基于自适应图注意力网络的短期用户负荷预测

为提高短期用户负荷预测精度,提出了一种基于自适应图注意力网络(adaptive graph attention network,AGAT)的短期用户负荷预测模型。首先,针对用户负荷存在规模小、波动性强的问题,通过门控机制结合多个大小不同的扩张卷积核来构造时序特征提取层,从多个尺度上提取用户负荷的高维时序特征。同时,考虑到不同用户负荷间潜在的动态相关性,使用马氏距离构造动态图学习层,生成动态图邻接矩阵。然后,采用图注意力网络根据动态图邻接矩阵将用户负荷的高维时序特征进行信息汇聚。最后,通过全连接层输出用户负荷预测值。为验证AGAT模型的有效性,采用UCI电力负荷数据集进行预测实验,分别与多种基线模型比较。实验结果表明,所提模型预测指标优于各基线模型,有助于提高短期用户负荷预测精度。

基于不同分布下GARCH-M族模型的短期用户负荷预测

电力负荷预测是电力系统研究的基础工作之一,而时间序列分析法是目前使用最广泛的预测方法。针对用户日度负荷时间序列存在的波动性及尖峰厚尾特征,文中提出利用均值广义自回归条件异方差(GARCH-M)族模型进行用户负荷预测。首先根据用户日度负荷时间序列的分布情况,利用拉格朗日乘数(LM)检验方法检验了负荷序列的自回归条件异方差(ARCH)效应;其次提出在高斯分布、t分布和广义误差分布(GED)3种不同分布下,根据波动补偿项的不同形式,建立GARCH-M族模型;最后结合损失函数进行预测分析,结果表明相比传统时间序列分析模型,在不同分布下的GARCH-M族模型提高了短期用户负荷预测准确度。

基于时空注意力机制的台区多用户短期负荷预测

针对在低压台区海量高波动用户负荷预测场景下,传统探索单个用户时间特征的负荷预测方法存在无法学习用户之间的空间相关性、无法实现多用户共同预测的问题,该文提出一种基于时空注意力机制的Transformer负荷预测模型(STformer),提供精准的台区多用户短期负荷预测。首先,改进传统Transformer模型,嵌入序列分解模块、自相关计算模块和空间注意力模块。其中,序列分解模块可以将波动较大的用户负荷曲线分解为相对平稳的多个子序列,有助于更好地提取负荷曲线的时间依赖性和周期因子;自相关计算是一种改进的注意力机制,可以挖掘多个历史同时期子序列的时间相关性;空间注意力机制可以提取台区多用户之间的动态空间相关性。然后,利用蒙特卡洛随机失活方法(MC dropout)将STformer拓展到台区多用户负荷概率预测。最后,采用真实台区多用户负荷数据集进行验证,与多种负荷预测模型进行对比,证明STformer模型可有效提高短期多用户负荷点预测和概率预测的精确性和鲁棒性。

基于图卷积神经网络与K-means聚类的居民用户集群短期负荷预测

随着智能电表等高级量测装置在用户侧的广泛部署与使用,海量多源异构的居民用户数据得以采集与存储,为用户级负荷预测提供良好的数据基础。精准的居民用户集群负荷预测是促进智能配电网需求侧管理、辅助电网公司实现削峰填谷的重要基础。然而,现有的用户级负荷预测方法大多利用历史负荷序列的时间相关性构建数据驱动模型,却忽视相邻用户用电行为之间存在的潜在空间相关性。因此,提出一种基于K-means聚类和自适应时空同步图卷积神经网络的居民用户集群负荷预测方法。首先,采用K-means聚类将居民用户集群按照用电行为相似性划分成不同组;然后,基于居民用户集群的分组数量、各组居民用户的历史负荷数据以及各组居民用户负荷序列之间的相关性,构建面向居民用户集群负荷预测的时空图数据;最后,使用自适应时空同步图卷积神经网络实现居民用户集群短期负荷预测。文章通过真实的爱尔兰居民用户负荷公开数据集测试并验证所提方法的准确性和有效性,实验结果表明,相较于各个基准预测方法,所提方法能够充分挖掘并利用不同居民用户用电负荷之间的时空相关性,进而提高居民用户集群负荷预测精度。

基于LightGBM的夜经济用户级短期负荷概率预测方法

[目的]为了度量夜经济中用户级短期负荷的不确定性,基于LightGBM(Light Gradient Boosting Machine)和KDE(Kernel Density Estimation)方法,本文设计了一种夜经济用户级短期负荷概率预测模型框架和预测方法。[方法]首先,利用LightGBM对待预测用户的历史负荷与影响因素(如天气、日类型等)进行建模。然后,使用该模型预测用户的未来短期负荷,并将LightGBM模型所包含的树的输出作为概率预测的输入,利用核密度估计方法计算该用户未来短期负荷的概率密度及预测区间。[结论]最后利用北方某城市的多个夜经济用户真实负荷数据进行了实验验证,实验结果表明本方法预测结果准确,鲁棒性高,且对夜经济多类用户均适用。

大用户电力负荷的多模型模糊综合预测

研究大用户的短期电力负荷预测问题,给出一种基于变权综合模糊推理的多模型综合预测方法。该方法首先引入基于质心相似度聚类的负荷模式分析算法,挖掘历史负荷数据中合群的典型负荷模式,并按相似性进行分组,同时剔除少量的离群异常记录;然后给出基于共轭梯度的RBF神经网络训练算法,分别对每类典型负荷模式建立相应的单元预测模型;最后利用基于相似度加权的多模型变权综合模糊推理策略,实现各单元模型预测结果的自适应融合。案例仿真验证了多模型模糊综合预测方法的可靠性。

多层次母线负荷预测方法研究

母线负荷预测不仅是推进调度精益化管理的重要手段,而且对于节能调度的推行、发电计划的制定、电力现货的交易等工作具有至关重要的作用。目前绝大多数短期负荷预测都是系统级的,母线负荷预测很难直接套用系统负荷预测的方法,因此提出一种基于挂接电源、终端用户及检修、气象等因素的多层次母线负荷预测方法。通过该方法可实现母线负荷预测的精细化分析预测,有效提高预测精度。

基于单值聚类分析的区域居民概率负荷预测研究

随着市场竞争的加剧、基础设施的老化以及可再生能源整合的要求,概率负荷预测由于其丰富的结果表现形式在能源系统规划和运营中变得越来越重要。为提高区域居民概率负荷预测的精确性,文章将聚类分析作为概率负荷预测的预处理环节,构建基于单值聚类分析的区域居民概率负荷预测框架。通过探索多种概率负荷预测方法在不同聚类分组下总负荷预测精度的改善情况,从而验证了基于单值聚类分析的区域居民概率负荷预测框架的有效性。

售电公司电力现货交易辅助决策系统关键技术研究

对电价预测关键技术、用户负荷预测关键技术和零售套餐设计与测算关键技术进行研究。结合基于XGBDT的电价预测算法与基于人工神经网络的电价预测算法,提出了启发式组合电价预测算法,该算法计算简便、预测准确并且能够进行人工调节。将支持向量回归法用于用户负荷预测,用户负荷预测的精度和效率都较高。建立售电公司电力现货交易辅助决策系统,其功能包括市场分析、出清电价预测、用户负荷预测、现货交易决策、中长期交易管理、零售交易管理等,有助于售电公司降低交易风险,增加现货交易收益。

基于互信息和LSTM的用户负荷短期预测

相对于系统级负荷,用户负荷具有基数小、波动性与随机性更强的特点,加大了用户负荷预测的难度。文章借助互信息与深度学习理论,提出了一种基于最大相关最小冗余(max-relevance and min-redundancy, mRMR)和长短期记忆网络(long-short term memory networks, LSTM)的用户负荷短期预测模型。首先,采用mRMR算法对特征变量进行排序并选取合适的输入变量集合,mRMR既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。接着,对选取的输入变量集合建立LSTM预测模型,LSTM能较好处理和预测延迟较长的时间序列,且不会存在梯度消失和梯度爆炸现象。最后,通过算例验证了所提算法的有效性。