基于深度递归神经网络的电力系统短期负荷预测模型

针对电力负荷非线性动态特性导致的负荷预测困难、预测精度低等问题,本文构建了深度递归神经网络短期负荷预测模型。在深度神经网络多隐层结构的基础上,深度递归神经网络增设了关联层,并以改进粒子群算法作为网络的优化学习算法,对模型权值空间进行深度优化。对某地区电网实际负荷进行预测仿真,结果表明与BP网络、深度神经网络相比,深度递归神经网络的平均绝对误差的周平均值分别降低1.61%和0.56%,验证了深度递归神经网络能够融合前馈与反馈连接,提高网络泛化能力,有效提高负荷预测精度。

基于PSO-DNN的电力系统短期负荷预测模型研究

为准确有效的预测电力系统负荷值,本文提出了基于粒子群算法(particle swarm optimization,PSO)优化深度神经网络(deep neural network,DNN)的电力系统短期负荷预测模型。DNN通过增加网络的前馈联接,利用多层隐含层对原始输入数据进行多次非线性映射变换,增强各隐层间的信息交换,有效解决传统神经网络易陷入局部极小值等问题。同时利用PSO优化DNN的隐含层结构和权值,通过迭代更新粒子状态确认网络最优参数,提高了模型的预测精度及稳定性。为研究DNN的预测性能,通过实际算例对所提出的预测模型与传统的BP-NN和RBF-NN预测模型进行比较分析。分析结果表明,PSO-DNN预测模型工作日预测误差分别降低了1.16%和1.04%;休息日预测误差分别降低了1.18%和1.07%,预测精度显著提高。该模型具有一定的可行性和实用性。

计及储能调度因素的电力系统短期负荷预测模型

针对电力系统的常规负荷预测方法难以准确计及储能资源调度引起的预测误差,本文主要对实时电价下计及储能调度因素的电力系统短期负荷预测模型进行研究,提出考虑储能调度行为的短期负荷预测模型。根据智能网络下负荷聚合商机制的聚合原理,提出了一种基于电价合同的储能调度方式,并以此为依据,构建储能在电力系统中的实时调度模型,对储能用户的充放电行为及变化规律进行深入分析。在对预测模型进行改进时,充分考虑了储能调度对负荷曲线及预测结果产生的影响,并采用RBF-NN进行预测,最终形成实时电价下计及储能调度因素的RBF-NN电力系统短期负荷预测模型。仿真结果表明,改进后的短期负荷预测模型与常规负荷预测模型相比,能够更准确地计及储能资源调度引起的预测误差,这将有益于提升模型的预测精度,为电网调度工作及其改进提供新思路。

基于全景数据系统的特高压直流换流站监控方案

针对特高压直流换流站日常维护困难、检修工作量大以及周期长等问题,在原有的监测系统上进行创新设计,提出了基于全景数据系统的特高压直流换流站设备监控方案。采用先进的射频及紫外光检测技术,对直流场、阀厅等场区的重要设备实现全方位监测。采用三维全景界面,对全站重要设备和区域进行三维立体建模,全面反映各高压设备的稳态、暂态、动态数据以及设备运行状态、图像等数据,避免监测盲区,实现变电站全面数字化和网络化,提升电力设备的综合管理水平。