基于优化的聚合风能和太阳能容量估算及馈线功率预测方法

《IEEE Transactions on Power Delivery》：Optimization-Based Method for Aggregate Wind and Solar Capacity Estimation and Feeder Power Prediction

分布式能源资源聚合容量估计与短时馈线功率预测研究，提出融合优化技术与深度神经网络（DNN）的递进式框架，通过分阶段训练太阳能、风能DNN模型及确定DER聚合容量，结合气象与时间序列数据实现实时预测。在真实数据测试中，聚合容量估计准确率达97.45%，馈线功率预测准确率97.29%，优于直接预测方法。

　　

摘要：

到2050年，实现清洁的深度电气化将需要将无数分布式能源资源（DERs）连接到电力分配系统中。目前电力公司的做法要求提供完整的DER信息以用于运营应用，例如短期馈线功率预测（FPP），但在未来面对大量DERs的情况下，这种做法将不再可行。与现有的关于DER承载能力估算的研究不同（这些研究侧重于确定系统在不进行电网增强的情况下可以整合的最大DER容量），本研究旨在应对未来估算连接DERs的总容量（EAC）的挑战。此外，它还旨在预测中压（MV）级别的馈线功率。所提出的方法结合了先进的优化技术和深度神经网络（DNN）模型。首先介绍了一种优化方法，其中第一阶段包括训练基本的太阳能和风能DNN模型。在后续阶段，确定DERs的总容量（EAC），并开发一个负载模型。一旦DERs和负载的模型训练完成并且其总容量确定，该框架就可以利用天气和时间序列数据作为输入，实现实时的短期FPP预测。在真实的电力公司数据上对所提出的模型进行了测试，结果显示EAC的平均准确率为97.45%，FPP的准确率为97.29%。与直接FPP方法相比，所提出的顺序化方法显示出其优越性。