含分布式电源的智能电网负荷预测研究
2024-04-16立济伟李婷瑄
立济伟，李婷瑄
（国网江苏省电力有限公司沭阳县供电分公司，江苏 宿迁 223600）
0 引 言
随着全球能源结构转型和智能化技术的快速发展，智能电网成为电力系统发展的重要趋势。智能电网通过融合通信技术、计算机技术及控制技术，能够实现实时监控、优化调度、智能管理，从而提高运行效率、安全性以及经济性。分布式电源作为新型能源供应模式，具有较高的灵活性、高效性及环保性，对推动能源转型、实现可持续发展具有重要价值。
1 分布式电源技术
1.1 分布式电源的概念
分布式电源是一种先进的电力供应方式，主要特征为分散性、模块化与环境兼容性。分布式电源装置通常位于用户端，直接接入35 kV 及以下电压等级的电网，以就地消纳的方式运作[1]。分布式电源电力供应架构见图1。
图1 分布式电源电力供应架构
分布式能源包括太阳能、天然气等，经先进转换技术转换为电能，可灵活配置来满足电力系统与用户的需求。
1.2 分布式电源在智能电网中的应用
在智能电网中，主要用场景法描述分布式电源的不确定性。分别用Weibull 分布和Beta 分布构建风速和光照强度模型，将随机问题转为确定性问题，并利用蒙特卡罗模拟法进行抽样。参考《分布式电源接入电网承载力评估导则》（DL/T 2041—2019），基于现有的电网承载能力情况，得出反向负载率λ的计算公式为
式中：PD为分布式电源出力；PL为同时刻等效用电负荷；Se为变压器或线路实际运行限制。将当前反向负载率评估周期内最大值作为指标，节假日等特殊时期不计入。为处理不确定性数据，采用Weibull 分布构建风速模型，采用Beta1 分布构建光照强度模型。Weibull 分布的概率密度函数为
式中：v为风速；k为形状参数；c为尺度参数。
Beta 分布的概率密度函数为
式中：I为光照强度；α和β为形状参数；B(·)为Beta 函数。
使用这些分布函数，能够生成符合实际情况的风速和光照强度样本数据。将样本数据代入分布式电源处理机制，即可计算出相应的分布式电源出力值，如表1 所示。
表1 分布式电源出力
在可再生能源接入的情况下，分布式电源会带来电网运行的不确定性。文章提出基于分布式电源的智能电网负荷预测模型，获得电源输出概率分布特征，生成可能的出力场景，为后续分析奠定基础。
2 基于分布式电源的智能电网负荷预测模型
2.1 数据采集与预处理
采用Weibull 分布构建风速模型，描述风能的不确定性。利用Beta 分布建立光照强度模型，体现太阳能的变化特点[2]。Beta 分布描述光照强度波动性，支持分布式电源出力预测。结合风速和光照强度模型，将不确定性问题转化为确定性问题，准确预测出力。采用线性插值法平滑曲线，处理风速和光照强度数据，减小不确定性。通过曲线拟合数据，提高准确性，为分布式电源出力预测提供可靠支持。风速和光照强度数据结果见表2。
表2 风速和光照强度数据结果
从表2 可以看出，插值处理后的风速和光照强度数据与原始数据接近，在处理缺失或异常值时能保持数据原始特征和趋势，有效填补空白，减少数据失真。数据处理方法在处理风速和光照强度数据表现良好，能够保持数据原始特征，通过预处理得到准确、平滑的数据，为后续分布式电源出力预测提供支撑。
2.2 特征提取与选择
特征提取和选择对电力负荷预测至关重要[3]。常见的特征包括日期、时间、天气等。筛选特征时，可采用统计方法、信息增益及相关系数等，确保所选特征与负荷变化具有较强的相关性。
2.3 模型构建与优化
采用支持向量机、神经网络等机器学习算法，预测分布式电源出力，提升预测精度。同时，通过调整算法参数，优化模型性能，使预测结果更加准确[4]。通过对比预测数据与实际数据，评估模型精度。若不符合要求，则继续优化参数，直至满足预测要求。在优化模型性能的过程中，应采用多种策略提高预测精度。
2.3.1 数据预处理
经过归一化、平滑、特征选择与提取等处理，能够降低原始数据中的噪声，提升数据质量。在智能电网与分布式电源场景中，通过数据预处理提高预测结果的准确性。经过数据预处理的风速和光照强度数据见表3。
表3 经过数据预处理的风速和光照强度数据
风速和光照强度数据归一化后，转换至[0,1]范围。归一化能够消除量纲影响，以便进行特征比较和相关计算。
2.3.2 集成学习
集成学习是将多个预测模型组合成更强、更稳定模型的策略，如投票法、Bagging、Stacking 等，可用于风速和光照强度预测的模型集成。模型集成预测结果见表4。
表4 模型集成预测结果
由表4 可知，投票法、Bagging 及Stacking 的预测准确性高，表明所选模型精确，能够有效预测风速和光照强度变化。投票法、Bagging 及Stacking 作为典型的集成学习方法，预测表现优秀。与单一模型相比，集成模型能够降低预测误差。无论是风速还是光照强度，集成模型各个时间点的预测值与实际值的波动范围较小，表明其在不同时间段内具有较好的适应性[5]。
2.3.3 调整训练样本
根据实测数据调整训练样本，以适应用户行为实时变化，并使用交叉验证评估模型在不同样本下的预测性能。此外，应用数据增强技术可以生成更多训练样本，提升模型的泛化能力。
3 结 论
通过数据预处理、特征提取与选择、模型集成及动态调整训练样本等策略，能够提高含分布式电源的智能电网的负荷预测精度与稳定性，为智能电网的高效运行和管理提供支持。通过实验证实了基于分布式电源的智能电网负荷预测模型有效性，为智能电网的未来发展提供了新的思路。
