CN116227637A - 一种面向有源配电网的精细化负荷预测方法和系统 - Google Patents
一种面向有源配电网的精细化负荷预测方法和系统 Download PDFInfo
- Publication number
- CN116227637A CN116227637A CN202310168557.5A CN202310168557A CN116227637A CN 116227637 A CN116227637 A CN 116227637A CN 202310168557 A CN202310168557 A CN 202310168557A CN 116227637 A CN116227637 A CN 116227637A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- prediction
- short
- term
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004140 cleaning Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000005611 electricity Effects 0.000 claims abstract description 14
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 38
- 238000010248 power generation Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 230000002354 daily effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
- G06Q10/025—Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种面向有源配电网的精细化负荷预测方法和系统。精确划分光伏功率和用电负荷,根据坏数据的类别用不同方法对光伏功率数据和用电负荷数据进行数据清洗,采用卷积神经网络ResNet18_1D搭建模型预测光伏功率,挖掘各行业负荷特性规律,采用循环神经网络GRU结构搭建模型预测用电负荷,累加光伏功率和用电负荷预测值得到有源配电网的精细化负荷预测结果。该方法能够实现对有源电力负荷的精准预测,满足了新型有源配电网负荷预测的要求,提升了预测准确率。
Description
技术领域
本发明涉及一种面向有源配电网的精细化负荷预测方法和系统。
背景技术
随着分布式发电大规模接入,传统配网运行方式发生改变,可能带来潮流倒送、电压越限、继电保护误动作等情况,当前对分布式电源接入的运行情况缺少有效的评估手段和运行优化支撑手段,配网感知控制能力不足,配电终端覆盖比例低,电网信息采集能力不足,数据接入、治理、分析应用的水平仍需提升;且大量分布式电源的接入改变了负荷曲线的形状和特征,其负荷模型的通用性进一步降低,无法适应未来电网发展。现有配网负荷预测方法大多只考虑等值负荷的数据,仅依赖历史负荷数据作为数据源建立模型,未考虑分布式电源接入对负荷曲线形状和特征的影响,没有对有源配电网负荷的发电成分和用电成分进行精确划分,预测模型没有考虑负荷行业类型和气象环境等因素的影响,影响负荷预测的精准度。
光伏功率预测可以分为物理法、统计法、机器学习法和混合法。物理法是根据光伏发电原理建立的数学模型,利用数值天气预报等方式得到的太阳辐照度、温度、湿度、云量、气压、风速和风向等数据直接计算得到光伏发电功率。统计法是将太阳辐照度/风速、光伏发电出力等经过处理的历史数据,通过曲线拟合、参数估计、关联关系分析等手段,建立输入-输出数据之间的关联映射关系(即数据模型),实现对未来光伏发电出力预测,常见的统计预测法包括时间序列法、模糊理论、灰色理论、回归分析法和时空关联法等。机器学习法通常是指利用神经网络通过相关算法来学习输入和输出之间的映射关系来进行预测,且已经成为目前光伏预测比较常用的方法;用电负荷预测目前国内常用方法主要为人工智能预测方法,如采用支持向量机、云计算方法与多元回归方法相结合、卷积神经网络和长短期记忆人工神经网络、XGBoost算法、基于注意力机制的长短期记忆人工神经网络、GRU-NN模型等,一定程度上降低了负荷预测误差。
发明内容
本发明的目的在于提供一种面向有源配电网的精细化负荷预测方法和系统,精确划分光伏发电成分和用电成分,挖掘各行业负荷特性规律,分别预测光伏功率和用电负荷,最终累加得到有源配电网的精细化负荷预测结果。
为实现上述目的,本发明的技术方案是:一种面向有源配电网的精细化负荷预测方法,包括如下步骤:
步骤S1、负荷/功率数据清洗:将配变等值负荷按照拓扑结构、分布式光伏功率数据分成分布式光伏功率数据的发电分量和用电负荷分量;对分布式光伏功率数据和用电负荷数据分别进行数据清洗;
步骤S2、分布式光伏功率预测:为每个分布式光伏单站建立模型,基于模型进行短期和超短期的功率预测,然后根据拓扑关系和地理位置累加得到配变/台区-馈线-变电站-区县-地市各层级的光伏功率预测结果;
步骤S3、行业负荷特性分析:行业负荷特性分析包括两个部分,第一步是通过历史负荷数据分析各行业负荷和不同气象影响因素的关系,挖掘各行业主要的影响因素;第二步是使用聚类分析方法,提取负荷相似日的典型特征曲线;
步骤S4、精细化负荷预测:精细化负荷预测包括三个步骤:①基于行业特性分析结果为每个配变建立负荷预测模型;②基于模型得到配变的用电负荷预测结果,结合相应配变下的光伏功率预测结果,累加得到相应配变的精细化负荷预测结果;③基于拓扑关系和地理位置,基于配变的预测结果得到地市-区县-变电站-馈线各层级的负荷预测结果。
在本发明一实施例中,所述步骤S1具体实现如下:
(1)分布式光伏功率数据清洗
光伏发电功率的异常数据分为三种,分别是局部缺失值、异常波动数据、以及非正常数据;对三种不良数据的处理方法如下:
①局部缺失值:对于缺失值根据前4天相同天气相同时刻的数据,采用动态权值修正的方式来弥补当前时刻的缺失值,对于一天内缺失较多数据的情况,直接删除当天一整天的数据;动态权值修正方法如下:
②异常波动数据:光伏发电功率的异常波动数据分为两种情况,一种是由于天气状况突变导致的光伏发电功率波动;另一种天气状况未发生明显波动,光伏功率数据却出现异常波动;前者属于正常现象,后者属于不良数据,需要剔除;当检测出异常波动数据时,要先检查气象数据是否发生明显变化,若有明显变化,则跳过该数据,反之剔除该数据,采用动态权值修正方法重新修正出一新的数据;
③对于非正常数据,出现超出正常范围的数据,若超出光伏电站的最大发电功率按异常波动数据处理,若出现负数,则用0替代;
(2)用电负荷数据清洗
负荷数据的不良数据分为局部缺失值、异常波动数据以及非正常数据三种,处理方法如下:
对于负荷的异常波动数据,通过采用密度聚类算法DBSCAN实现负荷历史数据的异常波动数据识别;DBSCAN算法在模型训练过程中,有2个重要参数需要明确,一个参数是样本最小值min_samples,代表形成聚类簇的样本点最小数量;另一个参数是距离eps,代表同一个聚类簇内样本点之间的最大距离;当某个样本点不在以eps为单位的聚类簇圆内,则此样本点很有可能为异常点;负荷数据清洗的样本最小值min_samples设定为单次识别样本数的10%,距离eps设定为样本的10倍标准差;
根据待修正负荷历史数据的实际情况,当数据清洗当日近期的工作日或节假日同类型日的负荷数据没有异常点时,则以同类型日的日负荷为基础曲线,采用倍比嫁接法修正原始负荷数据,否则采用线性插值法进行修正;倍比嫁接法公式如下:
i=p,p+1,p+2,…,q
式中,xc为异常数据点修正后的值,xt为基础曲线的值,xd为待修正曲线正确点的值,p到q为异常数据点;
在本发明一实施例中,所述步骤S2具体实现如下:
1)短期功率预测
采用卷积神经网络ResNet18_1D结构搭建分布式光伏短期功率预测模型,以包括光伏历史功率、辐照度、温度的气象数据为输入特征,预测日光伏功率为训练目标搭建短期功率预测模型,进行分布式光伏短期功率预测;基于数值天气预报提供的网格气象数据输入模型,得到未来3天的分布式光伏短期功率预测结果;基于有限输入延迟的输入输出模型建立方法和卷积神经网络结构特点,设计一维卷积神经网络预测模型;选择单天每天多个数据构造一维卷积神经网络构造输入输出模型用于光伏功率预测,提取相似时间之间的时间相关关系;其中X={x1,x2,…,x96},单天输入变量的个数为96,Y为光伏功率,预测天气预报数据对应当天的光伏功率;
模型设计和训练参数设计如下:
卷积层设计:移动步幅设置为1,边界填充方式选择SAME;
池化层设计:选择最大池化方法;同时考虑到输入数据长宽的不对称性,混合使用大小为1*2和2*2的最大池化卷积核,步幅为2;
激活函数:选择LeakyRelu函数;
全连接层设计:和输出Y的维度保持一致;
网络优化训练参数设计:梯度下降法选择指数衰减梯度下降法,优化算法选择Adam法,损失函数使用功率预测值和真实值计算SmoothL1Loss;同时为防止过拟合,模型中加入dropout层;
数据划分:数据划分标准按照将历史数据以8:2的比例划分成训练数据和测试数据,将所有测试数据作为验证数据在训练时进行模型验证,然后输入到网络中进行网络的训练、验证和测试;
学习率衰减策略:采用指数衰减的方式;
2)超短期功率预测
采用循环神经网络算法,基于气象监测装置采集的数据,训练超短期辐照度预测模型;采用极端梯度提升算法XgBoost训练光伏功率超短期预测模型;对于气象装置范围内的分布式光伏,通过气象监测装置边端计算得到的超短期辐照度数据和包括温度、湿度的当日数据,输入超短期光伏功率预测模型进行预测;对于气象装置范围外的分布式光伏通过网格气象数据+气象监测装置接校正的方式得到超短期辐照度预测数据,再输入超短期光伏功率预测模型进行预测,输出未来4小时的分布式光伏超短期功率预测结果。
在本发明一实施例中,所述步骤S3具体实现如下:
1)影响因素分析
采用相关性分析法得到不同行业负荷和温度、湿度、气压、风速、风向、降雨量之间的相关性,得到不同行业负荷的主要影响因素,作为负荷预测模型结构的参考;相关系数作为不同行业负荷和温度、湿度、气压、风速、风向、降雨量之间的相关性大小的参考标准,计算公式如下式所示:
式中:R为相关系数;cov(x,y)为x和y的协方差;D(x)、D(y)分别为两要素间的均方差;相关系数r值在-l到1之问,如果r>0,表示两要素间呈正相关;如果间,表示两要素间呈负相关;如果r的绝对值越接近1,要素x、y之间就呈现较强的线性关系;如果r的绝对值越接近O,则说明x、y之间呈现的线性关系越弱;0<|r|<1,表示x、y有相关关系,但是非线性关系;|r|≥0.7,视为高度相关;0.4<|r|<0.7,视为显著性相关;|r|<0.4,视为弱相关;
2)提取典型特征曲线
采用自适应k值的k-means聚类算法对各负荷近一年的历史负荷进行聚类分析计算典型特征曲线;采用余弦相似度距离作为聚类距离指标,余弦相似度计算方法如下:
式中,Pi=[pi1,pi2,…,piN]和Pj=[pj1,pj2,…,pjN]为i和j两天的日负荷曲线,N为一天的采样点数;
选用轮廓系数作为聚类结果的评价指标,在预定范围内扫描k值,选取最大的轮廓系数作为最优k值,此时的聚类结果为最优;轮廓系数的计算方法如下:
式中:a(i)是样本Pi到同簇其他样本Pj的平均距离;b(i)是样本Pi到其他簇所有样本Pj的平均距离;M为样本个数,所有样本的轮廓系数取平均值得到整体聚类结果的轮廓系数S。
在本发明一实施例中,所述步骤S4具体实现步骤如下:
1)建立负荷预测模型
采用循环神经网络GRU门单元搭建短期负荷预测模型,模型训练所需数据包括配变的历史负荷数据,配变的台账数据,以及历史的气象数据;基于循环神经网络GRU门单元的短期负荷预测模型包括三层GRU层,每个GRU层后增加Dropout层,避免模型训练过程中的过拟合,输出层的两个全连接层用以将GRU门单元的特征映射成为输出层的1×96的预测输出的96点日负荷数据;模型的训练目标为预测日的有功;模型的输入特征包括:
a)预测日前三天历史负荷曲线和相似日典型负荷曲线,历史负荷数据作归一化处理;
b)预测日前三天、相似日的有效气象数据,气象数据做归一化处理;
c)日期类型,采用one-hot编码处理日期类型;
2)计算配变精细化负荷预测结果
将预测日前3天、上周同1天的历史负荷,预测日的气象数据和日期类型做归一化处理和one-hot编码处理之后输入模型得到预测日及后2天,共3天的短期用电负荷预测结果;
未来0-4小时的超短期预测结果通过实时负荷与短期预测结果校正的方式给出:
现场数据点的采样时间为15分钟,设δt=15分钟;
超短期预测时间范围为4个小时,设N=16;
用当前时刻t往前N个δt时刻的短期负荷预测相对误差αs来预测超短期预测的相对误差αus,t+δt时刻的超短期预测结果Fus(t+δt)的计算公式如下:
式中,Y(t)和Fs(t)分别表示t时刻的实际和短期预测值,Wn表示t-n·δt时刻的权重;
将用电负荷预测结果和光伏功率预测结果相加,得到配变的短期精细化负荷预测结果;
3)计算各层级负荷预测结果
预测得到配变的短期精细化负荷预测结果,根据拓扑关系累加得到地市-区县-变电站-馈线各层级设备的精细化负荷预测结果。
本发明还提供了一种面向有源配电网的精细化负荷预测系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上述所述的方法步骤。
相较于现有技术,本发明具有以下有益效果:
(1)对光伏功率和用电负荷分别进行数据清洗,识别异常数据,补全缺失数据和异常数据,避免异常数据影响模型训练和预测结果。
(2)分析不同行业用电负荷和不同气象影响因素的关系,挖掘各行业主要的影响因素,使用聚类分析方法,提取负荷相似日的典型特征曲线,其作为负荷预测的重要特征,输入到预测模型,避免了光伏功率对负荷特征稳定性的影响。
(3)分别对配变的光伏功率和用电负荷进行预测,再累加得到整体的精细化负荷预测结果,在数据的处理上更加精细化,预测准确率更高。
附图说明
图1为负荷/功率数据清洗示意图。
图2为DBSCAN算法流程图。
图3为一维卷积神经网络预测模型结构图。
图4为精细化负荷预测流程图。
图5为循环神经网络GRU门单元搭建短期负荷预测模型结构。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明一种面向有源配电网的精细化负荷预测方法,包括如下步骤:
步骤S1、负荷/功率数据清洗:将配变等值负荷按照拓扑结构、分布式光伏功率数据分成分布式光伏功率数据的发电分量和用电负荷分量;对分布式光伏功率数据和用电负荷数据分别进行数据清洗;
步骤S2、分布式光伏功率预测:为每个分布式光伏单站建立模型,基于模型进行短期和超短期的功率预测,然后根据拓扑关系和地理位置累加得到配变/台区-馈线-变电站-区县-地市各层级的光伏功率预测结果;
步骤S3、行业负荷特性分析:行业负荷特性分析包括两个部分,第一步是通过历史负荷数据分析各行业负荷和不同气象影响因素的关系,挖掘各行业主要的影响因素;第二步是使用聚类分析方法,提取负荷相似日的典型特征曲线;
步骤S4、精细化负荷预测:精细化负荷预测包括三个步骤:①基于行业特性分析结果为每个配变建立负荷预测模型;②基于模型得到配变的用电负荷预测结果,结合相应配变下的光伏功率预测结果,累加得到相应配变的精细化负荷预测结果;③基于拓扑关系和地理位置,基于配变的预测结果得到地市-区县-变电站-馈线各层级的负荷预测结果。
如图1-5所示,本发明一种面向分布式光伏大量接入的有源配电网的精细化负荷预测方法,具体包括如下步骤:
(1)负荷/功率数据清洗
如图1所示,将配变等值负荷按照拓扑结构、分布式光伏功率数据分成分布式光伏功率数据的发电分量和用电负荷分量。对分布式光伏功率和负荷分别进行数据清洗。
(1)分布式光伏功率数据清洗
光伏发电功率的异常数据分为三种,分别是局部缺失值、异常波动数据、以及非正常数据。对三种不良数据的处理方法如下:
①局部缺失值:通常表现为连续数据的中断,部分时刻对应的数据缺失;对于缺失值根据前4天相同天气相同时刻的数据,采用动态权值修正的方式来弥补当前时刻的缺失值,对于一天内缺失较多数据的情况,为了不影响最终的预测结果,直接删除当天一整天的数据。动态权值修正方法如下:
②异常波动数据:光伏发电功率的异常波动数据分为两种情况,一种是由于天气状况突变导致的光伏发电功率波动;另一种天气状况未发生明显波动,光伏功率数据却出现异常波动。前者属于正常现象,后者属于不良数据,需要剔除。当检测出异常波动数据时,要先检查气象数据是否发生明显变化,若有明显变化,则跳过该数据,反之剔除该数据,采用动态权值修正方法重新修正出一新的数据。
③对于光伏发电功率的非正常数据,出现超出正常范围的数据,若超出光伏电站的最大发电功率按异常波动数据处理,若出现负数,则用0替代。
(2)用电负荷数据清洗
负荷数据的不良数据也分为主要分为局部缺失值、异常波动数据以及非正常数据三种,处理方法如下:
对于负荷的异常波动数据,通过采用密度聚类算法DBSCAN实现负荷历史数据的异常波动数据识别。识别流程如图2所示。
DBSCAN算法在模型训练过程中,有2个重要参数需要明确。一个参数是样本最小值min_samples,代表形成聚类簇的样本点最小数量;另一个参数是距离eps,代表同一个聚类簇内样本点之间的最大距离。当某个样本点不在以eps为单位的聚类簇圆内,则此样本点很有可能为异常点。负荷数据清洗的样本最小值min_samples设定为单次识别样本数的10%,距离eps设定为样本的10倍标准差。
根据待修正负荷历史数据的实际情况,当数据清洗当日近期的工作日或节假日同类型日的负荷数据没有异常点时,则以同类型日的日负荷为基础曲线,采用倍比嫁接法修正原始负荷数据,否则采用线性插值法进行修正。倍比嫁接法公式如下:
i=p,p+1,p+2,…,q
式中,xc为异常数据点修正后的值,xt为基础曲线的值,xd为待修正曲线正确点的值,p到q为异常数据点;
(2)分布式光伏功率预测
分布式光伏功率预测为每个分布式光伏单站建立模型,基于模型进行短期和超短期的功率预测,然后根据拓扑关系和地理位置累加得到配变/台区-馈线-变电站-区县-地市各层级的光伏功率预测结果。
1)短期功率预测
采用卷积神经网络ResNet18_1D结构搭建分布式光伏短期功率预测模型,以光伏历史功率、辐照度、温度等气象数据为输入特征,预测日光伏功率为训练目标搭建短期功率预测模型,进行分布式光伏短期功率预测。基于数值天气预报提供的网格气象数据输入模型,得到未来3天的分布式光伏短期功率预测结果。基于有限输入延迟的输入输出模型建立方法和卷积神经网络结构特点,设计如图所示的一维卷积神经网络预测模型结构图,如图3所示。
如图3所示,选择了单天每天多个数据构造一维卷积神经网络构造输入输出模型用于光伏功率预测,提取相似时间之间的时间相关关系。其中X={x1,x2,…,x96},单天输入变量的个数为96,Y为光伏功率,预测天气预报数据对应当天的光伏功率。
模型设计和训练参数设计如下:
卷积层设计:移动步幅设置为1,边界填充方式选择SAME。
池化层设计:选择最大池化方法。同时考虑到输入数据长宽的不对称性,混合使用大小为1*2和2*2的最大池化卷积核,步幅为2。
激活函数:选择LeakyRelu函数。
全连接层设计:和输出Y的维度保持一致。
网络优化训练参数设计:梯度下降法选择指数衰减梯度下降法,优化算法选择Adam法,损失函数使用功率预测值和真实值计算SmoothL1Loss。同时为了防止过拟合,模型中加入了dropout层。
数据划分:数据划分标准按照将历史数据以8:2的比例划分成训练数据和测试数据,将所有测试数据作为验证数据在训练时进行模型验证,然后输入到网络中进行网络的训练、验证和测试。
学习率衰减策略:采用指数衰减的方式。
2)超短期功率预测
采用循环神经网络算法,基于气象监测装置采集的数据,训练超短期辐照度预测模型。采用极端梯度提升算法XgBoost训练光伏功率超短期预测模型。对于气象装置范围内的分布式光伏,通过气象监测装置边端计算得到的超短期辐照度数据和温度、湿度等当日数据,输入超短期光伏功率预测模型进行预测;对于气象装置范围外的分布式光伏通过网格气象数据+气象监测装置接校正的方式得到超短期辐照度预测数据,再输入超短期光伏功率预测模型进行预测,输出未来4小时的分布式光伏超短期功率预测结果。
(3)行业负荷特性分析
行业负荷特性分析包括两个部分,第一步是通过历史负荷数据分析各行业负荷和不同气象影响因素的关系,挖掘各行业主要的影响因素;第二步是使用聚类分析方法,提取负荷相似日的典型特征曲线。
1)影响因素分析
采用相关性分析法得到不同行业负荷和温度、湿度、气压、风速、风向、降雨量之间的相关性,得到不同行业负荷的主要影响因素,作为负荷预测模型结构的参考。相关系数作为不同行业负荷和温度、湿度、气压、风速、风向、降雨量之间的相关性大小的参考标准,计算公式如下式所示:
式中:R为相关系数;cov(x,y)为x和y的协方差;D(x)、D(y)分别为两要素间的均方差。相关系数r值在-l到1之问,如果r>0,表示两要素间呈正相关;如果间,表示两要素间呈负相关。如果r的绝对值越接近1,要素x、y之间就呈现较强的线性关系;如果r的绝对值越接近O,则说明x、y之间呈现的线性关系越弱;一般情况下,0<|r|<1,表示x、y有相关关系,但是非线性关系;|r|≥0.7,视为高度相关;0.4<|r|<0.7,视为显著性相关;|r|<0.4,视为弱相关。
2)提取典型特征曲线
采用自适应k值的k-means聚类算法对各负荷近一年的历史负荷进行聚类分析计算典型特征曲线。采用余弦相似度距离作为聚类距离指标,余弦相似度计算方法如下:
式中,Pi=[pi1,pi2,…,piN]和Pj=[pj1,pj2,…,pjN]为i和j两天的日负荷曲线,N为一天的采样点数。
选用轮廓系数作为聚类结果的评价指标,在一定范围内扫描k值,选取最大的轮廓系数作为最优k值,此时的聚类结果为最优。轮廓系数的计算方法如下:
式中:a(i)是样本Pi到同簇其他样本Pj的平均距离;b(i)是样本Pi到其他簇所有样本Pj的平均距离。M为样本个数,所有样本的轮廓系数取平均值得到整体聚类结果的轮廓系数S。
(4)精细化负荷预测
如图4所示,在经过数据清洗和负荷特性分析之后,精细化负荷预测包括三个步骤:①基于行业特性分析结果为每个配变建立负荷预测模型;②基于模型得到配变的用电负荷预测结果,结合该配变下的光伏功率预测结果,累加得到该配变的精细化负荷预测结果;③基于拓扑关系和地理位置,基于配变的预测结果得到地市-区县-变电站-馈线各层级的负荷预测结果。具体步骤如下:
1)建立负荷预测模型
采用循环神经网络GRU门单元搭建短期负荷预测模型,模型训练所需数据包括配变的历史负荷数据,配变的台账数据,包括配变的标识、行业类型、容量、地理位置、拓扑关系等,以及历史的气象数据。模型结构如图5所示。
基于循环神经网络GRU门单元的短期负荷预测模型包括三层GRU层,每个GRU层后增加Dropout层,避免模型训练过程中的过拟合,输出层的两个全连接层用以将GRU门单元的特征映射成为输出层的1×96的预测输出的96点日负荷数据。
模型的训练目标为预测日的有功。模型的输入特征包括:
a)预测日前三天历史负荷曲线和相似日典型负荷曲线,历史负荷数据作归一化处理;
b)预测日前三天、相似日的有效气象数据,气象数据做归一化处理;
c)日期类型,采用one-hot编码处理日期类型,编码标准如下表1所示:
表1
2)计算配变精细化负荷预测结果
将预测日前3天、上周同1天的历史负荷,预测日的气象数据和日期类型做归一化处理和one-hot编码处理之后输入模型得到预测日及后2天,共3天的短期用电负荷预测结果。
未来0-4小时的超短期预测结果通过实时负荷与短期预测结果校正的方式给出:
现场数据点的采样时间一般为15分钟,设δt=15分钟;
超短期预测时间范围一般为4个小时,设N=16;
用当前时刻t往前N个δt时刻的短期负荷预测相对误差αs来预测超短期预测的相对误差αus,t+δt时刻的超短期预测结果Fus(t+δt)的计算公式如下:
式中,Y(t)和Fs(t)分别表示t时刻的实际和短期预测值,Wn表示t-n·δt时刻的权重。
将用电负荷预测结果和光伏功率预测结果相加,得到配变的短期精细化负荷预测结果。
3)计算各层级负荷预测结果
预测得到配变的短期精细化负荷预测结果,根据拓扑关系累加得到地市-区县-变电站-馈线各层级设备的精细化负荷预测结果。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种面向有源配电网的精细化负荷预测方法,其特征在于,包括如下步骤:
步骤S1、负荷/功率数据清洗:将配变等值负荷按照拓扑结构、分布式光伏功率数据分成分布式光伏功率数据的发电分量和用电负荷分量;对分布式光伏功率数据和用电负荷数据分别进行数据清洗;
步骤S2、分布式光伏功率预测:为每个分布式光伏单站建立模型,基于模型进行短期和超短期的功率预测,然后根据拓扑关系和地理位置累加得到配变/台区-馈线-变电站-区县-地市各层级的光伏功率预测结果;
步骤S3、行业负荷特性分析:行业负荷特性分析包括两个部分,第一步是通过历史负荷数据分析各行业负荷和不同气象影响因素的关系,挖掘各行业主要的影响因素;第二步是使用聚类分析方法,提取负荷相似日的典型特征曲线;
步骤S4、精细化负荷预测:精细化负荷预测包括三个步骤:①基于行业特性分析结果为每个配变建立负荷预测模型;②基于模型得到配变的用电负荷预测结果,结合相应配变下的光伏功率预测结果,累加得到相应配变的精细化负荷预测结果;③基于拓扑关系和地理位置,基于配变的预测结果得到地市-区县-变电站-馈线各层级的负荷预测结果。
2.根据权利要求1所述的一种面向有源配电网的精细化负荷预测方法,其特征在于,所述步骤S1具体实现如下:
(1)分布式光伏功率数据清洗
光伏发电功率的异常数据分为三种,分别是局部缺失值、异常波动数据、以及非正常数据;对三种不良数据的处理方法如下:
①局部缺失值:对于缺失值根据前4天相同天气相同时刻的数据,采用动态权值修正的方式来弥补当前时刻的缺失值,对于一天内缺失较多数据的情况,直接删除当天一整天的数据;动态权值修正方法如下:
②异常波动数据:光伏发电功率的异常波动数据分为两种情况,一种是由于天气状况突变导致的光伏发电功率波动;另一种天气状况未发生明显波动,光伏功率数据却出现异常波动;前者属于正常现象,后者属于不良数据,需要剔除;当检测出异常波动数据时,要先检查气象数据是否发生明显变化,若有明显变化,则跳过该数据,反之剔除该数据,采用动态权值修正方法重新修正出一新的数据;
③对于非正常数据,出现超出正常范围的数据,若超出光伏电站的最大发电功率按异常波动数据处理,若出现负数,则用0替代;
(2)用电负荷数据清洗
负荷数据的不良数据分为局部缺失值、异常波动数据以及非正常数据三种,处理方法如下:
对于负荷的异常波动数据,通过采用密度聚类算法DBSCAN实现负荷历史数据的异常波动数据识别;DBSCAN算法在模型训练过程中,有2个重要参数需要明确,一个参数是样本最小值min_samples,代表形成聚类簇的样本点最小数量;另一个参数是距离eps,代表同一个聚类簇内样本点之间的最大距离;当某个样本点不在以eps为单位的聚类簇圆内,则此样本点很有可能为异常点;负荷数据清洗的样本最小值min_samples设定为单次识别样本数的10%,距离eps设定为样本的10倍标准差;
根据待修正负荷历史数据的实际情况,当数据清洗当日近期的工作日或节假日同类型日的负荷数据没有异常点时,则以同类型日的日负荷为基础曲线,采用倍比嫁接法修正原始负荷数据,否则采用线性插值法进行修正;倍比嫁接法公式如下:
i=p,p+1,p+2,…,q
式中,xc为异常数据点修正后的值,xt为基础曲线的值,xd为待修正曲线正确点的值,p到q为异常数据点;
3.根据权利要求1所述的一种面向有源配电网的精细化负荷预测方法,其特征在于,所述步骤S2具体实现如下:
1)短期功率预测
采用卷积神经网络ResNet18_1D结构搭建分布式光伏短期功率预测模型,以包括光伏历史功率、辐照度、温度的气象数据为输入特征,预测日光伏功率为训练目标搭建短期功率预测模型,进行分布式光伏短期功率预测;基于数值天气预报提供的网格气象数据输入模型,得到未来3天的分布式光伏短期功率预测结果;基于有限输入延迟的输入输出模型建立方法和卷积神经网络结构特点,设计一维卷积神经网络预测模型;选择单天每天多个数据构造一维卷积神经网络构造输入输出模型用于光伏功率预测,提取相似时间之间的时间相关关系;其中X={x1,x2,…,x96},单天输入变量的个数为96,Y为光伏功率,预测天气预报数据对应当天的光伏功率;
模型设计和训练参数设计如下:
卷积层设计:移动步幅设置为1,边界填充方式选择SAME;
池化层设计:选择最大池化方法;同时考虑到输入数据长宽的不对称性,混合使用大小为1*2和2*2的最大池化卷积核,步幅为2;
激活函数:选择LeakyRelu函数;
全连接层设计:和输出Y的维度保持一致;
网络优化训练参数设计:梯度下降法选择指数衰减梯度下降法,优化算法选择Adam法,损失函数使用功率预测值和真实值计算SmoothL1Loss;同时为防止过拟合,模型中加入dropout层;
数据划分:数据划分标准按照将历史数据以8:2的比例划分成训练数据和测试数据,将所有测试数据作为验证数据在训练时进行模型验证,然后输入到网络中进行网络的训练、验证和测试;
学习率衰减策略:采用指数衰减的方式;
2)超短期功率预测
采用循环神经网络算法,基于气象监测装置采集的数据,训练超短期辐照度预测模型;采用极端梯度提升算法XgBoost训练光伏功率超短期预测模型;对于气象装置范围内的分布式光伏,通过气象监测装置边端计算得到的超短期辐照度数据和包括温度、湿度的当日数据,输入超短期光伏功率预测模型进行预测;对于气象装置范围外的分布式光伏通过网格气象数据+气象监测装置接校正的方式得到超短期辐照度预测数据,再输入超短期光伏功率预测模型进行预测,输出未来4小时的分布式光伏超短期功率预测结果。
4.根据权利要求1所述的一种面向有源配电网的精细化负荷预测方法,其特征在于,所述步骤S3具体实现如下:
1)影响因素分析
采用相关性分析法得到不同行业负荷和温度、湿度、气压、风速、风向、降雨量之间的相关性,得到不同行业负荷的主要影响因素,作为负荷预测模型结构的参考;相关系数作为不同行业负荷和温度、湿度、气压、风速、风向、降雨量之间的相关性大小的参考标准,计算公式如下式所示:
式中:R为相关系数;cov(x,y)为x和y的协方差;D(x)、D(y)分别为两要素间的均方差;相关系数r值在-l到1之问,如果r>0,表示两要素间呈正相关;如果间,表示两要素间呈负相关;如果r的绝对值越接近1,要素x、y之间就呈现较强的线性关系;如果r的绝对值越接近O,则说明x、y之间呈现的线性关系越弱;0<|r|<1,表示x、y有相关关系,但是非线性关系;|r|≥0.7,视为高度相关;0.4<|r|<0.7,视为显著性相关;|r|<0.4,视为弱相关;
2)提取典型特征曲线
采用自适应k值的k-means聚类算法对各负荷近一年的历史负荷进行聚类分析计算典型特征曲线;采用余弦相似度距离作为聚类距离指标,余弦相似度计算方法如下:
式中,Pi=[pi1,pi2,…,piN]和Pj=[pj1,pj2,…,pjN]为i和j两天的日负荷曲线,N为一天的采样点数;
选用轮廓系数作为聚类结果的评价指标,在预定范围内扫描k值,选取最大的轮廓系数作为最优k值,此时的聚类结果为最优;轮廓系数的计算方法如下:
式中:a(i)是样本Pi到同簇其他样本Pj的平均距离;b(i)是样本Pi到其他簇所有样本Pj的平均距离;M为样本个数,所有样本的轮廓系数取平均值得到整体聚类结果的轮廓系数S。
5.根据权利要求1所述的一种面向有源配电网的精细化负荷预测方法,其特征在于,所述步骤S4具体实现步骤如下:
1)建立负荷预测模型
采用循环神经网络GRU门单元搭建短期负荷预测模型,模型训练所需数据包括配变的历史负荷数据,配变的台账数据,以及历史的气象数据;基于循环神经网络GRU门单元的短期负荷预测模型包括三层GRU层,每个GRU层后增加Dropout层,避免模型训练过程中的过拟合,输出层的两个全连接层用以将GRU门单元的特征映射成为输出层的1×96的预测输出的96点日负荷数据;模型的训练目标为预测日的有功;模型的输入特征包括:
a)预测日前三天历史负荷曲线和相似日典型负荷曲线,历史负荷数据作归一化处理;
b)预测日前三天、相似日的有效气象数据,气象数据做归一化处理;
c)日期类型,采用one-hot编码处理日期类型;
2)计算配变精细化负荷预测结果
将预测日前3天、上周同1天的历史负荷,预测日的气象数据和日期类型做归一化处理和one-hot编码处理之后输入模型得到预测日及后2天,共3天的短期用电负荷预测结果;
未来0-4小时的超短期预测结果通过实时负荷与短期预测结果校正的方式给出:
现场数据点的采样时间为15分钟,设δt=15分钟;
超短期预测时间范围为4个小时,设N=16;
用当前时刻t往前N个δt时刻的短期负荷预测相对误差αs来预测超短期预测的相对误差αus,t+δt时刻的超短期预测结果Fus(t+δt)的计算公式如下:
式中,Y(t)和Fs(t)分别表示t时刻的实际和短期预测值,Wn表示t-n·δt时刻的权重;
将用电负荷预测结果和光伏功率预测结果相加,得到配变的短期精细化负荷预测结果;
3)计算各层级负荷预测结果
预测得到配变的短期精细化负荷预测结果,根据拓扑关系累加得到地市-区县-变电站-馈线各层级设备的精细化负荷预测结果。
6.一种面向有源配电网的精细化负荷预测系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310168557.5A CN116227637A (zh) | 2023-02-27 | 2023-02-27 | 一种面向有源配电网的精细化负荷预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310168557.5A CN116227637A (zh) | 2023-02-27 | 2023-02-27 | 一种面向有源配电网的精细化负荷预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116227637A true CN116227637A (zh) | 2023-06-06 |
Family
ID=86571047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310168557.5A Pending CN116227637A (zh) | 2023-02-27 | 2023-02-27 | 一种面向有源配电网的精细化负荷预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227637A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432874A (zh) * | 2023-06-14 | 2023-07-14 | 青岛鼎信通讯科技有限公司 | 一种基于特征功率的分布式光伏功率预测方法 |
CN116720631A (zh) * | 2023-08-09 | 2023-09-08 | 深圳市洛丁光电有限公司 | 一种分布式光伏发电电量分析预测方法、系统及存储介质 |
CN116865263A (zh) * | 2023-08-30 | 2023-10-10 | 天津市普迅电力信息技术有限公司 | 一种基于空间网格的分布式光伏功率预测方法 |
CN117937478A (zh) * | 2024-03-22 | 2024-04-26 | 长江三峡集团实业发展(北京)有限公司 | 光伏功率预测方法、装置、计算机设备及存储介质 |
-
2023
- 2023-02-27 CN CN202310168557.5A patent/CN116227637A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432874A (zh) * | 2023-06-14 | 2023-07-14 | 青岛鼎信通讯科技有限公司 | 一种基于特征功率的分布式光伏功率预测方法 |
CN116720631A (zh) * | 2023-08-09 | 2023-09-08 | 深圳市洛丁光电有限公司 | 一种分布式光伏发电电量分析预测方法、系统及存储介质 |
CN116720631B (zh) * | 2023-08-09 | 2023-12-19 | 深圳市洛丁光电有限公司 | 一种分布式光伏发电电量分析预测方法、系统及存储介质 |
CN116865263A (zh) * | 2023-08-30 | 2023-10-10 | 天津市普迅电力信息技术有限公司 | 一种基于空间网格的分布式光伏功率预测方法 |
CN116865263B (zh) * | 2023-08-30 | 2024-01-09 | 天津市普迅电力信息技术有限公司 | 一种基于空间网格的分布式光伏功率预测方法 |
CN117937478A (zh) * | 2024-03-22 | 2024-04-26 | 长江三峡集团实业发展(北京)有限公司 | 光伏功率预测方法、装置、计算机设备及存储介质 |
CN117937478B (zh) * | 2024-03-22 | 2024-05-28 | 长江三峡集团实业发展(北京)有限公司 | 光伏功率预测方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
CN107679715A (zh) | 一种基于spc的电能表综合误差过程能力评价方法及评价系统 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN112085285A (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
CN111754029A (zh) | 一种社区负荷预测系统 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN115481772A (zh) | 一种光伏发电量预测方法及装置 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 |
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 |