基于MTGNN的多元气象信息多步长预测研究

气象数据是光伏出力预测的重要依据,气象数据的质量对预测的准确性至关重要。但某些分布式光伏系统缺乏数值天气预报,难以得到准确的气象信息预测。针对这一问题,提出一种基于多元时间序列图神经网络(multivariate time series graph neural networks,MTGNN)的多元气象信息多步长预测方法,将多个种类的气象信息当作多元时间序列处理,每一类气象信息视作图的一个节点,利用图卷积模块负责将节点的信息与其邻居的信息融合,以处理空间依赖关系;利用时域卷积模块负责提取时间特征,最终实现多步长预测。最后利用某地气象装置采集的数据进行仿真验证,结果表明MTGNN的预测精度和稳定性相比于传统LSTM模型均有显著提高。

基于BP网络和灰色模型的春节配变重过载预测

做好春节配电台区的负荷预测工作,对制定配电变压器重过载的应对措施,防止配电台区设备损坏,保证居民用电可靠性和安全性具有十分重要的意义。针对春节电力负荷的特殊性和规律性,采用模糊聚类法对春节假期进行时段划分,基于BP神经网络和灰色预测系统建立春节配变的日最大负荷预测模型,并结合配变的额定参数,通过预测结果判断配变是否重载或者过载。算例分析表明,该方法预测精度高,在实际应用中具备可行性。

基于协同进化蚁群算法的含光伏发电的配电网重构

文章提出了一种基于协同进化蚁群算法的含光伏发电的配电网重构方法,该方法将复杂的含光伏配电网重构问题分解为一系列相互联系的子优化问题,建立了以配电网网络损耗最小和负荷均衡化率最小的多目标子区域优化模型,以及以系统总运行费用最小为目标的整体优化模型。各子区域内部采用蚁群算法独立求解,子区域间通过代表个体的交互配合和不断协同进化,最终实现整体最优的目的。由114节点配电网仿真结果表明:文章所提出的方法能有效提高算法的计算速度和求解质量;光伏发电接入配电网后,能够降低运行费用和减少开关动作次数,有助于配电网安全经济运行。