基于多负荷特征和TCN-GRU神经网络的负荷预测

传统负荷预测未深入考虑负荷序列对模型预测精度的影响。为提高预测精度,提出了多负荷特征组合(multi-load feature combination, MLFC),并结合时间卷积网络(temporal convolution network,TCN)和门控循环单元(gated recurrent unit,GRU)构建了负荷预测框架。首先,引入负荷变化率特征和基于集合经验模态分解的负荷分量特征,并与负荷、日期特征构成MLFC;其次,选取TCN和GRU进行特征提取和预测,基于MLFC搭建MLFC-TCN-GRU预测框架;最后,采用不同模型验证所提方法。结果表明:MLFC有助于预测精度提升,且适用于不同模型。同时,MLFC-TCN-GRU相较于其他模型有着较高预测精度。

考虑区域供热系统及不确定性因素的综合能源系统日前调度

在电热综合能源调度中,热电机组作为电热系统耦合部件,冬季时会产生“以热定电”现象,影响系统风电消纳能力提升,同时负荷和风电不确定性会对系统经济性造成负面影响。在调度中充分考虑区域供热系统热特性和不确定性因素,以最小化运行费用和弃风率为目标,建立了基于模糊机会约束规划的电热综合能源系统日前调度模型。通过算例对模型进行验证,算例采用Python和Gurobi仿真求解,验证了模型的有效性。结果表明:所建模型提高了系统经济性和消纳风电能力,并通过置信水平和模糊度的选择,可以实现系统在一定风险下的最佳经济性。

基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM(long short term memory)网络结构,并将其与XGBoost(eXtreme boosting system)预测模型并行结合,之后结合MAPE-RW(mean absolute percentage error-reciprocal weight)算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM-XGBoost模型的MAPE(mean absolute percentage error)与RMSE(root mean square error)分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。

基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

准确预测风电功率可以提高电网运行的安全性和可靠性。为进一步提高短期风电功率预测精度,针对目前单一模型难以获得最优预测结果的问题,提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法。首先,利用卷积神经网络(convolutional neural network,CNN)提取数据局部特征,并结合长短期记忆(long short term memory,LSTM)网络构造出融合局部特征预提取模块的CNN-LSTM网络结构;然后,将其与门控循环单元(gated recurrent unit,GRU)网络并行,并通过自适应权重学习模块为CNN-LSTM模块和GRU模块的输出选择最佳权重,构建出CNN-LSTM&GRU组合的短期预测模型。最后,对中国西北某风电场的出力进行预测研究,结果表明:所提模型与单一模型或其他组合模型相比,指标误差更小,预测精度更高。

基于Holt-Winters指数平滑和时间卷积网络的短期负荷预测

为提升短期电力负荷预测的精度,着眼于特征组合的构建,提出了一种基于Holt-Winters指数平滑的特征组合(FCHW),并结合时间卷积网络(TCN)构建了FCHW-TCN负荷预测框架。首先,应用Holt-Winters指数平滑进行负荷序列预测,得到与负荷序列相关的级别分量和季节性分量。通过将上述分量用作输入特征,并与常规特征(历史负荷、日期)构成特征组合,构建了FCHW;其次,选择TCN作为预测模型,以FCHW作为TCN输入,搭建了FCHW-TCN预测框架;最后,采用2个不同负荷数据集和多个预测模型对FCHW和FCHW-TCN进行验证。结果表明,FCHW有助于模型预测精度的提升;与其他预测模型相比,FCHW-TCN预测框架有着最高的预测精度,具有优越的预测能力。

基于相似日聚类和IHGWO-WNN-AdaBoost模型的短期光伏功率预测

为进一步提升光伏输出功率短期预测的准确性和稳定性,提出一种基于相似日聚类的小波神经网络(wavelet neural network,WNN)和AdaBoost的混合预测模型。首先利用模糊C均值聚类(fuzzy C-means algorithm,FCM)算法将初始数据集按照不同的季节和天气类型进行划分;其次选用WNN作为改进AdaBoost算法的基学习器,构建WNN-AdaBoost模型,并使用改进混合灰狼优化(improved hybridizing grey wolf optimization,IHGWO)算法优化WNN的小波因子和权值;最后选用我国中部地区某光伏电站实采的输出功率数据进行算例分析,通过与其他模型的对比,验证了所提模型的预测效果。实验结果表明:在不同季节和天气类型下,所提模型均能得到较好的预测结果,在有效提升光伏短期输出功率预测精度的同时,兼备了较强的适应性和鲁棒性。

基于改进小生境PSO算法的综合能源系统调度

以减少综合能源系统运行成本、提高可再生能源利用率为目的,在调度目标中考虑可再生能源消纳程度,构建了满足电热冷负荷的综合能源系统模型。针对传统粒子群优化算法PSO(particle swarm optimization)易陷入局部最优的问题,将小生境技术与粒子群算法结合并提出一种非线性递减惯性权重策略,利用改进的小生境粒子群优化算法对构建的综合能源系统模型求解,结果表明改进后的算法具有更好的寻优能力,所提模型在兼顾经济性的同时提高了系统对可再生能源的消纳能力。

含P2G的综合能源系统经济调度研究

综合能源系统由于其能源的梯级利用可以促进可再生能源的消纳,而电转气(P2G)设备的出现可以很大程度上促进风电消纳,在能源中心概念的基础上建立了包含电转气(P2G)设备的综合能源系统模型,以系统运行成本最低作为目标进行调度研究,在约束条件中考虑了系统内部的功率约束、能源转换设备以及储能设备的运行约束,通过算例在MATLAB平台进行仿真验证,构建了两个不同的场景,分别考虑在加入电转气(P2G)设备和不加入情况下系统的风电消纳能力,结果表明电转气(P2G)设备的加入促进了系统对风电的消纳。

基于多维特征分析的双层协同太阳辐照度预测

为增强逐日太阳辐照度预测的准确性和普适性,提出一种基于多维特征分析的双层协同预测模型。首先,搭建一种双层协同架构,将整个模型分成基准层和提升层两部分,使用分层预测的方式追踪目标对象的多维特征和变化趋势;其次,以数值天气预报(NWP)为输入,采用LightGBM基于特征学习预测方法构建基准预测模型;然后,在前者的基础上,挖掘目标时刻太阳辐照度与历史时序数据之间的关联性,引入改进AdaBoost算法与多隐层极限学习机(MH-ELM)作为提升层主体,提高时序预测的稳定性;最后,选用中国中部地区某光伏电站实测太阳辐照度数据进行算例分析,验证了该模型的合理性和有效性。

综合能源系统整体架构设计及负荷预测

综合能源系统可有效减轻化石能源依赖、提升可再生能源利用水准,然而该类能源系统供能环节繁杂,耦合能源类型众多,合理规划并精准预测负荷势在必行。借助能源节点构建系统整体架构并对负荷做出预测。预测模型采用四类算法训练对应基学习器,借助已有结果训练元学习器从而得到最终结果,并选取欧洲ENTSO提供的瑞士多年份电力负荷数据佐证该模型的有效性。算例结果显示本文模型预测精度高于现有模型,可有效预测波动负荷,契合该类能源系统负荷预测场景。

并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRUNN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。