摘要
高科技的迅猛发展带来的副作用是化石资源的快速枯竭和环境的严重破坏,政府和人民逐渐意识到这种不计后果的发展终将使人类自尝恶果,因此环境友好和可再生成为了新时代的发展主旋律.电能作为一种灵活多变的二次能源,在新的能源发展模式中占有核心地位,维护电网稳定、安全和高效的运行是保证人民生产生活的重要前提,负荷预测技术可以帮助电力系统提前安排发电检修计划,及时安排电力调度,对适应断发展的环境下的电力系统起着重要作用.
邳州是江苏乃至全国最具有发展潜力的城市之一,与全国各大城市相同,邳州电力行业也正处于飞速发展的进程中.近年来国家大力倡导的新能源分布式发电、电动汽车、智能电网等高新技术迅速兴起,这些技术对邳州电网的负荷稳定性均产生了一定的影响,并且随着高新技术接入电网的规模增大,其影响力也在逐渐增大.同时邳州是一个重工业发达的城市,随着国家轨道交通的迅猛发展以及网络信息化的普及,近年来春节前后赴邳州地区的出务工人员返乡过年导致部分重工业企业减产甚至停产,这些现象也会影响邳州地区负荷情况.
本文首先对邳州地区近五年的负荷情况与分布式家用光伏并网,电动汽车计量点和春节大工业三个因素进行相关性分析,验证了电网中的新形势对邳州地区负荷的影响性.随即结合邳州地区负荷数据和上述产生对负荷影响的三个因素构成输入特征空间,提出了新形势下邳州地区的负荷预测模型.算例分别仅采用邳州地区电量月报负荷数据组成的输入特征空间和新形势下邳州地区负荷预测特征空间为对比,结合当前主流的多个机器学习模型(神经网络模型、支持向量机模型、径向基模型和广义回归神经网络模型)验证了本文提出模型的有效性,结果表明本文的方法能够提高邳州地区负荷预测的准确率,基于神经网络模型和支持向量机模型准确率更高.
关键词:负荷预测,分布式光伏,电动汽车,大工业,邳州
Abstract
The side effects of the rapid development of high technology are the increasingly depletion of fossil resources and the serious destruction of environment. Government gradually realize that this reckless situation will eventually lead to human beings, so the main theme of new epoch is creating a environmentally and friendly world. As a flexible and variable secondary energy, electricity plas a core role in the new energy model. Maintaining stable, safe and efficient operation of the power grid is an important prerequisite for ensuring people's production and life.Load forecasting technology can help the power system arrange in advance, timely scheduling of power dispatching and maintaining the power system.
Pizhou is one of the most promising cities in Jiangsu provience. Like all other growing cities in the country, the power industry in Pizhou is under the process of rapid development. In recent years, high-tech distributed power generation, electric vehicles and smart grids, which are strongly advocated by the government, have emerged rapidly. These technologies have had a certain impact on the stability of Pizhou power system. With the scale is increasing, the influence is also gradually increasing. At the same time, Pizhou is a city with a large number of heavy industries, with the rapid development of national rail transit and the popularization of network informationization, the return of migrant works during spring festival has caused some consumer industrial to cut production or even stop production. These phenomena will also affect the load in Pizhou.
This paper analyzes the load situation of Pizhou area in the past five years and the three factors of distributed household photovoltaic grid connection, electric vehicle metering points and Spring Festival big industries, and verifies the impact of the new situation in the power grid on the load in Pizhou area. Then the load characteristics of the Pizhou area and those three factors are combined to form the input feature space, therefore, the load forecasting model of Pizhou area under the new situation is proposed. The case studies compares the input feature space composed of the monthly electricity load data of Pizhou area and the load forecasting feature space of Pizhou area under the new situation, combined with the current mainstream machine learning models (ANN, SVM, RBF, GRNN). The validity of the proposed model is verified by the base model and the generalized regression neural network model. The results show that the proposed method can improve the accuracy of load forecasting in Pizhou area, and the accuracy based on neural network model and support vector machine model are higher.
Keywords: Load forecasting; Distributed PV; EV; Industrial customers; Pizhou.
目 录
摘 要.......................................................................................................................................I
目 录....................................................................................................................................IV
图清单.................................................................................................................................VIII
表清单......................................................................................................................................X
1 绪论.......................................................................................................................................1
1.1 选题概述和意义................................................................................................................1
1.2 负荷预测现状....................................................................................................................2
1.3 论文主要内容与安排........................................................................................................4
2 新形势下智能电网技术...................................................................................................... 5
2.1 需求侧相应.........................................................................................................................5
2.2 储能....................................................................................................................................6
2.3 电动汽车............................................................................................................................7
2.4 分布式发电........................................................................................................................7
3 多维因素影响下的邳州地区负荷分析............................................................................ 10
3.1 电量数据相关性分析.......................................................................................................11
3.2 分布式家用光伏站点并网相关性分析...........................................................................12
3.3 电动汽车计量点相关性分析...........................................................................................13
3.4 大工业营业户数分析.......................................................................................................15
4 新形势下邳州地区负荷预测分析.................................................................................... 16
4.1 研究背景...........................................................................................................................16
4.2 新形势下邳州地区负荷预测模型...................................................................................16
4.3 基于神经网络模型算例分析...........................................................................................20
4.4 基于支持向量机模型算例分析.......................................................................................30
4.5 基于径向基模型算例分析...............................................................................................33
4.6 基于广义回归神经网络模型算例分析...........................................................................38
4.7 基于不同模型的新形势下邳州地区负荷预测模型精度对比.......................................41
5 结论与展望.........................................................................................................................43
参考文献.................................................................................................................................44
作者简历.................................................................................................................................48
学位论文原创性声明.............................................................................................................49
学位论文数据集.....................................................................................................................50
1 绪论
1.1 选题概述和意义
随着全球经济和科技的快速发展,地球传统化石能源储备已经不能长期满足人类的消耗,同时传统化石能源的过量使用还造成了非常严重的环境问题,如温室效应等,这些问题影响到生物多样性,进而对人类自身的生存环境造成巨大损害[1].这些严峻的环境现状促使研究学者加快对清洁能源的研究,以及对传统化石能源的有效利用,提倡更加合理高效的利用一次不可再生能源[2].
电能是衔接转换多种能源的重要二次能源,孙宏斌等研究学者提出了以电能为核心的能源互联网的架构[3].能源互联网的出现使得多种能源得以通过电能互联互通,电力系统不再是单一的发电资源到电能的流向,转而成为电能和其他多种能源双向流通的形态,大大促进了资源的有效利用和开发[4].尽管能源互联网促进了电力资源的消纳,然而由于电能自身属性的限制,计及电能无法大量储存的特点,电力系统如何更加合理的安排发电计划和调度电力资源就显得格外的重要[5].
电力系统负荷预测技术能促进电力资源的有效调度和及时分配,通过提前预测地区负荷需求安排发电计划,避免造成电力供应不足引起停电或者发电过多造成浪费的情况,有利于确保电力系统的稳定性和安全性[6].我国正处于电力市场改革的关键时期,对于电力系统来说,更加准确的负荷预测可以在很大程度上促进电力系统不同时间尺度的规划和调度,更加合理的安排机组发电,保证用户安全稳定用电,确保重要用户持续用电,维护社会稳定;对于负荷消耗方来说,随着电力市场改革的加深,未来国内电价势必是随着供求波动的,用户可以依据电力市场中根据预测的负荷和发电量规划出的电价合理安排负荷,将可转移负荷转移至低电价时使用,如洗衣机等,使得用户能够更好的规划自己的用电需求同时节约成本[7].
江苏省是国内电力行业大省,电力行业的研究和试点均走在国家各省的前列,邳州市为江苏省极具发展潜力的城市,维护好自身电网稳定,保证邳州地区电力供应安全经济具有重要意义.随着新能源技术的发展普及,不仅大型集中式分布式发电厂并网运行,越来越多的分布式家用新能源发电也参与并网,国家在"十二五"规划中明确提出要鼓励发展分布式光伏,邳州地区近年来申请分布式家用光伏并网的数量也在逐渐增多[8].同时,由于意识到汽车尾气排放对环境的破坏性,国家大力研发电动汽车并出台相关政策鼓励用户优先购买电动汽车[9],邳州人民顺应时代潮流,购买混合电动汽车或纯电动汽车人数逐渐增多,邳州地区国家电网也积极响应国家政策和人民需求,在一些主要人口流动性较大的区域均增设了电动汽车计量点充电桩.
然而以上技术革新均在一定程度上对电网的稳定性提出了挑战,如何在兼顾技术革新和环保性的同时确保邳州地区电力的安全稳定性显得至关重要,因此新形势下负荷预测技术是下一步邳州地区电力系统亟待解决和不断突破的关键技术.
此外邳州作为一个工业化城市,全市大工业用电量约占总用电量的三分之一以上.近年来大工业企业在春节期间均出现了大量的停工,众多企业职工返乡回家过年人数较往年增加很多,究其原因是交通行业和网络技术的腾飞式发展和革新,纵使相隔千里也能朝发夕至,中国人普遍有过年一定要回家团圆的情节,因而外出务工的大工业职员在不受到交通因素限制后均选择春节期间返乡过年.因此春节期间大量大工业企业停工对邳州地区负荷曲线形改变较大.
因此在技术和能源革新的催生下,邳州地区迫切需要寻求新形势下负荷预测技术,以应对不断变化的新环境下电力系统的稳定和良性发展.
1.2负荷预测现状(Loadforecasting)
负荷预测对电力系统的规划和运行中起着至关重要的作用,通常可划分为长期负荷预测,中期负荷预测以及短期负荷预测[9].通常长期负荷预测是指预测周期为一年以上的负荷预测,中期负荷预测是指一个月以上至一年以内的预测,而短期负荷预测则是指对未来几小时、一天至几天的负荷水平进行预测.
长期和中期负荷预测主要用于预测未来几个月或者几年的峰值负荷需求[11],对未来投入建设新发电设备计划,电能传输的运行规划,和分布式系统的应用中占有很重要的地位.过高估计未来长期电力负荷会造成发电设备的冗余从而引起资源的浪费,然而过低的估计未来长期负荷则会造成电力供应不足,严重时会威胁到社会安全和稳定[12].
短期负荷预测则是制定发电计划的基础,负荷表现出很强的季节性和时间变化性,因此短期的负荷变化通常无法长时间提前获知,且短期负荷每个时刻点的变化也十分明显,因此短期负荷通常为点预测负荷[13].
与点预测负荷的短期负荷预测不同,对于中长期负荷预测来说,点负荷预测不能满足负荷变化和预测不准确性带来的财务风险,因此长期负荷预测通常采用密度预测,即为提供对未来可能的负荷需求值的完全概率分布估计,中长期负荷预测通常预测未来的负荷峰值水平[14].电力负荷峰值与许多不确定性因素有关,包括潜在的人口增长,科学技术的革新,国家经济状况,天气状况以及选择这些因素的时机等,特殊日期也会影响负荷峰值,如周末,假期等等[15].在长期预测中,规划者需要采用概率论等方法来估算未来可能的峰值负荷水平[16].
1.2.1 国外研究现状
国外负荷预测研究技术起步较早很大一部分程度源于国外去管制化电力市场的发 展,在去管制化的电力市场中,负荷被当做一种特殊的商品在电力市场中进行交易, 负荷预测的准确与否直接关系着各个利益尤关方,因而国外研究学者大力发展和研究 负荷预测技术.
国外中长期负荷预测方面,文献[17]总结了中长期负荷预测的一些技术和发展情况. 文献[18]介绍了为瑞士铁路电力系统开发中长期资源调度所采用的建模方法和技术.S. M. El-Debeiky 等学者经过多年研究提出了一种基于专家系统的模型,用于专门解决长 期负荷预测问题分类和优化问题[19].David J. Barger 提出了一个为麦迪逊燃气-电气公 司(Madison Gas and Electric Company)利用空间负荷预测为全新或升级后的馈线,变 压器等提供电力调度的模型[20].研究学者 Jose Francisco Moreira Pessanha 基于巴西地理 和统计研究所提供的巴西人口年龄金字塔预测提出了 2010 年和 2020 年巴西家庭数量 的主要占比以及长期电力需求负荷预测[21].
国外短期负荷预测方面,在负荷预测研究的早期阶段,基于统计模型的短期负荷 预测方法由于其稳定和高效的特性受到研究学者的青睐,至今依旧广泛应用,伊朗研 究学者 Nima Amjady 等提出了一种基于时间序列的考虑电力系统日峰值负荷的短期负 荷预测模型,该模型可以较为准确的预测工作日周末和公众节假日的日负荷[22].研究 学者 Matej Rejc 等人提出一种新的短期有功功率损耗预测方法,该方法采用功率流分 析预测日功率损耗,使得准确率得以提高[23].文献[24]借助先进的电表计量设施 AMI, 负荷预测之前应用聚类来识别智能电表中具有类似负荷消耗模式的用户群,从而改善 系统级日负荷预测的精度.
1.2.2 国内研究现状
国内负荷预测技术经过无数科研工作者辛勤劳动的汗水,成果分外喜人,如今国 内负荷预测技术已达世界负荷预测的先进水平.在中长期负荷预测方面,徐源等研究 学者在大数据聚类分析的基础上,基于并行运算建立了中长期负荷预测[25].研究学者 吴文心对国内经济社会较为发达的地区在布局、产业和人口等几个方面做特征分析, 提取出各个层面中对负荷影响较大的因素,通过模糊聚类方法分类,最后以关联度得 出预测负荷[26].研究学者彭虹桥等人针对长期负荷预测不确定性因素强的特点,提出 采用非参数组合回归的长期概率预测模型[27].
短期预测方面,牛东晓等学者针对采用支持向量机模型的负荷预测训练收敛速度 慢等特点,引入数据挖掘技术,精简训练数据量,提高负荷预测的速度同时保持了准 确率[28].华北电力大学的研究学者汤庆峰等人针对微电网,将经验模态分解,卡尔曼滤波以及极限学习机糅合在一个预测模型,并采用粒子群算法对模型参数进行选择[29]. 李鹏等研究学者针对传统神经网络无法处理远期信息的缺点,提出了基于长短时记忆 循环深度神经网络的负荷预测模型[30].
1.3 论文主要内容与安排
针对邳州地区分布式家用光伏发电、电动汽车的增多以及解除交通限制后春节期 间大工业企业部分停工现象,建立新形势下邳州地区的负荷预测模型(Load forecasting in Pizhou under growing tendency, LFPGT),提高邳州地区电力系统应对不断发展的新态 势的韧性.本文模型分别采用神经网络预测模型和支持向量机预测模型,其中神经网 络优化算法采用牛顿 L-M 修正算法.最后采用邳州地区电量月报数据作为实验数据验 证模型的有效性.全文的研究内容具体安排如下:
第一章 介绍负荷预测的现状,阐述本文选题意义和主要内容.
第二章 介绍国内新形势下智能电网主要技术,需求侧相应技术,储能技术,电动 汽车技术以及分布式发电技术.
第三章 利用邳州地区近五年来的真实电量数据、分布式家用光伏数据、电动汽车 计量点数据以及行业用电数据分析该地区的负荷变化特征.
第四章 提出新形势下邳州地区的负荷预测模型,首先考虑模型特征空间搭建,其 次设定网络模型参数,最后分别采用四种不同的机器学习模型多方面、多尺度的验证 了本文模型的有效性.
第五章 总结本文的研究内容和对未来深入研究的展望.
…………由于本文篇幅较长,部分内容省略,详细全文见文末附件
5 结论与展望
本文针对邳州地区分布式发电的普及、电动汽车的增加以及由于交通行业和网络信息化的发展导致春节前后大工业减产或停产的现象对电网负荷的影响作了分析,提出了考虑新形势下邳州地区的负荷预测模型,较以往基于纯历史负荷数据的负荷预测模型提高了预测精度,该模型可以有效协助邳州地区电力系统提前安排各区域机组发电计划,实时监测调度,对维护该地区电网安全稳定运行提供了可靠保证.
本文分别采用神经网络预测网络和支持向量机网络为基础,提出了结合邳州地区分布式家用光伏并网数量、电动汽车计量点数量、春节标识、大工业电量数据的模型特征空间.在基于神经网络的模型中采用牛顿L-M修正算法作为模型的优化算法.通过对邳州地区电量月报数据进行的算例分析得知,采用本文提出的基于神经网络的新形势下邳州地区负荷预测模型的预测精度较仅考虑历史负荷数据的负荷预测模型精度提高了3.37%,基于支持向量机的新形势下邳州地区负荷预测模型比仅考虑负荷数据的负荷预测模型精度提高了2.84%,均验证了本文模型的有效性.最后通过对比基于神经网络、支持向量机、径向基网络和广义回归神经网络的新形势下邳州地区负荷预测验证了本文模型的兼容性,并得出结论采用基于神经网络和基于支持向量机的新形势下邳州地区负荷预测模型较为精确.
虽然从本文分析可以看出由于目前分布式光伏和电动汽车在邳州地区的规模还未广泛普及,导致这两个因素对本文模型的影响程度较浅,然而本文模型更加注重动态的发展趋势,随着国家政策的号召和补贴,分布式发电和电动汽车的规模势必会越发壮大,这两个因素对电网的稳定性影响程度也会逐渐加深,届时提出的新形势下邳州地区的负荷预测模型将会更加有效.
随着对电力系统智能电网和负荷预测研究的不断深入,深感自身能力的匮乏,仅能了解到负荷预测这一大方向的皮毛,深知本文模型尚不够完善,今后将在以下几方面继续深入探寻研究.
在今后的研究中,我将继续自身结合实际工作经验,深入分析综合能源系统和邳州地区负荷的交互,在模型中增加集中式光伏电站和风力发电对邳州地区电网的影响,再考虑储能对电网的影响因素,以及充分考虑冷网热网和电网的互联互通关系,完善新形势下影响邳州地区负荷预测的因素;其次,我会着力完善负荷预测输入特征空间,增加邳州地区天气,节假日对电网负荷的影响;最后,我会研究采用更加先进准确、拟合程度更好的优化算法进行网络训练.
参考文献
[1] 李小炯.我国煤炭资源清洁高效利用现状及对策建议[J].煤炭经济研究,2019,39(01):71-75.
[2] 朱义成.浅谈我国清洁能源的现状与存在问题[J].绿色环保建材,2019(03):32+35.
[3] 孙宏斌,郭庆来,潘昭光.能源互联网:理念、架构与前沿展望[J].电力系统自动化,2015,39(19):1-8.
[4] 贾 宏 杰 , 王 丹 , 徐 宪 东 , 余 晓 丹 . 区 域 综 合 能 源 系 统 若 干 问 题 研 究 [J]. 电 力 系 统 自 动化,2015,39(07):198-207.
[5] 陈树勇,宋书芳,李兰欣,沈杰.智能电网技术综述[J].电网技术,2009,33(08):1-7.
[6] 廖旎焕,胡智宏,马莹莹,卢王允.电力系统短期负荷预测方法综述[J].电力系统保护与控制,2011,39(01):147-152.
[7] 康重庆,夏清,张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化,2004(17):1-11.
[8] 白文婷.能源发展"十二五"规划发布智能电网建设将提速[J].电气时代,2013(02):11.
[9] 国内政策[J].汽车纵横,2019(03):8-9.
[10] 苏振宇,龙勇,赵丽艳. 基于 regARIMA 模型的月度负荷预测效果研究[J]. 中国电力,2018,51(5):166-171.
[11] 张冠英,羡一鸣,葛磊蛟,王莹,赵滨滨,王尧.经济新常态下基于Verhulst-SVM 的中长期负荷预测模型[J].电测与仪表,2019,56(01):102-107.
[12] Y. X. H, J. Jiao, Q. Chen, S. F. Ge, Y. Chang and Y. Xu. Urban long term electricity demand forecastmethod based on system dynamics of the new economic normal: The case of Tianjin, Energy, 2017,133: 9-22.
[13] 于 佳 弘 , 包 哲 静 , 李 志 杰 . 基 于 LSTM 的 用 户 负 荷 区 间 预 测 方 法 [J]. 工 业 控 制 计 算机,2018,31(04):100-102.
[14] 高艳娜.饱和年电力负荷预测方法研究[J].科学技术创新,2018(29):48-49.
[15] Rob J. Hyndman and Shu Fan. Density Forecasting for Long-Term Peak Electricity Demand [J].IEEE Transactions on Power System,2010,25(2): 1142-1153.
[16] 严通煜,杨迪珊,项康利,柯圣舟,林红阳.基于时间分解技术的中远期逐时负荷预测模型[J].电力系统保护与控制,2019(06):110-117.
[17] Swasti R. Khuntia, Jose L. Rueda, et al. Forecasting the load of electrical power systems in mid- andlong-term horizons: a review [J]. IET Generation, Transmission&Distribution,2016,10(16): 3971 -3977.
[18] M. Christoforidis, M. Aganagic, et al. Long-term/mid-term resource optimization of ahydrodominant power system using interior point method [J]. IEEE Transactions on PowerSystem,1996,11(1): 287 - 294.
[19] M. S. Kandil, S. M. El-Debeiky, et al. Long-term load forecasting for fast developing utility using aknowledge-based expert system [J]. IEEE Transactions on Power System,2002,17(2): 491-496.
[20] David J. Barger. MGE experience with INSITE spatial load forecasting [C]. IEEE Power and EnergySociety General Meeting,2001: 1-3.
[21] Jose Francisco Moreira Pessanha, Nelson Leon, et al. Long-term forecasting of household andresidential electric customers in Brazil [J]. IEEE Latin America Transactions,2012,10(2): 1537-1543.
[22] Nima Amjady. Short-term hourly load forecasting using time-series modeling with peak loadestimation capability [J]. IEEE Transactions on Power System,2001,16(3): 498-505.
[23] Matej Rejc, Milos Pantos, et al. Short-Term Transmission-Loss Forecast for the SlovenianTransmission Power System Based on a Fuzzy-Logic Decision Approach [J]. IEEE Transactions onPower System,2011,26(3): 1511-1521.
[24] Franklin L. Quilumba, Wei- Jen Lee, et al. Using Smart Meter Data to Improve the Accuracy ofIntraday Load Forecasting Considering Customer Behavior Similarities [J]. IEEE Transactions onSmart Grid,2015,6(2): 911-918.
[25] 徐源,程潜善,李阳,张浩,余伟,何冰.基于大数据聚类的电力系统中长期负荷预测[J].电力系统及其自动化学报,2017,29(08):43-48
[26] 吴 文 心 . 依 托 层 次 分 析 和 模 糊 聚 类 方 法 的 发 达 地 域 中 长 期 负 荷 预 测 研 究 [J]. 电 气 技术,2017(10):74-78.
[27] 彭虹桥,顾洁,宋柄兵,马睿,时亚军.基于多维变量筛选-非参数组合回归的长期负荷概率预测模型[J].电网技术,2018,42(06):1768-1777.
[28] 牛东晓,谷志红,邢棉,王会青.基于数据挖掘的 SVM 短期负荷预测方法研究[J].中国电机工程学报,2006(18):6-12.
[29] 汤庆峰,刘念,张建华,于壮壮,张清鑫,雷金勇.基于 EMD-KELM-EKF 与参数优选的用户侧微电网短期负荷预测方法[J].电网技术,2014,38(10):2691-2699.
[30] 李鹏,何帅,韩鹏飞,郑苗苗,黄敏,孙健.基于长短期记忆的实时电价条件下智能电网短期负荷预测[J].电网技术,2018,42(12):4045-4052.
[31] Xi Fang, Satyajayant Misra, et al. Smart Grid - The New and Improved Power Grid: A Survey.IEEE Communications Surveys & Tutorials. 2012, 14(4):944-980.
[32] 陈树勇,宋书芳,李兰欣,沈杰.智能电网技术综述[J].电网技术,2009,33(08):1-7.
[33] S. Rohjansand, M. Uslar, R. Bleiker, J. González, M. Specht, T. Suding, T. Weidelt. Survey of smartgrid standardization studies and recommendations [C]. IEEE SmartGridComm'10, 2010,: 583-587.
[34] M. Uslar, S. Rohjansand, R. Bleiker, J. González, M. Specht, T. Suding, T. Weidelt. Survey of smartgrid standardization studies and recommendations-part 2 [C]. IEEE PES, 2010,: 1-6.
[35] T. M. Chen. Survey of cyber security issues in smart grids [C]. Cyber Security SituationManagement and Impact Assessment II; and Visual Analytics for Homeland Defense and Security II(part of SPIE DSS 2010),2010,:77090D-1-77090D-11.
[36] V. C. Gungor, F. C. Lambert. A survey on communication networks for electric system automation[J]. Computer Networks,2006,50(7):877-897.
[37] Zaiyue Yang, Mo-Yuen Chow, et al. Guest Editorial New Trends of Demand Response in SmartGrids [J]. IEEE Transactions on Industrial Informatics,2015,11(6): 1505-1508.
[38] 田 世 明 , 王 蓓 蓓 , 张 晶 . 智 能 电 网 条 件 下 的 需 求 响 应 关 键 技 术 [J]. 中 国 电 机 工 程 学报,2014,34(22):3576-3589.
[39] N. G. Paterakis, O. Erdinc, A. G. Bakirtzis, J. P. S. Catalao. Optimal household appliances schedulingunder day-ahead pricing and load-shaping demand response strategies [J]. IEEE Transactions onIndustrial Informatics,2015,11(6): 1509-1519.
[40] Fang Yuan Xu, Loi Lei Lai. Novel Active Time-Based Demand Response for Industrial Consumersin Smart Grid [J]. IEEE Transactions on Industrial Informatics,2015,11(6): 1564-1573.
[41] 田廓,董文杰.需求侧响应及输电约束条件下大规模新能源发电并网机组组合模型[J].智慧电力,2019,47(01):54-58.
[42] 罗大厅,吕林,刘迪.考虑多负荷种类需求响应的 DG 容量与电动汽车协同规划[J].电测与仪表,2018,55(17):48-55+113.
[43] 国家电网公司"电网新技术前景研究"项目咨询组,王松岑,来小康,程时杰.大规模储能技术在电力系统中的应用前景分析[J].电力系统自动化,2013,37(01):3-8+30.
[44] 张步涵,曾杰,毛承雄,金玉洁,王云玲.电池储能系统在改善并网风电场电能质量和稳定性中的应用[J].电网技术,2006(15):54-58.
[45] 周林,黄勇,郭珂,冯玉.微电网储能技术研究综述[J].电力系统保护与控制,2011,39(07):147-152.
[46] 李想,张建成,王宁.超级电容器-飞轮-蓄电池混合储能系统容量配置方法研究[J].中国电力,2018,51(11):117-124.
[47] 董朝阳,赵俊华,文福拴,薛禹胜.从智能电网到能源互联网:基本概念与研究框架[J].电力系统自动化,2014,38(15):1-11.
[48] 宋永华,阳岳希,胡泽春.电动汽车电池的现状及发展趋势[J].电网技术,2011,35(04):1-7.
[49] 胡泽春,宋永华,徐智威,罗卓伟,占恺峤,贾龙.电动汽车接入电网的影响与利用[J].中国电机工程学报,2012,32(04):1-10+25.
[50] Kristien Clement-Nyns, Edwin Haesen, et al. The Impact of Charging Plug-In Hybrid ElectricVehicles on a Residential Distribution Grid [J]. IEEE Transactions on Power Systems,2010,25(1):371-380.
[51] 高赐威,张亮.电动汽车充电对电网影响的综述[J].电网技术,2011,35(02):127-131.
[52] 张东霞,苗新,刘丽平,张焰,刘科研.智能电网大数据技术发展研究[J].中国电机工程学报,2015,35(01):2-12.
[53] 张文亮,武斌,李武峰,来小康.我国纯电动汽车的发展方向及能源供给模式的探讨[J].电网技术,2009,33(04):1-5.
[54] 杨新法,苏剑,吕志鹏,刘海涛,李蕊.微电网技术综述[J].中国电机工程学报,2014,34(01):57-70.
[55] 丁明,王伟胜,王秀丽,宋云亭,陈得治,孙鸣.大规模光伏发电对电力系统影响综述[J].中国电机工程学报,2014,34(01):1-14.
[56] 刘邓,张丹,周怡,杨雪蛟,陈苏声.集中式与集散式光伏发电系统 MPPT 的仿真与对比[J].电气工程学报,2018,13(10):41-46..
[57] Peng Wenbo, Liu Dawei, et al. Operation research and optimization design of distributed PVgeneration system [C]. International Conference on Power System Technology,2014.
[58] 李东升.大规模光伏发电对电力系统影响综述[J].智能城市,2019,5(01):69-70.
[59] 张颖,雷鸣宇,杨子龙,王一波,吴鸣.改进连续集模型预测控制策略在平抑光伏功率波动中的应用[J/OL].电网技术:1-8[2019-04-03].https://doi.org/10.13335/j.1000-3673.pst.2018.2996.
[60] 雷亚洲.与风电并网相关的研究课题[J].电力系统自动化,2003(08):84-89.
[61] 李晓宇,王伟.基于 SWOT 分析我国海上风力发电的发展现状[J].华北电力大学学报(社会科学版),2018(05):42-49.
[62] 王成山,郑海峰,谢莹华,陈恺.计及分布式发电的配电系统随机潮流计算[J].电力系统自动化,2005(24):39-44.
[63] 刘光辉.风电不确定性对系统的影响研究[J].山东工业技术,2017(16):220.
[64] 葛 维 春 . 小 时 弃 风 电 量 的 电 网 弃 风 电 量 分 析 方 法 [J/OL]. 太 阳 能 学报:1-6[2019-04-03].http://kns.cnki.net/kcms/detail/11.2082.tk.20180926.1655.002.html.
[65] 周潮,邢文洋,李宇龙.电力系统负荷预测方法综述[J].电源学报,2012(06):32-39.
[66] 廖旎焕,胡智宏,马莹莹,卢王允.电力系统短期负荷预测方法综述[J].电力系统保护与控制,2011,39(01):147-152.
