分布式光伏并网地区的中长期负荷预测方法与流程
本发明涉及负荷预测领域，尤其是一种分布式光伏并网地区的负荷预测方法。
背景技术：
在化石能源日渐枯竭、雾霾等环境问题日益恶化的背景下，能源革命势在必行。目前已有越来越多的分布式光伏电源并网，并将通过配电网络进行传输。分布式光伏电源(distributedpv)是指配电网络中分布在用户附近的光伏发电设施，它的规模受地理条件的制约，一般在几千瓦至几千兆瓦。
由于光伏电源自身具有随机性和群发性，将对配电网的规划设计，尤其是对负荷平衡和负荷预测造成显著影响。应用于分布式光伏并网地区的中长期负荷预测的方法包括趋势外推法、时间序列法、弹性系数法等传统方法以及人工神经网络、灰色模型、支持向量机等智能预测方法。伴随着应用技术的成熟，分布式光伏电源的装机容量以及渗透率都在不断增长。分布式光伏电源的输出功率受自然环境因素的约束较高，呈现出群发性和高度的不确定性。分布式光伏电源的装机容量受市场因素和国家政策的影响较大，其变化也呈现出很大的不确定性。这对上述方法在系统中长期负荷预测的应用中产生了很大限制，导致上述方法对分布式光伏并网地区的中长期负荷预测的精度较差。
因此，需要一种更先进的、具有更好预测精度的分布式光伏并网地区的中长期负荷预测方法。
技术实现要素：
为此，本发明提供了一种分布式光伏并网地区的中长期负荷预测方法，以力图解决或者至少缓解上面存在的至少一个问题。
根据本发明的一个方面，提供了一种分布式光伏并网地区的中长期负荷预测方法，方法包括步骤：基于地区特征，采用预先训练好的预测模型来预测地区在预定年份的光伏电源装机容量；根据预定年份的光伏电源装机容量，确定预定年份的光伏电源的等效最大发电功率；至少根据预定年份的光伏电源的等效最大发电功率，计算预定年份的光伏电源的有效出力；基于历史负荷数据，预测预定年份的日间最大负荷和晚间最大负荷；以及根据预定年份的日间最大负荷、晚间最大负荷和光伏电源的有效出力，确定地区在所述预定年份的光伏电源的等效削峰容量。
可选地，在根据本发明的方法中，地区特征包括以下至少一个：地区内的光伏电源的现有装机容量、地区的gdp、地区的人口密度、地区的居民电能需求量、地区的环保投资、地区的光伏电源发电成本。
可选地，在根据本发明的方法中，根据预定年份的光伏电源装机容量，确定所述预定年份的光伏电源的等效最大发电功率的步骤包括：根据光伏电源装机容量和光伏电源的额定容量，确定光伏电源的数量；根据所述光伏电源的额定容量、最大发电效率和数量，计算光伏电源的等效最大发电功率。
可选地，在根据本发明的方法中，光伏电源的等效最大发电功率按照以下公式计算：
式中，rlmax为光伏电源的等效最大发电功率，nl为光伏电源的数量，δi为第i个光伏电源的最大发电效率，rln,i为第i个光伏电源的额定容量。
可选地，在根据本发明的方法中，至少根据预定年份的光伏电源的等效最大发电功率，计算预定年份的光伏电源的有效出力的步骤包括：对各历史年份的第一修正系数和第二修正系数进行加权计算，得到预定年份的第一修正系数和第二修正系数；根据预定年份的光伏电源的等效最大发电功率、第一修正系数和第二修正系数，计算预定年份的光伏电源的有效出力。
可选地，在根据本发明的方法中，预定年份的第一修正系数和第二修正系数按照以下公式计算：
式中，j为与预定年份相差的年份，βj为j对应的历史年份的修正系数权重，
可选地，在根据本发明的方法中，至少根据预定年份的光伏电源的等效最大发电功率，计算预定年份的光伏电源的有效出力的步骤包括：对于各历史年份，根据该历史年份的净负荷数据，确定该历史年份的最大负荷日和最大负荷日的日间峰荷时段；根据运行光伏电源最大负荷日日间峰荷时段的平均削峰容量、平均发电功率和最大发电功率来计算该历史年份的第一修正系数和第二修正系数。
可选地，在根据本发明的方法中，按照以下公式计算该历史年份的第一修正系数和第二修正系数：
式中，f1为该历史年份的第一修正系数，f2为该历史年份的第二修正系数，
可选地，在根据本发明的方法中，按照以下公式计算预定年份的光伏电源的有效出力：
式中，
可选地，在根据本发明的方法中，地区在预定年份的光伏电源的等效削峰容量按照以下公式确定：
式中，δrl为预定年份的光伏电源的等效削峰容量，
可选地，在根据本发明的方法中，还包括步骤：在基于地区特征，采用预先训练好的预测模型来预测所述地区在预定年份接入的光伏电源装机容量之前，对地区特征进行归一化处理。
可选地，在根据本发明的方法中，预测模型采用反向传播算法来进行训练。
可选地，在根据本发明的方法中，预测模型利用训练集、验证集和测试集训练得到。
可选地，在根据本发明的方法中，预测模型为神经网络模型，神经网络模型包括隐藏层和输出层，隐藏层和输出层的神经元以sigmoid函数为激励函数。
根据本发明的另一方面，提供了一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行如上所述方法的指令。
根据本发明的中长期负荷预测方案，利用预测模型对分布式光伏电源的装机容量进行预测，将地区特征与预测模型的反向调节能力结合起来，可以更好的把握市场政策信息，实现对装机容量的可信预测。并且，不同于简单的曲线拟合，根据本发明的中长期负荷预测方案还在分析分布式光伏电源并网对系统负荷特性影响的基础上提出了等效削峰容量的计算方法，能更好地考虑各不确定因素的影响，可以实现更高的预测精度。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的示意图；以及
图2示出了根据本发明又一个实施例的中长期负荷预测方法200的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的计算设备100的示意图。
如图1所示，在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μp)、微控制器(μc)、数字信息处理器(dsp)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(alu)、浮点数单元(fpu)、数字信号处理核心(dsp核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如ram)、非易失性存储器(诸如rom、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。
计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个a/v端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个i/o端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(rf)、微波、红外(ir)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和web服务器等，也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。当然，计算设备100还可以实现为小尺寸便携(或者移动)电子设备，如手机、平板等。在根据本发明的实施例中，计算设备100被实现为识别服务器、转码服务器、存储服务器、客户端等等，并被配置为执行根据本发明的分布式光伏并网地区的中长期负荷预测方法100。其中，计算设备100的应用122中包含执行根据本发明的分布式光伏并网地区的中长期负荷预测方法100的多条程序指令。
负荷是指电力系统在某一时刻所承受的所有用户使用的电功率的总和。通常地，可以根据负荷预测的时间可以分为超短期负荷、短期负荷、中期负荷和长期负荷。其中，中长期负荷预测指的是未来几周、几个月甚至未来几年的负荷预测。
图2示出了根据本发明一个实施例的分布式光伏并网地区的中长期负荷预测方法200的流程图。如图2所示，方法200始于步骤s210。
在步骤s210中，基于地区特征，采用预先训练好的预测模型来预测上述分布式光伏并网地区(下文简称为地区)在预定年份接入的光伏电源装机容量。其中，地区特征包括以下至少一个：地区内的光伏电源的现有装机容量、地区的gdp、地区的人口密度、地区的居民电能需求量、地区的环保投资、地区的光伏电源发电成本。需要注意的是，地区特征为预定年份的地区特征。
在获取到这些地区特征之后，可以对地区特征进行归一化处理。具体地，可以按照以下公式进行归一化处理：
式中，n表示年份，xj,n为n对应年份的地区特征，xj*,n为对n对应年份的地区特征xj,n进行归一化处理后的值，maxxj和minxj分别为xj,n的特征序列中的最大值和最小值。
相应地，将归一化后的地区特征输入预测模型后，还可以对预测模型的输出进行反归一化处理。
根据本发明的一种实施方式，预测模型可以为神经网络模型，该神经网络模型包括隐藏层和输出层，该隐藏层和输出层均以sigmoid函数为激励函数。在一个实施例中，隐藏层可以为包括5个神经元的单层结构。
根据本发明的一种实施方式，可以根据往年的地区特征数据，构建训练集(trainingset)、验证集(crossvalidationset)和测试集(testset)，以得到上述预测模型。其中，训练集用于对模型进行训练，验证集用于对模型进行验证，测试集用于对模型进行测试。
当通过训练集训练出多个模型后，可以通过验证集来评估模型的预测效果。例如，可以计算各模型的绝对值平均百分比偏差(mape，meanaveragepercentageerror)，选择其中绝对值平均百分比偏差最小的模型。
绝对值平均百分比偏差可以按照以下公式计算：
q[j]为实际值，pre[j]为模型预测值，k为验证集的样本数。
其中，可以采用反向传播算法(bp算法)来进行模型训练。
获取地区在预定年份的光伏电源装机容量之后，在步骤s220中，根据预定年份的光伏电源装机容量，确定预定年份的光伏电源的等效最大发电功率。
具体地，可以根据光伏电源装机容量和光伏电源的额定容量，确定光伏电源的数量，例如将光伏电源装机容量除以光伏电源的额定容量来得到光伏电源的数量。再根据光伏电源的额定容量、最大发电效率和数量，计算光伏电源的等效最大发电功率。
在一个实施例中，光伏电源的等效最大发电功率可以按照以下公式计算：
式中，rlmax为光伏电源的等效最大发电功率，nl为光伏电源的数量，δi为第i个光伏电源的最大发电效率，rln,i为第i个光伏电源的额定容量。其中，光伏电源的最大发电效率和额定容量由光伏电源的生产商提供。
而后在步骤s230中，至少根据预定年份的光伏电源的等效最大发电功率，计算预定年份的光伏电源的有效出力。
根据本发明的一种实施方式，对各历史年份的第一修正系数和第二修正系数进行加权计算，得到所述预定年份的第一修正系数和第二修正系数。而后根据预定年份的光伏电源的等效最大发电功率、第一修正系数和第二修正系数，计算所述预定年份的光伏电源的有效出力。
具体地，可以先计算各历史年份的第一修正系数和第二修正系数。其中，第一修正系数表征地区光伏发电系统出力曲线与电力需求的拟合程度，主要受地区光照、温度等自然条件的影响。第二修正系数表征地区不同光伏电源间的出力关系，主要受不同光伏系统工艺及局部光照差异的影响。
对于各历史年份，可以根据该历史年份的净负荷数据，确定该历史年份的最大负荷日和最大负荷日的日间峰荷时段。根据运行光伏电源最大负荷日日间峰荷时段的平均削峰容量、平均发电功率和最大发电功率来计算该历史年份的第一修正系数和第二修正系数。第一修正系数和第二修正系数的具体计算步骤如下：
考虑到地区运行的光伏电站应具有相同的出力特性，可以根据典型的光伏电源出力曲线得到地区运行的光伏电源出力曲线。而后根据地区运行的光伏电源出力曲线和地区实测的包含光伏电源发电功率的负荷曲线，得到不含光伏发电功率的负荷曲线(也就是净负荷数据)。具体地，可以将地区运行的光伏电源出力曲线和地区实测的包含光伏电源发电功率的负荷曲线按照时间特性相加，得到不含光伏发电功率的负荷曲线。
光伏电源可能的最大削峰容量等于其等效最大发电功率。但由于光伏电源出力曲线与负荷曲线的形状不同，实际的削峰容量肯定小于后者。为了确定合适的削峰容量值，可以选择净负荷最大的一天为最大负荷日，最大负荷日中净负荷最大的时刻作为最大负荷日的日间峰荷时段。
通过加权平均，确定地区光伏电源在最大负荷日日间峰荷时段的平均发电功率、最大发电功率以及光伏电源在最大负荷日日间峰荷时段的平均削峰容量。
最后按照以下公式来计算第一修正系数和第二修正系数：
式中，f1为该历史年份的第一修正系数，f2为该历史年份的第二修正系数，
预定年份的第一修正系数和第二修正系数按照以下公式计算：
式中，j为与预定年份相差的年份，βj为j对应的历史年份的修正系数权重，
接着，可以按照以下公式计算预定年份的光伏电源的有效出力：
式中，
而后在步骤s240中，基于历史负荷数据(例如近5年来的日间最大负荷和晚间最大负荷)，预测预定年份的日间最大负荷和晚间最大负荷。
利用传统的负荷预测方法如时序外推法、神经网络法、负荷密度法、组合预测法等对预定年份的日间最大负荷和晚间最大负荷进行预测。上述传统的负荷预测方法在现有技术中已得到广泛的应用于与详细的说明，本发明中不再进行详细论述。
而后在步骤s250中，根据预定年份的日间最大负荷、晚间最大负荷和光伏电源的有效出力，确定地区在预定年份的光伏电源的等效削峰容量。
具体地，地区在预定年份的光伏电源的等效削峰容量可以按照以下公式确定：
式中，δrl为预定年份的光伏电源的等效削峰容量，
本发明未考虑储能设备的作用，故当晚间最大负荷大于日间最大负荷时，光伏电源对系统峰荷的削减作用可以忽略(即为0)。
最后根据预定年份的光伏电源的等效削峰容量和预测得到的预定年份的日间最大负荷，可以得到分布式光伏并网地区在预定年份的最大净负荷。
下面以2016年为例来说明本发明的中长期负荷预测过程。
首先，根据2016年的地区特征，采用预测模型预测2016年的光伏电源装机容量为1150mw。假设所有光伏电源的最大发电效率为1，则根据2016年的光伏电源装机容量，确定2016年的光伏电源的等效最大发电功率为1150mw。
计算2016年前5年的第一修正参数和第二修正参数，根据“近大远小”原则加权平均得到2016年的第一修正参数和第二修正参数，分别为0.71和0.34。
根据2016年的光伏电源的等效最大发电功率和第一修正参数、第二修正参数，计算得到2016年的光伏电源的有效出力为277.61mw。
而后采用传统负荷预测方法，根据2016年前5年的日间最大负荷数据和晚间最大负荷数据，预测得到地区在2016年的日间最大负荷为6950mw，晚间最大负荷为6500mw。
由于2016年的日间最大负荷大于晚间最大负荷，且二者差值为450mw，大于2016年的光伏电源的有效出力，因此地区在2016年的光伏电源的等效削峰容量为2016年的光伏电源的有效出力，也就是277.61mw。
这样，考虑到光伏电源的削峰作用后，地区在2016年的净负荷最大可以为6950mw-277.61mw＝6672.39mw。
而2016年地区的实际净负荷的最大值为6730mw，显然地，本发明的中长期负荷预测方法的预测精度达到了99％以上。
应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本发明还可以包括：a10、如a1所述的方法，其中，所述地区在所述预定年份的光伏电源的等效削峰容量按照以下公式确定：
式中，δrl为所述预定年份的光伏电源的等效削峰容量，
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
- 还没有人留言评论。精彩留言会获得点赞！