基于EWT-GM-LSTM模型的配网广义负荷短期预测

针对各经典负荷预测方法不能充分挖掘配网包括分布式电源的广义负荷数据的规律性和相关性从而导致预测精度不高的问题,提出了在经验小波分解EWT(Empirical Wavelet Transform)和交叉谱分析下,基于传统灰色多变量预测模型(GM(1,n))和长短期记忆神经网络(Long short-term Memory,LSTM)相结合的短期负荷预测模型。模型首先通过经验小波分解(EWT)将原始负荷序列信号分解为若干固有模态函数(IMF)分量,然后将各分量与外部环境因素包括温度和实时电价因素做交叉谱分析,依据谱分析的结果对部分显著相关分量建立GM(1,n)模型预测,最后建立采用LSTM模型进行综合预测,并在经验模态分解和变分模态分解方法及LSTM参数设置的对比分析下,通过实证分析验证了该方法较原负荷直接进行LSTM预测更具有效性。

高比例可再生能源电力系统结构形态演化及电力预测展望

在清洁化、低碳化和智能化的能源革命背景下,高比例可再生能源成为电力系统未来发展的一个突出特征,也导致了电力系统结构形态的巨变。文中对高比例可再生能源电力系统结构形态演化及电力预测方法进行了阐述。首先分析了电力系统结构形态的内涵及其要素,建立了其形态演化的驱动力综合模型,然后结合高比例可再生能源发展趋势,分析其对电力系统形态结构的影响,建立高比例可再生能源驱动的电力系统形态演化模型。围绕高比例可再生能源电力系统结构形态演化机理和复杂多重不确定性运行场景下的电力预测理论两个科学问题,分四个方面对其研究体系进行了详细阐述。