基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数(Radial Basis Function,RBF)神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。

基于态势感知的智能配电网运行状态评估

围绕智能配电网的态势感知关键技术,综合考虑安全性、供电可靠性和经济性,提出了基于态势感知的智能配电网运行状态综合评估方法。研究基于量测系统的态势要素采集方案,对配电网运行状态进行实时评估和态势理解,进而基于负荷的超短期预测进行态势预测,并建立了配电网运行状态评估指标体系,从不同层次、不同角度反映系统当前与未来时刻的运行状态以及故障发生后系统所面临的风险,并通过IEEE 33节点配电系统对所提出的方法进行验证。结果表明,该方法可准确反映配网的运行状态,判断系统态势发展的趋势,为配电网安全运行提供一定参考。

基于深度学习集成方法的日用电最大负荷预测

电力负荷受气温等多重因素影响,具有短期波动性和非线性特征,给电力系统调度带来了极大不确定性和挑战。为提前做好电力生产计划和调度预案,开展短期电力日最大负荷预测具有重要的应用价值。基于深度学习集成(SDAE-B)方法的计算准确度和计算效率优势,对较大变化的外界因素具有高鲁棒性。选取某省级电网2018—2020年三年的日度电力数据和气温数据,利用SDAE-B方法对该地区2020年任意15天日最大负荷进行预测,并与运用SDAE方法和支持向量回归(Support Vector Regression,SVR)方法得到的测试结果进行比较。结果显示SDAE-B方法的预测误差最小,且该深度学习方法具有强大的特征提取能力,能在最大程度上减少数据典型特征的损失,且很好地跟踪电力日最大负荷的非线性特征。