基于贝叶斯网络的配电网净负荷预测方法

doi:10.16628/j.cnki.2095-8188.2020.09.017

电器与能效管理技术 ›› 2020, Vol. 594 ›› Issue (9): 90-98.doi: 10.16628/j.cnki.2095-8188.2020.09.017

基于贝叶斯网络的配电网净负荷预测方法

李小伟¹, 陶毅刚¹, 顾洁², 刘书琪², 黎敏¹, 陈楚¹, 李镕耀¹

^1. 广西电网有限责任公司, 广西南宁 530023
^2. 上海交通大学电子信息与电气工程学院, 上海 200240

收稿日期:2020-06-11 出版日期:2020-09-30 发布日期:2020-10-18
作者简介:李小伟(1974—),女,高级工程师,主要从事负荷预测与电网规划研究。|陶毅刚(1986—),男,工程师,主要从事负荷预测与电网规划研究。|顾洁(1971—),女,副教授,研究方向为电力系统优化运行及规划等。
基金资助:
* 国家重点基础研究计划支持项目(2016YFB0900100)

Net Load Forecasting of Distribution Network Based on Bayesian Network

LI Xiaowei¹, TAO Yigang¹, GU Jie², LIU Shuqi², LI Min¹, CHEN Chu¹, LI Rongyao¹

^1. Guangxi Power Grid Co.,Ltd., Nanning 530023, China
^2. School of Electronic Information and Electrical Engineering,Shanghai Jiaotong University, Shanghai 200240, China

Received:2020-06-11 Online:2020-09-30 Published:2020-10-18

摘要/Abstract

摘要：

配电网中可再生能源渗透率不断提高,对配电网的安全稳定运行造成威胁。通过分析用户侧负荷与可再生能源发电功率的耦合互动特性,提出了基于贝叶斯网络的配电网净负荷直接预测方法。首先根据各影响因素与配电网净负荷的因果关系建立贝叶斯网络结构,然后利用历史数据进行网络参数学习,最后生成用于配电网净负荷预测的贝叶斯网络。采用国外某地区配电网实际数据对模型进行检验,算例结果表明,与支持向量机(SVM)等预测模型相比,所提模型误差小,能有效提高配电网净负荷的预测精度。

关键词: 配电网, 贝叶斯网络, 负荷预测, 净负荷

Abstract:

Increasing penetration of distributed renewable energy poses challenges to the safe and stable operation of the distribution network,which makes load forecasting problem considering renewable energy access scenario become the research focus.This paper analyzed the coupling and interaction between the user side load and the power generated by renewable energy and proposed a direct forecasting method of net load of distribution network based on Bayesian network.Firstly,the Bayesian network structure is established according to the causal relationship between each influencing factor and net load of distribution network,then the network parameters are learned with historical data,and finally the Bayesian network for net load prediction of distribution network is generated.The model is tested with the actual data of distribution network in a foreign country.Compared with the prediction models such as support vector machine (SVM),the prediction error of the model proposed in this paper is small,which can effectively improve the prediction accuracy of net load of distribution network.

Key words: distribution network, Bayesian network, load forecasting, net load

中图分类号:

TM744

李小伟, 陶毅刚, 顾洁, 刘书琪, 黎敏, 陈楚, 李镕耀. 基于贝叶斯网络的配电网净负荷预测方法[J]. 电器与能效管理技术, 2020, 594(9): 90-98.

LI Xiaowei, TAO Yigang, GU Jie, LIU Shuqi, LI Min, CHEN Chu, LI Rongyao. Net Load Forecasting of Distribution Network Based on Bayesian Network[J]. LOW VOLTAGE APPARATUS, 2020, 594(9): 90-98.

图/表 18

图1

图2

图3

图4

表1

图5

图6

图7

图8

表2

表3

表4

图9

图10

图11

图12

图13

图14

参考文献 13

[1]	KAUR A, NONNENMACHER L, COIMBRA C F M. Net load forecasting for high renewable energy penetration grids[J]. Energy, 2016,114:1073-1084. doi: 10.1016/j.energy.2016.08.067
[2]	WANG Y, ZHANG N, CHEN Q , et al. Data-driven probabilistic net load forecasting with high penetration of behind-the-meter PV[J]. IEEE Transactions on Power Systems, 2017,33(3):3255-3264. doi: 10.1109/TPWRS.2017.2762599
[3]	董聪 . 智能配电网馈线负荷预测系统研究[D]. 哈尔滨:哈尔滨工业大学, 2014.
[4]	万国成, 王汉华 . 最小二乘法在配网馈线年度负荷预测中的应用[J]. 电气应用, 2008(9):37-39.
[5]	史静, 李琥, 李冰洁 , 等. 基于长短期记忆神经网络的配电网负荷预测方法研究[J]. 供用电, 2019(7):71-77.
[6]	颜宏文, 李欣然 . 基于差分进化的含分布式电源母线净负荷预测[J]. 电网技术, 2013,37(6):1602-1606.
[7]	赵敏, 叶萧然 . 基于FOABHC_SVM的微电网短期负荷预测模型[J]. 电器与能效管理技术, 2015(14):22-27.
[8]	许晓萍, 唐玲玲 . 发电厂输煤低压系统建模及短路故障早期检测[J]. 电器与能效管理技术, 2019(24):64-69.
[9]	BROECK G V, MOHAN K, CHOI A , et al. Efficient algorithms for Bayesian network parameter learning from incomplete data[J]. Computer Science, 2014(11):279-282.
[10]	EMILIA M, NILE M . Bayesian network models for web effort prediction:A comparative study[J]. IEEE Transactions on Software Engineering, 2009,34(6):723-737. doi: 10.1109/TSE.2008.64
[11]	ZHANG G Z, THAI V V, ADRIAN W L , et al. Quantitative risk assessment of seafarers’ nonfatal injuries due to occupational accidents based on bayesian network modeling[J]. Risk Analysis, 2020,40(1):8-23. doi: 10.1111/risa.13374 pmid: 31313353
[12]	SONG Y Q, GONG J H, GAO S , et al. Susceptibility assessment of earthquake-induced landslides using Bayesian network:A case study in Beichuan,China[J]. Computers & Geosciences, 2012,42:189-199.
[13]	XIE J R, HONG T . GEFCom2014 probabilistic electric load forecasting:An integrated solution with forecast combination and residual simulation[J]. International Journal of Forecasting, 2015,32(3):1012-1016. doi: 10.1016/j.ijforecast.2015.11.005

变量	区间下限	区间上限	区间个数	区间粒度
温度	-20	40	60	1
湿度	0	100	20	5
负荷标幺值	0	100	100	1

数据子集	时间跨度	作用
D_tr	2017/01/01~2018/07/30 (共577 d)	模型参数学习
D_val	2018/08/01~2018/10/15 (共76 d)	虚拟预测、模型选择
D_te	2018/10/16~2018/12/31 (共77 d)	预测结果评价

区间序号	月份	日期类型	气温 (部分)	湿度 (部分)	天气状况
1	0.176 2	0.152 6	0.007 5	0.032 6	0.295 7
2	0.096 7	0.161 1	0.001 5	0.034 8	0.212 2
3	0.097 1	0.148 3	0.016 3	0.013 7	0.238 4
4	0.070 1	0.182 7	0.000 7	0.037 2	0.253 7
5	0.056 3	0.210 5	0.015 4	0.034 5	—
6	0.050 2	0.144 8	0.015 6	0.048 4	—
7	0.052 0	—	0.016 6	0.008 2	—
8	0.079 6	—	0.008 5	0.011 7	—
9	0.086 6	—	0.013 7	0.000 9	—
10	0.091 0	—	0.007 2	0.039 4	—
11	0.157 8	—	0.009 3	0.034 4	—
12	0.162 6	—	0.007 3	0.024 2	—

模型名称	MAPE/%	RMSE	NMAE/%
多元线性回归	9.73	253.84	3.28
人工神经网络	8.27	213.69	2.90
贝叶斯网络	6.11	207.35	1.68

基于贝叶斯网络的配电网净负荷预测方法

Net Load Forecasting of Distribution Network Based on Bayesian Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 13

相关文章 7

编辑推荐

Metrics

本文评价

[1]	刘炳南, 黄沂平, 方国标. 基于一维卷积神经网络的配电网高阻接地故障识别[J]. 电器与能效管理技术, 2020, 594(9): 99-103.
[2]	刘炳南. 基于DBN的配电网高阻接地故障识别[J]. 电器与能效管理技术, 2020, 593(8): 68-74.
[3]	陶丽, 郭英选, 夏俊, 熊方贤, 梁毓评. 基于支持向量机的配电网低电压预警方法[J]. 电器与能效管理技术, 2020, 591(6): 71-75.
[4]	宋忧乐, 王科, 朱永梅, 刘涌, 袁秋实. 配电网可靠性评估之序贯蒙特卡洛模拟法综述[J]. 电器与能效管理技术, 2020, 586(1): 90-93.
[5]	李继宇, 江修波, 李功新, 范映. 主动配电网源-网-荷双层两阶段优化调度[J]. 电器与能效管理技术, 2020, 586(1): 78-85.
[6]	涂小涛, 高仕龙, 陈锐, 户永杰, 何青连. 多端柔性交直流混合配电网建模及仿真分析^*[J]. 电器与能效管理技术, 2020, 586(1): 58-63.
[7]	丁纪明, 段浩伟. 交直流配电网关键设备可靠性评估研究^*[J]. 电器与能效管理技术, 2020, 586(1): 51-57.