一种电网负荷预测方法、装置和计算设备与流程
本发明涉及电力系统领域，尤其涉及一种计及分布式光伏电源的电网负荷预测方法、装置和计算设备。
背景技术：
在电力系统领域，对系统的中长期负荷预测非常重要。而伴随着应用技术的逐渐成熟，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。这些对上述方法在系统中长期负荷预测的应用中产生了一定的限制。
现有技术中对分布式光伏电源并网地区的中长期负荷预测的实现原理是：对系统负荷和分布式电源的出力曲线分别预测，再将两者得到的分布结果进行拟合作为最终的系统负荷预测值。其首先结合区域内用地规划、历史气候信息、历史负荷信息、不同类型负荷特征，使用传统负荷预测方法年度负荷时序曲线进行预测。之后再结合历史气候信息与日内太阳辐照密度概率模型，利用蒙特卡洛模拟得到分布式光伏电源您都出力时序曲线。最后再将两者进行拟合，得到系统综合负荷预测结果。
上述预测方法的核心是分析影响分布式光伏电源出力的主要因素时序变化。但辐照密度等因素的随机性与不确定性较强，对其进行长期的精准预测难度较大。而且，上述方法中并未考虑装机容量这一影响分布式光伏电源出力水平的又一重要因素。因此，应用上述方法进行中长期负荷预测时缺乏精度上的保障。
技术实现要素：
为此，本发明提供一种计及分布式光伏电源的电网负荷预测方法、装置和计算设备，以力图解决或至少缓解上面存在的问题。
根据本发明的一个方面，提供了一种计及分布式光伏电源的电网负荷预测方法，适于在计算设备中执行，所述计算设备中存储有分布式光伏电源的装机容量预测模型，该模型的输入和输出分别为分布式光伏电源的系统变量和装机容量，该方法包括：获取分布式光伏电源在目标年的系统变量，并根据预测模型得到其在目标年的装机容量；获取电网的历年网供净负荷数据，并根据所获取到的数据确定电网发生最大负荷的目标日；获取电网在历年目标日的日最大负荷和夜最大负荷，并根据所获取到的数据计算其在目标年目标日的日最大负荷和夜最大负荷；以及根据所计算的日最大负荷和夜最大负荷计算分布式光伏电源的等效削峰容量，进而计算电网的等效最大负荷。
可选地，在根据本发明的方法中，分布式光伏电源的等效削峰容量δpg的表达式为：
其中，
可选地，在根据本发明的方法中，
其中，pgmax为等效最大发电容量，ng为预测时间内光伏电源的数量，ηi为第i个光伏电源的最大发电效率，pgn，i为第i个光伏电源的额定容量，k1为等效形状修正系数，k2为等效平均发电功率系数。
可选地，在根据本发明的方法中，
其中，i为距离目标年的年份，其最大值为n；γi为组合权重系数，满足
可选地，在根据本发明的方法中，还包括预测模型的生成过程：获取分布式光伏电源的历年系统变量，分别构建训练集和验证集；采用训练集对模型进行训练，确定隐含层和输出层的节点权值和阈值；采用验证集对模型进行验证，并通过试错法确定模型的隐含层层数和神经元个数。
可选地，在根据本发明的方法中，模型验证过程以绝对值平均百分比偏差mape最小化为目标来选取最优的模型结构，其中，
其中，c[i]为第i年的装机容量实际值，pre[i]为第i年的装机容量预测值，n为验证集样本数。
可选地，在根据本发明的方法中，系统变量包括地区光伏电源现有装机容量y1、地区gdp值y2、地区人口密度y3、居民电能需求量y4、环保投资y5、光伏电源发电成本y7中的至少一种。
可选地，在根据本发明的方法中，在预测模型中，各系统变量根据以下公式进行归一化处理：
其中，
根据本发明的又一方面，提供了一种计及分布式光伏电源的电网负荷预测装置，适于驻留在计算设备中，计算设备中存储有分布式光伏电源的装机容量预测模型，该模型的输入和输出分别为分布式光伏电源的系统变量和装机容量，该装置包括：容量预测模块，适于获取分布式光伏电源在目标年的系统变量，并根据预测模型得到其在目标年的装机容量；目标日确定模块，适于获取电网的历年网供净负荷数据，并根据所获取到的数据确定电网发生最大负荷的目标日；第一计算模块，适于获取电网在历年目标日的日最大负荷和夜最大负荷，并根据所获取到的数据计算其在目标年目标日的日最大负荷和夜最大负荷；以及第二计算模块，适于根据所计算到的日最大负荷和夜最大负荷计算分布式光伏电源的等效削峰容量，进而计算电网的等效最大负荷。
可选地，在根据本发明的装置中，分布式光伏电源的等效削峰容量δpg的表达式为：
其中，
可选地，在根据本发明的装置中，
其中，pgmax为等效最大发电容量，ng为预测时间内光伏电源的数量，ηi为第i个光伏电源的最大发电效率，pgn，i为第i个光伏电源的额定容量，k1为等效形状修正系数，k2为等效平均发电功率系数。
根据本发明的又一方面，提供了一种计算设备，包括：一个或多个处理器；存储器；和一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如上所述的计及分布式光伏电源的电网负荷预测方法的指令。
根据本发明的又一方面，提供了一种存储一个或多个程序的可读存储介质，所述一个或多个程序包括指令，所述指令当计算设备执行时，使得所述计算设备执行如上所述的计及分布式光伏电源的电网负荷预测方法。
根据本发明的技术方案，提出一种计及分布式光伏不确定性的电网中长期负荷预测方法，其特征是单独建立神经网络系统模型对预测水平年(目标年)的分布式光伏电源的装机容量进行预测，作为负荷预测的准备阶段。之后在分析光伏电源对负荷预测影响的基础上对分布式光伏电源的有效削峰容量进行预测，从而对预测水平年系统的等效最大负荷进行预测。
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；
图2示出了根据本发明一个实施例的计及分布式光伏电源的电网负荷预测方法200的流程图；
图3示出了根据本发明一个实施例的计及分布式光伏电源的电网负荷预测装置300的结构框图；
图4示出了根据本发明一个实施例的装机容量预测模型的框架图；
图5示出了根据本发明一个实施例的对装机容量预测模型进行训练的流程图；以及
图6示出了根据本发明一个实施例的目标年的修正系数预测流程图。
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是示例计算设备100的框图。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利用程序数据124进行操作。程序数据124包括指令，在根据本发明的计算设备100中，程序数据124包含用于执行计及分布式光伏电源的电网负荷预测方法200的指令。
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，也可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(pda)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还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。在一些实施例中，计算设备100被配置为执行根据发明的计及分布式光伏电源的电网负荷预测方法200。
此外，根据本发明的计算设备100，其中还可以存储分布式光伏电源的装机容量预测模型，该模型的输入和输出分别为分布式光伏电源的系统变量和装机容量，也就是该模型能够根据分布式光伏电源的系统变量得到其装机容量。其中，系统变量可以包括地区光伏电源现有装机容量y1、地区gdp值y2、地区人口密度y3、居民电能需求量y4、环保投资y5、光伏电源发电成本y7中的至少一种。在该预测模型中，需要将各系统变量根据以下公式进行归一化处理：
其中，
根据一个实施例，该装机容量预测模型可以为卷积神经网络模型，其模型结构如图4所示。此外，本发明还可以包括该装机容量预测模型的生成过程：获取分布式光伏电源的历年系统变量，分别构建训练集和验证集；采用训练集对模型进行训练，确定隐含层和输出层的节点权值和阈值；采用验证集对模型进行验证，并通过试错法确定模型的隐含层层数和神经元个数。其中，模型验证过程以绝对值平均百分比偏差(mape，meanaveragepercentageerror)最小化为目标来选取最优的模型结构，其中，
其中，c[i]为第i年的装机容量实际值，pre[i]为第i年的装机容量预测值，n为验证集样本数。
例如，可以采集某地区10年来的光伏电源装机容量信息以及相关因素信息，每年的数据作为一条样本，其中06年至11年的数据作为训练集，12年至15年的数据作为验证集。采用如图5所示的b-p算法对装机容量预测模型进行训练，确定隐含层和输出层神经元的节点权重和阈值，其中隐含层与输出层神经元的激励函数为sigmoid函数，表达式为f(x)＝1/(1+e-x)。在该训练过程中，对模型赋初值后，分别计算隐含层和输出层的输出值，并分别计算隐含层和输出层的误差。通过对这两种误差与ε进行对比，只有当两个误差都小于ε时，将学习好的权值放入知识库保存；其他情况下则反向分配误差并继续调整隐含层和输出层的节点权值和阈值。结合验证集，通过试错法确定模型隐含层层数以及神经元个数。具体地，对不同隐含层层数以及不同隐含层神经元个数的神经网络模型进行训练，利用验证集验证不同结构模型的表现，以mape最小为目标选取最优的模型结构。最终确定本例神经网络模型的隐含层结构为含有5个神经元的单层结构。
图2示出了根据本发明一个实施例的计及分布式光伏电源的电网负荷预测方法200的流程图，适于在计算设备中执行，如在计算设备100中执行。如图2所述，该方法始于步骤s220。
在步骤s220中，获取分布式光伏电源在目标年的系统变量，并根据预测模型得到其在目标年的装机容量。也就是将目标年的各系统变量输入到该预测模型中，得到目标年的装机容量。
以某实际电网的长期负荷预测为实施例说明本发明的具体实施方式。本实施例对该地区电网16年的最大负荷进行预测。该电网16年系统净负荷峰值出现在8月中旬的一天，实际值为6733mw。采用该地区06年至11年的数据作为训练集，12年至15年的数据作为验证集，结合该地区16年的信息预测得到的16年分布式光伏电源装机容量为1150mw。
随后，在步骤s240中，获取电网的历年网供净负荷数据，并根据所获取到的数据确定电网发生最大负荷的目标日。也就是采集历史网供净负荷数据和光伏年度出力数据，两者相加得到当年电网实际综合负荷数据。本发明中选取网供净负荷最大值出现的那一天作为未来峰荷出现日期，也就是作为目标日进行预测。其中，若多个年度具有多个网供净负荷最大值出现的日期，则可以选取其中出现次数最多的日期作为目标日，或者根据这多个日期计算出现概率最大的日期作为目标日，当然不限于此，本发明对此不作限制。
随后，在步骤s260中，获取电网在历年目标日的日最大负荷和夜最大负荷，并根据所获取到的数据计算其在目标年目标日的日最大负荷
从历史数据中获得目标日近5年来的日最大负荷
随后，在步骤s280中，根据所计算的日最大负荷和夜最大负荷计算分布式光伏电源的等效削峰容量，进而计算电网的等效最大负荷。
根据本发明的一个实施例，分布式光伏电源的等效削峰容量的表达式为：
其中，
其中，pgmax为等效最大发电容量，ng为预测时间内光伏电源的数量，ηi为第i个光伏电源的最大发电效率，pgn，i为第i个光伏电源的额定容量，k1为等效形状修正系数，表征系统最大负荷与分布式光伏电源最大出力的同时性，与某区域光伏发电系统出力曲线与电力需求的拟合程度有关；k2为等效平均发电功率系数，表征某区域不同光伏电源间的出力关系。k1和k2的计算公式分别如下：
其中，i为距离目标年的年份，其最大值为n；γi为组合权重系数，满足
也就是在计算目标年的修正系数时，首先需要计算往年修正系数，依据历史负荷与光伏数据确定往年在目标日光伏电源的平均发电功率
最后，根据有效削峰容量的计算公式，通过对比日最大负荷和夜最大负荷来计算光伏电源的有效削峰容量。在上述实施例中，日最大负荷大于夜最大负荷，日间等效削峰容量小于日夜最大负荷的功率差值，则有效削峰容量等于日间等效削峰容量277.61mw。最大负荷为日最大负荷6950mw，考虑光伏电源的削峰作用后，可得系统最大的网供净负荷为6672.39mw，而系统实际网供净负荷为6733mw，也就是应用本发明得到的预测结果精度达到了99.0％以上，充分说明该预测方法的有效性。
图3示出了根据本发明一个实施例的一种计及分布式光伏电源的电网负荷预测装置300，适于驻留在计算设备中执行，如存储在计算设备100中。如图3所示，该装置包括容量预测模块320、目标日确定模块340、第一计算模块360和第二计算模块380。
容量预测模块320适于获取所述分布式光伏电源在目标年的系统变量，并根据预测模型得到其在目标年的装机容量。
目标日确定模块340适于获取所述电网的历年网供净负荷数据，并根据所获取到的数据确定电网发生最大负荷的目标日。
第一计算模块360适于获取电网在历年目标日的日最大负荷和夜最大负荷，并根据所获取到的数据计算其在目标年目标日的日最大负荷和夜最大负荷。
第二计算模块380适于根据所计算到的日最大负荷和夜最大负荷计算所述分布式光伏电源的等效削峰容量，进而计算电网的等效最大负荷。
其中，分布式光伏电源的等效削峰容量δpg的表达式为：
其中，
其中，pgmax为等效最大发电容量，ng为预测时间内光伏电源的数量，ηi为第i个光伏电源的最大发电效率，pgn，i为第i个光伏电源的额定容量，k1为等效形状修正系数，k2为等效平均发电功率系数。
根据本发明的计及分布式光伏电源的电网负荷预测装置300，其具体细节已在基于其他附图的描述中详细公开，在此不再赘述。
根据本发明的技术方案，通过神经网络模型来对系统装机容量进行预测，将专家系统的解释说明功能与神经网络模型的反向调节能力结合起来，更好的把握市场政策信息，实现对装机容量的可信预测。不同于简单的曲线拟合，本发明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，从而实现更高的预测精度。
a8、如a7所述的方法，其中，在所述预测模型中，各系统变量根据以下公式进行归一化处理：
其中，
b10、如b9所述的装置，其中，所述分布式光伏电源的等效削峰容量δpg的表达式为：
其中，
b11、如b10所述的装置，其中，
其中，pgmax为等效最大发电容量，ng为预测时间内光伏电源的数量，ηi为第i个光伏电源的最大发电效率，pgn，i为第i个光伏电源的额定容量，k1为等效形状修正系数，k2为等效平均发电功率系数。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、cd-rom、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的计及分布式光伏电源的电网负荷预测方法。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，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。
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！