|
风电大规模接入使得电网调峰能力不足，引发大量弃风现象[1]。为保证电力系统稳定，需要对风电出力进行预测以及增加储能配置。进行电力系统负荷预测、储能容量配置、电网调度等工作都需要选取合适的典型负荷日。目前，典型负荷日选取没有统一的方法，一般选峰谷差最大、最大负荷最大的曲线作为典型负荷日曲线。近年来对典型负荷日选取的研究有很多，并取得了一系列成果。文献[2]对比分析典型负荷日特征与年最大负荷代表月份的日负荷特性，根据广东电网负荷变化的实际情况，从电网调峰需求的角度出发，提出将夏季典型日分为典型工作日和双休后典型日。文献[3]将典型日负荷曲线的选取问题转化为基于统计学习的多元分类问题，利用概率潜在语义分析模型进行问题求解。文献[4]提出了基于自适应因子与概率统计法相结合的改进模糊聚类算法典型日负荷曲线选取新方法，应用日负荷率、日负荷波动率等描述性特征指标，确定最优聚类数；引入模糊－离散系数，辨识样本数据中的畸变日，并予以剔除；计算日负荷与月平均负荷之间的相关系数，依据相关系数选取典型日负荷曲线。文献[5]提出一种基于反一致自适应聚类的典型日选取方法，通过反一致自适应可能性C均值聚类算法求取典型日负荷曲线，然后利用样条插值修正典型日负荷曲线。目前多采用聚类算法去除畸变数据[6]，但是聚类算法具有聚类中心、聚类数目难以确定的缺点。文献[7]提出一种基于AP聚类的远景年典型日负荷预测方法，首先，选取历史日负荷数据，并进行标幺化处理；其次，基于AP聚类算法对历史日负荷数据进行聚类，以此作为远景年的负荷特征；最后，基于远景年负荷的预测值，并结合聚类后的负荷特征，计算出远景年典型日负荷曲线。文献[8]针对智能电网建设过程中需准确选择能够代表季节负荷特性典型日的要求，提出了一种计及温度区间的典型日筛选方法。在对负荷影响因素和日负荷曲线聚类分析的基础上，根据温度区间对日负荷重新分类，利用加权重心法筛选出每一类的典型日。文献[9]针对微电网中典型日选取问题，综合考虑资源和负荷总量特征、分布特征、典型性和极端性，构建了典型日选取综合评估指标体系，结合混合整形多目标线性优化建立了典型日选取模型。文献[10]通过对历史数据的预处理、初始聚类中心的设置以及最优聚类数目的确定，建立典型日负荷曲线的聚类预测模型。文献[11]针对典型负荷日选取误差，提出采用两阶段模糊规划分配典型日权重方法，减小了典型日与原始数据间的误差。文献[12]采用选取2个特定日的统调负荷曲线相减得到差值曲线并对其进行修正的方法，近似模拟出分布式光伏电源典型日曲线。文献[13]提出了一种多窗口宽度的主导间谐波频谱分布的算法，该算法能够简单、快捷和准确地计算主导间谐波频谱分布，对典型负荷日的频谱分析提供了借鉴。文献[14]根据日负荷分类标幺化曲线和比例系数得到配变的实际日负荷标幺化曲线，利用配变的实际日负荷标幺化曲线和配变的实际日用电量形成配变的实际日负荷曲线，得到配变的实际日负荷有功功率曲线和无功功率曲线。
|