本技术提出了一种创新的超短期分布式负荷预测技术及其配套设备,该技术依托于动态时空图结构。该方法主要步骤包括:首先收集分布式负荷功率的时间序列数据,并确定预测的时间范围。随后,利用这些数据构建动态时空图,进而分析和预测负荷变化。该技术能够有效提高负荷预测的准确性,对于电力系统的优化管理具有重要意义。
背景技术
电力负荷预测是电能管理系统的重要组成部分,为电网规划、控制和运行提供重要指导。在电力系统发电周期中,不准确的负荷预测将极大程度增加电网运行和维护的成本。因此,负荷预测在确保电力系统稳定、提高能源利用效率和支持电力市场运营等方面具有重要意义。
根据预测时间尺度的划分,超短期负荷预测的时间跨度非常短,以预测未来几分钟或几个小时内的负荷功率为主要目标,主要应用于实时电力系统的调度。温度、湿度、风速等天气条件直接对电力负荷造成显著影响,尤其是空调和采暖设备的使用。节假日的特殊用电行为模式,也提高了负荷预测和电力调度的难度。且随着智能家居和电动汽车的普及,用户的用电习惯和行为模式也成为影响负荷预测的重要因素。综上提高负荷预测的准确率完善分布式负荷预测,有利于电力调度中心合理安排发电计划、优化电力分配,并确保电网运行的稳定性。
现阶段的超短期电力负荷预测方法主要分为传统预测方法和现代预测方法两大类。传统的统计预测方法包括回归分析、时间序列方法、自回归移动平均(ARMA)模型、卡尔曼滤波等。传统预测方法的主要目的是通过建立数学模型,分析影响电力负荷的因素或负荷本身的规律性和周期性,从而完成负荷进行预测。如文献“Short-term loadforecasting with using multiple linear regression”(Dhaval B.,DeshpandeA.International Journal of Electrical and Computer Engineering,10(4)(2020),pp.3911-3917)中,采用多元线性回归(multiple linear regression,MLR)的方法来预测某一天的电力负荷,通过拟合优度和平均绝对百分比误差对预测结果进行评估。该方法具有预测速度快、操作简单的优势,但在处理非线性数据时表现不佳。且现实电力生产情景中存在数据缺失或缺损的问题,导致数学模型构建出现严重误差,严重影响预测的准确性。随着机器学习和深度学习的不断发展,现代预测方法(如人工神经网络、支持向量机、卷积神经网络、循环神经网络和组合模型)已经广泛应用于电力负荷预测领域。如文献“Enhancedshort-term load forecasting using artificial neural networks”(ArvanitidisA.I.,Bargiotas D.,Daskalopulu A.,Laitsos V.M.,Tsoukalas L.H,Energies,14(22)(2021),p.7788)提出了两种应用于人工神经网络的数据预处理技术,通过数据预处理技术的革新,基于人工神经网络的超短期负荷预测与传统方法相比,预测结果的准确率获得显著提高。
随着可再生能源的发展,分布式发电系统在电力网络中的比例逐渐增加,电力负荷的复杂性也随之提高。分布式负荷预测在分布式能源的高效管理、稳定性提升以及电网的调度优化方面起着重要作用。然而现有方法还存在预测准确性不够、模型使用复杂、不适用于分布式负荷预测场景的不足,因此,有必要对现有分布式负荷预测技术进行进一步研究。
实现思路