智能电网环境下的自适互动智能负荷预测研究

智能电网是电网企业发展的必然趋势,针对智能电网建成后带来的新能源、分布式能源的并网问题,以及智能电网建成后的高度集成信息化的环境变化,需要建立新环境下的负荷预测数据仓库,数据仓库中不但包含传统预测所考虑的定量性数据,而且包括新的定性数据。基于数据仓库根据数据挖掘技术计算与预测日具有高度相似特征的相似度,提取相应的数据,形成相应的知识库和推理规则库。研究具有一定自适应性的能够自己确定模型结构的智能预测方法,并研究相应的后干预校正算法,使预测精度得到突破性的提高,形成自适互动的智能负荷预测体系方法。研究将提高智能电网乃至整个电力工业的经济效益;增强我国的节能减排、可持续发展能力;完善智能电网的智能性和高效性以及拓展电力负荷预测研究理论的研究范围。

基于深度学习的智能型负荷预测方法的研究

基于深度学习框架,提出了一种精确高效的智能型负荷预测方法。首先,梳理了影响负荷预测精度的因素;然后,引入核范数聚类算法对负荷样本进行聚类处理;最后,基于GRU神经元搭建Seq2Seq技术框架。以某区域实际的历史负荷数据为基础,对所提方法进行了验证。实验表明,所提的智能型负荷预测方法考虑了多种影响负荷变化的因素,适应性强,能够显著地提升负荷预测的准确率。

多层多原理STLF评估系统

根据电力市场运营对短期负荷预测STLF(Short Term Load Forecast)高精度要求,提出多层多预测原理的STLF评估系统。系统由人机交互层、评估决策层、多原理预测层和数据库管理层构成。根据具体负荷特性、运行情况、评估结果自适应选择高精度原理的预测Agent执行。按评估系统多数据源的需求,采用ADO.NET实现复杂互联网环境下异构数据库的集成,构建负荷预测专用数据仓库,给出了负荷预测计算服务的Web Service实现方法。