基于大数据的电力调度决策支持系统研究

电力系统的复杂性和不确定性增加导致传统的电力调度方式难以满足现代电力系统的需求。因此,文章探讨基于大数据的电力调度决策支持系统和大数据技术在电力调度中的应用。该平台融合人工智能技术和改进方案增强电能分配的系统性、精确度与自动化程度,实现对电力负荷预测、发电计划优化、故障诊断与恢复等关键环节的支持。实证研究揭示基于海量数据分析的电力监控决策辅助系统,可以有效增强电力传输网的操作效能和稳定性。

改进的基于聚类分析的超短期负荷预测方法

分析了当前超短期负荷预测中存在的主要问题;在对大量历史负荷观测的基础上,提出并应 用聚类分析理论进行负荷变化趋势分析;通过分析,在固定分类预测算法的基础上,提出了动态分 类预测算法,该方法能够根据预测目标自动调整预测样本;大量的模拟测试表明,改进后的预测方 法能够在无需频繁维护样本的情况下,大幅提高超短期负荷预测精度,尤其是对节假日负荷预测, 效果更为明显。

基于机会约束规划的孤岛模式下微电网动态经济调度

新能源出力波动、负荷预测误差等不确定性因素给孤岛模式下微电网经济调度带来了困难,采用安排发电及储能单元出力、新能源发电侧和负荷侧管理的方法,提出基于机会约束的孤岛模式下微电网动态经济调度模型。该模型将风光出力和负荷预测误差用随机变量表示,并以旋转备用满足的置信水平表征微电网的供电可靠性水平。将机会约束转化为其确定性等价类,推导出失负荷期望的数学表达式,并给出改进的粒子群优化算法以求解模型。算例分析结果验证了所提模型的合理性。

电力系统短期负荷预报的动态神经网络方法

提出了一种用于电力系统短期负荷预报的动态神经网络模型．这种模型同时兼顾了时序法和相关法的特点，将日期特征量、气象特征量及一天的多个（动态地确定）有功负荷水平作为神经网络的输入信息，通过对输入信息动态、灵活地处理，利用有监督的学习算法对神经网络进行训练，再预测下一天相应时间点的多个有功负荷，以提高有功日负荷预测的精度和方法的适应性。

基于经济性和可靠性的机组负荷最优调度

提出一种机组负荷基于经济性和可靠性的调度方法，利用动态规划和最优模糊决策论相结合，在机组的优化调度中考虑了安全性和可靠性的影响，并给出实现的方法和具体步骤。

电厂负荷调度的智能决策方法

等微增法和动态规划法是目前常用的电厂负荷优化调度方法,文中对这两种方法进行了分析比较,指出了这两种方法在实际负荷调度过程中的缺点。在此基础上,提出了基于减小电厂发电成本并融合实际负荷调度经验的电厂负荷智能决策算法,并针对南通天生港发电有限公司的4台125MW机组,研制了基于负荷智能决策算法的优化负荷调度系统。

基于机会约束的含多风电场动态经济调度

为了解决风电出力的不确定性给电网安全运行带来的威胁,提出基于快速傅里叶变换(FFT)快速计算卷积化简机会约束规划的动态经济调度算法.针对多个风电场同时接入系统的复杂情况,在风电出力概率和负荷预测的基础上,保证正、负旋转备用能满足负荷和风电实际出力的波动,应用机会约束规划建立了考虑失负荷和弃风风险的含风电场电力系统动态经济调度模型;利用FFT快速计算卷积求取联合变量的概率分布以将机会约束转化为确定性约束简化得到确定性模型,并用CPLEX进行求解,该方法大大减少了算法的运算时间.以修改的10机39节点系统为算例验证了所提调度模型的正确性及化简方法的有效性.

高渗透率下分布式决策的负荷预测模型

为提高分布式新能源在电网中的渗透率和寻找有效的负荷预测方法,提出一种基于动态贝叶斯网络的分布式决策模型,对电网负荷进行精确预测,即先用分类器按照负荷性质将大电网进行聚类划分,通过考虑影响负荷的各类因素以及这些因素之间的关系,对各个分布式网络进行动态贝叶斯网络建模,然后用贝叶斯优化的方法以及转移网络对模型进行优化,再用决策网络对其进行总体预测。最后,通过实际算例计算、分析结果表明,这种方法在渗透率小的一般预测时,具有较高的精度,且学习时间短,适合在线预测。

模糊决策控制的动态经济调度方法

本文基于模糊数学的基本原理与负荷预报相结合，提出了一种计及辅助设备控制的动态经济调度方法。该方法利用模糊决策的理论对与辅助设备相对应的运行区域的启停和转换做出经济而可行的判断。把发电与负荷的平衡、费用消耗、区域运行时间及旋转备用看成相应的模糊子集，从而建立其相应隶属函数。通过算例的试算证明是可行的。