基于深度学习的高渗透分布式光伏配电网负荷预测方法研究

配电网负荷预测是电网安全运行、调度控制中重要的环节,对电网规划具有重要意义。随着新能源的大量并网,分布式光伏在配电网中的渗透率逐渐升高,分布式光伏系统一般安装在电表之后,其出力是不可见的,这对配电网净负荷预测产生了较大的影响,同时也给电网运行带来了挑战。由于光伏功率的间歇性和实际负荷的波动性耦合,使得配电网净负荷预测更加困难。针对上述问题,本文旨在避免安装昂贵的计量设施前提下,采用尽量少的已知条件,从净负荷中将未监测分布式光伏系统用户的光伏功率解耦出来,以提高分布式光伏系统存在时净负荷预测的准确性。本文提出的方法分为两个阶段,第一阶段为净负荷解耦:首先对用户是否安装分布式光伏系统进行识别,然后将少量已知安装分布式光伏用户的光伏功率和识别出的无分布式光伏用户的实际负荷作为特征向量,构建“光伏-负荷”解耦模型。第二阶段为净负荷预测:采用提出的基于频域分解及深度学习的预测模型对解耦得到的历史光伏功率和实际负荷分别进行预测。该预测模型首先通过快速傅里叶分解原始量得到各频率正弦波的幅值和相位,然后对分解分量与原始数据的相关性分析确定频域分解的频率分界点,通过卷积神经网络分别对低频分量和高频分量进行预测,通过加法重构得到最终的预测结果。利用悉尼的实际数据集进行的案例研究表明,本文提出的方法在分布式光伏系统识别、配电网净负荷解耦及预测等方面都具有良好的性能。