含光伏接入的电力系统负荷特性及预测方法研究

VIP免费

3.0 侯斌 2024-11-19 4 4 2.25MB 60 页 15积分

侵权投诉

摘要

电力系统短期负荷预测是维护电网经济、稳定运行的基础，是制订供电计划、

调度计划和交易计划的重要依据。随着新能源发电技术和并网技术的日益成熟，

未来智能电网中新能源（例如光伏）的接入量将逐渐增大。不带蓄电池的大型光

伏发电系统并入智能电网后往往直接本地消纳，与电力负荷相抵消，且光伏输出

功率随机性较强，增加了负荷预测的复杂性，使得传统的预测方法不再适用。而

目前对于含光伏接入的电力系统短期负荷预测的研究比较欠缺，精准的配电网调

度难以实现。在此种背景下，本文的研究能为含光伏接入的智能电网负荷预测问

题提供一种有效的解决途径，既保证了可再生能源的可靠接入，又减小了能源的

浪费，具有十分重要的研究意义。

支持向量机算法(Support Vector Machine, SVM)对小样本、非线性等问题有很

好的处理效果，且具有泛化能力强、不易出现过拟合、鲁棒性强等优越性，而被

广泛应用于回归问题中。本文将 SVM 算法引入短期电力负荷预测中，介绍了 SVM

算法的原理，针对 SVM 的参数选取方法主要依靠经验试算和效率较低的缺陷，研

究了将粒子群(Particle Swarm Optimization, PSO)与支持向量机相结合的改进算法。

为了提高预测精度，本文对负荷特征进行了定性和定量分析。利用江苏省 A市的

历史负荷及相关天气等信息数据，通过仿真证明了支持向量机用于短期负荷预测

的可行性，以及粒子群寻优对改善支持向量机的参数选择的有效性。接着本文在

江苏省 A市建立了峰瓦值为 100MW 的光伏电站仿真数学模型，利用太阳辐照度

等气象数据，模拟了光伏电站发电功率数据。最后建立了基于粒子群-支持向量机

(PSO-SVM)的含光伏接入的电力系统短期负荷预测模型，通过仿真实验，对比了

考虑光伏出力和不考虑光伏出力两种情况下的预测精度。实验结果表明，PSO-SVM

算法同样适用于含光伏接入的电力系统的短期负荷预测中。

关键词：短期负荷预测光伏发电电力负荷特性分析支持向量机

粒子群

ABSTRACT

Short-term load forecasting of power system is the foundation of maintaining

power grid economically and stably. And it is an important gist for making supply

planning, power scheduling and a trading plan. With the increasing maturity of

distributed generation technologies of new energy, in the future, the amount of new

energy smart grid (such as photovoltaic) will gradually increase. Because weather

conditions have a great influence in photovoltaic power generation, which will cause

imbalance in large scale grid-connected that make the traditional forecasting

measurements no longer suitable. While there were less studies on short-term load

forecasting accessed with photovoltaic recently. This study aims to provide an effective

solution to intelligent load forecasting with photovoltaic, and which significance in

reducing energy while ensuring the reliable access to renewable energy.

The Support Vector Machine (SVM) is widely used in the regression problems due

to SVM provided solutions to small sample, nonlinear problem. This study applied

SVM algorithm into short-term load forecasting to work out an effective algorithm

which combined Particle Swarm Optimization (PSO) and SVM. This study applies

quantitative and quantitative analysis to analysis load characteristics in order to improve

the prediction accuracy. By using the historical power load and weather information of

A city in Jiangsu Province, this study has proved practicability of SVM used in

short-term load forecasting, and the effectiveness of Particle Swarm Optimization to the

SVM selecting of parameter. Then this paper established a photovoltaic power station

simulation mathematical model of 100MW, and obtained the data of the PV system

output through the meteorological data (such as solar radiation data) of A city. Finally, a

load forecasting model is established for the photovoltaic grid-connected system and

carried out the corresponding prediction. Through simulation experiment, compared the

prediction accuracy of two kinds of circumstances: consideration of PV output and does

not consider PV output. The experimental results show that the PSO-SVM algorithm

also has a good applicability in PV connected power load forecasting model.

KEY WORD：Short-term Load forecasting, Analysis of power load

characteristic, Photovoltaic power generation, Support

Vector Machine, Particle Swarm Optimization

中文摘要

ABSTRACT

第一章绪论 ...................................................... 1

1.1 论文研究背景 ............................................... 1

1.2 电力负荷预测的目的及意义 ................................... 2

1.2.1 电力负荷预测概念 ....................................... 2

1.2.2 电力负荷预测意义 ....................................... 4

1.2.3 含光伏接入的电力系统负荷预测的意义 ..................... 4

1.3 国内外电力负荷预测发展历程 ................................. 5

1.3.1 传统预测方法 ........................................... 5

1.3.2 智能预测方法 ........................................... 6

1.4 本论文的主要工作 ........................................... 7

第二章电力负荷特性及影响因素分析 ................................ 9

2.1 电力负荷的周期性分析 ....................................... 9

2.1.1 小波分解提取负荷周期特征 ............................... 9

2.1.2 电力负荷变化的年、季节周期性 .......................... 11

2.1.3 电力负荷变化的周周期性 ................................ 12

2.1.4 电力负荷变化的日周期性 ................................ 13

2.2 气象因素对负荷的影响 ...................................... 14

2.2.1 气象因素与负荷的相关性分析 ............................ 15

2.2.2 气象因素的量化标准 .................................... 16

2.3 日类型对负荷的影响 ........................................ 17

2.3.1 节假日变化特性分析 .................................... 18

2.3.2 日类型量化处理规则 .................................... 19

第三章支持向量机和粒子群参数优化 ............................... 20

3.1 统计学习理论 .............................................. 20

3.1.1 经验风险最小化 ........................................ 20

3.1.2 VC 维和泛化能力 ........................................ 21

3.1.3 结构风险最小化 ........................................ 22

3.2 支持向量机 ................................................ 23

3.2.1 支持向量机原理 ........................................ 23

3.2.2 回归支持向量机原理 .................................... 26

3.2.3 算法的优势与缺陷 ...................................... 28

3.3 粒子群参数优化的理论概述 .................................. 29

3.3.1 粒子群算法原理 ........................................ 29

3.3.2 粒子群—支持向量机原理 ................................ 30

第四章负荷预测算例 ............................................. 32

4.1 预测模型样本选择及数据处理 ................................ 32

4.1.1 输入变量及样本的选取 .................................. 32

4.1.2 数据预处理 ............................................ 33

4.1.3 数据归一化处理 ........................................ 34

4.1.4 误差评价指标 .......................................... 34

4.2 模型参数的确定 ............................................ 35

4.2.1 核函数的选择 .......................................... 35

4.2.2 参数的选择 ............................................ 36

4.3 算例结果分析 .............................................. 36

4.3.1 SVM 仿真结果及分析 ..................................... 37

4.3.2 粒子群支持向量机模型预测 .............................. 38

4.3.3 小结 ................................................... 39

第五章光伏并网发电系统短期负荷预测 ............................. 41

5.1 光伏发电系统模型的构建 .................................... 41

5.2 光伏发电系统出力数据的模拟 ................................ 42

5.3 光伏并网发电系统短期负荷预测模型的建立 .................... 44

5.4 实例与分析 ................................................ 45

第六章电力负荷预测系统 ......................................... 48

6.1 电力负荷预测系统概述 ...................................... 48

6.2 电力负荷预测系统功能简介 .................................. 49

第七章总结与展望 ............................................... 52

7.1 总结 ...................................................... 54

7.2 展望 ...................................................... 54

参考文献 ........................................................ 54

在读期间公开发表的论文和承担科研项目及取得成果 .................. 57

致谢 ............................................................ 58

第一章绪论

1.1 论文研究背景

近年来，全国上下频频出现“雾霾天”，引起了人们对能源和环境问题的高度

关注。而目前我国 79%以上的电能依靠燃烧煤矿产生，火力发电站的耗煤量占到

全国煤矿总耗量的一半以上，不可否认发火力电是造成“PM2.5”超标的元凶之一。

在此背景下，如何从电力行业出发，节约能源、减少污染是一个非常有研究价值

的研究课题。

利用可再生能源进行并网发电被认为是解决社会能源和环境问题的有效途径

之一。据可再生能源法统计，2003 年全世界范围内光伏、风能、水能等的消耗量

相当于 5200 万顿标准煤，占总的一次能源消耗量的 3%[1]。预计 2020 年，新能源

所占比重会高达 10%。我国幅员辽阔且拥有丰富的太阳能资源，全国超过 2/3 的

地区平均每天的日照时间不少于 5小时，年太阳辐射量在 5000WM/m2以上，所以

我国极其适合开发利用太阳能资源[2]。开发利用太阳能的主要途径是进行光伏发

电（Photovoltaic，PV）。

光伏发电系统分为：独立光伏发电系统，并网光伏发电系统和分布式光伏发

电系统。其中并网光伏发电系统是我国智能电网建设的重要战略方向，有巨大的

发展潜力。我国对光伏发电技术的研究十分重视，经过专家学者们多年的探索，

目前已经将光伏发电的成本降低至 2-3 元/度。由于光伏发电技术的日益成熟和相

关政策的扶持，我国光伏安装总容量呈现爆发式的增长。2000-2011 年光伏累计

安装容量数据如下图 1-1 所示。根据 2011 年我国公布的《太阳能发电发展“十二

五”规划》，到 2015 年底，我国太阳能发电装机容量将达到 21GW，年发电量达到

250 亿千瓦时，重点在中东部地区建设与建筑结合的分布式光伏发电系统，建成

光伏发电总装机容量 1000 万千瓦；到 2020 年太阳能总装机容量达到 50GW[3]。

并网光伏系统的组成示意图如下图 1-2 所示。并网光伏发电系统的大规模应

用将对电能传输、电力调度和电力交易格局产生深远影响。传统的电网电能向用

户单向流动，而新能源电站的接入，让电网具有了双向传输的特点：在日照充足

时，光伏电站并网工作，和电网一起为负荷提供电能；在日照条件不佳时，仅由

电网向负载提供电能。不含蓄电池的并网光伏系统直接通过并网逆变器，直接把

电能送上电网，与本地负荷相抵消。同时由于其受天气的制约明显，发电功率输

出的随机性较强，因此增大了配电网短期负荷预测的难度，大规模的光伏并网会

危及大电网的安全稳定运行，并大大增加了电力调度的复杂性[4]。

上海理工大学硕士学位论文

图1-1 2000-2011 年我国光伏累计安装容量

图1-2 光伏并网系统示意图

1.2 电力负荷预测的目的及意义

1.2.1 电力负荷预测概念

电网中所有电气设备在某时刻消耗的电功率之和，称为电力负荷，简称负荷

（本文中所有的负荷均指电力负荷）。负荷预测是根据历史负荷数据及气温等影响

因素，研究或者应用一套系统有效的数学方法计算出未来某时某地负荷大小的过

程[5]。由于电能不能大规模经济的储存，电能的生成、传输、分配和消费实际上

是同时进行的。因此对未来电力负荷的变化和特性，必须有一个事先的预测评估

过程，以便提前安排电能生产与调度，保证供电正常供电与用户正常用电。

按照预测期限的长短，一般将传统的负荷预测分为：超短期预测、短期预测、

中期预测和长期预测四类，他们的作用和要求各不相同。在现代电力市场运营模

式下，电力企业还希望获得连续若干天、一个月甚至更长时间的负荷曲线，因此

连续多日负荷曲线预测等新的负荷预测内容也被引入，其时序分类如下图 1-3。

负载

T1 Tn

负载n负载1光伏电源n光伏电源1

10kV

0.4kV 0.4kV

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要电力系统短期负荷预测是维护电网经济、稳定运行的基础，是制订供电计划、调度计划和交易计划的重要依据。随着新能源发电技术和并网技术的日益成熟，未来智能电网中新能源（例如光伏）的接入量将逐渐增大。不带蓄电池的大型光伏发电系统并入智能电网后往往直接本地消纳，与电力负荷相抵消，且光伏输出功率随机性较强，增加了负荷预测的复杂性，使得传统的预测方法不再适用。而目前对于含光伏接入的电力系统短期负荷预测的研究比较欠缺，精准的配电网调度难以实现。在此种背景下，本文的研究能为含光伏接入的智能电网负荷预测问题提供一种有效的解决途径，既保证了可再生能源的可靠接入，又减小了能源的浪费，具有十分重要的研究意义。支持向量...

展开>> 收起<<

含光伏接入的电力系统负荷特性及预测方法研究.pdf

共60页,预览6页

还剩页未读，继续阅读

含光伏接入的电力系统负荷特性及预测方法研究

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: