一种计及分布式光伏装机容量不确定性的电网中长期负荷预测方法技术

本发明专利技术属于负荷预测领域，尤其涉及分布式光伏并网地区的中长期负荷预测。考虑分布式光伏电源并网情况下的负荷预测应先对分布式光伏装机容量进行预测，本发明专利技术提出利用神经网络专家系统模型对预测年份地区分布式光伏电源的装机容量进预测。在分析光伏电源对系统负荷特性影响的基础上，提出一种分布式光伏有效削峰容量的计算方法，从而预测对应年分系统最大负荷。本发明专利技术能更好地计及市场、政策等信息的影响，从算例结果来看，本发明专利技术具有很好的预测精度。

【技术实现步骤摘要】
一种计及分布式光伏装机容量不确定性的电网中长期负荷预测方法
本专利技术属于电力系统负荷预测（powersystemloadforecasting）领域，特别涉及分布式光伏并网地区的中长期负荷预测。
技术介绍
应用于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一定的限制；HuX,WeiL,JiangN等人在<Loadforecastingtechniquesfornetworkswithdistributedgeneration(DG)sources>（ControlandDecisionConference.IEEE,2016:6232-6237.）中对分布式光伏电源并网地区的中长期负荷预测进行了研究和探讨；其实现原理是：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；其具体实施步骤如下：1．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；2.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；3.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；同时，装机容量，作为影响分布式光伏电源出力水平的又一重要因素，并没有在上述方法的考虑范围之内；因此，应用上述方法进行中长期负荷预测在精度上缺乏保障。
技术实现思路
本专利技术的目在于，提出一种新的分布式光伏并网地区的中长期负荷预测方法，以充分考虑分布式光伏装机容量不确定性对预测结果的影响，从而提高负荷预测的精度；为实现上述目的，本专利技术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，其特征是单独建立模型对预测水平年分布式光伏装机容量进行预测，作为负荷预测的准备阶段；本专利技术所提预测方法的步骤如下：一、利用神经网络专家系统（NeuralNetworkExpertSystem）预测分布式光伏在预测水平年的装机容量；二、在分析光伏电源对负荷预测影响的基础上建立分布式光伏电源有效削峰容量的预测模型。对预测水平年系统的等效最大负荷进行预测；其中，所述分布式光伏等效削峰容量表达式如下：（1）其中，为等效削峰容量；为所有电源的有效出力；为日高峰最大功率预测值，为晚高峰最大功率预测值；为早晚高峰的功率差值；电源等效出力的表达式为：（2）其中，为等效最大发电容量，表达式为：（3）为预测时间内光伏电源的数量，为第个光伏电源的最大发电效率，为第个光伏电源的额定容量；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，表达式为（4）为平均削峰容量，为最大负荷日峰荷时段的平均发电功率；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，表达式为（5）为运行光伏电源的最大发电功率；本专利技术采用的方法与现有技术的明显不同之处在于：（1）本专利技术提出利用神经网络专家系统模型对分布式光伏装机容量进行预测，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；（2）不同于简单的曲线拟合，本专利技术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。附图说明图1为本专利技术的总体实施步骤流程图；图2为本专利技术所建立的神经网络专家系统模型示意图；图3为神经网络B-P算法示意图；图4为修正参数预测流程示意图。具体实施步骤本专利技术提出的计及分布式光伏装机容量不确定性的电网中长期负荷预测方法结合实施例及附图详细说明如下；本专利技术方法的总体步骤如图1所示，包括，步骤一、分布式光伏电源装机容量预测，利用如图2所示的神经网络专家系统模型对光伏电源装机容量进行预测；步骤二、根据历史数据确定最大负荷出现时段；步骤三、计算光伏电源等效削峰容量；步骤四、预测系统综合负荷最大值，利用传统负荷预测方法预测目标日的日最大负荷和夜最大负荷；步骤五、预测系统等效最大负荷；以某实际电网的长期负荷预测为实施例说明本专利技术的具体实施方式。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；步骤一、分布式光伏电源装机容量预测1.选择主要相关变量作为系统输入，选择的变量有地区光伏电源现有装机容量、地区GDP值、地区人口密度、居民电能需求量、环保投资、光伏电源发电成本；搜集往年历史数据，构建模型训练序列和验证序列以及测试系列。采集该地区10年来的光伏电源装机容量信息以及相关因素信息，其中06年至11年的数据作为训练序列，12年至15年的数据作为测试数据；2.如式（6）所示，对输入量进行归一化处理（6）其中，是第t年因素归一化处理的值，、分别为对应序列中改因素的最大值、最小值；同样，对系统输出数据进行相应的反归一化处理；3.利用如图3所示的B-P算法对模型进行训练，确定隐含层以及输出层神经元链接权重级阈值，其中隐含层与输出层神经元的激励函数为sigmoid函数，表达式如式（7）：（7）4.结合验证序列，通过试错法确定模型隐含层层数以及神经元个数；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，利用验证序列验证不同结构模型的表现，以MAPE（绝对值平均百分比偏差，MeanAveragePercentageError）最小为目标选取最优的模型结构。MAPE计算式如（8）所示，（8）为实际值，为预测值，为验证序列长度，本例中为4；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；5.对预测水平年的装机容量进行预测；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；步骤二、根据历史数据确定最大负荷出现时段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；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，进行预测步骤三、计算光伏电源等效削峰容量1.计算往年修正系数和，依据历史光伏电源装机容量统计情况以及厂家提供的光伏电源技术参数，计算光伏电源最大发电功率：；预测值为；依据历史负荷与光伏数据确定往年在预测时段光伏电源的平均发电功率和平均削峰容量，计算和：2.预测水平年和的计算：按照“近大远小”原则对近5年修正系加权组合得到预测水平年修正系数和的值：（9）（10）其中，为组合权重系数，满足,且。i为距离预测水平年的年份；预测得到的16年修正系数值为,3.计算光伏电源日间等效削峰容量按预测水平年光伏电源日间等效削峰容量。结果为277.61MW；步骤四、预本文档来自技高网...

【技术保护点】
1.一种计及分布式光伏装机容量不确定性的电网中长期负荷预测方法，其特征首先对分布式光伏电源装机容量进行预测，在此基础上预测光伏电源在负荷高峰时段的有效削峰容量，从而预测系统最大负荷。

【技术特征摘要】
1.一种计及分布式光伏装机容量不确定性的电网中长期负荷预测方法，其特征首先对分布式光伏电源装机容量进行预测，在此基础上预测光伏电源在负荷高峰时段的有效削峰容量，从而预测系统最大负荷。2.根据权利要求1所述的一种计及分布式光伏装机容量不确定性的电网中长期负荷预测方法，其特征是利用神经网络专家系统模型对分布式光伏装机容量进行预测，利用神经网络模型实现专家系统推理机功能，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...

【专利技术属性】
技术研发人员：刘文霞，陈浩文，李乔乔，薛振宇，宋毅，靳夏宁，孙充勃，原凯，周雷，
申请(专利权)人：华北电力大学，国网经济技术研究院有限公司，
类型：发明
国别省市：北京,11