基于相空间分析的电力负荷序列预测算法

对电力负荷时间序列进行准确预测,避免电力负荷过载,传统方法采用线性时间序列预测算法,没有考虑电力负荷时间序列的自相似性和高斯性,导致预测精度不高。提出一种基于非线性时间序列分析和相空间重构的电力负荷序列预测算法。构建了电力负荷数据的非线性时间序列分析模型,采用相空间重构方法把电力负荷数据嵌入到高相空间中,在相空间中提取电力负荷时间序列的非线性特征,实现对电力负荷时间序列的准确预测,仿真结果表明,采用该方法进行电力负荷预测的精度较高,通过相空间分析能有效反应电力负荷数据的内部结构特征,提高预测性能和电力负荷数据的特征分析能力。

面向新能源消纳能力评估的年负荷序列建模及场景生成方法

全年负荷序列是开展中国省级电网新能源消纳能力评估的基础,文中提出了基于聚类分析和马尔可夫链技术的年负荷序列建模和场景生成方法。首先,通过自组织映射对历史负荷数据进行典型日聚类分析,并采用离散马尔可夫链描述不同典型日之间的状态转移特性。针对每类典型日,采用核密度估计和t-Copula函数构建日负荷特性指标的联合概率分布模型。然后,通过马尔可夫链蒙特卡洛随机抽样生成每日的典型日状态和日负荷特性指标。最后,通过构建日负荷序列优化模型,实现每日负荷序列的优化重构,直至生成全年负荷序列场景。算例基于中国某省级电网全年负荷数据进行测试,并利用所生成的负荷序列场景开展未来年度新能源消纳能力的评估,结果验证了所提方法的有效性及实用性。

基于蚁群优化算法的电力系统负荷序列的聚类分析

依据神经网络原理短期负荷预测模型的性能,负荷样本空间的分布特性对预测精度有大的影响,并且外部气象因素对负荷敏感性的复杂非线性关系也将使预测精度降低。运用负荷序列特征的聚类分析与模式识别相结合原理可解决该问题。该文提出了基于蚁群优化算法(ant colony optimization Algorithm,ACOA)的电力系统负荷序列聚类分析。通过对实际地区负荷系统的聚类分析显示其优越性;并证实基于ACOA的聚类比Kohonen神经网络聚类对气候异常情况、高温区域、节假日都具有更高的敏感性和分辨率;对负荷曲线轮廓的相似性具有更细腻和更均匀的聚类特性。上述的聚类特性对STLF精度的提高是极其重要的。

基于数据挖掘多层次细节分解的负荷序列聚类分析

提出了多层次细节分解的负荷聚类算法及其性能评估指标。该算法利用负荷序列间的差分序列均方差和欧氏距离形成交集优化判据;同时根据随机因素对负荷的敏感性加入对应参数要求来控制多层次细节分解聚类,对负荷曲线轮廓相似性细节程度聚类是提高预测精度的重要基础。笔者对所提出的聚类算法与一般欧氏距离聚类、Kohonen神经网络聚类算法进行了性能评估和比较,证明了该算法对季节性负荷具有高敏感性,对高温和气候因素与负荷之间的复杂相关性具有高识别能力,该聚类算法对提高负荷预测精度是有效的。

基于数据负荷序列聚类的配电网电力营销实时信息系统测试

伴随现代信息技术的快速发展,在电力营销工作中构建信息系统对优化电网正常工作、推动营销活动顺利实施具有十分关键的影响。构建一种基于数据负荷序列聚类的配电网电力营销实时信息系统,当数据接口模块通过现场设备采集电力数据之后,传输至数据操作模块进行数据统计、存储并传输至基本操作模块,设备管理人员可以在基本操作模块刷新配电网电力数据;然后基于该数据通过预警模块使用基于数据挖掘多层次细节分解的负荷序列聚类分析方法,预测电力信息是否存在异常,若存在异常情况,预警模块将及时通知设备管理人员实施修复。经验证,在谐波、电压闪变两种不同的异常电力环境下,所构建系统预测精度较高、时延较短,可实现高精度、高效率的配电网电力营销实时信息管理。

考虑气温因素影响的中长期负荷场景生成方法

负荷场景生成是电力系统中长期规划的重要基础。基于历史数据建模生成的负荷场景难以充分表征负荷对气温的敏感性以及未来电力负荷发展趋势,针对此不足提出了一种考虑气温因素影响的中长期负荷场景生成方法。首先,对不同季节负荷与气象因素之间的相关性进行分析,将年度负荷序列按照季节特征和节假日特征划分为多个序列分别建模处理。对于与气温因素相关性较强的负荷,采用负荷分解理论将负荷分解为基准负荷和温变负荷两部分,并对温变负荷的峰值及曲线进行建模分析,在此基础上生成给定发展情景下的负荷序列;对于受气温因素影响不明显的负荷,通过建立日负荷特性指标联合概率分布模型和小时级负荷序列优化求解模型生成日负荷场景。最后,基于中国3个省级电网全年负荷数据进行测试,验证了所提方法的有效性和可行性。

电力短期负荷时间序列混沌相空间重构参数优选法

采用混沌相空间重构方法进行电力短期负荷预测时,负荷时间序列的延迟时间τ、嵌入维数m以及预测参考点的选取对预测效果有很大的影响。该文通过电力短期负荷重构吸引子的形状和自相关函数确定电力短期负荷时间序列的最佳嵌入时间窗Γ;根据电力短期负荷的m、τ与Γ的函数关系确定m、τ的多组最佳匹配,证明了m、τ的最佳匹配对于负荷伸缩和平移的不变性;提出了选择预测参考点的适用而有效的方法,该方法分为粗搜索和细搜索2个过程,粗搜索主要根据距离选出一定数量的邻近点,细搜索主要根据相点演化的相关性排除“伪邻近点”。实际电网负荷预测的仿真结果验证了提出的电力短期负荷时间序列相空间重构参数优选法的正确性与有效性。

基于相关邻近点与峰谷荷修正的短期负荷时间序列预测

采用混沌相空间重构理论进行电力短期负荷预测,存在峰谷荷预测精度相对较差和预测参考点不易选取的问题。根据电力系统日负荷曲线构造了日峰谷荷时间序列,揭示了日峰谷荷时间序列的混沌特性,采用相空间重构直接预测未来峰谷荷,进而提高了峰谷荷和整点负荷的预测精度。针对相空间中相点的预测参考点确定问题,提出了按相点演化相关性进行选择的方法,首先根据模型要求的预测参考点数量选出邻近点,然后根据相点演化相关性排除伪邻近点,同时引入时间权重来反映相空间不同坐标的时间次序。实际电网负荷预测的仿真结果验证了文中提出的相空间相关邻近点的选择方法与峰谷荷修正思想的有效性。

基于可加性模糊系统的负荷时间序列预测

本文依据可加性模糊系统理论 ,提出了一种新的预测方法 ,利用聚类方法与有监督学习相结合的训练方法 ,提高了系统的函数逼近能力。仿真结果表明 ,系统学习速度快、预测精度高 ,在电力负荷时间序列预测中获得相当满意的结果。

电力短期负荷时间序列混沌特性分析的技术改进

电力短期负荷具有混沌特性。通过深入研究其混沌吸引子的形状、关联维数及最大Lyapunov指数,发现这些混沌特征数对电力短期负荷预测具有重要意义。在相空间重构的基础上,经研究发现电力短期负荷二维相图两坐标间延迟时间为8时,其混沌吸引子能得到最好的再现;对计算关联维数的G-P算法中关键参数的选取提出了简单易行的方法,使该算法更易于操作;对计算最大Lyapunov指数的小数据量方法做进一步改进,提出了一套固定参数,并用Henon系统数据验证了该方法的有效性。用上述改进方法进一步分析了电力短期负荷的混沌特性。

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.

求取混沌时间序列嵌入维数的一种神经元网络方法

在混沌理论分析中 ,传统的求取时间序列的嵌入维数方法非常复杂 .提出一种通过神经元网络求取时间序列的嵌入维数的方法 ,仿真结果证明 。

某10 kV配电台区负荷不平衡特性分析

随着电力、电子技术的发展及相关设备日趋成熟,电力终端用户侧表现出新的负荷特征。比如,随机性与不确定性更强;峰值负荷短时功率变化更显著;三相负荷均匀分配更难等。本文结合某10 kV配电台区内2023年智能电表真实数据,分析不同智能电表采集终端和不同类型用户的负荷时间序列特征,并刻画负荷变化的特性指标,主要包括:负荷曲线波动系数;峰值负荷持续时间占比;负荷三相不平衡度。通过对以上指标提取及针对性分析结果的应用,优化了该区域配电网的运行调度,改善了用户服务。同时,可以为电力市场机制设计提供科学指导。

基于弹性优化机制的社区负荷EV分群优化策略

针对EV无序充电对电网造成的负荷波动,文中提出了基于弹性优化机制的社区负荷EV分群优化策略。该策略以社区EV返程时刻为标准划分社区负荷序列和EV车辆序列,根据策略响应度将EV车辆序列划分策略响应车群和普通车群。电网侧与策略响应车群签订具有弹性限度的合约A与合约B,并制定各车群的充放电计划。合约A侧重考虑用户效益,通过控制策略响应车群各EV序列充放电,分别优化各车辆序列对应的社区负荷序列,尽力获取放电收益。合约B侧重考虑用户用车需求,通过调整EV的充放电计划,在平衡合约执行度和EV可用度的同时最大化降低社区序列负荷波动。文中以某社区居民家庭负荷为算例,以最小化负荷峰谷差和用户支出费用为目标函数,通过MATLAB、Yalmip平台和Gurobi求解器联合建模求解各合约场景。结果表明,策略实施后,各合约场景下的社区负荷峰谷差分别降低了3.74%、2.87%和5.04%,EV序列费用支出分别减少了10.80%、5.23%和10.55%。

基于多维聚类的配变负荷注意力短期预测方法

在大规模配变负荷预测中,由于负荷特性差别以及受影响因素不同,若使用统一模型,准确率低且泛化能力差,若针对单台配变进行负荷预测建模,计算资源消耗过大.提出了一种基于多维聚类的配变负荷注意力长短期记忆网络(Attention Long Short-Term Memory, Attention-LSTM)短期预测方法.首先提取每个配变日负荷特征序列并利用非参数核方法进行概率拟合,形成配变负荷的典型日负荷序列;以欧式归整距离以及影响因素相似性作为相似度评判标准,使用改进的k均值聚类(k-means)双层聚类对日典型负荷序列进行负荷聚类分析;利用近邻传播(Affinity Propagation, AP)聚类提取影响因素相似时间序列,构建训练集,训练Attention-LSTM模型;针对不同的配变负荷类型以及不同的相似时间序列得到不同的Attention-LSTM模型.通过选取某市级配电网实测负荷数据以及气象等影响因素数据,验证了所提方法的有效性和实用性,准确率提升了2.75%且效率提升了616.8%.

基于改进主成分分析的短期负荷预测方法

由各时点负荷分量组成的负荷时间序列中,各数据点间具有一定的相关性和差异性,在进行短期负荷预测时模型一般无法兼顾数据的共性和差异性。作者采用一种改进的主成分分析法,在不损失负荷原始数据主要信息的前提下提取负荷数据的主成分,有效地减少了预测模型的输入量。同时,针对电力系统短期负荷受温度影响较大的特点,将温度因素引入BP神经网络进行短期负荷预测,实例分析验证了该方法的有效性。

基于SBF-Elman的EV短期负荷预测研究

针对EV(electric vehicle,电动汽车)短期负荷数据中异常数据造成预测偏差,提出顺序分支筛选法结合Elman的EV短期负荷预测方法,简称SBF-Elman(Sequential branch filtering-Elman)。首先分析EV短期负荷预测研究现状和影响EV充电负荷因素,介绍了SBF-Elman应用于负荷预测原理,构建了EV等效负荷模型,求得等效负荷序列。选取广东省某市2018年5月份的EV的负荷数据和构建的等效负荷序列,进行Elman训练和预测。实验结果表明,该方法规避了原始负荷中的因突发事件所产生的异常数据造成的预测偏差,预测精度提高了3%,预测时间提高2.13s,为EV优化调度的工作奠定了基础。

基于近似熵的电力系统负荷预测误差分析

为深入探究负荷时间序列预测误差的影响因素,提高负荷预测精度,提出近似熵算法,用于定量刻画负荷时间序列的规律性,全面认识负荷预测误差的成因。采用近似熵算法对负荷时间序列进行分析,确定其规律性的强弱。在此基础上,针对负荷时间序列的规律性与预测误差之间的关系进行研究。算例分析结果表明,近似熵算法可以有效刻画负荷时间序列的规律性,且负荷时间序列的规律性与其预测误差之间有着较强的相关性,证明了方法的正确性和有效性。

基于卷积神经网络的负荷预测

电力负荷预测对于保证大扰动下的系统稳定、优化智能电网中的能源分配具有重要意义。传统的预测模型主要基于时间序列分析,由于其不可忽略的预测误差,已经不能完全满足电力系统的实际需要。为提高预测精度,将时间序列数据分析转变为图像处理,并利用计算机图像领域广泛使用的深度学习方法进行电力负荷预测。卷积神经网络(convolution neural network,CNN)作为图像处理的有力工具,尽管已有学者将其用于时间序列数据处理,但仍是将数据作为序列矩阵处理,并未体现出CNN处理图像矩阵的优势。因此提出基于序列到图像转换的CNN(sequence to image convolutional neural network,STI-CNN),将负荷序列转换为负荷图像,使CNN可以更有效地提取相邻信息特征,充分考虑到各种外部影响因素,使用双分支深度网络模型对输入数据进行精确聚类,通过STI-CNN方法进行负荷预测。负荷预测实验结果表明,所提STI-CNN方法在不同的预测指标方面都有卓越的表现,所用预测时间更短,具有更高准确度。

电力月负荷的混沌趋势组合模型预测

针对电力月负荷同时具有趋势增长性和季节波动性,使负荷表现出复杂的非线性特征,从而提出了电力月负荷的混沌趋势组合模型。以四川省全省月负荷序列为例,把原始电力月负荷序列分解为趋势序列和剩余序列。通过计算剩余序列的混沌特征量,识别出剩余序列的混沌特性。在此基础上,利用混沌趋势组合模型对月负荷时间序列进行预测,实例结果表明,该方法对电力月负荷的预测是可行的。