基于分布式光伏功率分区拟合的统调负荷预测方法

分布式光伏的大规模接入对地区统调负荷预测准确率带来极大影响,因此提出了一种基于分布式光伏功率分区拟合的统调负荷预测方法.首先将分布式光伏覆盖区域进行分区,针对每个小区域,采用区域内集中式光伏功率预测数据对分布式光伏出力进行类比预测;然后将各个小区域内分布式光伏出力预测数据进行累加得到全地区分布式光伏出力预测值;最后在此基础上对地区统调负荷进行预测.该方法在张家口地区负荷预测工作中取得了良好效果,有效提高了地区统调负荷预测准确率.     

基于随机预测误差的分布式光伏配网储能系统容量配置方法

储能装置作为一种解决含分布式光伏配网系统功率波动的有效手段,其容量配置关系到补偿功率波动精度和经济性指标。为准确配置储能容量提出一种分布式光伏配网系统中储能设备容量配置方法:通过分析光伏出力短期预测误差和负荷短期预测误差的概率统计规律和随机过程,利用区间估计方法得出储能设备容量配置函数;然后利用该配置函数实现的配置方法,对储能容量在分布式配置和集中式配置两种方法下的预测误差的方差进行比较,可知储能容量分布式配置可以得到更精确的容量配置和更优的功率补偿效果。应用所提配置方法搭建实验样机,并应用于江西电网公司某分布式光伏配网系统中,验证了该方法的正确性和可行性。     

考虑高渗透率光伏接入的分布式储能优化配置

针对当前分布式储能的优化配置研究不适合大规模光伏接入的问题,提出了一种考虑规模化分布式光伏出力特性的储能优化配置方法。该方法采用蒙特卡洛模拟法随机模拟不同光伏接入场景,从而得到配电网允许接入的分布式光伏最大装机容量;基于相关土地规划,估算分布式光伏潜在装机容量;针对负荷曲线和光伏出力曲线进行潮流计算,根据电压越限程度确定分布式储能总功率及总电量。以一个低压台区为例,对整个优化配置方法进行了说明,可用于指导未来分布式储能的规划和建设。     

基于跟踪偏差角和改进迭代误差修正的光伏功率预测优化策略

随着光伏发电逐渐接入电网,电网对光伏功率的预测精度也提出了更高的要求。针对双轴太阳能自动跟踪系统实际运行中存在的跟踪偏差角以及采用传统迭代误差修正思想进行多模型预测时存在的误差异常值,提出一种基于跟踪偏差角和改进迭代误差修正的光伏功率预测模型。首先,建立改进迭代误差修正模型;然后,利用改进迭代误差修正模型对功率预测进行一层优化;最后,结合跟踪偏差角完成对光伏功率预测的二层优化。仿真结果表明,所建立的光伏功率预测模型能使功率预测精度提高5%左右,弥补了单一模型存在的不足。     

考虑区域碳中和的分布式光伏选址定容

“双碳”目标的深入推进为我国能源建设与规划提出明确要求,推动了分布式光伏的飞速发展。分布式光伏可以有效调节区域碳排放架构,但不合理地接入容量和接入位置会对配电网造成不可逆转的冲击。针对分布式光伏入网对配电网的影响,提出了一种考虑区域碳排放的分布式光伏选址定容双层优化模型。外层优化以光伏运维成本最低、配电网有功功率损耗最小、电压偏差最小为目标,结合内层优化所得到的分布式光伏出力值,采用NSGA-II算法求解得到光伏的具体接入位置与接入容量;内层优化以系统综合运行成本最低为目标函数,结合外层光伏规划后的配电网网架结构,采用列和约束生成算法,求解获得该区域达到碳中和所需的光伏出力最小值,为外层分布式光伏规划提供限定条件,最终得到考虑规划区域碳排放的分布式光伏规划方案。最后,基于甘肃省某县级区域开展算例仿真,验证所提模型在降低区域碳排放量、规划区域分布式光伏资源、积极促进区域碳中和方面的可行性,为电网企业制定光伏发电规划提供了科学支撑。     

一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划,减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,基于神经网络用相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;以预测日天气预报信息作为神经网络的输入获得预测日的功率预测值;基于由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明该方法建立的预测模型具有较高精度,能够为调度运行人员提供决策辅助。     

基于动态关联表征与图网络建模的分布式光伏超短期功率预测

现有方法忽略了分布式光伏时空关联性的动态变化,难以有效利用时空特征信息提升功率预测精度。考虑到分布式光伏出力的强波动特性与分布式光伏集群强时空关联性,提出一种基于时空关联动态表征与图卷积网络建模的分布式光伏超短期功率预测方法。首先,将各分布式光伏复杂出力序列分解为相对简单、波动较小的多个波动模态分量。然后,考虑到分布式光伏场站间时空关联性动态变化,利用数据驱动方式提取各类波动模态分量表征的各分布式光伏间深层次时空关联关系,并构建由各波动模态分量表征的多个动态时空图结构。在此基础上,建立考虑动态时空关联性的图卷积预测模型,针对不同模态下出力子序列分别预测,而后重构得到各场站功率进而获取区域分布式光伏总功率。最后,基于真实分布式光伏出力数据验证了所提方法的优越性。     

基于卫星遥感的超短期分布式光伏功率预测

光伏功率预测对于电网调度具有重要意义。该文针对缺少辐照度测量装置的分布式光伏电站,提出一种基于卫星遥感的超短期分布式光伏功率预测方法。首先基于Res-UNet模型对短波辐照（SWR）网格进行时空预测;然后对预测的SWR网格进行空间插值得到地面分布式站点的未来辐照度;最后构建基于编解码器的长短期记忆（LSTM）模型预测光伏出力。其中Res-UNet可以充分学习SWR网格的时空相关性,LSTM通过引入日编码和时间编码可以更好地学习辐照度的年周期性和日周期性。在真实光伏电站上的功率实验表明,与以数值天气预报辐照度为输入的光伏功率预测方法相比,以Res-UNet+插值预测的辐照度为输入的光伏功率预测方法实现了更高精度的超短期光伏功率预测。     

一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划和减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。首先利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,再基于神经网络将相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;然后以预测日天气预报信息作为神经网络的输入来获得预测日的功率预测值;最后基于数学量化的由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明,该方法建立的预测模型具有较高的精度,进而为调度运行人员提供决策辅助     

电压约束条件下分布式光伏接入低压配电网特性研究

从理论上分析了单个分布式光伏电源集中接入和多个分布式光伏电源分散接入低压配电网后配电网馈线节点电压变化机理,给出以静态电压限值为约束的接入容量极限。探讨了影响低压配电网静态电压变化的各种因素,如光伏接入位置、接入形式、出力大小、电网线路参数和负荷大小及特性等。运用PSCAD/EMTDC电磁暂态软件搭建了分散光伏发电多点接入低压配电网的系统模型。结合仿真算例验证了上述分析的正确性,修正了不同线路长度接入容量方案,并提出了解决分布式光伏发电和负荷网源不协调工作引起的电压偏差的措施和方案。     

考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究

对于待预测的分布式光伏电站,基于已提出的大规模区域光伏分群方法,提出了筛选良好空间相关性光伏电站群的光伏发电出力预测方法。首先,对待预测电站的出力数据进行了天气类型划分;其次,选择与待预测电站具有相关关系的光伏电站作为相关性从站,并采取ARIMA模型识别待预测电站与从站之间的时间、空间关系,继而对待预测电站的出力进行预测;然后,通过多种预测误差指标对比,提出了更符合光伏预测的误差评价指标,即引用误差,以突显高功率输出的预测精度;最后,通过典型电站以及整个区域里所有分布式光伏用户的滚动预测和误差分析,证明了所提方法的普遍适用性。     

基于双层BP神经网络的光伏电站输出功率预测

光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。     

低压配电台区分布式光伏发电功率辨识方法

数量众多的小容量光伏电源接入低压配电台区,能够实现可再生能源发电的就地消纳,但通常因量测不足而无法掌握这些光伏电源的出力情况,不利于配电网的调度与控制。以台区为单位,提出了一种台区内总的光伏发电功率辨识方法。基本思想是以实测的光照强度数据为输入,通过训练后的神经网络映射得到台区光伏发电功率,而该神经网络训练的目标则是光照强度与台区负荷之间的低线性相关性。通过理想的数值算例与基于实际电网数据的算例验证了该方法的有效性和可行性。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

低压配电网分布式光伏接纳能力分析

分布式光伏的并网和利用是应对当前能源和环境危机的重要方式,高比例分布式光伏接入所导致的电压越限是制约配电网接纳分布式光伏的重要因素之一。以提高配电网对分布式光伏的接纳量为首要目标,考虑多电压等级配电网的配合,提出利用中压主动配电网的调控能力,通过中低压配电网的相互影响缓解低压配电网调压手段缺乏,提升低压配电网接纳分布式光伏能力的方法:首先考虑配电网中分布式光伏和负荷出力的时序性,根据季节和天气构建12种场景,对配电网进行一年的时序全过程模拟。然后建立10 kV中压主动配电网优化运行模型和380 V辐射型低压配电网分布式光伏选址定容模型。仿真结果表明所提方法可以提高低压配电网接纳分布式光伏的能力。除此之外,进一步分析了分布式光伏接入和调压对中压主动配电网电压的影响,以及低压配电网中负荷对接纳分布式光伏和调压方式的影响。     

基于BP-ANN的光伏发电功率超短期预测方法

针对光伏发电的间歇性和波动性问题,采用基于BP-ANN建立光伏发电系统输出功率超短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行预测,并提出适用的预测流程及预测误差评估方法。实际应用以及与实时监测数据对比,表明该方法方法误差较小,合格率较高,能够满足应用的要求。     

超短期光伏出力区间预测算法及其应用

光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。     

基于分时长短期记忆神经网络的光伏发电超短期功率预测

准确预测光伏发电功率对电力系统运行调度至关重要。提出一种基于Spearman相关系数和分时长短期记忆网络的光伏发电功率预测方法。首先利用Spearman相关系数分析每个时刻下影响光伏发电功率的因素,选取相关度高的影响因素作为长短期记忆网络模型的输入变量;然后,对每个时刻建立一个基于长短期记忆网络的预测模型,实现分时光伏发电功率的预测。最后,利用实际光伏发电站的历史发电功率和数值天气预报数据进行案例分析。结果表明,所提方法比单一长短期记忆网络预测模型具有更高的预测精度。     

考虑分布式光伏的低压台区线损异常辨识方法

低压配电网线损异常的辨识一直以来都非常困难,分布式光伏大量接入配电网,改变了配电网的潮流分布,更加大了低压配电网线损异常的辨识难度。提出了一种针对分布式光伏接入台区线损异常的辨识方法。首先对分布式光伏接入台区开展光伏出力等因素与线损率的灰色关联度计算,找寻光伏相关因素与线损率关联性。其次根据关联性的强弱选择合适的指标进行k-means聚类,并依据聚类结果进行离群点检测,判断台区是否有线损异常的可能性。最后通过对离群点所在簇进行时间离散度分析,得出台区的异常系数,根据异常系数进行线损异常判断。通过对含分布式光伏的典型台区进行验证分析,结果表明：该方法能够有效辨识分布式光伏接入台区的线损是否异常。     

基于ARMA模型的光伏电站出力预测

目前光伏发电站容量的不断扩大,光伏发电站并网后其功率的变化具有不确定性,因此有必要对光伏电站的出力进行预测.本文建立了一种基于ARMA模型的光伏电站预测模型.结合历史发电量数据和气象因素,分别使用ARMA模型和马尔可夫链模型对光伏电站的出力进行预测,并进行了两者的比较.大量的数据表明,ARMA预测模型有较高的精度,能够...