高滲透率下分布式?jīng)Q策的負荷預(yù)測模型

郭國棟

(天津科技大學(xué),天津 300222)

?

高滲透率下分布式?jīng)Q策的負荷預(yù)測模型

郭國棟

(天津科技大學(xué),天津 300222)

為提高分布式新能源在電網(wǎng)中的滲透率和尋找有效的負荷預(yù)測方法,提出一種基于動態(tài)貝葉斯網(wǎng)絡(luò)的分布式?jīng)Q策模型,對電網(wǎng)負荷進行精確預(yù)測,即先用分類器按照負荷性質(zhì)將大電網(wǎng)進行聚類劃分,通過考慮影響負荷的各類因素以及這些因素之間的關(guān)系,對各個分布式網(wǎng)絡(luò)進行動態(tài)貝葉斯網(wǎng)絡(luò)建模,然后用貝葉斯優(yōu)化的方法以及轉(zhuǎn)移網(wǎng)絡(luò)對模型進行優(yōu)化,再用決策網(wǎng)絡(luò)對其進行總體預(yù)測。最后,通過實際算例計算、分析結(jié)果表明,這種方法在滲透率小的一般預(yù)測時,具有較高的精度,且學(xué)習(xí)時間短,適合在線預(yù)測。

動態(tài)貝葉斯;分布式;負荷預(yù)測;決策網(wǎng)絡(luò);滲透率

智能電網(wǎng)是新型現(xiàn)代化電網(wǎng),可以最大限度接納清潔能源,實現(xiàn)低碳綠色生活,提高電網(wǎng)安全穩(wěn)定性[1]。在這個框架下,隨著大規(guī)模可再生能源的并網(wǎng),其對電網(wǎng)的滲透率不斷提高,分布式電源輸出功率的波動也會在電網(wǎng)系統(tǒng)的安全性與經(jīng)濟性上產(chǎn)生重大影響[2]。精準的電力負荷預(yù)測可以有效保障電力系統(tǒng)的安全,并且經(jīng)濟合理地安排電力發(fā)電系統(tǒng)的啟停[3],最大程度地利用可再生能源[4-5]。

傳統(tǒng)的負荷預(yù)測算法包括SVM預(yù)測算法[6]、神經(jīng)網(wǎng)絡(luò)算法[7]、灰色模型預(yù)測方法[8]。SVM算法對大規(guī)模訓(xùn)練樣本難以實施且存在分類問題,神經(jīng)網(wǎng)絡(luò)算法收斂速度慢且容易失敗,灰色模型誤差偏大。然而貝葉斯網(wǎng)絡(luò)(Bayesian network, BN)為分布式電網(wǎng)負荷預(yù)測提供了一種可行的方法。BN理論是采用概率理論在網(wǎng)絡(luò)節(jié)點上進行概率推理,可以由一些已知節(jié)點的概率推算出另外一些節(jié)點的概率。動態(tài)貝葉斯網(wǎng)絡(luò)(dynamic Bayesian network, DBN)在普通的貝葉斯網(wǎng)絡(luò)基礎(chǔ)上加入了時間信息,把原來的靜態(tài)貝葉斯網(wǎng)絡(luò)與時間信息結(jié)合,形成具有處理時序數(shù)據(jù)的隨機模型。在分布式新能源發(fā)電負荷并網(wǎng)的電力系統(tǒng)中,風(fēng)能發(fā)電的功率與某一時刻的風(fēng)速、風(fēng)向有關(guān),光伏發(fā)電的輸出功率與太陽輻射度、環(huán)境因素有關(guān),而一般情況下的負荷預(yù)測與天氣因素(最高溫度、最低溫度、降雨量等)和可中斷負荷因素有關(guān)。這些因素都是隨機的,且同一時刻不同因素之間與不同時刻同一因素之間是相互影響的?；诖?本文根據(jù)電網(wǎng)中電源性質(zhì)的相近性利用構(gòu)造貝葉斯網(wǎng)絡(luò)分類器的方法對整個電力系統(tǒng)網(wǎng)絡(luò)進行劃分,分析影響每個小網(wǎng)絡(luò)負荷因素之間的關(guān)系,構(gòu)造動態(tài)貝葉斯預(yù)測模型,然后探討電網(wǎng)總負荷與各個子電網(wǎng)負荷之間的關(guān)系,從而對整個電力網(wǎng)絡(luò)進行精準預(yù)測,最后通過算例計算、分析結(jié)果驗證其正確性。

1 電力網(wǎng)絡(luò)的劃分

1.1 根據(jù)負荷性質(zhì)劃分

因為分布式電源的滲透率不斷提高[9-11],對電網(wǎng)來說是一個不可控源,所以在實際應(yīng)用中將分布式電源結(jié)合在微網(wǎng)中去。微網(wǎng)一般通過單點接入電網(wǎng),在電網(wǎng)端被視作可控發(fā)電源或負荷,微網(wǎng)可以并入電網(wǎng)或在孤島模式下運行,同一微網(wǎng)地理位置相近,條件也比較相似,往往可以根據(jù)性質(zhì)[12]劃分為一類電網(wǎng)。在電網(wǎng)中,商業(yè)用電、居民用電、工廠用電是不同性質(zhì)的用電,體現(xiàn)為不同的負荷特性,因此在電網(wǎng)劃分中也可以劃分為幾塊電網(wǎng)。

1.2 Multi Agent技術(shù)的借鑒

劃分好的電網(wǎng)與上級電網(wǎng)之間是一個分散式的控制(如微網(wǎng)與上級電網(wǎng)之間),Multi Agent技術(shù)是將一個大的系統(tǒng)劃分為幾個小的系統(tǒng),整個系統(tǒng)的預(yù)測任務(wù)可以由幾個小的系統(tǒng)相互協(xié)作完成,并具有以下幾個方面的優(yōu)勢:

1) 多代理技術(shù)符合電力系統(tǒng)分布化的趨勢,能夠達到分布電源精確預(yù)測的目的。

2) 除了預(yù)測之外,這種劃分方式的應(yīng)用有利于上級電網(wǎng)與下級電網(wǎng)以及下級電網(wǎng)之間的協(xié)調(diào)控制。

3) 通過這種劃分可以找到影響負荷的主要因素,有利于制定滾動計劃或調(diào)峰計劃。

4) 多代理系統(tǒng)可以加強下級電網(wǎng)對上級電網(wǎng)的支撐,改善預(yù)測結(jié)構(gòu)。借鑒多代理系統(tǒng)的結(jié)構(gòu),可以根據(jù)電網(wǎng)負荷性質(zhì)的相似性構(gòu)造貝葉斯網(wǎng)絡(luò)分類器對整個電網(wǎng)進行劃分。

1.3 貝葉斯分類器的構(gòu)造

貝葉斯分類實現(xiàn)的核心方法是構(gòu)造貝葉斯網(wǎng)絡(luò)。其主要思想是:在給定的待分樣本的條件下計算類別的后驗概率,確定每個小部分的后驗概率。

式中:X[t]={X1[t],X2[t],…,Xn[t]}為在t時刻屬性變量的集合,0≤t≤T,而x[t]={x1[t],x2[t],…,xn[t]}是來描述n個屬性節(jié)點X1[t],X2[t],…,Xn[t]在t時刻的n個度量,xi[t](i=1,2,…,n)表示屬性Xi可能的取值；C[t]表示t時刻片段的類節(jié)點,ci[t]則表示相對應(yīng)的類節(jié)點C的取值。對于類來說,P(x[t])為常數(shù),P(Xi[t])表示類的先驗概率。

考慮到時間因素,動態(tài)貝葉斯分類器是由許多時間片段構(gòu)成的。在時間序列下,C={C[0],C[1],…,C[T]}為類變量序列,X={X[0],X[1],…,X[T]}則是屬性變量序列,其中X[t]={X1[t],X2[t],…,Xn[t]},此時0≤t≤T。動態(tài)貝葉斯分類器的結(jié)構(gòu)如圖1所示。

圖1 動態(tài)貝葉斯分類器結(jié)構(gòu)

通過網(wǎng)絡(luò)分類,將各類信息歸類到各個數(shù)據(jù)庫,對結(jié)構(gòu)進行分析,調(diào)整劃分方向。

2 動態(tài)貝葉斯網(wǎng)絡(luò)的分布式模型

2.1 動態(tài)貝葉斯預(yù)測網(wǎng)絡(luò)的構(gòu)造

通過將較大的電網(wǎng)進行劃分,可以得到多個較小的網(wǎng)絡(luò)。因為小網(wǎng)絡(luò)性質(zhì)相似,所以對負荷預(yù)測更為方便,結(jié)果也更為精確。各個分布式網(wǎng)絡(luò)的預(yù)測遵循相似的原則。

首先,為了能對負荷進行準確預(yù)測,這個網(wǎng)絡(luò)應(yīng)包含對分布式負荷起重要作用的關(guān)鍵因素[13]。

F(v)=1-e-(v/λ)k

Prob(0)=F(v1)+[1-F(v3)]= 1-e-(v1/λ)k+e-(v3/λ)k

Prob(Pw)=F(v3)-F(v2)= e-(v2/λ)k-e-(v3/λ)k

式中:v為風(fēng)速,λ為尺度參數(shù),k為形狀參數(shù),Vim為區(qū)間[V1,V2]經(jīng)過離散化之后的第i段風(fēng)速,F(v)為風(fēng)速的累積分布函數(shù),Prob(0)為當風(fēng)機的有功功率為零時的概率,Prob(Pw)為風(fēng)機的有功功率為Pw時的概率,Prob(Pi+Pi+1)/2為風(fēng)機在第i段內(nèi)為(Pi+Pi+1)/2時的概率。

對于光伏來說,其負荷與光照強度G和組件溫度T有關(guān),而組件溫度又與光照強度和環(huán)境溫度有關(guān),有如下關(guān)系:

T=Ta+kG

式中:Ta為環(huán)境溫度,k為相關(guān)系數(shù)。

上述各種因素之間在同一時刻是相互影響的,相同的因素在相鄰時刻也是相互影響的,同一因素在時間序列下具有一定的自相關(guān)性。

這里先選定風(fēng)速V、光照強度G、組件溫度T、環(huán)境溫度以及負荷功率P,其他因素可以用同樣的方式加入到網(wǎng)絡(luò)中。

因為某一時刻負荷功率受到這一時刻風(fēng)速、光照強度、組件溫度和環(huán)境溫度的影響,同時在時序上也與上一時刻的負荷功率有著緊密聯(lián)系,因此有如下因果關(guān)系:

P(Pt+1|Pt,Vt+1,Gt+1,Tt+1)

式中:P為負荷功率,下標t和t+1分別表示當前時刻和預(yù)測時刻。

組件溫度、光照強度和環(huán)境溫度有如下因果關(guān)系:

P(Tt+1|Gt+1,Tat+1)

再考慮時序上的關(guān)聯(lián)性,風(fēng)速、組件溫度、環(huán)境溫度和光照強度還有如下因果關(guān)系:

P(Vt+1|Vt)，P(Tt+1|Tt)，

P(Tat+1|Tat)，P(Gt+1|Gt)

上述因果關(guān)系可以用局部貝葉斯網(wǎng)絡(luò)表示,如圖2所示。

圖2 局部貝葉斯網(wǎng)絡(luò)圖

將以上網(wǎng)絡(luò)進行組合,得到靜態(tài)貝葉斯網(wǎng)絡(luò),如圖3所示。

圖3 靜態(tài)貝葉斯網(wǎng)絡(luò)圖

再結(jié)合時間序列信息,可以得到動態(tài)貝葉斯網(wǎng)絡(luò),如圖4所示。

圖4 動態(tài)貝葉斯網(wǎng)絡(luò)圖

這樣,動態(tài)貝葉斯網(wǎng)絡(luò)就形成了。

2.2 動態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)節(jié)點的計算

當數(shù)據(jù)比較完備時,根據(jù)EM[14]算法,可以算出參數(shù)的極大似然估計,完成參數(shù)一個周期的更新。似然函數(shù)為L(θ:D),X={X1,X2,…,Xn}為動態(tài)貝葉斯網(wǎng)絡(luò)的變量集,Xi[m]是節(jié)點在第m個樣本中的數(shù)據(jù),Pai[m]是父節(jié)點集的配置,θ是待估參數(shù),D是樣本集。則公式為

L(θ:D)=∏mP(X1[m],…，Xn[m]:θ)= ∏m∏iP(Xi[m]|Pai[m]:θi)= ∏i∏mP(Xi[m]|Pai[m]:θi)= ∏iLi(θi:D)

似然函數(shù)就被分解成為n個獨立的參數(shù)極大似然估計問題。令N(Xi,Pi)為變量的充分統(tǒng)計因子,可以得到

θXi|μai的最大似然估計為

(1)

2.3 動態(tài)貝葉斯網(wǎng)絡(luò)的優(yōu)化

為了能使網(wǎng)絡(luò)在負荷預(yù)測中實時地解決問題,實現(xiàn)在線預(yù)測,本文提出了貝葉斯優(yōu)化(Bayesian Optimization Algorithm, BOA)與動態(tài)貝葉斯(DBN)網(wǎng)絡(luò)結(jié)合的算法。

在網(wǎng)絡(luò)圖形模型智能優(yōu)化的基礎(chǔ)上,將DBN網(wǎng)絡(luò)作為轉(zhuǎn)移網(wǎng)絡(luò),在整個動態(tài)優(yōu)化的過程中,轉(zhuǎn)移網(wǎng)絡(luò)的作用非常重要。當樣本信息在時序軸上的t到t+1輪優(yōu)化條件變化時,轉(zhuǎn)移網(wǎng)絡(luò)會感知到所處環(huán)境的變化,基于對當前狀態(tài)的理解從而進行實時負荷預(yù)測。其過程如圖5所示。

圖5 BOA與DBN的混合優(yōu)化機制

DBN網(wǎng)絡(luò)感知到網(wǎng)絡(luò)節(jié)點集合發(fā)生變化后,適時改變基本條件,重新確立了新的種群以及優(yōu)化方向,大大提高了負荷智能預(yù)測的自主能力。

為了簡化計算,一般往往可以去掉網(wǎng)絡(luò)一些不重要的節(jié)點,繼承上一代轉(zhuǎn)移網(wǎng)絡(luò)的優(yōu)點,重新計量一些邊。這樣就需要進行網(wǎng)絡(luò)搜索,而一般的搜索算法往往要搜索大量的節(jié)點空間,為了提高運算速度,采用一種啟發(fā)式算法。

首先將時間T分成n個時間段,每個時間段長度為Δt=T/n，將每段進行計算再綜合。設(shè)定評分函數(shù)為

(2)

從0時刻起的Δt時間內(nèi),測得一批動態(tài)數(shù)據(jù)D1,基于前面的BOA方法,從所有的DBN結(jié)構(gòu)中搜索到的第一個最高評分SCORE1對應(yīng)網(wǎng)絡(luò)DBN1,再經(jīng)過一個Δt,得到SCORE2和DBN2,最后在nΔt即T時間內(nèi)得到SCORE0:T對應(yīng)的DBN0:T。這里所進行的綜合指的是以網(wǎng)絡(luò)結(jié)構(gòu)出現(xiàn)的概率為基礎(chǔ),考慮有向邊出現(xiàn)的次數(shù)。

3 決策網(wǎng)絡(luò)的總體預(yù)測

3.1 BN決策網(wǎng)絡(luò)的構(gòu)建

前面已經(jīng)將一個大電網(wǎng)進行劃分,又對各個劃分的電網(wǎng)進行了分布式負荷預(yù)測。除了考慮各個分布式電網(wǎng)外,還得結(jié)合上級電網(wǎng)和用戶測的數(shù)據(jù),從而對整個電網(wǎng)進行一個預(yù)測,決策網(wǎng)絡(luò)的工作機制如圖6所示。

圖6 決策網(wǎng)絡(luò)的工作機制

為了精確、簡潔、快速地對大電網(wǎng)進行總體的預(yù)測,這里構(gòu)造一個決策網(wǎng)絡(luò)。

由于分布式網(wǎng)絡(luò)通過感知環(huán)境后所形成的網(wǎng)絡(luò)節(jié)點集合的空間是很龐大的,實際應(yīng)用中需要在較短的時間內(nèi)找到?jīng)Q策網(wǎng)絡(luò)的結(jié)構(gòu),而以往的遺傳算法和進化算法并不具有處理這種結(jié)構(gòu)的效率性,因此可以采用改進進化算法的快速BN構(gòu)圖法進行尋找。

設(shè)所有變量的集合I={X1,X2,…,Xn},其基本流程如下:

1) 選擇初始節(jié)點Xroot,其原則是使變量取值分別為0和1時所對應(yīng)的染色體個數(shù)相差的絕對值最大。

2)Iin表示之前已經(jīng)生成的部分樹形模型中的變量集,Iout=I-Iin。對于集合中的Xi∈In和Xj∈Iout,搜索到最大的BD(Xin-i→Xout-j),也就是尋找:

BD(Xin-i→Xout-j)=max{BD(Xi→Xj)|Xi∈Iin,Xj∈Iout}。

3) 把節(jié)點Xout-j加入Iin中去,使之成為Xin-i的子節(jié)點,這樣局部就增長了一個樹葉,于是

Iin←Iin∪{Xout},Iout←Iout∪{Xout-j}

4) 返回2),當集合I與Iin相等時結(jié)束。

用上述過程構(gòu)造決策網(wǎng)絡(luò)時,為了進一步簡化運算,應(yīng)按照以下原則進行:節(jié)點的獨立性越弱越先添加一個邊指向它,一對節(jié)點相似性越強越先連接它們的邊,不同節(jié)點連接邊的添加具有可加性,而同一節(jié)點連接邊的添加并不具有可加性。

在整個動態(tài)時序過程中,某一時刻的預(yù)測方向和優(yōu)化點的集合都可以遺傳給下一代的BN決策網(wǎng)絡(luò)做負荷預(yù)測使用。

3.2 BN決策網(wǎng)絡(luò)預(yù)測的優(yōu)點

BN決策網(wǎng)絡(luò)的構(gòu)造及前文轉(zhuǎn)移網(wǎng)絡(luò)共同組成了整個模型的雙核心結(jié)構(gòu)。

將大電網(wǎng)進行劃分,再用動態(tài)貝葉斯網(wǎng)絡(luò)進行學(xué)習(xí)和預(yù)測,大大提高了預(yù)測的魯棒性和精確性。BN決策網(wǎng)絡(luò)的使用使算法有了較快的收斂速度,能夠?qū)崿F(xiàn)實時自主控制,即高度智能化。

BN決策網(wǎng)絡(luò)不僅考慮了每個分布式電網(wǎng),還將客戶端與上級電網(wǎng)考慮了進來。此外,它還具有良好的擴展性,體現(xiàn)在以下幾個方面:

1) 當決策網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合時,受益于決策網(wǎng)絡(luò)的高度智能化,將會大幅度提高電網(wǎng)的運行效率。

2)將決策網(wǎng)絡(luò)的優(yōu)化方向進行改變,則可以將其功能擴展到負荷預(yù)測之外的廣闊領(lǐng)域。如果將其優(yōu)化方向改為改善不間斷供電,那么結(jié)合新能源發(fā)電技術(shù)和新型儲能技術(shù),可以使功率輸出平滑,提高其穩(wěn)定性。此外,在故障檢測和用戶交互方面也有天然的優(yōu)勢。

4 算例分析

為驗證本文提出的負荷預(yù)測模型,使用Matlab中的FULLBNT工具箱進行網(wǎng)絡(luò)構(gòu)建。

以某地區(qū)夏季的日負荷數(shù)據(jù)為研究對象,數(shù)據(jù)采集時間間隔為60 min。選取天氣因素相似的2013年5月31日—2013年5月20日的電力數(shù)據(jù)和氣候數(shù)據(jù)進行計算,來預(yù)測5月21日0—24時的負荷，其中3個捕捉到的時間點的數(shù)據(jù)如表1所示。

表1 三個時間點的歷史數(shù)據(jù)

按照負荷性質(zhì)對樣本進行劃分。為了了解負荷的時間性質(zhì)和空間性質(zhì),在matlab環(huán)境下做出相對負荷在時間維度與空間維度的三維仿真圖,這里先將樣本進行歸一化處理。將負荷處理到[0,1]區(qū)間內(nèi),時間維度本身就已限制在[0,24]區(qū)間內(nèi),無需再進行處理。在空間位置上選取幾何中心點,由遠及近將空間維度處理在[0,10]區(qū)間內(nèi)。歸一化公式為

將所有數(shù)據(jù)進行處理,得到負荷的三維特性如圖7所示。

圖7 負荷的三維特性

從圖7可以看出,顏色的深淺代表相對負荷的大小,在時間維度10到11,空間維度4和7的位置有2個高峰,而在時間維度20到22時,在整個空間上延綿一片小高峰,在時間維度0到4時又出現(xiàn)成片藍色低谷,在空間上也有較好的集中性。為了給貝葉斯處理提供條件,這里采用非負矩陣分解法將其進行降維處理,如圖8所示。

圖8 負荷特性的降維分類

可以利用貝葉斯分類器來處理這個二維圖像減少計算量。再利用式(2)計算各分類網(wǎng)絡(luò)在各個時間段內(nèi)的評分。

分析各個分布式網(wǎng)絡(luò)與風(fēng)速、溫度、濕度關(guān)系的強弱,找到強屬性集G1和弱屬性集G2。強屬性集G1={A1,A2},弱屬性集G2={A3},在要求計算速度的前提下可以忽略A3,如表2所示。

表2 影響因素的關(guān)聯(lián)性結(jié)果

在對分類后的每一部分電網(wǎng)中,利用本文所提出轉(zhuǎn)移矩陣的方法,以式(1)作為目標函數(shù),利用分布式協(xié)同進化算法將其在動態(tài)貝葉斯決策網(wǎng)絡(luò)中進行迭代。

決策網(wǎng)絡(luò)中,為尋找BD(Xin-i→Xout-j)=max{BD(Xi→Xi)|Xi∈Iin,Xi∈Iout},將風(fēng)速、濕度、溫度的值處理為網(wǎng)絡(luò)點之間的概率值,經(jīng)過多次學(xué)習(xí)得到最優(yōu)參數(shù),如圖9所示。

圖9 決策網(wǎng)絡(luò)參數(shù)學(xué)習(xí)曲線

在圖9中,實際運行65代就已能得到最優(yōu)解和最優(yōu)參數(shù),當前后代數(shù)參數(shù)學(xué)習(xí)極大似然值的差小于0.001時就終止迭代了,但因為在線運行時繼續(xù)調(diào)整參數(shù),故65代后還在繼續(xù)。

通過動態(tài)貝葉斯方法可以得到各個時刻的狀態(tài)區(qū)間,即各負荷出現(xiàn)在某一個值上的概率。本文采取某一時刻概率最大值所對應(yīng)負荷區(qū)間的中位數(shù)作為這一時刻的預(yù)測值。如5月21日8時的狀態(tài)區(qū)間,如圖10所示。這一刻的預(yù)測值就為270 MW。

圖10 負荷預(yù)測的概率分布

將本文的算法與一般的灰色神經(jīng)算法的預(yù)測結(jié)果進行對比,如圖11所示。

圖11 負荷預(yù)測對比圖

從圖11可以看到,本文所提出的模型可以有效地跟上實際負荷的變化,而灰色神經(jīng)預(yù)測模型在中間段有明顯的滯后性。

采取均方根誤差作為判斷負荷預(yù)測結(jié)果準確性的指標,負荷預(yù)測的均方根誤差曲線如圖12所示。

圖12 負荷預(yù)測的均方根誤差曲線

因為實際選址條件限制,本例中分布式能源的滲透率并不高,但通過圖9可以看出,DBN預(yù)測的結(jié)果還是較為精確的,誤差可控制在5%以內(nèi),符合負荷預(yù)測的誤差標準,證明基于DBN的分布式?jīng)Q策網(wǎng)絡(luò)預(yù)測方法是可行的。而灰色預(yù)測方法較為粗糙,誤差達到了10%。由此可見,在一般負荷預(yù)測中,本文所述方法也是適用的。當新能源的滲透率更高時,本文方法的優(yōu)越性將會更加明顯。為了分析本文模型是否適用于在線預(yù)測,本文采用整個學(xué)習(xí)過程的收斂時間作為判斷指標。普通動態(tài)貝葉斯網(wǎng)絡(luò)與分布式?jīng)Q策貝葉斯網(wǎng)絡(luò)計算性能的對比如圖13所示。

從圖13可以看到,當樣本數(shù)據(jù)較小時,兩者的差別并不大,但隨著數(shù)據(jù)量的增大,預(yù)測所需的學(xué)習(xí)時間有了明顯的不同,這說明分布式?jīng)Q策比貝葉斯更適合在線預(yù)測。

圖13 算法所需時間對比

5 結(jié) 論

1) 利用動態(tài)貝葉斯網(wǎng)絡(luò)方法,考慮時序因素,充分利用歷史大數(shù)據(jù)進行學(xué)習(xí),能提高預(yù)測精度。

2) 按照負荷性質(zhì),通過分類器對大電網(wǎng)進行聚類劃分,并進行分布式計算,能有效降低了網(wǎng)絡(luò)的復(fù)雜度。

3) 提出了決策網(wǎng)絡(luò)方法,結(jié)合分布式網(wǎng)絡(luò),可大大降低計算復(fù)雜度。而且決策網(wǎng)絡(luò)擴展性好,可以用于電網(wǎng)優(yōu)化、故障檢測等方面。

4) 這種方法在滲透率較小的一般預(yù)測時,具有較高的精度,且學(xué)習(xí)時間短,適合在線預(yù)測。

[1] 張東霞, 姚良忠, 馬文媛.中外智能電網(wǎng)發(fā)展戰(zhàn)略[J].中國電機工程學(xué)報, 2013, 33(31):1-14.ZHANG Dongxia, YAO Liangzhong, MA Wenyuan.Development strategies of smart grid in China and abroad[J].Proceedings of the CSEE, 2013, 33(31):1-14.

[2] 鮑薇, 胡學(xué)浩, 何國慶, 等.分布式電源并網(wǎng)標準研究[J].電網(wǎng)技術(shù), 2012, 36(11):46-52.BAO Wei, HU Xuehao, HE Guoqing, et al.Study on standard for grid-integration of distributed resources[J].Power System Technology, 2012, 36(11):46-52.

[3] 黃海濤, 胡學(xué)英, 李翔, 等.實用化的激勵性可中斷負荷最優(yōu)補償定價模型[J].電網(wǎng)技術(shù), 2014, 38(8):2149-2154.HUANG Haitao, HU Xueying, LI Xiang, et al.A practicable optimal compensation pricing model for incentive interruptible load contract[J].Power System Technology, 2014, 38(8):2149-2154.

[4] 王繼業(yè), 季知祥, 史夢潔, 等.智能配用電大數(shù)據(jù)需求分析與應(yīng)用研究[J].中國電機工程學(xué)報, 2015, 35(8):1829-1836. WANG Jiye, JI Zhixiang, SHI Mengjie, et al.Scenario analysis and application research on big data in smart power distribution and consumption systems[J].Proceedings of the CSEE, 2015, 35(8):1829-1836.

[5] 張東霞, 苗新, 劉麗平, 等.智能電網(wǎng)大數(shù)據(jù)技術(shù)發(fā)展研究[J].中國電機工程學(xué)報, 2015, 35(1):2-12.ZHANG Dongxia, MIAO Xin, LIU Liping, et al.Research on development strategy for smart grid big data[J].Proceedings of the CSEE, 2015, 35(1):2-12.

[6] 胡時雨, 羅滇生, 陽霜, 等.基于多變量 LS-SVM 和模糊循環(huán)推理系統(tǒng)的負荷預(yù)測[J].計算機應(yīng)用, 2015, 35(2):595-600. HU Shiyu, LUO Diansheng, YANG Shuang, et al.Load forecasting based on multi-variable LS-SVM and fuzzy recursive inference system[J].Journal of Computer Applications, 2015, 35(2):595-600.

[7] 龐清樂.基于粗糙集理論的神經(jīng)網(wǎng)絡(luò)預(yù)測算法及其在短期負荷預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù), 2010, 34(12):168-173.PANG Qingle.A rough set-based neural network load forecasting algorithm and its application in short-term load forecasting[J].Power System Technology, 2010, 34(12):168-173.

[8] 葛少云, 賈鷗莎, 劉洪.基于遺傳灰色神經(jīng)網(wǎng)絡(luò)模型的實時電價條件下短期電力負荷預(yù)測[J].電網(wǎng)技術(shù), 2012, 36(1):224-229.GE Shaoyun, JIA Ousha, LIU Hong.A gray neural network model improved by genetic algorithm for short-Term load forecasting in price-sensitive environment[J].Power System Technology, 2012, 36(1):224-229.

[9] 王深哲, 高山, 李海峰, 等.含高滲透率間歇性電源的電網(wǎng)規(guī)劃方案優(yōu)選方法[J].電網(wǎng)技術(shù), 2013, 37(8):2129-2135.WANG Shenzhe, GAO Shan, LI Haifeng, et al.Optimal selection of planning schemes for power grid with high penetration of intermittent generation[J].Power System Technology, 2013, 37(8):2129-2135.

[10] KERIN U.Dynamic security indication in power systems with large amount of renewanles[C]//Power and Energy Society General Meeting.San Diego:IEEE,2012:1-6.

[11] 施琳, 羅毅, 施念, 等.高滲透率風(fēng)電—儲能孤立電網(wǎng)控制策略[J].中國電機工程學(xué)報, 2013, 33(16):78-85.SHI Lin, LUO Yi, SHI Nian, et al.A control strategy of isolated grid with high penetration of wind and energy storage systems[J].Proceedings of the CSEE, 2013, 33(16):78-85.

[12] 田書, 王麗.考慮負荷類型的含分布式電源系統(tǒng)對 配電網(wǎng)電壓的影響[J].電網(wǎng)與清潔能源, 2014, 30(2):43-47.TIAN Shu, WANG Li.Influence of DG on the distribution network voltage considering the load type[J].Power System and Clean Energy, 2014, 30(2):43-47.

[13] 高元海, 王淳.基于全概率公式的含風(fēng)電配電系統(tǒng)概率潮流計算[J].中國電機工程學(xué)報, 2015, 35(2):327-334.GAO Yuanhai, WANG Chun.Probabilistic load flow calculation of distribution system including wind farms based on total probability formula[J].Proceedings of the CSEE, 2015, 35(2):327-334.

[14] 俞奎, 王浩, 吳信東, 等.貝葉斯網(wǎng)絡(luò)的并行EM學(xué)習(xí)算法[J].模式識別與人工智能, 2008, 21(5):670-675.YU Kui,WANG Hao, WU Xindong, et al.Leaning Bayesian networks using a parallel EM approach[J].PR &Al, 2008, 21(5):670-675.

(責(zé)任編輯 張興業(yè))

Load forecasting model based on distributed decision-making with high penetration

GUO Guodong

(Tianjin University of Science and Technology, Tianjin 300222, China)

In order to enhance the penetration rate of distributed new energy in the grid and to find the effective way to forecast load, this paper proposed the distributed decision-making model based on dynamic Bayesian network to accurately predict the load on the grid.It is a method that firstly uses the classifier to divide and cluster the large grid according to the nature of the load.Then by considering all kinds of factors that influence the load and the the relationship between these factors, it establishes the model of distributed networks by dynamic Bayesian network, optimizes the model by the optimization of Bayesian method and the transfer network, and forecasts the overall load by decision-making network.Finally, the calculation and the analysis of the example shows that this method, of which the learning time is short, is effective and accurate in the system with small penetration and, which is suitable for on-line load forecasting.

dynamic Bayesian;distributed;load forecasting;decision-making network;penetration

2016-04-12。

郭國棟(1995—),男,研究方向為電力系統(tǒng)及自動化。

TP393

A

2095-6843(2016)05-0432-07