基于VMD和贝叶斯优化LSTM的母线负荷预测方法

新型电力系统背景下,为提升母线负荷预测的精确性与稳定性,针对母线负荷噪声,提出一种考虑变分模态分解(variational mode decomposition,VMD)降噪优化和长短期记忆网络(long short-term memory,LSTM)的母线负荷预测方法。通过VMD将母线负荷分解为多个平稳的固有模态函数余项,将其分解项去除噪声后进行重组,达到降噪优化效果;对降噪后的母线负荷序列构建基于LSTM的时序预测模型,利用贝叶斯优化方法对网络初始超参数进行优化,以提高时序预测模型的精度。算例研究结果表明:利用VMD对母线负荷进行降噪优化后再进行预测,有利于预测结果更加稳定,且贝叶斯优化寻参解决了因初始参数设置不当而使预测结果精度不高的问题。该文方法可运用于母线短期负荷预测,并为电网调度运行提供了决策依据。

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。

基于数值天气预报的母线负荷预测

针对母线负荷量大面广,易受气象变化影响,且传统天气预报与母线负荷之间存在极为松散的地理对应关系,提出了基于数值天气预报和负荷分类的母线负荷预测。通过获取母线负荷所属行政区域,如县、乡或市辖区的地理位置,提取与母线地理位置紧密对应的高精度数值天气预报信息。通过研究母线负荷与气象因素的相关特性,构建了基于数值天气预报和负荷分类预测的母线负荷预测模型。通过对某省母线负荷进行分析预测,验证了该方法的实用、有效性。

面向节能发电调度的母线负荷预测平台

根据节能发电调度对母线负荷预测提出的新要求,提出了建设母线负荷预测平台的总体方案。采用多层体系的B/S结构和J2EE技术,应用高性能网络数据库作为后台数据支持,建立了以母线负荷分析和预测为核心,集数据采集与管理、预测后评估分析和预测结果的上报考核管理一体化的信息管理和预测系统。提出了母线负荷建模方法、母线负荷预测模型方法库、自适应训练机制、预测过程控制等关键技术,为进行详尽的数据挖掘分析、高质量的需求预测和一体化的母线负荷管理提供灵活的网络化操作平台。该平台适应电网调度管理精益化的新要求,可为提高母线负荷预测精度、提升负荷预测工作的管理水平、保障电力系统安全经济运行提供有力的技术支持。

母线负荷预测中样本数据预处理的新方法

选择SCADA量测数据作为原始数据源,针对目前母线负荷数据中3类典型的异常数据,提出了一种样本数据预处理方法。采用改进的数据横向比较法识别并修正数据丢失点和由突发事件等原因引起的异常突变点,随后采用db4小波阀值去噪法处理由信道噪声等原因引起的数据波动,使负荷曲线平滑化。该方法能够有效识别连续数据丢失点和异常突变点,在保持原有负荷曲线变化趋势的基础上剔除异常波动数据,实现平滑处理,为下一步直接进行母线负荷预测提供高质量的样本数据,在一定程度上提高最终的预测精度。

规避坏数据影响的母线负荷预测新策略

坏数据的存在对母线负荷预测的精度有较大影响。针对在实际工作中坏数据辨识和修补的结果不令人满意的情况,提出了一种新的规避坏数据影响的预测策略。提出了完全可信信息集的概念,在这一概念下将历史负荷进行合理划分,并分析了相互之间的横向联系和纵向联系;由此提出了以完全可信信息集为基础的预测策略,避免将修补后数据直接用于预测,妥善处理坏数据对预测效果的影响。描述了预测方法的实现过程,算例表明这一预测策略可以取得较好的效果。

基于母线负荷预测改进的省地协同发电计划优化方法

省级电网进行发电调度优化时,其母线负荷中蕴藏的地区电网可调资源没有充分发挥其作用,从全局利益出发协同省地两级调度资源实现联合优化,可提高资源利用效率。该文提出了基于母线负荷预测改进的省地协同发电计划优化方法,根据母线负荷源荷属性进行分类,将地区有源网的电源成分和负荷成分分开考虑,改进母线负荷的预测方法;分析了地区电网节点电源和负荷在省调母线上的汇聚原理并提出母线功率转移矩阵,建立了母线可调度能力的求解模型,提出了母线价格–功率关系函数的生成方法;将母线负荷作为省地协同发电优化调度的媒介,构建了省地协同优化调度模型。算例结果表明省地协同方法可实现全省范围内电源的协调互补,提高电网安全经济运行水平。

母线负荷预测中的自适应预测技术及其实现

负荷波动频繁、变化模式复杂是母线负荷的重要特点。如何自适应地进行预测模型的选择和模型参数的调整,从而获得更加准确的预测结果,始终是一个研究热点和难点。文章提出了一种基于虚拟预测思想的自适应母线负荷预测技术。通过分析自适应预测的基本问题,建立了母线负荷预测自适应技术的抽象统一框架,阐述了自适应预测技术的整体流程,并给出了自适应预测技术的详细数学描述与实现方法。算例分析表明,应用自适应预测技术,实际预测的效果得到显著提高。

虚拟母线技术及其应用(二):虚拟母线负荷预测

与系统负荷不同,母线负荷水平较低,波动性强,规律性弱,可预测性差,引入虚拟母线技术有利于提高母线负荷预测的工作水平与预测精度。在电网中存在一些紧密联系的连通的局部网络,其内部各母线对关键断面具有相同或相近的发电机输出功率转移分布因子(generation shift distribution factor,GSDF),同时其内部母线的负荷曲线具有一定的相似性,这些母线所组成的连通局部母线组为虚拟母线。根据虚拟母线概念,提出一种新颖的聚类预测方法:虚拟母线负荷预测方法;对虚拟母线负荷预测与独立预测的精度进行了比较,分析了预测误差的形成机理,提炼出预测误差的数学表征;针对虚拟母线聚类判据对于提高预测精度的有效性进行了分析;采用河北南网的实际数据验证了虚拟母线负荷预测方法的有效性。

粗糙集法解多环境因素影响的母线负荷预测问题

母线负荷的环境因素众多且影响关系复杂,综合考虑所有属性会引入无关随机信息,降低预测精度。为此,提出了考虑多环境因素的母线负荷预测粗糙集(rough set,RS)方法,采用快速属性约简算法(fast attribute reduction algorithm,FARA)确定对母线负荷影响较大的条件属性;基于概率规则导出决策规则集;通过距离度量法匹配规则,从而实现母线负荷预测。将所提方法应用于预测广西某地区电网220 kV母线有功负荷,结果表明该方法能从母线负荷预测的历史数据样本挖掘出有益预测规则,具有较高的预测精度。

基于特性矩阵分层分析的短期母线负荷预测坏数据处理策略

原始数据分析是提高短期母线负荷预测精度的重要环节,提出一种基于特性矩阵分层分析的坏数据处理策略。首先研究划分样本集最优簇结构的聚类算法。利用AP聚类计算标幺曲线样本集的聚类数搜索区间;从大到小排列各样本点的密度指标,得到初始化矩阵;通过Silhouette指标进行有效性检验,最终得到最优聚类结果。参照特征曲线,计算反映负荷点性质的横向及纵向特征向量,进而形成特性矩阵。运用判别准则对日负荷曲线的特性矩阵进行分层分析,并针对不同变化特性的母线负荷制定相应的坏数据处理策略。实例分析表明,本文提出的方法可有效改善原始数据的质量,提高母线负荷预测精度。

集中式省地一体化母线负荷预测系统

系统基于Microsoft Visual Studio.NET平台和Microsoft SQL Server数据库,采用最先进且成熟的多层体系Browser/Server(B/S)结构,以原有的负荷预测系统为依托,形成了以母线负荷预测、负荷统计与分析、预测结果评估与考核为主,数据采集、预测数据上报、基础信息管理和系统流程化管理为辅的集中式省地一体化母线负荷预测系统。系统采用先进的预测策略,在提高预测准确率的同时,为发电计划安全校核与调度的精细化管理提供数据支持和技术保障。

间接预测法在母线负荷预测中的应用

为避免220 kV母线供电区域内负荷转供、停电以及小电源等因素对母线负荷预测的不利影响,提出了一种间接预测母线负荷的方法。首先把母线下网负荷转换成该母线供电区域内的理想用电负荷,再将该理想用电负荷作为历史负荷数据采用系统负荷预测的算法进行预测得到初步预测结果,同时获取待预测日各种影响因素的值,初步预测结果剔除各种影响因素间接预测出母线下网负荷值。实例证明了相对于以母线下网负荷值作为历史数据的直接预测法,该方法的应用对供电区域内含有小电源的母线负荷预测的准确率有着明显的提高。

基于层叠泛化策略的母线负荷预测模型

基于层叠泛化策略SG(stacked generalization)提出一种新的母线负荷预测方法。该方法包含两级学习层,第1层针对原始母线负荷样本空间,对一组支持向量机SVM(support vector machine)进行交互验证式训练,训练完成后得到新的特征空间,该特征空间由这些支持向量机的输出和对应的真实值组成;第2层对输出进行线性组合,将新特征空间中的输出序列作为观测,对应的输出权值作为状态,使用卡尔曼滤波对权值进行递推估计。实例仿真证明,采用所提方法模型的泛化能力得到改善,从而提高母线负荷的预测精度。

参照系统负荷预测的母线负荷预测修正方法

由于母线负荷预测结果的精确度相对系统负荷预测较低,提出了一种参照系统负荷预测值的母线负荷预测值修正方法。先根据母线负荷预测值之和与系统负荷预测值之间的差值确定需要修正的负荷点,再选择该点临近的连续数点系统负荷组成曲线,寻找系统负荷的相似曲线,对应相似日的各母线负荷组成样本、各样本修正值的期望和方差决定修正后的各母线负荷值的范围,采用最小二乘逼近建立二次规划问题,最后利用LINGO软件求解。算例表明了该方法从整体上提高了母线负荷预测的准确率。

面向精益化安全校核的精细化母线负荷预测

为了提高电网安全校核的精益化管理水平,从基础性的母线负荷预测精细化研究入手。阐述了安全校核工作流程和精细化母线负荷预测流程。以精细化的母线分类为基础,采用差分演化模拟退火模型,克服了传统聚类模型易陷入局部收敛的缺点。以切合安全校核的简便化方法规避坏数据。通过地区负荷预测修正法为主的精细化修正,减小初次预测的粗糙度,采用一种自适应性概率权重组合预测模型,改善了预测精度不稳定的状况。实验结果表明,该流程的预测水平满足安全校核的要求。

基于小波分析的母线负荷预测不良数据检测

母线负荷预测是电力系统调度运行的重要基础,而母线负荷预测中可能存在较多的不良数据,极大地影响预测精度。以准确检测母线负荷预测中的不良数据为目标,分析不良数据的来源,指出了数据奇异点与不良数据的关系,提出了基于小波分析理论进行不良数据检测的方法。理论分析表明,该方法具有完整、精确、准确及简单的特点,通过实验证明了该方法能够很好地识别增幅点、降幅点、突变点等典型的不良数据,有效提高预测精度。希望能够对母线负荷预测工作提供有益的参考。

基于D-S证据理论的母线负荷预测

基于D-S证据理论,提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对3种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测日的母线负荷预测结果。仿真结果表明,与单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。

影响母线负荷预测的因素及改进措施

本文主要基于一套负荷区域不一致的模型,在已知全系统总负荷的前提下,自上而下计算预测出系统内每条母线的负荷大小。在计算过程中,重点对影响各条母线负荷预测准确率的各种因素如负荷转带、网损、天气、相似日、区域负荷特性等进行细致的研究分析,通过利用负荷转移因子、网损系数、相似日因子、天气修正系数等,进一步提高母线负荷预测的准确度。

母线负荷预测在宁夏电网中的应用

宁夏电网母线负荷预测系统充分考虑电网特性,采用模式匹配算法,同时考虑了机组检修、小机组出力、气象条件等多种因素对预测结果的影响,使调度计划方式科学化,且预测结果满足各项考核指标。