一种时频尺度下的多元短期电力负荷组合预测方法

随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)在时频域上将负荷数据分解为若干个频率特征不同的本征模态分量,在模糊熵准则下聚类为随机项和趋势项。采用皮尔逊系数从诸多影响因素中筛选出与电力负荷高度相关的特征,鉴于小时间尺度分析更易于挖掘局部细节特征,分别构建了随机项与趋势项的细颗粒度特征集。利用具有强非线性处理能力的时间卷积网络(temporal convolutional network,TCN)去预测随机项,利用结构简单及线性拟合效果好的多元线性回归(multiplelinearregression,MLR)去预测趋势项,将二者的预测结果进行叠加重构后获得最终预测值。在新加坡和比利时两组数据集上的实验结果证明:所提模型具有较高的预测精度、较好的泛化性能及鲁棒性。

考虑发用电相似性的海上风电中长期双边协商交易优化决策模型

海上风电是未来最有潜力的可再生能源之一,但其出力具有随机性和波动性。为了更好地促进海上风电的市场化消纳,文中基于海上风电商与负荷聚合商间的中长期双边协商交易构建了优化决策模型。首先,通过时间序列相似性评估方法,为目标海上风电寻找最优的用电负荷组合。其次,考虑需求响应备用容量配置和发用电曲线预测误差,构建了基于两阶段分布鲁棒优化的中长期交易优化决策模型,为海上风电配置适应其未来一段时间内出力特性的需求响应资源,并合理调整中长期交易曲线。最后,通过仿真算例验证了所提模型的有效性和实用性。

一种新的近似非齐次直接离散灰色模型及其应用

为避免传统灰色预测模型从差分到微分之间转换产生的跳跃误差,更好地挖掘数据序列发展变化的内在规律,结合离散灰色建模方法和直接建模思想,引入时间二次项,构建了一种含非线性时变参数的近似非齐次直接离散灰色模型NDDGM(1,1,k,k^(2))。将传统灰色模型的适用范围拓展到近似非齐次指数序列、指数线性组合型序列、指数抛物组合型序列、三次曲线型序列。从理论上证明了新模型对指数抛物组合型、三次曲线型序列具有白化重合性。最后通过五类不同特征序列的数值模拟和对软土地基沉降及我国汽车制造业天然气消耗总量的预测分析,结果表明:新模型显著提高了灰色模型的模拟和预测精度,验证了其有效性和实用性。

基于相似时段匹配与Transformer网络建模的分布式光伏超短期功率预测方法

由于缺乏气象数据,分布式光伏在天气骤变场景下预测精度不高,提出了一种基于相似时段匹配与Transformer网络建模的分布式光伏超短期功率预测方法。首先,将相似时段概念由日扩展至更灵活的时间段,并提出了一种历史功率与卫星遥感信息融合的匹配策略,旨在无须依赖气象数据的情况下,高效识别出对预测最为关键的相似功率时段。在此基础上,融合Transformer网络的强大时序建模能力,动态解析多源相似时段中的隐藏关联,深入挖掘功率关键特征信息,从而为天气骤变条件下的分布式光伏系统提供更为精确的超短期功率预测。最后,通过实际分布式光伏功率数据验证了所提方法的有效性。

基于改进Autoformer模型的短期电力负荷预测

针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的内在复杂时序趋势,使得模型具有复杂时间序列的渐进分解能力;提出Nystrom自注意力机制,该机制利用Nystrom方法来逼近标准的自注意力机制。某地电力负荷预测实验结果表明,所提模型比基于标准Autoformer模型的短期电力负荷预测模型的时间复杂度更低,准确率更高。

基于LSTM网络模型的光伏发电功率短期预测系统

光伏发电受天气因素影响,具有明显的间歇性和波动性特征。该文提出了一种基于LSTM网络模型的光伏发电功率短期预测方法,该方法以STM32单片机为控制核心,实时采集光照辐度、温度、相对湿度、风速等数据。利用相关系数法筛选相关度较高的因素,作为LSTM网络模型的输入变量,对未来光伏发电功率进行短期预测。MATLAB仿真实验结果表明,该文所提方法与其他预测模型相比具有较高的预测精度,在晴天与多云天气下预测的MAPE值分别为4.943%和4.997%,有利于我国电力系统的稳定运行和电网工作人员的调度。

变时间尺度的风光互补发电短期功率预测技术

该文探究适用于风光互补发电系统的变时间尺度短期功率预测技术。风力发电机组的功率预测模型以风速作为输入参数,光伏发电机组的功率预测模型以温度和光照强度作为输入参数。经过数据校正模块、地形变化模块、辐射量计算模块、功率预测模块的处理后,准确预测输出功率。在此基础上使用Simulink仿真软件构建风光互补发电模型,采集一天的风速和太阳能辐射数据作为输出量,仿真结果表明该模型的实际输出功率和期望输出功率基本一致,变时间尺度的短期功率预测技术达到预期效果,有助于实现风光互补发电系统的可靠并网。

基于最大重叠离散小波变换和深度学习的光伏功率预测

针对光伏功率时间序列的非平稳特性,提出一种基于最大重叠离散小波变换(MODWT)和长短期记忆网络(LSTM)的光伏功率组合预测模型。利用皮尔逊相关系数确定影响光伏功率的重要气象因素,基于MODWT算法对历史光伏功率序列进行分解,将选取的气象因素与分解得到的平稳子序列共同构成各个LSTM网络输入,通过汇总重构每个LSTM网络的子序列预测结果得到最终的光伏功率预测结果。从理论层面分析所建立的MODWT算法的完全重构性,并基于李雅普诺夫稳定性定理推导保证预测网络收敛的学习率范围。仿真对比结果显示,所提出的光伏功率预测模型在预测精度和鲁棒性方面具有明显优势。

基于SGMD-SE与优化TCN-BiLSTM/BiGRU的超短期风功率预测

为提高超短期风功率预测精度,提出一种基于SGMD-SE与优化的TCN-BiLSTM/BiGRU组合预测模型。首先,采用最大互信息系数(MIC)选取出风功率强相关变量,作为预测模型的输入特征。其次,利用能抑制模态混叠、无须设置分解参数的辛几何模态分解(SGMD),将原始风功率信号分解成若干个较平稳的初始辛几何分量(SGC)。然后,使用样本熵(SE)完成初始分量重构并将重构后分量划分为复杂度高、低两类,根据两类分量不同特点,分别搭建TCN-BiLSTM模型、TCN-BiGRU模型进行预测。为改善BiLSTM、BiGRU预测性能,采用时间卷积网络(TCN)提取两类分量特征,并提出一种基于Tent混沌映射和柯西变异的改进鱼鹰优化算法(IOOA)优化其关键参量。最后,叠加各分量预测值得到最终的预测结果。结果表明:所提出的组合预测模型可有效提升超短期风功率预测的准确率,具有较强的实用价值。

基于时频域分析的LSTM电力系统报警方法研究

为克服传统语音分析方法的局限性,文章采用基于时频域分析的长短时记忆网络模型,提出基于时频域分析的长短时记忆(Long Short-Term Memory,LSTM)电力系统报警方法。同时,在UrbanSound8K数据集上开展实验验证该方法的有效性。结果表明,该方法的准确性、精确度、召回率和F1分数等较高,表现出在正常和异常声音分类任务上的平衡性和稳定性。

基于TVF-EMD-SVM-GRU混合模型的短期电网负荷预测

短期电网负荷表现出非规律的波动性和非稳定的周期性,对其进行准确预测是一项挑战。采用时变滤波的经验模态分解,对一维观测信号进行分解,得到具有不同尺度特征的固有模态函数。通过随机重构构造一个新的观测值,形成二维矩阵。引入支持向量机来替代门控循环单元最终输出层中的归一化指数函数,并将交叉熵函数替换为基于边缘的函数,从而进行基于混合模型的短期电网负荷预测。试验结果表明,与大间隔最近邻算法、卷积神经网络以及融合门控循环单元的支持向量机相比,混合模型的计算成本虽然稍高,但均方根误差和平均绝对误差都是最小的。因此,混合模型具有最好的预测性能,可用于短期电网负荷预测。

基于5G通信技术的电力自动化系统实时监控与控制研究

文章主要探讨5G通信技术在电力自动化系统中的应用,特别是在实时监控与控制方面。概述了智能电网的核心技术,并强调集成先进信息与通信技术的重要性;对比分析了5G和现有长期演进(Long Term Evolution,LTE)技术在智能电网监控与控制中的应用,特别是在实时性能和故障管理方面的差异;通过仿真实验和案例分析,展示了5G在电力自动化系统中的应用潜力,尤其在提高故障检测和处理速度方面具有显著优势。此外,还研究了基于5G通信技术的配电网实时监控与控制方法,如智能电网的监控和控制管理架构,并对比了基于LTE的集中式网络管理和基于5G的分布式网络管理2种场景。

储能系统平滑光伏电站功率波动的变参数斜率控制方法

为提高储能系统平滑光伏电站功率波动的能力,提出了基于超短期预测的变参数斜率控制策略。在斜率控制的基础上,通过提出控制荷电状态划分的2个参数变量以及4个充放电功率调节参数,建立了可调整荷电状态的储能系统平滑控制策略。根据超短期预测功率建立目标函数,采用自适应混沌粒子群算法对控制变量进行实时优化,实现平滑效果和荷电状态的协同优化。以光伏电站实测数据进行仿真分析,对比定参数控制策略,该方法在保证平抑效果的基础上能够限制储能系统的充放电深度。

面向智能配用电网络的电力无线专网技术方案

智能配用电通信网络覆盖范围广、测量点多,是配用电系统智能化的基础之一。文中从配用电业务出发对无线宽带在配用电通信接入网的带宽、时延、安全需求进行分析,并提出一种新型的电力无线宽带系统的解决方案。这种基于电力专用频谱资源,使用分时长期演进(TD-LTE)技术的电力无线宽带能承载电力用户用电信息采集、配电自动化、配电监测终端以及视频监控等业务,有效解决了配用电业务信息传输的可靠性、稳定性问题。

结合风电功率超短期预测值偏差的实时市场调度

实时市场中的超短期风电功率预测偏差较日前市场有所减小,但与实际出力相比仍然有一定的偏差,需要研究风电的不确定性给实时市场出力调整带来的影响。考虑较短时间内风速分布特性呈正态分布,详细推导了风电场功率分布表达式和偏差概率,建立了基于报价的实时市场出力调整调度模型。该模型以常规机组出力调整费用和风电功率预测偏差费用之和最小作为目标函数。通过具体算例分析了不同的正态分布参数、风电预测功率的变化、惩罚系数的变化对实时市场出力调整成本、风电预测功率偏差成本和偏差期望值的影响。仿真结果验证了模型的有效性。

基于相似时间序列检索的超短期负荷预测

针对目前超短期负荷预测算法存在的预测精度不稳定、实时性能不强等问题,从时序数据挖掘的重要方法——相似时间序列的检索出发,结合负荷自身的周期性变化规律,提出了一种新的超短期负荷预测方法。该方法具有简单实用的坏数据处理机制;通过扩展负荷序列相似的概念有效地增加了预测样本的数量,提高了预测样本的质量;对预测值的加权处理抵御了单样本预测带来的风险,使预测的精度稳定在一个较高水平。实际应用结果表明,该方法的预测精度高、稳定性强,能较好地满足电力系统各方面的需求。

不同样本数的混沌负荷序列短期预测性能分析

电力负荷受众多因素的共同作用表现为复杂不规则的混沌规律,须采取合适的方法才能获得准确的短期负荷预测值。考虑因训练样本数目的不同而产生迥异的预测效果,先以经典混沌时间序列为例,比较训练样本数目从10变化到2 000时的各预测方法性能。仿真结果表明,经典混沌方法对小数目训练样本效果明显,随着样本数目的增多,智能混沌方法的优势渐显,其中最小二乘支持向量机有优异的预测精度和运算速度,且较神经网络对样本数目的依赖性小。欧洲智能技术网络(EUNITE)预测结果表明,最小二乘支持向量机能灵敏捕获小样本混沌电力负荷的变化规律,有效提高了短期电力负荷的预测精度。

火箭垂直返回双幂次固定时间收敛滑模控制方法

垂直起降可重复使用火箭返回飞行时受到复杂扰动和强不确定性影响,其姿态系统呈现出强非线性和高动态的特点.为克服扰动影响实现对姿态角指令的快速高精度跟踪,提出了一种基于双幂次固定时间收敛滑模面和固定时间收敛扰动观测器的快速高精度姿态跟踪控制器.对于返回飞行姿态控制系统中的有界匹配扰动,为避免观测器的调节过程影响控制系统的性能,在控制器的设计中引入了固定时间收敛扰动观测器,从而实现了对扰动的快速高精度估计;为实现姿态跟踪控制器的固定时间收敛,给出了基于双幂次修正项的一种双幂次固定时间收敛滑模面;基于观测器输出和双幂次固定时间收敛滑模面设计了快速姿态跟踪控制器,通过引入固定时间收敛扰动观测器的输出以补偿扰动影响,从而在允许的精度损失下去除不连续控制项以抑制滑模抖振.最后通过返回飞行大气层内气动减速段的数值仿真验证了观测器和基于固定时间收敛扰动观测器的固定时间收敛滑模跟踪控制器的性能.

晴空工况光伏超短期功率预报方法

提出一种基于实时辐射采集技术的晴空工况光伏超短期功率预报方法。该方法预报时效为未来0～4h,预测点时间分辨率为15 min,每15 min滚动循环预测。以此预报方法为基础,建立了国家能源太阳能发电研发(实验)中心屋顶光伏电站的功率预测系统。现场预测结果表明,该方法具有较好的预报效果,能够满足工程应用要求。

一种应用时间序列技术的短期电力负荷预测模型

提出一种时间序列算法和模糊逻辑技术相结合的电力系统短期负荷预测方法 .它包括一个具有非线性特性的传递函数模型 ,可以考虑气温等外界因素对负荷的非线性影响 ,能使预测及时跟上负荷变化的趋势 ,适用于由于天气等因素变化引起负荷突变的预测场合 .为了更好地处理影响电力系统负荷的不确定性因素 ,便于利用预报人员的丰富知识和经验 ,此文采用了具有较强结构性知识表达能力的模糊逻辑技术与时间序列相结合的方法进行负荷预测 .