周坤，许云飞，崔昊杨，李树林

（1. 大理供电局，云南省大理市 671000；2. 上海电力大学电子与信息工程学院，上海市杨浦区 200090）

0 引言

以风力、光伏、水力、垃圾发电为代表的分布式新能源，与能量转换装置、用户集中在一起组成的电力系统在建设绿色、环境友好型的发、送、配能源系统中得到了极高重视[1-2]。然而，以时为单位呈现出较为明显的间歇性、随机性的光伏、风力发电由于缺乏有效的动态调度系统，电压越上、下限的情况时常发生[3-4]。为了提高片区供电的稳定性，保障各新能源电站的公平性，主网调度将对所有新能源电厂进行定值限负荷，以此会导致区域动态供电经济性较差。因此，如何解决风、水、光以及垃圾等新能源利用率低的难题，成为了当今电力研究的热点。

目前，多种新能源互补电力系统常采用与大电网系统相连，并根据不同时刻的供需关系选择与主网互供或者独立运行，于是基于预测的动态调度控制成为了研究热点[5-7]。预测主要包括负荷预测和发电量预测，常用的方法包括以差分整合移动平均自回归模型(autoregressive integrated moving average model, ARIMA)[8]为代表的统计分析和以长短期记忆网络（long short-term memory, LSTM）[9]、循环神经网络（recurrent neural network, RNN）[10]为代表的人工智能。其中，以时间序列的自相关分析为基础的ARIMA不需要大量数据进行训练，相对于LSTM、RNN具有架构简单、准确率高的优势，故常用于短期预测。但是，由于新能源中的光伏发电在日夜交替时存在近乎垂直的梯度变化、风力发电随机波动性极强，使得数据时序性极差，进而导致了ARIMA预测准确率大幅降低。……