CN113837485A - 光储微网系统源荷特性预测方法、系统、装置及存储介质 - Google Patents
光储微网系统源荷特性预测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113837485A CN113837485A CN202111165900.8A CN202111165900A CN113837485A CN 113837485 A CN113837485 A CN 113837485A CN 202111165900 A CN202111165900 A CN 202111165900A CN 113837485 A CN113837485 A CN 113837485A
- Authority
- CN
- China
- Prior art keywords
- load
- reference load
- point
- characteristic
- quasi
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000013450 outlier detection Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 11
- 230000008447 perception Effects 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005406 washing 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光储微网系统源荷特性预测方法、系统、装置及存储介质。本发明方法,首先获取未来辐照强度和温度数据,将未来辐照强度和温度数据输入分布式光伏出力模型中,得到未来分布式光伏出力情况;然后通过负荷分解方法将居民负荷分为基准负荷与特性负荷,可以通过滑动时间窗回归、离群点检测、最低点检测和温度相关性检测等步骤得到基准负荷点,而对于特性负荷点通过减法方式获得,并统计不同时段特性负荷出现的概率和期望,最后实现整体光储微网系统源荷特性分析与预测。该方法适用于不同地区、不同用户、不同光伏容量、不同用户用能水平下的光储微网场景,可为光储微网系统实时感知与优化调度决策提供依据。
Description
技术领域
本发明属于微电网分析与预测领域,具体涉及一种光储微网系统源荷特性预测方法、系统、装置及存储介质。
背景技术
随着海量分布式电源、电动汽车、互动负荷的接入,未来配电网系统采集和处理的数据呈海量增长,并且受用户随机需求响应、客户多样化需求、应急减灾等因素影响,配电网运行趋于复杂多样,配电网面临的风险也更为多重化,对配电管理的要求日趋提高。现有的配电网运行状态监控体系在计算速度、安全性评估、可视化、通信网络等诸多环节上均难以满足配电网发展的需求。构建有效的智能配电网风险感知和风险抑制技术,已成为高可靠弹性配电网建设的重点。通过风险感知可实现对配电网运行风险进行全面准确掌控,在风险感知基础上实施风险抑制策略,以提高配电网抵御风险的能力。
微电网作为配电网的末端,是分布式能源接入最为广泛且集中的部分,同时微电网也是用户侧负荷最直接接入的部分。微电网运行效果直接影响到整个配电网运行效果以及用户的用能情况,因此如何对微电网进行精准快速特性分析与风险感知是十分重要的。
近年来,随着分布式地缘在用户侧的广泛接入,直到2020年我国分布式电源装机容量达到1.87亿千瓦,占同期全国总装机的9.1%。由于分布式光伏的便捷性、高能源效率和绿色环保性,受到民用、商业等多方用户的青睐,其中分布式光伏装机容量超过60GW。用户侧光伏及其组建成的光伏微网系统是我国目前较为普遍的终端能源系统,然后由于光伏预测复杂性与低精确性,以及用户负荷波动与预测困难,导致光储微网系统运行过程中经常出现脱网、供能可靠性低等现象,而这一现象的本质是目前对光储微网系统特性辨识分析不够成熟,同时对于不确定性源荷特性预测精度较差,导致光储微网系统感知能力较弱,无法准确预测光储微网系统的运行。
发明内容
针对现有技术中,无法准确预测光储微网系统的运行的问题,本发明提供了一种光储微网系统源荷特性预测方法、系统、装置及存储介质。适用于不同地区、不同用户、不同光伏容量、不同用户用能水平下的光储微网场景,能够准确预测光储微网系统的运行,可为光储微网系统实时感知与优化调度决策提供依据。
实现上述目的,本发明所采用的解决方案为:
一种光储微网系统源荷特性预测方法,其特征在于,包括如下步骤:
获取未来辐照强度和温度数据,将未来辐照强度和温度数据输入分布式光伏出力模型中,得到未来分布式光伏出力情况;
将居民负荷分解为基准负荷和特性负荷,统计基准负荷的每天负荷集合,通过滑动时间窗回归、离群点检测、最低点检测和温度相关性辨识得到基准负荷集,计算基准负荷集中每一负荷点的期望值和方差,将期望值和方差进行随机扰动模拟得到基准负荷的预测值;
将历史居民负荷减去基准负荷的期望值得到特性负荷,统计不同时段特性负荷出现的概率和期望,得到特性负荷的预测值。
进一步的,所述分布式光伏出力模型如下:
PPV(t)=PNfd[G(t)/Gref][1-αT(Tc(t)-Tcref)]
其中,PPV(t)为光伏在t时段的有功出力,PN为光伏有功功率额定值,fd为光伏组件的衰减系数,Tcref为测试标准环境温度,Tc(t)为t时段的环境温度,αT为温度系数,Gref为光伏测试标准光照强度,G(t)为光伏在t时段的光照强度。
进一步的,忽略漫射光的影响时,光伏在t时段的光照强度表示为以下公式:
其中,纬度φ,太阳赤纬δ,天顶角α,太阳入射角θ,ω1、ω2分别为第t时段开始时和结束时的小时角,KT为表征气象状态的晴天指数。
进一步的,通过回归学习的方法,获取分布式光伏出力模型中的核心参数,将分布式光伏出力模型简化为以下公式进行光伏出力情况计算:
PPV(t)=AG(t)[1-B(Tc(t)-25)]
其中,A和B是回归系数。
进一步的,基准负荷的预测,具体包括如下步骤:
对于每天负荷集合X=[x1,x2,...,xN],其任意负荷点xt(t=2,…,N-1),通过滑动窗线性回归,以最小二乘法获得每一负荷点的斜率;然后判定每个负荷点的斜率情况,将低于准稳点阈值β的负荷点聚合生成准稳基准负荷点集XQS=[x1,x2,...,xM];
获得准稳基准负荷点集后,通过非参数概率密度估计判断准稳基准负荷点集中的准稳基准负荷点是否为离群点,将离群点从准稳基准负荷点集中去除,形成稳态基准负荷集XS;
获得稳态基准负荷集后,判断从X=[x1,x2,...,xN]中找到的最小值xmin与稳态基准负荷集XS中找到的最小值x'min的大小,如果xmin<x'min,则在稳态基准负荷集XS中补充数据点xmin,否则不需要;检测完毕后,形成准基准负荷集XQB;
获得准基准负荷集XQB后,去除与温度相关联的准基准负荷点,得到基准负荷集XB;
通过统计每天基准负荷集,获取每一负荷点的期望值Ei和方差σi,每个负荷点的基准负荷均满足正态分布,通过得到的期望值Ei和方差σi,进行随机扰动模拟得到预测的基准负荷。
进一步的,以最小二乘法获得每一负荷点的斜率,公式如下:
其中kt,bt是通过最小二乘法获得曲线上t点的斜率和截距。
进一步的,获取稳态基准负荷集XS的具体方式如下:
首先计算每个准稳负荷点的概率密度函数值,公式如下:
其中,f(x)代表数据点x的非参数概率密度;h是带宽,IQR为数据点的四分位距;K()为核函数;
然后计算样本点的离群值HF:找到准稳基准负荷点集XQS最大值点xmax,通过以下公式计算HF(xmax):
如果 为离群点阈值,则认为xmax为离群点,把xmax从准稳基准负荷点集XQS中去除,形成新的准稳负荷集X'QS,直到所有准稳基准负荷点都检测完毕,保留下来的准稳基准负荷点构成最后的稳态基准负荷集XS。
本发明的另一个方面,提供了一种用于所述光储微网系统源荷特性预测方法的系统,包括:
光伏出力预测模块,用于获取未来辐照强度和温度数据,将未来辐照强度和温度数据输入分布式光伏出力模型中,得到未来分布式光伏出力情况;
负荷分解模块,用于将居民负荷分解为基准负荷和特性负荷;
基准负荷预测模块,用于统计基准负荷的每天负荷集合,通过滑动时间窗回归、离群点检测、最低点检测和温度相关性辨识得到基准负荷集,计算基准负荷集中每一负荷点的期望值和方差,将期望值和方差进行随机扰动模拟得到基准负荷的预测值;
特性负荷预测模块,用于将历史居民负荷减去基准负荷的期望值得到特性负荷,统计不同时段特性负荷出现的概率和期望,得到特性负荷的预测值;
运行状态预测模块,用于将未来分布式光伏出力情况、基准负荷的预测值与特性负荷的预测值相结合,对光储微网系统的运行情况进行预测。
本发明的再一个方面,提供了一种用于所述光储微网系统源荷特性预测方法的装置,包括:存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现所述的光储微网系统源荷特性预测方法。
本发明的又一个方面,提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现所述的光储微网系统源荷特性预测方法。
本发明的有以效果如下:
本发明实施例提供的光储微网系统源荷特性预测方法,首先通过物理建模与数据驱动的方法,获取分布式光储出力特性,并实现其出力预测。然后通过负荷分解方法将居民负荷分为基准负荷与特性负荷,可以通过滑动时间窗回归、离群点检测、最低点检测和温度相关性检测等步骤得到基准负荷点,而对于特性负荷点通过减法方式获得,并统计不同时段特性负荷出现的概率和期望,最后实现整体光储微网系统源荷特性分析与预测。该方法适用于不同地区、不同用户、不同光伏容量、不同用户用能水平下的光储微网场景,可为光储微网系统实时感知与优化调度决策提供依据。
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发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例光储微网系统源荷特性预测方法的流程图。
图2为本发明实施例中北京延庆地区光伏出力模拟情况图。
图3为本发明实施例中实际真实光照与SolarGIS系统预测结果对比图。
图4为本发明实施例中实际功率与预测功率之间的偏差。
图5为本发明实施例中不同时间段基准负荷与特性负荷的划分图。
图6为本发明实施例中某一用户某一天典型负荷曲线。
图7为本发明实施例中经过四个检测步骤后得到的某天基准负荷的结果。
图8为本发明实施例中某一光储微网用户基准负荷分布箱型图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
针对光储微网系统实时感知与风险辨识的需求,本发明提供了一种光储微网系统源荷特性预测方法、系统、装置及存储介质。本发明方法所适应的光储微网系统包括光伏系统、配套储能系统以及居民负荷这三种设备资源,通过简单低压配电网络直接连接。光储微网系统属于一个独立发用电小型微网系统,其中源荷不确定性较大。
如图1所示,本实施例提供的光储微网系统源荷特性预测方法,首先通过物理建模与数据驱动的方法,获取分布式光储出力特性,并实现其出力预测。然后通过负荷分解方法将居民负荷分为基准负荷与特性负荷,可以通过滑动时间窗回归、离群点检测、最低点检测和温度相关性检测等步骤得到基准负荷点,而对于特性负荷点通过减法方式获得,并统计不同时段特性负荷出现的概率和期望,最后实现整体光储微网系统源荷特性分析与预测。将预测结果用于光储微网系统的精细化风险感知,除了常规负荷预测外还可以预测空调负荷部分,同时该结果也可以用于基于风险感知结果的运行控制,并将运行控制手段延伸至户用空调负荷。适用于不同地区、不同用户、不同光伏容量、不同用户用能水平下的光储微网场景,能够准确预测光出微网系统运行,可为光储微网系统实时感知与优化调度决策提供依据。具体步骤如下:
S1、针对光储微网系统中光伏出力波动与预测困难问题,通过数据驱动与模型驱动结合的方法对分布式光伏出力进行预测。模型驱动指的就是光伏出力与天气因素的关系表达式,即分布式光伏出力主要受光伏板温度与太阳辐照度有关,具体如下:
首先建立光伏系统出力数学模型,分布式光伏出力主要受光伏板温度与太阳辐照度相关,并且满足以下公式:
PPV(t)=PNfd[G(t)/Gref][1-αT(Tc(t)-Tcref)]
其中,PPV(t)为光伏在t时段的有功出力,PN为光伏有功功率额定值,fd为光伏组件的衰减系数,Tcref为测试标准环境温度,Tc(t)为t时段的环境温度,αT为温度系数,Gref为光伏测试标准光照强度,G(t)为光伏在t时段的光照强度,可依据日地天文关系进行计算。若忽略漫射光的影响,光伏在t时段的光照强度可以表示为以下公式:
其中纬度φ,太阳赤纬δ,天顶角α,太阳入射角θ,ω1、ω2分别为第t时段开始时和结束时的小时角,KT为表征气象状态的晴天指数。
以北京延庆地区为例,该地区纬度为40.36°,经度为115.92°。取Gref=1000W/m2,Tcref=25℃,αT=5%,模拟峰值功率为1p.u.,光伏组件的出力,光伏面板的倾角为10°,方位角为0°。从“NASA Surface Meterology and Solar Energy”数据库可以获取月平均晴空指数,以及日太阳辐射、温度等数据,如下表所示。
表1北京延庆地区气象数据及光照数据
通过以上数据可以还原每天光伏出力情况,图2所示的是北京延庆地区光伏出力模拟情况,可以用来验证物理模型的准确性。
S2、数据驱动方法为,通过历史辐照数据G(t)、温度数据Tc(t)和光伏出力数据PPV(t)的收集和统计,然后通过回归学习的方法获取光伏出力公式中的核心参数。其中辐照数据和温度数据通过SolarGIS等微气象数据系统进行收集和预测,实际真实光照与SolarGIS系统预测结果对比如图3所示。
接着通过回归公式将光伏系统出力数学模型简化为以下公式:
PPV(t)=AG(t)[1-B(Tc(t)-25)]
其中A和B是回归需要计算的系数。获取系数A和B后,光伏出力可以直接通过辐照强度与温度数据计算出来。通过化简可以得到:基本线性回归表达式:原问题等价于求解a和b参数,系数A=0.00097,B=0.00162。
S3、通过SolarGIS等微气象数据系统预测未来天气状况,获知未来辐照强度和温度数据,预测未来分布式光伏出力情况。本实施例提供的预测方法属于间接预测方法,与基于历史光伏数据进行直接预测相比而言,间接预测方法精度上可以有较大提升。图4展示的是实际功率与预测功率之间的偏差。
S4、光储微网系统中另一类不确定性较大的是居民负荷,居民负荷特性分析与预测可以采用分解预测方法。具体如下:
首先将居民负荷分解为基准负荷和特性负荷,基准负荷是常用并且较为稳定平均的负荷部分,主要组成部分有常开电气,例如电冰箱、显示器、防盗防火设备等。而特性负荷是随机使用并且功率较大的负荷部分,主要组成部分有空调、洗衣机、电吹风等。图5展示的是不同时间段基准负荷与特性负荷的划分。
S41、首先对于基准负荷的预测,总共有四个步骤。
(1)对于每天负荷集合X=[x1,x2,...,xN](N个数据点),典型负荷曲线如图6所示,对于任意负荷点xt(t=2,…,N-1),可以通过滑动窗线性回归,通过最小二乘法获得每一点的斜率,公式如下:
其中kt,bt是通过最小二乘法获得曲线上t点的斜率和截距。然后判定每个点的斜率情况,如果低于准稳点阈值β,即|kt|≤β,即判定这个点是满足准稳基准负荷点的,满足上述约束的点最后聚合生成准稳基准负荷点集XQS=[x1,x2,...,xM](M个准稳基准负荷点)。
(2)获得准稳基准负荷点集后,通过非参数概率密度估计判断这些数据点是否偏离这个数据片段,如果偏离片段即说明这个点不是基准负荷点,反之同理。
对于非参数概率密度估计,首先计算每个准稳基准负荷点的概率密度函数值,公式如下:
然后计算样本点的离群值HF,首先找到准稳基准负荷点集XQS最大值点xmax,通过以下公式计算HF(xmax):
其中代表不包含xmax对应xi概率密度值,代表包含xmax对应xmax概率密度值。如果 为离群点阈值,则认为xmax为离群点,则需要把xmax从准稳基准负荷点集XQS中去除,形成新的准稳负荷集X'QS。直到所有点都检测完毕后,保留下来的点构成最后的稳态基准负荷集XS。
(3)获得稳态基准负荷集后XS,进一步检验最低点或者最低负荷水平是否保留,因为步骤6和7可能会把这些点去除掉了,造成得到的稳态基准负荷集不准确。因此就要判断从X=[x1,x2,...,xN]中找到的最小值xmin与稳态基准负荷集XS中找到的最小值x'min的大小,如果xmin<x'min,则需要在基准负荷集XS中补充数据点xmin,否则不需要。检测完毕后,更新后的数据集形成了准基准负荷集XQB。
(4)获得准基准负荷集XQB后,去除大离群点,即与温度相关联的点,这些点由于空调、电暖气等温控负荷造成。因此通过准基准负荷点与室外环境温度之间进行相关性分析,将相关性较大的点认为与温度相关的点,即大离群点。将大离群点从基准负荷集XQB中去除,得到基准负荷集XB。
图7展示的是经过基准点检测、离群点去除、最低负荷水平检测和温度相关性检测四个步骤后得到的某一天基准负荷结果,值为1代表该点为基准负荷,值为0代表该点不是基准负荷。
通过统计每天基准负荷集,找到不同时间点基准负荷集的分布,每天基准负荷较为稳定,可以获取每一负荷点的期望值Ei和方差σi。对于未来基准负荷的预测认为每个负荷点的基准负荷满足正态分布,通过得到的期望值Ei和方差σi,某一光储微网用户基准负荷分布箱型图如图7所示。同时根据这些统计值,形成未来预测负荷点的随机扰动值基准负荷是稳定的,得到基准负荷不同时刻的期望值和方差,通过期望值和方差通过随机扰动模拟得到预测值,这个随机扰动的设置就是在进行预测。
S42、然后对于特性负荷进行预测。通过整体负荷值减去基准负荷期望值,便可以确定不同时间点特性负荷值由于光储微网系统中储能运行控制时间尺度较大,一般按照15分钟或者30分钟数量级进行控制,因此只需统计不同时段特性负荷出现期望值和方差,就能得到特性负荷的预测值,以服务光储微网系统的运行控制。特性负荷的负荷点在不同时间段范围内呈现稳定状态。统计不同时间段下特性负荷用电量,并将该期望值作为未来特性负荷值的预测结果。
作为一种示例,将未来分布式光伏出力情况、基准负荷的预测值与特性负荷的预测值相结合,对光储微网系统的运行情况进行预测,具体来说,就是依据光伏的出力情况和微网系统的负荷预测,判断未来一段时间内的微网系统状态走向,从而对电网调度运行、微网系统运行、储能等方面进行调控,并利用未来一段时间内的微网系统状态走向针对性的做出预案。
本发明的另一个方面,提供了一种用于所述光储微网系统源荷特性预测方法的系统,包括:
光伏出力预测模块,用于获取未来辐照强度和温度数据,将未来辐照强度和温度数据输入分布式光伏出力模型中,得到未来分布式光伏出力情况;
负荷分解模块,用于将居民负荷分解为基准负荷和特性负荷;
基准负荷预测模块,用于统计基准负荷的每天负荷集合,通过滑动时间窗回归、离群点检测、最低点检测和温度相关性辨识得到基准负荷集,计算基准负荷集中每一负荷点的期望值和方差,将期望值和方差进行随机扰动模拟得到基准负荷的预测值;
特性负荷预测模块,用于将历史居民负荷减去基准负荷的期望值得到特性负荷,统计不同时段特性负荷出现的概率和期望,得到特性负荷的预测值;
运行状态预测模块,用于将未来分布式光伏出力情况、基准负荷的预测值与特性负荷的预测值相结合,对光储微网系统的运行情况进行预测。
本发明的再一个方面,提供了一种用于所述光储微网系统源荷特性预测方法的装置,包括:存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现所述的光储微网系统源荷特性预测方法。
本发明的又一个方面,提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现所述的光储微网系统源荷特性预测方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种光储微网系统源荷特性预测方法,其特征在于,包括如下步骤:
获取未来辐照强度和温度数据,将未来辐照强度和温度数据输入分布式光伏出力模型中,得到未来分布式光伏出力情况;
将居民负荷分解为基准负荷和特性负荷,统计基准负荷的每天负荷集合,通过滑动时间窗回归、离群点检测、最低点检测和温度相关性辨识得到基准负荷集,计算基准负荷集中每一负荷点的期望值和方差,将期望值和方差进行随机扰动模拟得到基准负荷的预测值;
将历史居民负荷减去基准负荷的期望值得到特性负荷,统计不同时段特性负荷出现的概率和期望,得到特性负荷的预测值;
将未来分布式光伏出力情况、基准负荷的预测值与特性负荷的预测值相结合,对光储微网系统的运行情况进行预测。
2.根据权利要求1所述的光储微网系统源荷特性预测方法,其特征在于,所述分布式光伏出力模型如下:
PPV(t)=PNfd[G(t)/Gref][1-αT(Tc(t)-Tcref)]
其中,PPV(t)为光伏在t时段的有功出力,PN为光伏有功功率额定值,fd为光伏组件的衰减系数,Tcref为测试标准环境温度,Tc(t)为t时段的环境温度,αT为温度系数,Gref为光伏测试标准光照强度,G(t)为光伏在t时段的光照强度。
4.根据权利要求2所述的光储微网系统源荷特性预测方法,其特征在于,通过回归学习的方法,获取分布式光伏出力模型中的核心参数,将分布式光伏出力模型简化为以下公式进行光伏出力情况计算:
PPV(t)=AG(t)[1-B(Tc(t)-25)]
其中,A和B是回归系数。
5.根据权利要求1所述的光储微网系统源荷特性预测方法,其特征在于,基准负荷的预测,具体包括如下步骤:
对于每天负荷集合X=[x1,x2,...,xN],其任意负荷点xt(t=2,…,N-1),通过滑动窗线性回归,以最小二乘法获得每一负荷点的斜率;然后判定每个负荷点的斜率情况,将低于准稳点阈值β的负荷点聚合生成准稳基准负荷点集XQS=[x1,x2,...,xM];
获得准稳基准负荷点集后,通过非参数概率密度估计判断准稳基准负荷点集中的准稳基准负荷点是否为离群点,将离群点从准稳基准负荷点集中去除,形成稳态基准负荷集XS;
获得稳态基准负荷集后,判断从X=[x1,x2,...,xN]中找到的最小值xmin与稳态基准负荷集XS中找到的最小值x'min的大小,如果xmin<x'min,则在稳态基准负荷集XS中补充数据点xmin,否则不需要;检测完毕后,形成准基准负荷集XQB;
获得准基准负荷集XQB后,去除与温度相关联的准基准负荷点,得到基准负荷集XB;
通过统计每天基准负荷集,获取每一负荷点的期望值Ei和方差σi,每个负荷点的基准负荷均满足正态分布,通过得到的期望值Ei和方差σi,进行随机扰动模拟得到预测的基准负荷。
7.根据权利要求5所述的光储微网系统源荷特性预测方法,其特征在于,获取稳态基准负荷集XS的具体方式如下:
首先计算每个准稳负荷点的概率密度函数值,公式如下:
其中,f(x)代表数据点x的非参数概率密度;h是带宽,IQR为数据点的四分位距;K()为核函数;
然后计算样本点的离群值HF:找到准稳基准负荷点集XQS最大值点xmax,通过以下公式计算HF(xmax):
8.一种用于权利要求1~7任一项所述光储微网系统源荷特性预测方法的系统,其特征在于,包括:
光伏出力预测模块,用于获取未来辐照强度和温度数据,将未来辐照强度和温度数据输入分布式光伏出力模型中,得到未来分布式光伏出力情况;
负荷分解模块,用于将居民负荷分解为基准负荷和特性负荷;
基准负荷预测模块,用于统计基准负荷的每天负荷集合,通过滑动时间窗回归、离群点检测、最低点检测和温度相关性辨识得到基准负荷集,计算基准负荷集中每一负荷点的期望值和方差,将期望值和方差进行随机扰动模拟得到基准负荷的预测值;
特性负荷预测模块,用于将历史居民负荷减去基准负荷的期望值得到特性负荷,统计不同时段特性负荷出现的概率和期望,得到特性负荷的预测值;
运行状态预测模块,用于将未来分布式光伏出力情况、基准负荷的预测值与特性负荷的预测值相结合,对光储微网系统的运行情况进行预测。
9.一种用于权利要求1~7任一项所述光储微网系统源荷特性预测方法的装置,其特征在于,包括:存储器和处理器;
所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现权利要求1~7任一项所述的光储微网系统源荷特性预测方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现权利要求1~7任一项所述的光储微网系统源荷特性预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111165900.8A CN113837485B (zh) | 2021-09-30 | 2021-09-30 | 光储微网系统源荷特性预测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111165900.8A CN113837485B (zh) | 2021-09-30 | 2021-09-30 | 光储微网系统源荷特性预测方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837485A true CN113837485A (zh) | 2021-12-24 |
CN113837485B CN113837485B (zh) | 2023-09-26 |
Family
ID=78967953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111165900.8A Active CN113837485B (zh) | 2021-09-30 | 2021-09-30 | 光储微网系统源荷特性预测方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837485B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796926A (zh) * | 2023-06-30 | 2023-09-22 | 国家电网有限公司华东分部 | 低压侧新能源资源聚合容量评估方法及装置、介质、设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111917111A (zh) * | 2020-07-09 | 2020-11-10 | 国网北京市电力公司 | 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 |
CN111985805A (zh) * | 2020-08-17 | 2020-11-24 | 国网山东省电力公司经济技术研究院 | 综合能源系统动态需求响应的方法及系统 |
-
2021
- 2021-09-30 CN CN202111165900.8A patent/CN113837485B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111917111A (zh) * | 2020-07-09 | 2020-11-10 | 国网北京市电力公司 | 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 |
CN111985805A (zh) * | 2020-08-17 | 2020-11-24 | 国网山东省电力公司经济技术研究院 | 综合能源系统动态需求响应的方法及系统 |
Non-Patent Citations (1)
Title |
---|
杨柳青;马群凯;刘晓军;刘迎迎;郝光耀;: "含风光柴储的独立微电网容量优化配置研究", 吉林电力, no. 02, pages 23 - 27 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796926A (zh) * | 2023-06-30 | 2023-09-22 | 国家电网有限公司华东分部 | 低压侧新能源资源聚合容量评估方法及装置、介质、设备 |
CN116796926B (zh) * | 2023-06-30 | 2024-03-15 | 国家电网有限公司华东分部 | 低压侧新能源资源聚合容量评估方法及装置、介质、设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113837485B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model | |
Liu et al. | Random forest solar power forecast based on classification optimization | |
Liu et al. | Prediction of short-term PV power output and uncertainty analysis | |
Yousefi et al. | A comparison study on stochastic modeling methods for home energy management systems | |
Lazos et al. | Optimisation of energy management in commercial buildings with weather forecasting inputs: A review | |
CN110556820B (zh) | 用于确定能量系统操作场景的方法和设备 | |
Park et al. | Predictive model for PV power generation using RNN (LSTM) | |
Bakhtiari et al. | Predicting the stochastic behavior of uncertainty sources in planning a stand-alone renewable energy-based microgrid using Metropolis–coupled Markov chain Monte Carlo simulation | |
Fan et al. | Review of uncertainty modeling for optimal operation of integrated energy system | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Lu et al. | Data-driven stochastic programming for energy storage system planning in high PV-penetrated distribution network | |
CN113572157A (zh) | 一种基于近端策略优化的用户实时自治能量管理优化方法 | |
CN112994092B (zh) | 一种基于功率预测的独立风光储微电网系统尺寸规划方法 | |
CN111754037A (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
Yao et al. | Management of cascading outage risk based on risk gradient and Markovian tree search | |
CN114676583A (zh) | 用电对象的能耗预测方法、装置、电子设备和存储介质 | |
CN113837485B (zh) | 光储微网系统源荷特性预测方法、系统、装置及存储介质 | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
Chen et al. | Research on short-term load forecasting of new-type power system based on GCN-LSTM considering multiple influencing factors | |
Wang et al. | Uncertainty modeling method of weather elements based on deep learning for robust solar energy generation of building | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Rouhani et al. | Soft clustering based probabilistic power flow with correlated inter temporal events | |
CN116976200A (zh) | 基于用电行为划分的空调实时监测与动态建模方法及系统 | |
Zi-hao et al. | A thermal energy usage prediction method for electric thermal storage heaters based on deep learning |
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 |