一种分布式电源配电网的净负荷预测方法
【技术领域】
[0001] 本发明涉及新能源发电合理利用研究领域，特别是一种分布式电源配电网的净负 荷预测方法。
【背景技术】
[0002] 随着各国经济的发展，对电力需求量也越来越大，电厂和电网加大了生产力度和 调配难度。然而，人类社会所面临的自然生态环境却越来越差，传统的化石能源(煤炭、石 油)也日益枯竭。如何合理利用新能源和可再生能源(太阳能、风能、潮汐能等)来发电，并合 理调度各能源之间的供给比例越来越成为电力市场调度运行的难点和焦点。
[0003] 随着分布式能源的发展与智能电网的进步，相信以后电网将朝着各个单位智能化 的方向发展，对于一个智能园区中的既含有风能，又含有太阳能的系统，除开自身运行所需 的电量外，其可向整个大电网提供的电量或其所需大电网供给的电量将是智能电网所要考 虑的一个重要指标。这种"净负荷"指标的需要就依赖于对智能园区风力发电功率，光伏发 电功率、负荷功率的一个较为准确的预测。
[0004] 考虑到风电随机性、波动性、不可预测性和光伏发电的随机性、不确定性、间歇性， 以及装机容量的增加，为了避免这种大的不确定性对整个电网的影响，目前只能限制智能 园区供电，这大大浪费了清洁能源的电力，也减少了以后各智能园区主的收益和积极性，不 利于以后智能电网的发展。
[0005] 为保证对智能园区合理可靠地调度，对"净负荷"的预测已经非常重要，"净负荷" 的预测对于电网调度部门统筹规划，合理安排电网运行方式，提高电网安全性和稳定性，降 低电力系统的旋转备用容量和运行成本具有重要意义。传统的预测方法见图1，其无法保证 对智能园区合理可靠地调度。
[0006] 世界上有的国家，如:德国，丹麦，已经有了一些成熟的预测系统，随着我国不断发 展的风电和光伏发电，形成一整套的预测系统很有必要。
【发明内容】
[0007] 本发明所要解决的技术问题是，针对现有技术不足，提供一种分布式电源配电网 的净负荷预测方法。
[0008] 为解决上述技术问题，本发明所采用的技术方案是：一种分布式电源配电网的净 负荷预测方法，其特征在于，包括以下步骤：
[0009] (1)确定影响预测光伏发电、风电、负荷功率的影响因子；
[0010] (2)根据计算公式"净负荷=负荷值-风电值-光伏值"得到"净负荷"的参考值大 小，判定配电网是否向主电网输送功率;具体判定过程为：当"净负荷">〇时，说明该配电网 需要向主网输送功率;当"净负荷"〈〇时，说明该配电网需要主网输送功率；
[0011] (3)根据步骤1确定的影响因子，建立了 SVM回归预测模型，
[0012] 即f(x)的表达式为：
[0013]
[0014] 其中b可由下式得出：
[0015]
[0016] 式中，训练样本集为{(Xl，yi)}，其中XlERn，为输入向量，即步骤1所确定的影响因 子，X为预测时刻的影响因子。yfR%为与 Xl相对应的输出向量，即步骤2所述的净负荷值。1 为训练向本的数据点数。K(x，Xl)为核函数，在本发明专利中核函数采用RBF核函数，即
[0017]
[0018] 此外b表达式中ε为任意给定的不敏感损失函数，表示经验风险因素，且ε>0;
[0019] 对给定的训练样本集进行训练，确定最优解〇1和<，并代入所述b的表达式中得到 b值，随后将最优解α,:_以及13值代入所述以1)表达式即可确定5观回归预测模型；
[0020] (4)根据步骤3确定的SVM回归预测模型以及训练集给出某一时间段内的历史数据 ( Xl，yi)，即可确定f(x)的大小，得出净负荷的预测值。
[0021] 与现有技术相比，本发明所具有的有益效果为:本发明提出了一种联合风电、光伏 发电、负荷的"净负荷"预测思想，采用支持向量机回归预测模型，考虑到各种可能对预测结 果造成影响的影响因子均可输入该方法中当作自变量，这种联合的思想大大提高了预测的 精度，能输出一个较为合理的预测结果，且无需电力调度部门再次整合多种预测结果，方便 了调度，这对于电力调度部门是十分行之有效的方法，降低了电网调度的成本，合理的安排 了各电厂的发电量，提高了运行的经济性，具有很强的实用性和可靠性。有利于电网安全、 稳定、可靠地运行。
【附图说明】
[0022]图1是传统预测方法的流程图；
[0023]图2是本发明预测方法的流程图；
[0024] 图3是利用实际数据做出的预测效果对比图。
【具体实施方式】
[0025] 如图2所示，本发明的方法包括以下几个步骤：
[0026] (1)确定影响预测光伏发电、风电、负荷功率的影响因子；
[0027] (2)根据计算公式"净负荷=负荷值-风电值-光伏值"得到"净负荷"的参考值，从 而判定配电网是否向主电网输送功率;具体判定方式为：当"净负荷">〇时，说明该配电网需 要向主网输送功率;当"净负荷"〈〇时，说明该分布式配电网需要主网输送功率；
[0028] (3)根据步骤1确定的影响因子，建立了SVM回归预测模型，其表达式f(x)的推理过 程：
[0029] SVM中支持向量回归理论已经成功解决很多预测问题。支持向量回归的样本点只 有一类，所求解的最优超平面是使所有样本点距最优超平面的"总偏差"达到最小。求解回 归分析问题即为选择一个合适的函数使损失函数最小的过程，其中损失函数定义如下：
[0030] R[f]=jL(y-f(x),x)dp(x,y) (1)
[0031 ]式中：L(y_f (X)，x)为误差函数。
[0032] 求解回归问题时，支持向量机将表示结构风险因素，ε是不敏感损失函数， 表示经验风险因素。若期望值和真实值之差小于允许误差ε时，损失为〇;否则，损失为ε超出 的部分。
[0033] 支持向量回归根据是否需要升维到高维空间分为线性回归和非线性回归两种，风 光荷联合预测属于典型的非线性回归问题。
[0034] 对于给定的样本S= {(Xi，yi)，···，（Xi，yi) | XieRn，yieR}(其中Xi是输入量，yi是输 出量)和任意给定的不敏感损失函数ε>〇,对于不能在原始空间R n进行线