基于条件变分自编码器和贝叶斯神经网络的短期电力负荷概率预测

考虑到输入信息和预测模型的不确定性对负荷预测结果的影响,本文提出一种基于条件变分自编码器和贝叶斯神经网络的短期电力负荷概率预测方法.通过条件变分自编码器生成指定天气因素预测值和日历特征条件下实际天气因素可能的多个随机样本,以模拟天气预测信息的不确定性;构建GRU-S2S贝叶斯神经网络学习模型参数的分布特征,以反映预测模型的不确定性,并结合MC dropout技术获得多个可能的负荷预测值;遍历天气因素全部模拟样本,将预测模型输出的负荷预测值构成集合,并通过核密度估计获得预测时段内各时刻预测负荷服从的概率分布.实际算例结果表明,该方法在短期负荷概率预测中具有更高的分位数预测精度和更可靠稳定的区间预测结果.

基于车辆行为模拟的加氢站氢负荷概率建模方法

加氢站的氢负荷受氢燃料电池汽车出行行为影响,其时空分布具有高度的不确定性。为了研究加氢站氢负荷的分布特性,并准确描述车辆用户出行规律,提出一种基于车辆行为模拟的加氢站氢负荷概率建模方法。首先,基于美国家庭出行调查数据集对车辆出行过程中的行为特征量(如出行时刻、行驶时间、目的地、行驶距离等)概率分布进行拟合;其次,基于蒙特卡洛模拟的方法多次抽取样本,形成由车辆出行行为所组成的出行链;最后,以出行目的地类型为划分标准,分别模拟出一天内不同区域加氢站的氢负荷特性。通过合理利用实际出行数据和蒙特卡洛模拟方法,能够准确描述车辆行为规律,并根据出行目的地类型推断出不同区域加氢站的氢负荷特性。

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。

基于VaR和集成神经网络分位数回归的短期负荷概率预测

短期负荷预测在电力系统规划与运行中起着重要作用。提出一种融合注意力机制和分位数回归的混合卷积双向长短期神经网络短期负荷概率预测模型。首先,利用相关性分析选取合适的天气变量和历史负荷。其次,通过Copula模型计算出风险阈值,该值被用于构造峰值二进制指示输入特征。接着,将所选特征集输入到卷积双向长短期神经网络预测模型,引入注意力机制给予数据不同关注。然后,采用核密度估计对负荷进行概率预测。最后,使用平均绝对百分比误差和均方根误差对模型预测性能进行评估。仿真结果表明,该模型具有更高的预测精度。

基于MCQRDDC的负荷概率预测模型

针对具有约束性的复合分位数回归网络(monotone composite quantile regression neural network,MCQRNN)无法较好地分析负荷数据之中的时序信息和内在规律的问题,本研究融合MCQRNN以及膨胀因果卷积网络(dilated causal convolutional networks,DCC),提出了一种新的分位数回归模型MCQRDCC(monotone composite quantile regression dilated causal convolutional networks),该模型将输入划分为分位点输入与非约束输入,使该模型的输出随分位点的增大而增大,以此解决分位数交叉的问题.同时,使用DCC的结构,使该模型充分地分析负荷数据之中的序列信息,使得预测结果更加符合真实负荷的变化趋势.此外,MCQRNN使用指数函数对约束权重矩阵和隐藏层权重进行转化,会影响反向传播时权重的调整,本研究使用ReLU函数代替指数函数可以解决这个问题,以此提高预测的精度.使用真实的负荷数据进行实验,实验结果表明,MCQRDCC能有效地提高预测精度,相较于MCQRNN,其平均Pinball损失和CWC分别下降2.11%和9.31%,AIS提升了10.51%.

论电力负荷概率特性——非参数核密度估计在电力负荷特性分析上的应用

基于现实需要,提出了负荷概率特性问题,并引入非参数核估计方法,对服从典型分布假设的理由不充分的情况下的负荷密度作了有效估计,进一步在此基础上构造了负荷概率特性指标,补充了现行负荷特性分析的方法.通过对一实例的编程计算、比较分析,表明了分析电力负荷概率特性的现实意义,以及在该类问题上,非参数核估计方法的良好适用性.

即插即用能量组织日前负荷概率预测方法

随着对利用新能源的迫切需求,分布式能源将以“能量细胞”的形式分布在用户侧,并具有即插即用的特点。受到利益的驱动或稳定性的要求,“能量细胞”将组成形态各异的“能量组织”,而新形成的“能量组织”则存在历史数据较少的问题。针对“能量组织”中小样本日前负荷概率预测问题,提出基于pinball损失函数的深度长短时记忆(long short-term memory,LSTM)网络概率预测方法。为解决小样本下深度LSTM网络的过拟合问题,采用自底向上的层次聚类方法进行数据增强,并针对各个分位点进行并行预测。实验结果表明,所提方法能够获得较高的可靠性以及锐度较好的置信区间,可以为日前调度提供合理依据。

考虑负荷概率分布的随机最优潮流方法

针对考虑负荷概率分布的随机最优潮流问题,建立了相应的机会约束规划模型。基于经典最优潮流问题的内点法和随机潮流方法,设计了求解该模型的一种启发式方法。该方法以确定性负荷最优潮流计算结果为基础,通过求取受机会约束的变量的概率分布判断概率约束是否满足。若不满足,则根据变量分布和等效的机会约束,形成新的上下限约束,继续计算负荷为期望值时的最优潮流,直至所有概率约束满足。对5节点和IEEE118节点系统的测试表明该算法的有效性。

基于约束并行LSTM分位数回归的短期电力负荷概率预测方法

负荷概率预测能准确量化负荷的不确定性,为电力系统运行决策提供全面的预测信息。针对负荷的时序性特点以及现有分位数回归方法存在的分位数预测值交叉问题,提出了一种基于约束并行长短期记忆神经网络分位数回归的短期电力负荷概率预测方法。该方法结合长短期记忆神经网络与分位数回归,并行生成预测负荷的多个分位数结果,并加入考虑分位数预测值之间约束关系的组合层,以保证分位数预测值的合理性。实际算例结果表明,与常见负荷概率预测方法相比,所提方法不仅具有更高的预测效率,而且能获得更合理的分位数预测结果。

两域互联系统失负荷概率的计算

本文在Ｄ．Ｓｕｔａｎｔｏ的Ｚ－变换法的基础上，利用互联电网内各系统发电单元强迫停运事件之间以及互联系统电网内各系统的时序负荷曲线的相互独立性，将两域互联系统的失负荷概率ＬＯＬＰ的计算，用各系统的发电单元有效容量概率密度函数（ｐｄｆ）的一系列代数组合来表示，严格地处理了发电单元支援容量的随机性质和联络线的容量约束，为互联电力系统可靠性指标的计算开辟了一条新的途径。

输电网规划模型中失负荷概率约束的嵌入及转化方法研究

风电大规模并网使得输电网网架规划所考虑的不确定性利益日益增加,灵活性规划难度加大。传统的规划后校验方法难以精确地量化不确定性指标,易造成规划方案的线路冗余,增加投资成本。针对风电出力的随机性,构建并分析了嵌入先校验失负荷概率（loss of load probability,LOLP）约束的网架规划模型,在对模型凸松弛的基础上,应用超分位数理论对LOLP约束实现确定性转化,随后对原问题和松弛后的问题迭代求解来减少估计误差。最后,以IEEE 30和IEEE 118节点系统验证了所提模型和算法的有效性,并分析了所提模型计算成本及风电场景选取对规划方案的影响。

基于相关性分析和长短期记忆网络分位数回归的短期公共楼宇负荷概率密度预测

公共楼宇是智能电网用电环节需求响应的重要组成部分,在强不确定性环境下,为了提高公共楼宇短期负荷预测的精度,并能更好反映楼宇负荷的不确定性。提出了一种集合多维尺度分析技术(multidimensional scaling,MDS),基于Copula函数相关性测度、长短期记忆网络分位数回归(quantile regression long short-term memory,QRLSTM)和核密度估计(kernel density estimation,KDE)的短期公共楼宇负荷概率密度预测的方法。首先采用MDS技术对楼宇群进行初步划分,再通过基于Copula函数的相关性测度方法定量计算影响因素(外界天气、人类活动)与目标楼宇负荷的相关程度;其次,运用QRLSTM回归模型预测未来不同分位数上的负荷值。最后,通过核密度估计得到未来任意时刻预测点的概率密度函数。实验结果表明,综合考虑强相关影响因素,并结合QRLSTM回归和KDE技术,能够更好地解决短期公共楼宇负荷概率密度预测问题。

基于多维变量筛选-非参数组合回归的长期负荷概率预测模型

长期负荷预测是电网规划及电力市场中长期交易的基础。针对长期负荷受多维因素驱动、不确定性强的特点,提出了非参数组合回归的长期负荷概率预测模型。通过Granger因果分析对驱动负荷长期发展的多维变量进行初步筛选;为提高预测精度,基于逐步平均组合将筛选后的变量集进行非参数组合回归建模,在实现最优组合模型的同时综合各变量对长期负荷的动态驱动;基于随机变化率对最优组合模型包含的多维变量进行不确定性建模,并应用于长期负荷概率预测,获得长期负荷10%、50%、90%分位点值。算例分析结果表明,非参数组合回归模型不仅精度较高,且结合多维变量不确定性建模能实现长期负荷概率预测。

基于改进门控循环单元分位数回归的短期负荷概率预测

为了更好地提高负荷概率预测精度,提出了一种基于改进门控循环单元分位数回归的短期负荷概率预测模型。首先采用核主成分分析对候选的多维输入变量进行降维处理,然后在传统门控循环单元的基础上对目标函数施加变量间的网络结构约束,并结合分位数回归进一步构建基于改进门控循环单元分位数回归的短期负荷概率预测模型,在得到预测值的条件分位数之后,利用核密度估计得到未来短期负荷的概率密度函数。通过具体算例分析,验证了所提模型的有效性与优越性。

求解计及失负荷概率约束机组组合问题的快速启发式算法

为了解决电力系统机组组合中的备用配置问题,提出了一种求解计及失负荷概率约束机组组合问题的快速启发式算法。该算法通过对计及备用约束机组组合问题与运行可靠性评估问题的迭代求解,将机组组合计划对应的失负荷概率指标控制在给定水平;通过对迭代中备用更新步长的直接估计,提高了备用更新效率,达到了减少迭代次数、提高整体计算速度的目的。相较于已有算法,该算法提高了计算的快速性及计算结果的鲁棒性。通过对单区域及多区域RTS-96系统的测试计算,验证了算法的有效性。

基于结构化负荷模型的电力负荷概率区间预测

为了考虑电力负荷的不确定性,概率和区间预测成为电力负荷预测的重要方式之一。针对传统的负荷概率及区间预测方法没有考虑不同负荷成分的不确定性对电力负荷影响的问题,在分析电力负荷成分的基础上,基于结构化电力负荷模型提出一种电力负荷概率及区间预测方法。首先,对电力负荷的成分进行分析,针对不同负荷成分分别进行建模,构成结构化电力负荷模型;然后,基于历史负荷数据采用变分贝叶斯估计算法训练模型参数的后验概率分布;最后,基于训练完成的模型对未来负荷的概率分布进行预测,从而实现电力负荷概率区间预测。采用实际电力负荷数据进行验证,并与其他方法进行对比。实验结果表明,所提方法取得了较高的预测区间覆盖率和较窄的预测区间宽度。

基于CNN特征选择与QRGRU的电力负荷概率密度预测方法

针对一般预测方法难以提供负荷概率性信息,且难以兼顾负荷数据的时序性和天气、日类型等非连续特征的缺陷,文章提出一种基于卷积神经网络(Convolutional Neural Network,CNN)结合门控循环神经网络分位数回归(Gated Recurrent Neural Network Quantile Regression,QRGRU)的概率密度预测方法。将历史负荷值、天气及日类型等信息利用滑动时间窗构造连续特征图,通过CNN提取不同类型特征的潜在信息,以此作为QRGRU输入,预测不同分位点下未来一天任意时刻负荷的预测结果,并通过核密度估计获得任意时刻负荷的概率密度分布。实验结果表明,采用CNN学习不同类型特征与负荷需求的关系,并结合QRGRU和核密度估计技术,可以更好地解决电力负荷概率密度预测问题。

基于配电网负荷概率模拟的电动汽车充电策略研究

提出基于配电网负荷概率模拟的电动汽车充电策略。该策略综合了电动汽车的充电需求和配电网的负荷能力,初步建立了汽车充电概率模型,设定了电动汽车的充电负荷概率模拟流程。仿真实验证明,利用该策略进行充电能够降低负荷冲击,配电网的稳定性远远高于传统方法,验证了该策略的有效性,保证了充电汽车充电时的安全性和可靠性。

基于分层测量数据的高压变电站概率负荷预测方法

近年来,电力系统中各级量测系统的不断升级与完善使得高压变电站负荷预测精准度的进一步提高成为可能。以高压变电站以及附属的中压出线、中压配变的多级负荷数据为基础,提出一种基于中压出线与中压配电的自下而上的概率负荷预测方法,分析结果的分布特性并完成负荷的累加。此外,为提高预测精度,采用概率预测方法对网损与测量误差造成的预测偏差展开修正。算例分析结果表明,所提方法的综合评价较优,不仅能得到高准确度的负荷点预测结果,还能划定更小的预测区间。

测度值分枝扩散过程在球域上负荷的概率估计

本文通过对一类非线性微分方程解的性质研究。