频域分解和深度学习算法在短期负荷及光伏功率预测中的应用

由于光伏发电和负荷的时变特性,光伏发电功率的消纳存在动态的过程,提升精细化的光伏及负荷预测技术对配电网的实时调度运行至关重要。该文在负荷和光伏发电精确预测的基础上,对光伏消纳能力进行分析。首先提出一种基于频域分解的短期负荷预测方法;其次,应用基于孤立森林和长短期记忆神经网络,预测短期光伏发电功率;然后,分析负荷特性及光伏发电特性;最后,结合消纳指标对安徽省某地级市国庆期间进行消纳能力分析。实验结果表明,所提出的短期负荷及光伏预测方法可达到理想的预测效果,消纳分析结果为该地区配电网火电机组调配提供参考意义。

基于频域分解的短期负荷预测研究分析

为研究频域分量预测法对短期负荷预测精度的影响,利用频域分解算法分解原始负荷数据,将数据分解为4个部分:日周期、周周期、低频和高频分量。其中,日周期、周周期分量用Elman神经网络预测;低频分量采用随机森林预测;高频分量则使用Mallat算法二次分解,分别得到低频部分和高频部分,选取低频部分做训练样本与Elman神经网络结合预测高频分量;将各个频域分量结果重组,实现电力负荷的高精度预测。以某地市实际负荷数据为例进行仿真,将该方法与Elman神经网络法、随机森林法及频域分量预测法的预测结果对比,验证所提方法可以有效提高精度,减少预测值和真实值的离散程度。