林梅芬，潘文霞

(1.福建水利電力職業(yè)技術(shù)學院 電力系，福建 永安 366000；2.河海大學 能源與電氣學院，江蘇 南京 211100)

近年來，分布式光伏發(fā)電逐步滲透到社會各領(lǐng)域中[1]。配電層光伏發(fā)電的接入一方面可以減少配電網(wǎng)的壓力，另一方面使得能源得以充分利用。如果未來光伏發(fā)電得到普及，那么我國的負荷調(diào)度將越來越需要把光伏電源這一不可忽視的因素考慮進去，同時選擇精度較高的含高滲透率分布式電源的負荷預(yù)測方法，以合理安排負荷出力計劃，實施常規(guī)電源和光伏發(fā)電的協(xié)調(diào)調(diào)度，提高電力生產(chǎn)的經(jīng)濟效益[2-4]。

目前，國內(nèi)關(guān)于接入分布式光伏發(fā)電的高滲透率節(jié)點負荷預(yù)測文獻幾乎是空白。要想準確預(yù)測節(jié)點調(diào)度負荷，首先需要對光伏出力進行合理預(yù)測，尤其是高滲透率分布式光伏節(jié)點負荷的預(yù)測。短期光伏出力預(yù)測根據(jù)預(yù)測過程可分為直接法和間接法[5-6]。直接預(yù)測法是利用光伏功率歷史數(shù)據(jù)及天氣預(yù)報數(shù)據(jù)直接進行預(yù)測；間接預(yù)測法是先預(yù)測地表或光伏接收的太陽輻照強度，再利用神經(jīng)網(wǎng)絡(luò)或工程計算公式預(yù)測光伏功率。光伏功率預(yù)測方法大部分采用統(tǒng)計分析和神經(jīng)網(wǎng)絡(luò)預(yù)測方法[7-9]。文獻[10]提出了一種雙層神經(jīng)網(wǎng)絡(luò)單步光伏預(yù)測方法，將單層神經(jīng)網(wǎng)絡(luò)拆分成雙層神經(jīng)網(wǎng)絡(luò)，基于統(tǒng)計分析，將天氣因素整合到模型的輸入端，簡化了網(wǎng)絡(luò)結(jié)構(gòu)，但模型適應(yīng)性不高且預(yù)測精度較低。文獻[11]提出了一種基于灰色系統(tǒng)校正的小波神經(jīng)網(wǎng)絡(luò)光伏預(yù)測模型，考慮了相似日和相鄰日之間的關(guān)系，建模過程較為復雜，個別時刻的預(yù)測誤差較大。文獻[12]建立了基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短出力預(yù)測模型，該模型考慮了天氣類型指數(shù)，具有較高的預(yù)測精度和較強的適用性，但沒有涉及具體節(jié)點，針對性不強，同時也沒有對配電網(wǎng)的調(diào)度進行預(yù)測。本研究依據(jù)各節(jié)點的負荷特性，提出了基于小波神經(jīng)網(wǎng)絡(luò)[13]和Elman神經(jīng)網(wǎng)絡(luò)[14]相結(jié)合的方法進行含高滲透率分布式電源的節(jié)點負荷預(yù)測。

在此主要研究居民用電節(jié)點、商業(yè)用電節(jié)點和工業(yè)用電節(jié)點3類節(jié)點。查閱相關(guān)資料[15-17]并根據(jù)其負荷特點繪制各節(jié)點的典型負荷曲線。在光伏功率預(yù)測中，采用小波神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，利用歷史數(shù)據(jù)及天氣指數(shù)直接進行光伏功率預(yù)測，既簡化了建模過程，又具有較高的預(yù)測精度。各節(jié)點所對應(yīng)的光伏功率分布，按照實際節(jié)點光伏配比進行配置。最后，根據(jù)各節(jié)點的實際用電負荷及接入的分布式光伏所提供的用電負荷，得出含高滲透率分布式電源的節(jié)點預(yù)測負荷。

1 各節(jié)點典型負荷特性

分析3類節(jié)點的典型負荷曲線，依次為居民用電、商業(yè)用電、工業(yè)用電。其中，居民用電只考慮平房(農(nóng)村平房及城市別墅區(qū))這種能充分利用光伏電源的用戶，商業(yè)用電負荷以商業(yè)街的商場用電為主，工業(yè)用電數(shù)據(jù)選取每天不間斷工作的鋼鐵制造重工業(yè)的負荷數(shù)據(jù)。

圖1 居民用電典型日負荷曲線Fig.1 Typical daily load curve of residents

以江蘇省連云港市2015年3月份日用電負荷為例，根據(jù)其歷史數(shù)據(jù)進行擬合，得到3月份居民用電典型日負荷曲線，如圖1所示。

由圖1可得出居民用電負荷曲線的特征，即中午和晚上為每天的用電高峰，晚上10點之后受家用洗衣機、熱水器、空調(diào)等大功率電器的影響，用電量達到一天中的高峰，其余時間用電負荷相對較少。該典型日負荷曲線與居民正常上下班等活動的實際情況較為吻合。

商業(yè)用電典型日負荷曲線如圖2所示。

從圖2可以看出，商業(yè)用電特點為下午用電負荷持續(xù)升高，用電高峰時間一般為晚上8點，此時商場中的顧客流量達到了一天中的最大值，其負荷特性和趨勢均符合商場營業(yè)規(guī)律。

工業(yè)用電除了指定節(jié)假日，幾乎全年無休，全年負荷大致相同，其典型日負荷曲線如圖3所示。

圖2 商業(yè)用電典型日負荷曲線Fig.2 Typical daily load curve of business

圖3 重工業(yè)用電典型日負荷曲線Fig.3 Typical daily load curve of heavy industry

由圖3可以看出，重工業(yè)的用電負荷相對于其他幾類而言大了許多，且因工作需要，設(shè)備大多處于常開狀態(tài)，所以每天的用電負荷波動較小，相對穩(wěn)定。

上述3類節(jié)點典型負荷的特性表明，各節(jié)點的典型日負荷曲線之間有著較為顯著的差別，并符合實際規(guī)律，這使得對接入光伏后的節(jié)點負荷預(yù)測研究變得更有意義，并可對之后的光伏配置進行更加合理的安排。

2 基于小波神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的光伏預(yù)測方法建模

要想準確預(yù)測節(jié)點調(diào)度負荷，需要對光伏出力進行合理預(yù)測。光伏出力受到氣象、地理等多個變量的影響，具有非線性和不確定性，很難建立非常精確的模型。因此，首先要考慮基于天氣指標的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法。小波分析具有時頻局部特性和聚焦特性，能夠有效提取信號的局部信息，神經(jīng)網(wǎng)絡(luò)具有自學習性、自適應(yīng)性和魯棒性，小波神經(jīng)網(wǎng)絡(luò)同時具備兩者特點，有很強的學習能力且精度更高[18]。而由于小波神經(jīng)網(wǎng)絡(luò)不能預(yù)測用作訓練數(shù)據(jù)的前p個節(jié)點，故接下來結(jié)合Elman神經(jīng)網(wǎng)絡(luò)計算量小、速度快的優(yōu)點，采用基于梯度修正的小波神經(jīng)網(wǎng)絡(luò)及Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測方法，選取相似天氣類型的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓練樣本，采取類似于BP神經(jīng)網(wǎng)絡(luò)的權(quán)值修正算法，旨在更準確地對第二天24 h的光伏負荷進行預(yù)測。

本研究擬預(yù)測次日各時刻的光伏出力，故先將每天分為n個時間點。小波神經(jīng)網(wǎng)絡(luò)的輸入層為當前時間點的前p個時間點的負荷，輸出層為當前時間點的預(yù)測光伏負荷，則小波神經(jīng)網(wǎng)絡(luò)預(yù)測的光伏負荷為預(yù)測日(n-p)個時刻的數(shù)據(jù)。Elman神經(jīng)網(wǎng)絡(luò)計算量小、預(yù)測精度較高，可用來預(yù)測前p個時刻的光伏負荷。

2.1 小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)是一種以BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)為基礎(chǔ)，把小波奇函數(shù)作為隱含層節(jié)點的傳遞函數(shù)，信號前向傳播的同時誤差反向傳播的神經(jīng)網(wǎng)絡(luò)，其隱含層的輸出計算公式為

(1)

本研究采用的小波基函數(shù)為Morlet母小波基函數(shù)，數(shù)學公式為

(2)

小波神經(jīng)網(wǎng)絡(luò)輸出層計算公式為

(3)

式中：h(j)為第j個隱含層節(jié)點的輸出；hj為小波基函數(shù)；ωij為輸入層和隱含層的連接權(quán)值；bi為小波基函數(shù)的平移因子；ai為小波基函數(shù)的伸縮因子；y(k)為神經(jīng)網(wǎng)絡(luò)的第k個輸出；ωjk為隱含層到輸出層的權(quán)值；n為輸入層節(jié)點數(shù)；l為隱含層節(jié)點數(shù)；m為輸出層節(jié)點數(shù)。

小波神經(jīng)網(wǎng)絡(luò)修正過程如下：

(1)計算網(wǎng)絡(luò)預(yù)測誤差

(4)

式中：yt(k)為期望輸出；y(k)為小波神經(jīng)網(wǎng)絡(luò)預(yù)測輸出。

(2)根據(jù)預(yù)測誤差e修正小波神經(jīng)網(wǎng)絡(luò)權(quán)值和小波基函數(shù)系數(shù)：

(5)

(6)

(7)

(8)

(9)

(10)

式中：η為學習速率。

2.2 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)是一個具有局部記憶單元和局部反饋連接的遞歸神經(jīng)網(wǎng)絡(luò)。它的主要結(jié)構(gòu)是前饋連接，包括輸入層、隱含層(中間層)、承接層和輸出層。其中，隱含層的輸出被輸送到承接層，承接層在接收到信號后再將上個時刻的隱含層輸出和當前時刻的網(wǎng)絡(luò)輸入一起反饋到隱含層的輸入端。這種自聯(lián)能使網(wǎng)絡(luò)對歷史數(shù)據(jù)充分訓練，而且可以逼近任意非線性映射。Elman神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達式為

y(k)=g(ω3x(k))，

(11)

x(k)=f(ω1xc(k)+ω2(u(k-1)))，

(12)

xc(k)=x(k-1)，

(13)

式中：y為m維輸出節(jié)點向量；x為n維中間層節(jié)點單元向量；u為r維輸入向量；xc為n維反饋狀態(tài)向量；ω3為中間層到輸出層的連接權(quán)值；ω2為輸入層到中間層的連接權(quán)值；ω1為承接層到中間層的連接權(quán)值；g(*)為輸出神經(jīng)元的傳遞函數(shù)，是中間層輸出的線性組合；f(*)為中間層神經(jīng)元的傳遞函數(shù)。

Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值修正也與BP算法類似，其學習指標函數(shù)的表達式為

(14)

2.3 影響因子指數(shù)

光伏出力受外界環(huán)境的影響較大，故本研究通過光伏發(fā)電歷史數(shù)據(jù)與這些影響因素之間的關(guān)系映射成天氣類型指數(shù)，對天氣類型進行劃分，作為神經(jīng)網(wǎng)絡(luò)的另一個輸入量。

根據(jù)文獻[19]對天氣的劃分，可將天氣從廣義上分為4類：晴天(晴、晴轉(zhuǎn)多云、多云轉(zhuǎn)晴)、陰天(陰、霧、霾)、多云(多云、多云轉(zhuǎn)陰、陰轉(zhuǎn)多云)、雨天(小雨、中雨、大雨、暴雨、雷陣雨、小雪、中雪、大雪)。

對比連云港地區(qū)光伏發(fā)電功率數(shù)據(jù)及所在位置的氣象數(shù)據(jù)可以發(fā)現(xiàn)，不同天氣類型的光伏發(fā)電功率曲線差別較為明顯。將該地區(qū)4類典型天氣光伏發(fā)電曲線進行對比(見圖4)，時間間隔為15 min。

由圖4可以看出，在4種不同天氣下，光伏發(fā)電具有明顯差別，晴天較為理想，雨天、多云、陰天受陽光的影響，曲線波動較大，尤其是雨天的有效負荷較晴天而言明顯下降。因此，在光伏功率預(yù)測中，天氣是不可忽視的影響因素，天氣類型劃分也顯得尤為重要。

將4種天氣類型光伏發(fā)電數(shù)據(jù)之間的倍率關(guān)系以數(shù)值顯示映射為天氣類型指數(shù)。4種天氣類型的光伏平均發(fā)電功率關(guān)系如圖5所示。

圖4 4類典型天氣光伏發(fā)電對比Fig.4 Comparison of photovoltaic power generation in four typical weathers

圖5 4種天氣類型的光伏平均發(fā)電功率關(guān)系Fig.5 The relationship of average power generation and the four types of weather

由于晴天的光伏發(fā)電量是所有天氣類型中最大的，故將晴天的天氣指數(shù)設(shè)為1，按照倍率關(guān)系將其映射為天氣指數(shù)，作為神經(jīng)網(wǎng)絡(luò)訓練的一個輸入量。4種天氣的天氣類型指數(shù)如下：晴天為1，陰天為0.78，多云為0.85，雨天為0.40。

3 算例分析

選用江蘇省連云港市2015年的光伏發(fā)電數(shù)據(jù)和該地區(qū)部分居民用電(以平房為主)、商業(yè)用電(以人流量大的商場為主)、工業(yè)用電(重工業(yè))的實際用電數(shù)據(jù)。首先運用上述光伏預(yù)測模型對光伏出力進行預(yù)測，測試模型的可行性與預(yù)測精度，再根據(jù)各節(jié)點的實際用電負荷分別繪制各研究節(jié)點的統(tǒng)調(diào)負荷曲線，即介入光伏后配電網(wǎng)發(fā)電的預(yù)測負荷。

3.1 光伏預(yù)測結(jié)果

首先選取3月份的一個星期共7天，每隔15 min采集一次數(shù)據(jù)(光伏實際負荷)，每天共96個數(shù)據(jù)，對前6天的數(shù)據(jù)進行小波神經(jīng)網(wǎng)絡(luò)訓練，第7天的數(shù)據(jù)作為測試樣本，從而利用訓練好的神經(jīng)網(wǎng)絡(luò)對第7天的光伏負荷進行預(yù)測。本次預(yù)測采用的小波神經(jīng)網(wǎng)絡(luò)輸入層為當前時間點的前4個時間點的負荷，即4個節(jié)點，輸出層有1個節(jié)點，表示網(wǎng)絡(luò)預(yù)測的負荷，這樣可以預(yù)測從第5個時間點到第96個時間點的光伏負荷。

第2天的光伏負荷前4個時間點采用Elman神經(jīng)網(wǎng)絡(luò)預(yù)測。同樣選取一個星期的前6天，每天前4個時間點的光伏負荷數(shù)據(jù)作為訓練樣本，每3天的負荷作為輸入向量，第4天的負荷作為目標向量，得到3組訓練樣本，第7天的數(shù)據(jù)作為測試樣本，驗證所建網(wǎng)絡(luò)的可行性。

圖6 光伏預(yù)測曲線Fig.6 PV prediction curve

光伏預(yù)測結(jié)果如圖6所示。從圖6可以看出，光伏預(yù)測曲線與測試曲線基本吻合，表明預(yù)測模型具有可行性，預(yù)測精度也較高。

3.2 各節(jié)點統(tǒng)調(diào)負荷

光伏發(fā)電功率按平均每平方米150 W進行計算。對于居民用電和工業(yè)用電而言，主要考慮多以平方米為主的居民區(qū)和工業(yè)廠房，故光伏占面積比相對較大；對于商業(yè)用電而言，考慮到商業(yè)區(qū)多為高樓，即使未來光伏可安置于商業(yè)幕墻中，光伏所占面積比也相對較低。

綜上所述，按照每節(jié)點日均用電量與光伏最大輸出功率計算其光伏配比：居民節(jié)點為1.5∶1、商業(yè)節(jié)點為1∶4、工業(yè)節(jié)點為1∶2。

根據(jù)上面對光伏負荷預(yù)測(Sv)的結(jié)果與各節(jié)點實際用電負荷(Sa)，可得各節(jié)點的統(tǒng)調(diào)負荷(Sc)，計算公式為

Sc=Sa-Sf。

(15)

考慮到光伏發(fā)電在晴天的狀態(tài)較為理想，本研究以晴天為例，計及光伏的居民用電負荷曲線如圖7所示。從圖7可以看出，當居民的光伏配比為1.5∶1時，中間有一段時間的統(tǒng)調(diào)負荷為負數(shù)，表明這段時間內(nèi)光伏除了給居民供電，還給配電網(wǎng)輸送電。

計及光伏的商業(yè)負荷曲線如圖8所示。從圖8可以看出，由于商業(yè)用電的高峰集中在傍晚至晚上，且光伏配比較為不理想，沒有其他節(jié)點的光伏配比高，所以光伏發(fā)電所能抵用的用電負荷相對較少。

計及光伏的工業(yè)負荷曲線如圖9所示。從圖9可以看出，由于工廠可供安裝光伏的面積較大，所以在一段時間內(nèi)，光伏能夠提供給工廠的電量很多，雖然不能像居民統(tǒng)調(diào)負荷中出現(xiàn)的光伏發(fā)電情況，但在一定程度上減輕了白天用電高峰的供電壓力。

圖7 居民統(tǒng)調(diào)負荷曲線Fig.7 Regulation load curve of residents

圖8 商業(yè)統(tǒng)調(diào)負荷曲線Fig.8 Regulation load curve of business

圖9 工業(yè)統(tǒng)調(diào)負荷曲線Fig.9 Regulation load curve of industry

3.3 總統(tǒng)調(diào)負荷

考慮到同時率問題[20]，所有節(jié)點的實際負荷都要按照一定比例匯總，系統(tǒng)負荷同時率計算公式如下：

(16)

式中：Pm為系統(tǒng)最大負荷；Pm1，Pm2，…，Pmn為系統(tǒng)中各個用戶的最大負荷。

由文獻[21]可得各節(jié)點的同時率：居民節(jié)點為0.2，商業(yè)節(jié)點為0.8，工業(yè)節(jié)點為0.94。

將所有節(jié)點的負荷匯總之后，計及光伏的總負荷曲線如圖10所示。由圖10可以看出，光伏的接入可在某段時間內(nèi)大大減輕配電網(wǎng)負荷配送的壓力。

圖10 總統(tǒng)調(diào)負荷曲線Fig.10 Regulation load curve of residents

4 結(jié)語

本研究提出了一種含高滲透率分布式電源的節(jié)點負荷預(yù)測方法，與傳統(tǒng)負荷預(yù)測相比，在光伏負荷預(yù)測方法上進行了改進，采用計及天氣指數(shù)的小波神經(jīng)網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測模型，對光伏出力進行了有效預(yù)測，預(yù)測精度較高。通過分析處理居民用電、商業(yè)用電、工業(yè)用電3個節(jié)點的實際用電負荷和分布式電源所提供的負荷，最終對各節(jié)點的統(tǒng)調(diào)負荷做出有效安排，未來分布式光伏得到廣泛運用時，配電網(wǎng)能夠及時對各節(jié)點負荷進行較為精準的配送。