针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输...针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输入特征的筛选;综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性,结合Attention机制和双向长短时记忆(bidirectional long short-term memory,BiLSTM)神经网络建立负荷峰值预测模型。在负荷标幺曲线预测中,通过误差倒数法组合相似日和相邻日,建立负荷标幺曲线预测模型;针对预测偏差的非平稳特征,利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型,对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例,验证了所提模型的有效性。展开更多
为了提高光伏发电功率预测精度,提出了一种基于长短期时序数据融合的Transformer生成式预测模型:LSTformer,能准确有效地预测光伏发电功率。LSTformer创新性地提出了时序分析模块(time series analysis,TSA)、时序特征融合模块(time ser...为了提高光伏发电功率预测精度,提出了一种基于长短期时序数据融合的Transformer生成式预测模型:LSTformer,能准确有效地预测光伏发电功率。LSTformer创新性地提出了时序分析模块(time series analysis,TSA)、时序特征融合模块(time series feature fusion,TSFF)和多周期嵌入模块(cycleEmbed),利用数据融合解决难以提取多时间尺度时序特征问题。设计时间卷积前馈(time convolution feedforward,TCNforward)单元,在编解码的过程中进一步提取时序特征。利用某光伏电站实际历史发电数据,通过实验验证LSTformer模型在光伏发电功率预测领域得到最低的均方误差(mean squared error,MSE)、平均绝对误差(mean absolute error,MAE),并通过消融实验验证了各模块的有效性。展开更多
高渗透率新能源波动下系统动态频率预测是实现受端网络频率安全态势感知的基础。该文提出一种基于混合量测和物理状态方程联合驱动的新能源电力系统双向树状长短期记忆网络(combined equation-of-state-driven and data-driven bi-direc...高渗透率新能源波动下系统动态频率预测是实现受端网络频率安全态势感知的基础。该文提出一种基于混合量测和物理状态方程联合驱动的新能源电力系统双向树状长短期记忆网络(combined equation-of-state-driven and data-driven bi-directional tree-struct long short term memory,CEOSD-BITREE-LSTM)动态频率预测方法。首先,引入双层多头注意力图神经网络,提出考虑同步相量测量单元(synchronous phasor measurement unit,PMU)和数据采集与监视控制系统装置(supervisory control and data acquisition,SCADA)量测差异性和时序同步性的混合量测融合策略;其次,依据PMU密集采样特性,建立计及源网荷物理联系的线性时变状态方程,刻画物理-数据空间的频率特征交互关系;然后,考虑新能源出力、负荷波动等不确定因素,结合以PMU并行搜索调频资源形成的拓扑结构,构建CEOSD-BITREE-LSTM动态频率预测模型,实现系统频率态势的高精度预测。最后,以改进新英格兰10机39节点、三区互联系统为算例,验证该文所提方法的可行性和有效性。展开更多
文摘针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输入特征的筛选;综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性,结合Attention机制和双向长短时记忆(bidirectional long short-term memory,BiLSTM)神经网络建立负荷峰值预测模型。在负荷标幺曲线预测中,通过误差倒数法组合相似日和相邻日,建立负荷标幺曲线预测模型;针对预测偏差的非平稳特征,利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型,对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例,验证了所提模型的有效性。
文摘高渗透率新能源波动下系统动态频率预测是实现受端网络频率安全态势感知的基础。该文提出一种基于混合量测和物理状态方程联合驱动的新能源电力系统双向树状长短期记忆网络(combined equation-of-state-driven and data-driven bi-directional tree-struct long short term memory,CEOSD-BITREE-LSTM)动态频率预测方法。首先,引入双层多头注意力图神经网络,提出考虑同步相量测量单元(synchronous phasor measurement unit,PMU)和数据采集与监视控制系统装置(supervisory control and data acquisition,SCADA)量测差异性和时序同步性的混合量测融合策略;其次,依据PMU密集采样特性,建立计及源网荷物理联系的线性时变状态方程,刻画物理-数据空间的频率特征交互关系;然后,考虑新能源出力、负荷波动等不确定因素,结合以PMU并行搜索调频资源形成的拓扑结构,构建CEOSD-BITREE-LSTM动态频率预测模型,实现系统频率态势的高精度预测。最后,以改进新英格兰10机39节点、三区互联系统为算例,验证该文所提方法的可行性和有效性。