一種分布式電源配電網的凈負荷預測方法
【技術領域】
[0001] 本發明涉及新能源發電合理利用研究領域，特別是一種分布式電源配電網的凈負 荷預測方法。
【背景技術】
[0002] 隨著各國經濟的發展，對電力需求量也越來越大，電廠和電網加大了生產力度和 調配難度。然而，人類社會所面臨的自然生態環境卻越來越差，傳統的化石能源(煤炭、石 油)也日益枯竭。如何合理利用新能源和可再生能源(太陽能、風能、潮汐能等)來發電，并合 理調度各能源之間的供給比例越來越成為電力市場調度運行的難點和焦點。
[0003] 隨著分布式能源的發展與智能電網的進步，相信以后電網將朝著各個單位智能化 的方向發展，對于一個智能園區中的既含有風能，又含有太陽能的系統，除開自身運行所需 的電量外，其可向整個大電網提供的電量或其所需大電網供給的電量將是智能電網所要考 慮的一個重要指標。這種"凈負荷"指標的需要就依賴于對智能園區風力發電功率，光伏發 電功率、負荷功率的一個較為準確的預測。
[0004] 考慮到風電隨機性、波動性、不可預測性和光伏發電的隨機性、不確定性、間歇性， 以及裝機容量的增加，為了避免這種大的不確定性對整個電網的影響，目前只能限制智能 園區供電，這大大浪費了清潔能源的電力，也減少了以后各智能園區主的收益和積極性，不 利于以后智能電網的發展。
[0005] 為保證對智能園區合理可靠地調度，對"凈負荷"的預測已經非常重要，"凈負荷" 的預測對于電網調度部門統籌規劃，合理安排電網運行方式，提高電網安全性和穩定性，降 低電力系統的旋轉備用容量和運行成本具有重要意義。傳統的預測方法見圖1，其無法保證 對智能園區合理可靠地調度。
[0006] 世界上有的國家，如:德國，丹麥，已經有了一些成熟的預測系統，隨著我國不斷發 展的風電和光伏發電，形成一整套的預測系統很有必要。
【發明內容】
[0007] 本發明所要解決的技術問題是，針對現有技術不足，提供一種分布式電源配電網 的凈負荷預測方法。
[0008] 為解決上述技術問題，本發明所采用的技術方案是：一種分布式電源配電網的凈 負荷預測方法，其特征在于，包括以下步驟：
[0009] (1)確定影響預測光伏發電、風電、負荷功率的影響因子；
[0010] (2)根據計算公式"凈負荷=負荷值-風電值-光伏值"得到"凈負荷"的參考值大 小，判定配電網是否向主電網輸送功率;具體判定過程為：當"凈負荷">〇時，說明該配電網 需要向主網輸送功率;當"凈負荷"〈〇時，說明該配電網需要主網輸送功率；
[0011] (3)根據步驟1確定的影響因子，建立了 SVM回歸預測模型，
[0012] 即f(x)的表達式為：
[0013]
[0014] 其中b可由下式得出：
[0015]
[0016] 式中，訓練樣本集為{(Xl，yi)}，其中XlERn，為輸入向量，即步驟1所確定的影響因 子，X為預測時刻的影響因子。yfR%為與 Xl相對應的輸出向量，即步驟2所述的凈負荷值。1 為訓練向本的數據點數。K(x，Xl)為核函數，在本發明專利中核函數采用RBF核函數，即
[0017]
[0018] 此外b表達式中ε為任意給定的不敏感損失函數，表示經驗風險因素，且ε>0;
[0019] 對給定的訓練樣本集進行訓練，確定最優解〇1和<，并代入所述b的表達式中得到 b值，隨后將最優解α,:_以及13值代入所述以1)表達式即可確定5觀回歸預測模型；
[0020] (4)根據步驟3確定的SVM回歸預測模型以及訓練集給出某一時間段內的歷史數據 ( Xl，yi)，即可確定f(x)的大小，得出凈負荷的預測值。
[0021] 與現有技術相比，本發明所具有的有益效果為:本發明提出了一種聯合風電、光伏 發電、負荷的"凈負荷"預測思想，采用支持向量機回歸預測模型，考慮到各種可能對預測結 果造成影響的影響因子均可輸入該方法中當作自變量，這種聯合的思想大大提高了預測的 精度，能輸出一個較為合理的預測結果，且無需電力調度部門再次整合多種預測結果，方便 了調度，這對于電力調度部門是十分行之有效的方法，降低了電網調度的成本，合理的安排 了各電廠的發電量，提高了運行的經濟性，具有很強的實用性和可靠性。有利于電網安全、 穩定、可靠地運行。
【附圖說明】
[0022]圖1是傳統預測方法的流程圖；
[0023]圖2是本發明預測方法的流程圖；
[0024] 圖3是利用實際數據做出的預測效果對比圖。
【具體實施方式】
[0025] 如圖2所示，本發明的方法包括以下幾個步驟：
[0026] (1)確定影響預測光伏發電、風電、負荷功率的影響因子；
[0027] (2)根據計算公式"凈負荷=負荷值-風電值-光伏值"得到"凈負荷"的參考值，從 而判定配電網是否向主電網輸送功率;具體判定方式為：當"凈負荷">〇時，說明該配電網需 要向主網輸送功率;當"凈負荷"〈〇時，說明該分布式配電網需要主網輸送功率；
[0028] (3)根據步驟1確定的影響因子，建立了SVM回歸預測模型，其表達式f(x)的推理過 程：
[0029] SVM中支持向量回歸理論已經成功解決很多預測問題。支持向量回歸的樣本點只 有一類，所求解的最優超平面是使所有樣本點距最優超平面的"總偏差"達到最小。求解回 歸分析問題即為選擇一個合適的函數使損失函數最小的過程，其中損失函數定義如下：
[0030] R[f]=jL(y-f(x),x)dp(x,y) (1)
[0031 ]式中：L(y_f (X)，x)為誤差函數。
[0032] 求解回歸問題時，支持向量機將表示結構風險因素，ε是不敏感損失函數， 表示經驗風險因素。若期望值和真實值之差小于允許誤差ε時，損失為〇;否則，損失為ε超出 的部分。
[0033] 支持向量回歸根據是否需要升維到高維空間分為線性回歸和非線性回歸兩種，風 光荷聯合預測屬于典型的非線性回歸問題。
[0034] 對于給定的樣本S= {(Xi，yi)，···，（Xi，yi) | XieRn，yieR}(其中Xi是輸入量，yi是輸 出量)和任意給定的不敏感損失函數ε>〇,對于不能在原始空間R n進行線