CN116937562A - 分布式光伏接入的电能质量预测方法、装置以及电力系统 - Google Patents
分布式光伏接入的电能质量预测方法、装置以及电力系统 Download PDFInfo
- Publication number
- CN116937562A CN116937562A CN202310912373.5A CN202310912373A CN116937562A CN 116937562 A CN116937562 A CN 116937562A CN 202310912373 A CN202310912373 A CN 202310912373A CN 116937562 A CN116937562 A CN 116937562A
- Authority
- CN
- China
- Prior art keywords
- power generation
- power
- user
- users
- predicted
- 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 58
- 238000010248 power generation Methods 0.000 claims abstract description 327
- 230000005611 electricity Effects 0.000 claims description 98
- 238000012549 training Methods 0.000 claims description 51
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000002269 spontaneous effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- 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
- H02J3/46—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种分布式光伏接入的电能质量预测方法、装置以及电力系统,方法包括:根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量,以及根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量,根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测。由此,根据所有发电用户的预测光伏发电量和所有用电用户的预测用电量,能够有效感知发用电用户未来时刻的功率情况,避免台区出现电能质量问题。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种分布式光伏接入的电能质量预测方法、一种分布式光伏接入的电能质量预测装置、一种计算机可读存储介质和一种电力系统。
背景技术
随着社会的不断发展,环境污染和能源匮乏问题随之凸显,新能源的开发利用已经成为可持续发展中尤为重要的环节。光伏发电作为一种绿色清洁能源,近几年得以发展规模化迅速建设,由于分布式新能源的广泛接入,配电网结构越来越复杂,运行方式也复杂多变,配电网已经由原来的“无源”发展为“有源”,给电网和用户在设备安全稳定运行等方面都带来了严峻的挑战。台区电能质量作为配电网安全稳定运行下的重要指标,但是分布式光伏发电受限于光照因素影响,存在随机性和间歇性,可能导致电压波动,导致对台区电能质量的影响分析存在较大的准确性、及时性、稳定性问题。另外,分布式光伏发电产生的直流电经过逆变器调制为交流电后才能并入配电网,但并网逆变器在高频调制直流电过程中容易产生谐波,谐波经并联输出后放大,存在难以预测与治理的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的第一个目的在于提出一种分布式光伏接入的电能质量预测方法,获得目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量,根据所有发电用户的预测光伏发电量和所有用电用户的预测用电量对电能质量进行预测,能够有效感知发用电用户未来时刻的功率情况,避免台区出现电能质量问题。
本发明的第二个目的在于提出一种分布式光伏接入的电能质量预测装置。
本发明的第三个目的在于提出一种计算机可读存储介质。
本发明的第四个目的在于提出一种电力系统。
为达到上述目的,本发明第一方面实施例提出了一种分布式光伏接入的电能质量预测方法,所述方法包括:根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量,以及根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量;根据所述目标发电用户集合中所有发电用户的所述预测光伏发电量和所述目标用电用户集合中所有用电用户的所述预测用电量对电能质量进行预测。
根据本发明实施例的分布式光伏接入的电能质量预测方法,根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量,以及根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量,然后根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测。由此,该方法获得目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量,根据所有发电用户的预测光伏发电量和所有用电用户的预测用电量对电能质量进行预测,能够有效感知发用电用户未来时刻的功率情况,避免台区出现电能质量问题。
另外,根据本发明上述实施例的分布式光伏接入的电能质量预测方法还可以具有如下的附加技术特征:
根据本发明的一些实施例,根据所述目标发电用户集合中所有发电用户的所述预测光伏发电量和所述目标用电用户集合中所有用电用户的所述预测用电量对电能质量进行预测,包括:在所述所有发电用户的预测光伏发电量之和减所述所有用电用户的预测用电量之和的差值大于预设阈值的情况下,确定电能质量预测结果为重过载。
根据本发明的一些实施例,上述分布式光伏接入的电能质量预测方法,还包括:获取当前台区下所有用户的发电属性;根据所有用户的发电属性确定当前台区下的所述目标发电用户集合和所述目标用电用户集合;其中,所述发电属性包括自发自用、全部上网和余电上网,所述发电用户包括全部上网用户和余电上网用户,所述用电用户包括自发自用用户。
根据本发明的一些实施例,上述分布式光伏接入的电能质量预测方法还包括:获取单个发电用户的多组历史数据,作为该发电用户的发电用户训练集;采用神经网络模型对所述发电用户训练集进行训练,以得到该发电用户的所述第一预测模型;其中,所述发电用户的历史数据包括:同一时间下的光伏发电量、辐照信息、天气信息、时间信息和温度信息。
根据本发明的一些实施例,上述分布式光伏接入的电能质量预测方法还包括:获取单个用电用户的多组历史数据,作为该用电用户的用电用户训练集;采用神经网络模型对所述用电用户训练集进行训练,以得到该用电用户的所述第二预测模型;其中,所述用电用户的历史数据包括:同一时间下的用电量、天气信息、时间信息和温度信息。
根据本发明的一些实施例,所述辐照信息包括辐照度,所述时间信息包括日期和季节中的一种,所述天气信息包括晴天、多云、阴天、雨天、雪天。
根据本发明的一些实施例,上述分布式光伏接入的电能质量预测方法,还包括:采用均方根百分比误差对所述第一预测模型和所述第二预测模型进行评估,以获得评估结果;根据所述评估结果对所述第一预测模型和所述第二预测模型进行优化。
为达到上述目的,本发明第二方面实施例提出了一种分布式光伏接入的电能质量预测装置,包括:第一预测模块,用于根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量;第二预测模块,用于根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量;第三预测模块,用于根据所述目标发电用户集合中所有发电用户的所述预测光伏发电量和所述目标用电用户集合中所有用电用户的所述预测用电量对电能质量进行预测。
根据本发明实施例的分布式光伏接入的电能质量预测装置,第一预测模块根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量,第二预测模块根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量,第三预测模块根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测。由此,该装置获得目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量,根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测,能够有效感知发用电用户未来时刻的功率情况,避免台区出现电能质量问题。
另外,根据本发明上述实施例的分布式光伏接入的电能质量预测装置还可以具有如下的附加技术特征:
根据本发明的一些实施例,第三预测模块根据所述目标发电用户集合中所有发电用户的所述预测光伏发电量和所述目标用电用户集合中所有用电用户的所述预测用电量对电能质量进行预测,具体用于:在所述所有发电用户的预测光伏发电量之和减所述所有用电用户的预测用电量之和的差值大于预设阈值的情况下,确定电能质量预测结果为重过载。
根据本发明的另一些实施例,上述的分布式光伏接入的电能质量预测装置,还包括:第一获取模块,用于获取当前台区下所有用户的发电属性;确定模块,用于根据所有用户的发电属性确定当前台区下的所述目标发电用户集合和所述目标用电用户集合;其中,所述发电属性包括自发自用、全部上网和余电上网,所述发电用户包括全部上网用户和余电上网用户,所述用电用户包括自发自用用户。
根据本发明的一些实施例,上述的分布式光伏接入的电能质量预测装置,还包括:第二获取模块,用于获取单个发电用户的多组历史数据,作为该发电用户的发电用户训练集;第一训练模块,用于采用神经网络模型对所述发电用户训练集进行训练,以得到该发电用户的所述第一预测模型;其中,所述发电用户的历史数据包括:同一时间下的光伏发电量、辐照信息、天气信息、时间信息和温度信息。
根据本发明的一些实施例,上述的分布式光伏接入的电能质量预测装置,还包括:第三获取模块,用于获取单个用电用户的多组历史数据,作为该用电用户的用电用户训练集;第二训练模块,用于采用神经网络模型对所述用电用户训练集进行训练,以得到该用电用户的所述第二预测模型;其中,所述用电用户的历史数据包括:同一时间下的用电量、天气信息、时间信息和温度信息。
根据本发明的一些实施例,所述辐照信息包括辐照度,所述时间信息包括日期和季节中的一种,所述天气信息包括晴天、多云、阴天、雨天、雪天。
根据本发明的一些实施例,上述的分布式光伏接入的电能质量预测装置,还包括:评估模块,用于采用均方根百分比误差对所述第一预测模型和所述第二预测模型进行评估,以获得评估结果;优化模块,用于根据所述评估结果对所述第一预测模型和所述第二预测模型进行优化。
为达到上述目的,本发明第三方面实施例提出了一种计算机可读存储介质,其上存储有分布式光伏接入的电能质量预测程序,该分布式光伏接入的电能质量预测程序被处理器执行时实现上述的分布式光伏接入的电能质量预测方法。
本发明实施例的计算机可读存储介质,通过执行上述的分布式光伏接入的电能质量预测方法,能够有效感知发用电用户未来时刻的功率情况,避免台区出现电能质量问题。
为达到上述目的,本发明第四方面实施例提出了一种电力系统,包括:存储器、处理器及存储在存储器上并可在处理器上运行的分布式光伏接入的电能质量预测程序,所述处理器执行所述分布式光伏接入的电能质量预测程序时,实现上述的分布式光伏接入的电能质量预测方法。
根据本发明实施例的电力系统,通过执行上述的分布式光伏接入的电能质量预测方法,能够有效感知发用电用户未来时刻的功率情况,避免台区出现电能质量问题。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为根据本发明一些实施例的分布式光伏接入的电能质量预测方法的流程图;
图2为根据本发明一些实施例的神经网络模型示意图;
图3为根据本发明一些实施例的台区下所有用电用户的用电示意图;
图4为根据本发明一些实施例的光伏发电特性示意图;
图5为根据本发明一些实施例的分布式光伏接入的电能质量预测方法的流程图;
图6为根据本发明一些实施例的分布式光伏接入的电能质量预测装置的方框示意图;
图7为根据本发明一些实施例的分布式光伏接入的电能质量预测装置的方框示意图;
图8为根据本发明一些实施例的电力系统的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例提出的分布式光伏接入的电能质量预测方法、分布式光伏接入的电能质量预测装置、计算机可读存储介质和电力系统。
图1为根据本发明一些实施例的分布式光伏接入的电能质量预测方法的流程图。
如图1所示,本发明实施例的分布式光伏接入的电能质量预测方法可包括以下步骤:
S1,根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量,以及根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量。
S2,根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测。
具体而言,根据用户的身份标识可以确定用户是发电用户还是用电用户,确定当前台区下所有用户的类型,就可以得到该台区下所有的发电用户和所有的用电用户,根据所有发电用户作为该台区下的目标发电用户集合,以及根据所有用电用户作为该台区下的目标用电用户集合。以待预测光伏发电量的时间为t1,获取每个发电用户在t1时刻的光伏发电量、辐照信息、天气信息、时间信息和温度信息,其中,每个发电用户在t1时刻的光伏发电量可根据用户的电表容量确定,辐照信息可由用户的光伏组件大小确定,天气信息和温度信息,以及该发电用户对应的第一预测模型可通过终端设备获取,时间信息可以包括季节、月份或者具体的月份和日期确定。获取对光伏发电量有影响的多维度数据,每个发电用户均有相对应的第一预测模型,由此可以得到每个用户在t1时刻的预测光伏发电量。
同样地,以待预测用电量的时间为t1,获取每个用户在t1时刻的用电量、天气信息、时间信息和温度信息,以及该发电用户对应的第二预测模型,通过获取用户用电的多维度数据,每个用电用户均有相对应的第二预测模型,由此可以得到每个用户在t1时刻的预测用电量。示例性地,在夏天温度较高时,用户有开启空调制冷的需求,且空调温度设置较低,此时用电量就会增大;又如,冬季温度较低时,用户有开启空调制热的需求,此时用电量也会比较大;再如,春秋季节,用户没有开启空调的需求,此时用电量就会减少。示例性地,该用电用户为上班族,用电时间一般在下班时间,相比较于居家用户,用电量会相对较少。
在获取每一个发电用户的预测发电量后,可以得到目标发电用户集合中所有发电用户的预测光伏发电量之和,同样地,在获取每个用电用户的预测用电量后,可以得到目标用电用户集合中所有用电用户的预测用电量之和。根据预测光伏发电量的总量和预测用电量的总量以及台区本身的容量,就可以对t1时刻的电能质量进行预测,例如,当前台区下所有发电用户的发电量是存入该台区下的,所有用电用户的用电量也是从该台区取电,在t1时刻下,该台区存储的电量超过了其所能承受的功率的情况下,认为是电能预测结果为重过载情况;如果没有超过,则说明该台区不会出现重过载情况,电能预测结果为正常。
需要说明的是,获得预测光伏发电量和获得预测用电量的顺序不分先后,可以是先获得预测光伏发电量,再获得预测用电量,也可以是先预测用电量,再获得预测光伏发电量,也可以是获得预测光伏发电量和获得预测用电量同时执行,这里不做限定。
由此,本申请的实施例通过对每个发电用户的发电量和每个用电用户的用电量进行预测,使得预测结果更加准确,能够预测未来时刻台区的重过载情况,实现对电能质量的预测。
根据本发明的一些实施例,根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测,包括:在所有发电用户的预测光伏发电量之和减所有用电用户的预测用电量之和的差值大于预设阈值的情况下,确定电能质量预测结果为重过载,其中,预设阈值可以为该台区的额定值。
也就是说,台区本身的额定功率已经确定,该台区下的光伏发电用户的光伏发电量会存储在台区内的储能装置中,该台区下的用电用户从储能装置中取电,在当前时刻下,根据光伏发电量和光伏用电量之间的差值,就可以确定储能装置中的剩余电量,在剩余电量超过一定阈值的情况下,说明该台区出现了重过载的情况。在台区出现重过载的情况下,如果将台区存储的电能并入电网,则很容易引起电压波动与闪变、谐波污染、电压越限等电能质量问题,因此可以对电能质量进行预测。
需要说明的是,重过载是指超过设备能够承受的能力,会造成设备出现故障,例如,当台区的容量为315kVA时,有冗余值为315kVA+10KA,在315kVA+10KA之内,台区不会出现故障,但是超过这个值,就会出现故障。
在本发明的一些实施例中,上述的分布式光伏接入的电能质量预测方法,还包括:获取当前台区下所有用户的发电属性和用户标识;根据所有用户的发电属性和用户标识确定当前台区下的目标发电用户集合和目标用电用户集合;其中,发电属性包括自发自用、全部上网和余电上网,目标发电用户包括全部上网用户和余电上网用户,目标用电用户包括用电用户。
具体而言,在电力系统中,每个台区都会有对应的台区标识,每个台区下会记录所有用户的信息,每个用户都会有相应的用户标识,例如,发电用户标识和用电用户标识,而对于发电用户而言,还包括发电属性,发电属性一般包括自发自用、全部上网、余电上网三种情况,而自发自用的情况下,不会将光伏发电的电能存储到该台区的储能装置中,因此不需要考虑自发自用的发电用户,将全部上网和余电上网对应的用户列入目标发电用户集合。根据用户标识确定其为用电用户时,将该用户列入目标用电用户集合。
下面介绍第一预测模型和第二预测模型的训练,详细介绍第一预设模型的建立,第二预测模型和第一预测模型的思路和训练方法相同,不再单独介绍。
在本发明的一些实施例中,上述的分布式光伏接入的电能质量预测方法还包括:获取单个发电用户的多组历史数据,作为该发电用户的发电用户训练集;采用神经网络模型对发电用户训练集进行训练,以得到该发电用户的第一预测模型;其中,发电用户的历史数据包括:同一时间下的光伏发电量、辐照信息、天气信息、时间信息和温度信息。
在本发明的一些实施例中,辐照信息包括辐照度,时间信息包括日期和季节中的一种,天气信息包括晴天、多云、阴天、雨天、雪天。
具体而言,目标发电用户集合中包括N个发电用户,N个发电用户的第一预测模型的训练方法均相同,以其中一个发电用户A为例,细化描述第一预测模型的训练方法。获取基准日典型曲线(基准日典型曲线为根据调度计划确定的计划曲线)、基准日辐照度、基准日天气、基准日温度,获取发电用户A在前三天中96组历史数据,每组历史数据中均包括光伏发电量、辐照数据、天气信息、时间信息和温度信息,时间信息可以包括日期、季节或者日期和季节,其中,还可以对工作日、节假日进行标记。如图2所示,将96组数据作为发电用户A的发电用户训练集,采用神经网络模型(如BP神经网络模型)进行模型训练,以得到发电用户A的第一预测模型,将96组数据作为BP神经网络模型的输入,用户发电量作为输出。
具体地,对发电用户/用电用户的历史数据进行分析,数据分析模型可基于融合终端,减少集中分析处理的压力,提高分析效率。收集用电用户的历史数据,并将其存储为时间序列数据,时间单位为分钟,例如,采集周期T为15min。将采集到的用电用户的历史数据采用模型C均值聚类算法对各个用户的原始数据进行聚类分析。采用模型C均值聚类算法对各个用户的原始数据进行聚类分析,从而得到聚类分析结果,提取原始数据的特征曲线,也就是上述描述的发电用户训练集,作为BP神经网络模型的输入。其中,原始用户发电数据的特征曲线不包括自发自用的数据,需要在最初获取数据时判别一次发电属性,把发电属性为自发自用的数据进行删除,保留全部上网和余电上网的数据;原始数据的特征曲线的横轴为时间,纵轴为重过载功率。模糊C均值聚类算法作为一种常见的局部搜素算法,其关键是求取目标函数的极值点,目标函数的读取可以分为两种情况,情况一:基于原始数据进行仿真,得到目标函数;情况二:通过提取到的特征曲线。目标函数的极值点为聚类中心和数据点之间的距离加权和,从而得到聚类中心的迭代公式,通过构建拉格朗日函数,迭代求取各用户样本到聚类中心的全局加权距离平方和最小值以获得最优聚类中心,进而对原始数据的特征曲线进行修正。
在本发明的一些实施例中,上述的分布式光伏接入的电能质量预测方法还包括:获取单个用电用户的多组历史数据,作为该用电用户的用电用户训练集;采用神经网络模型对用电用户训练集进行训练,以得到该用电用户的第二预测模型;其中,用电用户的历史数据包括:同一时间下的用电量、天气信息、时间信息和温度信息。
需要说明的是,用电用户的第二预测模型的训练方法和发电用户的第一预测模型的训练方法相同,这里不再赘述。
示例性地,以某农村配变台区为例说明用电情况,通过对近5年(2018年-2022年)的用电情况,以及单个变压器下所有用户在每个月的用电情况进行数据分析如表1所示,其中,电量单位为万千瓦时,例如,在2021年6月,该台区下所有用户的用电量为242万千瓦时。
结合表1和图3可以看出,用电季节性差异较为明显,以4月份为例,其为非空调及电暖使用季节,用电量较小;以8月份为例,其为季节性高温属于空调使用季节,用电量较大;以2月份为例,其为季节性低温属于空调使用季节,用电量较大。
示例性地,某台区下光照强度对光伏发电的影响,光伏发电基本原理利用光生伏特效应将光能直接转化为电能,其发电功率受光照强度直接影响,虽然同一个地区年均光照强度总体差异不大,但光照强度一般从早上逐渐增加到中午达到最强,随后逐渐减弱到晚上达到最弱,同时光照强度在一个小时段内由于云层等影响具有一定的随机性,因此光伏发电输出具有间歇性和波动性的特征。如图4所示,光照一般在早上8:00到下午5:00,光伏发电在中午12:00左右的光伏强度最高,发电量最多,居民用电晚高峰集中在17:00~24:00点,而此时的光伏发电微弱甚至停止发电。
在本发明的一些实施例中,基于“云-边-端”架构建立单个用户的预测模型,结合资源优势及模型训练后续可扩展性构建神经网络预测模型。基于高精度网格化天气预报进行未来多日光伏发电用户未来时刻的发电功率预测以及用电用户的用电曲线预测,采用神经网络模型进行预测,将各个用户的预测模型结合边缘计算终端设备,边缘计算终端设备可以采集到数据,考虑未来的天气预报以及实时气象、检修停电等因素,对各个用户进行预测。可实现对台区下光伏发电用户以及用电用户未来时刻的发用电情况进行整体掌控,尤其是台区下低压分布式光伏大规模接入的情况下,可借助台区下各个光伏用户智能终端实现对台区下整体发电功率的感知,同理也可实现台区下用电情况的感知模拟。
在本发明的一些实施例中,上述的分布式光伏接入的电能质量预测方法,还包括:采用均方根百分比误差对第一预测模型和第二预测模型进行评估,以获得评估结果;根据评估结果对第一预测模型和第二预测模型进行优化。
具体而言,为了提高预测模型的准确率,可采用均方根百分比误差分别对第一预测模型和第二预测模型的误差进行评估,根据评估结果对第一预测模型和第二预测模型进行优化,例如,可采用以下公式对第一预测模型和第二预测模型进行评估,以第一预测模型为例:
其中,RMSPE表示均方根百分比误差,T表示光伏发电量数据的总个数,yt表示t时刻的实际光伏发电量,为t时刻的光伏发电量预测值。
当RMSPE越小时,说明预测结果越准确;当RMSPE值越大时,说明预测结果不准确,需要调整第一预测模型。例如,可根据RMSPE值的大小,对初始的历史用户发电数据进行修正,例如,将历史用户发电数据中存在异常的数据进行剔除,或者增加第一预测模型训练的训练数据量。
由此,本申请的方法,通过对单个用户在未来时刻的光伏用电量和发电量,得到该台区下所有用户的光伏发电量和用电量,进而根据总的光伏发电量和总的用电量感知发用电用户在未来时刻的功率情况,由此判断该台区的状态是否处于重过载的情况,根据每个台区的状态对电能质量进行预测。
作为一个具体示例,如图5所示,本发明实施例的分布式光伏接入的电能质量预测方法可包括以下步骤:
S101,获取该台区下所有并网用户。
S102,获取该台区下每个用户的发电属性和身份标识。
S103,确定目标发电用户集合和目标用电用户集合,并分别执行S104和S112。
S104,获取每个发电用户的多组历史数据。
S105,根据每个发电用户的多组历史数据构建每个发电用户的第一预测模型。
S106,基于高精度网格化天气预报获取天气信息和辐照度。
S107,获取发电用户在未来时刻的发电功率。
S108,输入至该发电用户对应的第一预测模型,预测未来时刻的预测光伏发电量。
S109,采用均方根百分比误差对该发电用户的第一预测模型进行评估。
S110,根据评估结果判断该用户的第一预测模型的准确率。
S111,在预测精度不高时,对该发电用户的第一预测模型进行优化,并执行S118。
S112,获取每个用电用户的多组历史数据。
S113,根据每个用电用户的多组历史数据构建每个用电用户的第二预测模型。
S114,获取用电用户在未来时刻的发电功率。
S115,输入至该用电用户对应的第二预测模型,预测未来时刻的预测用电量。
S116,采用均方根百分比误差对该用电用户的第二预测模型进行评估。
S117,在预测精度不高时,对该用电用户的第二预测模型进行优化,并执行S118。
S118,根据该台区下每个用电用户的预测发电量和每个用电用户的预测用电量对该台区在未来时刻的功率进行分析。
S119,根据该台区在未来时刻的功率大小,确定该台区的状态。
S120,根据该台区的指令对电能质量进行预测。
综上所述,根据本发明实施例的分布式光伏接入的电能质量预测方法,根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量,以及根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量,然后根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测。本发明的预测方法,获得目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量,根据所有发电用户的预测光伏发电量和所有用电用户的预测用电量对电能质量进行预测,能够有效感知发用电用户未来时刻的功率情况,避免台区出现电能质量问题。
对应上述实施例,本发明还提出了一种分布式光伏接入的电能质量预测装置。
如图6所示,本发明实施例的一种分布式光伏接入的电能质量预测装置100可包括:第一预测模块11、第二预测模块12和第三预测模块13。
其中,第一预测模块11用于根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量。第二预测模块12用于根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量。第三预测模块13用于根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测。
根据本发明的一些实施例,第三预测模块13根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测,具体用于:在所有发电用户的预测光伏发电量之和减所有用电用户的预测用电量之和的差值大于预设阈值的情况下,确定电能质量预测结果为重过载。
根据本发明的一些实施例,上述的分布式光伏接入的电能质量预测装置100,还包括:第一获取模块14,用于获取当前台区下所有用户的发电属性;确定模块15,用于根据所有用户的发电属性确定当前台区下的目标发电用户集合和目标用电用户集合;其中,发电属性包括自发自用、全部上网和余电上网,发电用户包括全部上网用户和余电上网用户,用电用户包括自发自用用户。
根据本发明的一些实施例,上述的分布式光伏接入的电能质量预测装置,还包括:第二获取模块16,用于获取单个发电用户的多组历史数据,作为该发电用户的发电用户训练集;第一训练模块17,用于采用神经网络模型对发电用户训练集进行训练,以得到该发电用户的第一预测模型;其中,发电用户的历史数据包括:同一时间下的光伏发电量、辐照信息、天气信息、时间信息和温度信息。
根据本发明的一些实施例,上述的分布式光伏接入的电能质量预测装置,还包括:第三获取模块18,用于获取单个用电用户的多组历史数据,作为该用电用户的用电用户训练集;第二训练模块19,用于采用神经网络模型对用电用户训练集进行训练,以得到该用电用户的第二预测模型;其中,用电用户的历史数据包括:同一时间下的用电量、天气信息、时间信息和温度信息。
根据本发明的一些实施例,辐照信息包括辐照度,时间信息包括日期和季节中的一种,天气信息包括晴天、多云、阴天、雨天、雪天。
根据本发明的一些实施例,上述的分布式光伏接入的电能质量预测装置,还包括:评估模块20,用于采用均方根百分比误差对第一预测模型和第二预测模型进行评估,以获得评估结果;优化模块21,用于根据评估结果对第一预测模型和第二预测模型进行优化。
需要说明的是,本发明实施例的分布式光伏接入的电能质量预测装置中未披露的细节,请参照本发明实施例的分布式光伏接入的电能质量预测方法中所披露的细节,具体不再赘述。
根据本发明实施例的分布式光伏接入的电能质量预测装置,第一预测模块根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量,第二预测模块根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量,第三预测模块根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测。由此,获得目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量,根据目标发电用户集合中所有发电用户的预测光伏发电量和目标用电用户集合中所有用电用户的预测用电量对电能质量进行预测,能够有效感知发用电用户未来时刻的功率情况,避免台区出现电能质量问题。
对应上述实施例,本发明还提出了一种计算机可读存储介质。
本发明的计算机可读存储介质,其上存储有分布式光伏接入的电能质量预测程序,该分布式光伏接入的电能质量预测程序被处理器执行时实现上述的分布式光伏接入的电能质量预测方法。
本发明实施例的计算机可读存储介质,通过执行上述的分布式光伏接入的电能质量预测方法,能够有效感知发用电用户未来时刻的功率情况,避免台区出现电能质量问题。
对应上述实施例,本发明还提出了一种电力系统。
如图8所示,本发明实施例的电力系统200可包括:存储器210、处理器220及存储在存储器210上并可在处理器220上运行的分布式光伏接入的电能质量预测程序,处理器220执行分布式光伏接入的电能质量预测程序时,实现上述的分布式光伏接入的电能质量预测方法。
根据本发明实施例的电力系统,通过执行上述的分布式光伏接入的电能质量预测方法,能够有效感知发用电用户未来时刻的功率情况,避免台区出现电能质量问题。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种分布式光伏接入的电能质量预测方法,其特征在于,所述方法包括:
根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量,以及根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量;
根据所述目标发电用户集合中所有发电用户的所述预测光伏发电量和所述目标用电用户集合中所有用电用户的所述预测用电量对电能质量进行预测。
2.根据权利要求1所述的分布式光伏接入的电能质量预测方法,其特征在于,根据所述目标发电用户集合中所有发电用户的所述预测光伏发电量和所述目标用电用户集合中所有用电用户的所述预测用电量对电能质量进行预测,包括:
在所述所有发电用户的预测光伏发电量之和减所述所有用电用户的预测用电量之和的差值大于预设阈值的情况下,确定电能质量预测结果为重过载。
3.根据权利要求1所述的分布式光伏接入的电能质量预测方法,其特征在于,还包括:
获取当前台区下所有用户的发电属性和用户标识;
根据所有用户的发电属性和用户标识确定当前台区下的所述目标发电用户集合和所述目标用电用户集合;
其中,所述发电属性包括自发自用、全部上网和余电上网,所述目标发电用户包括全部上网用户和余电上网用户,所述目标用电用户包括用电用户。
4.根据权利要求1-3中任一项所述的分布式光伏接入的电能质量预测方法,其特征在于,所述方法还包括:
获取单个发电用户的多组历史数据,作为该发电用户的发电用户训练集;
采用神经网络模型对所述发电用户训练集进行训练,以得到该发电用户的所述第一预测模型;
其中,所述发电用户的历史数据包括:同一时间下的光伏发电量、辐照信息、天气信息、时间信息和温度信息。
5.根据权利要求4所述的分布式光伏接入的电能质量预测方法,其特征在于,所述方法还包括:
获取单个用电用户的多组历史数据,作为该用电用户的用电用户训练集;
采用神经网络模型对所述用电用户训练集进行训练,以得到该用电用户的所述第二预测模型;
其中,所述用电用户的历史数据包括:同一时间下的用电量、天气信息、时间信息和温度信息。
6.根据权利要求5所述的分布式光伏接入的电能质量预测方法,其特征在于,所述辐照信息包括辐照度,所述时间信息包括日期和季节中的一种,所述天气信息包括晴天、多云、阴天、雨天、雪天。
7.根据权利要求5所述的分布式光伏接入的电能质量预测方法,其特征在于,还包括:
采用均方根百分比误差对所述第一预测模型和所述第二预测模型进行评估,以获得评估结果;
根据所述评估结果对所述第一预测模型和所述第二预测模型进行优化。
8.一种分布式光伏接入的电能质量预测装置,其特征在于,包括:
第一预测模块,用于根据目标发电用户集合中单个发电用户的光伏发电量、辐照信息、天气信息、时间信息和温度信息,以及该发电用户对应的第一预测模型,获得预测光伏发电量;
第二预测模块,用于根据目标用电用户集合中单个用电用户的用电量、天气信息、时间信息和温度信息,以及该用电用户对应的第二预测模型,获得预测用电量;
第三预测模块,用于根据所述目标发电用户集合中所有发电用户的所述预测光伏发电量和所述目标用电用户集合中所有用电用户的所述预测用电量对电能质量进行预测。
9.根据权利要求8所述的分布式光伏接入的电能质量预测装置,其特征在于,第三预测模块根据所述目标发电用户集合中所有发电用户的所述预测光伏发电量和所述目标用电用户集合中所有用电用户的所述预测用电量对电能质量进行预测,具体用于:
在所述所有发电用户的预测光伏发电量之和减所述所有用电用户的预测用电量之和的差值大于预设阈值的情况下,确定电能质量预测结果为重过载。
10.根据权利要求8所述的分布式光伏接入的电能质量预测装置,其特征在于,还包括:
第一获取模块,用于获取当前台区下所有用户的发电属性;
确定模块,用于根据所有用户的发电属性确定当前台区下的所述目标发电用户集合和所述目标用电用户集合;
其中,所述发电属性包括自发自用、全部上网和余电上网,所述发电用户包括全部上网用户和余电上网用户,所述用电用户包括自发自用用户。
11.根据权利要求8-10中任一项所述的分布式光伏接入的电能质量预测装置,其特征在于,还包括:
第二获取模块,用于获取单个发电用户的多组历史数据,作为该发电用户的发电用户训练集;
第一训练模块,用于采用神经网络模型对所述发电用户训练集进行训练,以得到该发电用户的所述第一预测模型;
其中,所述发电用户的历史数据包括:同一时间下的光伏发电量、辐照信息、天气信息、时间信息和温度信息。
12.根据权利要求11所述的分布式光伏接入的电能质量预测装置,其特征在于,还包括:
第三获取模块,用于获取单个用电用户的多组历史数据,作为该用电用户的用电用户训练集;
第二训练模块,用于采用神经网络模型对所述用电用户训练集进行训练,以得到该用电用户的所述第二预测模型;
其中,所述用电用户的历史数据包括:同一时间下的用电量、天气信息、时间信息和温度信息。
13.根据权利要求12所述的分布式光伏接入的电能质量预测装置,其特征在于,所述辐照信息包括辐照度,所述时间信息包括日期和季节中的一种,所述天气信息包括晴天、多云、阴天、雨天、雪天。
14.根据权利要求12所述的分布式光伏接入的电能质量预测装置,其特征在于,还包括:
评估模块,用于采用均方根百分比误差对所述第一预测模型和所述第二预测模型进行评估,以获得评估结果;
优化模块,用于根据所述评估结果对所述第一预测模型和所述第二预测模型进行优化。
15.一种计算机可读存储介质,其特征在于,其上存储有分布式光伏接入的电能质量预测程序,该分布式光伏接入的电能质量预测程序被处理器执行时实现根据权利要求1-7中任一项所述的分布式光伏接入的电能质量预测方法。
16.一种电力系统,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的分布式光伏接入的电能质量预测程序,所述处理器执行所述分布式光伏接入的电能质量预测程序时,实现根据权利要求1-7中任一项所述的分布式光伏接入的电能质量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912373.5A CN116937562A (zh) | 2023-07-24 | 2023-07-24 | 分布式光伏接入的电能质量预测方法、装置以及电力系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912373.5A CN116937562A (zh) | 2023-07-24 | 2023-07-24 | 分布式光伏接入的电能质量预测方法、装置以及电力系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116937562A true CN116937562A (zh) | 2023-10-24 |
Family
ID=88385866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310912373.5A Pending CN116937562A (zh) | 2023-07-24 | 2023-07-24 | 分布式光伏接入的电能质量预测方法、装置以及电力系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116937562A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117353305A (zh) * | 2023-12-06 | 2024-01-05 | 国网山西省电力公司晋城供电公司 | 一种台区电能质量预测方法、装置、介质及电子设备 |
-
2023
- 2023-07-24 CN CN202310912373.5A patent/CN116937562A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117353305A (zh) * | 2023-12-06 | 2024-01-05 | 国网山西省电力公司晋城供电公司 | 一种台区电能质量预测方法、装置、介质及电子设备 |
CN117353305B (zh) * | 2023-12-06 | 2024-03-01 | 国网山西省电力公司晋城供电公司 | 一种台区电能质量预测方法、装置、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105356492A (zh) | 一种适用于微电网的能量管理仿真系统及方法 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
Ganguly et al. | Solar–wind hybrid renewable energy system: current status of research on configurations, control, and sizing methodologies | |
CN114938071A (zh) | 一种基于人工智能的新能源运行系统智能监测监控管理系统 | |
CN112241923B (zh) | 一种基于综合能源系统源荷等效外特性的配网电力平衡方法 | |
CN116937562A (zh) | 分布式光伏接入的电能质量预测方法、装置以及电力系统 | |
Tahir et al. | Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days | |
Mohammed et al. | Extended method for the sizing, energy management, and techno-economic optimization of autonomous solar Photovoltaic/Battery systems: Experimental validation and analysis | |
Ohunakin et al. | Photovoltaic performance prediction in Northern Nigeria using generated typical meteorological year dataset | |
CN108846505B (zh) | 可再生能源并网消纳信息多维度校核方法及设备 | |
Saadaoui et al. | Hybridization and energy storage high efficiency and low cost | |
Shendryk et al. | Decision Support System for Efficient Energy Management of MicroGrid with Renewable Energy Sources | |
CN112736899B (zh) | 一种微电网规划方案评价指标计算方法以及装置 | |
CN112803491B (zh) | 一种耦合弃电风险的风光水多能互补短期优化调度方法 | |
Wu et al. | Optimal Capacity Allocation of Large‐Scale Wind‐PV‐Battery Units | |
Hashimoto et al. | Optimal operation of fuel cell and electrolyzer in household hybrid system by stochastic programming | |
KR102338524B1 (ko) | 최적 발전 입찰값 결정 시스템 및 방법 | |
Brivio | Off main grid PV systems: appropriate sizing methodologies in developing countries | |
Zhou et al. | Short‐term solar power forecasting based on convolutional neural network and analytical knowledge | |
Luo et al. | Evaluation of distribution network planning considering scalability and adaptability | |
CN115313377B (zh) | 一种电力负荷预测方法及系统 | |
CN117578465B (zh) | 一种多尺度可解释的微电网电力负荷预测方法及系统 | |
CN114723278B (zh) | 一种考虑光伏储能的社区微电网调度方法及系统 | |
CN114240104B (zh) | 光伏弃电储能功率和储能容量配置方法和装置 | |
Ganguly et al. | Victoria University, Melbourne, VIC, Australia |
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 |