短期尖峰负荷多信息融合的神经网络预测方法

为了降低负荷数据的复杂度、提高预测精度,提出一种短期尖峰负荷多信息融合的神经网络模型。选取皮尔逊相关系数分析假日、温度、湿度等信息之间的密切程度,将关键气象信息融合进模型中,优化负荷的输入参数,重构神经网络模型的新数据集,并防止神经网络的过拟合,提高短期尖峰负荷预测精度。算例仿真分析表明,所提方法与未考虑多信息融合的单一增强型决策树模型和神经网络模型相比,更能有效地提高短期尖峰负荷预测准确率。

基于联合时序场景和改进TCN的高比例新能源电网负荷预测

为充分挖掘新型电力系统建设过程中高比例新能源并网对负荷预测的影响,以风光负荷数据为研究对象,提出一种基于联合时序场景和改进型时间卷积网络的短期负荷预测方法。首先,基于3σ准则对风光负荷历史数据进行分析,剔除异常数据,然后应用联合时序场景刻画负荷需求与风光出力的相关性,分类出不同负荷预测场景。接着,利用随机森林算法进行负荷预测特征量提取,构建随机森林时间卷积网络(RF-TCN)预测模型,并采用Bootstrap算法对预测结果进行修正。最后,以甘肃省2022年数据为例进行仿真,并设置4种对比算例。仿真结果证明了所提方法的有效性,以期在新型电力系统建设过程中发挥积极作用。

基于1DCNN-DACLSTM模型的风电超短期功率预测方法

风电超短期功率预测是电网运行态势感知的重要基础。针对风电随机波动性将给电网带来高动态扰动的问题,利用同步相量测量装置(PMU)的高频采样能力,提出一种融合一维卷积(1DCNN)和双重注意力卷积长短时记忆网络(DACLSTM)模型的风电超短期功率预测方法。首先,基于具有高精度高密集采样的PMU装置对风电超短期功率进行实时量测。然后,利用1DCNN在特征提取和时间卷积减少计算复杂度方面的优势,充分挖掘由PMU采样得到的风电功率及相关因素量测数据关键特征,进而结合DACLSTM模型自主分析风电功率数据与输入特征间的关联关系,实现基于1DCNN-DACLSTM组合模型的风电超短期功率高动态变化趋势预测。最后以已配置PMU的某实际风电场为例,验证所提方法的可行性和有效性。

基于GRU门控单元网络的电力负荷预测研究

准确预测电力负荷,有利于提高电力系统供需平衡,为提高电力负荷预测精度,提出一种基于迁移学习的电力负荷预测模型。该模型以门控循环单元模型(GRU)为基础模型,通过设定最大均值差异算法阈值,从而选择迁移学习的模型,最终实现电力负荷雨预测。仿真结果表明,所提模型可准确预测电力负荷数据,相较于BPNN模型和LSTM模型,所提出模型的MAPE值更低,为17.5%,分别降低了15%和7.5%,具有更高的预测准确度,可用于电力负荷预测实际应用中。

基于阶段分时电价响应的电动汽车充电负荷优化策略

针对电动汽车的充电负荷优化问题,提出一种基于阶段分时电价响应的电动汽车充电负荷优化策略。该策略在考虑电动汽车负荷因素的前提下,建立电动汽车充电负荷模型,并通过蒙特卡洛算法模拟电动汽车无序充电的负荷变化。在峰、谷、平段电价弹性矩阵的基础上,细分不同的等分时间段建立阶段分时电价模型,构建以用户充电总费用和系统总负荷均方差最小为优化目标的电动汽车分时电价优化模型,采用改进的混沌多目标遗传算法对模型进行求解优化。实验对比结果验证了该策略的有效性和经济性,在给定数据条件下用户充电总费用和系统总负荷均方差较传统分时电价方案分别降低了0.4091万元和37.151 MW。

基于深度自编码器的分钟级负荷数据聚类分析

在数字化电网的全面建设和电力市场持续改革的背景下,电力服务商积极开展以负荷数据聚类分析为基础的用电行为分析。为了深入分析用户的用电行为模式,提出基于深度自编码器的分钟级负荷数据聚类分析方法。首先基于信息熵重构负荷数据,保留负荷数据的形态特征和提高数据的可区分性;接着提出深度自编码器的特征提取方法,同时利用边界少数样本过采样算法生成新的训练样本,对深度自编码器网络模型进行两阶段训练;最后基于欧式距离和动态时间扭曲距离的双尺度距离,计算负荷数据特征的相似性,以双尺度距离作为K-means算法的输入数据得到负荷聚类结果。基于南京市某台区的分钟级负荷数据的算例分析表明,所提方法提高了不同负荷数据分类的准确性。

基于广义加性模型的调温负荷测算方法

调温负荷可分为夏季降温负荷和冬季取暖负荷,是影响统调负荷的主要因素之一。准确把握调温负荷特性,对于分析负荷增长驱动因素、做好迎峰度夏/冬工作具有重要意义,但现有测算方法仍存在问题。为此提出一种基于广义加性模型(generalized additive models,GAMs)的调温负荷测算方法。首先,建立基于GAMs的日前负荷预测模型;然后,根据上述模型解耦分析不同特征对负荷的影响,提出调温负荷测算方法;最后,以某市夏季调温负荷测算为例,验证所提方法的准确性、合理性。

居民区场景下计及负荷预测的有序充电策略

近年来我国新能源汽车保有量急剧增长,电动汽车大量接入配电网。为保障电网运行安全性与电动汽车用户充电经济性,首先,基于居民区电动汽车充电场景,以减小电网负荷波动并降低电动汽车用户充电成本为目标,统计电动汽车用户出行规律,分析包括电动汽车并网充电开始、结束时刻与充电电量的电动汽车充电规律,利用马尔科夫链蒙特卡洛方法实现居民区电动汽车充电负荷预测;其次,计及负荷预测数据进行数据评估分级,制订负荷分级电价,并根据峰平谷分时电价制订加权分时电价,建立以加权分时电价为理论的有序充电模型;最后,以华东地区某居民区充电桩为例,运用MATLAB验证基于马尔科夫链蒙特卡洛方法的充电负荷预测,建立变功率有序充电策略模型,利用多种群遗传算法求解模型。试验结果表明,采用所提策略可使负荷波动率下降至33.80%(比无序充电下降18.93%),用户单位充电价格下降至1.346元/kWh(比无序充电下降10.27%),可实现电网运行负荷波动与用户充电成本的降低。

基于奇异谱分析和局部敏感哈希的调频辅助服务市场短期容量需求预测方法

为了满足电网频率评估的要求,降低电网风险,保证发电与用电的实时平衡,需要对电网短期调频需求进行预测。为此提出基于奇异谱分析(singular spectrum analysis,SSA)和局部敏感哈希(locality-sensitive hashing,LSH)的调频容量需求预测方法。首先,为了处理频率信号高波动性的影响,SSA将频率信号分解为2个分量——代表原始时间序列平均趋势的平均趋势分量和揭示随机特征的波动分量,2个分量均在相空间中被重构,以获得平均趋势段和波动分量段;然后利用LSH选择平均趋势段的相似段,用于局部预测,从而提高预测的精度和效率;最后,采用支持向量回归(support vector regression,SVR)进行预测,其中训练输入为相似平均趋势段和相应波动分量段的合成。结果表明,与其他模型相比,该模型具有更高的精度和稳定性,所提方法不但能够降低调频容量,还能提升调频表现。

多级智能技术安全校核母线负荷预测系统优化设计

针对母线负荷预测存在的不协调、偏差以及不平衡等问题,利用相关性分析方法针对母线负荷预测系统进行处理,处理完毕后将负荷历史序列以及母线负荷历史序列一同输入至智能预测模型中,通过该方式即可获得相应的母线负荷预测结果。为保证母线负荷预测系统功能的准确性,利用多级负荷智能协调方法赋予母线负荷曲线协调以及效果分析等功能,对于维护母线负荷的安全校核具有重要意义。将多级负荷智能协调方法应用于电力系统中,使电力生产可随着负荷对电能需求的不断变化而做出相应调整。有利于促进电力系统的稳定运行,实现提升电力系统整体经济效益的目的。

基于深度学习模型的光伏发电负荷预测

光伏发电作为分布式能源不断普及,对电力基础设施稳定构成了一系列挑战。本文提出了一个有监督的深度学习模型用于光伏发电预测,该模型利用数值天气预报和高分辨率历史测量来预测时间间隔内的联合概率分布,而不用预测变量的预期值,与常见的基线方法——如完全连接的神经网络和长期短期记忆体系结构相比,这种设计提供了显著的性能改善,使用归一化基于平均平方误差的预测技能得分作为关键绩效指标,将提出的方法与其他模型进行比较,结果表明,新设计的性能高于目前的光伏电源预测技术水平。

基于MMoE-TCN的综合能源系统短期多元负荷预测

准确的短期多元负荷预测是确保综合能源系统可靠经济运行的必要前提。针对现有模型预测精确度不高的问题,本文提出一种基于改进最大信息系数相关性分析和MMoE-TCN多任务学习的负荷预测方法。首先,采用改进的最大信息系数相关性分析方法筛选目标预测负荷的特征序列集。然后,建立基于参数软共享机制的MMoE多任务学习模型,通过专家子网和门控单元合理分配子任务的共享特征信息,挖掘多元负荷间的耦合特性,进而使用时间卷积神经网络构建子任务模型,用于负荷预测。最后,使用IES公开数据集进行算例分析,其误差均低于MTL-TCN、MTL-LSTM和LSTM模型,验证了本文所提方法有较高的预测准确度。

考虑细分行业及多影响因素的月度电量预测

从细分行业的电量数据出发,通过挖掘不同的行业用电规律以及引入气温、春节影响因素,实现特大都市地区月度电量的精准预测。首先,利用数形相似性距离,将各细分行业划分为电量周期性行业与电量非周期性行业;其次,通过k-means算法按照用电特性相似度对电量周期性行业进行聚类,得到不同用电规律的各类行业;接着,分析气温指标与各行业类别电量的相关性,在与气温指标相关程度较大的行业类别电量预测中加入气温协变量;然后,采用Prophet算法对各行业类别电量建立预测模型;最后,对1、2月份的预测结果针对春节效应提供联合修正方法。采用南方某市的用电量数据作算例分析,考虑细分行业后预测精度提升2.63百分点,整体平均预测准确率达到97.71%。算例分析结果表明,所建立的考虑细分行业及多影响因素的月度电量预测框架能够挖掘各行业类别的用电规律,捕捉地区产业转移和升级特点,并有效引入多影响因素指标,进而提高特大都市地区月度电量预测的准确度。

基于离散Fréchet距离和LS-SVM的短期负荷预测

针对现有电力系统短期负荷预测精度低、数据处理量大、易受输入变量的影响等问题,提出了一种将离散Fréchet距离与LS-SVM相结合的短期负荷预测方法。分析总结了East-Slovakia Power Distribution Company提供的历年负荷数据,结合该地区的用电规律,通过引入离散Fréchet距离,建立离散曲线相似性的数学模型,选取出与基准曲线形状相似的相似日,利用相似日负荷数据对LS-SVM预测模型进行训练。经过仿真验证,并与标准LS-SVM模型得到的结果对比,所提预测方法明显提高了预测精度。

基于混合算法优化神经网络的风电预测模型

针对粒子群算法陷入局部最优以及Elman神经网络泛化能力不足等缺点,提出一种混合小波包分解(wavelet packet decomposition,WPD)和催化粒子群算法(catytic particle swarm optimization,CPSO)优化Elman神经网络(elman neural network,ENN)的短期风电预测方法。通过小波包变换对风电功率样本进行多层序列分解,对单支重构所得的风电功率子序列采用催化粒子群算法优化的神经网络(CPSO-ENN)进行预测,最后叠加各子序列的预测值,得出实际预测结果。在实例分析中,利用某风电场实际运行数据进行仿真验证,结果表明新模型具有较高的预测精度。

基于小波分解的支持向量机母线负荷预测

为提高母线负荷预测的准确性,提出一种基于小波分解和支持向量机的母线负荷预测方法。该方法利用小波分解算法将目标负荷序列分解为若干个不同频率的子序列,通过分析各个序列的特征规律,构造不同的支持向量机模型对各分量分别进行预测,再将各分量预测值进行重构得到最终预测值。对某一区域内15条母线进行预测,采用平均日母线负荷准确率进行评价。与单独使用支持向量机方法相比,应用所提方法提高了962点的预测效果,占总预测点数的66.8%;全系统的准确率由93.5%提高到了95.1%。

基于改进PSO算法的Logistic模型在饱和负荷预测中的应用

将改进的粒子群(PSO)算法应用到饱和电力负荷预测中,通过与Logistic时间序列预测模型相结合,对Logistic曲线函数进行优化参数求解。建立了基于该优化算法的Logistic时间序列饱和负荷预测模型,利用某地区电网历史数据进行Logistic时间序列分析。仿真结果表明,该改进算法收敛速度快,全局寻优能力强,克服了传统PSO算法局部搜索能力较差、容易陷入局部最优的缺点。利用它得到的Logistic拟合曲线,相对于传统PSO算法和Marquardt迭代算法的拟合结果,精度有明显的提高,说明该模型能够很好地反映电力负荷整体变化趋势。另外,运用该模型和人均用电量法分别对某地区电网饱和全社会用电量进行预测,结果显示两者预测结果较为接近,而人均用电量法在饱和电力负荷预测中运用已较为成熟,因此可以证明该模型应用到饱和电力负荷预测中是可行的。

基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测

基于大量历史负荷数据,研究负荷数据曲线的变化性,并提出了负荷变动速率(RLF)与速率影响因子(IFR)概念。通过对ERCOT数据的分析,总结得出了得克萨斯州用电特点和相同时段内RLF的相似性。依据对RLF的历史数据统计分析,得出经验RLF值,并结合用电负荷的实时数据对短期负荷做出修正与准确预测。该方法可以应用在短期负荷预测系统及对区域中长期用电负荷变化规律的总结上。

基于变分模态分解-排列熵-改进鹈鹕优化算法的长短期记忆网络的短期负荷预测

针对传统的电力负荷预测模型中出现的模态分解混叠、长短期记忆网络参数难以选择等问题,提出一种新的模型,即基于变分模态分解、排列熵组合和改进鹈鹕优化算法的长短期记忆网络模型。首先,利用变分模态分解将电力负荷数据分解为多个复杂程度较低的模态,并利用排列熵对子序列进行重组,降低预测难度;接着,引入Logistic混沌映射、融合柯西变异和反向学习两种策略改进鹈鹕优化算法,提高全局寻优能力;然后利用改进后的鹈鹕优化算法对长短期记忆网络参数进行优化,提高模型的泛化能力和实际操作性;最后,对重组后的子模态分别进行预测并叠加,得到最终预测结果,并使用两份不同地区数据集与多种优化算法预测模型进行比较。实验结果表明,变分模态分解-排列熵-改进鹈鹕优化算法的长短期记忆网络模型具有更高的预测精度和稳定性,可以有效地进行短期电力负荷预测。

考虑季度供电量二重性的最优GM(1,N)短期电量预测方法

受多因素影响,季度供电量存在增长性及季节波动性的复杂二重趋势。针对现有预测方法中对供电量自身组分及外部影响因素信息利用不足的情况,提出利用行业分类及数据关联度寻优方法选择最优影响参数个数,从而确定模型参数N,构造最优GM(1,N)电量预测模型,提高预测准确度的方法。根据供电企业的用电用户类别,对供电量进行自身组分分析;计算各组分及外部影响因素与供电量的关联度,并对关联度由大到小进行排序;根据不同N的拟合精度确定最优GM(1,N)模型。应用该方法对某供电局的供电量数据进行预测分析表明,该算法具有预测精度好、结果可信度高的特点。