预测历史功率数据库；

以一天为统计周期分别对负荷预测历史功率数据库的多时间分辨率的负荷序列进行均值处理，为分布式光伏电场和电动汽车的负荷功率的特征分析提供数据基础，形成用于负荷预测及特征提取的功率数据集；

步骤B.分布式光伏电场空间聚类分析层：对步骤A最终得到的负荷预测及特征提取的功率数据集以及采集到的分布式光伏电场的辐照度预测值，通过定义场-簇空间相关判别指数进行相关性分析，确定区域内每个分布式光伏电场的空间相关分布式光伏电场集合，根据空间相关分布式光伏电场集合对区域内分布式光伏电场进行空间聚类，选取各分布式光伏电场聚类簇的特征分布式光伏电场；

步骤C.电动汽车用电功率特征提取层：以日为单位对步骤A得到的负荷预测及特征提取的功率数据集进行归一化处理，定义电动汽车用电功率序列特征参数；利用时滞相关性概率分析模型分析数值天气预报数据集和用户用电行为中对电动汽车充电负荷用电功率特征的影响因素，形成电动汽车用电功率相关因子数据集；

步骤D.负荷功率预测层：根据聚类簇内的特征分布式光伏电场的辐照度预测值与步骤C得到的电动汽车用电功率相关因子数据集，以一天为统计周期，对历史聚类簇内特征分布式光伏电场的辐照度预测值及电动汽车用电功率相关因子中某时刻数值的匹配程度评分；以此评分确定分布式光伏输出功率与电动汽车用电功率的相似日匹配程度，对其与历史数据库建立相关映射模型进行匹配，针对分布式光伏和电动汽车并网的趋势负荷预测方法具体如下，首先定义匹配误差值，然后按照时序构建匹配误差序列，并设置匹配误差阈值，将历史数据库中小于等于匹配误差阈值的数值天气预报数据和负荷功率数据挑选出来，对挑选后的负荷功率数据按照匹配误差值进行加权平均，作为待预测日的初次预报功率；

步骤E.优化层：根据待预测日的聚类簇内特征分布式光伏电场的辐照度预测值以及电动汽车用电功率相关因子数据集，按照步骤D所述的映射模型，以15min为单位对待预测日前72h的聚类簇内特征分布式光伏电场的辐照度数据以及电动汽车负荷影响因子数据进行优化匹配，将优化匹配程度最高时刻的功率预测误差作为该时刻的预测补偿值，将初次预报功率与预测补偿值叠加，作为功率最终预测值，从而实现功率预测的滚动优化。

2.如权利要求1所述的含分布式光伏和电动汽车并网的趋势负荷预测方法，其特征在于，步骤A中，首先，对采集到的分布式光伏电场输出功率和电动汽车数据集进行缺值补充，通过已知数据建立线性插值函数，估计出待插补的值，形成可预测建模的完整数据集，处理公式如下所示：

式中，t_c是指待插值的时刻，t_k是指被插值序列的首时刻、t_k+1是指被插值序列的尾时刻，P(t_c)是指时刻t_c处的功率值、P(t_k)是指时刻t_k处的功率值、P(t_k+1)是指时刻t_k+1处的功率值，所述P(t_c)、P(t_k)和P(t_k+1)的单位为MW；

其次，要按照时序对缺值补充后的分布式光伏电场输出功率和电动汽车充电负荷功率的历史数据序列进行间隔采集，形成多时间分辨率的负荷序列，处理公式如下所示：

P_lag,k＝P_k(h-1)+1，h＝1,2,…,H (2)

式中，P_lag,k是指间隔k-1个数据点采集原始负荷序列P_h后所形成的负荷序列在lag时刻的值，k是指负荷数据间隔采集的步长，h是指原始负荷功率序列的数据量；

最后，要对多时间分辨率的负荷序列进行数据预处理，处理公式如下所示：

式中，P_i,lag是指负荷功率时间序列中，第i种类型负荷在lag时刻的值，P_i,lag中的i＝1时指分布式光伏负荷的功率序列、P_i,lag中的i＝2时电动汽车负荷的功率序列；n_d表示以15min为时间间隔预报下，一天的时间点数量；是指负荷功率时间序列中，第i种类型负荷的单日平均值。

3.如权利要求2所述的含分布式光伏和电动汽车并网的趋势负荷预测方法，其特征在于，步骤B中，利用相关系数判别原则分析区域内每个分布式光伏电场的输出功率与区域内其它分布式光伏电场输出功率的空间相关性，处理公式如下所示：

式中，指的是光伏电场v和光伏电场w的输出功率相关系数；指的是光伏电场v的输出功率秩序列、指的是光伏电场w的输出功率秩序列；T指的是15分钟分辨率下输出功率序列的时间点数量；

步骤B中，确定区域内每个光伏电场对于区域内其它分布式光伏电场输出功率的空间相关判别指数，将空间相关判别指数为1的分布式光伏电场定义为该分布式光伏电场的空间相关分布式光伏电场，处理公式如下所示：

式中，指的是光伏电场v和光伏电场w的输出功率的空间相关判别指数，γ指的是两光伏电场输出功率序列之间的相关判别阈值；

确定区域内每个分布式光伏电场的空间相关电场集合，处理公式如下：

式中，C_pv,g是指光伏电场g的空间相关分布式光伏电场集合，c₁、c₂是指和光伏电场具有空间相关的分布式光伏电场N_corr,g是指光伏电场g的空间相关分布式光伏电场的个数。

4.如权利要求3所述的含分布式光伏和电动汽车并网的趋势负荷预测方法，其特征在于，步骤B中，选取各分布式光伏电场聚类簇，处理公式如下所示：

式中，N_clu＝{N₁,N₂,...,N_s}是指分布式光伏电场各个聚类簇中分布式光伏电场的个数集合，N_s是指第s个聚类簇中分布式光伏电场的个数；N_set是指分布式光伏电场聚类簇的个数，是指聚类簇s中光伏电场v和光伏电场w之间的相关性系数，N是指区域内所有分布式光伏电场的数量；

步骤B中，定义场-簇空间相关判别指数，处理公式如下所示：

式中，是指光伏电场g的场-群空间相关判别指数，是指光伏电场g的空间相关光伏电场l与其输出功率的相关系数；N_m是指光伏电场g的空间相关分布式光伏电场数量；P_N,g是指光伏电场g的装机容量；P_N,l是指光伏电场g的空间相关光伏电场l的装机容量；P_N,clu是指聚类簇内分布式光伏电场的总装机容量。

5.如权利要求4所述的含分布式光伏和电动汽车并网的趋势负荷预测方法，其特征在于，步骤C中，以15min为分辨率，对步骤A得到的负荷预测及特征提取的功率数据集中的单日96点的电动汽车历史有功输出功率序列进行分析，分析之前要对历史有功输出功率序列进行归一化处理，处理公式如下所示：

式中：为归一化电动汽车充电负荷功率序列，其中，P^EV为电动汽车单日历史有功输出功率序列，为P^EV中的最大值，为P^EV中的最小值。

6.如权利要求5所述的含分布式光伏和电动汽车并网的趋势负荷预测方法，其特征在于，步骤C中，所述电动汽车用电功率序列特征参数包括：电动汽车充电负荷日功率序列趋势峰值R_m、电动汽车充电负荷日功率序列趋势频率f、电动汽车充电负荷日功率序列趋势突变率η_m和电动汽车充电负荷日功率序列趋势对称度D_c；

步骤C中，电动汽车充电负荷日功率序列趋势峰值如下式所示：

式中，u表示当日某一时刻，表示归一化电动汽车充电负荷日功率序列中u时刻的输出功率值，表示归一化电动汽车充电负荷功率序列中u+1时刻的输出功率值，t_nw表示电动汽车充电负荷日功率序列极值点所对应的时刻值；

电动汽车充电负荷日功率序列趋势频率f如下式所示：

式中，n_ep表示归一化电动汽车充电负荷日功率序列的极值点数量，n_t表示归一化电动汽车充电负荷日功率序列时间点的总数量，n_t取值为96；

电动汽车充电负荷日功率序列趋势突变率η_v如下式所示：

η_v＝max{tl_s},s＝1,2,...,n_ep (13)

式中，t₁表示归一化电动汽车充电负荷日功率序列极值点1所对应的时刻值，t_s-1表示归一化电动汽车充电负荷日功率序列极值点s-1所对应的时刻值，t_s表示归一化电动汽车充电负荷日功率序列极值点s所对应的时刻值，tl_s表示归一化电动汽车充电负荷日功率序列相邻两极值点的时间间隔；

电动汽车充电负荷日功率序列趋势对称度D_c如下式所示：

式中，是指归一化电动汽车充电负荷日功率序列的最大值，指归一化电动汽车充电负荷日功率序列最大值左侧的极小值、指归一化电动汽车充电负荷日功率序列最大值右侧的极小值，t_max是指归一化电动汽车充电负荷日功率序列的最大值对应的时刻，t_min1是指归一化电动汽车充电负荷日功率序列的最大值左侧极小值所对应的时刻，t_min2是指归一化电动汽车充电负荷日功率序列的最大值右侧极小值所对应的时刻；

步骤C中，电动汽车用电功率相关因子数据集{x^EV}，如下式所示：

{x^EV}＝{x^NWP}∪{x^UB} (15)

式中，{x^NWP}为数值天气预报因子集合、{x^UB}为用户用电行为数据集合。

7.如权利要求6所述的含分布式光伏和电动汽车并网的趋势负荷预测方法，其特征在于，步骤C中，所述时滞相关性概率分析模型，包括有约束回归模型和无约束回归模型：

有约束回归模型：

式中：为电动汽车充电负荷有约束回归模型在t时刻的值；p_t-l为电动汽车充电负荷有约束回归模型在t-1时刻的值；a_l为电动汽车充电负荷功率在时滞为l时的回归权重；L为电动汽车充电负荷功率最大滞后周期数；ε_t为白噪声；

无约束回归模型：

式中，为电动汽车充电负荷功率无约束回归模型在t时刻的值；p^j _t-l为电动汽车充电负荷无约束回归模型在t-1时刻的值；a_l为电动汽车充电负荷功率在时滞为l时的回归权重；b_k,s为第k个电动汽车充电负荷影响因子在时滞为l时的回归权重；L为电动汽车充电负荷功率的最大滞后周期数；η_t为白噪声；

有约束回归模型的残差平方和RSS_r、无约束回归模型的残差平方和RSS_u以及F统计量计算公式如下：

式中，n为电动汽车充电负荷功率序列的样本容量；

检验原假设“H0：第k个电动汽车充电负荷影响因子{x_k,n}不是引起电动汽车充电负荷功率变化的Granger原因”；如果F≥F_α(k,n-s-l-1)，F_α应拒绝原假设，该电动汽车充电负荷影响因子是引起电动汽车充电负荷功率变化的时滞相关性原因；反之，则不能拒绝原假设，该电动汽车充电负荷影响因子不是引起电动汽车充电负荷功率变化的时滞相关性原因。

8.如权利要求7所述的含分布式光伏和电动汽车并网的趋势负荷预测方法，其特征在于，步骤D中，所述映射模型的表达式为：

式中，是指第n₁个电动汽车充电负荷影响因子在m时刻下的参数值，是指m时刻下的功率实测值；

式中,是第n₂个聚类簇内特征分布式光伏电场的辐照度，单位为W/m²,是区域内分布式光伏电场m时刻下的功率实测值,单位为MW。

9.如权利要求8所述的含分布式光伏和电动汽车并网的趋势负荷预测方法，其特征在于，步骤D中，分布式光伏和电动汽车误差值及评分参数，计算公式如下：

式中，是指第u个归一化聚类簇内特征分布式光伏电场的辐照度因子在v时刻下的参数值，是指第u个归一化电动汽车充电负荷影响因子在v时刻下的参数值， 是指第u个影响因子在v时刻下的参数值，max(x^(u,i))为第u个序列x^(u,i)中的最大值、min(x^(u,i))为第u个序列x^(u,i)中的最小值，为第u个归一化序列中的最大值、为第u个归一化序列中的最小值，是指第u个聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子的匹配误差值；是指待预测日第u个归一化聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子在v时刻的预报值，是指第u个历史归一化聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子在k时刻的数值，i＝1时为分布式光伏电场的辐照度因子，i＝2时为电动汽车充电负荷影响因子，w指代数据库，a指代历史数据库，预测日是指待预测日在v时刻的聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子与历史聚类簇内特征分布式光伏电场的辐照度因子及电动汽车充电负荷影响因子中k时刻数值的匹配程度评分；

步骤D中，所述待预测日的初次预报功率的具体表达式如下所示：

式中，ξ_r是指匹配误差阈值；是指待预测日v时刻所匹配的历史功率序列中kr时刻的值；是指待预测日v时刻功率中，所匹配的历史功率在kr时刻的加权系数；是待预测日v时刻的初次预报功率值。

10.如权利要求9所述的含分布式光伏和电动汽车并网的趋势负荷预测方法，其特征在于，步骤E中，所述功率最终预测值的表达式如下所示：

式中，err_v是指待预测日v时刻的预测补偿值，是指待预测日前hr天中v时刻的实际功率值，是指待预测日前hr天中v时刻的功率预测值，是待预测日v时刻的初次预报功率值，是待预测日v时刻的功率最终预测值；

步骤E中所述功率预测的滚动优化是指：经过预测优化过程的功率最终预测值，在下一时刻的预测优化过程中就变为历史数据库的待匹配对象，从而对下一时刻预测功率的优化奠定了数据基础。