融合EMD-TCN-GBM算法的配电网线路负载预测方法研究

随着高比例分布式光伏(Distributed PV)接入配电网,使得配电网的电压时间序列表现出高度的波动性和随机性,给配电网的线路带来了很大的压力。针对高比例光伏接入的线路进行线路负载率的预测,可以有效地对配网的改造进行规划,合理安排运行安全裕度,保持系统潮流传送能力,并对配电网网架优化起到指导作用。提出一种经验模态分解(Empirical Mode Decomposition EMD)、时间卷积网络(Temporal Convolutional Network TCN)与基于决策树的梯度提升算法(Light Gradient Boosting Machine LightGBM)相结合的线路负载率预测方法(EMD-TCN-GBM)。主要采用3种样条插值函数对数据中出现的功率数据缺失及负载参数缺失的情况进行合理填充,获得可靠的样本数据集,并通过EMD将负载时间序列进行分解,形成多序列子信号,降低数据的不稳定性。利用LightGBM提取影响负载率的多个特征点,避免了单一特征测量结果所带来的局限性,提高了整体的预测精度。最终根据这些特征使用TCN算法进行一维因果卷积和扩展卷积的线路负载率的预测。通过实验分析,验证模型能够比较完整准确地对实时高比例分布式光伏接入配电网的线路负载率做出量化的预测评价。

基于人工智能的配电网设备负载预测预警系统设计研究

提出了基于人工智能的配电网设备负载预测预警系统。该系统采用层次聚类法按照历史负载率曲线特征将配电变压器和馈线划分为多类,并为每类构建一个基于Seq2Seq的负载率预测模型。在此基础上,该系统建立了一个重过载预警框架,筛选出未来短期存在重过载风险的配电网元件。测试结果显示,负载率预测的平均绝对百分比误差均值为6.79%,重过载预警的准确率均值超过90%。