基于分布式光伏典型日曲线的统调负荷预测方法

电力负荷预测是电力系统的一项重要工作,分布式光伏电源大规模接入电网后极大地增加了电网负荷预测的难度。在分布式光伏电源出力数据采集汇总困难的情况下,采用选取2个特定日的统调负荷曲线相减得到差值曲线并对其进行修正的方法,近似模拟出分布式光伏电源典型日曲线。实践证明,利用分布式光伏电源典型日曲线辅助电网统调负荷预测,能够有效提高统调负荷预测的准确率。     

基于空间相关性的分布式光伏实用化功率预测及误差分析

低压接入的分布式光伏容量激增,其出力随机性对调度部门的负荷预测以及电网安全运行带来严峻挑战。提出一种适用于低压接入的分布式光伏功率预测方法,首先基于空间相关性原理为分布式光伏匹配集中式光伏电站作为功率预测参照,通过日发电量数据建立二者的出力关系,推算分布式光伏在运容量;随后利用参照电站的功率预测值对分布式光伏的功率预测进行初步推算;定义分布式光伏容量折算系数,详细推导出该方法的3类误差来源,提出一种基于分时电量比的误差修正策略。以张家口地区分布式光伏为例,验证了修正后的功率预测方法具有较好的预测精度。     

居民用户的需求响应基线负荷估计

分布式光伏输出功率与用户实际负荷功率的耦合增加了净负荷的波动性和不确定性.为此提出了一种对用户实际负荷和光伏出力进行数据解耦方法来估计基线负荷.首先根据用户特点分为对照组和需求响应组,估算用户的实际负荷;然后利用估算得到的用户实际负荷,得到用户每日的光伏出力估算值;接着将估算得到的用户实际负荷与光伏输出功率在需求响应时...     

基于G-L-R模型的光伏发电功率预测

光伏发电功率预测是分布式光伏问题的关键技术之一。本文基于梯度提升决策树和分布式梯度提升框架算法,采用带有L2正则项的Ridge算法作为融合策略,设计了G-L-R模型,进行了准确的光伏出力短期预测和超短期预测。实验基于2018年安徽某光伏场站的数据进行。结果表明,参考华东区域考核标准,所提模型的光伏出力预测准确率达91.31%。其中,晴天预测准确率为96.34%,突变天气预测准确率为87.22%。     

基于空间相关性的分布式光伏出力预测

随着分布式光伏在配电网的渗透率不断上升,其出力波动将成为调度运行中不可忽略的一项不确定因素。基于同一地区光伏出力变化的相关性,提出一种基于空间相关性的分布式光伏出力预测方法。先对同一地区集中式、分布式光伏出力历史数据做无遮归一化,以无遮系数表征光伏出力不确定性;再由K-means聚类方法对天气情况分类,建立基于Copula函数的各类天气工况下光伏出力的相关性模型;最后根据集中式光伏出力信息实现分布式光伏出力预测。以我国北部某城市光伏电站数据为算例,验证了该方法的有效性。     

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。     

高渗透率分布式光伏接入的新型电力系统净功率预测

在双碳背景下,分布式光伏发电的大规模增加以及并网接入,对新型电力系统带来了巨大的挑战。高渗透率分布式光伏出力与电力负荷因受天气因素的影响,具有较强的不确定性和波动性,这在一定程度上增加了配电网净功率的预测难度。为了提高配电网净功率的预测精度,文章提出了Attention-双向GRU神经网络配电网净功率预测方法。文章首先对光伏出力特性、用户侧负荷特性、以及配电网净功率影响因素进行分析,充分掌握净功率受分布式光伏出力和用户侧负荷变化规律的影响。然后将Attention机制融入到双向GRU神经网络中建立了配电网净功率预测模型。其中,Attention机制赋予输入特征不同的关注度,双向GRU神经网络能够学习到净功率的时序特征,二者的完美结合,大大提升了净功率预测模型的表示能力和泛化能力。实验结果表明,文章提出的方法大大提高了配电网净功率预测精度,且性能优于对比模型。     

考虑分布式光伏和电动汽车接入的配电网空间负荷预测方法

针对大规模分布式光伏和电动汽车接入配电网对空间负荷预测影响的问题,提出一种考虑远景年屋顶分布式光伏饱和安装、大规模电动汽车参与V2G的城市配电网空间负荷预测方法。区分不同小区,依据相应的容积率和可利用率系数计算屋顶光伏饱和安装面积,结合历史辐射值数据计算光伏出力。基于改进型停车生成率模型预测停车需求,结合日行驶里程、停车特性和充放电策略,建立电动汽车V2G负荷预测模型,利用蒙特卡罗仿真得出V2G负荷时空分布情况。采用改进型负荷密度指标法,实现对考虑时序的配电网传统日负荷的预测。以某规划区为例,预测结果表明:屋顶分布式光伏和电动汽车V2G对配电网空间负荷预测结果影响较大,且对不同小区负荷影响的程度不同。     

考虑分散接入配电网的光伏系统对母线负荷预测影响的功率预测技术研究

基于提出的功率渗透率指标和负荷数据重构方法,分析分散接入配电网的光伏系统对常规负荷预测模型及其精度的影响。在分布式光伏渗透率分别为0%、5%、10%、15%、20%、24.46%、30%、35%、40%、50%、60%和75%下,短期负荷预测精度呈现明显下降趋势,可见,分布式光伏有功出力有必要作为负荷补偿原始负荷。文章提出基于BP神经网络的分布式光伏短期功率预测模型,详细分析其模型训练和验证过程,通过分析典型日的分布式光伏功率预测精度,该模型具备工程化应用能力。     

考虑信息时移的分布式光伏机理-数据混合驱动短期功率预测

分布式光伏短期功率预测缺乏同时空气象数据。传统方法直接借助邻近集中式光伏站点数据进行功率预测,忽略了地理位置偏移带来的气象信息时移,难以满足预测精度要求。文中提出了一种考虑气象信息时移的混合预测方法。在机理驱动模型中,采用最优时移对气象数据进行偏移修正;在数据驱动模型中,引入时间模式注意力机制削弱气象数据偏移的影响。然后,通过Stacking集成学习框架将两种方法进行融合,形成机理-数据混合驱动模型,进一步提高预测稳定性及准确率。基于分布式光伏和公共气象站点实际数据进行的案例分析表明,所提方法能够有效利用偏移地理位置的气象数据,实现更高精度的分布式光伏发电功率预测。