一种光伏发电和电动汽车负荷的聚合功率预测方法技术

本发明专利技术公开了一种光伏发电和电动汽车负荷的聚合功率预测方法；通过核主成分分析法提取数据的主要特征，采用K

【技术实现步骤摘要】
一种光伏发电和电动汽车负荷的聚合功率预测方法


[0001]本专利技术属于智能电网
，具体涉及一种光伏发电和电动汽车负荷的聚合功率预测方法。

技术介绍

[0002]近年来，气候变化对地球生命系统构成了严重威胁，世界各国以全球协约的方式减排温室气体。在积极推动能源转型的过程中，电力是不可或缺的一环。配电网作为电力系统的重要组成部分，一方面，海量分布式可再生能源接入配电网，对能源结构的调整和发展起到了重要的推进作用。另一方面，随着能源消费侧电气化改革的不断深入，大规模电动汽车的并网接入，也使得配电网负荷侧的用电特性愈加复杂。目前，我国的电能替代量已超过2000亿千瓦时，终端电气化水平高达27％。源、荷双端的高度不确定性给配电网的安全稳定经济运行带来了严峻挑战。因此，开发一种精确可靠源、荷聚合功率预测方法是解决上述问题的关键。考虑到在实际配电网大量光伏发电和电动汽车负荷聚合场景的广泛存在，研究珍对光伏发电和电动汽车负荷的聚合功率预测方法具有重要意义。
[0003]实现准确可靠预测的核心在于对预测对象和相关数据的分析。针对光伏发电功率的预测，其受环境变量影响的较为突出，如何有效挖掘出其中的关键变量以及变量之间的相关性是实现光伏发电功率精确预测的重要步骤。
[0004]例如，一种在中国专利文献上公开的“一种含分布式光伏和电动汽车并网的趋势负荷预测方法”，其公告号CN113537575A，按数据处理层、分布式光伏电场空间聚类分析层、电动汽车用电功率特征提取层、负荷功率预测层和优化层进行展开，为了克服海量分布式光伏电源以及电动汽车并入电网导致负荷预测不准确的弊端，该专利技术提供的含分布式光伏和电动汽车并网的趋势负荷预测方法，可以有效解决海量分布式光伏电源以及电动汽车并入电网导致负荷侧随机因素增强带来的预测不准确的弊端，提高负荷预测结果的准确性。但是该专利技术是通过光伏电场并入时因素对并入过程造成的影响，然而却缺乏对并入电网端电动汽车方向产生的荷端不确定性的分析，无法从双端对负荷预测进行有效的评估。

技术实现思路

[0005]针对现有技术下源、荷双端高度不确定，而光伏发电功率的预测受环境变量影响的较为突出的问题，提供一种光伏发电和电动汽车负荷的聚合功率预测方法；通过核主成分分析法提取数据的主要特征，采用K
‑
means++方法分析变量的相关性，两种方法结合实现了对数据的高效处理；同时，采用基于改进人工蜂群算法优化的Elman网络实现对光伏发电功率的预测，通过改进人工蜂群算法优化神经网络的权值能够加速模型的收敛，在性能方面具有更高的鲁棒性。通过出行链技术、蒙特卡洛算法、图神经网络进行聚合功率预测，其适用场景广泛，预测精度较高。
[0006]为实现上述目的，本专利技术采用以下技术方案：一种光伏发电和电动汽车负荷聚合功率预测方法，包含：
S1、收集各母线节点光伏电站的历史数据，包含光伏电站的历史发电功率、相对湿度、温度以及降雨量，通过K
‑
means++算法选取与预测日天气情况最接近的相似日历史数据作为训练样本；S2、利用核主成分分析法对已提取的最大相似日数据进行降维处理，提取出数据主要特征；S3、搭建基于改进人工蜂群算法优化的Elman神经网络光伏发电预测模型，并预测光伏发电功率；S4、将充电区域划分为工作区、住宅区和休闲区，应用停车生成率模型计算电动汽车的充电体量，并基于出行链技术求取电动汽车来往于不同地点的行驶距离，计算电动汽车的荷电状态；S5、根据电动汽车的充电需求，判断电动汽车的充电方式，根据充电方式抽取电动汽车的充电起始时间；S6、通过蒙特卡洛算法模拟并统计位于不同母线节点的电动汽车负荷功率；S7、根据不同母线节点的光伏发电功率和电动汽车负荷功率数据，考虑节点间的拓扑连接关系，基于图神经网络实现聚合功率预测。
[0007]通过核主成分分析法提取数据的主要特征，采用K
‑
means++方法分析变量的相关性，两种方法结合实现了对数据的高效处理；同时，采用基于改进人工蜂群算法优化的Elman网络实现对光伏发电功率的预测，通过改进人工蜂群算法优化神经网络的权值能够加速模型的收敛，在性能方面具有更高的鲁棒性。通过出行链技术、蒙特卡洛算法、图神经网络进行聚合功率预测，其适用场景广泛，预测精度较高。
[0008]作为优选，所述步骤S1具体包括：S11、收集并预处理待预测光伏电站的历史数据，包含历史光伏发电功率和气象数据，对待预测光伏电站的历史数据作归一化处理：其中,x
i
为历史数据样本i未归一化之前的值，x
i,max
为对应样本数据中的最大值，x
i,min
为对应样本数据中的最小值；为归一化后的值；随机选取历史数据集中一个样本c作为聚类中心，计算历史数据样本距离当前聚类中心的欧氏距离，并选择最小值记为d
i
；其中,为数据样本i的天气特征；S12、计算每个样本点被选为下一个聚类中心的概率，选择最大概率值所对应的样本点作为下一个聚类中心，其中概率计算公式为：根据上述概率，通过轮盘赌法选择下一个聚类中心；S13、重复以上步骤，选出所有的聚类中心；计算其余样本与所有聚类中心的距离，将样本值放入距离最小的聚类点集合中，重复以上操作直至聚类点固定；提取含有待预测日数据样本的聚类体，将其中数据作为训练样本。
[0009]区别与传统的K
‑
means聚类算法，K
‑
means++算法在聚类中心的选取上更加明确，效率更高。
[0010]作为优选，步骤S2具体包括：S21、设置初始输入为含有p个样本，q个发电功率采样点的变量矩阵：S22、提取输入变量的主要成分等价为计算核矩阵的特征值λ
i
和单位矩阵正交化后的特征向量Φ
i
；根据特征值的贡献率β
i
和累计贡献率β
Σ
(i)计算主成分分量μ
i
：：μ
i
＝(φ
i
)
T
Z
p
×
q
；i＝1,2
……
p。
[0011]通过计算各个函数的分量，能够将各种因素对光伏发电功率的影响分别赋予不同的权重，保证重要因素和非重要因素的分配合理。
[0012]作为优选所述步骤S3具体包括：S31、通过改进的人工蜂群算法得到神经网络的最优权值；S32、使用Elman神经网络对光伏功率进行预测。
[0013]通过改进人工蜂群算法优化神经网络的权值能够加速模型的收敛，在性能方面具有更高的鲁棒性。
[0014]作为优选，通过改进的人工蜂群算法得到神经网络的最优权值，具体操作如下：S311、记蜜源i(i＝1,2,L,n)，其中n为蜜源的总量；在蜜源中存在潜在的可行解，将蜜源的位置记为W
i
＝[W
i1
,W
i2
,L,W
iN
],将可行解空间的维数记为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：包含：S1、收集各母线节点光伏电站的历史数据，包含光伏电站的历史发电功率、相对湿度、温度以及降雨量，通过K
‑
means++算法选取与预测日天气情况最接近的相似日历史数据作为训练样本；S2、利用核主成分分析法对已提取的最大相似日数据进行降维处理，提取出数据主要特征；S3、搭建基于改进人工蜂群算法优化的Elman神经网络光伏发电预测模型，并预测光伏发电功率；S4、将充电区域划分为工作区、住宅区和休闲区，应用停车生成率模型计算电动汽车的充电体量，并基于出行链技术求取电动汽车来往于不同地点的行驶距离，计算电动汽车的荷电状态；S5、根据电动汽车的充电需求，判断电动汽车的充电方式，根据充电方式抽取电动汽车的充电起始时间；S6、通过蒙特卡洛算法模拟并统计位于不同母线节点的电动汽车负荷功率；S7、根据不同母线节点的光伏发电功率和电动汽车负荷功率数据，考虑节点间的拓扑连接关系，基于图神经网络实现聚合功率预测。2.根据权利要求1所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于，所述步骤S1具体包括：S11、收集并预处理待预测光伏电站的历史数据，包含历史光伏发电功率和气象数据，对待预测光伏电站的历史数据作归一化处理：其中，x
i
为历史数据样本i未归一化之前的值，x
i，max
为对应样本数据中的最大值，x
i，min
为对应样本数据中的最小值；为归一化后的值；随机选取历史数据集中一个样本c作为聚类中心，计算历史数据样本距离当前聚类中心的欧氏距离，并选择最小值记为d
i
；其中，为数据样本i的天气特征；S12、计算每个样本点被选为下一个聚类中心的概率，选择最大概率值所对应的样本点作为下一个聚类中心，其中概率计算公式为：根据上述概率，通过轮盘赌法选择下一个聚类中心；S13、重复以上步骤，选出所有的聚类中心；计算其余样本与所有聚类中心的距离，将样本值放入距离最小的聚类点集合中，重复以上操作直至聚类点固定；提取含有待预测日数据样本的聚类体，将其中数据作为训练样本。3.根据权利要求1所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：步骤S2具体包括：
S21、设置初始输入为含有p个样本，q个发电功率采样点的变量矩阵：S22、提取输入变量的主要成分等价为计算核矩阵的特征值λ
i
和单位矩阵正交化后的特征向量Φ
i
；根据特征值的贡献率β
i
和累计贡献率β
Σ
(i)计算主成分分量μ
i
：：μ
i
＝(φ
i
)
T
Z
p
×
q
；i＝1，2......p。4.根据权利要求1所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：所述步骤S3具体包括：S31、通过改进的人工蜂群算法得到神经网络的最优权值；S32、使用Elman神经网络对光伏功率进行预测。5.根据权利要求4所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：通过改进的人工蜂群算法得到神经网络的最优权值，具体操作如下：S311、记蜜源i(i＝1，2，L，n)，其中n为蜜源的总量；将蜜源的位置记为W
i
＝[W
i1
，W
i2
，L，W
iN
]，将可行解空间的维数记为Q；将蜜源初始化：其中，表示为第j维解的最大值；表示为第i个解的第j维；表示为第j维的最小值；S312、蜜源的适应度值F
i
t
i
为：其中，F
i
为待优化问题的目标函数；S313、蜜源和引领蜂一一对应，所述引领蜂根据下式在蜜源附近进行搜索：其中，表示第i个蜜源W
i
生成的可能解N
i
的第j维；根据贪婪选择确定迭代方向：S314、对人工蜂群算法进行优化，跟随蜂按照概率选择蜜源，优化公式如下：其中，max(F
i
t
i
)表示蜜源适应度的最大值。6.根据权利要求4所述的一种光伏发电和电动汽...

【专利技术属性】
技术研发人员：郁家麟，岳东，刘维亮，窦春霞，唐小棋，钟伟东，屠晓栋，周旻，丁一岷，钟其，吴湘源，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：