含分布式電源的智能電網負荷預測研究

立濟偉，李婷瑄

（國網江蘇省電力有限公司沭陽縣供電分公司，江蘇 宿遷 223600）

0 引 言

隨著全球能源結構轉型和智能化技術的快速發展，智能電網成為電力系統發展的重要趨勢。智能電網通過融合通信技術、計算機技術及控制技術，能夠實現實時監控、優化調度、智能管理，從而提高運行效率、安全性以及經濟性。分布式電源作為新型能源供應模式，具有較高的靈活性、高效性及環保性，對推動能源轉型、實現可持續發展具有重要價值。

1 分布式電源技術

1.1 分布式電源的概念

分布式電源是一種先進的電力供應方式，主要特征為分散性、模塊化與環境兼容性。分布式電源裝置通常位于用戶端，直接接入35 kV 及以下電壓等級的電網，以就地消納的方式運作[1]。分布式電源電力供應架構見圖1。

圖1 分布式電源電力供應架構

分布式能源包括太陽能、天然氣等，經先進轉換技術轉換為電能，可靈活配置來滿足電力系統與用戶的需求。

1.2 分布式電源在智能電網中的應用

在智能電網中，主要用場景法描述分布式電源的不確定性。分別用Weibull 分布和Beta 分布構建風速和光照強度模型，將隨機問題轉為確定性問題，并利用蒙特卡羅模擬法進行抽樣。參考《分布式電源接入電網承載力評估導則》（DL/T 2041—2019），基于現有的電網承載能力情況，得出反向負載率λ的計算公式為

式中：PD為分布式電源出力；PL為同時刻等效用電負荷；Se為變壓器或線路實際運行限制。將當前反向負載率評估周期內最大值作為指標，節假日等特殊時期不計入。為處理不確定性數據，采用Weibull 分布構建風速模型，采用Beta1 分布構建光照強度模型。Weibull 分布的概率密度函數為

式中：v為風速；k為形狀參數；c為尺度參數。

Beta 分布的概率密度函數為

式中：I為光照強度；α和β為形狀參數；B(·)為Beta 函數。

使用這些分布函數，能夠生成符合實際情況的風速和光照強度樣本數據。將樣本數據代入分布式電源處理機制，即可計算出相應的分布式電源出力值，如表1 所示。

表1 分布式電源出力

在可再生能源接入的情況下，分布式電源會帶來電網運行的不確定性。文章提出基于分布式電源的智能電網負荷預測模型，獲得電源輸出概率分布特征，生成可能的出力場景，為后續分析奠定基礎。

2 基于分布式電源的智能電網負荷預測模型

2.1 數據采集與預處理

采用Weibull 分布構建風速模型，描述風能的不確定性。利用Beta 分布建立光照強度模型，體現太陽能的變化特點[2]。Beta 分布描述光照強度波動性，支持分布式電源出力預測。結合風速和光照強度模型，將不確定性問題轉化為確定性問題，準確預測出力。采用線性插值法平滑曲線，處理風速和光照強度數據，減小不確定性。通過曲線擬合數據，提高準確性，為分布式電源出力預測提供可靠支持。風速和光照強度數據結果見表2。

表2 風速和光照強度數據結果

從表2 可以看出，插值處理后的風速和光照強度數據與原始數據接近，在處理缺失或異常值時能保持數據原始特征和趨勢，有效填補空白，減少數據失真。數據處理方法在處理風速和光照強度數據表現良好，能夠保持數據原始特征，通過預處理得到準確、平滑的數據，為后續分布式電源出力預測提供支撐。

2.2 特征提取與選擇

特征提取和選擇對電力負荷預測至關重要[3]。常見的特征包括日期、時間、天氣等。篩選特征時，可采用統計方法、信息增益及相關系數等，確保所選特征與負荷變化具有較強的相關性。

2.3 模型構建與優化

采用支持向量機、神經網絡等機器學習算法，預測分布式電源出力，提升預測精度。同時，通過調整算法參數，優化模型性能，使預測結果更加準確[4]。通過對比預測數據與實際數據，評估模型精度。若不符合要求，則繼續優化參數，直至滿足預測要求。在優化模型性能的過程中，應采用多種策略提高預測精度。

2.3.1 數據預處理

經過歸一化、平滑、特征選擇與提取等處理，能夠降低原始數據中的噪聲，提升數據質量。在智能電網與分布式電源場景中，通過數據預處理提高預測結果的準確性。經過數據預處理的風速和光照強度數據見表3。

表3 經過數據預處理的風速和光照強度數據

風速和光照強度數據歸一化后，轉換至[0,1]范圍。歸一化能夠消除量綱影響，以便進行特征比較和相關計算。

2.3.2 集成學習

集成學習是將多個預測模型組合成更強、更穩定模型的策略，如投票法、Bagging、Stacking 等，可用于風速和光照強度預測的模型集成。模型集成預測結果見表4。

表4 模型集成預測結果

由表4 可知，投票法、Bagging 及Stacking 的預測準確性高，表明所選模型精確，能夠有效預測風速和光照強度變化。投票法、Bagging 及Stacking 作為典型的集成學習方法，預測表現優秀。與單一模型相比，集成模型能夠降低預測誤差。無論是風速還是光照強度，集成模型各個時間點的預測值與實際值的波動范圍較小，表明其在不同時間段內具有較好的適應性[5]。

2.3.3 調整訓練樣本

根據實測數據調整訓練樣本，以適應用戶行為實時變化，并使用交叉驗證評估模型在不同樣本下的預測性能。此外，應用數據增強技術可以生成更多訓練樣本，提升模型的泛化能力。

3 結 論

通過數據預處理、特征提取與選擇、模型集成及動態調整訓練樣本等策略，能夠提高含分布式電源的智能電網的負荷預測精度與穩定性，為智能電網的高效運行和管理提供支持。通過實驗證實了基于分布式電源的智能電網負荷預測模型有效性，為智能電網的未來發展提供了新的思路。