基于配售电竞争态势下区域配电网网格化负荷区间预测方法与流程

基于配售电竞争态势下区域配电网网格化负荷区间预测方法
1.本发明属于配电网区间预测技术领域，涉及一种基于配售电竞争态势下区域配电网网格化负荷区间预测方法。


背景技术：

2.目前我国分布式电源发展迅猛，分布式电源装机容量不断增加，且分布式电源容量在全国总装机容量占比日趋变大。由于我国政府对开发利用新能源的大力支持和有关政策的推出，使得包括风力发电、光伏发电等形式的可再生能源发电在近些年得到了相当快速的发展，分布式电源尤其是分布式可再生能源实现了大规模的接入与应用。
3.目前，国内外对可再生能源预测，柔性负荷供用区间模型有较为深入的研究，对含配售电竞争态势下供用电区间和区间评估指标的研究较少。根据已有的供用电区间，结合配售电竞争态势下以社会效益和picp以及dadi区间评价指标优化供用电区间模型，建立更为合理的配电网供用电区间。


技术实现要素：

4.本发明的目的在于提供一种基于配售电竞争态势下区域配电网网格化负荷区间预测方法。该方法从工程投资建设的角度，基于蒙特卡洛和小波神经网络建模分析，并提出了以picp和dadi为评价指标的供用电区间优化方法。
5.本发明的技术解决方案：一种基于配售电竞争态势下区域配电网网格化负荷区间预测方法，包括以下步骤：
6.步骤10)基于局部极值聚类(cfdp)构建配电网终端用户典型用能模型；
7.步骤20)根据年负荷曲线的电力用户特征集和日负荷曲线电力用户特征集，基于时间尺度研究供用电类型；
8.步骤30)基于分时电价和实时电价等不同电价机制下研究柔性负荷的供用电区间模型；
9.步骤40)基于蒙特卡洛方法对电动汽车充放电模型进行建模研究，结合蒙特卡洛抽样和区间数确定每个时间断面上电动汽车的充电需求，按照其期望和标准差确定电动汽车充放电区间；
10.步骤50)建立双输出单隐层神经网络模型获取光伏发电系统出力的上下限，根据区间覆盖率icp和区间平均宽度iaw等评价指标采用粒子群寻优算法进行综合优化，确定网络模型的最优输出权重；
11.步骤60)根据历史数据和区间上下限计算picp和dadi供用电区间灵活性评价指标；
12.步骤70)综合考虑光伏系统、柔性负荷和电动汽车负荷出力不确定性影响下，综合配售电竞争态势下社会效用和灵活性指标为优化目标，获得预测准确度较高的供用电区间值。
13.进一步的，本发明中，所述步骤10)中，基于局部极值聚类(cfdp)构建配电网终端
用户典型用能模型，其局部密度为：
[0014][0015]
上式中：参数d
c
为截断距离，d
ij
为i与j之间的距离；ρ
i
为i节点局部密度；i
s
为所有节点集合。
[0016]
进一步的，本发明中，所述步骤20)中，根据年负荷曲线的电力用户特征集和日负荷曲线电力用户特征集，基于时间尺度研究供用电类型。对于一条给定的负荷曲线：
[0017][0018][0019]
式中：l(t)为t月的负荷曲线；a为全年负荷曲线；s(t)为t月的负荷率。
[0020]
对于电力用户负荷用电行为的建模就可以转化为对其用电总量的分析和用电的时间分布分析两个子问题。
[0021]
进一步的，本发明中，所述步骤30)中基于分时电价和实时电价等不同电价机制下研究柔性负荷的灵活性和供用电区间模型。对于采用峰谷分时电价的用户来说，峰时段的电量变化量为：
[0022][0023]
式中：δq1和δp1分别是峰时段时电量q和电价p的相对增量；ε
ij
(i≠j)是交叉弹性系数，表示在i时段电量需求变化率与在j时段电价变动率之间的比值；ε
ii
为弹性系数，表示在i时段电量需求变化率与电价变动率之间的比值。
[0024]
谷时段的电量变化量为：
[0025][0026]
式中：δq2和δp2分别是谷时段电量q和电价p的相对增量。行峰谷电价后，谷时段的用电量不会小于执行前的用电量。
[0027]
进一步的，本发明中，所述步骤40)中，基于蒙特卡洛方法对电动汽车充放电模型进行建模研究，利用蒙特卡洛抽样研究每个时间断面上电动汽车的充电需求，按照其期望和标准差确定电动汽车充放电区间，结合最大拟然估计法：
[0028][0029]
式中：μ
t
＝3.2，σ
t
＝0.88，t为时间段。电动汽车的电池荷电状态与其日行驶里程d也近似满足线性关系，则电动汽车充电时长t
c
可估计为：
[0030]
[0031]
式中，w
100
为ev的百公里平均耗电量(单位：kw
·
h/100km)；p
c
为电动汽车的充电功率(单位：kw)；d为日行驶里程量(单位：km)。在优化后的峰谷电价时间段内，电动汽车一般采取有序充模式，则单辆电动汽车在t0时刻的充电功率需求可表述为：
[0032][0033]
式中：p(t0)为t0时间断面上单辆电动汽车的功率需求；p
c
(t0)为t0时间断面上单辆电动汽车的充电功率；ζ
c
(t0)为时间t0断面上单辆电动汽车充电功率的概率，ψ(
·
)则为电动汽车起始充电时刻的概率密度函数。电动汽车充电区间数为：
[0034][0035]
式中，υ为区间数的半径调节参数，μ
ev
和σ
ev
为对应期望值和标准差。
[0036]
进一步的，本发明中，所述步骤50)中，建立双输出单隐层神经网络模型获取光伏发电系统出力的上下限，根据区间评价指标采用粒子群寻优算法进行综合优化，确定网络模型的最优输出权重。光伏发电系统的稳态功率输出可以用如下简化模型：
[0037][0038]
式中：p
pv
为光伏的实际输出功率(kw)；g
stc
和g
ing
分别为标准条件下和实际的太阳辐射强度(w/m2)；p
stc
为标准测试条件下光伏电池最大功率输出(kw)；k
pv
为功率温度系数(％/℃)；t
c
为电池温度；t
r
为参考温度。
[0039]
可再生光顾区间评价指标主要分为两个方面：区间覆盖概率(interval coverage probability，icp)以及区间平均宽度(interval average width,iaw)。icp即光伏发电系统出力的实测值落入区间模型的概率，概率值越大，表明区间模型越准确；iaw则表示区间值的宽窄，理论上应使平均区间宽度尽可能小，以便获得更为精确的区间值，在此基础上构建如下式所示的区间模型综合评价指(combinational coverage width
‑
based criterion,cwc)：
[0040]
cwc＝iaw[(1 γ)icpe
‑
θ(icp
‑
μ)
]
ꢀꢀ
(11)
[0041]
式中：γ为icp的控制系数，μ为置信水平，θ为置信水平与icp的差异放大系数。
[0042]
进一步的，本发明中，所述步骤60)中，根据历史数据和区间上下限计算picp和dadi的供用电区间灵活性评价指标。picp为实际值落在预测区间中的统计概率，可写为：
[0043][0044]
上式中：m为每一组样本中的数据个数；a
ij
为预测结果判别指标，当给定值处于给定的上下边界之间时，其取值为1，否则取值为0：
[0045]
[0046]
式中：u
ij
和l
ij
分别为给定上下边界值。picp指标能够直观反映区间的准确性，其数值越高，表明负荷真实值落在预测区间中的概率越大，预测结果更好。dadi则可以准确直观地反映负荷实际值与预测区间之间的偏离程度：
[0047][0048]
上式中d
j
为第j个时间节点处负荷i真实值与预测区间的偏差。综合上述分析可知dadi指标数值越小，表明负荷真实值与预测区间的偏移程度越小，预测区间较为精确。
[0049]
进一步的，本发明中，所述步骤70)中，综合考虑光伏系统、柔性负荷和电动汽车负荷出力不确定性影响下，以配售电竞争态势下社会效用最大为优化目标，获得预测准确度较高的供用电区间值。对于配网与微网之间的能源交易分析可知，成本目标函数为：
[0050][0051]
式中：μ
b
(t)和μ
s
(t)分别为t时刻配电网从主网的购售电价；u
s
(t)和u
b
(t)分别为配电网从主网的购售电量；δt为时间间隔，通常取1h；t为24。
[0052]
有益效果：与现有技术相比，本发明具有以下优点：
[0053]
已有研究仅从国内外的短期预测负荷分析，研究了不同类型负荷的耦合特性，针对负荷区间进行概念性的阐述归纳。对于考虑配售电竞争态势下配电网供用电区间模型，本发明基于蒙特卡洛抽样，综合考虑配电网整体社会效益和picp以及dadi等供用电区间灵活性指标，确定基于配售电竞争态势下区域配电网网格化负荷区间预测方法。
附图说明
[0054]
图1为本发明实施例的流程图；
[0055]
图2为本发明实施例的电动汽车充放电区间结果图；
[0056]
图3为本发明实施例的配电网供用电负荷区间结果图；
[0057]
图4、5为本发明实施例的含可再生能源节点负荷区间结果图。
具体实施方式
[0058]
下面结合附图，对本发明实施例的技术方案做进一步的说明。
[0059]
如图1所示，本发明方法的实施例，基于配售电竞争态势下区域配电网网格化负荷区间预测方法如图1所示，该方法包括以下步骤：
[0060]
步骤10)基于局部极值聚类(cfdp)构建配电网终端用户典型用能模型；
[0061]
步骤20)根据年负荷曲线的电力用户特征集和日负荷曲线电力用户特征集，基于时间尺度研究供用电类型；
[0062]
步骤30)基于分时电价和实时电价等不同电价机制下研究柔性负荷的供用电区间模型；
[0063]
步骤40)基于蒙特卡洛方法对电动汽车充放电模型进行建模研究，结合蒙特卡洛抽样和区间数确定每个时间断面上电动汽车的充电需求，按照其期望和标准差确定电动汽车充放电区间；
[0064]
步骤50)建立双输出单隐层神经网络模型获取光伏发电系统出力的上下限，根据
区间覆盖率icp和区间平均宽度iaw等评价指标采用粒子群寻优算法进行综合优化，确定网络模型的最优输出权重；
[0065]
步骤60)根据历史数据和区间上下限计算picp和dadi供用电区间灵活性评价指标；
[0066]
步骤70)综合考虑光伏系统、柔性负荷和电动汽车负荷出力不确定性影响下，综合配售电竞争态势下社会效用和灵活性指标为优化目标，获得预测准确度较高的供用电区间值。
[0067]
进一步的，本发明中，所述步骤10)中，基于局部极值聚类(cfdp)构建配电网终端用户典型用能模型，其局部密度为：
[0068][0069]
上式中：参数d
c
为截断距离，d
ij
为i与j之间的距离；ρ
i
为i节点局部密度；i
s
为所有节点集合。
[0070]
进一步的，本发明中，所述步骤20)中，根据年负荷曲线的电力用户特征集和日负荷曲线电力用户特征集，基于时间尺度研究供用电类型。对于一条给定的负荷曲线：
[0071][0072][0073]
式中：l(t)为t月的负荷曲线；a为全年负荷曲线；s(t)为t月的负荷率。
[0074]
对于电力用户负荷用电行为的建模就可以转化为对其用电总量的分析和用电的时间分布分析两个子问题。
[0075]
进一步的，本发明中，所述步骤30)中基于分时电价和实时电价等不同电价机制下研究柔性负荷的灵活性和供用电区间模型。对于采用峰谷分时电价的用户来说，峰时段的电量变化量为：
[0076][0077]
式中：δq1和δp1分别是峰时段时电量q和电价p的相对增量；ε
ij
(i≠j)是交叉弹性系数，表示在i时段电量需求变化率与在j时段电价变动率之间的比值；ε
ii
为弹性系数，表示在i时段电量需求变化率与电价变动率之间的比值。
[0078]
谷时段的电量变化量为：
[0079][0080]
式中：δq2和δp2分别是谷时段电量q和电价p的相对增量。行峰谷电价后，谷时段的用电量不会小于执行前的用电量。
[0081]
进一步的，本发明中，所述步骤40)中，基于蒙特卡洛方法对电动汽车充放电模型进行建模研究，利用蒙特卡洛抽样研究每个时间断面上电动汽车的充电需求，按照其期望和标准差确定电动汽车充放电区间，结合最大拟然估计法：
[0082][0083]
式中：μ
t
＝3.2，σ
t
＝0.88，t为时间段。电动汽车的电池荷电状态与其日行驶里程d也近似满足线性关系，则电动汽车充电时长t
c
可估计为：
[0084][0085]
式中，w
100
为ev的百公里平均耗电量(单位：kw
·
h/100km)；p
c
为电动汽车的充电功率(单位：kw)；d为日行驶里程量(单位：km)。在优化后的峰谷电价时间段内，电动汽车一般采取有序充模式，则单辆电动汽车在t0时刻的充电功率需求可表述为：
[0086][0087]
式中：p(t0)为t0时间断面上单辆电动汽车的功率需求；p
c
(t0)为t0时间断面上单辆电动汽车的充电功率；ζ
c
(t0)为时间t0断面上单辆电动汽车充电功率的概率，ψ(
·
)则为电动汽车起始充电时刻的概率密度函数。电动汽车充电区间数为：
[0088][0089]
式中，υ为区间数的半径调节参数，μ
ev
和σ
ev
为对应期望值和标准差。
[0090]
进一步的，本发明中，所述步骤50)中，建立双输出单隐层神经网络模型获取光伏发电系统出力的上下限，根据区间评价指标采用粒子群寻优算法进行综合优化，确定网络模型的最优输出权重。光伏发电系统的稳态功率输出可以用如下简化模型：
[0091][0092]
式中：p
pv
为光伏的实际输出功率(kw)；g
stc
和g
ing
分别为标准条件下和实际的太阳辐射强度(w/m2)；p
stc
为标准测试条件下光伏电池最大功率输出(kw)；k
pv
为功率温度系数(％/℃)；t
c
为电池温度；t
r
为参考温度。
[0093]
可再生光顾区间评价指标主要分为两个方面：区间覆盖概率(interval coverage probability，icp)以及区间平均宽度(interval average width,iaw)。icp即光伏发电系统出力的实测值落入区间模型的概率，概率值越大，表明区间模型越准确；iaw则表示区间值的宽窄，理论上应使平均区间宽度尽可能小，以便获得更为精确的区间值，在此基础上构建如下式所示的区间模型综合评价指(combinational coverage width
‑
based criterion,cwc)：
[0094]
cwc＝iaw[(1 γ)icpe
‑
θ(icp
‑
μ)
]
ꢀꢀ
(26)
[0095]
式中：γ为icp的控制系数，μ为置信水平，θ为置信水平与icp的差异放大系数。
[0096]
进一步的，本发明中，所述步骤60)中，根据历史数据和区间上下限计算picp和
dadi的供用电区间灵活性评价指标。picp为实际值落在预测区间中的统计概率，可写为：
[0097][0098]
上式中：m为每一组样本中的数据个数；a
ij
为预测结果判别指标，当给定值处于给定的上下边界之间时，其取值为1，否则取值为0：
[0099][0100]
式中：u
ij
和l
ij
分别为给定上下边界值。picp指标能够直观反映区间的准确性，其数值越高，表明负荷真实值落在预测区间中的概率越大，预测结果更好。dadi则可以准确直观地反映负荷实际值与预测区间之间的偏离程度：
[0101][0102]
上式中d
j
为第j个时间节点处负荷i真实值与预测区间的偏差。综合上述分析可知dadi指标数值越小，表明负荷真实值与预测区间的偏移程度越小，预测区间较为精确。
[0103]
进一步的，本发明中，所述步骤70)中，综合考虑光伏系统、柔性负荷和电动汽车负荷出力不确定性影响下，以配售电竞争态势下社会效用最大为优化目标，获得预测准确度较高的供用电区间值。对于配网与微网之间的能源交易分析可知，成本目标函数为：
[0104][0105]
式中：μ
b
(t)和μ
s
(t)分别为t时刻配电网从主网的购售电价；u
s
(t)和u
b
(t)分别为配电网从主网的购售电量；δt为时间间隔，通常取1h；t为24。
[0106]
下面列举一具体实施例。
[0107]
选取ieee 33节点系统做具体分析说明，配电系统包含八组光伏电源,光伏发电系统的额定容量设为400kva。当地的光伏设备额定容量为400kva，光伏发电系统设置在3，4，7，12，14，18，21，24节点上。配电系统包含电动汽车充放电负荷，假定一天内电动汽车充电数目为50，充电汽车功率为3kw，电动汽车充放电系统设置在3，4，7，12，14，18，21，24节点上。与上级电网之间交易电量电价t(单位：元/千瓦时)如下式所示：
[0108][0109]
式中：t为时间段。具体电动汽车负荷区间，配电网与主网交互功率区间和含可再生能源节点负荷区间分别如下图2至5所示；
[0110]
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。